Детерминированный факторный анализ в качестве цели выдвигает изучение влияния факторов на результативный показатель в случаях его функциональной зависимости от ряда факторных признаков.
Функциональную зависимость можно выразить различными моделями - аддитивной; мультипликативной; кратной; комбинированной (смешанной).
Аддитивную взаимосвязь можно представить как математическое управление, отражающее тот случай, когда результативный показатель (у) - это алгебраическая сумма нескольких факторных признаков:
Мультипликативная взаимосвязь отражает прямую пропорциональную зависимость исследуемого обобщающего показателя от факторов:
где П - общепринятый знак произведения нескольких сомножителей.
Кратная зависимость результативного показателя (у) от факторов математически отражается как частное от их деления:
Комбинированная (смешанная) взаимосвязь результативного и факторных показателей представляет собой сочетание в различных комбинациях аддитивной, мультипликативной и кратной зависимости:
где а, в, с и т.д. - переменные.
Известен ряд приемов моделирования факторных систем: прием расчленения; прием удлинения; прием расширения и прием сокращения исходных кратных двухфакторных систем типа: -. В результате процесса моделирования из двухфакторной кратной модели формируются аддитивно-кратные, мультипликативные и мультипликативно-кратные многофакторные системы типа:
Способы измерения влияния факторов в детерминированных моделях
Широкое распространение в аналитических расчетах получил способ цепной подстановки ввиду возможности использовать его в детерминированных моделях всех типов. Суть этого приема состоит в том, что для измерения влияния одного из факторов осуществляется замена его базового значения на фактическое, при этом остаются неизменными значения всех других факторов. Последующее сопоставление результативных показателей до и после замены анализируемого фактора дает возможность рассчитать его влияние на изменение результативного показателя. Математическое описание способа цепных подстановок при использовании его, например, в трехфакторных мультипликативных моделях выглядит следующим образом.
Трехфакторная мультипликативная система:
Последовательные подстановки:
Тогда для расчета влияния каждого из факторов надо выполнить такие действия:
Баланс отклонений:
Последовательность расчетов способом цепных подстановок рассмотрим на конкретном числовом примере, когда зависимость результативного показателя от факторных может быть представлена четырехфакторной мультипликативной моделью.
В качестве результативного показателя избрана стоимость реализованной продукции. Ставится цель исследовать изменение этого показателя под воздействием отклонений от базы сравнения ряда трудовых факторов - численности рабочих, целодневных и внут- рисменных потерь рабочего времени и среднечасовой выработки. Исходная информация приведена в табл. 15.1.
Таблица 15.1
Информация для факторного анализа изменения стоимости реализованной
продукции
|
Показатель |
Обозначение |
сравнения |
Абсолютное отклонение |
Темп роста, % |
Относительное отклонение, %-ных пунктов |
|
|
1.Реализованная продукция, тыс. руб. |
РП = N |
|||||
|
2. Среднегодовая численность рабочих, чел. |
||||||
|
3.Общее число отработанных рабочими чел./дней, тыс. |
||||||
|
4.Общее число отработанных рабочими чел./ч, тыс. |
||||||
|
5.Отработано за год одним рабочим днем (стр.З: стр.2) |
||||||
|
6.Средняя продолжительность рабочего дня, ч (стр.4: стр.З) |
||||||
|
7.Среднечасовая выработка, руб. (стр.1: стр.4) |
||||||
|
8.Среднегодовая выработка одного рабочего, тыс. руб. (стр.1: стр.2) |
Исходная четырехфакторная мультипликативная модель:
Цепные подстановки:
Расчеты влияния изменения факторных показателей приводятся ниже.
1. Изменение среднегодовой численности рабочих:
2. Изменение числа дней, отработанных одним рабочим:
3. Изменение средней продолжительности рабочего дня:
4. Изменение среднечасовой выработки:
Баланс отклонений:
Результаты расчетов способом цепных подстановок зависят от правильности определения соподчиненности факторов, от их классификации на количественные и качественные. Изменение количественных мультипликаторов должно проводиться раньше, чем качественных.
В мультипликативных и комбинированных (смешанных) моделях широко применяется способ абсолютных разниц, также основанный на приеме элиминирования и отличающийся простотой аналитических расчетов. Правило расчетов этим способом в мультипликативных моделях состоит в том, что отклонение (дельту) по анализируемому факторному показателю надо умножить на фактические значения мультипликаторов (сомножителей), расположенных слева от него, и на базовые значения тех, которые расположены справа от анализируемого фактора.
Порядок факторного анализа способом абсолютных разниц для комбинированных (смешанных) моделей рассмотрим с помощью математического описания. Исходная базисная и фактическая модели:
Алгоритм расчета влияния факторов способом абсолютных разниц:
Баланс отклонений:
Способ относительных разниц используется, так же как и способ абсолютных разниц, только в мультипликативных и комбинированных (смешанных) моделях.
