Кластерный анализ логистических процессов в системе государственных закупок

Рынок государственных закупок является важнейшим элементом социально-экономического развития страны, а сама система государственных заказов все более становится одним из основополагающих институтов государственного регулирования экономики, оказывающего существенное влияние на ее динамику и структуру.

Г осударственные закупки - это не только процесс заказа, но и инструмент выстраивания политики выполнения государством своих функций:

- защиты (ВПК),

- продовольственной безопасности (АПК),

- энергетической безопасности (ТЭК),

- социальная сфера (образование, здравоохранение, наука, культура),

- охрана и сохранение природных ресурсов

Учитывая, что государство и бизнес - это единый узел, который нельзя развязать, необходимо признать, что малобарьерная, но эффективная система государственных закупок повышает возможности государства в регулировании бизнеса, создавая такие формы воздействия системы государственных заказов на экономику, которые наряду со стимулирующим, дают и синергетический эффект развития экономики. Именно поэтому ситуация в сфере государственных закупок служит индикатором состояния общественного управления и зрелости правового государства [53].

Поскольку государственные закупки занимают значительное место в затратной части бюджета большинства развитых стран, то они являются действенным инструментом управления экономикой. Посредством государственных контрактов многие государства решают свои социально­экономические проблемы, а также обеспечивают проведение научных исследований, создание и внедрение новых технологий и разработок. Поэтому всегда актуальны проблемы организации государственных закупок, и интерес к системе прокъюремента во всем мире остается высоким [41].

Государственные закупки - это рыночные отношения, возникающие между субъектами частного предпринимательства и государством в лице своих учреждений, то есть, схематично, это приобретение товаров, работ и услуг для государственных нужд.

Основным специфическим отличием государственных закупок от закупок, проводимых коммерческим сектором и частными лицами, является то, что они осуществляются не на собственные средства покупателя, а на бюджетные деньги, в общем и целом, на деньги налогоплательщиков.

Поскольку речь идёт о крупных денежных средствах, становится абсолютно понятным интерес всего общества, проявляемый к осуществлению государственных закупок.

Кроме того, государственные закупки играют кардинально важную роль в исполнении государственного бюджета. Поскольку бюджет является самым большим источником финансирования закупок, процесс осуществления закупок оказывает большое влияние на повышение экономической активности и развитие конкурентоспособности.

Все это объясняет растущий интерес, который проявляют к вопросам государственных закупок и их совершенствования государство, представители деловых кругов и средства массовой информации.

Анализ мирового опыта свидетельствует, что в экономически развитых странах управление процессами формирования и эффективного использования информационных ресурсов по государственным закупкам является одной из приоритетных функций Правительства. Сведения о заключенных контрактах и отчетах об их исполнении составляют разветвленную сеть общедоступных баз и банков данных, интенсивно использующуюся не только государственными

уполномоченными, но и специалистами, работающими в сферах бизнеса, обороны, производства, научно-технических исследований и разработок [54].

Система государственных закупок является одним из основополагающих и постоянно совершенствующихся институтов государственного регулирования экономики. В условиях современной смешанной экономики государство выступает в качестве крупнейшего заказчика и потребителя продукции многих отраслей и секторов, превращая государственный спрос в мощный инструмент, оказывающий влияние на динамику и структуру хозяйственной системы и на промышленный комплекс как подсистему, как на федеральном, так и на региональном уровне.

Как инструментарий для проведения нашего исследования использовался метод многомерной статистики - кластерный анализ. Он представляет собой процедуру многомерной классификации данных, входе которой выполняется сбор данных, включающих в себя информацию об отобранных объектах, и их последующее упорядочивание этих объектов с относительно однородные по своему характеру группы.

Таким образом, посредством кластерного анализа решается не только проблема классификации данных, но и в процессе определяется ее структура.

Другими словами, в ходе данного вида анализа, происходит выявление компактных, однако отличающихся друг от друга совокупностей объектов, либо процесс разделения совокупности на частные области и скопления, на основе их естественного распределения. Стоит отметить, что по своей сути кластерный анализ, это не простая классификация, так как он не ограничен ни в количестве исследуемых объектов, ни в количестве признаков группировки, а также дает возможность пользователю проводить анализ данных различной типологии, таких как, временные, пространственные и другие. Этот метод многомерного анализа данных представляет собой одну из немаловажных частей статистического исследования различных массовых социально­экономических явлений и процессов.

