Реферат: Исследование методов методологических принципов их построения и подходов по их использованию

--PAGE_BREAK--         Прибыль = Прибыль на ед. продукции * Количество продукции
Для упрощения примера предположим, что рентабельность единицы продукции не изменялась [6, c.53].

Таблица 1.3
Вид
Количество
Прибыль на ед.
Структура 
БП
Факт количество по структуре  БП
Прибыль
 БП
Прибыль
условная
Прибыль фактическая
БП
ОП
А
10
60
3
14%
120*0,14 =17
30
51
180
Б
20
30
5
28%
120*0,28 = 34
100
170
150
В
40
30
7
58%
120*0,58 = 69
280
483
210
Итого
70
120
100%
120
410
704
540
   Прибыль условная определяется умножением условного количества (фактическое количество по базисной структуре) на сумму прибыли, которая приходится на единицу продукции.
    В результате расчетов можно сделать следующие выводы:
   Если бы изменилось количество выпускаемой продукции (120 единиц вместо 70), а структура выпуска осталась бы прежней, то прибыль составила бы 704 р. Следовательно, влияние изменения количества продукции:
         704 – 410 = + 310 р.
     Однако изменилась и структура, и фактическая прибыль составила 540 р. Следовательно, влияние изменения структуры выпуска:
         540 – 704 = — 164 р.
    Вывод: изменение структуры выпуска неблагоприятно сказалось на финансовых результатах деятельности условного предприятия.
       Метод выравнивания начальных точек анализа  достаточно  широко используется при анализе    переменных затрат.     Сущность данного   приема   заключается   в    исчислении    так называемой  аналитической  суммы  переменных  затрат.
<shapetype id="_x0000_t80" coordsize=«21600,21600» o:spt=«80» adj=«14400,5400,18000,8100» path=«m,l21600,,21600@0@5@0@5@2@4@2,10800,21600@1@2@3@2@3@0,0@0xe»><path o:connecttype=«custom» o:connectlocs=«10800,0;0,@6;10800,21600;21600,@6» o:connectangles=«270,180,90,0» textboxrect=«0,0,21600,@0»><shape id="_x0000_s1030" type="#_x0000_t80" o:allowincell=«f»><img width=«98» height=«50» src=«dopb117904.zip» v:shapes="_x0000_s1030"><shape id="_x0000_s1031" type="#_x0000_t80" o:allowincell=«f»><img width=«98» height=«50» src=«dopb117904.zip» v:shapes="_x0000_s1031">                            D З    =  (З о.п. – З ан)   +  (З ан. –  З б.п.),
                                           Относительное       Допустимое                                          отклонение            отклонение
где З о.п. – переменные затраты отчетного периода; З б.п. – переменные затраты базисного периода;
З ан. -  аналитические затраты, которые определяются как произведение затрат базисного периода на индекс изменения объема работ предприятия:
                   З ан. =  З б.п. * Объем работ о.п. / Объем работ б.п.
    Допустимые отклонения со знаком плюс показывают, какую сумму пришлось дополнительно израсходовать за счет увеличения объема работ. Те же отклонения с минусом показывают, какую сумму необходимо было сэкономить в связи с уменьшением объема работ.
     Относительные отклонения со знаком плюс показывают, какая сумма была излишне израсходована за счет изменения других факторов, кроме объема работ. Те же отклонения со знаком минус показывают, какая сумма была реально сэкономлена предприятием.

2. МЕТОДЫ АНАЛИЗА СТОХАСТИЧЕСКИХ МОДЕЛЕЙ
    Стохастические модели – это модели вероятностные. При этом в результате расчетов можно сказать с достаточной степенью вероятности, каково будет значение анализируемого показателя при изменении фактора. Самое частое применение стохастических моделей – прогнозирование. Основные методы их анализа – методы экспертных оценок, корреляционный анализ и методы экстраполяции временных рядов.
  2.1. Методы экспертных оценок
    Под экспертными оценками понимают эвристические оценки, основанные на опыте и интуиции эксперта. Широкое распространение метода было обусловлено сложностью и многофакторностью экономических измерений.
   Выделяют два уровня использования экспертных оценок – количественный и качественный. На качественном уровне эксперты выражают свое мнение о тенденции изменения показателей, а на качественном – составляют прогноз вероятных результатов.
   Различают индивидуальные и групповые экспертные оценки. Групповые оценки снижают риск субъективности, так как результат оценки тесно связан с личностью эксперта.
   При отборе экспертов необходимо провести их оценку при помощи тестирования, самооценки или взаимной оценки экспертами друг друга. По результатам оценки можно рассчитать так «весовой коэффициент» значимости оценки каждого эксперта. Значение его будет прямо пропорционально степени компетентности эксперта [2, c.42].