Для мультипликативных моделей математическое описание названного приема будет следующим. Исходные базовая и фактическая четырехфакторные мультипликативные системы:
Для факторного анализа способом относительных разниц вначале надо определить относительные отклонения по каждому факторному показателю. Например, по первому фактору это будет процентное отношение его изменения к базе:
Затем для определения влияния изменения каждого фактора производятся такие расчеты.
Рассмотрим последовательность действий на числовом примере, исходная информация для которого содержится в табл. 15.1.
В гр. 7 табл. 15.1 отражены относительные отклонения по каждому факторному показателю.
Результаты влияния изменения каждого из факторов на отклонение результативного показателя от сравнения будут следующими:
Баланс отклонений: РП, -РП 0 =432 012-417 000 = +15 012 тыс. руб. (-9811,76) + 3854,62+ (-10 673,21) + 31 642,36 = 15 012,01 тыс. руб. Индексы представляют собой обобщающие показатели сравнения во времени и в пространстве. Они отражают процентное изменение изучаемого явления за какой-то период времени по сравнению с базисным периодом. Такая информация дает возможность сравнить изменения различных факторов и проанализировать их поведение.
В факторном анализе индексный метод используется в мультипликативных и кратных моделях.
Обратимся к его использованию для анализа кратных моделей. Так, агрегатный индекс физического объема продаж (J g) имеет вид:
где q - индексируемая величина количества; р 0 - соизмеритель (вес), цена, зафиксированная на уровне базисного периода.
Разница между числителем и знаменателем в этом индексе отражает изменение товарооборота за счет изменения его физического объема.
Агрегатный индекс цен (формула) Пааше записывается таким образом:
Используя информацию, содержащуюся в табл. 15.1, рассчитаем влияние изменения индекса среднесписочной численности рабочих и индекса среднегодовой выработки одного рабочего на темп роста реализованной продукции.
Производительность труда (ПТ) одного рабочего в базовом году равна 245,29 млн руб., а в отчетном - 260,25 млн руб. Индекс роста (/ пт) составит 1,0610 (260,25: 245,29).
Индексы роста реализованной продукции (/ рп) и среднегодовой численности рабочих (/ сч) по данным табл. 15.1- соответственно:
Взаимосвязь трех указанных индексов можно представить в виде двухфакторной мультипликативной модели:
Факторный анализ способом абсолютных разниц дает такие итоги.
1. Влияние изменения индекса среднесписочной численности рабочих:
2. Влияние изменения индекса производительности труда:
Баланс отклонений: 1,0360 - 1,0 = +0,0360 или (-0,0235) + 0,0596= + 0,0361 100 = 3,61%.
Интегральный способ применяется в детерминированном факторном анализе в мультипликативных, кратных и комбинированных моделях.
Этот метод позволяет разложить дополнительный прирост результативного показателя в связи с взаимодействием факторов между ними.
Практическое использование интегрального метода базируется на специально разработанных рабочих алгоритмах для соответствующих факторных моделей. Например, для двухфакторной мультипликативной модели (у = а в) алгоритм будет таким:
В качестве примера используем двухфакторную зависимость реализованной продукции (РП) от изменения среднегодовой численности рабочих (СЧ) и их среднегодовой выработки (ПТ):
Исходная информация имеется в табл. 15.1.
Влияние изменения среднегодовой численности:
Влияние изменения производительности труда (среднегодовой выработки одного рабочего):
Баланс отклонений:
В факторном анализе в аддитивных моделях комбинированного (смешанного) типа может использования способ пропорционального деления. Алгоритм расчета влияния факторов на изменение результативного показателя для аддитивной системы типа у = а + в + с будет таким:
В комбинированных моделях расчет влияния факторов второго уровня может быть выполнен способом долевого участия. Вначале рассчитывается доля каждого фактора в общей сумме их изменений, а затем эта доля умножается на общее отклонение результативного показателя. Алгоритм расчета такой:
Систематизируем рассмотренные способы расчетов влияния отдельных факторов в детерминированном факторном анализе с использованием схемы (рис. 15.4).
Простейший подход к моделированию сезонных колебаний – это расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или .
Общий вид мультипликативной модели выглядит так:
Где T - трендовая компонента, S - сезонная компонента и E - случайная компонента.
Назначение
. С помощью данного сервиса производится построение мультипликативной модели временного ряда.
Алгоритм построения мультипликативной модели
Построение мультипликативной моделей сводится к расчету значений T , S и E для каждого уровня ряда.Процесс построения модели включает в себя следующие шаги.
- Выравнивание исходного ряда методом скользящей средней.
- Расчет значений сезонной компоненты S .
- Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T x E).
- Аналитическое выравнивание уровней (T x E) с использованием полученного уравнения тренда.
- Расчет полученных по модели значений (T x E).
- Расчет абсолютных и/или относительных ошибок. Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок E для анализа взаимосвязи исходного ряда и других временных рядов.
Пример
. Построить аддитивную и мультипликативную модель временного ряда, характеризующую зависимость уровней ряда от времени.
Решение
. Построение мультипликативной модели временного ряда
.
