25818-1 (Методы анализа управленческих решений), страница 3
Описание файла
Документ из архива "Методы анализа управленческих решений", который расположен в категории "". Всё это находится в предмете "философия" из , которые можно найти в файловом архиве . Не смотря на прямую связь этого архива с , его также можно найти и в других разделах. Архив можно найти в разделе "рефераты, доклады и презентации", в предмете "философия" в общих файлах.
Онлайн просмотр документа "25818-1"
Текст 3 страницы из документа "25818-1"
6) себестоимость единицы продукции до внедрения организационно-технических мероприятий составляет 830 у.е.;
7) норма прибыли по данному товару на 1998 г. сохраняется на уровне 1997и г., т.е. равна 8,5%;
8) степень капитального риска реализации мероприятий составляет 0,80.
Сначала сделаем расчет снижения себестоимости за счет внедрения организационно-технических мероприятий.
Показатели степейи, при факторах в уравнении регрессии показывают их эластичность, т.е. на сколько процентов снизится себестоимость при улучшении данного фактора на 1%. Например, при снижении расхода материалов на 1% себестоимость снижается на 0,652 и т.д.
В данном примере снижение себестоимости товара в процентах ( С) можно определить исходя из эффективности мероприятий по улучшению
где С – относительное снижение себестоимости за счёт внедрения мероприятий, %
i = 1,2, …n – номер фактора, влияющего на себестоимость;
Хi – i фактор снижения себестоимости;
ai - весомость i-го фактора.
Для данного примера
С = 4,5 * 0,652 + 6,8 * 0,340 + 5,3 * 0,148 + 9,2 * 0,085 = 6,8 %
Снижение себестоимости единицы товара за счёт внедрения мероприятий с учетом риска инвестиций (неопределённости) составит
Одновременно со снижением себестоимости товара за счёт внедрения мероприятий на цену оказывают влияние инвестиции, вложенные в предприятие. На единицу товара инвестиции отразятся следующим образом:
где К - рост себестоимости товара за счёт распределения инвестиций на разработку и реализацию мероприятий (К);
N – готовая программа выпуска товара;
T – срок действия мероприятий, лет.
Цена товара до внедрения мероприятий составляет
Цена товара после внедрения мероприятий составит 900 – 45,1 + 24,5 = 879,4 = 879 у.е.
Таким образом, реализация стратегии ресурсосбережения позволила снизить цену товара на 21 у.е.
Метод цепных подстановок
Метод цепных подстановок (МЦП) используется для исчисления влияния отдельных факторов на соответствующий совокупный показатель или функцию. МЦП используется лишь тогда, когда зависимость между изучаемыми явлениями имеет строго функциональный характер. В этих случаях функция должна быть изображена в виде суммы, произведения или частного, от деления одних показателей (факторов) на другие /1/.
МЦП заключается в последовательной замене плановой величины одного из факторов при условии, что остальные факторы остаются неизменными.
Степень влияния на функцию того или иного фактора определяется последовательным вычитанием: из второго расчета вычитается первый, из третьего - второй и т.д. В первом расчете все величины плановые, в последнем - фактические. Таким образом, число расчетов на единицу больше числа факторов.
Пример.
Требуется определить влияние на объем продаж (V) трудовых факторов по следующей формуле:
V=Ч*Д*t*B, (4.1)
где Ч — среднесписочное число рабочих;
Д — среднее число дней, отработанных одним рабочим за день;
t — среднее число часов, отработанных одним рабочим за день;
В — средняя выработка продукции на один отработанный человеко-день.
Следовательно, объем продаж равен произведению четырех факторов.
Исходные данные приведены в табл. 4.2.
Таблица 4.2.
Исходные данные для определения влияния трудовых факторов на объем продаж
Факторы и функция | План | Факт |
| 2803,8 900 301 6,9 1,5 | 3155,2 1000 290 6,8 1,6 |
План продаж перевыполнен на 351,4 тыс. $ (3155,2 - 2803,8). Для того, чтобы определить, каким образом влияли на функцию (V) различные факторы, сделаем следующие расчеты.
Первый расчет
Все показатели плановые
900 • 301 • 6,9 • 1,5 = 2803,8 тыс.$
Второй расчет
Среднесписочное число рабочих фактическое, а остальные показатели плановые
1000-301-6,9 .1,5 =3115,4 тыс.$.
Третий расчет
Число рабочих и число отработанных ими дней фактические, а остальные показатели плановые
1000 • 290 • 6,9 • 1,5 = 3001,5 тыс.$.
Четвертый расчет
Число рабочих, число отработанных дней и часов фактические, а выработка плановая
1000 • 290 • 6,8 • 1,5 = 2958,0 тыс. $.
Пятый расчет
Все показатели фактические
1000-290-6,8-1,6=3155,2 тыс.$. Далее сделаем анализ влияния факторов на объем продаж.
Отклонение фактического объема продаж от планового произошло за счет влияния следующих факторов:
1) увеличения количества рабочих определяется путем вычитания из второго расчета первого
3115,4 - 2803,8 = +311,6 тыс. $;
2) уменьшения числа отработанных дней - из третьего вычитается второй результат
3001,5 - 3115,4 = -113,9 тыс. $;
3) уменьшения средней продолжительности рабочего дня - из четвертого вычитается третий
2958,0 - 3001, 5 = -43,5 тыс. $;
4) повышения средней часовой выработки 3155,2 - 2958,0 = +197,2 тыс. $.
