Статья опубликована в рамках: XXV Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 07 августа 2019 г.)
Наука: Экономика
Секция: Проблемы макроэкономики
Скачать книгу(-и): Сборник статей конференции
дипломов
КЛАСТЕРНЫЙ АНАЛИЗ ЕВРОПЕЙСКИХ СТРАН ПО УРОВНЮ ВЕДЕНИЯ БИЗНЕСА
Задачей данного исследования является разделение стран Европы на группы по комфортности ведения бизнеса, а также выявления кластера стран, где наиболее благоприятные условия ведения бизнеса. Для проведения кластерного анализа были выбраны 4 показателя из раздела «бизнес» для стран Европы: Business Confidence (деловая уверенность), Capacity Utilization (загрузка производственных мощностей), Competitiveness Index (индекс конкурентоспособности), Corruption Index (индекс коррупции). Все показатели для разных стран представлены в одной единице измерения: загрузка производственных мощностей в %, остальные показатели в баллах [1]. Часть стран исключена из выборки в связи с пропущенными значениями показателей. Для решения данной задачи будут использоваться 2 метода: иерархический кластерный анализ и k-means.
Для начала применим иерархический кластерный анализ. Рассмотрим дендрограмму (рис. 1). Из дендрограммы можно предположить, что оптимальное число кластеров равно 4, выделим их цветом. Предположим, что Россия является не аномальным значением, а входит в один кластер с Грецией, Турицей, Эстонией и т.д.
Рассмотрим результаты и средние показатели по кластерам методом иерархического кластерного анализа (табл. 1).
Рисунок 1. Дендрограмма Европейских стран с выделением кластеров
Таблица 1.
Средние показатели по кластерам
|
Business Confidence |
Capacity Utilization |
Competitiveness Index |
Corruption Index |
Кластер 1 |
-2.657143 |
82.271429 |
79.480000 |
81.428571 |
Кластер 2 |
3.777778 |
80.123333 |
67.712222 |
55.333333 |
Кластер 3 |
84.95000 |
73.25000 |
66.59833 |
48.83333 |
Кластер 4 |
99.900 |
85.218 |
80.346 |
80.600 |
Первая группа характеризуется самой низкой деловой уверенностью и прогнозами деловой активности. Связано это с тем, что в данную группу входит Великобритания и в связи с предстоящим выходом из ЕС индекс деловой уверенности упал до -23. В остальных странах группы данный индекс около 0. Также данная группа характеризуется высокой загрузкой производственных мощностей (2 место), высоким уровнем конкурентоспособности бизнеса (также 2 место) и наименьшей коррупцией (чем выше индекс коррупции, тем меньше оценочная коррупция в стране). В данный кластер входят страны Западной Европы: Великобритания, Бельгия, Нидерланды, а также Австрия и страны Скандинавии: Норвегия, Дания и Финляндия.
Второй кластер включает преимущественно страны Восточной Европы: Словакия, Словения, Болгария, Литва, Латвия и т.д., а также Испанию (переживающую кризис) и Португалию. Данная группа стран занимает 3-е место по всем четырем рассматриваемым показателям. Из особенностей это низкая деловая уверенность и высокий уровень коррупции.
Третий кластер характеризуется наименьшей загрузкой производственных мощностей, наименьшим уровнем конкурентоспособности, а также наибольшей коррупцией. Однако в данный странах относительно высокая деловая уверенность и позитивные прогнозы деловой активности. В эту группу стран входят Россия, Эстония, Греция (переживающая кризис), Турция, Италия и Мальта.
В четвертый кластер входят наиболее экономически развитые страны ЕС: Швейцария, Германия, Люксембург (имеющий наибольший в мире ВВП на душу населения по данным ОЭСР), Швеция и Франция. Группа данных стран лидирует по показателям деловой уверенности, загрузке производственных мощностей и индексу конкурентоспособности, и занимает 2 место среди стран с наименьшей коррупцией. Именно данный кластер стран является наиболее благоприятным для ведения бизнеса.
Далее проведем анализ методом k-means.
Рисунок 2. Определение количества кластеров
Исходя из данного графика можно сделать предположение, что правильное количество кластеров равно либо 2, либо 4. Остановимся на четырех кластерах, как и в предыдущем случае и сравним результаты.
Таблица 2.
Средние показатели по кластерам методом k-means
|
Business Confidence |
Capacity Utilization |
Competitiveness Index |
Corruption Index |
Кластер 1 |
-2.66 |
82.27 |
79.48 |
81.43 |
Кластер 2 |
3.20 |
78.41 |
67.50 |
52.60 |
Кластер 3 |
102.52 |
75.32 |
65.81 |
48.00 |
Кластер 4 |
100.18 |
83.55 |
78.75 |
79.33 |
В кластер 1 все также входят те же самые страны, что и в предыдущем методе (Великобритания, Нидерланды и т.д.). Однако теперь данная группа стран характеризуется наивысшим средним индексом конкурентоспособности и наименьшим средним уровнем коррупции среди всех кластеров.
В кластер 2 также входят страны Восточной Европы, а также Испания и Португалия. Но теперь к данной группе присоединилась Россия. Теперь именно данный кластер имеет в среднем наивысший уровень коррупции.
Третий кластер лишился России и Эстонии и теперь в нем остались лишь Греция, Италия, Мальта и Турция. Данная группа теперь характеризуется наивысшим средним уровнем деловой уверенности.
К странам четвертого кластера (Швейцария, Люксембург, Германия и т.д.) присоединилась Эстония. В данном случае данная группа стран имеет в среднем наивысшую загрузку производственных мощностей, а по остальным показателям занимает 2 место.
Исходя из рисунка 3 видим графически четкое разделение нашей выборки на 4 кластера. Результаты иерархического кластерного анализа и анализа методом k-means имеют отличия, но совсем небольшие.
Рисунок 3. Многомерное шкалирование
В итоге, проведя кластерный анализ можем сделать вывод, что наиболее благоприятными странами на основы выбранных показателей являются страны Западной Европы и Скандинавии (1 и 2 кластеры – Швеция, Швейцария, Великобритания, Франция, Германия и т.д.), а наименее благоприятными для ведения бизнеса являются страны Восточной Европы.
Список литературы:
- Официальный сайт всемирной торговли [Электронный ресурс]. – Режим доступа: tradingeconomics.com (дата обращения: 26.07.2019)
- Dhanachandra N., Manglem K., Chanu Y. J. Image segmentation using K-means clustering algorithm and subtractive clustering algorithm //Procedia Computer Science. – 2015. – Т. 54. – С. 764-771.
- Вертакова Ю. В., Положенцева Ю. С. Алгоритм кластеризации регионального экономического пространства //Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2016. – №. 1 (235).
дипломов
Оставить комментарий