Инструмент: Общая экспертно-аналитической оценка возможности интеграции предприятия в кластер

Рис. 2.9. Место методики оценки целесообразности интеграции предприятия в кластер в общем процессе выбора стратегии развития

В качестве инструмента анализа для проведения данного направления рекомендуется общая экспертно-аналитическая оценка возможности интеграции предприятия в кластер. Кроме того, на данном этапе на предприятии может быть организована рабочая группа по подготовке модели образования нового кластера и подбору вероятных резидентов (в случае отсутствия существующего профильного кластера). В силу общеаналитического характера получаемой на данном этапе методики информации, широкого ассортимента методов экономического анализа, которые могут обеспечить ее получение, авторы предлагают не рассматривать технологию осуществления второго этапа детально и ограничится общим описанием данной стадии.

Этап 3. Выбор кластера, вида интеграции предприятия в кластер (вертикальная, горизонтальная, диагональная). В данном случае выбор вида интеграции предприятия в профильную мезосистему будет зависеть от технологической общности организаций, типа выпускаемой ими продукции и особенностей цепочки создания стоимости в кластере. Данный этап методики является ключевым. Он определяет принципиальную интегративную совместимость группы выбранных предприятий и позволяет определить будущую архитектонику кластера. Предлагаемым инструментом выступает адаптивная модель нечеткой кластеризации предприятий, которая рассмотрена далее.

Этап 4. Принятие решения о целесообразности (нецелесообразности) интеграции предприятия в кластер. Оценка вероятных эффектов. В связи с тем, что основная задача функционирования предприятия – стабильная положительная динамика развития системы, результаты, полученные организацией от интеграции в кластер, должны превосходить первоначальные затраты. Экономическая эффективность данного процесса может быть оценена с помощью сформированной системы показателей. При проведении оценки целесообразности интеграции предприятия в кластер должны быть учтены вероятные сценарии нелинейного развития вновь образуемой мезосистемы. Основой для этого могут стать проявления, основанные на эмерджентности кластера. Так, образующиеся положительные или отрицательные синергетический и организационный эффекты должны быть оценены дополнительно. Это связано с тем, что исключительно количественная оценка результатов хозяйственной деятельности не всегда способна отразить ряд сопутствующих интеграции предприятия в мезосистему процессов. Например, деформацию корпоративной культуры, ценностей, принципов и приоритетов деятельности организации.

Необходимо подчеркнуть, что детальная количественная оценка вероятных эффектов интеграции предприятия в кластер на четвертом этапе методики является вариативным и может не применяться на отдельных стадиях жизненного цикла мезосистемы. В случае оценки целесообразности интеграции предприятия в формирующийся тип кластера, проведение данной стадии будет иметь колоссальные трудовые, временные и материальные затраты при весьма низкой эффективности. Так как в зарождающихся и формирующихся кластерах результат может быть неочевиден длительное время. В течение данного периода кластер, фактически функционирует в режиме ассоциации и не имеет ярко выраженной результативности.

Таким образом, базовыми этапами методики оценки целесообразности интеграции предприятия в кластер являются второй и третий, на которых определяется принципиальная совместимость предприятий, наиболее благоприятный вариант интеграции (горизонтальная, вертикальная, комбинированная) и принимается стратегическое решение о необходимости вступления предприятия в мезосистему.

Для реализации базовых этапов методики оценки целесообразности интеграции предприятия в кластер авторами предложена адаптивная модель нечеткой кластеризации предприятий.

Предложенная в рамках методики модель адаптивной кластеризации предприятий, позволяет по результатам ее анализа определить целесообразность интеграции организации в экономическую мезосистему. Потребность в кластеризации возникает в тех случаях управленческой деятельности, где есть необходимость в разбиении объ­ектов (ситуаций) на непересекающиеся подмножества, называе­мыми кластерами, так, чтобы каждый кластер состоял из схожих объектов (предприятий), а объекты разных кластеров существенно отличались. Четкое разделение на кластеры возможно только в идеальных ус­ловиях и при сильно различающихся параметрах объектов класте­ризации. Поэтому для решения реальных задач все чаще примета­ются нечеткие методы, в которых разбиение объектов (ситуаций) выполняется на частично пересекающиеся подмножества [40].

