Кластеризація як інструмент управління промисловими підприємствами

Рейтинг користувача:  / 0
ГіршийКращий 

Authors:

М. І. Іванова, доктор економічних наук, доцент, професор кафедри менеджменту, orcid.org/0000-0002-1130-0186, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. О. Фаізова, кандидат економічних наук, доцент, доцент кафедри адміністрування, управління та підприємництва, orcid.org/0000-0002-7243-0726, Національна металургійна академія України, м. Дніпро, Україна

М. В. Бойченко, доктор економічних наук, доцент, професор кафедри менеджменту, orcid.org/0000-0002-9874-3085, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. К. Балалаєв, кандидат біологічних наук, старший науковий співробітник, orcid.org/0000-0002-9389-4562, Інститут геотехнічної механіки імені Н. С. Полякова НАН України, м. Дніпро, Україна

В. Л. Смєсова, кандидат економічних наук, доцент, доцент кафедри теоретичної та прикладної економіки, orcid.org/0000-0002-0444-4659, Державний вищий навчальний заклад «Український державний хіміко-технологічний університет», м. Дніпро, Україна

 повний текст / full article



Abstract:

Мета. Обґрунтування методичних підходів до формування кластера промислових підприємств і встановлення системи зв’язків між їх кластерними групами.

Методика. Використані спеціальні методи аналогового моделювання для виявлення зв’язків виробничих підприємств, а також методи економіко-математичного моделювання для пошуку спільнот багатошарових мереж.

Результати. На принципово новій методологічній основі розкрито підхід до виявлення кластера промислових підприємств. Для цього порівняні результати трьох підходів до кластеризації. Встановлено, що ієрархічний кластерний аналіз не дозволяє виокремити рівнозначні групи підприємств і виявити зв’язки між ними, оскільки за даного підходу відсутній єдиний суворий критерій оптимального розподілу дендрограми на кластери. Конкурентний підхід геометричної близькості нейронів до об’єктів, що ґрунтується на нейромережевій технології самостійного навчання й самоорганізованих картах Кохонена, також дозволив виділити нерівномірну кластерну структуру. Уперше рекомендовано використовувати для формування кластеру промислових підприємств метод пошуку спільнот у багатошарових мережевих графах. Цей метод дозволив уперше побудувати кластер, що передбачає об’єднання промислових підприємств добувної й переробної галузі, навчальних закладів і науково-дослідних структур.

Наукова новизна. Запропоновано використовувати новий методологічний підхід до формування кластерів промислових підприємств, математичну основу для якого розробив Т. Камада. Цей підхід заснований на використанні множини матриць близькості об’єктів, що враховує зв’язки «постачальник – споживач», географічні відстані, форми власності. Доведено, що перевагою кластеризації на основі даного методу є можливості виокремлення спільноти підприємств, що є мережевими аналогами кластерів, і врахування зв’язків проаналізованих металургійних підприємств добувної й переробної галузі з навчальними закладами, науково-дослідними структурами підприємств. Розвиток цих зв’язків формує засади для продуктивного розвитку, функціонування та отримання додаткових конкурентних переваг промисловими підприємствами.

Практична значимість. В умовах кризи функціонування металургійних підприємств рекомендується сформувати кластер, що дозволить значно підвищити конкурентоспроможність кожного підприємства, яке входить до його складу, і більш ефективно реалізувати потенціал металургійного комплексу.

References.

1. Smiesova, V. L., & M’iachyn, V. H. (2018). Neural network approach to clustering countries by iIndicators characterizing the processes of formation and implementation of economic interests. Naukovyi Visnyk Uzhhorodskoho Natsionalnoho Universytetu. Seriia: Mizhnarodni ekonomichni vidnosyny ta svitove hospodarstvo19(3), 49-57.

2. Glinskiy, V., Serga, L., Chemezova, E., & Zaykov, K. (2016). Clusterization Economy as a Way to Build Sustainable Development of the Region. Procedia CIRP40, 324-328. https://doi.org/10.1016/j.procir.2016.01.050.

