ОЦЕНКА КОНКУРЕНТОСПОСОБНОСТИ ПРЕДПРИЯТИЯ ПАО «СИНАРСКИЙ ТРУБНЫЙ ЗАВОД» НА РЫНКЕ ТРУБ НА ОСНОВЕ КЛАСТЕРНОГО АНАЛИЗА

АННОТАЦИЯ

Основной целью кластерного анализа является создание классификаций существующих факторов и определения степени их влияния, характеризующих конкурентоспособность и степень взаимодействия с поставщиками и потребителями с целью принятия набора стратегических действий для достижения целевой позиции. Значения факторов внутренней и внешней среды предприятия для такого анализа могут быть определены как признаки, значения которых способны принимать любые значения в некотором диапазоне. Выполняя кластерный анализ по основным конкурентам ПАО «Синарский трубный завод» (далее ПАО «СинТЗ»), исследователь располагает лишь информацией о характеристиках для предприятий, позволяющей судить об их сходстве/различии.

Варианты кластерного анализа - это множество простых вычислительных процедур, используемых для классификации предприятий трубной отрасли. Классификация объектов - это группирование их в классы так, чтобы объекты в каждом классе были более похожи друг на друга, чем на объекты из других классов. Более точно, кластерный анализ - это процедура упорядочивания объектов в сравнительно однородные классы на основе попарного сравнения этих объектов по предварительно определенным и измеренным критериям. На базе основных показателей финансовой деятельности проведено разделение предприятий-конкурентов на кластеры с целью оценки конкурентных преимуществ ПАО «СинТЗ».

Ключевые слова: кластерный анализ, сегментирование рынка, кластеризация, евклидово расстояние, геометрическое расстояние, многомерное пространство, матрица расстояний, дендограмма, дисперсионный анализ.

Проведем кластерный анализ предприятий-конкурентов трубной отрасли (ПАО «СинТЗ», ПАО «ЧТЗ», АО «ВМЗ», ПАО «ВТЗ», ПАО «Тагмет») с помощью прикладной лицензированной программы STATISTICA. Кластерный анализ — это комплексная статистическая процедура, которая упорядочивает объекты исследования в сравнительно однородные группы – кластеры, на основании информации о выборке объектов. [1] В таблице 1 приведены данные, на основании которых будет проведен кластерный анализ.

Таблица 1.

Исходные данные для проведения кластерного анализа

Близость показателей между разнородными объектами – это первый критерий, позволяющий делать сравнение между предприятиями с целью их дальнейшей кластеризации. В данной работе за основу определения близости между объектами было взято Евклидово расстояние. Формула для расчета матрицы расстояний приведена далее.

где,    и  – это показатели двух разных объектов выборки

По своей сути формула, приведенная для расчета Евклидова расстояния, представляет собой геометрическое расстояние для разных объектов в многомерном пространстве. [4, с.71] Результаты проведенного расчета матрицы расстояний по представленной формуле приведены в таблице 2.

Таблица 2.

Матрица расстояний

Интерпретация результатов матрицы расстояний базируется на основе простого геометрического расстояния, но только в многомерном пространстве. Многомерное пространство представляет собой совокупность всех представленных в таблице 1 критериев. Умозаключения по таблице 2 делаются на основании сравнения величины расстояния между объектами исследования. Если сравнивается объект сам с собой же, то программа в качестве Евклидова расстояния приводит величину, равную нулю. Нуль обусловлен абсолютной идентичностью показателей одного и того же объекта.

Если показатели выборки по двум объектам разнятся, то евклидово расстояние приобретает отличную от нуля величину. Чем больше разница между сравниваемыми объектами, тем большим будет евклидово расстояние. [3]

ПАО «Синарский трубный завод» по результатам расчета Евклидова расстояния имеет наибольшую близость по многомерному расстоянию с двумя предприятиями:

1.  ПАО «ВТЗ» - многомерное расстояние 3,32.

2. ПАО «ЧТЗ» - многомерное расстояние 3,71.

По результатам проведенного расчета Евклидова расстояния объект исследования имеет наиболее выраженные различия со следующими предприятиями:

1. АО «ВМЗ» - многомерное расстояние 4,68.

2. ПАО «Тагмет» - многомерное расстояние 5,59.

Наглядно проиллюстрировать полученные результаты можно с помощью метода иерархического анализа в программе STATISTICA –вертикальной дендрограммы. Этот метод оптимально подходит для кластеризации небольшого набора данных, что в данной работе равно пяти предприятиям.