   Важной характеристикой качества результата экспертизы считают согласованность мнения экспертов, которую оценивают по величине коэффициента конкордации Кендалла:
W = 12 * S / ( n 2 * ( m3 – m)), где  S –  сумма квадратов отклонений всех оценок рангов каждого объекта экспертизы от среднего арифметического; n – число экспертов;
m -  число объектов экспертизы.
   Коэффициент конкордации изменяется в диапазоне от 0 до 1, причем 1 соответствует полной согласованности мнений экспертов.
   Различают следующие методы экспертных оценок:
     1.Попарное сравнение. В этом случае эксперту предлагается сравнить объекты исследования по принципу «лучше или хуже» и построить ранжированный ряд. При выполнении оценки эксперт сравнивает пары объектов, отдавая предпочтение одному из них. Предпочтение обозначается 1, в противном случае – 0.  Результаты сводятся в таблицу следующего вида:
Таблица 2.1. Номер
объекта
1
2
3
4
5
6
Итоги
1
Х
1
0
1
1
1
4
2
0
Х
0
1
1
1
4
3
1
1
Х
1
1
1
5
4
0
0
0
Х
0
0
0
5
0
0
0
1
Х
0
1
6
0
0
0
1
1
Х
2
    В первой строке оценивается объект 1 по сравнению с объектами 2,3,4,5,6. Видно, что объект 1 предпочтительнее, чем объекты 2,4,5 и 6, но проигрывает объекту 3.
    Сумма баллов по строке показывает общую оценку объекта и позволяет ранжировать их по степени предпочтительности. В приведенном примере объекты 1 и 2 получают равные оценки, самым лучшим является объект 3, самым неудачным – объект 5.
2. Метод интервью. Заключается в том, что эксперт высказывает свое мнение в виде ответов на вопросы другого эксперта. Результаты в данном случае в большей степени зависят от интуиции эксперта, так как времени на размышление отводится очень мало.
    3. Метод «Дельфи». Предполагает проведение экспертизы в несколько этапов и работу нескольких изолированных групп экспертов. На первом этапе каждая группа экспертов высказывает свое мнение, затем все оценки анализируются. Из предложенных оценок выбираются крайние значения, которые вновь подвергаются уже совместной экспертизе. Обычно требуемый уровень согласованности достигается на втором этапе, но при необходимости анализ крайних оценок можно повторить.
    4. Метод «мозговой атаки». Сущность метода заключается также в изолированной работе как минимум двух групп экспертов. После того как каждая группа вынесет заключение, результаты экспертизы передают второй группе, которая пытается высказать обоснованные критические замечания по прогнозу коллег. В результате дебатов составляется согласованное мнение.
    5. Метод «635». Так же, как и метод интервью, полагается более на интуицию экспертов. Группе из шести экспертов за три минуты предлагается высказать пять вариантов развития ситуации (отсюда и название метода, хотя количество экспертов, время и количество версий могут варьироваться). Те варианты, которые встречаются у всех (или у большинства) экспертов, и принимаются за основу.
    6. Имитационное моделирование. Один из самых «творческих» методов экспертных оценок. Заключается в построении так называемого «дерева решений». Пытаясь предположить развитие ситуации, эксперты на каждом шаге пытаются предугадать все возможные последствия именно такого варианта.
 
 2.2. Методика проведения корреляционного анализа
    Проводится в несколько этапов. На первом этапе необходимо составить выборку фактических данных о значении фактора и соответствующих значений анализируемого показателя. Чем больше исходных данных, тем точнее будут результаты расчетов. Минимальное количество наблюдений – 8, оптимальное – около 30. Результаты наблюдения ранжируются в порядке увеличения показателя-фактора. Затем рассчитываются среднеквадратичные и нормированные отклонения. Обозначим анализируемый показатель У, показатель — фактор Х.
   Среднеквадратичные отклонения:
   sх =  (∑ ( хi– xср))/ n,
   sу =  (∑ ( yi– yср))/ n,
   где  n – количество наблюдений;
   xср, yср  — среднеарифметические значения соответственно х и у.
   Нормированные отклонения:
   Тх =  ( хi– xср)/ sх;
   Ту = ( yi– yср)/ sу.
    Коэффициент корреляции:  
    R = (S Тх * Ту) / n.
    По значению коэффициента корреляции определяют тесноту и характер взаимосвязи между показателями. Коэффициент может изменяться в диапазоне от 0 до 1 и может иметь как положительное, так и отрицательное значение. Чем ближе абсолютное значение коэффициента к единице, тем более тесная взаимосвязь между показателями. Положительное значение говорит о прямой взаимосвязи, отрицательное – об обратной. Пороговое значение коэффициента  для осуществления дальнейших расчетов – 0,7.