Общий вид мультипликативной модели следующий:
Y = T x S x E
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (E) компонент.
Рассчитаем компоненты мультипликативной модели временного ряда.
Шаг 1
. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:
1.1. Найдем скользящие средние (гр. 3 таблицы). Полученные таким образом выровненные значения уже не содержат сезонной компоненты.
1.2. Приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних – центрированные скользящие средние (гр. 4 табл.).
| t | y t | Скользящая средняя | Центрированная скользящая средняя | Оценка сезонной компоненты |
| 1 | 898 | - | - | - |
| 2 | 794 | 1183.25 | - | - |
| 3 | 1441 | 1200.5 | 1191.88 | 1.21 |
| 4 | 1600 | 1313.5 | 1257 | 1.27 |
| 5 | 967 | 1317.75 | 1315.63 | 0.74 |
| 6 | 1246 | 1270.75 | 1294.25 | 0.96 |
| 7 | 1458 | 1251.75 | 1261.25 | 1.16 |
| 8 | 1412 | 1205.5 | 1228.63 | 1.15 |
| 9 | 891 | 1162.75 | 1184.13 | 0.75 |
| 10 | 1061 | 1218.5 | 1190.63 | 0.89 |
| 11 | 1287 | - | - | - |
| 12 | 1635 | - | - | - |
| Показатели | 1 | 2 | 3 | 4 |
| 1 | - | - | 1.21 | 1.27 |
| 2 | 0.74 | 0.96 | 1.16 | 1.15 |
| 3 | 0.75 | 0.89 | - | - |
| Всего за период | 1.49 | 1.85 | 2.37 | 2.42 |
| Средняя оценка сезонной компоненты | 0.74 | 0.93 | 1.18 | 1.21 |
| Скорректированная сезонная компонента, S i | 0.73 | 0.91 | 1.16 | 1.19 |
0.744 + 0.927 + 1.183 + 1.211 = 4.064
Корректирующий коэффициент: k=4/4.064 = 0.984
Рассчитываем скорректированные значения сезонной компоненты S i и заносим полученные данные в таблицу.
Шаг 3 . Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. В результате получим величины T x E = Y/S (гр. 4 табл.), которые содержат только тенденцию и случайную компоненту.
Находим параметры уравнения методом наименьших квадратов .
Система уравнений МНК:
a 0 n + a 1 ∑t = ∑y
a 0 ∑t + a 1 ∑t 2 = ∑y t
Для наших данных система уравнений имеет вид:
12a 0 + 78a 1 = 14659.84
78a 0 + 650a 1 = 96308.75
Из первого уравнения выражаем а 0 и подставим во второе уравнение
Получаем a 1 = 7.13, a 0 = 1175.3
Среднее значения
| t | y | t 2 | y 2 | t y | y(t) | (y-y cp) 2 | (y-y(t)) 2 |
| 1 | 1226.81 | 1 | 1505062.02 | 1226.81 | 1182.43 | 26.59 | 1969.62 |
| 2 | 870.35 | 4 | 757510.32 | 1740.7 | 1189.56 | 123413.31 | 101895.13 |
| 3 | 1238.16 | 9 | 1533048.66 | 3714.49 | 1196.69 | 272.59 | 1719.84 |
| 4 | 1342.37 | 16 | 1801951.56 | 5369.47 | 1203.82 | 14572.09 | 19194.4 |
| 5 | 1321.07 | 25 | 1745238.05 | 6605.37 | 1210.96 | 9884.65 | 12126.19 |
| 6 | 1365.81 | 36 | 1865450.09 | 8194.89 | 1218.09 | 20782.63 | 21823.45 |
| 7 | 1252.77 | 49 | 1569433.89 | 8769.39 | 1225.22 | 968.3 | 759.1 |
| 8 | 1184.64 | 64 | 1403371.14 | 9477.12 | 1232.35 | 1369.99 | 2276.31 |
| 9 | 1217.25 | 81 | 1481689.26 | 10955.22 | 1239.48 | 19.42 | 494.41 |
| 10 | 1163.03 | 100 | 1352627.82 | 11630.25 | 1246.61 | 3437.21 | 6987 |
| 11 | 1105.84 | 121 | 1222883.47 | 12164.25 | 1253.75 | 13412.51 | 21875.75 |
| 12 | 1371.73 | 144 | 1881649.21 | 16460.79 | 1260.88 | 22523.77 | 12288.93 |
| 78 | 14659.84 | 650 | 18119915.49 | 96308.75 | 14659.84 | 210683.05 | 203410.13 |
T = 1175.298 + 7.132t
Подставляя в это уравнение значения t = 1,...,12, найдем уровни T для каждого момента времени (гр. 5 табл.).
