CC BY
151
УДК 330.42+332.76
Полупанов Дмитрий Васильевич
ФГБОУ ВПО «Башкирский государственный университет»
Россия, Уфа1
Доцент кафедры «Информационные технологии» Факультета «Математики и информационных технологий»
Кандидат технических наук E-Mail: [email protected]
Хайруллина Наркас Асхатовна
ФГБОУ ВПО «Башкирский государственный университет»
Россия, Уфа
Аспирант кафедры «Математические методы в экономике»
E-Mail: [email protected]
Интеллектуальное моделирование сегментации торговых центров на основе самоорганизующихся карт Кохонена
Аннотация: Исследуется проблема структуризации рынка торговых центров. В отличие от традиционных экспертных и опросных методов предложены методики сегментации торговых центров на основе количественных характеристик. Определены характеристики торговых центров, оказывающие наибольшее влияние на их популярность и посещаемость. С точки зрения моделирования необходимо решить задачу кластеризации, перспективным инструментом решения которой является нейросетевой алгоритм обучения «без учителя» - самоорганизующиеся карты Кохонена (Self Organizing Maps). С целью получения устойчивости оценок применен байесовский подход к регуляризации нейросетей. В результате моделирования на данных по торговым центрам г. Уфы получены устойчивые оценки, которые позволили сделать выводы и практические рекомендации для принятия решений о дальнейшем развитии данного сектора и повышения прозрачности рынка. Визуальный анализ расположения торговых центров на карте с сегментацией по кластерам позволяет сделать вывод о степени насыщения торговыми центрами районов и микрорайонов города, что, в свою очередь, позволяет контролировать количество строящихся торговых центров в городе, а также принимать обоснованные решения о размещении планируемых торговых центров.
Ключевые слова: Торговый центр; городское планирование; кластеризация;
структуризация; нейросетевое моделирование; самоорганизующиеся карты Кохонена; байесовская регуляризация; интеллектуальное моделирование.
Идентификационный номер статьи в журнале 47EVN114
1 450076, Российская Федерация, Республика Башкортостан, г. Уфа, ул. Заки Валиди, 32 1
Dmitrii Polupanov
Bashkir State University Russia, Ufa E-Mail: [email protected]
Narkas Khayrullina
Bashkir State University Russia, Ufa E-Mail: [email protected]
Intelligent simulation of shopping malls segmentation on the basis of Self Organizing Maps technique
Abstract: The article is devoted to the study of shopping malls (SMs) structuring problem. The authors suggest using neural network techniques for SMs segmentation based on quantitative characteristics - in contrast to traditional expert and polling methods. The authors singled out two major characteristic groups of SMs as key structuring factors, that affect their popularity and attendance levels the most. The main tool in tackling the clustering problem was presented by a selfteaching neural network algorithm of inverse distribution - Self Organizing Maps. For assessment stability the authors resorted to Bayesian approach of neural networks regularization. Stable assessment results have been revealed with the help of intelligent simulation of Ufa-city SMs data. This assessment information allowed authors to make certain conclusions and practical advice for the future development of this market sector and an increase of market transparency. Visual analysis of SMs’ location on the city map and their clustering division enables to conclude about SMs concentration in different city districts and neighborhoods. Therefore one can control the number of shopping malls being built in the city center as well as take a good decision in new shopping malls’ location.
Keywords: shopping center; city planning; clusterization; structurization; neuronetwork modeling; Self-organizing map; Bayesian regularization; intellectual modeling.
Identification number of article 47EVN114
Введение
Активное строительство торговых центров2 (ТЦ) в России наблюдается с начала настоящего века. Новый виток развития экономики государства, доступность информации об уровне жизни в более развитых странах, вовлечение в потребительское общество наших сограждан явились основными факторами высокого интереса девелоперов3 к строительству торговых центров во всех городах России. Если в западных странах на развитие рынка современных торговых центров ушло более восьмидесяти лет, то в России данные трансформации произошли за пятнадцать. Короткий срок экономических трансформаций, неразвитость рыночных и нормативно-правовых отношений привели к множеству ошибок, проблем и сложностей в градостроительстве. Ярким примером является Москва, в котором ошибки в планировании города, концентрация современных торговых центров в Южном округе, создающие дополнительный автомобильный поток, привели к ухудшению дорожной ситуации и росту пробок [1]. Проблемы присутствуют и в других городах, но пока в относительно меньшей степени.
Большое социальное значение торговых центров для городского населения и способность формировать высокую доходность финансовых вложений девелоперов и инвесторов являются показателями дальнейшего роста количества торговых центров в городах. По данным информационно-консалтингового агентства «ИНФОЛайн» по итогам 2013 г. объем ввода торговых центров в России составит 3,1 млн. кв. м., что выше аналогичного показателя прошлого года почти вдвое [2]. На 2014 год ожидается ввод еще 4 млн. кв. м торговых площадей в торговых центрах. Более того, как отмечается многими международными консалтинговыми компаниями, перспективы строительства торговых центров сохраняется вплоть до 2016 года [3]. Данные тенденции повышают важность структуризации данных и повышения прозрачности рынка.