    При значении 0,7 индекс детерминации, который равен квадрату коэффициента корреляции, имеет значение 0,49. Индекс детерминации показывает долю влияния выбранного фактора на анализируемый показатель. Очевидно, что если доля влияния выбранного фактора меньше 0,5, дальнейшие расчеты не имеют смысла.
   После оценки тесноты взаимосвязи необходимо выбрать функцию, график которой максимально приближенно описывает данную взаимосвязь. Наиболее часто используются графики следующих функций:
    У = А + В * Х;
    У = А + В * ln X;
    У = А + В / Х.
    После выбора функции необходимо рассчитать параметры уравнения А и В. Используется метод наименьших квадратов. Решение сводится к решению системы линейных уравнений. Приведен пример системы линейных уравнений для линейной функции:
    n * a + b * ∑x = ∑y;
   a * ∑x + b * ∑x2 = ∑(x*y).
   После определения параметров модель можно использовать. Для этого подставляем в формулу желаемое значение фактора и определяем вероятное значение показателя. В качестве проверки можно рассчитать ошибку аппроксимации – процент отклонения значения фактического от значения, рассчитанного по модели:
    Ап =  ( 1 / n) * ( |У ф – У р| )* 100 / У ф.
    Значение ошибки аппроксимации до 10% говорит о наилучшем подборе модели.
        Метод экстраполяции временных рядов заключается в определении тенденции изменения показателя во времени. Может считаться частным случаем корреляционного анализа, когда в качестве фактора выступает время. Однако экстраполяция применяется и тогда, когда изменение показателя зависит от нескольких факторов, и его трудно описать однофакторной функцией. В этом случае определение тенденции изменения показателя может быть единственным возможным способом прогнозирования (рис. 2.1) [4, c.35].
<line id="_x0000_s1035" from=«42.7pt,174.35pt» to=«359.5pt,174.35pt» o:allowincell=«f»><shape id="_x0000_s1033" coordsize=«2880,888» o:allowincell=«f» path=«m,888c156,768,312,648,432,600v120,-48,168,24,288,c840,576,1032,552,1152,456,1272,360,1296,,1440,24v144,24,336,504,576,576c2256,672,2736,480,2880,456e» filled=«f»><line id="_x0000_s1032" from=«42.7pt,4.9pt» to=«42.7pt,154pt» o:allowincell=«f»><shape id="_x0000_s1034" coordsize=«2880,888» o:allowincell=«f» path=«m,888c156,768,312,648,432,600v120,-48,168,24,288,c840,576,1032,552,1152,456,1272,360,1296,,1440,24v144,24,336,504,576,576c2256,672,2736,480,2880,456e» filled=«f»><img width=«12» height=«201» src=«dopb117905.zip» v:shapes="_x0000_s1032"> <img width=«194» height=«61» src=«dopb117906.zip» v:shapes="_x0000_s1033"> <img width=«194» height=«61» src=«dopb117907.zip» v:shapes="_x0000_s1034"> <img width=«425» height=«12» src=«dopb117908.zip» v:shapes="_x0000_s1035">  

                      Рис. 2.1. Пример экстраполяции показателя

3. МЕТОДЫ ОПТИМИЗАЦИИ В ЭКОНОМИЧЕСКОМ АНАЛИЗЕ
    Основа всех приемов оптимизации – нахождение экстремума функции при заданных ограничениях. Например, нахождение максимума прибыли при ограничении по загруженности производственной мощности.
         3.1. Использование графических методов в экономическом анализе
         Графические методы связаны прежде всего с геометрическим изображением функциональной зависимости при помощи линий на плоскости. Графики используются для наглядного изображения функциональных зависимостей. В экономическом анализе применяются почти все виды графиков – диаграммы сравнения, диаграммы временных рядов, графики зависимости.
        Широко применяется графический метод для исследования производственных процессов, организационных структур и т.д.
       Особое место в экономическом анализе занимает построение сетевых графиков. Сетевой график позволяет выделить из всего комплекса работ наиболее важные, лежащие на критическом пути, и сосредоточиться именно на них.   Наиболее часто сетевые графики применяются в строительстве. На стадии оперативного анализа и управления сетевой график дает возможность осуществлять действенный контроль за ходом строительства, своевременно принимать меры по устранению возможных задержек. 
