Кластерный анализ отраслевых рынков (на примере отрасли)

Введение
Актуальность темы исследования. Для выработки грамотных управленческих решений в условиях современного рынка часто требуется понять и оценить положение предприятия на рынке относительно конкурентов. Такая задача является достаточно трудной вследствие весьма ограниченной информированности об участниках рынка, следовательно, требуется такая система оценки, которая позволит предприятию самостоятельно определить свой конкурентный статус. Решение данного вопроса подразумевает разделение совокупности предприятий на группы, участники которых должны обладать схожими условиями хозяйствования и проявлениями переменных, а разных групп - различными. Данный процесс называется кластеризацией, которая является способом классификации объектов по их признакам.
Кластерный анализ рассматривается как метод изучения однородности сложных, на поверхности неочевидно взаимосвязанных объектов. Кластер (от англ. Cluster - гроздь, скопление) при этом понимается как некоторая реально существующая общность данных объектов, обладающих необходимыми и достаточными признаками, например, показаниями и свойствами, нужными для слияния, объединения, кооперации предприятий. Цель применения этого метода - определение однородности изучаемых объектов, если она не может быть установлена другими более простыми методами, анализ и идентификация наблюдаемых однородных объектов, образование ранее неизвестных групп как носителей новых явлений, содержательная интерпретация роли и значения этих групп в преобразовании окружающей социально-экономической действительности. Всё это соответствует поставленной задаче самостоятельного анализа конкурентного положения предприятия.
Рыночные отношения и конкуренция обязывают руководителей четко знать, на каком этапе развит Введение

Актуальность темы исследования. Для выработки грамотных управленческих решений в условиях современного рынка часто требуется понять и оценить положение предприятия на рынке относительно конкурентов. Такая задача является достаточно трудной вследствие весьма ограниченной информированности об участниках рынка, следовательно, требуется такая система оценки, которая позволит предприятию самостоятельно определить свой конкурентный статус. Решение данного вопроса подразумевает разделение совокупности предприятий на группы, участники которых должны обладать схожими условиями хозяйствования и проявлениями переменных, а разных групп - различными. Данный процесс называется кластеризацией, которая является способом классификации объектов по их признакам.
Кластерный анализ рассматривается как метод изучения однородности сложных, на поверхности неочевидно взаимосвязанных объектов. Кластер (от англ. Cluster - гроздь, скопление) при этом понимается как некоторая реально существующая общность данных объектов, обладающих необходимыми и достаточными признаками, например, показаниями и свойствами, нужными для слияния, объединения, кооперации предприятий. Цель применения этого метода - определение однородности изучаемых объектов, если она не может быть установлена другими более простыми методами, анализ и идентификация наблюдаемых однородных объектов, образование ранее неизвестных групп как носителей новых явлений, содержательная интерпретация роли и значения этих групп в преобразовании окружающей социально-экономической действительности. Всё это соответствует поставленной задаче самостоятельного анализа конкурентного положения предприятия.
Рыночные отношения и конкуренция обязывают руководителей четко знать, на каком этапе развития находится предприятие, оценивать конкурентное положение и соответствующие ему возможности в целях выбора возможных направлений для дальнейшего роста и адаптации к динамичным рыночным условиям.
Объектом исследования является отрасль экономики, в нашем случае фармацевтическая. Предмет исследования – структуризация отрасли на основе кластерного подхода.
Цель работы – характеристика выбранной отрасли на основе кластерного подхода.
В соответствии с целью сформулированы задачи работы:
1. Определение понятия и обзор приёмов кластерного анализа;
2. Характеристика приложения кластерного анализа в экономике отрасли;
3. Отбор признаков формирования кластеров при анализе на примере фармацевтического рынка;
4. Характеристика объема и динамики российского фармацевтического рынка;
5. Кластерный анализ российского фармацевтического рынка по видам препаратов;
6. Кластерный анализ российского фармацевтического рынка по его субъектам.
Глава 1.Теоретические основы кластерного анализа в экономике
1.1.Понятие и приёмы кластерного анализа
Кластерный анализ - это метод классификационного анализа; его основное назначение разбиение множества исследуемых объектов и признаков на однородные в некотором смысле группы, или кластеры. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема, т.е. существенно большим может быть, как количество объектов исследования (наблюдений), так и признаков, характеризующих эти объекты.
