Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Цифровые инновации совершенствования контрактной системы закупок. Монография
.pdf
2.2. Оценка цифрового потенциала закупочных систем с использованием метода кластеризации
51
тестируемых в рамках закупочных систем ЕС (Приложение В).
Отобранные для кластерного анализа показатели представлены в
табл. 3.
Таблица 3
Переменные для кластерного анализа национальных закупочных систем
Переменная Описание переменной
Digitaltech Бинарная переменная.
GNIpercapita Количественная переменная.
GDPasPPE Количественная переменная.
Numtenders Количественная переменная.
Centr Бинарная переменная.
Open Бинарная переменная.
Internalpref Бинарная переменная.
Eprocurement
system
1 – если в закупочной системе страны уже применяются
цифровые технологии,
0 – если цифровые технологии не применяются.
Национальный доход на душу населения (в долл.).
Доля затрат на закупки от ВВП (%).
Количество проведенных тендеров (шт.).
1 – если управление закупками осуществляет специально
созданный госорган,
0 – в противном случае.
1 – если закупочные процедуры являются публично открытыми,
0 – в противном случае.
1 – если в стране предусмотрены преференции для национальных поставщиков,
0 – если данные преференции не предусмотрены.
Бинарная переменная.
1 – если в стране функционирует электронная закупочная
система,
0 –в противном случае.
Проведение кластерного анализа предполагает оценку рисков
моделирования. Хотя база данных взята с официального сайта Мирового банка, но остаются вопросы по методологии сбора и расчета некоторых показателей, их адекватности и возможности сопоставления по странам. Также необходимо отметить, что в данных
встречаются пропуски некоторых показателей, характеризующих
Глава 2. Инновационные технологии в национальной системе закупок…
52
закупочную систему соответствующей страны, что также может
негативно сказываться на результатах моделирования.
Наблюдается асимметричное распределение данных в отрицательном направлении у переменной Internal pref (преференции
национальным производителям), в положительном направлении
в переменных GNI per capita, num tenders, centr, digital tech. Несимметричное распределение большинства переменных обусловливает необходимость группировки наблюдений. Описательные
статистики переменных, позволившие сделать вышеприведенные
выводы, представлены в табл. 4.
Таблица 4
Описательные статистики анализируемых переменных
Описательные статистики (Таблица данных1)
Пере-
Коли-
мен-
чество
ная
на блю-
де ний
GNI
per
capita
GDP
as
PPE,
%
Num
tenders
Centr 100 0,3 0,000 0,000 71 29 0,00 1 0,5 157,258
Open 100 0,9 1,000 1,000 89 89 0,00 1 0,3 35,333
Inter-
nal
pref
Eprocurement
system
Digital
tech
Сред-
Меди-
нее
100 15178 6245,0
98 0,1 0,086 0,070 9 10 0,00 0 0,1 72,188
92
218095
100 0,5 1,000 1,000 53 53 0,00 1 0,5 94,644
100 0,9 1,000 1,000 90 90 0,00 1 0,3 33,501
100 0,3 0,000 1,000 68 32 0,00 1 0,5 146,50
7507,0 Mно-
ана
Мода Час-
тота
моды
Mно-
жес-
2
жес-
тво
1
тво
Сумма Мини-
1517804
20064777
мум
130,0 82500 19153 126,19
0,00 1 802446 367,934
Мак-
си мум
Стан-
дартное
отклоне-
ние
Коэф.
вариа-
ции
2.2. Оценка цифрового потенциала закупочных систем с использованием метода кластеризации
53
Необходимость кластеризации подтверждается высокими ко-
эффициентами вариации переменных (табл. 4), что свидетельствует о их значительном разбросе и неоднородности данных. Также
риском данной модели является возможность определения слишком большого числа групп в связи с тем, что анализируются данные по странам и закупочные системы стран могут развиваться
особым образом, характерным только для конкретной страны. Исходная таблица данных, на основе которых была проведена кластеризация, представлена в Приложении Б.
«Все кластерные алгоритмы нуждаются в оценках расстояний
между кластерами или объектами, и поэтому при вычислении расстояния необходимо задать масштаб измерений. Поскольку различные измерения используют абсолютно различные типы шкал,
данные необходимо стандартизовать, так что каждая переменная
будет иметь среднее 0 и стандартное отклонение 1»77.
