CC BY
53
УДК 330:519.237.8 ГРНТИ 06.71.09
КЛАСТЕРНЫЙ АНАЛИЗ В ОЦЕНКЕ КОНКУРЕНТНОГО СТАТУСА АВТОТРАНСПОРТНЫХ ПРЕДПРИЯТИЙ
С.А. Теслова
Сибирская государственная автомобильно-дорожная академия Россия, 644080, г. Омск пр. Мира 5; info@sibadi.org
В статье рассматривается вариант применения кластерного анализа и программного продукта STATISTICA в целях оценки конкурентного статуса транспортных предприятий. Предложена матрица для определения конкурентного положения предприятия в целом, позволяющая выявить недостатки по отдельным составляющим и выявить звенья, требующие совершенствования.
Ключевые слова: кластерный анализ, кластер, конкуренция, автомобильный транспорт.
CLUSTER ANALYSIS IN ASSESSMENT
OF TRANSPORT ENTERPRISES COMPETITIVE
STATUS
S.A. Teslova
The Siberian Automobile and Highway Academy Russia, 644080 Omsk, pr. Mira 5, e-mail: info@sibadi.org
The article considers the version of cluster analysis and STATISTICA software usage in assessment of transport enterprises competitive status. The author offers the matrix for definition of the enterprise competitive position, allowing to reveal shortcomings on separate components and to reveal the links demanding perfection. Keywords: cluster analysis, a cluster, a competition, automobile transport.
Введение. 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. 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.
© Теслова С.А., 2016_
Основная часть исследования. Кластерный анализ рассматривается как метод изучения однородности сложных, на поверхности неочевидно взаимосвязанных объектов. Кластер (от англ. Cluster - гроздь, скопление) 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 соци-
ально-экономической действительности [8, 10, с. 116]. Всё 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:
к=Е1=! 4 (к)>, (1)
где ё.1 - удельный вес (коэффициент весомости) /-того показателя; К; - значение /-того показателя конкурентоспособности; ^ =±1.
Для определения коэффициентов весомости существует множество методов, в частности, могут быть использованы методы попарного сравнения и последовательного приближения как одни из самых простых и оправданных с психологической точки зрения.
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 незатратным способом выбор наиболее значимых показателей по каждой группе, которые в полной мере будут соответствовать цели анализа и учитывать условия деятельности. Например, для транспортных предприятий в качестве базовых могут быть использованы следующие показатели:
- в группе «Процессы» - рентабельность затрат, коэффициент роста объема перевозок, коэффициент обновления подвижного состава, коэффициент выпуска автомобилей на линию;
- в группе «Персонал» - относительный показатель заработной платы (в соотношении со среднеотраслевой), текучесть кадров, коэффициент роста выработки;
- в группе «Финансы» - коэффициент обеспеченности собственными оборотными средствами, коэффициент автономии, коэффициент текущей ликвидности, запас финансовой прочности;
- в группе «Клиенты» - доля постоянных клиентов, доля рынка, коэффициент цены (в соотношении со среднеотраслевой) [11].
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, 6, 7, 10, 12]. Однако наиболее часто используются иерархический кластерный анализ и кластеризация методов ^-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 [7]. Иерархические алгоритмы подразделяются по количеству, последовательности и метрике выделяемых кластеров. В последнем случае говорят об алгоритмах ближнего, дальнего и среднего соседа, которые различаются выбором метрик межкластерного расстояния [10, с. 120] Расстояние между кластерами может определяться различными способами, например, евклидово расстояние - это геометрическое пространство в многомерном пространстве, вычисляемое по исходным данным, остается неизменным при добавлении новых объектов [10, 12]. Квадрат евклидова расстояния применяется, если нужно увеличить весомость наиболее удаленных друг от друга объектов. Расстояние городских кварталов (манхэттенское расстояние) - среднее расстояние из разностей по координатам. Результаты, рассчитанные по данной мере, в большинстве случаев соответствуют расстоянию Евклида. Процент несогласия: это расстояние вычисляется, если данные представляют собой некоторые категории. Расстояние Чебышева вычисляется, если объекты различаются по какой-либо одной координате (измерению).
Объединение объектов в кластеры производится с применением следующих методов:
1. Одиночная связь (метод «ближайшего соседа») - расстояние между двумя кластерами определяется расстоянием между двумя наиболее близкими объектами при условии, что различные части таких кластеров соединены цепочками сходных элементов.
2. Полная связь (метод «наиболее удаленных соседей») - расстояния между кластерами определяются наибольшим расстоянием между любыми двумя объектами в разных кластерах.
3. Метод Варда - расстояние равно приросту суммы квадратов расстояний объектов до центров кластеров, получаемых в результате их объединения, при этом используются методы дисперсионного анализа. На каждом шаге алгоритма объединяются такие два кластера, которые приводят к минимальному увеличению внутри-групповой суммы квадратов. Этот метод направлен на объединение близко расположенных кластеров и позволяет создать кластеры малого размера.
