ОГЛЯД ТА ВИБІР АЛГОРИТМІВ КЛАСТЕРИЗАЦІЇ ДЛЯ НАБОРІВ ДАНИХ У КОНТЕКСТІ ДЕКАРБОНІЗАЦІЇ КРАЇН
DOI:
https://doi.org/10.15407/economyukr.2025.11.043Ключові слова:
потенціал декарбонізації країн; алгоритми кластеризації; самоорганізовані карти; метрики валідації кластеризаціїАнотація
Проблема оцінки та моделювання потенціалу декарбонізації країн має вирішальне значення для забезпечення сталого економічного та соціального розвитку на мікро та макрорівнях. Зважаючи на зростання актуальності великих даних у дослідженні декарбонізації та інтеграцію алгоритмів кластеризації, украй важливо визначити методи кластеризації, які б були масштабованими, надійними й придатними для використовуваного набору даних. Проведений огляд і аналіз відповідної літератури свідчать про те, що немає єдиного оптимального методу кластеризації, тому порівняльний підхід, адаптований до характеру набору даних, може забезпечити найкращі результати. Розглянуто широко використовувані методології кластеризації, застосовані до підготовлених наборів даних, зокрема в контексті декарбонізації. Виконано оцінювання якості кластеризації за допомогою її внутрішніх метрик. Дослідження було проведено на попередньо визначеному наборі даних з 14 нормалізованих ключових показників для встановлення потенціалу декарбонізації 41 країни протягом 10-річного періоду. Застосування трьох методів кластеризації (K-середніх, GMM і самоорганізованих карт) було протестовано на базі даних для оцінювання потенціалу декарбонізації різних країн, у тому числі України, і сформульовано важливі висновки, зокрема, що самоорганізована карта з трьома і п’ятьма кластерами є найбільш придатною кластеризацією для набору даних, що використовується для визначення потенціалу декарбонізації країн, к тому числі й України. Отримані результати кластеризації можуть бути використані для адаптації передового міжнародного досвіду до української енергетичної інфраструктури, яка зазнала та зазнає значних трансформацій внаслідок війни.
Посилання
Kosse, I. (2023). Rebuilding Ukraine’s infrastructure after the war. Policy Notes and Reports 72. 24 p. URL: https://wiiw.ac.at/rebuilding-ukraine-s-infrastructure-after-the-war-dlp-6621.pdf
Zhou, W., Zhou, J., Hu, G. (2023). Research of varying patterns of CO₂ emissions in 182 countries based on K means method. Applied and Computational Engineering. No. 6(1). P. 1597–1606. https://doi.org/10.54254/2755-2721/6/20230480
Novo, R., Marocco, P., Giorgi, G., Lanzini, A., Santarelli, M., Mattiazzo, G. (2022). Planning the decarbonisation of energy systems: The importance of applying time series clustering to long-term models. Energy Conversion and Management: X. Vol. 15. 100274. https://doi.org/10.1016/j.ecmx.2022.100274
Inekwe, J., Valadkhani, A., Smyth, R. (2020). Drivers of carbon dioxide emissions: An empirical investigation using hierarchical and non hierarchical clustering methods. Environmental and Ecological Statistics. No. 20(4). P. 1–40. https://doi.org/10.1007/s10651-019-00433-4
Li, Z., Wang, C., Li, Y. (2020). Using clustering algorithms to characterise uncertain long term decarbonisation pathways. Applied Energy. Vol. 268. 114947. https://doi.org/10.1016/j.apenergy.2020.114947
Hu, Y., Weng, L. (2024). Net-zero energy transition in ASEAN countries: The evolutionary model brings novel perspectives to the cooperative mechanism of climate governance. Journal of Environmental Management. Vol. 351. 119999. https://doi.org/10.1016/j.jenvman.2023.119999
Chontanawat, J. (2018). Decomposition analysis of CO₂ emissions in ASEAN: An extended IPAT model. Energy Procedia. Vol. 153. P. 186–190. https://doi.org/10.1016/j.egypro.2018.10.057
Anser, M., Ali, S., Umair, M., Javid, R., Mirzaliev, S. (2024). Energy consumption, technological innovation, and economic growth in BRICS: A GMM panel VAR framework analysis. Energy Strategy Reviews. Vol. 56. 101587. https://doi.org/10.1016/j.esr.2024.101587
Jain, A. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters. No. 31. Iss. 8. P. 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Murtagh, F., Contreras, P. (2012). Algorithms for hierarchical clustering: an overview. WIREs Data Mining and Knowledge Discovery. Vol. 2. Iss. 1. P. 86–97. https://doi.org/10.1002/widm.53
Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory. Vol. 28. Iss. 2. P. 129–137. https://doi.org/10.1109/TIT.1982.1056489
Ester, M., Kriegel, H., Sander, J., Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. AAAI Press. URL: https://cdn.aaai.org/KDD/1996/KDD96-037.pdf
McLachlan, G., Peel, D. (2000). Finite mixture models. John Wiley & Sons. 427 p. https://doi.org/10.1002/0471721182
Kohonen, T. (2012). Self-organizing maps. Berlin, Springer. 502 p. https://doi.org/10.1007/978-3-642-56927-2
Datta, S., Datta, S. (2003). Comparisons and validation of statistical clustering techniques for microarray gene expression data. Bioinformatics. Vol. 19. Iss. 4. P. 459–466. https://doi.org/10.1093/bioinformatics/btg025
Rousseeuw, P. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics. Vol. 20. P. 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Manning, C., Raghavan, P., Schütze, H. (2023). Introduction to Information Retrieval. Cambridge, Cambridge University Press. 542 p. URL: https://nlp.stanford.edu/IR-book/
Davies, D., Bouldin, D. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 1. Iss. 2. P. 224–227. https://doi.org/10.1109/TPAMI.1979.4766909
Xu, R., Wunsch, D. (2008). Clustering. Wiley IEEE Press. 368 p. URL: https://www.wiley.com/en-us/Clustering-p-9780470276808
Caliński, T., Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics: Theory and Methods. Vol. 3. Iss. 1. P. 1–27. https://doi.org/10.1080/03610927408827101
Halkidi, M., Batistakis, Y., Vazirgiannis, M. (2001). On clustering validation techniques. Journal of Intelligent Information Systems. Vol. 17. P. 107–145. https://doi.org/10.1023/A:1012801612483
Hubert, L., Arabie, P. (1985). Comparing partitions. Journal of Classification. Vol. 2. P. 193–218. https://doi.org/10.1007/BF01908075
Zhou, S., Xu, H., Zheng, Z., Chen, J., Li, Z., Bu, J., Wu, J., Wang, X., Zhu, W., & Ester, M. (2024). A comprehensive survey on deep clustering: Taxonomy, challenges, and future directions. ACM Computing Surveys. Vol. 57. Iss. 3. P. 1–38. https://doi.org/10.1145/3689036
Strehl, A., Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research. Vol. 3. P. 583–617. https://dl.acm.org/doi/10.1162/153244303321897735
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Видавничий дім "Академперіодика" НАН України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