Техника кластеризации может применяться в самых различных прикладных областях, в том числе и в медицине. Например, кластеризация заболеваний, симптомов, признаков заболеваний, методов лечения может привести к более полному и глубокому пониманию медицинских проблем, связанных с лечением больных.
Большое достоинство кластерного анализа в том, что он дает возможность производить разбиение объектов не по одному признаку, а по ряду признаков. Кроме того, кластерный анализ в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет исследовать множество исходных данных практически произвольной природы.
Так как кластеры - это группы однородности, то задача кластерного анализа заключается в том, чтобы на основании признаков объектов разбить их множество на m (m - целое) кластеров так, чтобы каждый объект принадлежал только одной группе разбиения. При этом объекты, принадлежащие одному кластеру, должны быть однородными (сходными), а объекты, принадлежащие разным кластерам, - разнородными.
Если объекты кластеризации представить как точки в n-мерном пространстве признаков (n
количество признаков, характеризующих объекты), то сходство между объектами определяется через понятие расстояния между точками, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи.
Алгоритмов кластерного анализа достаточно много. Все их можно подразделить на иерархические и неиерархические.
Иерархические (древовидные) процедуры - наиболее распространённые алгоритмы кластерного анализа по их реализации на ЭВМ. Различают агломеративные (от слова agglomerate - собирать) и итеративные дивизивные (от слова division - разделять) процедуры.
Принцип работы иерархических агломеративных процедур состоит в последовательном объединении групп элементов сначала самых близких, а затем всё более отдалённых друг от друга. Принцип работы иерархических дивизивных процедур, наоборот, состоит в последовательном разделении групп элементов сначала самых далёких, а затем всё более близких друг от друга. Большинство этих алгоритмов исходит из матрицы расстояний (сходства). К недостаткам иерархических процедур следует отнести громоздкость их вычислительной реализации. На каждом шаге алгоритмы требуют вычисления матрицы расстояний, а следовательно, ёмкой машинной памяти и большого количества времени. В этой связи реализация таких алгоритмов при числе наблюдений, большем нескольких сотен, нецелесообразна, а в ряде случаев и невозможна.
Общий принцип работы агломеративного алгоритма следующий. На первом шаге каждое наблюдение рассматривается как отдельный кластер. В дальнейшем на каждом шаге работы алгоритма происходит объединение двух самых близких кластеров, и с учётом принятого расстояния по формуле пересчитывается матрица расстояний, размерность которой, очевидно, снижается на единицу. Работа алгоритма заканчивается, когда все наблюдения объединены в один класс. Большинство программ, реализующих алгоритм иерархической классификации, предусматривает графическое представление классификации в виде дендрограммы.
Применяются также агломеративные методы минимальной дисперсии - древовидная кластеризация и двухвходовая кластеризация, а также дивизивный метод k-средних.
В методе древовидной кластеризации предусмотрены различные правила иерархического объединения в кластеры:
1. Правило одиночной связи. На первом шаге объединяются два наиболее близких объекта, т.е. имеющие максимальную меру сходства. На следующем шаге к ним присоединяется объект с максимальной мерой сходства с одним из объектов кластера, т.е. для его включения в кластер требуется максимальное сходство лишь с одним членом кластера. Метод называют еще методом ближайшего соседа, так как расстояние между двумя кластерами определяется как расстояние между двумя наиболее близкими объектами в различных кластерах. Это правило «нанизывает» объекты для формирования кластеров. Недостаток данного метода - образование слишком больших продолговатых кластеров.
2. Правило полных связей. Метод позволяет устранить недостаток, присущий методу одиночной связи. Суть правила в том, что два объекта, принадлежащих одной и той же группе (кластеру), имеют коэффициент сходства, который больше некоторого порогового значения S. В терминах евклидова расстояния это означает, что расстояние между двумя точками (объектами) кластера не должно превышать некоторого порогового значения d. Таким образом, d определяет максимально допустимый диаметр подмножества, образующего кластер. Этот метод называют еще методом наиболее удаленных соседей, так
3. как при достаточно большом пороговом значении d расстояние между кластерами определяется наибольшим расстоянием между любыми двумя объектами в различных кластерах.
4. Правило невзвешенного попарного среднего. Расстояние между двумя кластерами определяется как среднее расстояние между всеми парами объектов в них. Метод эффективен, когда объекты в действительности формируют различные группы, однако он работает одинаково хорошо и в случаях протяженных (цепочного типа) кластеров.
