唐婷婷，邓光明

（桂林理工大学 理学院，广西 桂林 541006）

面板数据是现实数据库中极为常见的数据形式，是一种多指标的时间序列，包含的信息量较充足，且具有截面数据和时间序列的双重特性，用面板数据进行聚类分析能够更好反映指标的动态发展趋势和发展状态，因此，大多数学者为得到更为精确的聚类结果，经常使用面板数据进行聚类分析。面板数据聚类的基本思想是围绕如何找到更为精准的相似性度量和采用何种方法进行聚类这2个方面展开，其聚类方法大致可分为多元统计方法和非多元统计方法，非多元统计方法主要从数学和计算机角度入手，主要包括：灰色聚类［1－3］、模糊C均值聚类［4－6］、基于投影寻踪的聚类［7］等方法。在基于多元统计方法的面板数据聚类中，其聚类的主要思想就是从多元统计的角度寻找更为精准的相似性度量，如李因果等［8］为了能够展现指标的动态发展趋势，选用“绝对量”“增长速度”和“变异系数”分别表示面板数据的“绝对量”“相对量”和“时序波动”特征，根据实际需求赋予这3个特征相应的权重，采用欧氏距离重构了相似性度量的“综合”距离函数，改进了Ward聚类算法；任娟［9］提取了面板数据的水平指标、增量指标和增长变化率，选择欧式距离来描述样品之间的邻近程度，重构了离差平方和函数，再进行系统聚类；党耀国等［10］针对面板数据聚类中采用欧氏距离进行聚类存在缺陷这一问题，对面板数据的动态变化进行深度挖掘，通过提取“绝对量”“波动”“偏度”“峰度”等特征来构建新的特征向量，进而进行聚类分析。……