innosferaНаука и инновацииScience and Innovations1818-98572412-9372Издательский дом «Белорусская наука»10.29235/1818-9857-2025-10-66-69innosfera-910Research ArticleДИССЕРТАЦИОННЫЕ ИССЛЕДОВАНИЯDISSERTATION RESEARCHМетоды кластеризации показателей при финансовой оценке взаимосвязанных контрагентовMethods of clustering indicators in the financial assessment of interrelated counterpartiesРагельД.RahelD.

Дмитрий Рагель, доцент кафедры экономики, кандидат экономических наук

ragel@mail.ruБелорусский государственный университет информатики и радиоэлектроникиBelarus2025141120251106871Copyright © Издательский дом «Белорусская наука», 20252025Издательский дом «Белорусская наука»Издательский дом «Белорусская наука»https://innosfera.belnauka.by/jour/about/submissions#copyrightNoticehttps://innosfera.belnauka.by/jour/article/view/910

В статье на примере 50 однотипных контрагентов рассматриваются основные подходы к кластеризации схожих данных, характеризующих хозяйственную деятельность этих субъектов. Сравнение проводится между базовыми алгоритмами кластеризации с использованием евклидова расстояния и типовым агломеративным алгоритмом на основе расстояния Махаланобиса, который учитывает ковариационные оценки элементов из приведенного набора. Исследуется последовательное применение разных типов алгоритмов в отношении компаний, а также изменение зависимости при применении различных аналитических процедур. По итогам анализа делаются выводы о преимуществах и недостатках методов, отмечается целесообразность последовательного применения алгоритмов различного типа для выявления скрытых причин, которые оказывают влияние на деятельность юридических лиц и не являются очевидными при проведении стандартного финансового анализа работы предприятия.

The article examines the main approaches to clustering of similar data characterizing the economic activity of these entities using fifty similar counterparties as an example. A comparison is made between the basic clustering algorithms using the Euclidean distance and the typical agglomerative algorithm based on the Mahalanobis distance, which considers the covariance estimates of elements from the set under consideration. The article examines the consistent application of different types of algorithms to economic entities. In addition, it examines the change in dependence when applying various analytical procedures. Based on the analysis, conclusions are made about the advantages and disadvantages of the above algorithms, and it is noted that it is advisable to consistently apply algorithms of various types to identify hidden causes that affect the activities of legal entities and that are not obvious when conducting a standard financial analysis of the activities of business entities.

анализ данныхфинансовые данныебольшие данныемассив данныхпрогнозированиеаналитикараспределение данныхфинансовые характеристикифинансовый анализбанковский скорингкредитная политикауправляющая компаниядочерняя компаниякластеризацияевклидово расстояниерасстояние Махалонобисасвязанные контрагентыскорингскоринговые процедурыанализ связанностиdata analysisfinancial databig datadata arrayscoringanalyticsdata distributionfinancial characteristicsfinancial analysisbank scoringcredit policymanagement companysubsidiaryclusteringEuclidean distanceMahalanobis distancerelated counterpartiesscoringrelatedness analysisReferencesМыльников Л.А. Статистические методы интеллектуального анализа данных.– СПб., 2021.Мыльников Л.А. Статистические методы интеллектуального анализа данных.– СПб., 2021.Управление банковскими рисками: учебник / Е.В. Бережная, С.В. Зенченко, М.В. Сероштан, О.В. Бережная.– 2-е изд.– М., 2022.Управление банковскими рисками: учебник / Е.В. Бережная, С.В. Зенченко, М.В. Сероштан, О.В. Бережная.– 2-е изд.– М., 2022.Управление кредитным риском в банке: подход внутренних рейтингов: практическое пособие для вузов / М.В. Помазанов; под научной редакцией Г.И. Пеникаса.– 2-е изд., перераб. и доп.– М., 2023.Управление кредитным риском в банке: подход внутренних рейтингов: практическое пособие для вузов / М.В. Помазанов; под научной редакцией Г.И. Пеникаса.– 2-е изд., перераб. и доп.– М., 2023.Волков А.А. Управление рисками в коммерческом банке: практ. руководство / А.А. Волков.– 3-е изд., испр. и доп.– М., 2015Волков А.А. Управление рисками в коммерческом банке: практ. руководство / А.А. Волков.– 3-е изд., испр. и доп.– М., 2015Nicholson W.L. Exploring Data Analysis.– Oakland, 2012.Nicholson W.L. Exploring Data Analysis.– Oakland, 2012.

The authors declare that there are no conflicts of interest present.