5. Правило взвешенное попарное среднее. Метод идентичен предыдущему, за исключением того, что при вычислении размер соответствующих кластеров используется в качестве весового коэффициента. Желательно этот метод использовать, когда предполагаются неравные размеры кластеров.
6. Невзвешенный центроидный метод. Расстояние между двумя кластерами определяется как расстояние между их центрами тяжести.
7. Взвешенный центроидный метод. Идентичен предыдущему, за исключением того, что при вычислениях расстояния используют веса для учета разности между размерами кластеров. Поэтому, если имеются (или подозреваются) значительные отличия в размерах кластеров, этот метод оказывается предпочтительнее предыдущего.
8. Правило Уорда (Варда). В этом методе в качестве целевой функции применяют внутригрупповую сумму квадратов отклонений, которая есть не что иное, как сумма квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащему этот объект. На каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т.е. внутригрупповой суммы квадратов отклонений. Этот метод направлен на объединение близко расположенных кластеров.
Выбор признаков сегментирования производится на основе экспертных оценок, когда из максимально полного списка показателей выбираются те, которые в наиболее полной мере отражают специфику деятельности грузовых автотранспортных предприятий и ситуацию на рынке. Впоследствии некоторые из переменных отсеиваются или группируются, что позволяет создать несколько основных факторов, которые максимально точно отражают характеристики объектов исследования по группам. Руководство любого предприятия может осуществить таким незатратным способом выбор наиболее значимых показателей по каждой группе, которые в полной мере будут соответствовать цели анализа и учитывать условия деятельности.
В иерархических методах каждое наблюдение вначале образует свой отдельный кластер. На первом шаге два наиболее близких кластера объединяются в один, затем эта операция последовательно повторяется до тех пор, пока не останутся два кластера. Иерархические алгоритмы подразделяются по количеству, последовательности и метрике выделяемых кластеров. В последнем случае говорят об алгоритмах ближнего, дальнего и среднего соседа, которые различаются выбором метрик межкластерного расстояния.
Иерархические методы кластерного анализа достаточно точны, но они очень трудоемки, поскольку на каждом шаге алгоритма выстраивается дистанционная матрица для текущих кластеров, и сложны для интерпретации. Поэтому чаще всего используется метод к-средних, при котором необходимо заранее определять количество кластеров, тогда как при иерархическом методе оно определяется в процессе анализа. Данная проблема может быть решена, если сначала определить оптимальное или естественное количество кластеров с применением иерархической классификации, а затем произвести анализ методом к-средних.
1.2.Приложение кластерного анализа в экономике отрасли
Экономический кластер - открытая группа географически (или секторно) сконцентрированных участников рынка, представляющих полную цепочку формирования предложения продукта (образовательные и исследовательские институты, производители, поставщики, банки, профессиональные ассоциации и др.), активно использующих кооперенцию и специализацию с целью повышения своих конкурентных преимуществ и достижения эффективности деятельности. Перечислим существенные признаки кластера, отличающие его от других экономических образований. Во-первых, это особый стратегический механизм взаимодействия участников, при котором компании сохраняют свою самостоятельность и одновременно сотрудничают с другими хозяйствующими субъектами внутри кластера и за его пределами; во-вторых, высокий инновационный потенциал, преимущественно формируемый в результате внутренней конкуренции компаний в кластере; в-третьих, высокий уровень производительности и низкой себестоимости выпуска продукции за счет территориальной близости участников, устранения дублирования функций (централизации усилий), взаимодополняемости участников, совместного накопления информации о рынке и др.; в-четвертых, это способность своевременно и адекватно реагировать на изменение потребностей рынка, поскольку кластер создает условия для организации новых бизнесов, что благоприятствует диверсификации деятельности участников и снижению предпринимательских рисков .
ия находится предприятие, оценивать конкурентное положение и соответствующие ему возможности в целях выбора возможных направлений для дальнейшего роста и адаптации к динамичным рыночным условиям.
Объектом исследования является отрасль экономики, в нашем случае фармацевтическая. Предмет исследования – структуризация отрасли на основе кластерного подхода.
Цель работы – характеристика выбранной отрасли на основе кластерного подхода.
В соответствии с целью сформулированы задачи работы:
1. Определение понятия и обзор приёмов кластерного анализа;
2. Характеристика приложения кластерного анализа в экономике отрасли;
3. Отбор признаков формирования кластеров при анализе на примере фармацевтического рынка;
4. Характеристика объема и динамики российского фармацевтического рынка;
5. Кластерный анализ российского фармацевтического рынка по видам препаратов;
6. Кластерный анализ российского фармацевтического рынка по его субъектам.