Важной предпосылкой применения нечетких методик кла­стеризации в реальных условиях является то, что характеристики объектов не всегда являются измеримыми и поэтому в ряде случа­ев присутствуют экспертные оценки характеристик объектов, ко­торые являются субъективными и могут быть противоречивыми.

Кластеризация, используя свободный поиск, выделяет в данных признаки, по которым предприятия можно поделить на группы и соответственно оценить их общность и целесообразность интеграции. Процесс кластеризации неоднозначен, поскольку группировка предприятий целиком зависит от способа, по которому измеряется ин­формационное расстояние между записями набора данных. Вместе с тем, анализ большого количества методов кластеризации подтверждает гипотезу о том, что методы кластерного анализа являются контекстно-зависимыми и имеют превосходство в решении определенного круга задач. Применение того или иного метода также определяется линейной делимостью совокупности предприятий или их нелинейных взаимосвязей. На данный момент известно бо­лее 50 методов кластеризации, среди которых большое количество методов представлено в математической, алгоритмиче­ской форме, но значительно меньше методов имеют реализацию и рекомендацию по области применения алгоритма. Знание того, ка­кие методы дают наилучший результат, может подсказать направ­ление движения тем, кто создает новые алгоритмы или совершен­ствует существующие.

Можно выделить следующие факторы, влияющие на выбор метода кластеризации предприятий:

 необходимая точность выполнения кластеризации;

 априорное представление о количестве кластеров;

 типы данных исследуемых атрибутов;

 объем анализируемой информации;

 время выполнения анализа;

 оценочная оптимальность полученного результата;

 равномерность исследуемой информации;

 разделяемость исходных предприятий и данных о них.

В зависимости от характеристик исходных данных и желае­мого результата используют следующие математические аппара­ты: статистика; деревья решений; нейронные сети; теория графов; нечеткая логика.

Статистические методы, как и деревья решений, теория гра­фов, применяются в задачах, когда данные о предприятиях хорошо разделимы и не содержат большого количества выбросов. В других случаях пред­почтение отдают нейронным сетям и нечеткой логике. Методы, основанные на нечеткой логике, позволяют делать мягкое разделе­ние массива данных на кластеры, определяя одни и те же данные в разные кластеры с разной степенью принадлежности. Эта особен­ность позволяет применять методы на неоднородных данных и по­лучать при этом довольно качественные результаты.

Нейронные сети и нечеткая логика являются лидерами среди методов анализа данных большого объема со значительным количеством анализируемых атрибутов.

Для выбора наилучшего метода кластеризации предприятий использованы следующие критерии:

1. Критерий 1: Объем информации по отношению ко времени обработки.

2. Критерий 2: Размерность информации (количество атрибутов в строке) в порядковом выражении.

3. Критерий 3: Типы атрибутов: числовой дискретный, числовой непрерывный, строковый.

4. Критерий 4: Чувствительность к равномерности информации (наличие аномалий-выбросов во входном наборе данных).

5. Критерий 5: Априорное (экспертное) представление о форме получаемых кластеров.

6. Критерий 6: Априорное (экспертное) представление о количе­стве кластеров.

7. Критерий 7: Априорное (экспертное) представление о перекрываемости кластеров.

8. Критерий 8: Качество кластеризации.

Приведенные критерии и сравнение методов по этим крите­риям подтверждают гипотезу контекстной зависимости методов от данных и сложность задачи выбора «идеального» метода для той или иной группы предприятий. Также остается нерешенной в общем случае задача наличия в наборах данных о предприятиях различных типов данных, в том числе лингвистического типа. Результат кластеризации можно улучшить с помощью применения нескольких алгоритмов класте­ризации и предварительных подготовительных процедур, связан­ных с очисткой и нормализацией входного набора данных. Слож­ность кластеризации заключается не только в выделении класте­ров, но и в последующей оценке полученных результатов. Также на выбор метода кластеризации влияет наличие практической реализации того или иного метода в виде программного модуля.