Если существующие стандарты позволяют выделить объекты торговых центров, то остается нерешенной проблема их сегментации и структуризации по привлекательности для потребителей. Структуризация позволит повысить прозрачность рынка для всех игроков и идентифицировать вектор дальнейшего развития, проектировать новые объекты с грамотно проработанной концепцией, отвечающим потребностям населения. Важность данных проблем остро ставятся всеми экспертами рынка недвижимости: аналитиками, консультантами, девелоперами. Особо важны данные вопросы для муниципальных органов власти, ответственных за утверждение и разрешения строительства новых торговых объектов в городе.
Единой классификации торговых центров в России в настоящее время не существует. Есть система, предложенная американским институтом Urban Land Institute (ULI), европейские стандарты International Council of Shopping Centres (ICSC, Международного совета торговых центров), а также с 2010 г. Национальная система классификации торговых центров, разработанная Российским советом торговых центров [4], [5], [6]. Каждая из указанных систем классификации имеет существенные недостатки и сложности адаптации к отдельным городам: во-первых, ввиду несоотносимых уровней социально-экономического
2 Торговый центр по Госстандартам России (ГОСТ Р 51303-99, пункт 33) представляет из себя «совокупность торговых предприятий и/или предприятий по оказанию услуг, реализующих универсальный ассортимент товаров и услуг, расположенных на определенной территории, спланированных, построенных и управляемых как единое целое и предоставляющих в границах своей территории стоянку для автомашин».
3 Девелопер - предприниматель, инициирующий и организующий наилучший из возможных вариантов развития объектов недвижимости, включая финансирование проекта и реализацию созданного объекта.
развития городов; во-вторых, ввиду высокой погрешности при исследовании экспертными и опросными методами.
В целом категория коммерческой недвижимости пока слабо исследована в отечественной науке. В основном российскими учеными рассматриваются общие вопросы экономики недвижимости, оценки недвижимости, а также особенности рынка недвижимости. Исследованию и моделированию рынка коммерческой недвижимости как одному из важных инвестиционно привлекательных отраслей экономики посвящено мало работ. Более того, среди научных трудов российских авторов отсутствуют работы применения методов математического моделирования для структуризации и кластеризации рынка торговых центров. Все вышесказанное обосновывает актуальность проблемы теоретического и методологического исследования тенденций развития рынка торговых центров, аспектов построения эффективной системы координации и разработки математических методов структуризации и сегментации торговых центров.
1. Постановка задачи
Повышение структуризации рынка ТЦ сводится к задаче их сегментации, другими словами, к задаче кластеризации. Поскольку, количество групп, на которые разбивается множество ТЦ изначально, не известно, а определяется по ее результатам. В целом задача кластеризации заключается в выделении однородных групп объектов, имеющих схожие характеристики. Этот вид анализа позволяет повысить понимание данных путем выделения кластерной структуры, а также обнаружить нетипичные объекты, которые невозможно присоединить ни к одному из кластеров.
При анализе привлекательности ТЦ г. Уфа нами выделено несколько ключевых факторов, которые отражают популярность объекта, уровень посещаемости, качество предоставляемых услуг [7].
Одним из главных факторов, который оказывает влияние на посещаемость ТЦ г. Уфа, является месторасположение объекта. В данном критерии рассматриваются: престижность района расположения объекта, транспортная доступность, уровень пешеходного и автомобильного трафика.
Исторически сложилась градация в престижности районов города. На это оказывает влияние концентрация достопримечательных мест, музеев, памятников, уровень развития инфраструктуры, деловой активности, плотность населения, концентрация административных органов, учебных заведений, центральных офисов банков и других компаний.
Транспортная доступность является одним из неформализованных критериев, но оказывающим весомый вклад в формирование потребительских предпочтений. В рамках данного фактора рассматриваются такие показатели, как удобство транспортных развязок, возможности беспрепятственного доступа из любого района города, а также уровень доступа на общественном транспорте.
Высокие показатели пешеходного и автомобильного трафиков создают более высокие показатели посещаемости торгового центра. Так как, основная часть населения, стремясь экономить время, посещает торговые центры, которые находятся в местах их постоянного пребывания, или которые находятся «по пути».
Следующим критерием, оказывающим влияние на привлекательность ТЦ, является площадь объекта. Чем больше площадь объекта, тем больший товарный ассортимент в нем представлен и выше возможность для размещения зоны отдыха и развлечений. Важно выделить связь между общей (GBA) и торговой площадью объекта (GLA), который можно
охарактеризовать коэффициентом, показывающим долю торговой площади в общей. Значение коэффициента близкое к единице указывает на малый размер свободного пространства: меньше мест отводится на коридоры, атриумы, зоны отдыха, что, безусловно, является отрицательным фактором для уюта торгового центра.