Глава 1.Теоретические основы кластерного анализа в экономике
1.1.Понятие и приёмы кластерного анализа
Кластерный анализ - это метод классификационного анализа; его основное назначение разбиение множества исследуемых объектов и признаков на однородные в некотором смысле группы, или кластеры. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема, т.е. существенно большим может быть, как количество объектов исследования (наблюдений), так и признаков, характеризующих эти объекты.
Техника кластеризации может применяться в самых различных прикладных областях, в том числе и в медицине. Например, кластеризация заболеваний, симптомов, признаков заболеваний, методов лечения может привести к более полному и глубокому пониманию медицинских проблем, связанных с лечением больных.
Большое достоинство кластерного анализа в том, что он дает возможность производить разбиение объектов не по одному признаку, а по ряду признаков. Кроме того, кластерный анализ в отличие от большинства математико-статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет исследовать множество исходных данных практически произвольной природы.
Так как кластеры - это группы однородности, то задача кластерного анализа заключается в том, чтобы на основании признаков объектов разбить их множество на m (m - целое) кластеров так, чтобы каждый объект принадлежал только одной группе разбиения. При этом объекты, принадлежащие одному кластеру, должны быть однородными (сходными), а объекты, принадлежащие разным кластерам, - разнородными.
Если объекты кластеризации представить как точки в n-мерном пространстве признаков (n
количество признаков, характеризующих объекты), то сходство между объектами определяется через понятие расстояния между точками, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи.
Алгоритмов кластерного анализа достаточно много. Все их можно подразделить на иерархические и неиерархические.
Иерархические (древовидные) процедуры - наиболее распространённые алгоритмы кластерного анализа по их реализации на ЭВМ. Различают агломеративные (от слова agglomerate - собирать) и итеративные дивизивные (от слова division - разделять) процедуры.
Принцип работы иерархических агломеративных процедур состоит в последовательном объединении групп элементов сначала самых близких, а затем всё более отдалённых друг от друга. Принцип работы иерархических дивизивных процедур, наоборот, состоит в последовательном разделении групп элементов сначала самых далёких, а затем всё более близких друг от друга. Большинство этих алгоритмов исходит из матрицы расстояний (сходства). К недостаткам иерархических процедур следует отнести громоздкость их вычислительной реализации. На каждом шаге алгоритмы требуют вычисления матрицы расстояний, а следовательно, ёмкой машинной памяти и большого количества времени. В этой связи реализация таких алгоритмов при числе наблюдений, большем нескольких сотен, нецелесообразна, а в ряде случаев и невозможна.
Общий принцип работы агломеративного алгоритма следующий. На первом шаге каждое наблюдение рассматривается как отдельный кластер. В дальнейшем на каждом шаге работы алгоритма происходит объединение двух самых близких кластеров, и с учётом принятого расстояния по формуле пересчитывается матрица расстояний, размерность которой, очевидно, снижается на единицу. Работа алгоритма заканчивается, когда все наблюдения объединены в один класс. Большинство программ, реализующих алгоритм иерархической классификации, предусматривает графическое представление классификации в виде дендрограммы.
Применяются также агломеративные методы минимальной дисперсии - древовидная кластеризация и двухвходовая кластеризация, а также дивизивный метод k-средних.
В методе древовидной кластеризации предусмотрены различные правила иерархического объединения в кластеры:
1. Правило одиночной связи. На первом шаге объединяются два наиболее близких объекта, т.е. имеющие максимальную меру сходства. На следующем шаге к ним присоединяется объект с максимальной мерой сходства с одним из объектов кластера, т.е. для его включения в кластер требуется максимальное сходство лишь с одним членом кластера. Метод называют еще методом ближайшего соседа, так как расстояние между двумя кластерами определяется как расстояние между двумя наиболее близкими объектами в различных кластерах. Это правило «нанизывает» объекты для формирования кластеров. Недостаток данного метода - образование слишком больших продолговатых кластеров.
