Оцінка детермінант розвитку інформаційних систем у рамках державно-приватного партнерства

Abstract

У процесі аналізу результатів експертного опитування з використанням методу кластеризації доведено, що класифікація факторів на основі їх оцінок експертами дозволяє виявити групи факторів зі схожими характеристиками. Спочатку обґрунтовано використання методу «к-середніх» як найбільш доцільного для кластеризації, оскільки він ефективно розподіляє фактори за спільними ознаками та дозволяє виявити приховані структури даних. Подальша кластеризація показала, що кожен кластер містить фактори з різним рівнем важливості, що підтверджується середніми оцінками експертів для кожного кластера. Доведено, що кластери 1 і 2 мають вищі середні оцінки, що свідчить про те, що фактори в цих групах є найбільш важливими для експертів. Натомість кластери 0 і 3 мають більш варіативні оцінки, що вказує на змішану важливість факторів у цих групах. Аргументовано, що візуальний аналіз факторів за допомогою графіків розподілу середніх оцінок та порівняння кластерів допоміг виявити тенденції та підкреслити відмінності між групами факторів. Зокрема, виявлено, що кластери 1 і 2 містять стратегічно важливі фактори з високими оцінками, тоді як кластери 0 і 3 об'єднують фактори середньої та низької важливості. Таким чином, обґрунтовано, що кластеризація факторів на основі експертних оцінок є ефективним інструментом для аналізу, оскільки дозволяє виокремити групи факторів з різними характеристиками, зосередитися на ключових аспектах і полегшити подальший процес прийняття рішень.

The expert evaluation method allows the involvement of specialists from various fields who can objectively assess the importance of each factor, considering their specific experience and knowledge. Expert evaluations enable the acquisition of more accurate data in conditions of uncertainty, where it is difficult to measure all indicators quantitatively. The analysis of expert survey results using the clustering method has demonstrated that classifying factors based on expert assessments allows for identifying groups of factors with similar characteristics. The justification for using the “k-means” method as the most suitable for clustering was initially provided, as it effectively distributes factors based on common features and uncovers hidden data structures. Further clustering revealed that each cluster contains factors with varying levels of importance, as evidenced by the mean scores assigned by experts for each cluster. It was proven that clusters 1 and 2 have higher average scores, indicating that the factors in these groups are considered the most important by experts. In contrast, clusters 0 and 3 show more variable ratings, suggesting mixed importance of the factors within these groups. It was argued that visual analysis of the factors using distribution charts of average scores and cluster comparisons helped reveal trends and highlight differences between the groups. Specifically, clusters 1 and 2 include strategically important factors with high scores, while clusters 0 and 3 contain factors of medium and low importance. Thus, it has been substantiated that clustering factors based on expert evaluations is an effective tool for analysis, as it allows for the identification of groups of factors with different characteristics, focuses on key aspects, and facilitates the decision-making process. The factors with the highest average scores in each cluster indicate their priority for experts in the respective groups. These factors can serve as a guide for strategic decision-making, as they reflect the greatest impact on the development of information systems within public-private partnerships. Further analysis of this data will allow for the identification of the most effective ways to implement technologies and concentrate resources on the most critical aspects for the successful execution of projects.