        Кроме того, сетевые графики могут разрабатываться при описании технологии какого-либо производственного процесса. В данном случае задача составления сетевого графика несколько иная – скоординировать работу всех служб предприятия. Основные элементы сетевого графика – событие, работа, ожидание, зависимость. Каждый круг считается одной из вершин графика. Линия, соединяющая две вершины, означает проделанную работу. Над линией записывают наименование работы, а под линией – продолжительность данного этапа работ. Если из одной вершины ведет несколько путей, то это значит, что после выполнения данного этапа может быть несколько вариантов развития событий. Если это технологический сетевой график, то это будет означать, что возможно проведение одновременно нескольких работ (параллельная организация технологического процесса).  Вершины могут просто нумероваться, а могут содержать информацию о накопленной продолжительности работы или стоимости данного этапа.
<oval id="_x0000_s1045" o:allowincell=«f»><oval id="_x0000_s1040" o:allowincell=«f»><oval id="_x0000_s1047" o:allowincell=«f»><oval id="_x0000_s1038" o:allowincell=«f»><oval id="_x0000_s1042" o:allowincell=«f»><oval id="_x0000_s1048" o:allowincell=«f»><line id="_x0000_s1039" from=«28.5pt,49.25pt» to=«42.9pt,56.45pt» o:allowincell=«f»><line id="_x0000_s1044" from=«29.4pt,72.75pt» to=«72.6pt,94.35pt» o:allowincell=«f»><line id="_x0000_s1037" from=«71.1pt,19pt» to=«150.3pt,33.4pt» o:allowincell=«f»><line id="_x0000_s1041" from=«71.1pt,42.15pt» to=«207.9pt,49.35pt» o:allowincell=«f»><line id="_x0000_s1046" from=«99.5pt,102.6pt» to=«257.9pt,102.6pt» o:allowincell=«f»><line id="_x0000_s1036" from=«170.5pt,19pt» to=«213.7pt,40.6pt» o:allowincell=«f»><line id="_x0000_s1043" from=«223.8pt,65.55pt» to=«259.8pt,94.35pt» o:allowincell=«f»><img width=«366» height=«161» src=«dopb117909.zip» v:shapes="_x0000_s1045 _x0000_s1040 _x0000_s1047 _x0000_s1038 _x0000_s1042 _x0000_s1048 _x0000_s1039 _x0000_s1044 _x0000_s1037 _x0000_s1041 _x0000_s1046 _x0000_s1036 _x0000_s1043">  

Рис. 3.1. Пример сетевого графика
    Этапами разработки сетевого графика являются:
      — сбор технической и технологической информации;
      — составление таблицы работ и ресурсов в технологической последовательности, в которой указывается характеристика и объем работ, время, потребные ресурсы, порядок проведения (очередность);
      — составление сетевого графика;
      — определение критерия оптимизации (по экономии материальных, трудовых ресурсов, срокам, минимальной стоимости  и т.п.);
      — определение оптимального пути решения[1, c.85].
3.2. Методы линейного и динамического программирования
        Линейное программирование объединяет методы решения задач, которые описываются линейными уравнениями. Данный метод основан на решении системы линейных уравнений, когда зависимость между изучаемыми явлениями строго функциональна. С помощью этого метода в промышленном производстве, например, исчисляется оптимальная общая производительность машин, агрегатов, поточных линий. Все экономические задачи, решаемые с применением линейного программирования, отличаются альтернативностью решения и определенными ограничивающими условиями. Решить такую задачу – значит выбрать из всех допустимых вариантов лучший, оптимальный.
        Для решения задач линейного программирования могут быть использованы средства, включенные в состав электронных таблиц для персональных компьютеров. Из числа таких средств наиболее распространены таблицы программ MS Excel.
       Постановка задачи линейного программирования состоит в формулировке целевой функции и ограничений – уравнений или неравенств.
        Пример. Фирма производит продукцию двух видов – Х и У. Имеются следующие данные о производстве продукции:
Цех
Продукция
Максимально возможная загрузка в неделю, час
Х
У
Сборочный
2 шт/час
4 шт/час
100
Отделочный
3 шт/час
2 шт/час
90
Прибыль
25 тыс.р./шт
40 тыс.р./шт
  Максимум
        Целевой функцией в данном случае является прибыль, которую необходимо максимизировать:
         ВП = 25 * Х + 40 * У.
         Имеются ограничения по производительности сборочного и отделочного цехов:
          2 * Х + 4 * У     меньше или равно 100;
    продолжение
--PAGE_BREAK--          3 * Х + 2 * У   меньше или равно 90,
          а также требование неотрицательности элементов – Х, У больше 0.
    Решается методом итераций (подбора значений). После каждого шага проверяется соблюдение ограничений.  В результате получаем решение Х=20, У = 15. Максимальная прибыль составит 1100 тыс.р. при полной загрузке обоих цехов.