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 [56].

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 [57, 58].

Всё это соответствует поставленной задаче самостоятельного анализа конкурентного положения предприятия.

Целью кластерного анализа в системе государственных закупок Казахстана является разделение совокупности государственных закупок в региональном разрезе на группы по интегральным показателям конкурентоспособности региона по государственным закупкам, в таком случае переменными будут являться составляющие системы сбалансированных показателей:

1) Валовый региональный продукт (ВРП);

2) сумма исполненных договоров по государственным закупкам;

3) количество годовых планов по государственным закупкам;

4) количество размещенных решений об итогах государственных закупок;

5) количество размещенных объявлений о государственных закупках;

6) запланированный объем в бюджете на государственные закупки.

Интегральный показатель конкурентоспособности региона по государственным закупкам рекомендуется рассчитывать по формуле, которая учитывает и весомость каждого показателя, и направление его влияния на результат (см. формулу 1):

(1)

где d_i- удельный вес (коэффициент весомости) i-того показателя; R_i- значение i-того показателя конкурентоспособности региона по государственным закупкам; β_i=±1.

Для определения коэффициентов весомости существует множество методов, в частности, могут быть использованы методы попарного сравнения и последовательного приближения как одни из самых простых и оправданных с психологической точки зрения.

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 (4-6), которые максимально точно отражают характеристики объектов исследования по группам. Руководство любого предприятия может осуществить таким не затратным способом выбор наиболее значимых показателей по каждой группе, которые в полной мере будут соответствовать цели анализа и учитывать условия деятельности. Например,

для регионов по государственным закупкам в качестве базовых могут быть использованы следующие показатели:

- в группе «План» - количество годовых планов по государственным закупкам;

- в группе «ВРП» - Валовый региональный продукт;

- в группе «Решения» - количество размещенных решений об итогах государственных закупок;

- в группе «Бюджет» - запланированный объем в бюджете на государственные закупки;

- в группе «Объявления» - количество размещенных объявлений о государственных закупках;

- в группе «Договор» - сумма исполненных договоров по государственным закупкам.

В настоящее время известно огромное число алгоритмов кластеризации, разнообразие которых объясняется не только различными вычислительными методами, но и различными концепциями. Использование какого-либо метода обусловлено практической полезностью результатов кластерного анализа.

Однако наиболее часто используются иерархический кластерный анализ и кластеризация методов k-средних.

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 [59, 60].

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.

Расстояние между кластерами может определяться различными способами, например, евклидово расстояние - это геометрическое пространство в многомерном пространстве, вычисляемое по исходным данным, остается неизменным при добавлении новых объектов [61].

Квадрат евклидова расстояния применяется, если нужно увеличить весомость наиболее удаленных друг от друга объектов. Расстояние городских кварталов (манхэттенское расстояние) - среднее расстояние из разностей по координатам. Результаты, рассчитанные по данной мере, в большинстве случаев соответствуют расстоянию Евклида. Процент несогласия: это расстояние вычисляется, если данные представляют собой некоторые категории. Расстояние Чебышева вычисляется, если объекты различаются по какой-либо одной координате (измерению).

Объединение объектов в кластеры производится с применением следующих методов:

1 Одиночная связь (метод «ближайшего соседа») - расстояние между двумя кластерами определяется расстоянием между двумя наиболее близкими

объектами при условии, что различные части таких кластеров соединены цепочками сходных элементов.

2 Полная связь (метод «наиболее удаленных соседей») - расстояния между кластерами определяются наибольшим расстоянием между любыми двумя объектами в разных кластерах.

3 Метод Варда - расстояние равно приросту суммы квадратов расстояний объектов до центров кластеров, получаемых в результате их объединения, при этом используются методы дисперсионного анализа. На каждом шаге алгоритма объединяются такие два кластера, которые приводят к минимальному увеличению внутригрупповой суммы квадратов. Этот метод направлен на объединение близко расположенных кластеров и позволяет создать кластеры малого размера.

4 Методы попарного среднего (невзвешенного и взвешенного) - в качестве расстояния между двумя кластерами берется среднее расстояние между всеми парами объектов в них, а во втором случае в качестве весового коэффициента используется размер кластера (число объектов в нем) [58, 60, 61].

