Диссертация (1152740), страница 24
Текст из файла (страница 24)
«Благодаря наиболееэффективной комбинации факторов производства, доступу к информации,быстрому реагированию на изменяющиеся потребности покупателей, наличиюинформации о новых методиках, технологиях, возможностях осуществленияпоставок или экспериментирования с меньшими издержками, - кластер обладаетдостаточнобольшойустойчивостьюкриску,которыенеподсилуизолированному предприятию»218.Выводы, представленные в работе, позволили спрогнозировать сценарииразвития кластеров в долгосрочной перспективе, что позволит заинтересованнымсторонам в развитии кластеров выстроить взаимоотношения с учетом выявленныхрисков и прогнозов развития, а также синхронизировать и обновить мероприятияпо развития кластеров с государственными программами развития.Результатыанализа,понашемумнению,могутспособствоватьформированию комплексной платформы для разработки стратегий, прогнозныхи плановых программ среднесрочного и долгосрочного характера.218Chiesa V.
Industrial Clusters in Biotechnology : Driving Forces, Development Processes and Management Practices.NJ, USA : World Scientific Publishing Company, 2005. – 225 р.1223.2 Кластерный потенциал России от географического положения на основепостроения самоорганизующихся карт признаковИсследование построено на анализе промышленных предприятий Россиис помощью метода самоорганизующихся карт признаков.
В настоящее времяимеется успешный опыт применения инструментов нейросетевого анализа дляпостроения типологии регионов и выявлении регионов нового освоенияв научных исследованиях отечественных ученых219,220, что послужило основойк дальнейшим исследованиям автора.В работе применяется алгоритм построения самоорганизующихся картпризнаков Т. Кохонена с целью определения предприятий, которые потенциальномогут войти в кластер и экономического эффекта от их присутствия. Данныйанализ будет также полезен с целью прогнозирования перспектив развитияи расширения географического присутствия кластеров по регионам России.Суть анализа заключается в построении классификации промышленныхпредприятий, потенциальных участников кластеров.
Для анализа выделеныиз всей совокупности предприятия, отличающиеся по комплексу объективныхусловий функционирования. Далее образованные группы предприятий, сходныепорезультатамдеятельностиразделенынагруппыдляпоследующегоих сравнения. Таким образом, использование кластерного анализа как методамногомерной статистической группировки при исследовании предприятийпозволил построить карту, на которой близким объектам в многомерномпространстве отвечают рядом стоящие точки (их образы) на карте. В итогеанализируемые в совокупности многомерные объекты получили наглядный видна самоорганизующийся карте признаков Т. Кохонена.Кутьин В.
К. Применение нейросетевых моделей в маркетинге на примере самоорганизующихся карт Кохонена[Электронный ресурс].220Полякова А. Г. Модернизация экономики регионов нового освоения : дис. ... д-ра экон. наук : 08.00.05 /Полякова Александра Григорьевна. – СПб., 2012. – 372 с.219123В качестве эмпирической базы используется рейтинг крупнейших компанийРоссии по объему реализации продукции агентства «Эксперт РА»221.Для определения уровня промышленного потенциала регионов Россиииз Рейтинга отобраны только промышленные предприятия, в соответствиис ОКВЭД основного вида деятельности, это связано со спецификой отраслейторговли, связи, транспорта, банков и т.
д. Из выборки исключены предприятия,вошедшие в состав 27 ИТК, а также мировые лидеры производства, такие какПАО «Газпром», ПАО «Лукойл», ПАО «Сибур Холдинг» и др. в силу искажениярезультатов исследования. Полный список предприятий, отобранных для целейданного исследования, представлен в Приложении Е.Методическое решение составлено путем построения самоорганизующихсякарт признаков Т. Кохонена.
Технологическая реализация осуществлялась на базеаналитическойплатформыDeductor222ивыполняласьнаосновеавтоматизированной обработки данных.Исследование построено на анализе 200 промышленных предприятийв 42 регионах России. Для построения карты Т. Кохонена использовалисьследующие расчетные показатели: объем реализации продукции в 2016 г., темпприроста объема реализации продукции в 2016 г.
по сравнению с 2015 г.,рентабельность реализации продукции и производительность труда за 2016 г.Показателитемпаприроста,рентабельностиреализациипродукциии производительности труда являются относительными показателями, и даюткачественнуюоценкуситуации,вт. ч.учитываютдинамикуразвитияпромышленных предприятий. Показатель объема реализации продукции –абсолютный и призван распределить 200 предприятий выборки в зависимостиот схожести параметров предприятий (расстояния предприятий до центракластера, плотности попадания и т.д.).Врезультатеприменениятехнологиисамоорганизующихсякарт200 промышленных предприятий России были преобразованы в двумерное221222Рейтинг крупнейших компаний России по объему реализации продукции [Электронный ресурс] // Эксперт РА.Аналитическая платформа Deductor www.basegrouplabs.ru124пространство, которое карта распределила на 5 групп потенциальных кластеров(Рисунок 24).