    В задачах линейного программирования может представлять интерес вопрос, имеет ли смысл увеличивать объем доступного ресурса. Например, какова цена увеличения рабочего времени в сборочном цехе на один час в неделю. Эта цена – добавочная валовая прибыль, которая может быть получена, называется двойственной оценкой данного ресурса. Двойственную оценку можно рассматривать как упущенную выгоду или как прибыль, недополученную в результате нехватки ресурса. Если в приведенном примере рабочую неделю в сборочном цехе увеличить на восемь часов, то новое оптимальное решение будет выглядеть следующим образом:
    Х = 18;
    У = 18.
    Валовая прибыль при этом составит 1170 тыс.р.
    Решение задач линейного программирования может проводиться графическим методом. Для этого найдем в плоскости координат область, соответствующую всем ограничениям.
    Первые два ограничения можно представить в виде:
    У ≤ 25 – 0,5 * Х;
    У ≤ 45 – 1,5 * Х.
    Двум оставшимся ограничениям соответствуют сами оси Х и У.
    На рисунке линия номер один соответствует первому ограничению, линия номер два соответствует второму ограничению. Очевидно, что допустимая область решений находится в зоне, ограниченной пересечением двух прямых и осей координат.
    Какая же точка этой области соответствует оптимальному решению?  Целевая функция описывается выражением  ВП = 25 * Х + 40 * У   или  У = ВП – 0,625 * Х.
    Переменная ВП должна быть максимальна. График этой функции можно представить несколькими линиями при разных значениях ВП.  На рисунке представлены три штриховые линии, соответствующие ВП = 5, 10, 15.
<line id="_x0000_s1049" from=«21.4pt,7.2pt» to=«21.4pt,220.2pt» o:allowincell=«f»><img width=«12» height=«287» src=«dopb117910.zip» v:shapes="_x0000_s1049">  

<line id="_x0000_s1050" from=«21.4pt,13.2pt» to=«191.8pt,197.8pt» o:allowincell=«f»><img width=«229» height=«248» src=«dopb117911.zip» v:shapes="_x0000_s1050">45   
         2
<line id="_x0000_s1051" from=«21.4pt,15.15pt» to=«355.1pt,142.95pt» o:allowincell=«f»><img width=«446» height=«173» src=«dopb117912.zip» v:shapes="_x0000_s1051">25              
<line id="_x0000_s1052" from=«28.5pt,16.1pt» to=«163.5pt,97.1pt» o:allowincell=«f»><img width=«182» height=«110» src=«dopb117913.zip» v:shapes="_x0000_s1052">15
<line id="_x0000_s1053" from=«23.15pt,7.8pt» to=«122.15pt,70.8pt» o:allowincell=«f»><img width=«134» height=«86» src=«dopb117914.zip» v:shapes="_x0000_s1053">10                                                        1
<line id="_x0000_s1054" from=«23.15pt,4.7pt» to=«95.15pt,49.7pt» o:allowincell=«f»><img width=«98» height=«62» src=«dopb117915.zip» v:shapes="_x0000_s1054"> 5
<line id="_x0000_s1055" from=«23.15pt,4.7pt» to=«428.15pt,4.7pt» o:allowincell=«f»><img width=«543» height=«12» src=«dopb117916.zip» v:shapes="_x0000_s1055">                     8     16       24          30                                                50
Рис. 3.1.  Решение задачи линейного программирования
   Нетрудно заметить, что чем дальше от центра координат находится прямая, тем больше значение ВП. Это означает, что функция 25 * Х + 40 * У примет максимально значение в точке пересечении прямых 1 и 2. Координаты этой точки можно найти, решив систему линейных уравнений:
<shapetype id="_x0000_t87" coordsize=«21600,21600» o:spt=«87» adj=«1800,10800» path=«m21600,qx10800@0l10800@2qy0@11,10800@3l10800@1qy21600,21600e» filled=«f»><path arrowok=«t» o:connecttype=«custom» o:connectlocs=«21600,0;0,10800;21600,21600» textboxrect=«13963,@4,21600,@5»><shape id="_x0000_s1056" type="#_x0000_t87" o:allowincell=«f»><img width=«38» height=«62» src=«dopb117917.zip» v:shapes="_x0000_s1056">У = 25 – 0,5 * Х                    У = 15;
У = 45 – 1,5 * Х                    Х = 20.