Кластеризация в соответствии с методом построения вертикальной дендрограммы осуществляется программой поэтапно до полного объединения всех объектов наблюдений в один кластер. Кластеры вертикальной дендрограммы представлены в виде вертикальных линий. Представленный далее рисунок 1 – это дендрограмма распределения кластеров.

Рисунок 1. Дендрограмма

Каждый объект на первом шаге STATISTICA расценивает как отдельный кластер – шесть вертикальных линий на первом уровне. На втором уровне произошло объединение ПАО «Синарский трубный завод» и ПАО «ВТЗ» в один кластер. Это подтверждает и наглядно иллюстрирует вывод, сделанный по результатам расчета Евклидова расстояния, о том, что эти предприятия наиболее близки по многомерному показателю.

Третий уровень дендрограммы – это вхождение в кластер к двум ранее указанным предприятиям еще и ПАО «ЧТЗ». Расстояние между уровнями объединения несильно большое. Это позволяет сделать вывод по поводу ПАО «ЧТЗ» о том, что это предприятие не слишком сильно отличается по своему многомерному расстоянию от ПАО «СинТЗ» и ПАО «ВТЗ».

Четвертый и пятый уровень – это объединение АО «ВМЗ» и ПАО «Тагмет». Расстояние между уровнями объединения значительно, поэтому эти предприятия отличаются от первых трех по многомерному показателю.

Выводы в виде общей схемы объединения можно наглядно представить в виде таблицы 3.

Таблица 3.

Общая схема объединения

Обобщенная схема объединения была составлена с помощью метода одиночной связи, в соответствии с которым рассчитывается расстояние между ближайшими объектами классов. Наименьшее расстояние между такими объектами, как ПАО «СинТЗ» и ПАО «ВТЗ», которые были включены в первый кластер. Между вторым и первым классом расстояние составило 0,393 единиц в многомерном пространстве. Значит ПАО «ЧТЗ» отличается от объектов в первом классе и это предприятие нецелесообразно рассматривать как входящее в кластер.

Расстояние между третьим и вторым уровнем 0,965, что значительно превышает расстояние между двумя первыми классами объединения. Значит АО «ВМЗ» нельзя рассматривать в дальнейшем, как родственный элемент кластера. Аналогичное умозаключение касается и ПАО «Тагмет», которое вошло в четвертый класс объединения. Кластеризация методом k-средних – это следующий этап кластерного анализа, выполненного в этой работе. Этот метод значительно отличается от иерархических методов классификации, поскольку применяется, когда аналитик имеет представление о количестве необходимых кластеров.

В этой работе целесообразно проводить кластеризацию методом k-средних на основании двух кластеров. В первый кластер по результатам сделанных выводов включены ПАО «СинТЗ» и ПАО «ВТЗ»

Во второй кластер по результатам иерархических методов анализа были включены те предприятия, где евклидово расстояние между ними и первым кластером наибольшее. Но Евклидово расстояние между самими объектами кластера менее длинное и составляет ,82 единиц в многомерном пространстве. Этими предприятиями являются ПАО «ЧТЗ», АО «ВМЗ» и ПАО «Тагмет»

Дисперсионный анализ – это анализ в структуре методов k-средних в программе STATISTICA, позволяющий рассчитать межгрупповую и внутригрупповую дисперсию. [7] Результаты дисперсионного анализа приведены в таблице 4.

         Таблица 4.

Дисперсионный анализ

Наибольшая дисперсия наблюдается между тремя объектами исследования и остальной группой, которыми являются АО «ВМЗ» - дисперсия равна 8,91, а также ПАО «ВТЗ» и ПАО «Тагмет» - дисперсия 2,39 и 1,26. Остальные предприятия имеют в целом дисперсию ниже единицы. Однако исходя из данных 3 столбца, где показано, что близкая связь между ПАО «СинТЗ» и ПАО «ВТЗ» равными 3,361 и 3,56 доказывают выводы кластерного анализа, они находятся в одной группе. Наибольшей межгрупповой дисперсией обладает АО «ВМЗ» равной 8,91. Это объясняется самыми низкими издержками на единицу продаж, низкой фондоотдачей и высоким коэффициентом автономии. Однако по результат расчета р – критерия АО «ВМЗ» получено <0,05, что является причиной отклонения гипотезы о незначительности разницы между ВМЗ и прочими предприятиями.

