ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

ROR

ЕДРПОУ 05481984

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

КАТАЛОГ

Методи багатовимірної класифікації економічних об’єктів як інструмент аналізу метапросторових бізнес-колаборацій у сфері торгівлі
Чернова Н. Л., Чернов О. О., Дьячкова О. В.

Чернова Н. Л., Чернов О. О., Дьячкова О. В. Методи багатовимірної класифікації економічних об’єктів як інструмент аналізу метапросторових бізнес-колаборацій у сфері торгівлі. Бізнес Інформ. 2026. №4. C. 202–212.
https://doi.org/10.32983/2222-4459-2026-4-202-212

Розділ: Економіко-математичне моделювання

Стаття написана українською мовою
Завантажень/переглядів: 0

Завантажити статтю (pdf) -

УДК 334.7, 330.4

Анотація:
У статті досліджено можливості застосування методів багатовимірної класифікації економічних об’єктів для аналізу метапросторових бізнес-колаборацій у сфері торгівлі в умовах цифровізації економіки. Обґрунтовано, що сучасні бізнес-колаборації формуються у складних мережевих структурах, де взаємодіють підприємства з різними характеристиками, що потребує використання комплексних аналітичних підходів. Розглянуто особливості формування системи показників для оцінювання діяльності економічних об’єктів, які охоплюють фінансові, ринкові та структурні характеристики та представлені в різних типах шкал вимірювання. Визначено, що гетерогенність даних ускладнює застосування класичних економіко-математичних методів та потребує використання спеціалізованих підходів до оцінювання подібності між об’єктами. Обґрунтовано доцільність використання узагальнених мір подібності для змішаних даних, зокрема відстані Гауера, яка дозволяє інтегрувати кількісні, порядкові та номінальні ознаки в єдину аналітичну модель. На цій основі реалізовано класифікацію економічних об’єктів із застосуванням алгоритму k-medoids, який забезпечує коректну обробку різнорідних даних і підвищує стійкість результатів до викидів. У результаті емпіричного дослідження визначено оптимальну кількість кластерів та сформовано їх профілі, що дозволило виділити групи підприємств із різними рівнями фінансової ефективності, ринкової позиції та ризику. Показано, що використання медоїдів як типових представників кластерів значно спрощує інтерпретацію результатів і підвищує їх прикладну цінність. Доведено, що запропонований підхід дозволяє ідентифікувати потенційно сумісні групи компаній для формування ефективних бізнес-колаборацій, а також сприяє більш глибокому розумінню структури метапросторових взаємодій у сфері торгівлі. Отримані результати можуть бути використані для підтримки управлінських рішень та розвитку партнерських стратегій у цифровій економіці.

Ключові слова: багатовимірна класифікація; економічні об’єкти; метапросторові бізнес-колаборації; торгівля; кластерний аналіз; k-medoids; відстань Гауера; змішані дані; міри подібності; цифрова економіка.

Рис.: 8. Табл.: 5. Формул: 11. Бібл.: 18.

Чернова Наталя Леонідівна – кандидат економічних наук, доцент, доцент, кафедра програмної інженерії та інтелектуальних технологій управління, Національний технічний університет «Харківський політехнічний інститут» (вул. Кирпичова, 2, Харків, 61002, Україна)
Email: [email protected]
Чернов Олександр Олександрович – аспірант, кафедра підприємництва, торгівлі і логістики, Національний технічний університет «Харківський політехнічний інститут» (вул. Кирпичова, 2, Харків, 61002, Україна)
Email: [email protected]
Дьячкова Ольга Володимирівна – доцент, кафедра економічної кібернетики та прикладної економіки, Харківський національний університет імені В. Н. Каразіна (пл. Свободи, 4, Харків, 61022, Україна)
Email: [email protected]