4. Методы попарного среднего (невзве-шенного и взвешенного) - в качестве расстояния между двумя кластерами берется среднее расстояние между всеми парами объектов в них, а во втором случае в качестве весового коэффициента используется размер кластера (число объектов в нем) [6, 7, 10, 12].
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 ^-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 ^-средних.
Метод ^-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 [12].
Указанные классические методы кластерного анализа могут быть реализованы с помощью программного продукта STATISTICA [2, 4, 10].
Перед проведением кластерного анализа предположим, что уровни конкурентоспособности автотранспортных предприятий можно опре-
делить исходя из жизненного цикла, который представляет собой последовательные предсказуемые состояния, через которые проходят все организации. Классический жизненный цикл организации включает 4 общих этапа: становление, рост, зрелость и упадок [1, 5, 8, 9].
Рыночные отношения и конкуренция обязывают руководителей четко знать, на каком этапе развития находится предприятие, оценивать конкурентное положение и соответствующие ему возможности в целях выбора возможных направлений для дальнейшего роста и адаптации к динамичным рыночным условиям. Поэтому в соответствии с концепцией жизненного цикла можно выделить следующие уровни конкурентоспособности:
1. Кризисное конкурентное положение характеризуется угрозой потери экономической состоятельности, падением спроса, снижением прибыльности, сложностью управления, неустойчивыми и неопределенными целями, требующими кардинальных структурных и организационных изменений. Значения показателей ниже оптимальных и имеют отрицательную динамику.
2. Конкурентная слабость характерна для предприятий, имеющих потенциальные возможности для стабилизации и развития, но в силу несовершенства системы управления, необоснованных действий руководства вынужденных вести борьбу за выживание.
3. Конкурентный паритет. Показатели конкурентоспособности предприятия достигают среднерыночных значений. Данный уровень характеризуется большей стабильностью, управляемостью, квалификацией персонала, результативностью деятельности подразделений.
4. Конкурентное превосходство. Компетентность и опыт руководства позволяют наработать определенный имидж предприятия, образовать определенный круг клиентов, и тем самым обеспечить сбалансированное развитие и рост показателей.
5. Устойчивое конкурентное положение характеризуется расширением возможностей применения инноваций для развития и выхода на новые рынки, совершенствования организации и управления, что обеспечивает получение стабильных результатов, сохранение и укрепление конкурентных позиций.
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 8ТАТ18Т1СА 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
1,2 1,0 0,8 0,6
0.4
0,2
0,0
Анализ дендрограммы начинается сверху -для каждого объекта в своем собственном кластере, при движении по рисунку вниз объекты начинают объединяться и формировать кластеры. Как видно из визуального представления результатов, предположение оказалось верным - предприятия образуют пять естественных кластеров.
Следующим шагом проводится кластеризация методом ^-средних. Количество кластеров определено, в меню «Анализ» так же, как и в первом случае, выбираются модуль «Многомерный разведочный анализ» и функция «Кластерный анализ», далее в диалоге - «Кластеризация методом ^-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 значе-
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 древовидная дендрограмма (рис. 1).
ния 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).
Средние значения переменных определяются величиной кластеров, то есть количеством предприятий, входящих в каждый из них. Крайние интервалы остаются открытыми для учета минимальных и максимальных значений по совокупности. Данные, представленные в приложении, перегруппированы и упорядочены по возрастающему значению. Из дендрограммы также видно, что наибольшая часть предприятий входит в кластер 4, который характеризуется как конкурентный паритет, что свидетельствует о том, что большинство крупных и средних предприятий находятся в схожих условиях функционирования. Кластеры «Временное конкурентное превосходство» и «Устойчивое конкурентное преимущество» имеют единичный размер, это
Дендрограмма для 10 набл. Метод одиночной связи Евклидово расстояние
С 10 С 8 СЭ С 7 С 5 се С 3 С 4 С 2 С 1
Рис. 1. Дендрограмма иерархического кластерного анализа
означает, что незначительное количество предприятий из исследуемой совокупности имеет устойчивое или близкое к нему состояние. Результаты классификации грузовых автотранс-
портных предприятий по значениям интегральных показателей конкурентоспособности с использованием кластерного анализа представлены в табл. 1.
Таблица 1
Классификация предприятий по количественному значению показателей конкурентоспособности
Кластеры
Группа показателей конкурентоспособности Кризисное конкурентное состояние Конкурентная слабость Конкурентный паритет Конкурентное превосходство Устойчивое конкурентное положение
Нижняя граница - 0,5458 0,6012 0,6566 >0,717
Клиенты Общее среднее 0,6289 Верхняя граница <0,545 0,6012 0,6566 0,7172 -
Среднее значение в кластере - 0,5808 0,6053 0,6644 -
Финансы Общее среднее 0,6112 Нижняя граница - 0,342 0,5218 0,7016 >0,881
Верхняя граница <0,342 0,5218 0,7016 0,8814 -
Среднее значение в кластере - 0,3795 0,5901 0,7906 -
Нижняя граница - 0,0392 0,1062 0,1873 >0,327
Процессы Общее среднее 0,1743 Верхняя граница <0,039 0,1062 0,1873 0,3271 -
Среднее значение в кластере - 0,0609 0,1526 0,3204 -
Нижняя граница - 0,7077 0,8284 1,1384 >1,265
Персонал Общее среднее 1,1271 Верхняя граница <0,707 0,8284 1,1384 1,2651
Среднее значение в кластере - 0,9411 1,0166 1,1801 -
Нижняя граница - 2,2518 2,480 2,5662 >2,773
Общий показатель Общее среднее 2,5421 Верхняя граница <2,252 2,480 2,5662 2,7729 -
Среднее значение в кластере - 2,3469 2,5231 2,6960 -
Вывод. 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 разви-
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Белых В.И. Теория организации : учеб. пособие / В.И. Белых, С.Г. Полковникова, Г.А. Гайнуллина. - Омск : Омский экон. ин-т, 2010. -320 с.