 
        Методы динамического программирования применяются при решении задач оптимизации, которая описывается нелинейными функциями. Типичным примером является разновидность транспортной задачи, когда необходимо загрузить транспортное средство различными видами товаров, которые к тому же имеют различный вес, таким образом, чтобы стоимость груза являлась максимальной. Если обозначить:
   В – максимальная загрузка транспортного средства;    в – масса одного предмета каждого вида;
   с – стоимость предмета каждого вида;
   к – количество предметов каждого вида,
   тогда задача может быть описана уравнением
 
     S к * с = макс  при ограничении S к * в < В,
сумма от 1 до Н при этом Н – ассортимент загружаемой продукции. Задача решается в Н этапов, причем на первом этапе определяется максимальная стоимость груза из продукции первого типа, затем – первого и второго типов и так далее.
        3.3. Математическая теория игр
        Теории игр – это теория математических моделей принятия решений в условиях конфликта или неопределенности. Другими словами, теория игр исследует оптимальные стратегии в ситуациях игрового характера, когда результат деятельности нашего предприятия зависит от стратегии другого «игрока», намерения которого нам неизвестны.
        Это ситуации, связанные с решением производственных задач, выбор оптимальных объемов, качества и ассортимента продукции в изменяющихся внешних условиях, либо при изменении какого-либо внутреннего фактора. Кроме того, теория игр может быть применена при расчетах оптимального количества запасов ТМЦ на предприятии. Теория игр позволяет двум противоборствующим игрокам (предприятие и поставщики, предприятие и погода) выбрать стратегию, которая была бы выгодна обеим. В качестве примера можно рассмотреть следующую ситуацию:
   Фирма выпускает два вида продукции (П1 и П2). В зависимости от поведения конкурента она может продать различное количество продукции, а именно:
     — если конкуренты будут ориентированы на продукцию П1, наша фирма сможет продать 500 единиц продукции П1 и 1000 единиц продукции П2;
     — если конкуренты будут ориентированы на продукцию П2, наша фирма сможет продать 900 единиц продукции П1 и 600 единиц продукции П2.
   Себестоимость производства единицы продукции П1 – 8 р., цена 10 р. Себестоимость производства единицы продукции П2 6 р., цена 11 р. Рассмотрим вероятный результат при изменении поведения конкурента. Обозначим стратегии: ориентация на продукцию П1 – «А» для нашего предприятия и «Б» для конкурента, ориентация на продукцию П2 – «В» для нашего предприятия и «Г» для конкурента. Если мы выбираем разные стратегии, то наше предприятие сможет продать всю произведенную продукцию:
    Прибыль (стратегии А — Г) =  500 * (10-8) + 1000 * (11-6) = 6000 р.
    Прибыль (стратегия В — Б) = 900 * (10-8) + 600 * (11-6) = 4800 р.
    В случае совпадения наших интересов, мы сможем продать только часть продукции, а часть останется нереализованной, хотя издержки на ее производство наше предприятие понесет:
    Прибыль (стратегии А-Б) = 500 * (10-8) + 600 * (11 – 6) – (900-500) * 8 = 800 р.
    Прибыль (стратегии В-Г) = 500 * (10-8) + 600 * (11 –6) – (1000-600) * 6 =1600 р.
    Таким образом, при совпадении стратегий наше предприятие получит меньше прибыли. Предугадать поведение конкурента сложно. Нужно применять смешанную стратегию. Обозначим частоту применения стратегии «А» за Х. Значит, частота применения стратегии «В» – (1-Х). Приравняем вероятные суммы прибыли, которую получит наше предприятие в том ли ином случае:
<shapetype id="_x0000_t67" coordsize=«21600,21600» o:spt=«67» adj=«16200,5400» path=«m0@0l@1@0@1,0@2,0@2@0,21600@0,10800,21600xe»><path o:connecttype=«custom» o:connectlocs=«10800,0;0,@0;10800,21600;21600,@0» o:connectangles=«270,180,90,0» textboxrect="@1,0,@2,@6"><shape id="_x0000_s1057" type="#_x0000_t67" o:allowincell=«f»><img width=«23» height=«41» src=«dopb117918.zip» v:shapes="_x0000_s1057"><shape id="_x0000_s1058" type="#_x0000_t67" o:allowincell=«f»><img width=«23» height=«41» src=«dopb117919.zip» v:shapes="_x0000_s1058">                    6000 * Х + 1600 * (1-Х)    =      800 * Х + 4800 * (1-Х).
                 стратегия конкурента — Г         стратегия конкурента – Б
     Решаем данное уравнение:
     6000*Х – 1600 *Х — 800*Х + 4800*Х = 4800 – 1600,
     8400 *Х = 3200,
     Х = 3200 / 8400 = 0,38,
     (1-Х) = 0,62.
     Рассчитываем ассортимент продукции:
     0,38 * (900 П1 + 600 П2) + 0,62* (500 П1 + 1000 П2) = 342 П1 + 228 П2 + 310 П1 + 620 П2 = 652 П1 + 848 П2.