Важным условием доходности и привлекательности торгового центра является правильно сформированный пул арендаторов. Якорные арендаторы выполняют функцию формирования потока посетителей. Очень важна сила бренда: его уровень узнаваемости и лояльности. Набор остальных арендаторов подытоживает концепцию торгового центра. Однако процесс создания набора арендаторов для уфимских ТЦ сопряжен с рядом особенностей, основная из которых - однообразие пула арендаторов. Это объясняется схожестью целевых аудиторий существующих ТЦ и недостаточным количеством торговых операторов, присутствующих на рынке. Создание эксклюзивных пулов в уфимских торговых центрах процесс довольно сложный, который связан с рядом причин, таких как: неготовность федеральных и международных ритейлеров выходить на рынок, ввиду недостатка качественных торговых центров и административных барьеров.
Для уровня посещаемости не менее важным является наличие удобного и вместимого паркинга, что обеспечивает удобство подъезда на автомобиле. Соответственно ее отсутствие или непродуманная организация заметно снижают уровень посещаемости объекта.
Дополняющим фактором для привлекательности ТЦ является наличие общественного питания. Фуд-корт с качественными и оригинальными концепциями - это серьезное конкурентное преимущество, возможность выделиться и привлечь дополнительных посетителей.
Развлекательная зона способствует формированию «лояльности к месту», постепенно превращая ТРЦ в место отдыха. На сегодняшний день кинотеатры, игровые автоматы, видеоигры остаются самым массовым видом развлечений, и с их открытием посещаемость комплекса значительно возрастает.
В качестве результирующего фактора, который отражает высокий уровень спроса, как со стороны потребителей, так и со стороны ритейлеров, а значит и высокий уровень привлекательности выступает величина арендных ставок в торговых центрах, которые установлены на конкурентном рынке.
Таким образом, вышеперечисленные факторы можно соотнести к двум группам: описывающим месторасположение объекта и идентифицирующим внутренние характеристики. Формализуем вышеперечисленные факторы, соотнеся по группам.
Первая группа - критерии идентифицирующие месторасположение объекта:
х1 - престижность района расположения объекта, определяется экспертно;
х2 и х3 - уровни пешеходного и автомобильного трафика соответственно,
определяются на основе подсчета потоков населения и автомобилей в час;
х4 - транспортная доступность, определяется экспертно.
Вторая группа - внутренние характеристики ТЦ:
х5 - общая площадь объекта (GBA), м2;
х6 - торговая площадь объекта (GLA), м2;
х7 - количество машиномест на паркинге ТЦ;
х8 и х9 - уровни «якорных» и сопутствующих арендаторов - критерии, оцениваемые на основе экспертных оценок;
х10 и х11 - наличие общественного питания и развлекательная составляющая (измеряются на основе экспертных оценок).
х12 - величина средней арендной ставки по торговому центру.
2. Самоорганизующиеся карты Кохонена как основной инструментарий моделирования
В настоящее время существует несколько подходов к решению задачи кластерного анализа, которые основаны на различных представлениях о природе задач. Среди наиболее часто используемых выделяются вероятностный, иерархический, логический, теоретикографовый подходы, а также подходы на основе систем искусственного интеллекта и др.
Выбор методики кластеризации - вопрос не простой. Исходя из структуры имеющихся данных, а также ввиду неудовлетворительных вычислительных экспериментов проведенных по ряду подходов, было принято остановить внимание на подходах, основывающихся на системах искусственного интеллекта, в частности нейросетевых. Достоинствами моделирования на основе нейронных сетей являются хорошая интерпретируемость, возможность обрабатывать разнотипные переменные, выделять наиболее важные факторы. Самоорганизующиеся карты Кохонена (Self Organizing Maps - SOM) - это одна из разновидностей нейросетевых алгоритмов, выполняющих задачу кластеризации. Отличием данной нейросетевой парадигмы является то, что при обучении используется метод обучения «без учителя», то есть результат обучения зависит только от структуры входных данных. Поэтому кластерный анализ на базе SOM в отличие от большинства математикостатистических методов практически не накладывает никаких ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы.
Изложим основные положения применяемого алгоритма [8]. SOM предъявляется для
обучения выборка данных, состоящих из совокупности п-мерных векторов {Хг |=1 . Число
кластеров и «зашитые» в данных экономические закономерности неизвестны. После обучения сеть должна разбить данные на непересекающиеся классы (кластеры) и отобразить элементы кластеров на двух- или трехмерную решетку (топографическую карту) так, чтобы близким точкам в данных соответствовали близкие нейроны решетки [9].
Алгоритм формирования SOM начинается с инициализации синаптических весов сети {wk}, k = 1, n - им присваиваются малые значения, сформированные генератором случайных чисел. При таком формировании весов карта признаков {Yk} изначально не имеет какого-либо порядка признаков: их распределение по выходным нейронам случайно [8], [10].
Вектор синаптических весов каждого k-го нейрона должен иметь ту же размерность п, что и размерность входных векторов Х е Rn :
''у. = (11'. 1|'...,™к„) Л =
где I - общее количество нейронов в решетке сети.
Для того чтобы подобрать наилучший вектор весов #, соответствующий в ^ом нейроне входному вектору X, нужно сравнить скалярное произведение {$тк ■ X) для всех конкурирующих
нейронов к = 1,1 и выбрать наибольшее значение. Таким образом, выбирая нейрон-победитель с
наибольшим скалярным произведением ($ТК • х), мы в итоге определяем местоположение в
выходном слое, которое должно стать центром топологической окрестности возбужденного нейрона.