| t | y t | S i | y t /S i | T | TxS i | E = y t / (T x S i) | (y t - T*S) 2 |
| 1 | 898 | 0.73 | 1226.81 | 1182.43 | 865.51 | 1.04 | 1055.31 |
| 2 | 794 | 0.91 | 870.35 | 1189.56 | 1085.21 | 0.73 | 84801.95 |
| 3 | 1441 | 1.16 | 1238.16 | 1196.69 | 1392.74 | 1.03 | 2329.49 |
| 4 | 1600 | 1.19 | 1342.37 | 1203.82 | 1434.87 | 1.12 | 27269.14 |
| 5 | 967 | 0.73 | 1321.07 | 1210.96 | 886.4 | 1.09 | 6497.14 |
| 6 | 1246 | 0.91 | 1365.81 | 1218.09 | 1111.23 | 1.12 | 18162.51 |
| 7 | 1458 | 1.16 | 1252.77 | 1225.22 | 1425.93 | 1.02 | 1028.18 |
| 8 | 1412 | 1.19 | 1184.64 | 1232.35 | 1468.87 | 0.96 | 3233.92 |
| 9 | 891 | 0.73 | 1217.25 | 1239.48 | 907.28 | 0.98 | 264.9 |
| 10 | 1061 | 0.91 | 1163.03 | 1246.61 | 1137.26 | 0.93 | 5814.91 |
| 11 | 1287 | 1.16 | 1105.84 | 1253.75 | 1459.13 | 0.88 | 29630.23 |
| 12 | 1635 | 1.19 | 1371.73 | 1260.88 | 1502.87 | 1.09 | 17458.67 |
Расчет ошибки в мультипликативной модели производится по формуле:
E = Y/(T * S) = 12
Для сравнения мультипликативной модели и других моделей временного ряда можно использовать сумму квадратов абсолютных ошибок:
Среднее значения
| t | y | (y-y cp) 2 |
| 1 | 898 | 106384.69 |
| 2 | 794 | 185043.36 |
| 3 | 1441 | 47016.69 |
| 4 | 1600 | 141250.69 |
| 5 | 967 | 66134.69 |
| 6 | 1246 | 476.69 |
| 7 | 1458 | 54678.03 |
| 8 | 1412 | 35281.36 |
| 9 | 891 | 111000.03 |
| 10 | 1061 | 26623.36 |
| 11 | 1287 | 3948.03 |
| 12 | 1635 | 168784.03 |
| 78 | 14690 | 946621.67 |
Следовательно, можно сказать, что мультипликативная модель объясняет 79% общей вариации уровней временного ряда.
Проверка адекватности модели данным наблюдения.
где m - количество факторов в уравнении тренда (m=1).
Fkp = 4.96
Поскольку F> Fkp, то уравнение статистически значимо
Шаг 6 . Прогнозирование по мультипликативной модели. Прогнозное значение F t уровня временного ряда в мультипликативной модели есть сумма трендовой и сезонной компонент. Для определения трендовой компоненты воспользуемся уравнением тренда:T = 1175.298 + 7.132t
Получим
T 13 = 1175.298 + 7.132*13 = 1268.008
Значение сезонного компонента за соответствующий период равно: S 1 = 0.732
Таким образом, F 13 = T 13 + S 1 = 1268.008 + 0.732 = 1268.74
T 14 = 1175.298 + 7.132*14 = 1275.14
Значение сезонного компонента за соответствующий период равно: S 2 = 0.912
Таким образом, F 14 = T 14 + S 2 = 1275.14 + 0.912 = 1276.052
T 15 = 1175.298 + 7.132*15 = 1282.271
Значение сезонного компонента за соответствующий период равно: S 3 = 1.164
Таким образом, F 15 = T 15 + S 3 = 1282.271 + 1.164 = 1283.435
T 16 = 1175.298 + 7.132*16 = 1289.403
Значение сезонного компонента за соответствующий период равно: S 4 = 1.192
Таким образом, F 16 = T 16 + S 4 = 1289.403 + 1.192 = 1290.595
При построении экономических моделей выявляются существенные факторы и отбрасываются детали несущественные для решения поставленной задачи.
К экономическим моделям могут относится модели:
- экономического роста
- потребительского выбора
- равновесия на финансовом и товарном рынке и многие другие.
Модель — это логическое или математическое описание компонентов и функций, отражающих существенные свойства моделируемого объекта или процесса.
Модель используется как условный образ, сконструированный для упрощения исследования объекта или процесса.
Природа моделей может быть различна. Модели подразделяются на: вещественные, знаковые, словесное и табличное описание и др.
Экономико-математическая модель
В управлении хозяйственными процессами наибольшее значение имеют прежде всего экономико-математические модели , часто объединяемые в системы моделей.
Основные типы моделейЭкономико-математическая модель (ЭММ) — это математическое описание экономического объекта или процесса с целью их исследования и управления ими. Это математическая запись решаемой экономической задачи.
