Диссертация (1152227), страница 30

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 30)

Для решения за171дачи классификации наиболее часто применяют методы кластерного анализаи при наличии обучающей выборки - методы дискриминантного анализа.Одним из подходов, расширяющих инструментарий кластерного анализа, является применение нейросетевых алгоритмов1, построенных на использовании самоорганизующихся карт, опирающихся на механизмы, основанные на ассоциативном правиле Хебба или конкурентном правиле Кохонена, наиболее часто используемом в настоящее время [114].Самоорганизующиеся сети Кохонена относятся к методологии visualdata mining, позволяющей обнаруживать в больших массивах многомерныхданных скрытые свойства и закономерности путем их визуального анализа.Архитектура сети Кохонена представляет собой один входной слой с числомнейронов, равным числу входов, и выходной слой нейронов, организованный в виде топологической карты.

Элементы данной карты размещаются,как правило, двумерном пространстве [152].В основе построения сети Кохонена лежит конкурентное обучение.Рассмотрим набор из m значений полей i-й записи исходной выборкиX i  (x i1 , x i 2 ,..., x im ) T , i  1, n (n-число классифицируемых объектов) и текущийвектор весов j-го выходного нейрона Wt  ( t1 ,  t 2 ,...,  tm ) T , t  1, k (k – числовыходных нейронов).В обучении по Кохонену нейрон-победитель и нейроны, которые являются соседями нейрона-победителя, подстраивают свои веса, используялинейную комбинацию входных векторов и текущих векторов весов: tj,нов.

  tj, тек.  (x ij   tj, тек. ) ,(3.4)где η – коэффициент скорости обучения ( 0    1 ).Согласно Кохонену, коэффициент скорости обучения η должен бытьуменьшающейся функцией от числа итераций (эпох). Поэтому процесс обучения можно разделить на 2 фазы:1Искусственная нейронная сеть представляет собой параллельно-распределенную систему нейронов, способную выполнять обработку данных, которая может настраивать свои параметры в ходе обучения на эмпирических данных. Накопленные знания нейронной сети сосредоточены в весах межэлементных связей.172 грубая подстройка (v1 эпох) – коэффициент скорости обучения ηвелик и веса выходных нейронов корректируются значительно,что позволяет примерно настроить их в соответствии с распределением значений признаков в исходной выборке; точная подстройка (v2 эпох) – коэффициент скорости обучения ηуменьшается,чтопозволяетподстраиватьвесаWt  ( t1 ,  t 2 ,...,  tm ) T более точно.Общая и содержательная часть такой методики изложена в работахВ.П.

Боровикова и может быть представлена в виде следующего алгоритма[152]:1) инициализация сети – для выходных нейронов сети устанавливаются начальные веса (как правило, назначаются случайно, если отсутствуют априорные сведения о характере распределения признаков висходной выборке), коэффициент скорости обучения и радиус обучения (радиус обучения максимален в начале процесса и по мере обучения уменьшается);2) возбуждение сети – на входной слой подается вектор воздействияX i  (x i1 , x i 2 ,..., x im ) T ;3) конкуренция – для каждого выходного нейрона вычисляется расстояние D(Wt , X i ) между векторами весов всех нейронов выходногослоя и вектором входного воздействия (как правило, в качестве мерыблизости двух векторов выбирается евклидово расстояние).

Тот нейрон t, для которого расстояние D(Wt , X i ) окажется наименьшим, становится нейроном-победителем (наблюдение X i будет приписано t-мувыходному нейрону Wt );4) объединение – определяются нейроны, расположенные в пределахрадиуса обучения относительно нейрона-победителя;5) подстройка – производится коррекция весов нейронов согласновыражению (3.14), расположенных в пределах радиуса обучения;1736) шаги 1-5 выполняются (v1+ v2) эпох.При решении задач классификации в сети Кохонена используется порог доступа. Так как уровень активации нейрона есть расстояние от него довходного объекта, порог доступа может играть роль максимального расстояния распознавания.

Если уровень активации выигравшего нейрона большепорогового значения, то считается, что сеть не приняла никаких решений.После обучения сети распознаванию структуры данных, она можетбыть использована как средство визуализации. С помощью частот выигрышей можно определить, можно ли разбить топологическую карту на отдельные кластеры.В диссертационной работе классификация субъектов РФ по уровнюинтеграционной активности производилась в Statistica Neural Netwoks путемпостроения сети Кохонена на предварительно нормированных данных.Грубая подстройка производилась в течение 100 эпох со скоростьюобучения η от 0,1 до 0,02 и радиусом обучения от 3 до 1; точная подстройкапроизводилась в течение 1000 эпох со скоростью обучения η от 0,1 до 0,01 ирадиусом обучения равным 0.