2. Боровиков В.П. STATISTICA -Статистический анализ и обработка данных в среде Windows / В.П. Боровиков, И.П. Боровиков; 2-е изд., стер. - М. : Филинъ, 1998. - 608 с.
тию 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.
REFERENCES
1. Belykh V.I. Organization theory: tutorial / V.I. Polkovnikova, S.G. Polkovnikova, G.A. Gaynullina. - Omsk: Omsk Economic Institute, 2010. - 320 p.
2. Borovikov V.P. STATISTICA - Statistical analysis and data processing in Windows environment. -M.: Filin, 1998. - 608 p.;
3. Vorontsova G.V. The main directions of assessment of efficiency of administrative decisions // Bul-
3. Воронцова Г.В. Основные направления оценки эффективности управленческих решений // Вестник Северо-Кавказского ГТУ. Сер. Экономика. -2004. - № 2 (13). - С. 12-15.
4. Вуколов Э.А. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов STATISTICA и EXCEL: учеб. пособие / Э.А. Вуколов. - 2-е изд., испр. и доп. - М. : ФОРУМ. - 2008. - 464 с.
5. Герчикова И.Н. Менеджмент: учебник; 4-е изд., перераб. и доп. - М. : ЮНИТИ, 2007. - 499 с.
6. Громыко Г.Л. Использование кластерного анализа в классификации сельскохозяйственных предприятий по показателям эффективности их деятельности / Г. Л. Громыко, П. С. Боноев // Вопросы статистики. - 2008. - № 4. - С. 51-54.
7. Карасев А. Кластерный анализ и сегментирование рынка услуг связи // Маркетинг. -2009. - № 2 (105). - С. 103-115.
8. Ларина Н.И. Региональная экономическая политика властей разного уровня: цели, средства, результат. - Новосибирск : ИЭОППСО РАН, 2008. -352 с.
9. Сарычев А.Е. Оценка ресурсов и способностей компании в условиях динамизма внешней среды и глобализации // Российское предпринимательство. - 2008. - № 7 (2). - С. 44-49.
10. Симчера В. М. Методы многомерного анализа статистических данных. - М.: Финансы и статистика, 2008. - 400 с.
11. Теслова С.А. Методика оценки конкурентоспособности грузовых автотранспортных предприятий // Вестник СибАДИ, 2012. - Вып. 1 (23). -С. 127-130.
12. StatSoft Russia [Электронный ресурс]. -Режим доступа: http://www.statsoft.ru, свободный. -Загл. с экрана (дата обращения: 10.01.2016).
Теслова Светлана Анатольевна - кандидат экс ние предприятиями», СибАДИ.
letin of the North Caucasian GTU. The economic series. - 2004. - № 2 (13). - P. 12-15.
4. Vukolov E.A. The basics of statistical analysis. Practical statistic methods and operation research with STATISTICA and EXCEL software: tutorial. - M.: FORUM. - 2008. - 464 p.
5. Gerchikova I.N. Management: tutorial. - M.: UNITI, 2007. - 499 p.
6. Gromyko G. L. The use of cluster analysis in the classification of agricultural enterprises in terms of efficiency of their activities / G.L. Gromyko, P.S. Bo-noev // Statistical issues. - 2008. - № 4. - P. 51-54;
7. Karasev A. Cluster analysis and segmentation of the market of communication services // Marketing. -2009. - № 2. - P. 103-115.
8. Larina N.I. Regional economic policy of different government levels: objectives, means, result. -Novosibirsk: IEOPPSO RAN, 2008. - 352 p.
9. Sarychev A.E. Estimation of resources and abilities of the company in terms of dynamism of external environment and globalization // Russian entrepre-neurship. - 2008. - № 7 (2). - S. 44-49;
10. Simchera V.M. Methods of multidimensional statistical data analysis. - M.: Finance and statistics, 2008. - 400 p.
11. Teslova S.A. Methods of assessing the competitiveness of road freight transport enterprises // Vest-nik SibADI, 2012. - Ed. 1 (23). - S. 127-130/
12. StatSoft Russia [Electronic resource]. - Access mode: http://www.statsoft.ru, free . - Title of screen (date of access: 10.01.2016).
еских наук, доцент кафедры «Экономика и управле-Статья поступила в редакцию 19 февраля 2016 г.