- Экстраполяционные модели
- Факторные эконометрические модели
- Оптимизационные модели
- Балансовые модели, модель МежОтраслевогоБаланса (МОБ)
- Экспертные оценки
- Теория игр
- Сетевые модели
- Модели систем массового обслуживания
Экономико-математические модели и методы, применяемые в экономическом анализе
R a = ЧП / ВА + ОА ,
В обобщенном виде смешанная модель может быть представлена такой формулой:
Итак, вначале следует построить экономико-математическую модель, описывающую влияние отдельных факторов на обобщающие экономические показатели деятельности организации. Большое распространение в анализе хозяйственной деятельности получили многофакторные мультипликативные модели , так как они позволяют изучить влияние значительного количества факторов на обобщающие показатели и тем самым достичь большей глубины и точности анализа.
После этого нужно выбрать способ решения этой модели. Традиционные способы : способ цепных подстановок, способы абсолютных и относительных разниц, балансовый способ, индексный метод, а также методы корреляционно-регрессионного, кластерного, дисперсионного анализа, и др. Наряду с этими способами и методами в экономическом анализе используются и специфически математические способы и методы.
Интегральный метод экономического анализа
Одним из таких способов (методов) является интегральный. Он находит применение при определении влияния отдельных факторов с использованием мультипликативных, кратных, и смешанных (кратно-аддитивных) моделей.
В условиях применения интегрального метода имеется возможность получения более обоснованных результатов исчисления влияния отдельных факторов, чем при использовании метода цепных подстановок и его вариантов. Метод цепных подстановок и его варианты, а также индексный метод имеют существенные недостатки: 1) результаты расчетов влияния факторов зависят от принятой последовательности замены базисных величин отдельных факторов на фактические; 2) дополнительный прирост обобщающего показателя, вызванный взаимодействием факторов, в виде неразложимого остатка присоединяется к сумме влияния последнего фактора. При использовании же интегрального метода этот прирост делится поровну между всеми факторами.
Интегральный метод устанавливает общий подход к решению моделей различных видов, причем независимо от числа элементов, которые входят в данную модель, а также независимо от формы связи между этими элементами.
Интегральный метод факторного экономического анализа имеет в своей основе суммирование приращений функции, определенной как частная производная, умноженная на приращение аргумента на бесконечно малых промежутках.
В процессе применения интегрального метода необходимо соблюдение нескольких условий. Во-первых, должно соблюдаться условие непрерывной дифференцируемости функции, где в качестве аргумента берется какой-либо экономический показатель. Во-вторых, функция между начальной и конечной точками элементарного периода должна изменяться по прямой Г е . Наконец, в третьих, должно иметь место постоянство соотношения скоростей изменения величин факторов
d y / d x = const
При использовании интегрального метода исчисление определенного интеграла по заданной подынтегральной функции и заданному интервалу интегрирования осуществляется по имеющейся стандартной программе с применением современных средств вычислительной техники.
Если мы осуществляем решение мультипликативной модели, то для расчета влияния отдельных факторов на обобщающий экономический показатель можно использовать следующие формулы:
ΔZ(x) = y 0 * Δ x + 1/2 Δ x * Δ y
Z(y)= x 0 * Δ y +1/2 Δ x * Δ y
При решении кратной модели для расчета влияния факторов воспользуемся такими формулами:
Z=x /y ;
Δ Z(x) = Δ x /Δ y Ln y1/y0
Δ Z(y)= Δ Z - Δ Z(x)
Существует два основных типа задач, решаемых при помощи интегрального метода: статический и динамический. При первом типе отсутствует информация об изменении анализируемых факторов в течение данного периода. Примерами таких задач могут служить анализ выполнения бизнес-планов либо анализ изменения экономических показателей по сравнению с предыдущим периодом. Динамический тип задач имеет место в условиях наличия информации об изменении анализируемых факторов в течение данного периода. К этому типу задач относятся вычисления, связанные с изучением временных рядов экономических показателей.
Таковы важнейшие черты интегрального метода факторного экономического анализа.
Метод логарифмирования
Кроме этого метода, в анализе находит применение также метод (способ) логарифмирования. Он используется при проведении факторного анализа, когда решаются мультипликативные модели. Сущность рассматриваемого метода заключается в том, что при его использовании имеет место логарифмически пропорциональное распределение величины совместного действия факторов между последними, то есть эта величина распределяется между факторами пропорционально доле влияния каждого отдельного фактора на сумму обобщающего показателя. При интегральном же методе упомянутая величина распределяется между факторами в одинаковой мере. Поэтому метод логарифмирования делает расчеты влияния факторов более обоснованными по сравнению с интегральным методом.
В процессе логарифмирования находят применение не абсолютные величины прироста экономических показателей, как это имеет место при интегральном методе, а относительные, то есть индексы изменения этих показателей. К примеру, обобщающий экономический показатель определяется в виде произведения трех факторов — сомножителей f = x y z .