Прежде всего необходимо выяснить, объединяются ли страны в
«естественные» кластеры, которые могут быть описаны. Для этого
построим иерархическую классификацию, заданные параметры
которой представлены на рисунке 3.
Ðèñ. 3. Параметры кластерного анализа
77
Пример использования кластерного анализа STATISTICA в автостраховании
[Electronic resource]. URL: http://statsoft.ru/solutions/ExamplesBase/branches/
detail.php?ELEMENT_ID=1573 (дата обращения: 22.03.2024).
Глава 2. Инновационные технологии в национальной системе закупок…
54
На рисунке 4 представлена полученная дендрограмма, анализ
которой сверху вниз позволяет агрегировать страны, теснее соприкасающиеся друг с другом, в соответствующие кластеры. При
этом ее узлы – это объединения 2-х и более кластеров, а их расположение вертикальной оси определяет расстояние, на котором
были объединены страны в соответствующие кластеры. В результате идентифицированы 8 кластеров.
Ðèñ. 4. Дендрограмма кластерного анализа
Кластеризация осуществлена методом k-средних для выявленных 8 кластеров. Основные статистики приведены в табл. 5.
Дисперсионный анализ в рамках кластеризации определяет
значимость различий выделенных кластеров: р <0.05. Это подтверждает значимость различия и позволяет перейти к анализу полученных кластеров. Также для каждого показателя модели были
построены таблицы, в которых приведены их описательные статистики (среднее значение, стандартное отклонение, минимальное и
максимальное значение) для каждого кластера.
В таблице 6 представлены страны, вошедшие в первый кластер,
и расстояния от стран до центра кластера. Для составления качественной характеристики кластера были добавлены баллы рас-
2.2. Оценка цифрового потенциала закупочных систем с использованием метода кластеризации
55
сматриваемых стран по исследованию Мирового банка «Сравнительный анализ государственных закупок 2017»78.
Дисперсионный анализ в рамках кластеризации
Дисперсионный анализ (Таблица данных 2)
Перемен-
ная
GNI per
capita
GDP as
PPE (%)
Num
tenders
Межгруп-
повая
диспер-
сия SS
49,55226 7 30,46176 83 19,28806 0,000000
12,60917 7 69,48949 83 2,15153 0,046953
77,23335 7 13,69961 83 66,84619 0,000000
сс (чис-
ло сте-
пеней
свободы)
Внутригрупповая
дисперсия
SS
сс (чис-
ло сте-
пеней
свободы)
F (крите-
рий Фи-
шера)
Centr 55,07882 7 36,22337 83 18,02917 0,000000
Open 73,16180 7 8,84832 83 98,04006 0,000000
Internal
pref
E-procure-
ment system
45,06096 7 45,08158 83 11,85172 0,000000
80,26374 7 0,00000 83
Digital tech 67,27998 7 22,61276 83 35,27868 0,000000
Таблица 5
Значимость
различий
кластеров,
p
Характеристика кластера ¹ 1
Страна Элементы кластера номер 1
(Таблица данных) и рассто-
79
Регион Оценка
Таблица 6
BРP
яния до центра кластера.
Кластер содержит 23 набл.
Angola 0,086853 Sub-Saharan Africa 319
Azerbaijan 0,086683 Central Asia 308
Benin 0,143793 Sub-Saharan Africa -
78
Исследование «Сравнительный анализ государственных закупок 2017».
[Electronic resource]. URL: http://bpp.worldbank.org (accessed: 24.03.2024).
79
Оценка BРP – это аббревиатура "BENCHMARKING PUBLIC PROCUREMENT". [Electronic resource]. URL: https://documents1.worldbank.org/curated/
en/121001523554026106/Benchmarking-Public-Procurement-2017-Assessing-Public-Procurement-Regulatory-Systems-in-180-Economies.pdf (accessed: 01.10.2024).
Глава 2. Инновационные технологии в национальной системе закупок…
56
Окончание табл. 6
Страна Элементы кластера номер 1
(Таблица данных) и рассто-
яния до центра кластера.
Кластер содержит 23 набл.