Алгоритм распределения предприятий по кластерам представленв Приложении Е.КластерыОбъем реализации в 2016 г.Кластер 5Кластер 5Кластер 3Кластер 3Кластер 2Кластер 1Кластер 4Матрица плотности попаданияКластер 2Кластер 1Матрица расстоянийКластер 5Кластер 5Кластер 3Кластер 2Кластер 1Кластер 4Кластер 4Кластер 3Кластер 2Кластер 1Кластер 4. Каждой ячейке соответствует одно из 200 анализируемых предприятийКластер 1 с минимальным по группе объемом реализации за 2016 г.Кластер 4 с максимальным по группе объемом реализации за 2016 г.Цветная раскраска в зависимости от схожести параметров предприятийРисунок 24 – Распределение 200 промышленных предприятий Россиина карте Т. КохоненаИсточник: составлено автором на аналитической платформе Deductor www.basegrouplabs.ruОбразованные группы кластеров распределились на карте следующимобразом: Кластер 4 с максимальным объемом реализации продукции (4,7 трлнруб.), Кластер 1 – с минимальным (0,5 трлн руб.).
На картах, представленныхна рисунке 24, предприятия распределены в зависимости от схожести параметровпредприятий. Ячейки карты раскрашиваются в разные цвета в зависимостиот схожести данных параметров. Распределение анализируемых показателейна топографической карте представлено в Приложении Ж.На рисунке 25 представлено распределения групп кластеров в 4-х мерномпространстве, из которого следует, что наибольшая доля предприятий (83%)из 200 анализируемых, располагаются в относительной близости друг от другаи сконцентрированы на пространственной территории групп кластеров 2 (75предприятий выборки), 5 (49 предприятий) и 3 (47 предприятий).125Z424140393837363534333231302928272625242322212019181716151413121110987654321XYКластер11234567891011Амурская областьАрхангельская областьБелгородская областьВладимирская областьВолгоградская областьВологодская областьВоронежская областьЗабайкальский крайИркутская областьКалининградская областьКалужская областьКластер 21213141516171819202122Кластер 3Кемеровская областьКраснодарский крайКрасноярский крайКурганская областьЛенинградская областьЛипецкая областьМоскваМосковская областьНижегородская областьНовгородская областьНовосибирская областьКластер 42324252627282930313233Кластер 5Омская областьПермский крайПриморский крайРеспублика БашкортостанРеспублика КомиРеспублика Марий ЭлРеспублика Саха (Якутия)Республика ТатарстанРостовская областьСамарская областьСанкт-Петербург343536373839404142Сахалинская областьСвердловская областьСтавропольский крайТомская областьТульская областьТюменская областьУдмуртская РеспубликаЧелябинская областьЯрославская областьРисунок 25 – Распределение 200 промышленных предприятий Россиипо регионам в 4-х мерном пространствеИсточник: составлено автором на аналитической платформе Deductor www.basegrouplabs.ruСреди регионов лидерами по объему реализованной продукции за 2016 г.стали Москва (с объемом 3,7 трлн руб.), Санкт-Петербург (1,5 трлн руб.)и Челябинская область (0,8 трлн руб.).
Данный анализ позволил выявить регионыс наибольшим экономическим потенциалом и определить территории выгодногоскопления предприятий, объединив 200 промышленных предприятий Россиив потенциальные кластеры.Таким образом, распределив предприятия по объему реализованнойпродукции на кластеры, проведен анализ степени их воздействия на регионыРоссии.
С этой целью использованы показатели темпа прироста, рентабельности126реализации продукции и производительности труда к образованным группамкластеров.Витогеподаннымпоказателямпостроенычетырекарты200 промышленных предприятий России (Рисунок 26).Объем реализации в 2016 г.Темп прироста (%)Кластер 5Кластер 5Кластер 3Кластер 3Кластер 2Кластер 4Кластер 1Рентабельность реализации продукцииКластер 2Кластер 1Кластер 4Производительность трудаКластер 5Кластер 5Кластер 3Кластер 2Кластер 1Кластер 3Кластер 4Кластер 2Кластер 1Кластер 4Кластер 2Максимальные показателиМинимальные показателиРисунок 26 – Результаты кластерного анализа 200 промышленныхпредприятий по степени их влияния на регионы РоссииИсточник: составлено автором на аналитической платформе Deductor www.basegrouplabs.ruНа основе представленных показателей рассчитаны значения по пятигруппам потенциальных кластеров, полученным в ходе анализа (Таблица 33).Таблица 33 – Обзор пяти групп потенциальных кластеров РоссииПоказательКластер 1 Кластер 2 Кластер 3 Кластер 4 Кластер 5ИтогоОбъем реализации в 2016 г.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
