Задача прогнозирования развития предприятий является актуальной, в том числе для хлебобулочной промышленности. Большой объем данных требует специальных методов обработки. Агрегация данных приводит к недопустимым погрешностям, поэтому необходимо разработать методику анализа больших данных, не требующую их предварительной обработки. В статье предлагается метод, основанный на построении траектории развития предприятий хлебобулочной промышленности в виде фазового портрета, включающего не только значения показателей, но и значения их первых и вторых производных, что позволяет формировать кластеры наиболее близких траекторий. Сформированные кластеры дают дополнительные возможности управления предприятиями и хлебобулочной отраслью в целом с целью максимизации эффективности: прогнозирования развития предприятий, уточнения неявных критериев развития, учета плохо формализуемых условий деятельности. Рассмотрена задача построения траекторий развития подсистем отраслевой экономической системы, формирующих макросистему пищевой промышленности. Введена метрика, в фазовом пространстве, учитывающая свойства траекторий развития. Для этого использована обобщенная метрика, учитывающая корреляционные матрицы показателей подсистемы как временных рядов. Формирование кластеров фазовых траекторий путем экстраполяции средних фазовых траекторий позволяет определить ожидаемые значения параметров при различных горизонтах планирования, выделить точки слияния фазовых траекторий и, наоборот, точки бифуркаций. Таким образом, предлагается методологический подход для анализа поведения и выбора стратегии развития отраслевой экономической системы предприятий хлебобулочной промышленности на основе методов кластеризации фазовых портретов, что позволяет использовать данные о предприятии без дополнительной обработки и обеспечить устойчивость по отношению к генерации псевдоцелей.
This paper addresses the problem of plotting development trajectories of multiple subsystems forming a single macrosystem. One example of such subsystems is manufacturing enterprises whose business activities can be described by a multitude of indicators. Development trajectories can be used to analyze the dynamics of both individual enterprises and their groups (industry sec-tors) without aggregating information. Input data for analyzing a company’s activities are fed from its accounting records, which serve as a knowledge base for making management decisions. This requires developing a methodological framework for the analysis and evaluation of strategic man-agement initiatives and strategic management decisions under conditions of certainty, uncertainty and risk, which is especially important for innovation and allows the use of cluster analysis. Plot-ting a development trajectory in the form of a phase portrait, which includes both indicator values and their first and second derivatives, allows forming clusters of the closest trajectories. Such clus-ters provide additional tools for managing enterprises or entire industries to maximize their effi-ciency by forecasting enterprise development, refining implicit development criteria, and account-ing for poorly formalizable business conditions. Plotting clusters requires introducing a metric in the phase space to account for the properties of development trajectories. For this purpose, a gen-eralized metric was introduced that takes into account the correlation matrices of subsystem indi-cators as temporal series. When forming phase trajectory clusters, it is possible to determine ex-pected parameter values at different planning horizons by extrapolating average phase trajectories, and to identify the convergence and bifurcation points of individual phase trajectories. This pro-vides a universal big data processing technique for analyzing the behavior of a macrosystem and choosing an appropriate management strategy for it.
The authors declare that there are no conflicts of interest present.