Bosnia 0,015710 Europe 380
Cameroon 0,156577 Central Africa 388
El Salvador 0,075184 Latin America and Caribbean 380
Greece 0,299473 Europe, OECD high-income 367
Honduras 0,073213 Latin America and Caribbean 307
Indonesia 0,262445 East Asia and Pacific 345
Kenya 0,854828 Sub-Saharan Africa 365
Kiribati 0,308705 East Asia and Pacific 96
Madagascar 0,232347 Africa 300
Mauritius 0,242843 Sub-Saharan Africa 345
Samoa 0,306441 East Asia and Pacific 188
Saudi Arabia 0,445581 Middle East 311
Senegal 0,241210 Sub-Saharan Africa 393
Serbia 0,025307 Europe 360
Seychelles 0,442970 Sub-Saharan Africa 330
Sri Lanka 0,074615 South Asia 262
Sudan 0,408817 Sub-Saharan Africa 275
Uruguay 0,543232 Latin America 357
Vietnam 0,194306 East Asia 377
Zambia 0,197331 Sub-Saharan Africa 354
Регион Оценка
BРP
Первый кластер объединяет 23 страны, среди которых преобладают африканские страны. В ходе интерпретации показателей, описывающих данный кластер, выделяются следующие особенности:
характерной чертой этих стран выступает средняя оценка их
–
закупочных систем в исследование «Сравнительный анализ
государственных закупок 2017», которое проводилось группой Мирового банка. Этот показатель равен 323 из 600, что
свидетельствует о значительных несовершенствах закупочных систем стран, входящих в данный кластер;
2.2. Оценка цифрового потенциала закупочных систем с использованием метода кластеризации
57
отличительной особенностью этого кластера является наибо-
–
лее низкое из рассматриваемых среднее значение Национального дохода на душу населения (GNI per capita = 6127,83),
следовательно, в кластер входят страны с наиболее низким
национальным доходом на душу населения;
наблюдается достаточно низкое среднее значение доли госу-
–
дарственных закупок в ВВП (GDP as PPE) – всего около 8 %;
ни в одной из стран данного кластера управление закупками
–
не осуществляет специально созданный госорган;
во всех странах данного кластера закупочные процедуры яв-
–
ляются публично открытыми;
во всех странах существуют преференции для национальных
–
поставщиков;
электронные закупки используются во всех странах, а
–
digital-технологии не применяются ни в одной стране из данного кластера.
Таким образом, первый кластер можно условно назвать «Аф-
риканские страны с проблемными закупочными системами». Для
стран, входящих в этот кластер, можно порекомендовать сконцентрировать усилия не на совершенствовании системы закупок,
а решить более важные экономические проблемы, такие как повышение благосостояния населения, минимизация коррупции, определение стратегии развития экономики и достижения стабильного
роста, что повлечет за собой расширение сектора госзакупок и необходимость их реформирования.
Второй кластер объединяет 10 стран, среди которых преоблада-
ют восточные и южные европейские страны (табл. 7).
Таблица 7
Характеристика кластера ¹ 2
Страна Элементы кластера номер 2 и
расстояния до центра кластера.
Кластер содержит 10 набл.
Bangladesh 0,190693 South Asia 351
Croatia 0,151249 Europe 383
Kazakhstan 0,493098 Central Asia 477
Kosovo 0,116632 Europe 432
Регион Оценка
BPP
Глава 2. Инновационные технологии в национальной системе закупок…
58
Окончание табл. 7
Страна Элементы кластера номер 2 и
расстояния до центра кластера.
Кластер содержит 10 набл.
Lithuania 0,409099 Europe 359
Montenegro 0,107121 Europe 335
North Macedonia 0,182824 Europe Peru 0,073766 Latin America 375
Slovak Republic 0,322468 Europe 366
Tajikistan 0,230175 Central Asia 351
Регион Оценка
BPP
Характерной чертой данных стран выступает средняя оценка
закупочной системы, равная 344 из 600, что также является недостаточно высоким показателем, свидетельствующим о значимых несовершенствах систем закупок. По показателю среднего национального дохода на душу населения данный кластер занимает
срединную позицию – среднее значение составляет 9118,00 долл.