Список використаних у статті джерел

Petzer B. J. M., Wieczorek A., Verbong G. Collaborative Business Models and Platforms in Shared Mobility Transitions: The Case of Bikeshare Integration. In: Business Models for Sustainability Transitions. Palgrave Macmillan, Cham., 2021. P. 191–228. DOI: https://doi.org/10.1007/978-3-030-77580-3_7
Abdullahi H., Bamidele Ajulo E. Competition Versus Collaboration Business Model: A Review. International Journal of Innovative Science and Research Technology. 2023. Vol. 8. Iss. 11. P. 1526–1533. DOI: https://doi.org/10.5281/zenodo.10250914
Pedersen E. R. G., L?deke-Freund F., Henriques I., Seitanidi M. M. Toward Collaborative Crosssector Business Models for Sustainability. Business & Society. 2021. Vol. 60. Iss. 5. P. 1039–1058. DOI: https://doi.org/10.1177/0007650320959027
Pop O.-M. The Four Main Types of Business Collaboration. HYPE. February 28, 2023. URL: https://www.hypeinnovation.com/blog/the-four-main-types-of-business-collaboration
De Man A.-P., Luvison D. Collaborative business models: Aligning and operationalizing alliances. Business Horizons. 2019. Vol. 62. Iss. 4. P. 473–482. DOI: https://doi.org/10.1016/j.bushor.2019.02.004
Amer A. A., Abdalla H. I. A set theory based similarity measure for text clustering and classification. Journal of Big Data. 2020. Vol. 7. Art. 74. DOI: https://doi.org/10.1186/s40537-020-00344-3
Everitt B. S., Landau S., Leese M., Stahl D. Cluster analysis. 5th ed. Wiley, 2011. 352 p.
Jain A. K., Murty M. N., Flynn P. J. Data clustering: A review. ACM Computing Surveys. 1999. Vol. 31. Iss. 3. P. 264–323. DOI: https://doi.org/10.1145/331499.331504
Levy A., Shalom B. R., Chalamish M. A guide to similarity measures and their data science applications. Journal of Big Data. 2025. Vol. 12. Art. 188. DOI: https://doi.org/10.1186/s40537-025-01227-1
Shirkhorshidi A. S., Aghabozorgi S., Wah T. Y. A Comparison Study on Similarity and Dissimilarity Measures in Clustering Continuous Data. PLoS ONE. 2015. Vol. 10. Iss. 12. Art. e0144059. DOI: https://doi.org/10.1371/journal.pone.0144059
Choi S.-S., Cha S.-H., Tappert C. C. A survey of Binary Similarity and Distance Measures. Journal of Systemics, Cybernetics and Informatics. 2010. Vol. 8. Iss. 1. P. 43–48. DOI: https://www.iiisci.org/journal/CV$/sci/pdfs/gs315jg.pdf
Aggarwal C. C., Hinneburg A., Keim D. A. On the Surprising Behavior of Distance Metrics in High Dimensional Space. Proceedings of the 8th International Conference on Database Theory (ICDT). 2001. P. 420–434. DOI: https://doi.org/10.1007/3-540-44503-X_27
Kaur A., Kumar Y., Sidhu J. Exploring meta-heuristics for partitional clustering: methods, metrics, datasets, and challenges. Artificial Intelligence Review. 2024. Vol. 57. Art. 287. DOI: https://doi.org/10.1007/s10462-024-10920-1
Mousavi E., Sehhati M. A generalized multi-aspect distance metric for mixed-type data clustering. Pattern Recognition. 2023. Vol. 138. Art. 109353. DOI: https://doi.org/10.1016/j.patcog.2023.109353
Liu P., Yuan H., Ning Y. et al. A modified and weighted Gower distance-based clustering analysis for mixed type data: simulation and empirical analyses. BMC Medical Research Methodology. 2024. Vol. 24. Art. 305. DOI: DOI: https://doi.org/10.1186/s12874-024-02427-8
Чернова Н. Л., Чернов О. О., Пирогова С. Є. Застосування методів машинного навчання в алгоритмі пошуку партнерів для колаборації на прикладі сектора роздрібної торгівлі. Бізнес Інформ. 2024. № 9. С. 153–161. DOI: https://doi.org/10.32983/2222-4459-2024-9-153-161
Pyae A. Gower distance for mixed data (Version 1.0.1). MATLAB Central File Exchange. 2025, April 8. URL: https://de.mathworks.com/matlabcentral/fileexchange/180653-gower-distance-for-mixed-data
Barchart EU. Barchart. March 4, 2026. URL: https://www.barchart.com/eu