Как правило, при выполнении кластеризации необходимо настраивать методы кластеризации для исследуемой предметной области в зависимости от исходных данных. Кастомизирующие параметры можно разделить на три группы:

а) характеристические;

б) итерационные;

в) экспертные.

Характеристические параметры используются для общей оценки входного набора данных о предприятиях. Итерационные параметры характеризуются тем, что точное значение параметра заведомо неизвестно и подбирается итераци­онным перебором в выделенном интервале значений. Экспертные параметры используются для более точной на­стройки алгоритмов кластеризации предприятий, в состав данного вида параметров входят та­кие параметры, как количество кластеров, коэффициент отталки­вания и другие. Величину параметра можно получать эмпирическим путем или итерационным, оценивая результаты кластеризации. Данный вид параметров, как и итерационные параметры, требуют от аналитика наличия определенного опыта и знания специфики предметной области в довольно значительном объеме.

При исследовании девяти алгоритмов (CURE, BIRCH, MST, k-средних, РАМ, CLOPE, Самоорганизующиеся карты Кохонена, НСМ, Fuzzy C-means) были выявлены следующие параметры:

Характеристические параметры: объем обучающего множества, объем валидационного множества, объем тестового множест­ва, количество, тип, используемость атрибутов входного набора данных.

Итерационные параметры: количество кластеров, алгоритм выполнения дополнительной кластеризации, пороговое значение остановки работы алгоритма, способ выбора начальных центров, максимальное количество итераций, количество одновременно об­рабатываемых данных, количество предварительных разделов, ко­эффициент удаленности.

Экспертные параметры: способ определения расстояния ме­жду кластерами, метод оценки качества кластеризации, пороговое значение для метода оценки качества кластеризации, начальное пороговое значение алгоритма, процент аномалий (выбросов) в полном объеме, разделяющая функция, скорость обучения сети.

Большое число параметров требуют наличия значительного опыта аналитика в предметной области и знания специфики ис­ходных данных, используемых в аналитическом исследовании. Отсут­ствие и недостаточность опыта в предметной области можно ком­пенсировать последующей экспертной оценкой проводимой или проведенной кластеризации предприятий.

Использование аналитических алгоритмов кластеризации позволит снизить риск неправильного принятия решения и человеческого фактора ошибки, поскольку сам алгоритм принятия решения будет зафиксирован в виде алгоритма, а экспертные оценки пара­метров запуска алгоритма будут усредняться и уточняться в процессе применения алгоритма.

На основании приведенных выше фактов и высказываний модель адаптивной кластеризации должна удовлетворять сле­дующим требованиям:

1. обеспечивать приемлемую точность выделения кластеров,

2. определять кластеры, к которым потенциально может быть отнесено предприятие;

3. работать с основными типами данных;

4. выделять кластеры произвольной формы;

5. обладать пониженной чувствительностью к выбросам и откло­нениям в выборке данных;

6. обладать приемлемым временем работы с большими объемами данных;

7. исключать неопределенность при распределении объектов по кластерам;

8. обладать средней степенью вычислительной сложности;

9. иметь настраиваемые параметры пуска для адаптации методи­ки к особенностям предметной области.

После анализа существующих методик и алгоритмов для ре­шения поставленной задачи оценки целесообразности интеграции предприятия в кластер из инструментов выполнения класте­ризации были выбраны: теория графов и нечеткая логика.

Определяющими в выбранной комбинации были способ­ность при использовании графов выделять кластеры произвольной формы и оптимальной структуры при использовании математиче­ского аппарата нечеткой логики. При разработке подхода адаптивной кластеризации за основу взяты принципы, используе­мые в алгоритмах MST [198] и Fuzzy C-means.

Двухэтапность выполнения кластеризации предприятий и использование последующей оценочной экспертной функции позволяет повысить качество про­водимой кластеризации.

Основное ее от­личие от базовых состоит в дополнении модели механизмом корректировки ре­зультатов кластеризации предприятий, возможностью использовать нечисловые переменные, а также использование категории «оптимальности» при формиро­вании кластера.