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 k-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 k-средних.

Метод k-средних заключаются в том, что вычисления начинаются с k случайно выбранных наблюдений, которые становятся центрами групп, после чего состав кластеров меняется с целью минимизации изменчивости внутри них и максимизации - между ними. Каждое наблюдение относится к той группе, мера сходства с центром тяжести которого (средним по кластеру) минимальна. После изменения состава кластеров вычисляется новый центр тяжести, итерации продолжаются до тех пор, пока состав кластеров не перестанет меняться [56].

Указанные классические методы кластерного анализа могут быть реализованы с помощью программного продукта SPSS STATISTICS [58, 62].

Исходя из вышеизложенного обратимся к кластерному анализу государственных органов (организаций) в нашей стране. Исходные данные по нашей республике приведены в таблице 1.

Таблица 1 - Исходные данные для анализа за 2015г.

Проведем пошаговый иерархический кластерный анализ по государственным закупкам в региональном разрезе. Для этого необходимо:

1 Установить установочный файл пакета SPSS, версия 24-SPSS Statistics 24.0.exe (186 Мб) на диск D.

2 Выполнить установку пакета SPSS. Пакет разворачивается на носителе, на котором находился установочный файл: при установке не требует действий пользователя.

3 Подготовить исходные данные для анализа в файле Excel; сохранить файл (см. табл. 1).

4 Запустить программу SPSS.

5 Загрузить файл с исходными данными в среду SPSS (в соответствии с рисунком 13):

Рисунок 13 - Рабочая область окна SPSS с исходными данными

Примечание - составлен автором на основе данных [63]

6) Поскольку исходные переменные «План», «Объявления», «Решения», «Бюджет», «Договора», «ВРП» имеют различную природу и единицы измерения, перед выполнением процедур кластерного анализа следует

стандартизовать исходные данные, перейдя к новым переменным z(1), z(2), z(3), z(4), z(5) по правилу (см. формулу 2):

Для этого следует воспользоваться инструментарием «Описательные статистики»: Команда Анализ → Описательные статистики -► Описательные -► В окне выбрать независимые переменные «План», «Объявления», «Решения», «Бюджет», «Договора», «ВРП» Установить флажок ->«Сохранить» стандартизованные значения в переменных Кнопка «ОК». Алгоритм -^действий отражен на нижеследующем рисунке (в соответствии с рисунком 14):

Рисунок 14 - Задание параметров обработки исходных данных в окне

Описательная статистика

Примечание - составлен автором на основе данных [63]

Стандартизованные значения признаков «План», «Объявления», «Решения», «Бюджет», «Договора», «ВРП» на 16 объектах исходных данных появятся в рабочей области окна SPSS под именами: «2План», «2Объявления», «2Решения», «2Бюджет», «2Договора», «2ВРП» (в соответствии с рисунком 15, таблица 2):

Рисунок 15 - Стандартизованные значения признаков - исходных данных

Примечание - составлен автором на основе данных [63]

Таблица 2 - Преобразованные данные

7) Инициировать инструментарий «Иерархический кластерный анализ»: Команда «Анализ» -* Классификация “► Иерархическая кластеризация.. в окне (рис. 15): выбрать переменные Z-знач: «Z1 Ілаїї», {^Объявления», {^Решения», «Z Бюджет», «Z Договора», «ZBPn» (в соответствии с рисунком 16):

Рисунок 16 - Окно иерархический кластерный анализ с выбранными параметрами

Примечание - составлен автором на основе данных [63]

Затем кластеризовать: «Наблюдения» → Флажок «Вывести на дисплей»: Статистики —► Флажок «Вывести на дисплей»: Графики -► Кнопка «Метод». В окне (рис.16): —► Метод: Ближайший сосед —► Мера «Интервальная»: «Расстояние Евклида» —► Кнопка «Продолжить» (в соответствии с рисунком 17):

Рисунок 17 - Окно Иерархический кластерный анализ: Метод

Примечание - составлен автором на основе данных [63]

В окне (рис. 15): Кнопка «Графики»... —► в окне (в соответствии с рисунком 17): Установить -► флажок «Дендограмма» Кнопка