Общее отклонение 3155,2 - 2803,8 = +351,4 тыс. $. Или 311,6 - 113,9 - 43,5 + 197,2 = +351,4.
При использовании МЦП очень важно обеспечить строгую последовательность подстановки: сначала выявляется влияние количественных показателей, а потом - качественных. К качественным относятся, например, выработка, производительность труда, цена.
Факторный анализ с применением ЭВМ
Факторный анализ — это процедура установления силы влияния факторов на функцию или результативный признак (полезный эффект машины.элементы совокупных затрат, производительности труда и т.д.) с целью ранжирования факторов для разработки плана организационно-технических мероприятий по улучшению функции.
Применение методов факторного анализа требует большой подготовительной работы и трудоемких по установлению моделей расчетов. Поэтому без ЭВМ не рекомендуется применять методы корреляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стандартные программы по этим методам. В свою очередь пользоваться установленными с помощью ЭВМ моделями очень просто.
На подготовительной стадии факторного анализа большое внимание следует уделять качеству матрицы исходных данных для ЭВМ. С этой целью сначала рекомендуется на основе логического анализа определять группы факторов, влияющих на исследуемую функцию.
К исходным данным предъявляются следующие требования:
а) в объем выборки должны включаться данные только по однородной совокупности объектов анализа, т.е. одного назначения и класса, используемых (изготавливаемых, функционирующих) в аналогичных условиях по характеру и типу производства, режиму работы, географическому району и т.д. В том случае, когда необходимо увеличить размер матрицы, исходные данные отдельных объектов могут быть приведены в сравнимый вид с большинством объектов по отличающимся признакам путем умножения их на корректирующие, коэффициенты;
б) период динамического ряда исходных данных должен быть небольшим, но, по возможности, одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в два и более раза меньше периода динамического ряда. Например, по данным за 1985-1995гг. можно разработать прогноз до 2000г., а в последующие годы по фактическим данным модель должна обновляться (уточняться);
в) исходные данные должны быть качественно однородными, с небольшими интервалами между собой;
г) следует применять одинаковые методы или источники формирования данных. Если динамический ряд имеет крупные структурные сдвиги (например из-за изменения цен, ассортимента выпускаемой продукции, программы ее выпуска и т.д.), то все данные должны быть приведены в сравнимый вид или одинаковые условия;
д) отдельные исходные данные должны быть независимы от предыдущих и последующих наблюдений.
Например, наблюдение не должно определяться расчетным путем по предыдущему наблюдению.
Основные параметры корреляционно-регрессионного анализа в связи с их сложностью не приводятся, поскольку все расчеты предполагается выполнять на ЭВМ по стандартной программе. Конечные результаты расчета выдаются на печать (табл. 4.3).
Факторный анализ следует проводить в следующей последовательности:
1. Обоснование объекта анализа, постановка цели.
2. Сбор исходных данных и их уточнение в соответствии с ранее описанными требованиями.
Основные параметры корреляционно- регрессионного анализа.
Назначение параметра | Обозначение | Что характеризует параметр и для чего применяется | Оптимальное значение параметра |
1 | 2 | 3 | 4 |
1. Объем выработки | м | Количество данных по фактору (размер матрицы по вертикали). Применяется для установления тенденций изменения фактора | Не менее чем в 3-5 раз больше количества факторов (Nxi) |
2. Коэффициент вариации | Vi | Уровень отклонения значений факторов от средней анализируемой совокупности | Меньше 33% |
3. Коэффициент парной корреляции | Rxy | Тесноту связи между i-м фактором и функцией. Применяется для отбора факторов | Больше 0,1 |
4. Коэффициент частной корреляции | Rxx | Тесноту связи между факторами. Применяется для отбора факторов | Чем меньше, тем лучше модель |
5. Коэффициент множественной корреляции | R | Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели | Больше 0,7 |
6. Коэффициент множественной детерминации | D | Долю влияния на функцию включенных в модель факторов. Равен квадрату коэффициента множественной корреляции | Больше 0,5 |
7. Коэффициент асиметрии | A | Степень отклонения фактического распределения случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения | Метод наименьших квадратов может применяться при А меньше трёх |
8. Коэффициент эксцесса | E | Плосковершинность случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения функции | Е должен быть меньше трёх |
9. Критерий Фишера | F | Математический критерий характеризующий значимость уравнения регрессии. Применяется для выбора модели | F должен быть больше табличного значения, установленного для различных размеров матрицы и вероятностей |
10. Критерий Стьюдента | t | Существенность факторов, входящих в модель. Применяется для выбора модели | Больше 2 (при вероятности, равной 0,95 |
11. Среднеквадратическая ошибка коэффициентов регрессии | ai | Точность полученных коэффициентов регрессии. Применяется для оценки коэффициентов регрессии | В 2 и более раза меньше соответствующего коэффициента регрессии |
12. Ошибка аппроксимации | E | Допуск прогноза или степень несоответствия эмпирической зависимости теоретической. Применяется для оценки адекватности (точности) модели | Меньше +-15% |
13. Коэффициент эластичности | Эi | Показывает, на сколько процентов изменяется функция при изменении соответствующего фактора на 1%. Применяется для ранжирования факторов по их значимости | Больше 0,01 |
3. Построение гистограмм по каждому фактору с целью определения форм распределения случайных наблюдений.