Нейрон-победитель находится в центре топологической окрестности сотрудничающих (кооперирующихся) с ним нейронов. Для описания ширины этой окрестности лучше всего подходит функция Гаусса (рис. 1):
h* = exp
k ,q
ґ d 2 Л dk *,q
2a
2
(1)
где И * - топологическая окрестность с центром в победившем нейроне к * (х);
к ,д ' '
q - номер другого нейрона в этой зоне, находящегося на латеральном расстоянии ^
k ,q
от нейрона-победителя по эвклидовой мере;
a - параметр распределения, т.е. эффективная ширина колоколообразной кривой (1)
(рис. 1).
h. к .q
1
0 d. к ,t
Рис. 1. Гауссова функция окрестности
За счет постепенного уменьшения ширины 7 функции топологической окрестности функции И * Ш, ) достигается уменьшение размера топологической окрестности и И , .
к ,д к ,д к ,д
Одним из вариантов зависимости 7 от дискретного времени (или шага итерации) і является экспоненциальное убывание:
a(t) = a0 exp
t
v ri J
t = 0,1,2,...,
(2)
где 70 - начальное значение величины 7 в алгоритме SOM;
T - некоторая временная константа.
Для самоорганизации сети вектор синаптических весов wk нейрона к должен изменяться
в соответствии с входным вектором X, т.е. подстраиваться к нему. Одним из значимых параметров для реализации вышеуказанного является скорость изменения весов при обучении, характеризуемой параметром г|(0, экспоненциально изменяющийся в зависимости от номера повторного прогона обучающей выборки (фактически от времени t):
л(0 = Лоехр(-—) t = 0,1,2,..., (3)
T2
где T2 - еще одна константа алгоритма SOM.
3. Байесовский подход к регуляризации нейросетевых моделей кластеризации
Причиной неудовлетворительного качества кластеризации с помощью нейросетевых инструментариев может явиться сильная зависимость результатов кластеризации от параметров настройки SOM [11].
Вопросам регуляризации экономико-математических моделей уделяется достаточное внимание, поскольку это улучшает их адекватность и повышает качество получаемых решений. В частности, применительно к использованию нейронных сетей, данный вопрос проработан С.А. Шумским, для случаев, когда выполняются условия соответствия исходных данных гауссовым смесям распределения плотности вероятности кластеризируемых объектов [12].
Однако имеются классы прикладных задач, в которых не выполняется требование возможности представления данных в виде смеси гаусовских распределений в силу сильного искажения исходных данных и их малого объема [13]. В этой связи актуальным является вопрос теоретического обоснования регуляризации нейросетевых кластеризаторов при невыполнении указанных требований.
В работах С.А. Горбаткова, Д.В. Полупанова и др. исследуются методы предрегуляризации и регуляризации нейросетевых моделей на основе байесовского подхода в условиях искажения информационного пространства признаков. Применительно к SOM особая идея заключается в следующем. Введем критерий качества кластеризации:
MNm
t lLd2 (Xm , Xцт )
©q = mrM-----------------------------------------------, (4)
tt d 2 (x ц1 , X цт )
=1 l=i+1
где q = 1, Q и Q - соответственно номер гипотезы-нейросети в байесовском ансамбле и их обще количество; N - число элементов, попавших в m-ый кластер; хцт - центр m-го кластера в и-мерном евклидовом пространстве признаков; d (xim, хцт) - евклидово расстояние от исследуемого объекта xim до центра своего m-го кластера; d(хц, хцт) - расстояние между l-ым и m-ым кластерами; М - количество кластеров.
Главные идеи байесовского подхода [12], применительно к кластеризации следующие:
• Выбор ансамбля априорных гипотез-нейросетей {hq (x,W)j, где W - множество параметров модели (синаптических весов), осуществляется из фиксированного класса (семейства) H мета-гипотез (SOM).
• Апостериорная фильтрация обученных гипотез-нейросетей осуществляется по критерию, оценивающему качество кластеризации (4) как по плотности группировки объектов вокруг центров кластеров (числитель отношения (4)), так и по удалению кластеров друг от друга (знаменатель в (4).
• После фильтрации гипотез-нейросетей осуществляется усреднение критерия качества разбиения векторов x на кластеры по (4) на отфильтрованном ансамбле гипотез-нейросетей.
В предлагаемом методе байесовской регуляризации нейронной сети формула Байеса непосредственно не используется для апостериорной оценки вероятности I Б Iн)}, где М(.)
- апостиорная вероятность выбранных гипотез-нейросетей; [кЧ) - множество априорно
выбранных гипотез-нейросетей в ансамбле; Н - мета-гипотеза ({йЧ })е Н; Б - множество
данных, поскольку для оценки указанной вероятности через функцию правдоподобия требуется априорное знание аналитической формы закона распределения кластеризуемых векторов x, например, в виде гауссовой смеси. Такого знания у нас нет. Поэтому апостериорные вероятности несущие информацию о качестве разбиения данных
Б на кластеры, в предлагаемом методе, оцениваются косвенно путем фильтрации гипотез -нейросетей \кч) по критерию (4).