Новые веса нейронов перед обучением инициализировались согласно случайно-нормальному закону распределения.Входной слой сети Кохонена состоит из 38 нейронов, на которые подаются значения 38 признаков, характеризующих уровень интеграционнойактивности 61 региона РФ. В результате построения сети Кохонена быловыделено 4 кластера, представленных в таблице 3.7. Анализ результатовтаблицы 3.7 показывает, что данная классификация не противоречит результатам обобщенной ранговой оценки уровня региональной интеграционнойактивности, полученной на основе построения интегрального индикатора.Однако в отличие от результатов, представленных в таблице 3.6 г. Москва был выделен в отдельный кластер; Московская область вошла в состав кластера, характеризующегосредний уровень развития интеграционной активности в регионе;174 Тамбовская область и Чукотский автономный округ вошли в составкластера, характеризующего низкий уровень развития интеграционной активности.Таблица 3.7 – Результаты классификации регионов РФ по уровню развитияинтеграционной активности на основе сети Кохонена, 2013 г.КластерS1S2S3S4КоличествоРегион РФобъектов1Москва3Санкт-Петербург, Тюменская область, ЮГРАОбласть: Амурская, Вологодская, Иркутская, Кемеровская, Ленинградская, Липецкая, Московская, Новгородская, Новосибирская, Оренбургская, Пензенская, Самарская, Саратовская,Свердловская, Томская, Тульская, Ульяновская, Челябинская,29ЯрославскаяРеспублика: Башкортостан, Мордовия, Татарстан, Удмуртская,Хакасия, Чувашская, ЯкутияКрай: Краснодарский, КрасноярскийАвтономный округ: Ямало-ненецкийОбласть: Астраханская, Архангельская, Белгородская, Брянская, Владимирская, Волгоградская, Воронежская, Калининградская, Калужская, Костромская, Курская, Нижегородская,Омская, Орловская, Псковская, Ростовская, Смоленская, Там28бовская, ТверскаяРеспублика: Карелия, ТываКрай: Алтайский, Забайкальский, Пермский, Приморский,Ставропольский, ХабаровскийАвтономный округ: ЧукотскийПри этом для региональных сравнений большой интерес представляетсравнение региональной интеграционной активности 2013 г.

с региональнойинтеграционной активностью 2008 г., поскольку в 2013 г. по сравнению с2008 г. в технико-юридическом аспекте совершения сделок слияний и поглощений холдинговых структур можно выделить следующие тенденции: совершение сделок в гораздо более сжатые сроки, чем ранее; сделки российских холдингов становятся менее формальными и зачастую более простыми по структуре.В некоторых случаях продавцы с легкостью идут на уступки в отношении заверений и гарантий, обычно являющихся камнем преткновения вомногих сделках, и концентрируются в основном на цене и условиях оплаты.175На основе анализа мультиколлинеарности частных критериев априорного набора показателей для построения ИИ «региональная интеграционнаяактивность» за 2008 г.

был сформирован набор из 25 статистических показателей, представленных в приложении 5. Наибольший вклад в значение ИИ в2008 г. внесли показатели, представленные в таблице 3.8.Таблица 3.8 – Показатели, имеющие наибольший вес в ИИ «региональнаяинтеграционная активность», 2008 г.ИнтегральноесвойствоПоказательНаименование показателяx1Стоимостный объем регионального рынка M&Ax2Число сделок M&Ax7валовой региональный продуктx10x18x19x21x32x34x36x38Налоговые поступления в бюджетсубъекта РФДебиторская задолженностьСумма прибыли организацийСальдированный финансовый результатПортфельные инвестиции за рубежПрямые инвестиции за рубежСтоимость конфликтных активовЧисло уголовных дел, связанных спротивоправными деяниями попосягательству на экономическиеустои государства (рейдерство)Рыноккорпоративного контроляМезоэкономическиепоказателиФинансы организацийВесовойкоэффициент0,07510,07670,07670,08120,08240,08180,0818ИнвестиционныйклиматПреступления и правонарушения в сфереэкономики0,07340,07240,06150,0615Максимальный вклад в значение интегрального индикатора региональной интеграционной активности в 2008 г.

у показателей блока «финансыорганизаций». В частности, у показателя «дебиторская задолженность» максимальный вес 18  0,0824 , у показателя «сумма прибыли организаций» –19  0,0818 , у показателя «сальдированный финансовый результат» – 21  0,0818 . Это объясняется тем, что 2008 г. был пиком по количеству сде-лок слияний и поглощений и основное внимание уделялось устойчивостифинансового положения компании-цели.В результате построения интегрального индикатора региональной интеграционной активности 2008 г., было получено, что к регионам с высокой176интеграционной активностью относится 4 субъекта, к регионам со среднейинтеграционной активностью – 38 субъектов, к регионам с низкой интеграционной активностью – 19 субъектов.Следует отметить, что в 2008 г.

у 62,30% регионов наблюдалась средняя интеграционная активность. Регионы-лидеры 2008 г. сохранили свое положение и в 2013 г. (г. Москва, Московская область, Тюменская область,Ханты-мансийский автономный округ).Таким образом, тенденции пространственного интеграционного развития оказались достаточно постоянными к внешним фйакторам, финансовоэкономический кризис и послекризисное восстановление экономики не существенноизменилипространственныепропорцииразвитияM&A-активности, несмотря на то, что темпы снижения производства во времякризиса и послекризисного восстановления сильно отличались по субъектамРФ.При этом различия в темпах экономического роста стали причинойсдвигов в территориальной структуре интеграционной активности в пользузападных районов страны.

Характеристики

Список файлов диссертации