В странах кластера не функционируют специально созданные централизованные органы власти, курирующие закупки. Во всех странах процедуры являются публично открытыми, не предоставляются преференции внутренним поставщикам, созданы электронные
закупочные системы, но цифровые технологии не используются.
Таким образом, второй кластер можно условно назвать «Восточные и южные европейские страны». В качестве рекомендаций
по совершенствованию их закупочных систем можно предложить
развивать цифровые технологии, направленные на локализацию
коррупции, улучшить институциональную основу публичных закупок.
Третий кластер объединяет 8 стран (табл. 8), среди которых
преобладают африканские страны. Также в данный кластер попала высокоразвитая Великобритания, что может являться ошибкой моделирования.
Охарактеризовать страны кластера № 3 по средней оценке их
закупочных систем, рассчитанной Мировым банком, невозможно,
поскольку многие африканские страны данного кластера не включены в его исследование «Сравнительный анализ государственных закупок 2017». За счет включения Великобритании в данный
2.2. Оценка цифрового потенциала закупочных систем с использованием метода кластеризации
59
Таблица 8
Характеристика кластера ¹ 3
Страна Элементы кластера номер 3 и
Guyana 0,320567 Latin America Kingdom of
Eswatini
Malawi 0,437407 Sub-Saharan Africa 325
Nigeria 0,386449 Sub-Saharan Africa 377
Sao Tome and
Principe
Somalia 0,559706 Sub-Saharan Africa Togo 0,511342 Sub-Saharan Africa 346
United Kingdom 1,058041 Europe, OECD high-
расстояния до центра кластера. Кластер содержит 8 набл.
0,823629 Africa -
1,156476 Sub-Saharan Africa -
Регион Оценка
BPP
323
income
кластер среднее значение показателя национального дохода на
душу населения является завышенным. По сравнению с другими
кластерами среднее количество проводимых тендеров в странах
данного кластера является самым низким – 6881,00.
В странах кластера не функционируют специально созданные
централизованные органы власти, курирующие закупки. В большинстве стран кластера процедуры являются публично открытыми, предоставляются преференции внутренним поставщикам,
не функционируют электронные закупочные системы, цифровые
технологии не используются.
Таким образом, третий кластер можно условно назвать «Афри-
канские страны + Великобритания». Великобритания была определена в данный кластер не случайно: в него объединены страны,
в которых отсутствуют электронные закупки и не применяются
цифровые технологии. В качестве основного приоритета совершенствования закупочных систем стран данного кластера обозначим внедрение хотя бы электронных технологий в процесс государственных закупок, что позволит оптимизировать их процесс,
сделать более конкурентными, а в отношении африканских стран
кластера – снизить коррупционные риски.
Глава 2. Инновационные технологии в национальной системе закупок…
60
Четвертый кластер объединяет 18 стран, среди которых преобладают европейские страны с высоким доходом (табл. 9).
Таблица 9
Характеристика кластера ¹ 4
Страна
Albania
Armenia
Belarus
Bulgaria
Chile
Estonia
Hungary
Italy
Kyrgyz
Republic
Mexico
Moldova
Philippines
Portugal
Romania
Slovenia
Spain
Turkey
Ukraine
Элементы кластера но-
мер 4 и расстояния до
центра кластера. Кла-
стер содержит 18 набл.
0,530695 Europe 428
0,471754 Central Asia 305
0,479108 Europe 325
0,507003 Europe 449
0,643286 Latin America, OECD high-
income
0,544825 Europe, OECD high-income 391
0,623776 Europe, OECD high-income 445
0,837000 Europe, OECD high-income 476
0,622564 Central Asia 341
0,591780 Latin America 416
0,521852 Europe 385
0,801967 East Asia and Pacific 405
0,565958 Europe, OECD high-income 366
0,502219 Europe 456
0,627276 Europe, OECD high-income 390
0,551428 Europe, OECD high-income 485
0,445372 Central Asia 398
0,572952 Europe 372
Регион Оценка
BPP
363
Характерной чертой данных стран выступает достаточно высокая средняя оценка их закупочных систем экспертами Мирового
банка, равная 400 из 600, что свидетельствует о высокой развитости еще в 2017 г. Для стран кластера характерен средний уровень
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]