МАРКЕТИНГ-ПР.ЗАН.ОЦЕНКА КОНКУРЕНЦИИ
.docИЗУЧЕНИЕ КОНКУРЕНЦИИ НА РЫНКЕ МЕТОДОМ КЛАСТЕРНОГО АНАЛИЗА
1.Алгоритм кластерного анализа
Кластерный анализ – это совокупность методов классификации многомерных наблюдений или объектов, основанных на определении понятия расстояния между объектами с последующим выделением из этих объектов групп, “сгустков” наблюдений (кластеров, таксонов). При этом не требуется априорной информации о распределении генеральной совокупности.
Выбор конкретного метода кластерного анализа зависит от цели классификации и в настоящее время весьма разнообразен, затрагивая целые математико-статистические разделы, начиная от традиционного – исследования операций и заканчивая, к примеру, многомерным шкалированием.
Кластерный анализ используется при исследовании структуры совокупностей менеджерских, социально-экономических, маркетинговых, коммерческих показателей или объектов: предприятий, фирм, корпораций, регионов, территорий, социологических анкет, коллективов, популяций и сообществ и т.д.
От матрицы исходных данных:
переходим к матрице
нормированных значений
с элементами
где
- номер показателя (столбцы),
номер наблюдателя (строки);
;
Таким образом,
получим матрицу
:
В качестве
«расстояния» между наблюдениями
и
используют (чаще всего, и даже, в основном)
«взвешенное» евклидовое расстояние,
определяемое по формуле:
, где
- вес показателя;
.
Если
для всех
,
то получаем обычное евклидовое расстояние:
,
Полученные расчетом для каждой ячейке значения удобно представить в виде матрицы расстояний:
;
.
Так как матрица
симметрическая, т.е.
,
то достаточно ограничиться записью
наддиагональных элементов матрицы.
Используя матрицу расстояний, можно реализовать подобную иерархическую «цементирующую» процедуру кластерного анализа. Расстояния между кластерами определяют по принципу «ближнего соседа» или «дальнего соседа». В первом случае за расстояние между ближайшими элементами этих кластеров, а во втором – между удаленными друг от друга.
Принцип работы иерархических «цементирующих» процедур состоит в последовательном объединении групп элементов сначала самых близких, а затем все более отдаленных друг от друга.
На каждом шаге
алгоритма каждое наблюдение (
)
рассматривается как отдельный кластер.
В дальнейшем на каждом шаге работы
алгоритма происходит объединение двух
самых близких кластеров, и вновь строится
матрица расстояний, размерность которой
снижается на единицу.
Результаты итеративных процедур объединения строк и столбцов кластеров позволяет построить дендрограмму взаимодействия с учетом минимальных, а главное относительно пропорциональных условных «расстояний».
1 2
3 4 5
Дендрограмма,
характеризующая кластер условных
«расстояний» примера, объединенного
по выявленным (
) минимально возможным «расстояниям».
2. Практический расчет оценки конкуренции на рынке
Задание 1:
Выявить уровень конкуренции Северо-западного
региона российского рынка электротехнической
промышленности, где одно из пяти
предприятий относится к Калининградскому
региону (производство кабельной
продукции). Каждое предприятие
характеризуется следующими экономическими
показателями:
- прибыль от реализации (млн. руб.);
- удельный вес
высококачественной продукции (%);
- выработка товарной
продукции на одного работника ППП (тыс.
руб.);
- среднегодовая
стоимость основных производственных
фондов (млн. руб.).
Данные сведены в табл. 1.1.