Найдем влияние каждого из этих факторов на обобщающий экономический показатель. Так, влияние первого фактора может быть определено по следующей формуле:
Δf x = Δf · lg(x 1 / x 0) / lg(f 1 / f 0)
Каким же было влияние следующего фактора? Для нахождения его влияния воспользуемся следующей формулой:
Δf y = Δf · lg(y 1 / y 0) / lg(f 1 / f 0)
Наконец, для того, чтобы исчислить влияние третьего фактора, применим формулу:
Δf z = Δf · lg(z 1 / z 0)/ lg(f 1 / f 0)
Таким образом, общая сумма изменения обобщающего показателя расчленяется между отдельными факторами в соответствии с пропорциями отношений логарифмов отдельных факторных индексов к логарифму обобщающего показателя.
При применении рассматриваемого метода могут быть использованы любые виды логарифмов — как натуральные, так и десятичные.
Метод дифференциального исчисления
При проведении факторного анализа находит применение также метод дифференциального исчисления. Последний предполагает, что общее изменение функции, то есть обобщающего показателя, подразделяется на отдельные слагаемые, значение каждого из которых исчисляется как произведение определенной частной производной на приращение переменной, по которой определена эта производная. Определим влияние отдельных факторов на обобщающий показатель, используя в качестве примера функцию от двух переменных.
Задана функция Z = f(x,y) . Если эта функция является дифференцируемой, то ее изменение может быть выражено следующей формулой:
Поясним отдельные элементы этой формулы:
ΔZ = (Z 1 - Z 0) - величина изменения функции;
Δx = (x 1 - x 0) — величина изменения одного фактора;
Δ y = (y 1 - y 0) -величина изменения другого фактора;
- бесконечно малая величина более высокого порядка, чем
В данном примере влияние отдельных факторов x и y на изменение функции Z (обобщающего показателя) исчисляется следующим образом:
ΔZ x = δZ / δx · Δx; ΔZ y = δZ / δy · Δy.
Сумма влияния обоих этих факторов — это главная, линейная относительно приращения данного фактора часть приращения дифференцируемой функции, то есть обобщающего показателя.
Способ долевого участия
В условиях решения аддитивных, а также кратно-аддитивных моделей для исчисления влияния отдельных факторов на изменение обобщающего показателя используется также способ долевого участия. Его сущность состоит в том, что вначале определяется доля каждого фактора в общей сумме их изменений. Затем эта доля умножается на общую величину изменения обобщающего показателя.
Предположим, что мы определяем влияние трех факторов — а ,b и с на обобщающий показатель y . Тогда для фактора, а определение его доли и умножение ее на общую величину изменения обобщающего показателя можно осуществить по следующей формуле:
Δy a = Δa/Δa + Δb + Δc*Δy
Для фактора в рассматриваемая формула будет иметь следующий вид:
Δy b =Δb/Δa + Δb +Δc*Δy
Наконец, для фактора с имеем:
Δy c =Δc/Δa +Δb +Δc*Δy
Такова сущность способа долевого участия, используемого для целей факторного анализа.
Метод линейного программирования
См.далее:Теория массового обслуживания
См.далее:Теория игр
Находит применение также теория игр. Так же, как и теория массового обслуживания, теория игр представляет собой один из разделов прикладной математики. Теория игр изучает оптимальные варианты решений, возможные в ситуациях игрового характера. Сюда относятся такие ситуации, которые связаны с выбором оптимальных управленческих решений, с выбором наиболее целесообразных вариантов взаимоотношений с другими организациями, и т.п.
Для решения подобных задач в теории игр используются алгебраические методы, которые базируются на системе линейных уравнений и неравенств, итерационные методы, а также методы сведения данной задачи к определенной системе дифференциальных уравнений.
Одним из экономико-математических методов, применяемых в анализе хозяйственной деятельности организаций, является так называемый анализ чувствительности. Данный метод зачастую применяется в процессе анализа инвестиционных проектов, а также в целях прогнозирования суммы прибыли, остающейся в распоряжении данной организации.
В целях оптимального планирования и прогнозирования деятельности организации необходимо заранее предусматривать те изменения, которые в будущем могут произойти с анализируемыми экономическими показателями.
Например, следует заранее прогнозировать изменение величин тех факторов, которые влияют на размер прибыли: уровень покупных цен на приобретаемые материальные ресурсы, уровень продажных цен на продукцию данной организации, изменение спроса покупателей на эту продукцию.
Анализ чувствительности состоит в определении будущего значения обобщающего экономического показателя при условии, что величина одного или нескольких факторов, оказывающих влияние на этот показатель, изменится.
Так, например, устанавливают, на какую величину изменится прибыль в перспективе при условии изменения количества продаваемой продукции на единицу. Этим самым мы анализируем чувствительность чистой прибыли к изменению одного из факторов, влияющих на нее, то есть в данном случае фактора объема продаж. Остальные же факторы, влияющие на величину прибыли, являются при этом неизменными. Можно определить величину прибыли также и при одновременном изменении в будущем влияния нескольких факторов. Таким образом анализ чувствительности дает возможность установить силу реагирования обобщающего экономического показателя на изменение отдельных факторов, оказывающих влияние на этот показатель.
Матричный метод
Наряду с вышеизложенными экономико-математическими методами в анализе хозяйственной деятельности находят применение также . Эти методы базируются на линейной и векторно-матричной алгебре.