     Выпуская такой ассортимент продукции,  мы получим одинаковую прибыль при любом поведении конкурента. При этом прибыль будет меньше максимальной, но больше минимальной.  
    
       3.4. Теория массового обслуживания
       Называется также теорией очередей и используется для  решения задач оптимизации обслуживания. Рассматривает вероятные модели реальных систем обслуживания. Она используется для минимизации издержек в сфере обслуживания, в производстве, в торговле.
        Теория массового обслуживания позволяет определить явные и неявные потери предприятия (общества в целом) при возникновении очередей.
        Пример явных потерь – потери рабочего времени основного персонала при возникновении очереди на обслуживании (на проходной предприятия, при обеспечении необходимым инвентарем и т.д.). Расчет явных потерь имеет практическое значение в тех случаях, когда предприятие заинтересовано в увеличении объема продукции.  Для определения таких потерь необходимо иметь информацию о значении следующих факторов:
    — «цена» минуты рабочего времени основного персонала;
    -  потери рабочего времени в минутах;
     — затраты на привлечение дополнительных работников обслуживания.
        Определить цену единицы рабочего времени можно, зная трудоемкость единицы продукции и ее стоимость. Затраты на привлечение дополнительного персонала также несложно определить, представив их как сумму заработной платы работника. Сложнее определить средние потери рабочего времени в ожидании обслуживания. Для решения этой задачи необходимы хронометражные замеры о потоке требований на обслуживание в единицу времени.    
        Неявные потери состоят в «потерянных клиентах» при обслуживании, например, телефонистками. При этом предполагается, что при возникновении очереди клиент отказывается от обслуживания. При определении неявных потерь рассчитывается упущенная выгода – если известна так называемая «вероятность отказов», можно определить, какую сумму прибыли предприятие могло бы получить дополнительно, если увеличить количество обслуживающего персонала.
         Существуют несколько моделей очередей в системах обслуживания. Широко применима простейшая из них одноканальная пуассоновская система с пуассоновским входящим потоком и бесконечным источником требований. В этой модели учитываются:
      — средняя частота поступления требований, которая может быть получена по данным хронометража – А;
      — средняя пропускная способность канала обслуживания, которая определяется как величина, обратная времени обслуживания – S.
       Указанная модель включает в себя следующие характеристики и уравнения:
1. Коэффициент  использования системы: A/S.
2. Среднее число клиентов в системе: A / (S-A).
3. Среднее число клиентов, ожидающих в очереди:  A2 / [S*(S-A)].
4. Среднее время нахождения клиента в системе: 1 / (S-A).
5. Среднее время стояния в очереди: A / [S*(S-A)].
6. Удельный вес простоев: 1 – A / S.
       Пример. Допустим, что в магазин, в котором работает один продавец, заходит в среднем по 18 покупателей в час. Время обслуживания одного покупателя составляет 2 минуты. Исходя из этого:
       А = 18    S = 60/3 = 20.
Среднее количество покупателей в очереди = 324/ (20*(20-18))= 8,1.
Среднее время пребывания в очереди = 18/(20*(20-18)) = 0,45 часа.
        Если увеличить количество продавцов, то изменится пропускная способность (S = 40) и соответственно изменятся остальные параметры:
Среднее количество покупателей в очереди = 324/ (40*(40-18))= 0,36.
Среднее время пребывания в очереди = 18/(40*(40-18)) = 0,02 часа.
        Предположим, что каждый покупатель приносит магазину прибыль в сумме 10 р.  Если магазин работает 12 часов ежедневно, то сумму дополнительной прибыли за месяц можно рассчитать:
        Прибыль = 10 * 8 * 12 * 30 = 28800 р.
        После проведения расчетов необходимо сделать вывод, насколько целесообразно увеличивать количество обслуживающего персонала.
       Наиболее часто рассчитываются такие показатели, как оптимальная партия заказа и момент возобновления заказа.
  Для расчета оптимальной партии заказа все затраты по обеспечению запаса делятся на постоянные и переменные:
1. Постоянные (с1 — стоимость выполнения заказа) – транспортировочные и заготовительные расходы в расчете на одну партию.
2. Переменные (с2 — стоимость хранения запасов) – стоимость хранения единицы запасов на складе в течение определенного периода (года).
В этом случае суммарные затраты на поставку и хранения можно рассчитать:
     С общ = С1* n + C2*q/2,
где q – объем партии;
n – количество партий в год  (n = Q / q);
Q – годовая потребность в каком-то виде запасов;
    Объем партии, при котором суммарные запасы на поставку и хранение минимальны, рассчитывается по формуле
    q опт = √(2*C 1*Q)/C2.