2. Правило полных связей. Метод позволяет устранить недостаток, присущий методу одиночной связи. Суть правила в том, что два объекта, принадлежащих одной и той же группе (кластеру), имеют коэффициент сходства, который больше некоторого порогового значения S. В терминах евклидова расстояния это означает, что расстояние между двумя точками (объектами) кластера не должно превышать некоторого порогового значения d. Таким образом, d определяет максимально допустимый диаметр подмножества, образующего кластер. Этот метод называют еще методом наиболее удаленных соседей, так
3. как при достаточно большом пороговом значении d расстояние между кластерами определяется наибольшим расстоянием между любыми двумя объектами в различных кластерах.
4. Правило невзвешенного попарного среднего. Расстояние между двумя кластерами определяется как среднее расстояние между всеми парами объектов в них. Метод эффективен, когда объекты в действительности формируют различные группы, однако он работает одинаково хорошо и в случаях протяженных (цепочного типа) кластеров.
5. Правило взвешенное попарное среднее. Метод идентичен предыдущему, за исключением того, что при вычислении размер соответствующих кластеров используется в качестве весового коэффициента. Желательно этот метод использовать, когда предполагаются неравные размеры кластеров.
6. Невзвешенный центроидный метод. Расстояние между двумя кластерами определяется как расстояние между их центрами тяжести.
7. Взвешенный центроидный метод. Идентичен предыдущему, за исключением того, что при вычислениях расстояния используют веса для учета разности между размерами кластеров. Поэтому, если имеются (или подозреваются) значительные отличия в размерах кластеров, этот метод оказывается предпочтительнее предыдущего.
8. Правило Уорда (Варда). В этом методе в качестве целевой функции применяют внутригрупповую сумму квадратов отклонений, которая есть не что иное, как сумма квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащему этот объект. На каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т.е. внутригрупповой суммы квадратов отклонений. Этот метод направлен на объединение близко расположенных кластеров.
Выбор признаков сегментирования производится на основе экспертных оценок, когда из максимально полного списка показателей выбираются те, которые в наиболее полной мере отражают специфику деятельности грузовых автотранспортных предприятий и ситуацию на рынке. Впоследствии некоторые из переменных отсеиваются или группируются, что позволяет создать несколько основных факторов, которые максимально точно отражают характеристики объектов исследования по группам. Руководство любого предприятия может осуществить таким незатратным способом выбор наиболее значимых показателей по каждой группе, которые в полной мере будут соответствовать цели анализа и учитывать условия деятельности.
В иерархических методах каждое наблюдение вначале образует свой отдельный кластер. На первом шаге два наиболее близких кластера объединяются в один, затем эта операция последовательно повторяется до тех пор, пока не останутся два кластера. Иерархические алгоритмы подразделяются по количеству, последовательности и метрике выделяемых кластеров. В последнем случае говорят об алгоритмах ближнего, дальнего и среднего соседа, которые различаются выбором метрик межкластерного расстояния.
Иерархические методы кластерного анализа достаточно точны, но они очень трудоемки, поскольку на каждом шаге алгоритма выстраивается дистанционная матрица для текущих кластеров, и сложны для интерпретации. Поэтому чаще всего используется метод к-средних, при котором необходимо заранее определять количество кластеров, тогда как при иерархическом методе оно определяется в процессе анализа. Данная проблема может быть решена, если сначала определить оптимальное или естественное количество кластеров с применением иерархической классификации, а затем произвести анализ методом к-средних.
1.2.Приложение кластерного анализа в экономике отрасли
Экономический кластер - открытая группа географически (или секторно) сконцентрированных участников рынка, представляющих полную цепочку формирования предложения продукта (образовательные и исследовательские институты, производители, поставщики, банки, профессиональные ассоциации и др.), активно использующих кооперенцию и специализацию с целью повышения своих конкурентных преимуществ и достижения эффективности деятельности. Перечислим существенные признаки кластера, отличающие его от других экономических образований. Во-первых, это особый стратегический механизм взаимодействия участников, при котором компании сохраняют свою самостоятельность и одновременно сотрудничают с другими хозяйствующими субъектами внутри кластера и за его пределами; во-вторых, высокий инновационный потенциал, преимущественно формируемый в результате внутренней конкуренции компаний в кластере; в-третьих, высокий уровень производительности и низкой себестоимости выпуска продукции за счет территориальной близости участников, устранения дублирования функций (централизации усилий), взаимодополняемости участников, совместного накопления информации о рынке и др.; в-четвертых, это способность своевременно и адекватно реагировать на изменение потребностей рынка, поскольку кластер создает условия для организации новых бизнесов, что благоприятствует диверсификации деятельности участников и снижению предпринимательских рисков .