Обоснованность использования элементов теории нечетких множеств со­стоит в следующем:

1. экономические данные изначально содержат в себе элемент нечеткости;

2. представление решения в нечетком виде позволяет осуществить даль­нейшее углубление анализа;

3. в условиях имеющейся ограниченной и нечеткой информации некор­ректно представлять решение в «четком» виде, т.к. нечеткость изначально при­суща предметной области;

4. нечеткость решения позволяет нам обоснованно использовать «нечи­словые» характеристики объекта, представленные с помощью лингвистических переменных, что позволяет повысить «прозрачность» критериев, на основании которых осуществляется кластеризация контрагентов [43].

Основу методики составляет иерархический алгоритм нечеткой кластеризации предприятий, представленный на рис. 2.10.

Иерархический алгоритм кластеризации строит не одно разбиение выборки предприятий на непересекающиеся классы, а систему вложенных разбиений (кластеры). Результат представляется в виде таксономического дерева  дендрограммы. Представленный алгоритм является агломеративным (восходящим), в котором предприятия объединяются во все более и более крупные кластеры [40].

Сначала каждый объект считается отдельным кластером. Для одноэлементных кластеров естественным образом определяется функция расстояния:

R({x}, {x′}) = ρ(x, x′). (2.11)

Затем запускается процесс слияний. На каждой итерации вместо пары самых близких кластеров U и V образуется новый кластер W = UUV. Расстояние от нового кластера W до любого другого кластера S вычисляется по расстояниям R(U,V), R(U,S) и R(V,S), которые к этому моменту уже должны быть известны:

R(U UV,S)=αUR(U,S)+αvR(V,S)+βR(U,V)+γ|R(U, S)−R(V, S)| ,(2.12)

где αu, αv, β, γ – количественные и качественные параметры. Эта универсальная формула обобщает большинство способов определения расстояний между предприятиями кластера.

Рис. 2.10. Иерархический алгоритм нечеткой кластеризации предприятий

В общем виде постановка и решение задачи выглядит следующим образом:

1. Инициализировать множество кластеров C1: t := 1; Ct = {{x1}, . . . , {xℓ}};

2. Для всех t = 2, . . . , ℓ (t - номер итерации):

3. Найти в C_t−1 два ближайших кластера: (U,V) := argmin R(U,V), где U≠V;

Rt:= R(U,V);

4. Изъять кластеры U и V, добавить слитый кластер W = UUV:

Ct :=C_t−1U{W}\{U,V};

5. Для всех S € Ct

6. Вычислить расстояние R(W,S) по формуле Ланса-Уильямса.

На практике используются следующие способы вычисления расстояний R(W, S) между кластерами W и S. Для каждого из них доказано соответствие формуле Ланса-Вильямса при определённых сочетаниях параметров [108]:

1. Расстояние ближнего соседа:

R^б (W,S) = min ρ(w,s); αu = αv = ½, β = 0, γ = - ½, wÎW, sÎS. (2.13)

2. Расстояние дальнего соседа:

R^д (W,S) = max ρ(w,s); αu = αv = ½, β = 0, γ = ½, wÎW, sÎS. (2.14)

3. Среднее расстояние:

R^с (W,S) = 1   ρ(w,s) αu = │u│; αv = │v│ , β = γ =0, (2.15)

│w││s│wÎW sÎS. │w│ │w│

4. Расстояние между центрами:

R ^ц (W,S) = p²   ,  s αu=│u│; αv = │v│, β = -αuαv, γ = 0, wÎW│w│ sÎS │s│ │w│ │w│

Обозначим через Rt расстояние между ближайшими кластерами, выбранными на t-м шаге для слияния. Функция расстояния R обладает свойством монотонности, если при каждом слиянии расстояние между объединяемыми кластерами только увеличивается: R2 6 R3 6 . . . 6 Rℓ [40].

