Оценивание параметров кластерной кусочно-линейной регрессионной функции риска

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Кластерные регрессионные модели весьма эффективны при исследовании различных аспектов функционирования анализируемых объектов, в том числе связанных с риском. В частности, рассмотрены проблемы анализа: странового риска, риска программного проекта, риска отказов для городской трубопроводной сети, риска загрязнения грунтовых вод, пожарного риска зданий, риска наводнений, риска дефолта в кредитовании. Цель – разработка алгоритмического способа идентификации параметров кластерной кусочно-линейной функции риска. Материалы и методы. Использованы статистические данные за 2023 г. по 10 субъектам Сибирского федерального округа. Применен алгоритмический способ, основанный на сведении задачи оценивания параметров кластерной кусочно- линейной функции риска к задаче линейно-булевого программирования. Функция потерь задана в виде суммы модулей ошибок аппроксимации. Результаты. Построена кластерная кусочно-линейная функция риска для цен на жилье в субъектах Сибирского федерального округа. В качестве независимых переменных задействованы цены на кирпич, цемент и обрезную доску. Модель обладает высоким качеством аппроксимации – средняя процентная ошибка составляет 0,4. Выводы. Задача оценивания неизвестных параметров кластерной кусочно-линейной функции риска при задании функции потерь в виде суммы модулей ошибок аппроксимации сведена к задаче линейно-булева программирования.

Об авторах

Сергей Иванович Носков

Иркутский государственный университет путей сообщения

Автор, ответственный за переписку.
Email: sergey.noskov.57@mail.ru

доктор технических наук, профессор, профессор кафедры информационных систем и защиты информации

(Россия, г. Иркутск, ул. Чернышевского, 15)

Сергей Вячеславович Беляев

Иркутский государственный университет путей сообщения

Email: bsv2001@list.ru

магистрант

(Россия, г. Иркутск, ул. Чернышевского, 15)

Александра Романовна Чекалова

Иркутский государственный университет путей сообщения

Email: chekalova49@gmail.com

магистрант

(Россия, г. Иркутск, ул. Чернышевского, 15)

Список литературы

  1. Yim J., Mitchell H. Comparison of country risk models: hybrid neural networks, logit models, discriminant analysis and cluster techniques // Expert Systems with Applications. 2005. Vol. 28, № 1. P. 137–148.
  2. Wallace L., Keil M., Rai A. Understanding software project risk: a cluster analysis // Information & Management. 2004. Vol. 42, № 1. P. 115–125.
  3. Wang Z., Li S. Data-driven risk assessment on urban pipeline network based on a cluster model // Reliability Engineering & System Safety. 2020. Vol. 196. Art. 106781.
  4. Li Y., Wang D., Liu Y., Zheng Q., Sun G. A predictive risk model of groundwater arsenic contamination in China applied to the Huai River Basin, with a focus on the region’s cluster of elevated cancer mortalities // Applied Geochemistry. 2017. Vol. 77. P. 178–183.
  5. Xin J., Huang C. Fire risk analysis of residential buildings based on scenario clusters and its application in fire risk management // Fire Safety Journal. 2013. Vol. 62, Part A. P. 72–78.
  6. Lagasio V., Quaranta A. G. Cluster analysis of bank business models: The connection with performance, efficiency and risk // Finance Research Letters. 2022. Vol. 47, Part A. Art. 102640.
  7. Zhao J., Jin J., Guo Q., Liu L., Chen Y., Pan M. Dynamic risk assessment model for flood disaster on a projection pursuit cluster and its application // Stochastic Environmental Research and Risk Assessment. 2014. Vol. 28. P. 2175–2183.
  8. Xu H., Ma C., Lian J., Xu K., Chaima E. Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China // Journal of Hydrology. 2018. Vol. 563. P. 975–986.
  9. Song Y., Wang Y., Ye X., Wang D., Yin Y., Wang Y. Multi-view ensemble learning based on distance-to-model and adaptive clustering for imbalanced credit risk assessment in P2P lending // Information Sciences. 2020. Vol. 525. P. 182–204.
  10. Melnyk O., Petrov I., Melenchuk T., Zaporozhets A., Bugaeva S., Rossomakha O. Maritime Systems, Transport and Logistics // Proceedings of the International Conference. Springer, 2025. P. 89–105.
  11. Thompson J. R. J., Feng L., Reesor R. M., Grace C. Know Your Clients’ Behaviours: A Cluster Analysis of Financial Transactions // Journal of Risk and Financial Management. 2021. Vol. 14, № 2. Art. 50.
  12. Носков С. И. Идентификация параметров кусочно-линейной функции риска // Транспортная инфраструктура Сибирского региона. 2017. Т. 1. С. 417–421.
  13. Носков С. И., Хоняков А. А. Применение функции риска для моделирования экономических систем // Южно-Сибирский научный вестник. 2020. № 5 (33). С. 85–92.
  14. Носков С. И. Некоторые формы кластерных кусочно-линейных регрессий // Информационные технологии и математическое моделирование в управлении сложными системами. 2024. № 4 (24). С. 41–44.
  15. Носков С. И. Идентификация параметров комбинированной кусочно-линейной регрессионной модели // Вестник Югорского государственного университета. 2022. № 4 (67). С. 115–119.
  16. Носков С. И., Беляев С. В. Оценка непротиворечивости кластерной линейной регрессионной модели // Вестник Технологического университета. 2025. Т. 28, № 2. С. 88–91.
  17. Свидетельство о государственной регистрации программы для ЭВМ № 2015612409. Программа решения задач целочисленного линейного программирования с булевыми переменными / Д. О. Есиков, А. Н. Ивутин, Е. В. Ларкин, А. С. Новиков ; заявитель ФГБОУ ВПО «Тульский государственный универси- тет». № 2014664144 ; заявл. 30.12.2014 ; опубл. 18.02.2015.
  18. Свидетельство о государственной регистрации программы для ЭВМ № 2024613846. Программа решения задачи целочисленного линейного программирования / Н. А. Егоров ; заявитель АО «Концерн воздушно-космической обороны «Алмаз – Антей». № 2024612585 ; заявл. 09.02.2024 ; опубл. 16.02.2024.
  19. Шипицына Р. Е., Витвицкий Е. Е. Сравнение удобства использования программ- ных продуктов при решении транспортной задачи линейного программирования: LPsolve IDE и Microsoft Excel // Образование. Транспорт. Инновации. Строительство : сб. тр. V Нац. науч.-практ. конф. Омск, 2022. С. 250–254.
  20. Волошинов В. В., Смирнов С. А. Оценка производительности крупноблочного алгоритма метода ветвей и границ в вычислительной среде EVEREST // Программные системы: теория и приложения. 2017. Т. 8, № 1 (32). С. 105–119.
  21. Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/ (дата обращения: 03.04.2025).
  22. Единая межведомственная информационно-статистическая система (ЕМИСС). URL: https://www.fedstat.ru/ (дата обращения: 03.04.2025).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».