Диссертация (1152740), страница 13

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 13)

Анализ основных показателей развития 27 кластеров к изменениюкаждого из основных параметров его программы на 10, 15 и 20% и результатысопоставлены с общероссийскими значениями. C2. Определение сценариев развития федеральных округов в зависимостиот темпов роста инвестиций в развитие экономики России и кластеры до 2030 г.Анализ включает:- C2.1 Анализ темпов роста инвестиций в целом по Российской Федерациипо сценариям развития: консервативный, инновационный и форсированный,заложеннымвПрогнозесоциально-экономическогоразвитияРоссийскойФедерации на период до 2030 года (%)154;- C2.2 Анализ объемов инвестиций в развитие кластеров по федеральнымокругам присутствия кластеров (млрд руб.);- C2.3 Сопоставлениединамикисоциально-экономическогоразвитияРоссии с запланированными темпами роста деятельности 27 кластеров.Проведенный анализ позволит определить сценарий развития и ожидаемыерезультаты развития кластеров в среднесрочной и долгосрочной перспективах. C3.

Анализрисковсиспользованиемметодаранжированиянасветофорной матрице, которая заполняется на основе авторского подхода,полученного в ходе изучения кластеров и программ их развития. Каждый рискоценивается в баллах по вероятности его возникновения и уровню егоотрицательноговоздействиянакластер.ЗатембаллысуммируютсяЧернова Ж. Б. Отраслевой потенциал кластеров России // Научно-практический журнал «Перспективы науки».

–2016. – № 2 (77). – С. 51.154Прогноз социально-экономического развития Российской Федерации на период до 2030 года : [разработанМинистерством экономического развития Российской Федерации от 08.11.2013]. – С. 51-60.15363и в соответствии с набранными баллами происходит ранжирование рисков. ДалееВероятностьвыстраивается таблица критичности и компенсации каждого риска (Рисунок 10).1-38-1011-1514-184-65-98-1011-151-32-65-98-10НизкаяСредняяВысокая1-34-67-9ВоздействиеРисунок 10 – Светофорная матрица ранжирования рисковИсточник: Терехов В.

Искусство рисковать // Управление компанией. – 2007. – № 11. – C. 64-67. C4. SWOT анализ, с целью создания системы предупреждения рискови мониторинга уровня развития региона. SWOT анализ построен с учетомисследования регионов присутствия кластеров в России, потребителей и целевойаудитории, а также уровня управленческого персонала.

Он показывает, какследует использовать сильные стороны внутренней среды для реализациивозможностей внешней среды. От решения этих задач будет зависеть определениепреимуществ развития кластеров.4. Анализ промышленных предприятий России с помощью методасамоорганизующихся карт признаков по регионам России.

Анализ включает: D1. Анализ 200 промышленных предприятий, отобранных из рейтинга«Эксперт РА». В качестве данных для построения карты Т. Кохонена в работеиспользовались следующие расчетные показатели:- D1.1 Объем реализации продукции в 2016 г. (млн руб.);- D1.2 Темп прироста реализации продукции (%) – темп прироста объемареализации продукции в 2016 г. по сравнению с 2015 г.;- D1.3 Рентабельность реализации продукции (%) – соотношение прибылипосле налогообложения в 2016 г. к объему реализации продукции в 2016 г.;64- D1.4 Производительность труда (млн руб./тыс. чел.) – соотношениесреднесписочного количества работающих (тыс.

чел.) к объему реализациипродукции в 2016 г.В итоге по данным показателям построены четыре карты кластеров200 промышленных предприятий России. Эти карты являются измерениями,из которых строится вся совокупность карт промышленных предприятий России. D2. ПостроениесамоорганизующихсякартпризнаковТ. Кохоненана основе кластерного анализа. Технологическая реализация осуществлялась набазеаналитическойплатформыDeductor155ивыполняласьнаосновеавтоматизированной обработки данных в сценарном режиме.Самоорганизующиеся карты признаков Т. Кохонена «представляют собойнейронные сети и используются для классификации, организации и визуальногопредставления больших объемов данных»156. Под самоорганизующейся картойподразумевается «сложная динамическая система, способная при изменениивнешних или внутренних условий её функционирования и развития сохранять илисовершенствовать свою организацию с учетом прошлого опыта»157.В основе алгоритма построения самоорганизующихся карт признаковТ.

Кохонена заложен следующий порядок последовательных действий: в началеопределяетсябазадляисследования,доступнаядляпреобразованияи кодирования данных (например, данные рейтинга). Затем выбираетсяколичество кластеров – для этого используется совокупность объектов одногокласса, т.е. описанные в одном и том же признаковом пространстве (подпризнаками понимаются показатели изучаемых предприятий). В результатеприменения технологии самоорганизующихся карт, вся база исследуемогообъекта преобразуется в Х-мерное пространство, которое карта распределяетна соответствующее количество кластеров (Рисунок 11 (а)).На базе аналитической платформы deductor построение карты происходитпутем случайного выбора одного из векторов и поиска наиболее похожего наТехнологическая реализация на базе аналитической платформы Deductor www.basegrouplabs.ruКохонен Т.