«Продолжить» (в соответствии с рисунком 18):

Рисунок 18 - Окно Иерархический кластерный анализ: Графики

Примечание - составлен автором на основе данных [63]

В окне (в соответствии с рисунком 15): Кнопка Статистики. —► в окне (в соответствии с рисунком 18): Установить флажок «Порядок агломерации» —► Установить флажок «Матрица близостей» —► Кнопка «Продолжить» (в соответствии с рисунком 19):

Рисунок 19 - Окно Иерархический кластерный анализ: Статистики Примечание - составлен автором на основе данных [63]

В окне (в соответствии с рисунком 15):—► Кнопка «Сохранить». в окне

(в соответствии с рисунком 19): Переключатель принадлежности кластерам: -► «Одно решение» количество кластеров: 2

—► Кнопка «Продолжить» в окне (в соответствии с рисунком 15): Кнопка

«ОК» (в соответствии с рисунком 20):

Рисунок 20 - Окно Иерархический кластерный анализ: Сохранить Примечание - составлен автором на основе данных [63]

Таким образом, проведя кластерный анализ государственных закупок в региональном разрезе автором диссертационной работы получены следующие результаты. Классификация регионов Казахстана по всем полученным в таблице 1 показателям выполнена методом ближайщего соседа и мерой расстояния - расстояние Евклида, получили порядок агломерации (кластеров) (таблица 3), матрицу близостей (таблица 4) и дендрограмму, отображающую процесс создания кластеров (в соответствии с рисунком 21):

Таблица 3 - Порядок агломерации (кластеров)

Продолжение таблицы 3

Таблица 4 - Матрица близостей

Примечание - собственные расчеты автора

Дендрограмма с использованием метода ближайшего сходства.

Рисунок 21 - Дендограмма распределения регионов Казахстана по государственным закупкам

Примечание - составлен автором на основе данных [63]

Из данных таблицы 3 агломерации можно сделать вывод о значительном увеличении коэффициента, который отображает расстояние между двумя кластерами, которое в свою очередь определяется на основе выбранной меры расстояния. Данное резкое колебание зафиксировано на 9 шаге. Наиболее приемлемым обычно считается то количество кластеров, которое равно разности числа наблюдений (мы рассматриваем 15 наблюдений) и числа шагов, после которого коэффициент начинает резкое увеличение (в таблице 3 - это происходит на 9 шаге). Таким образом, можно прийти к выводу, что оптимальное число кластеров применительно к нашим данным это: 15-9=6. К этому выводу можно прийти и после рассмотрения дендограммы объединения, которая так же наглядно демонстрирует, что после получения семи групп областей объединение происходит уже на больших расстояниях и поэтому не целесообразно.

Проведенный анализ показал, что имеющуюся совокупность областей оптимально разбить на 7 групп. Данное разделение, проведенное методом k - средних представлено в нижеследующей таблице (таблица 5):

Таблица 5 - Результат кластеризации

Из данных таблицы 5 видно, что первый кластер представлен двумя регионами - городом Астана и Восточно-Казахстанской областью, последний, шестой кластер представлен - пятью областями: Западно-Казахстанской, Мангистауской, Актюбинской, Жамбылской и Алматинской областями; он же является и наибольшим по количеству входящих в него регионов. Второй и третий кластеры представлены всего лишь одной областью.

Теперь попробуем определить особенности каждого из получившихся кластеров, охарактеризовать их. Для этого необходимо разработать профиль каждого кластера (таблица 6):

Таблица 6 - Профили кластера

Продолжение таблицы 6

Выводы. В результате проведенного кластерного анализа мы видим, что в Казахстане наблюдаются значительные региональные особенности по государственным закупкам.

Представленная автором диссертационного исследования методика кластеризации позволяет определить конкурентное положение регионов в части осуществления государственных закупок в целом, а также выявить недостатки по отдельным составляющим регионального развития. Данная методика также позволяет произвести детальный экономический анализ регионов и определить те из них, для дальнейшего развития и улучшения которых требуется выработка соответствующих действий и предложений.

Методика кластеризации достаточно универсальна и применима к регионам РК в части осуществления государственных закупок с учетом корректировки состава показателей не только в отношении оценки конкурентного статуса региона, но и по другим направлениям экономического анализа в рамках регионального развития.

3