    Оптимальное количество партий:
    n опт = Q/q опт. 
    Общие затраты на поставку и хранение:      
    Собщ = С1*n + C2*q/2.                                                    
    Однако, рассчитывая оптимальную партию заказа, необходимо помнить о том, что учитываются только затраты на поставку и хранение. Стоимость самих ресурсов не учитывается.  Если поставщики предлагают скидки при увеличении партии заказа, это необходимо учитывать при расчете оптимальной партии.
    Момент возобновления (размещения) заказа (МВЗ)– тот уровень запаса, при котором следует сделать следующий заказ. Это ограничение по минимуму запасов – требование ритмичности производства.
        МВЗ = Макс. дневная потребность * Макс.  число дней выполнения заказа.
    Логика критерия такова. Если количество дней поставки и ежедневная потребность в ресурсах может колебаться, то возобновляя заказ, необходимо исходить из того предположения, что заказ будет выполняться максимально долго, а производство в этот период будет требовать максимум ресурсов. Такое предположение будет гарантией того, что ресурсов хватит до момента поставки очередной партии.
    Другое ограничение – по максимуму – емкость складских помещений (максимально возможный уровень запасов).
    МВУЗ = МВЗ + Q опт – Минимальная дневная потребность * Минимальное число дней выполнения заказа.
    В этом случае мы предполагаем, что заказ был сделан, исходя из уже изложенных предположений, но ситуация оказалась диаметрально противоположной – поставщики выполнили заявку в минимальные сроки и потребности производства в этот период также были минимальны.
    3.6. Функционально-стоимостной анализ
    Под функционально-стоимостным анализом (ФСА) подразумевается комплексное исследование технологических процессов, оборудования или производства в целом.  Отнести данную методику к приемам оптимизации в экономическом анализе позволяет основная цель этого направления – минимизация стоимости. Исходной посылкой при его проведении является то, что при конструировании любого оборудования, разработки технологии  экономические вопросы хотя и возникают, но не имеют первостепенного значения.   
    Поэтому любая конструкция может быть доработана по критерию минимизации стоимости.  Функционально-стоимостной анализ проводится системно, то есть объект изучения представляется как целое, как система.
    Основными задачами функционально-стоимостного анализа являются:
     — минимизация затрат на производство продукции с непременным соблюдением заданных параметров конечного продукта;
     — разработка системы показателей и нормативов, приемлемых для всех уровней управленческой системы;
     — совершенствование технологического и управленческого процесса по всей цепочке производственно-финансовой деятельности;
      — активизация экономических рычагов, влияние которых ранее умалялось;
      — систематическое наблюдение за эффективностью, надежностью и качеством продукции, предоставление рекомендаций по ее использованию.
   Основные этапы функционально – стоимостного анализа:
     — информационно-подготовительный;
     — аналитико-творческий;
     — пусконаладочный;
     — поточно-производственный;
     — контрольно-эксплуатационный.
        Информационно-подготовительный этап начинается с выбора объекта. Им может быть создание принципиально нового изделия или кардинальная реконструкция старого. На этом этапе собирается вся информация о производстве и эксплуатации данного объекта и его близких аналогов. Обнаружение в мировой практике уже имеющегося аналога исключает необходимость дальнейшей разработки проекта.
   Для качественного выполнения аналитического этапа необходимо создать группу экспертов. Основное требование при этом – группа должна включать как специалистов – технологов, так и экономистов – аналитиков. При выполнении аналитического этапа весь объект представляется как совокупность отдельных элементов его конструкции. Оценка проводится отдельно по каждому элементу. Оценивая какой-либо конкретный элемент конструкции или процесса, необходимо ответить на следующие вопросы:
       — определить выполняемую данным элементом  функцию;
       — рассмотреть необходимость функции;
      — определить возможность замены или исключения функции или элемента (может ли данную функцию выполнять другая деталь или конструкция);
      — можно ли использовать другие (более дешевые) материалы при выполнении данной функции;
       — возможно ли применение стандартных (меньших) деталей;
       — реально ли сокращение отходов при выполнении данной функции;
       — возможно ли повторное использование отходов (вовлечение материалов в повторный оборот);
       — есть ли возможность уменьшить трудоемкость операции.
        Такое исследование проводится по каждому элементу конструкции (объекта). После завершения исследований определяются основные направления минимизации стоимости, рассчитывается предположительный эффект. Однако такой анализ нельзя было бы назвать системным, если бы его проведение не гарантировало бы надежность и работоспособность модифицированного объекта.
    продолжение
--PAGE_BREAK--
еще рефераты
Еще работы по мировой экономике