Фильтрация гипотез-нейросетей для случая с большим разбросом качества разбиения осуществляется следующим образом. Организуется итерационный процесс пошагового
отбора (удаления из ансамбля) гипотез-нейросетей [кЧ )с низким качеством кластеризации (4),
т.е. большим значением ©Ч[кд(х,Ж) | Б | Н]:
Ч :©„ <©о; Ч = 1,б (5)
где ч* номер гипотезы-нейросети, успешно прошедшей процедуру фильтрации; © -желаемое значение качества фильтрации, определяемое в предварительных вычислительных экспериментах; Б = X - совокупность вектор-строк данных.
После фильтрации (5) уточненные значения центров кластеров {хцт} и
соответствующего им критерия качества разбиения (И) по (2.3.3) находятся как усредненные на отфильтрованном байесовском ансамбле величины:
е' е"
Е ХцтЧ Е(нV
^ = Ч=^-; (Н )* = Ч=^-. (6)
цт
В случае, если SOM в байесовском ансамбле имеют большой разброс по критерию качества кластеризации (4), требуется осуществить процедуру регуляризации. Одним из подходов может служить селекция признаков [14]. Имеются различные способы её осуществления. Например, скалярная селекции признаков, сущность которой состоит в оценке дискриминантной способности каждого отдельного признака х. путем проверки соответствующих статистических гипотез о законах распределения плотности вероятности анализируемого признака в разных кластерах [11].
4. Количественные оценки
Для построения модели были использованы данные по 67 торговым центрам г. Уфы. Кластеризация была проведена при помощи академической версии программного пакета Deductor Studio Lite 5.1.
Фрагмент исходных данных представлен в таблице 1.
Таблица 1
Исходные параметры
№ Торговые центры *1 *2 *3 *4 *5 *6 *7 *8 *9 *10 *11 *12
1 Водолей 6 5000 8640 8 6000 3000 30 3 4 0 0 1000
2 Галерея АРТ 9 9000 5040 9 31000 20000 290 3 10 5 1 2500
3 Галле 8 7500 5000 9 8192 5312 50 3 5 0 0 1200
4 Звездный 6 6120 6840 7 13343 10000 1283 3 6 0 0 1250
5 Иремель 7 9750 7700 9 60000 24000 1200 7 7 5 1 1725
6 Июнь 8 7800 9500 10 42000 25500 425 9 10 5 0 2750
7 Мир 8 13000 17000 10 50300 25000 350 8 10 5 1 2700
Источник: составлено авторами
Был сформирован байесовский ансамбль априорных гипотез-нейросетей {h (x,W)|H}, ^=1,2,..25 по всем по всем признакам. В данных гипотезах-нейросетях
варьировались два параметра SOM ть формирующего ширину функции окрестности в итерационном процессе обучения и т2, формирующего скорость обучения, которая должна уменьшаться в итерационном процессе модификации синаптических весов.
В различных сочетаниях параметров т1 и т2 было образовано в байесовском ансамбле 0 = 25 SOM. Далее были рассчитаны критерии качества кластеризации.
Предварительные вычислительные эксперименты по выбору параметров адаптивного процесса SOM проводились по алгоритму начальной ширины функции топологической окрестности, начальной скорости обучения, числа эпох (итераций) процесса модификации весов. Были выбраны следующие параметры, которые затем фиксировались во всех 25 SOM:
Г=500, =0,3, G0=4
В результате кластеризации данные разбивались на 3 кластера. В таблице ниже приведены значения параметров обучения и критерия качества кластеризации.
Таблица 2
Значения параметров обучения и критерия кластеризации
Параметр *1 Радиус обучения. Конец Параметр т2 Скорость обучения. Конец Критерий качества
140 0,112463 125 0,005495 0,000035769
140 0,112463 250 0,040601 0,000056517
140 0,112463 375 0,079079 0,000056246
140 0,112463 500 0,110364 0,000057769
140 0,112463 625 0,134799 0,000056401
280 0,610709 125 0,005495 0,000048888
280 0,610709 250 0,040601 0,000051646
280 0,610709 375 0,079079 0,000052944
280 0,610709 500 0,110364 0,000054573
280 0,610709 625 0,134799 0,000055130
420 1,216311 125 0,005495 0,000040576
Параметр *1 Радиус обучения. Конец Параметр т2 Скорость обучения. Конец Критерий качества
420 1,216311 250 0,040601 0,000042579
420 1,216311 375 0,079079 0,000040509
420 1,216311 500 0,110364 0,000041656
420 1,216311 625 0,134799 0,000044414
560 1,637942 125 0,005495 0,000036742
560 1,637942 250 0,040601 0,000039104
560 1,637942 375 0,079079 0,000037971
560 1,637942 500 0,110364 0,000038088
560 1,637942 625 0,134799 0,000037786
700 1,958174 125 0,005495 0,000033508
700 1,958174 250 0,040601 0,000033995
700 1,958174 375 0,079079 0,000033703
700 1,958174 500 0,110364 0,000034437
700 1,958174 625 0,134799 0,000035769
Источник: составлено авторами
Обобщенный показатель 0, оценивающий косвенно вероятность нейросетей-гипотез, изменяется в таблице на множестве из 25 сетей ансамбля в пределах от 0,000033508 до
0,000057769. Значение меняется в довольно узких пределах, что говорит о высоком качестве кластеризации.