Анализ финансовых данных с помощью самоорганизующихся карт. М. : «Альпина», 2001. – С. 26.157Философская энциклопедия: в 5-и т. – М. : Советская энциклопедия / под ред. Ф. В. Константинова, 1960–1970.15515665него. В итоге выбирается ядро кластера, – вектор наиболее схожий с векторомвходов.Подсхожестьюподразумеваетсяинтервалмеждувекторами158(Рисунок 11 (б)).(а) Карта Т. Кохонена(б) Подстройка весов нейронапобедителя и его соседейРисунок 11 – Построение карты Т. КохоненаИсточник: Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М. :«Альпина», 2001.

– С. 19.На рисунке 11 б) координаты входного вектора отмечены крестом,координаты узлов карты после модификации отображены серым цветом. Видсетки после преобразования отображен штриховыми линиями.Для расчета показателей векторов используется формула:wi  t  1  wi  t   hci  t    x  t   w  t  ,(12)где t – дискретное время;вектор x(t) – независимый элемент из выборки на итерации t;функция hci(t) – функция смежности нейронов.Функция смежности нейронов «представляет собой невозрастающуюфункцию от времени и расстояния между ядром кластера и соседними нейронами158Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.

: «Альпина», 2001. – С. 19.66в сетке. Эта функция разбивается на две части: функцию расстояния и функциюскорости обучения от времени»159.h  t   h  rc  ri , t   a  t  ,(13)где r – указывает на расположение нейрона в сетке;a(t) – функция скорости обучения сети.В исследовании применяется Гауссова функции для расчета расстояния,которая рассчитывается по формуле:h d , t   ed22 2  t ,(14)Функция скорости обучения сети а(t) представляет собой функцию,убывающую от номера цикла обучения.

Рассчитывается по формуле:a t  A,tB(15)где A и B – константы.В начале обучения выбирается достаточно большое значение скоростии радиуса обучения, позволяющих расположить вектора нейронов в выборке,а затем производится подстройка весов.5. Анализ отраслевого потенциала кластеров и прогнозированиеперспектив их модернизации путем создания «когнитивных кластеров». E1. Построение квадратной матрицы; E2. Применение системы «ромб-квадрат»160; E3. Построение алгоритма формирования «когнитивных кластеров»,образованных в ходе конвергенции технологий и кластерной модернизации.Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.

: «Альпина», 2001. –С. 20-21.160Miller S. P. The Definition and Rendering o Terrain Maps // Computer Graphics.Vol. 20. – 1989. – № 4 (August). –P. 39-48.15967Практическая значимость предложенной методики заключается в том, чтоона учитывает следующие особенности анализа и оценки кластера:- процессы формирования кластеров различаются в зависимости от влиянияэкологических,демографических,культурныхфакторов,различияв геополитическом положении и выбранной схемы реализации процессакластеризации.Поэтому представляется,чтопроцесс созданиякластераисключает возможность применения единого шаблона и требует тщательногоанализа политической, экономической, социальной ситуации в регионе, а такжеразработки стратегий проведения кластерной политики с учетом специфическихособенностей региона161;- при создании кластеров необходимо комбинировать количественныеикачественныеметодыдляполучениякомплексногопредставленияоб экономике региона.

Наиболее точные результаты исследования будутполучены с использованием данных методов одновременно. «При этомколичественные показатели необходимы для выявления формальной структурыкластера, а применение качественных методов позволит на фоне полученныхцифр проанализировать условия»162 создания кластера и определить сильныеислабыесторонывзаимодействия.Потенциальныйвыборсочетаниярассмотренных в данном исследовании методик обусловлен целями конкретногоисследования и возможностью применения выделенных параметров оценкик российским регионам присутствия кластеров. Отметим, что например, Е.

Фезер,Е.М. Бергман,Г. Линдквист163,Т. Маззарол,приоритетнымнаправлениемв идентификации кластеров считали количественные показатели, выявляющиекластеры на основе статистических показателей. В свою очередь, О. Солвелл164,Р. Инь, Ю. Террас и А. Маркусен предлагают для исследования кластеров«использовать качественную информацию, полученную, например, в ходеЧернова Ж. Б. Теоретико-методологический подход к формированию конкурентоспособных кластеров в России// Вестник Российского государственного торгово-экономического университета. – 2014.

– № 11 (90). – С. 83-84.162Там же. – С. 84.163Lindqvist G. Disentangling Clusters. Agglomeration and Proximity Effects. Dissertation for the Degree of Doctor ofPhilosophy. Elanders : Vällingb, 2009. – 308 p.164Solvell O. Innovation clusters in Europe in the 10 new member states of the European Union. Europe INNOVA paper //European Communities. – 2006. – № 1. – 88 p.16168проведенияопросовэкспертовисоставлениягенеалогическогодревакластера»165;- в представленной методике заложена важная, с методической точки зрения,логическая последовательность оценки формирования и развития кластеров,которую можно описать следующим образом: «оценка кластерных программразвития – анализ текущих результатов их реализации – анализ рисков реализациикластернойполитики–определениеперспективразвитиякластеров–определение путей модернизации кластеров»166.

Характеристики

Список файлов диссертации