Свойство монотонности позволяет изобразить процесс кластеризации в виде специального графика, называемого дендрограммой. По вертикальной оси откладываются объекты, по горизонтальной  расстояния Rt. Можно доказать, что если кластеризация обладает свойством монотонности, то дендрограмму можно построить так, чтобы она не имела самопересечений. При этом любой кластер из множества Ct представляется сплошной последовательностью точек на вертикальной оси [40] .

Если же процесс кластеризации идет не монотонно, то построение дендрограммы представляется нецелесообразным.

Дендрограмма позволяет представить кластерную структуру в виде плоского графика независимо от того, какова размерность исходного пространства. Существуют и другие способы визуализации многомерных данных, такие как многомерное шкалирование или карты Кохонена, но они привносят в картину искусственные искажения, влияние которых довольно трудно оценить [40].

Если выполняются следующие три условия, то кластеризация является монотонной (теорема Миллиган, 1979 г.):

1) αu > 0, αv > 0;

2) αu + αv + β > 1;

3) min{αu, αv } + γ > 0.

Из перечисленных выше расстояний только R^ц не является монотонным. Расстояние Уорда отличается от него мультипликативной поправкой, которая и делает его монотонным [40].

Для примера нечеткой кластеризации выбраны предприятия кластера химической и нефтегазовой промышленности Воронежской области.

В процессе апробации методики некоторые расстояния обладали свойством растяжения. По мере того, как кластер растет, расстояния от него до других кластеров увеличиваются, как будто пространство вокруг кластера растягивается. Свойство растяжения считается желательным, так как оно способствует более четкому отделению кластеров (например, кластер №1 «НПО «Полюс – ООО «Автолитмаш» и кластер №2 «ООО «РНГС – ООО «ПК «КНГ» - ООО «ГМЗ»).

С другой стороны, при слишком сильном растяжении возможно найти кластеры там, где их изначально не было (слияние кластеров №1 и №2).

Растягивающими являются расстояния Rд и Rу. Некоторые расстояния, наоборот, обладают свойством сжатия. По мере роста кластера расстояния от него до других кластеров уменьшается, и кажется, что пространство вокруг кластера сжимается. Естественная кластеризация при этом размазывается. Расстояние ближнего соседа Rб является сильно сжимающим [40].

В методике использовано гибкое расстояние, которое представляет собой компромисс между методами ближнего соседа, дальнего соседа и среднего расстояния. Оно определяется одним параметром β вместо четырёх:

αU = αV = (1 − β)/2, γ = 0, β < 1.

Гибкое расстояние является сжимающим при β > 0 и растягивающим при β < 0. Стандартная рекомендация: β = −0,25 [162].

В целом определение числа кластеров было произведено путем ориентации на финальный участок дендрограммы (рис. 2.11).

На горизонтальной оси находится интервал максимальной длины |Rt+1−Rt|, и в качестве результирующей кластеризации выдаётся множество кластеров Ct. Число кластеров равно K = ℓ − t + 1.

При необходимости можно задать ограничение на минимальное и максимальное число кластеров K_о ≤ K ≤ K₁ и выбирать t, удовлетворяющие ограничениям ℓ − K₁ + 1 ≤ t ≤ ℓ − K₀ + 1 [40].

Рекомендуемые критерии кластеризации предприятий для адаптивной модели нечеткой кластеризации представлены в табл. 2.11.

Критерии кластеризации предприятий могут быть изменены и дополнены при применении модели нечеткой кластеризации с учетом специфики каждого конкретного предприятия.

Таблица 2.11

Критерии кластеризации предприятий кластера химической и нефтегазовой промышленности Воронежской области