3. Babkin, A., Kudryavtseva, T., & Utkina, S. (2013). Formation of Industrial Clusters Using Method of Virtual Enterprises. Procedia Economics and Finance5, 68-72. https://doi.org/10.1016/S2212-5671(13)00011-7.

4. Jucevicius, G., & Grumadaite, K. (2015). Patterns for Cluster Emergence in Latecomer Economies. Procedia-Social and Behavioral Sciences213, 198-203. https://doi.org/10.1016/j.sbspro.2015.11.426.

5. Luyi, C., Yuan, Z., Dillon, Z., & Lan, X. (2017). Clustering enterprises into eco-industrial parks: Can interfirm alliances help small and medium-sized enterprises? Journal of Cleaner Production, 168, 1070-1079. https://doi.org/10.1016/j.jclepro.2017.09.104.

6. Baldassarre, B., Schepers, M., Bocken, N., Cuppen, E., & Calabretta, G. (2019). Industrial Symbiosis: towards a design process for eco-industrial clusters by integrating Circular Economy and Industrial Ecology perspectives. Journal of Cleaner Production216, 446-460. https://doi.org/10.1016/j.jclepro.2019.01.091.

7. Kayvanfar, V., Moattar Husseini, S.M., Sajadieh Moh­sen, S., & Karimi, B. (2018). A multi-echelon multi-product stochastic model to supply chain of small-and-medium enterprises in industrial clusters. Computers & Industrial Engineering8(115), 69-79. https://doi.org/10.1016/j.cie.2017.11.003.

8. Ivanova, M. I. (2017). Formalization of performance indicators in industrial logistics clusters. Visnyk Natsionalnoho Universytetu “Lvivska politekhnika”. Seriia: Menedzhment ta pidpryiemnytstvo v Ukraini: etapy stanovlennia i problemy rozvytku. (Pidpryiemnytstvo), 875, 147-152.

9. Pjatak, I. V. (2015). Enterprise clustering as a factor of innovative and integration processes of regional economy development. Visnyk Berdianskoho Universytetu Menedzhmentu i Biznesu1, 119-122.

10. Kohonen, T. (2013). Essentials of the self-organizing map. Neural Networks37, 52-65. https://doi.org/10.1016/j.neunet.2012.09.018.

11. Fortunato, S., & Hric, D. (2016). Community detection in networks: A user guide. Physics Reports659, 1-44. https://doi.org/0.1016/j.physrep.2016.09.002.

12. Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks2(3), 203-271. https://doi.org/10.1093/comnet/cnu016.

13. Stock market infrastructure development agency of Ukraine (n.d). Retrieved from: http://www.smida.gov.ua/.

14. Manukyan, N., Eppstein, M. J., & Rizzo, D. M. (2012). Data-driven cluster reinforcement and visualization in sparsely-matched self-organizing maps. Neural Networks and learning Systems, IEEE Transactions on23(5), 846-852. https://doi.org/10.1109/TNNLS.2012.2190768.

Наступні статті з поточного розділу:

Попередні статті з поточного розділу:

Відвідувачі

3173973
Сьогодні
За місяць
Всього
299
13984
3173973

Гостьова книга

Якщо у вас є питання, побажання або пропозиції, ви можете написати їх у нашій «Гостьовій книзі»

Реєстраційні дані

ISSN (print) 2071-2227,
ISSN (online) 2223-2362.
Журнал зареєстровано у Міністерстві юстиції України.
Реєстраційний номер КВ № 17742-6592ПР від 27.04.2011.

Контакти

49005, м. Дніпро, пр. Д. Яворницького, 19, корп. 3, к. 24 а
Тел.: +38 (056) 746 32 79.
e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.
Ви тут: Головна Індексація журналу UkrCat Архів журналу 2020 Зміст №3 2020 Кластеризація як інструмент управління промисловими підприємствами