Таблица 1.1 Значения основных экономических показателей предприятий электротехнической промышленности Северо-Западного региона России
|
№ пред- приятия пр |
Показатели оценки конкурентоспособности предприятия |
|||
|
|
|
|
|
|
|
1 |
3,338 |
78,46 |
5,013 |
7,312 |
|
2 |
1,909 |
50,83 |
3,423 |
17,785 |
|
3 |
6,653 |
26,12 |
3,314 |
21,544 |
|
4 |
2,105 |
72,11 |
2,534 |
8,125 |
|
5 |
6,178 |
13,10 |
1,863 |
1,780 |
-
-
Таблица 1.1 является исходной матрицей двумерной классификации. Для устранения различия в единицах измерения показателей нормируем их. В результате нормировки получаем приведенную матрицу исходных данных:
-0,34776501 1,1996448 1,688891 -0,55050379 -1,0591251 0,1026702 0,1833199 0,89186241 1,3024511 -0,8783738 0,0801078 1,4095607 -0,96155583 0,9475352 -0,6584743 -0,43853551 1,0699948 -1,3714763 -1,2938443 -1,3123838
а
также средние значения показателей
и их средние квадратические отклонения:
В
качестве расстояния между объектами
принято евклидово расстояние, причем
“веса”
заданы (путем привлечения экспертных
оценок) пропорционально степени важности
экономического показателя, например:
.
Используя
формулу расчета эвклидовых расстояний
с учетом “весовых” коэффициентов,
рассчитываем матрицу расстояний
,
которая (в силу симметричности)
представлена как треугольная.
0 1,159804 1,9283079 1,1311047 2,2980731
0 1,6262618 0,77977305 1,8968315
0 1,9581917 1,1126867
0 1,9881173
0
Из
матрицы
следует, что объекты 2 и 4 наиболее близки
(
)
и поэтому возможно их объединение в
один кластер, исходя из условия минимизации
“расстояния”. После объединения имеем
четыре кластера:
|
Номера кластера |
1 |
2 |
3 |
4 |
|
Состав К кластера |
(1) |
( (2,4) |
(3) |
(5) |
Расстояние
между кластерами будем находить по
принципу “ближнего соседа”. За
расстоянием между кластерами 1 и (2,4)
выбираем минимальное из расстояний
и
.
Аналогично находим расстояния между
кластерами 2, 5 и (2,4), которые соответственно
равны:
и
.
Расстояние между остальными кластерами
можно считать не изменяющимися. Таким
образом, получаем матрицу расстояний
0 1,1311047 1,9283079 2,2980731
0 1,6262618 1,8968315
0 1,1126867
0
Из
матрицы
следует, что кластеры 3 и 5 наиболее
близки (
)
и поэтому объединяются в новый кластер
(3,5). После объединения будем иметь три
кластера 1, (2,4) и (3,5). Расстояния между
новым кластером (3,5) и кластерами 1 и
(2,4) соответственно равны:
(
меньше
)
и
.
Поэтому матрица расстояний
принимает следующий вид:
0 1,1311047 1,9283079
0 1,6262618
0
Из
этой матрицы следует, что кластеры 1 и
(2,4) объединяются в новый кластер (1+2,4),
так как расстояние между ними минимально
и равно
.
Тогда получим матрицу расстояний:
0 1,6262618
0
Таким
образом, на расстоянии
два кластера (1,2,4) и (3,5) объединяются в
один.
Результаты
иерархической классификации наблюдений
представлены на рис. 1 в виде дендрограммы,
где по оси ординат приводятся относительные
“расстояния” при объединении показателей
работы предприятий с учетом “весовых”
вкладов каждого параметра. Поэтому
расстояния между исходными
кластерами-предприятиями можно
расценивать как конкурирующие факторы
или факторы, необходимые для объединения
в совместной деятельности с выгодой
для себя и в ущерб остальным. Возможны
и другие интерпретации, уровень которых
зависит от квалификации и знания дела
менеджером.
Задание 2 Оценка уровня конкуренции методом кластерного анализа
Определить уровень конкурентоспособности ООО «СТК-Балт».
Исходные данные: В таблице 1.2 представлены строительные предприятия жилья Калининградского региона по следующим экономическим показателям:
1 – Объем производства (млн.руб.)
2- Цена за 1 кв.метр (руб.)
3- Маржинальная прибыль (млн. руб.)
