Області діяльності підприємства

	Абсолютної стійкості	Нормальної стійкості	Нестійкого стану	Критичного стану	Катастрофі- чного стану
Області ризику	Безризикова область	Область мінімального ризику	Область підвищеного ризику	Область критичного ризику	Область недопустимого ризику
Макси-мальні втрати	Відсутність втрат	Чистий прибуток	Розрахунковий прибуток	Валовий прибуток	Виручка від реалізації та власність підприємства
Коефіцієт варіації	0	0-0,25	0,25-0,5	0,5-0,75	0,75-1

2.3. Оцінка ризиків інноваційної діяльності на основі кластерного аналізу

Різні методи та інструменти оцінки економічного ризику, на жаль відрізняються між собою не тільки складністю у застосуванні та витратами ресурсів, а й результатами. Розбіжність у результатах може призвести до помилок в управлінських рішеннях та висновках. Однак, як уже зазначалося, для отримання адекватних результатів доцільно оцінювати ризик низкою показників, оскільки економічний ризик є багатогранним економічним явищем. Прийняти ж остаточне рішення та дійти висновків щодо даного рівня ризику при суперечності його кількісних показників можна, застосувавши методи порівняння з аналогічними об’єктами за цими кількісними показниками. Одним із видів методів порівняння з аналогічними об’єктами є кластерний аналіз²⁵.

Кластерний аналіз – це метод багатовимірного статистичного аналізу, що дає змогу упорядкувати досліджувані об’єкти в однорідні групи. Кластерний аналіз, на відміну від інших комбінаційних групувань передбачає одночасне розбивання на групи з врахуванням всіх ознак групування, і в результаті елементи всередині груп подібні за заданими параметрами, а елементи з різних груп відрізняються один від одного. Отже, кластерний аналіз більш точно розбиває задану сукупність на групи.

Методом кластерного аналізу, можна розв’язати такі задачі:

1. Проведення класифікації об’єктів з урахуванням ознак, які відображають їх стан та природу. Розв’язання такої задачі, як правило, дає змогу одержати додаткову інформацію про сукупність об’єктів класифікації.

2. Перевірка припущення про наявність певної структури в сукупності об’єктів, які досліджується, тобто пошук існуючої структури.

3. Формування нових класифікацій для явищ та подій, про які відсутня повна інформація. Така класифікація допоможе встановити зв’язки всередині сукупності та внести певну структуру.

Для проведення класифікації необхідно скористатись поняттям подібності. Оцінка подібності між об’єктами залежить від абсолютного значення ознаки і від ступеня її варіації в сукупності. Щоб уникнути такої залежності, варто значення вихідних змінних пронормувати. Серед способів центрування та нормування найбільш поширеним є заміна x_ij новими значеннями у_ij за формулою

, (8)

де у_ij – стандартизоване значення;

x_ij – вихідне значення;

- середнє значення кожного параметра;

- дисперсія параметра x_j.

Дисперсію можна знайти за формулою

, (9)

де n – число змінних.

Подібність або відмінність об’єктів, які класифікуються, визначає залежно від метричної відстані між ними, тобто розраховуються міри відстані між об’єктами. У кожний із кластерів повинні потрапити об’єкти, які мають подібні характеристики. Інтуїтивно зрозуміло, що чим менша відстань між об’єктами, тим вони більш схожі. Є наступні міри відстаней: евклідова відстань, зважена евклідова відстань, відстань city-block, відстань Мінковського, відстань Махаланобіса. Однак найбільш вживаними є перші дві, тому при розрахунках використовуються саме вони:

евклідова відстань:

(10)

зважена евклідова відстань:

, (11)

де d_ij – відстань між і-м та j-м об’єктами;

z_ik, z_jk – стандартизоване значення k-ої змінної відповідно у і-го та j-го об’єктів;

w_k – вага k-ї змінної;

k – змінна.

Методи кластерного аналізу можна поділити на ієрархічні агломеративні, дивізимні та ітеративні. Агломеративні методи дають змогу послідовно об’єднувати окремі об’єкти в групи (кластери), а дивізимні розбивати групи на окремі об’єкти. Алгоритм більшості методів ієрархічного агломеративного кластерного аналізу можна представити у вигляді послідовних процедур. На першому кроці значення вихідних змінних нормується одним із способів і розраховується матриця відстаней (подібності). Далі використовується пара найближчих кластерів, і за обраним алгоритмом дані кластери об’єднуються. Процедура повторюється доти, поки всі об’єкти не будуть об’єднані в один кластер або поки не буде досягнутий заданий “поріг” подібності.

У цій роботі на першому етапі буде застосований ієрархічний агломеративний метод середніх зв’язків для виявлення кількості кластерів, на які буде розбита початкова сукупність. Згідно з даним методом, новий об’єкт включається у кластер на основі розрахунку середнього значення міри подібності, яке потім порівнюється із заданим пороговим значенням. Якщо об’єднуються два кластери, то розраховується відстань між їхніми центрами, яка порівнюється із заданим пороговим значенням (рис. 2.5).

L₁ L₂

d_L1, d_L2