На рисунке 2 представлены SOM для наименьшего и наибольшего значений 0 соответственно.
I-------------------------------------------------------------------------------------------1-------------------------------------------------------------------------------------------1 I-----------------------------------------------------------------------------------------------------1--------------------------------------------------------------------------------------------1
0 1 2 0 1 2 а) б)
Рис. 2. Самоорганизующиеся карты Кохонена: а) при 0 =0,000033508, б) при 0 =0,000057769
Источник: составлено авторами В следующей таблице представлены вероятности попадания в кластер:
Таблица 3
Вероятности попадания в кластеры
Торговые центры Вероятность попадания № кластера
Кластер 1 Кластер 2 Кластер 3
1 2 3 4 5
Аврора 100% 0% 0% 1
Азия 100% 0% 0% 1
Алтын-Таш 100% 0% 0% 1
Аргамак 100% 0% 0% 1
Арета 100% 0% 0% 1
Гагаринский 100% 0% 0% 1
Деревенский дворик 100% 0% 0% 1
Дружба 100% 0% 0% 1
Дуван 100% 0% 0% 1
Дуслык 100% 0% 0% 1
Заречный 100% 0% 0% 1
Калина 100% 0% 0% 1
Клидо 100% 0% 0% 1
Корсо 100% 0% 0% 1
Купец 100% 0% 0% 1
Купчиха 100% 0% 0% 1
Купчиха 100% 0% 0% 1
Лопатино 100% 0% 0% 1
Людмила 100% 0% 0% 1
Менделеевский 100% 0% 0% 1
На Королева 100% 0% 0% 1
Норд 100% 0% 0% 1
Октябрьский 100% 0% 0% 1
Парус 100% 0% 0% 1
Пушкинский 100% 0% 0% 1
Северный 100% 0% 0% 1
Тополя 100% 0% 0% 1
Универмаг на МВД 100% 0% 0% 1
Универсам 100% 0% 0% 1
Урал 100% 0% 0% 1
Фрегат 100% 0% 0% 1
Энтузиастов 100% 0% 0% 1
Комсомольский 60% 0% 40% 1
Алсу 4% 96% 0% 2
Башкортостан 0% 100% 0% 2
Водолей 0% 100% 0% 2
Галант 0% 100% 0% 2
Галле 0% 100% 0% 2
Дом торговли 8% 92% 0% 2
Енисей 44% 56% 0% 2
Звездный 0% 100% 0% 2
Ирэндек 12% 88% 0% 2
Красинский 0% 100% 0% 2
Торговые центры Вероятность попадания № кластера
Кластер 1 Кластер 2 Кластер 3
1 2 3 4 5
Кувыкинский 0% 100% 0% 2
Март 4% 96% 0% 2
Меркурий 0% 100% 0% 2
Олимп 0% 100% 0% 2
Свердловский 0% 100% 0% 2
Сипайловский 0% 100% 0% 2
Три кита 0% 100% 0% 2
Универмаг Уфа 0% 100% 0% 2
Универсальный рынок ХБК 0% 100% 0% 2
ЦУМ 0% 100% 0% 2
Черниковский 24% 76% 0% 2
Шатлык Люкс 0% 100% 0% 2
Экватор 0% 100% 0% 2
Южный полюс 0% 100% 0% 2
Галерея АРТ 0% 0% 100% З
Гостиный двор 0% 0% 100% З
Иремель 0% 0% 100% З
Июнь 0% 0% 100% З
Мега 0% 0% 100% З
Мир 0% 0% 100% З
Простор 0% 0% 100% З
Семья 0% 0% 100% З
Центральный 0% 0% 100% З
Источник: составлено авторами
В результате кластеризации выявлены 3 кластера:
В кластер №1 (щитки зеленого цвета на рисунке 2) попали торговые центры, которые имеют небольшую площадь и являются объектами, которые сосредотачивают в себе арендаторов с товарами первой необходимости: продукты питания, бытовые товары, аптеки и др. Торговые центры, включенные в данный кластер, не ориентированы на привлечение населения из других районов города, а формируют поток посетителей из окружающего района.
В кластер №2 (желтые щитки) включены торговые центры средней площади, расположенные в зданиях бывших советских универмагов. Пул арендаторов в таких торговых центрах более широкий. Представлены операторы одежды, обуви, косметики, но развлекательная составляющая и пункты общественного питания ограничены или отсутствую вовсе. Данные торговые центры имеют значительный пешеходный трафик, так как расположены в местах исторически сформированного скопления людей. Однако серьезная реконструкция и расширение площади и территории невозможно, в силу ограниченности месторасположения плотным жилым массивом.
В кластер №3 (красные щитки) вошли современные торговые центры, которые имеют большие площади. Характерной особенностью, объединяющей ТЦ данного кластера является продуманность их концепций, обозначенность целевой аудитории. Данные торговые центры являются наиболее популярными среди населения всего города. В них сформирован широкий пул арендаторов, среди которых представлены ведущие мировые бренды. В качестве пунктов питания представлено большое количество ресторанов и кафе. Развлекательная
составляющая, как правило, представлена различными аттракционами для детей и взрослых: игровыми автоматами, кинотеатрами, боулинг-центрами, фитнес-центрами и др.