4- Коэффициент фондоотдачи основных средств
5- Коэффициент рентабельности производства
6- Коэффициент оборачиваемости активов
Таблица 1.2 Исходные данные дл анализа конкуренции предприятий на рынке строительства жилья
|
Предприятия |
1- объем произв |
2 - цена |
3 – маржин прибыль |
4 – коэффиц фондоотд |
5 – коэффиц рентаб |
6 – коэффиц. оборач. актив |
|
Макрострой |
5120 |
37 |
4890 |
1,35 |
0,15 |
0,29 |
|
ЖБИ-1 |
4900 |
40 |
4690 |
1,27 |
0,15 |
0,19 |
|
СТК-Балт |
5337 |
38 |
4373 |
1,36 |
0,17 |
0,27 |
|
Вента |
4700 |
40 |
4520 |
1,2 |
0,1 |
0,18 |
|
НовоБалтИнвест |
5070 |
45 |
4870 |
1,2 |
0,13 |
0,2 |
|
Ср. значение
|
5020,4
|
40
|
4668,60
|
1,276
|
0,14
|
0,226
|
|
Ср. квадрат. отклонение
|
214,31
|
2,75
|
199,75
|
0,07
|
0,02
|
0,044
|
1. Матрица нормированных значений. Zij = (xij – xср.)/sij
|
0,44 |
-1,09 |
1,11 |
1,07 |
0,42 |
1,42 |
|
-0,59 |
0,00 |
0,11 |
-0,09 |
0,42 |
-0,80 |
|
1,45 |
-0,73 |
-1,48 |
1,21 |
1,27 |
0,98 |
|
-1,52 |
0,00 |
-0,74 |
-1,09 |
-1,69 |
-1,02 |
|
0,21 |
1,81 |
1,01 |
-1,09 |
-0,42 |
-0,58 |
|
разница12 |
1,03 |
-1,09 |
1,00 |
1,15 |
0,00 |
2,22 |
|
разница13 |
-1,01 |
-0,36 |
2,59 |
-0,14 |
-0,85 |
0,44 |
|
разница14 |
1,96 |
-1,09 |
1,85 |
2,16 |
2,11 |
2,45 |
|
разница15 |
0,23 |
-2,90 |
0,10 |
2,16 |
0,85 |
2,00 |
|
разница23 |
-2,04 |
0,73 |
1,59 |
-1,30 |
-0,85 |
-1,78 |
|
разница24 |
0,93 |
0,00 |
0,85 |
1,01 |
2,11 |
0,22 |
|
разница25 |
-0,79 |
-1,81 |
-0,90 |
1,01 |
0,85 |
-0,22 |
|
разница34 |
2,97 |
-0,73 |
-0,74 |
2,30 |
2,96 |
2,00 |
|
разница35 |
1,25 |
-2,54 |
-2,49 |
2,30 |
1,69 |
1,56 |
|
разница45 |
-1,73 |
-1,81 |
-1,75 |
0,00 |
-1,27 |
-0,44 |
Квадрат разницы
|
1,05 |
1,18 |
1,00 |
1,33 |
0,00 |
4,94 |
|
1,03 |
0,13 |
6,70 |
0,02 |
0,71 |
0,20 |
|
3,84 |
1,18 |
3,43 |
4,66 |
4,46 |
5,98 |
|
0,05 |
8,42 |
0,01 |
4,66 |
0,71 |
4,00 |
|
4,16 |
0,53 |
2,52 |
1,68 |
0,71 |
3,16 |
|
0,87 |
0,00 |
0,72 |
1,02 |
4,46 |
0,05 |
|
0,63 |
3,29 |
0,81 |
1,02 |
0,71 |
0,05 |
|
8,83 |
0,53 |
0,54 |
5,31 |
8,75 |
4,00 |
|
1,55 |
6,45 |
6,19 |
5,31 |
2,86 |
2,42 |
|
2,98 |
3,29 |
3,07 |
0,00 |
1,61 |
0,20 |