Наименование критерия кластеризации		Обоснование критерия кластеризации
1		2
Параметры производственной деятельности и специализации предприятия
Вид выпускаемой продукции;		Позволяют идентифицировать общность выпускаемой продукции, определить предпосылки для вертикальной,
Коэффициент специализации предприятия;		горизонтальной или диагональной интеграции
Производительность труда персонала		Позволяют определить возможность синхронизации производственных циклов на предприятиях; определить резервы и потенциал повышения конкурентоспособности производственных и технологических сфер резидентов кластера
Степень автоматизации труда персонала
Период обновления производственных технологий
Параметры финансовой деятельности
Группа показателей ликвидности;		Позволяют исключить из цепочки создания стоимости в рамках кластера потенциально неблагонадежные предприятия в части финансового потенциала; компании, находящиеся в предбанкротном состоянии.
Группа показателей финансовой устойчивости;
Группа показателей рентабельности;
Параметры рыночной деятельности и активности
Доля инновационной продукции в общем объеме выпуска,		Позволяют определить инновационную активность предприятия, установить возможность ее включения в процессы производства наукоемкой и инновационной продукции
Объем реализации продукции	Позволяют согласовать объемы и сроки поставок продукции между резидентами кластера
Доля занимаемого рынка	Позволяют определить рыночные перспективы предприятия, установить возможность достижения эффекта монополии при интеграции группы предприятий
Период обновления ассортимента выпускаемой продукции;	Позволяют синхронизировать обновление ассортимента и номенклатуры выпускаемой кластером продукции
Принадлежность к административно-территориальной единице	Позволяет установить возможность географической локализации предприятий кластера
Параметры управления предприятием в кластере
Вид генеральной стратегии предприятия;	Позволяет определить совместимость миссий, целей, задач и направлений развития предприятий в рамках кластера

Продолжение табл. 2.11

1	2
Интегративность, гибкость, адаптивность бизнес-процессов	Позволяет определить потенциальную совместимость бизнес-процессов предприятий при интеграции в кластер
Качество управления предприятием	Позволяет определить возможность трансферта знаний, навыков, умений по управлению бизнес-процессами в кластере; распространения положительного опыта.
Тип организационной структуры предприятия	Дает общее представление о структуре и подходах управления на предприятиях

Оценка результатов кластеризации предприятий кластера химической и нефтегазовой промышленности Воронежской области с применением адаптивной модели нечеткой кластеризации позволяет сделать следующие выводы:

1) подмножество «нечеткие кластеры» представляет собой группы предприятий, не имеющие высокой интегративной совместимости (ООО «Автолитмаш», ООО «РНГС»). Характеризуется низким потенциалом установления экономических связей, слабой совместимостью выпускаемой продукции и применяемых технологий. Целесообразность интеграции предприятия в подобный кластер считается невысокой. Предприятия могут выступить в качестве поставщиков для предприятия-ядра (ЗАО «Гидрогаз»);

2) подмножество «ленточные кластеры» представляет собой предприятия, которые потенциально могут быть успешно кластеризованы (ООО «РГНС», ООО «ПК «КНГ», ООО «ГМЗ» и ООО «Автолитмаш» и НПО «Полюс»). Кластер не имеет четкого ядра крупных предприятий, вокруг которых выстраивается генеральный производственный процесс резидентов. Множество «ленточные кластеры» указывает на потенциал горизонтальной интеграции предприятия в кластер.

3) подмножество «ядерные кластеры» относится к категории потенциально эффективных мезосистем (ООО «ГМЗ» и ЗАО «Гидрогаз»). Указывают на группу предприятий, способных стать ядром кластера. Говорят о высоком потенциале вертикальной и горизонтальной интеграции с менее крупными предприятиями.

4) подмножество «пересекающиеся кластеры» - все рассматриваемые предприятия: ООО «РНГС», ООО «ПК «КНГ», ООО «ГМЗ», ЗАО «Гидрогаз», ООО «Автолитмаш», НПО «Полюс». При попадании организации в группу пересекающихся кластеров, может быть сделан промежуточный вывод о высокой интегративной совместимости предприятий. Интеграция предприятия в кластер может осуществляться как по линии горизонтальной, так и по линии вертикальной кооперации. Интеграция предприятия возможна в несколько кластеров сразу, в случае их раздельного образования.

5) на основе визуализации результатов нечеткой кластеризации предприятий можно сделать вывод о том, что вся группа рассматриваемых предприятий потенциально может быть успешно кластризована. Кластеризация предприятий представляется целесообразной в формирования и реализации стратегий развития предприятий.