Метод сетевого планирования
См.далее:Экстраполяционный анализ
Кроме рассмотренных методов, используется также экстраполяционный анализ. Он включает в себя рассмотрение изменений состояния анализируемой системы и экстраполяцию, то есть продление имеющихся характеристик этой системы на будущие периоды. В процессе осуществления этого вида анализа можно выделить такие основные этапы: первичная обработка и преобразование исходного ряда имеющихся данных; выбор типа эмпирических функций; определение основных параметров этих функций; экстраполяция; установление степени достоверности проведенного анализа.
В экономическом анализе используется также метод главных компонент. Они применяется в целях сравнительного анализа отдельных составных частей, то есть параметров проведенного анализа деятельности организации. Главные компоненты представляют собой важнейшие характеристики линейных комбинаций составных частей, то есть параметров проведенного анализа, которые имеют самые значительные величины дисперсии, а именно, наибольшие абсолютные отклонения от средних величин.
Назначение сервиса . С помощью онлайн-калькулятора определяется мультипликативная индексная двухфакторная модель.Инструкция . Для решения подобных задач выберите количество строк. Полученное решение сохраняется в файле MS Word .
Индекс
– это относительный показатель сравнения двух состояний простого или сложного явления, состоящего из соизмеримых или несоизмеримых элементов, во времени или пространстве.
Основными задачами индексного метода являются
:
- оценка динамики обобщающих показателей, характеризующих сложные, непосредственно несоизмеримые совокупности;
- анализ влияния отдельных факторов на изменение результативных обобщающих показателей;
- анализ влияния структурных сдвигов на изменение средних показателей однородной совокупности;
- оценка территориальных, в том числе международных, сравнений.
Общие (сводные) индексы бывают только групповые; динамические индексы бывают базисные и цепные; индексы с постоянными весами – стандартные, базисного периода, отчетного периода; средневзвешенные индексы – арифметические и гармонические.
Условные обозначения, используемые в теории индексного метода:
р -
цена за единицу товара (услуги);
q -
количество (объем) какого-либо продукта (товара) в натуральном выражении;
pq -
общая стоимость продукции данного вида (товарооборот);
z -
себестоимость единицы продукции (изделия);
zq -
общая себестоимость продукции данного вида (денежные затраты на ее производство);
Т -
общие затраты времени на производство продукции или общая численность работников;
w=
q/
T -
производство продукции данного вида в единицу времени (либо выработка продукции на одного работника, т.е. производительность труда);
t=
T/
q -
затраты рабочего времени на единицу продукции (трудоемкость единицы продукции);
1 -
подстрочный символ показателя текущего (отчетного) периода;
0 -
подстрочный символ показателя предшествующего (базисного) периода
Индивидуальный индекс
(
i)
характеризует динамику уровня изучаемого явления во времени за два сравниваемых периода или выражает соотношение отдельных элементов совокупности.
Основным элементом индексного соотношения является индексируемая величина. Индексируемая величина
– это признак, изменение которого характеризует индекс.
Основные формулы вычисления индивидуальных индексов:
Индекс физического объема (количества) продукции
Индекс цен
Индекс стоимости продукции
Индекс себестоимости единицы продукции
Индекс затрат на производство продукции
Индекс трудоемкости
Индекс количества продукции, произведенной в единицу времени
Индекс производительности труда (по трудоемкости)
Взаимосвязь индексов
Виды мультипликативных индексных двухфакторных моделей
Двухфакторная мультипликативная модель как правило применяется для анализа показателей разнородной продукции предприятия.- Мультипликативная индексная двухфакторная модель товарооборота: Q 1 = Q 0 i p i q
С аналитической точки зрения i q показывает, во сколько раз увеличилась (или уменьшилась) общая сумма выручки под влиянием изменения объема продажи в натуральных единицах.
Аналогично i p показывает, во сколько раз изменилась общая сумма выручки под влиянием изменения цены товара. Очевидно, что
i Q = i q i p , или Q 1 = Q 0 i q i p
Формула Q 1 = Q 0 i q i p представляет двухфакторную индексную мультипликативную модель итогового показателя. Посредством такой модели находят прирост итога под влиянием каждого фактора в отдельности.
Так, если выручка от продажи некоторого товара возросла с 8 млн. руб. в предыдущем периоде до 12,180 млн. руб. в последующем и известно, что это объясняется увеличением количества проданного товара на 5 % при цене на 45 % большей, чем в предыдущем периоде, то можно записать следующее соотношение:
12,180 = 8 × 1,05 × 1,45 (млн. руб.).
Распределения общего прироста по факторам в двухфакторной индексной мультипликативной модели
Общий прирост выручки в сумме 12,180-8 = 4,180 млн. руб. объясняется изменением объема продажи и цены. Прирост выручки за счет изменения объема продажи (в натуральном выражении) составит
ΔQ(q) = Q 0 (i q -1)
Для нашего примера: ΔQ(q) = 8(1,05-1)=+0,4 млн. руб.