Рис. 3. Карта районов г. Уфы и расположение ТЦ Источник: составлено авторами
Визуальный анализ расположения ТЦ, с сегментацией по кластерам на карте г. Уфы, позволяет сделать следующие выводы:
• торговые центры расположены неравномерно на карте города, в отдаленных микрорайонах присутствуют торговые центры только кластера №1, либо не присутствуют вовсе;
• обеспеченность отдаленных микрорайонов города качественными торговыми центрами низкая, в них отсутствуют торговые центры кластера №2 и №3;
• ТЦ кластера №3 расположены в южной части города, учитывая, что данные торговые центры являются самыми крупными и популярными они создают дополнительный автомобильный трафик, что может отразиться на росте «пробок».
На основе выделенных кластеров и визуального анализа расположения торговых центров на карте города можно принимать обоснованные управленческие решения: повышение обеспеченности населения отдаленных микрорайонов города качественными торговыми центрами; запрет на строительство новых крупных торговых центров в исторически-деловой части города и размещение их в других районах города; принятие соответствующих управленческих решений в области повышения транспортной инфраструктуры в связи с повышенной концентрацией существующих крупных торговых центров в одной части города. Кроме того, при приближении рынка торговых центров к насыщению необходимо обратить внимание на дальнейшее развитие данного рынка. Создание качественных торговых центров небольшого формата, которые востребованы не только крупными сетями, но и малым бизнесом, развитие новых форматов торговых центров.
Идентификация кластеров и распределение множества торговых центров позволило выявить структуру рынка. Структуризация и повышение прозрачности рынка облегчает принятие управленческих решений не только муниципальных органов власти, ответственных за утверждение и разрешение строительства новых торговых центров в городе, но и для всех игроков рынка коммерческой недвижимости, связанных со строительством и развитием
торговых центров. Понимание насыщенности торговыми центрами районов и микрорайонов города позволяет контролировать количество строящихся торговых центров в районах города, а также принимать рассчитанные решения в размещении планируемых торговых центров.
ЛИТЕРАТУРА
1. Сейчас в столице строится рекордное количество торговых площадей - более 1 млн
кв.м //VEDOMOSTI.RU: ежедн. интернет-газета. URL: http://www.vedomosti.ru/
realty/news/6996711/cej chas_na_stadii_stroitelstva_v_moskve_nahoditsya_rekordnoe (дата обращения 22.12.2013)
2. Общество потребления: в РФ строится больше ТЦ, чем необходимо // RBC.RU: ежедн.
деловая интернет-газета. URL:
http://realty.rbc.ru/articles/12/09/2013/562949988876345.shtml (дата обращения 12.09.2013)
3. Москва перенасытится торговыми центрами к 2016г.//RBC.RU: ежедн. деловая интернет-газета. URL: http://realty.rbc.ru/articles/26/11/2013/562949989734113.shtml (дата обращения 26.01.2013)
4. Стандартизация торговых центров. Российский совет торговых центров. URL: http ://rcsc.info/proekty-soveta/klassifikatsiya-torgovykh-tsentrov, (дата обращения
23.12.2013)
5. Бахитова Р.Х., Полупанов Д.В., Хайруллина Н.А. Моделирование сегментации торговых центров на основе самоорганизующихся карт Кохонена / Экономикоматематические методы исследования современных проблем экономики и общества: сборник материалов Международной научно-практической конференции (16-17 декабря 2013 г., г. Уфа). В 2-х ч. Ч. II / отв. ред. И.У. Зулькарнай. Уфа: РИЦ БашГУ, 2013. с. 268 - 273.
6. Кохонен Т. Самоорганизующиеся карты. М.: БИНОМ. Лаборатория знаний, 2011. 655 с.
7. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учеб. пособие. - 2е изд., перераб. и доп. СПб.: Питер, 2010. 704 с.: ил.
8. Хайкин С. Нейронные сети: полный курс, 2-е издание.: пер. с англ. М.: Издательский дом «Вильямс», 2006. 1104 с.
9. Гобатков С.А., Полупанов Д.В., Макеева Е.Ю., Бирюков А.Н. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности / Под ред. Д.т.н. профессора Горбаткова С.А.: Монография. М.: Издательский дом «Экономическая газета», 2012. 494 с.
10. Шумский С.А. Байесова регуляризация обучения // Научная сессия МИФИ 2002. IV
Научно-техническая конференция «Нейроинформатика - 2002»: Лекции по
нейроинформатике. Часть 2. М.: МИФИ, 2002, с. 30-93.
11. Горбатков С.А., Полупанов Д.В., Солнцев А.М., Фархиева С.А., Белолипцев И.И., Коротнева М.В., Рашитова О.Б. Нейросетевое математическое моделирование в задачах ранжирования и кластеризации в бюджетно-налоговой системе регионального и муниципального уровней: монография / Уфа: РИЦ БашГУ, 2011. 224 с.
