Применение кластерного анализа в экономике автотранспортных предприятий

Для выработки грамотных управленческих решений в условиях современного рынка часто требуется понять и оценить положение предприятия на рынке относительно конкурентов. Такая задача является достаточно трудной вследствие весьма ограниченной информированности об участниках рынка, следовательно, требуется такая система оценки, которая позволит предприятию самостоятельно определить свой конкурентный статус [1]. Решение данного вопроса подразумевает разделение совокупности предприятий на группы, участники которых должны обладать схожими условиями хозяйствования и проявлениями переменных, а разных групп — различными. Данный процесс называется кластеризацией, которая является способом классификации объектов по их признакам.

Кластерный анализ рассматривается как метод изучения однородности сложных, на поверхности неочевидно взаимосвязанных объектов. Кластер при этом понимается как некоторая реально существующая общность данных объектов, обладающих необходимыми и достаточными признаками, например показаниями и свойствами, нужными для слияния, объединения, кооперации предприятий. Цель применения этого метода — определение однородности изучаемых объектов, если она не может быть установлена другими более простыми методами, анализ и идентификация наблюдаемых однородных объектов, образование ранее неизвестных групп как носителей новых явлений, содержательная интерпретация роли и значения этих групп в преобразовании окружающей социально-экономической действительности [6, 8, с.116]. Все это соответствует поставленной задаче самостоятельного анализа конкурентного положения предприятия.

Целью кластерного анализа в данном случае является разделение совокупности автотранспортных предприятий на группы по интегральным показателям конкурентоспособности, в таком случае переменными будут являться составляющие системы сбалансированных показателей: клиенты, финансы, процессы, персонал.

Интегральный показатель конкурентоспособности рекомендуется рассчитывать по формуле, которая учитывает и весомость каждого показателя, и направление его влияния на результат:

$K=\sum^n_{i=1}{{d_i\left(K_i\right)}^{{\beta }_i}}$, (1)

где d_i — удельный вес (коэффициент весомости) i-того показателя; K_i — значение i-того показателя конкурентоспособности; $\beta _i=\pm 1$.

Для определения коэффициентов весомости также существует множество методов, в частности, может быть использованы методы попарного сравнения и последовательного приближения, как одних из самых простых и оправданных с психологической точки зрения [3].

Выбор признаков сегментирования производится на основе экспертных оценок, когда из максимально полного списка показателей выбираются те, которые в наиболее полной мере отражают специфику деятельности грузовых автотранспортных предприятий и ситуацию на рынке. Впоследствии некоторые из переменных отсеиваются или группируются, что позволяет создать несколько основных факторов (4-6), которые максимально точно отражают характеристики объектов исследования по группам. Руководство любого предприятия может осуществить таким не затратным способом выбор наиболее значимых показателей по каждой группе, которые в полной мере будут соответствовать цели анализа и учитывать условия деятельности [9, 10]. Подробно данный вопрос рассмотрен в работах [1, 10].

В настоящее время известно огромное число алгоритмов кластеризации, разнообразие которых объясняется не только различными вычислительными методами, но и различными концепциями. Использование какого либо метода обусловлено практической полезностью результатов кластерного анализа [3, 5, 8]. Однако наиболее часто используются иерархический кластерный анализ и кластеризация методов k-средних.

В иерархических методах каждое наблюдение вначале образует свой отдельный кластер. На первом шаге два наиболее близких кластера объединяются в один, затем эта операция последовательно повторяется до тех пор, пока не останутся два кластера [5]. Иерархические алгоритмы подразделяются по количеству, последовательности и метрике выделяемых кластеров [8, с. 120]. Расстояние между кластерами может определяться различными способами, например, евклидово расстояние.

Иерархические методы кластерного анализа достаточно точны, но они очень трудоемки, поскольку на каждом шаге алгоритма выстраивается дистанционная матрица для текущих кластеров, и сложны для интерпретации. Поэтому чаще всего используется метод k-средних, при котором необходимо заранее определять количество кластеров, тогда как при иерархическом методе оно определяется в процессе анализа. Данная проблема может быть решена, если сначала определить оптимальное или естественное количество кластеров с применением иерархической классификации, а затем произвести анализ методом k-средних.

Метод k-средних заключаются в том, что вычисления начинаются с k случайно выбранных наблюдений, которые становятся центрами групп, после чего состав кластеров меняется с целью минимизации изменчивости внутри них и максимизации — между ними. Каждое наблюдение относится к той группе, мера сходства с центром тяжести которого (средним по кластеру) минимальна. После изменения состава кластеров вычисляется новый центр тяжести, итерации продолжаются до тех пор, пока состав кластеров не перестанет меняться.

Указанные классические методы кластерного анализа могут быть реализованы с помощью программного продукта STATISTICA [4, 8].

Перед проведением кластерного анализа определим предполагаемое число кластеров исходя из жизненного цикла организации. Классический жизненный цикл организации включает 4 общих этапа: становление, рост, зрелость и упадок [2, 6, 7]. В соответствии с ними можно выделить следующие уровни конкурентоспособности (подробнее см. [1, 10]):

1. Кризисное конкурентное положение;
2. Конкурентная слабость;
3. Конкурентный паритет;
4. Конкурентное превосходство;
5. Устойчивое конкурентное положение.

Каждому из установленных уровней должны соответствовать определенные средние значения показателей и количественные границы, которые будут способствовать оценке предприятием своего положения. Для этого и может быть использован кластерный анализ.

С помощью электронной таблицы в пакете STATISTICA вводятся исходные данные для анализа, то есть значения интегральных показателей конкурентоспособности по четырем основным группам и общего, относящихся к совокупности средних и крупных грузовых автотранспортных предприятий. В меню «Анализ» выбирается модуль «Многомерный разведочный анализ» и функция «Кластерный анализ». В диалоге выбирается «Иерархическая классификация» для того, чтобы определить естественное число кластеров для проверки суждений о количестве групп предприятий (т.е. уровней конкурентоспособности). Поскольку значения переменных между собой отличаются незначительно, и в некоторый кластер может попадать и один объект, в качестве правила объединения выбран метод одиночной связи, в качестве меры близости — Евклидово расстояние. Итогом иерархического анализа является выделение естественных кластеров. Следующим шагом проводится кластеризация методом k-средних. Количество кластеров определено, в меню «Анализ» также как и в первом случае выбирается модуль «Многомерный разведочный анализ» и функция «Кластерный анализ», далее в диалоге — «Кластеризация методом k-средних».

Полученные результаты позволяют рассчитать средние значения по каждому кластеру, чтобы оценить, насколько они различаются между собой, а функции «Основные статистики и таблицы» и «Группировка и однофакторный анализ» позволяют определить стандартные отклонения, минимальные и максимальные значения переменных в каждом кластере и расстояния между ними. Для расчетов использованы данные 10 типичных предприятий, отнесенных к категории средних (от 10 до 50 единиц подвижного состава) и крупных (свыше 50 единиц).

Результаты кластеризации грузовых автотранспортных предприятий по значениям интегральных показателей конкурентоспособности представлены в табл. 1.

Данная матрица позволяет определить конкурентное положение предприятия в целом, а также выявить недостатки по отдельным составляющим, произвести их детальный анализ и определить те из них, которые требуют разработки соответствующих действий по развитию и улучшению. Принцип построения матрицы достаточно универсален и применим для предприятий любых отраслей с учетом корректировки состава показателей не только в оценке конкурентного статуса, но и в других направлениях экономического анализа, а также при разработке программ развития и прогнозировании инновационной активности автотранспортных предприятий [9].