Тогда за счет изменения цены данного товара сумма выручки изменилась на
ΔQ(p) = Q 0 i q (i p -1) или ΔQ(p) = 8*1,05(1,45-1) = +3,78 млн.руб.
Общий прирост товарооборота складывается из приростов, объясняемых каждым фактором в отдельности, т.е. ΔQ = Q 1 – Q 0 = ΔQ(q) + ΔQ(p)
или ΔQ = 12,18-8=0,4+3,78 = 4,18 млн.руб. - Мультипликативная индексная двухфакторная модель себестоимости (затрат, издержек обращения): Q 1 = Q 0 i z i q
к.э.н., директор по науке и развитию ЗАО "КИС"
Анализ мультипликативной модели (Часть1)
В предыдущей статье мы рассмотрели один из методов прогнозирования, используемый для временных рядов - анализ аддитивной модели. Нашей задачей было представить пример расчета трендовых значений объема продаж и дать прогноз на будущие периоды на основе изложенных формул, не углубляясь в обоснование коэффициентов. Тем более, широкие возможности программного продукта Microsoft Excel позволяют расчет тренда сделать быстро, используя встроенные статистические функции.
Очевидно, чтобы выполнить прогноз, применяя стандартные технологии, нужна информация. И вот эта проблема является достаточно серьезной. Как правило, на современных предприятиях статистические ряды не накоплены. Информационная база начинается где-то в 90-х годах, а многое в тот период было неопределенным. Государственные статистические данные стали не актуальными, и достоверность данных далеко не безоговорочна.
Но функции планирования и прогнозирования являются основными видами деятельности любой организации, а стабилизационные процессы, протекающие в нашей стране за последний период, все же позволяют надеяться, что определенный тренд развития существует, и в будущем не будет нарушен. Определенные выводы можно будет делать и без полных статистических данных на маленькой выборке. Главное, правильно сформулировать условия решения задачи и выбрать метод, который был бы адекватен статистической природе изучаемых временных рядов.
Так, например, прежде чем определять метод, которым следует строить прогноз, аналитик должен решить для себя: обладает ли ряд, который он изучает, свойством сезонности.
Сезонность является объективным свойством временных рядов. Сезонная вариация - это повторение данных через небольшой промежуток времени, т.е. если форма кривой, которая описывает продажи товара, повторяет свои характерные очертания и тенденции, то о таком ряде можно говорить, что он обладает сезонностью. В этом случае, период прогнозирования должен быть достаточно большой, чтобы можно было наблюдать сезонные всплески и колебания продаж.
В некоторых временных рядах значение сезонной вариации - это определенная доля трендового значения, т.е. сезонная вариация увеличивается с возрастанием значений тренда. В таких случаях используется мультипликативная модель.
Для мультипликативной модели фактическое значение рассчитывается по формуле:
Расчет фактического значения в мультипликативной модели
Т - трендовое значение
S - сезонная вариация
Е - ошибка прогноза
Анализ мультипликативной модели рассмотрим на примере. В таблице указан объем продаж за последние одиннадцать кварталов. На основании этих данных дадим прогноз объема продаж на следующие два квартала.
Опираясь на предложенный алгоритм, на первом этапе исключим влияние сезонной вариации. Воспользуемся методом скользящей средней, заполним следующие столбцы таблицы.
Метод скользящей средней
Простое скользящее среднее (Simple Moving Avarage) - это средний арифметический показатель (объем продаж, объем производства, цена) за определенный период времени.
Одним важным достоинством скользящих средних является их способность давать сигналы о развороте тренда, подтверждать рост, спад.
Общая формула для вычисления SMA за n-ый период такая:
Простое скользящее среднее за период N
где n - период усреднения,
Р(i) - усредняемый объем (i - 1) период тому назад (i-е измерение или отсчет),
P(1) - объем продаж за последний период,
P(n) - самый старый по оси времени объем рассматриваемого нами временного промежутка.
1 год = 4 квартала. Поэтому найдем среднее значение объема продаж за 4 последовательных квартала. Для этого нужно сложить 4 последовательных числа из второго столбца, разделить на 4 (количество слагаемых) и результат запишем в третий столбец напротив третьего слагаемого: (63 74 79 120)/4=84 ; (74 79 120 67)/4=85; и т.д.
Если скользящая средняя вычисляется для нечетного числа сезонов, то результат не центрируется, в нашем примере число сезонов - восемь, поэтому сумму двух чисел из третьего столбца, разделим на 2 и запишем в четвертый столбец напротив верхнего из них: (84 85)/2=2=84,5.
Оценка сезонной вариации для аддитивной модели рассчитывается как разность объема продаж и центрированной скользящее средней. Для мультипликативных моделей - это отношение. Числа второго столбца делим на числа четвертого и результат округляем до трех цифр и запишем в пятый столбец: 79/84,5=0,935.
Следующим этапом необходимо исключить сезонную вариацию из фактических данных - провести десезонализация данных. Но это уже в следующем выпуске.