12. Коротнева М.В. Селекция признаков в байесовском итерационном методе кластеризации / Экономико-математические методы исследования современных проблем экономики и общества: сборник материалов Международной научнопрактической конференции (16-17 декабря 2013 г., г. Уфа). В 2-х ч. Ч. II / отв. ред. И.У. Зулькарнай. Уфа: РИЦ БашГУ, 2013. с. 351 - 354.
Рецензент: Бахитова Раиля Хурматовна, д.э.н., профессор, зав. кафедрой «Математические методы в экономике».
REFERENCES
1. Sejchas v stolice stroitsja rekordnoe kolichestvo torgovyh ploshhadej - bolee 1 mln kv.m //
VEDOMOSTI.RU: ezhedn. internet-gazeta. URL: http://www.vedomosti.ru/
realty/news/6996711/cej chas_na_stadii_stroitelstva_v_moskve_nahoditsya_rekordnoe (data obrashhenija 22.12.2013)
2. Obshhestvo potreblenija: v RF stroitsja bol'she TC, chem neobhodimo // RBC.RU: ezhedn.
delovaja internet-gazeta. URL:
http://realty.rbc.ru/articles/12/09/2013/562949988876345.shtml (data obrashhenija
12.09.2013)
3. Moskva perenasytitsja torgovymi centrami k 2016g. // RBC.RU: ezhedn. delovaja internet-
gazeta. URL: http://realty.rbc.ru/articles/26/11/2013/562949989734113.shtml (data
obrashhenij a 26.01.2013)
4. Standartizacija torgovyh centrov. Rossijskij sovet torgovyh centrov. URL:
http://rcsc.info/proekty-soveta/klassifikatsiya-torgovykh-tsentrov, (data obrashhenij a
23.12.2013)
5. Lambert J. One Step Closer to a Pan-European Shopping Center Standart. ICSC.RU:
Mezhdunarodnyj sovet torgovyh centrov, 2006. URL:
http://www.icsc.org/uploads/research/general/euro_standard_only.pdf, (data obrashhenij a
23.12.2013)
6. Walker P. Public Private Partnerships in Sustainable Urban Development. ULI.RU: Institut gorodskih zemel'. URL: http://uli.org/report/public-private-partnerships-in-sustainable-urban-development/ , (data obrashhenija 10.10.2013)
7. Bahitova R.H., Polupanov D.V., Hajrullina N.A. Modelirovanie segmentacii torgovyh centrov na osnove samoorganizujushhihsja kart Kohonena / Jekonomiko-matematicheskie metody issledovanija sovremennyh problem jekonomiki i obshhestva: sbornik materialov Mezhdunarodnoj nauchno-prakticheskoj konferencii (16-17 dekabrja 2013 g., g. Ufa). V 2-h ch. Ch. II / otv. red. I.U. Zul'karnaj. Ufa: RIC BashGU, 2013. s. 268 - 273.
8. Kohonen T. Samoorganizujushhiesja karty. M.: BINOM. Laboratorija znanij, 2011. 655 s.
9. Paklin N.B., Oreshkov V.I. Biznes-analitika: ot dannyh k znanijam: ucheb. posobie. - 2-e izd., pererab. i dop. SPb.: Piter, 2010. 704 s.: il.
10. Hajkin S. Nejronnye seti: polnyj kurs, 2-e izdanie.: per. s angl. M.: Izdatel'skij dom «Vil'jams», 2006. 1104 s.
11. Gobatkov S.A., Polupanov D.V., Makeeva E.Ju., Birjukov A.N. Metodologicheskie osnovy razrabotki nejrosetevyh modelej jekonomicheskih ob#ektov v uslovijah neopredelennosti / Pod red. D.t.n. professora Gorbatkova S.A.: Monografija. M.: Izdatel'skij dom «Jekonomicheskaja gazeta», 2012. 494 s.
12. Shumskij S.A. Bajesova reguljarizacija obuchenija // Nauchnaja sessija MIFI 2002. IV
Nauchno-tehnicheskaja konferencija «Nejroinformatika - 2002»: Lekcii po
nejroinformatike. Chast' 2. M.: MIFI, 2002, s. 30-93.
13. Gorbatkov S.A., Polupanov D.V., Solncev A.M., Farhieva S.A., Belolipcev I.I., Korotneva M.V., Rashitova O.B. Nejrosetevoe matematicheskoe modelirovanie v zadachah ranzhirovanija i klasterizacii v bjudzhetno-nalogovoj sisteme regional'nogo i municipal'nogo urovnej: monografija / Ufa: RIC BashGU, 2011. 224 s.
14. Korotneva M.V. Selekcija priznakov v bajesovskom iteracionnom metode klasterizacii / Jekonomiko-matematicheskie metody issledovanija sovremennyh problem jekonomiki i obshhestva: sbornik materialov Mezhdunarodnoj nauchno-prakticheskoj konferencii (16-17 dekabrja 2013 g., g. Ufa). V 2-h ch. Ch. II / otv. red. I.U. Zul'karnaj. Ufa: RIC BashGU, 2013. s. 351 - 354.