Следовательно, полученная модель на основании дендограммы является не достаточно идеальной поскольку АО «ВМЗ» был отнесен в кластер уже на 3-ем уровне распределения. Следовательно, АО «ВМЗ» и ПАО «Тагмет» являются предприятиями второго кластера, а ПАО «СинТЗ» и ПАО «ВМЗ» первого, при этом возможно включение ПАО «ЧТЗ» в первый кластер, так как многомерный показатель в сравнении с АО «ВМЗ» и ПАО «Тагмет» лежит на оси OY ближе к ПАО «СинТЗ» и ПАО «ВТЗ». Проиллюстрировать полученные результаты и сделанные выводы можно с помощью средних кластерных величин, которые приведены в таблице 5.

Таблица 5.

Средние значения в кластерах

По результатам кластерного анализа дендограмма распределения свидетельствует об объединении ВТЗ и СинТЗ в 1 кластер, что показано в таблице 5. Средние значения в кластерах подтверждают ранее сделанные выводы. Приведенные результаты можно представить в графическом виде на рисунке 2.

Рисунок 2. График средних для каждого кластера

Линия графика, характеризующая средние величины по первому кластеру, показывает, что выше нулевой оси находятся значения средних для ПАО «СинТЗ», ПАО «ВТЗ». Между данными предприятиями отклонения средних величин минимальны, поэтому они входят в один кластер. Рассмотрим таблицу 6, в которой представлены данные о Евклидовых расстояниях меду кластерами.

Таблица 6.

Евклидовы расстояния между кластерами

В матрице Евклидовых расстояний над нулевой диагональю представлены возведенные в квадрат значения расстояний, указанных под диагональю. Между сформированными классами евклидово расстояние равно 0,894. По причине наличия всего лишь двух кластеров интерпретация этого расстояния невозможна, поскольку его целесообразно сравнивать между тремя и более кластерами для оценки их близости. Евклидово расстояние от наблюдаемых переменных до центра кластера, который представляет собой средние величины по всем переменным наблюдений, изображены в виде таблицы 7.

Таблица 7.

Элементы второго кластера и расстояния до центра кластера

На основе вышеизложенного, можно заключить, что наибольшее расстояние до центра кластера демонстрирует производительность труда тыс. руб./чел. Действительно, во второй кластер были включены предприятия АО «ВМЗ» и ПАО «Тагмет», у которых этот показатель ниже показателей предприятий из первого кластера:

1. АО «ВМЗ» - издержки производства ниже в среднем на 25 %

2. ПАО «Тагмет» - издержки производства ниже в среднем на 37 %

В результате проведенного кластерного анализа было доказано и обосновано включение ПАО «СинТЗ», ПАО «ВТЗ», а также в ходе дисперсионного анализа и необходимость включения в первый кластер ПАО «ЧТЗ» для того, чтобы в дальнейшем разработать маркетинговую стратегию повышения конкурентоспособности предприятия ПАО «СинТЗ», позволяющей улучшить финансовые коэффициенты на основании сравнительного анализа показателей основных конкурентов отрасли трубной промышленности.

Список литературы:

1. Сокэл Р.Р. Кластер-анализ и классификация: предпосылки и основные направления. В кн: Классификация и кластер /Под ред. Дж.Вэн Райзина М: Мир, 2014, с. 7-19
2. Королев М.А. Статистический словарь. М.: Финансы и статистика, 2014, 623с.
3. Шипунов А.Б. Основы теории систематики: Учебное пособие. М.: Открытый лицей ВЗМШ, Диалог-МГУ, 2014, 56 с.
4. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 2014, 176с.
5. Гмурман В.Е. Теория вероятностей и математическая статистика: Учебное пособие для вузов. М.: Высшая школа, 2014, 479с.
6. Дюран, Б. Кластерный анализ / Б. Дюран. - М.: ЁЁ Медиа, 2014. - 135 c.
7. Енюков И.С. Факторный, дискриминантный и кластерный анализ. М: Финансы и статистика, 2014, 215 с.
8. Батракова Л.Г. Экономический анализ деятельности коммерческого банка. М: Логос, 2015, 368 с.
9. Ward J.H. Hierarchical grouping to optimize an objective function, J. Amer. Statist. Assoc., Vol. 58, 2014, p. 236-244
10. Ball G.H., Hall D.J. ISODATA, A novel method of data analysis and pattern classification, Stanford Research Institute, Menlo Park, CA, Tech. Rep., 2014, 375 p.