Экономико-математические методы и модели анализа. Детерминированное моделирование факторных систем

Для выявления структуры временного ряда, т.е. определения количественных значений компонентов, составляющих уровней ряда, чаще всего используют аддитивную или мультипликативную модели временных рядов.

Мультипликативная модель. У=Т*S*E

T-трендовая компонента

S-сезонная компонента

E-случайная компонента

Мультипликативная модель используется в случае, если амплитуда сезонных колебаний увеличивается или уменьшается.

Алгоритм построения модели. Процесс построения модели включает в себя следующие шаги:

Выравнивание уровней исходного ряда методом скользящей средней.

Расчет значений сезонной компоненты S

Устранение сезонной компоненты из исходного уровня ряда и получение выровненных данных без S

Аналитическое выравнивание уровней ряда и расчет значений фактора Т

Расчет полученных значений (Т* S) для каждого уровня ряда

Расчет абсолютных или относительных ошибок модели.

(или 4.Определение тенденции временного ряда и уравнения тренда; 5.Расчет абсолютных или относительных ошибок модели.)

26 Выделение сезонной составляющей

Оценку сезонной компоненты можно найти как частное от деления фактических уровней ряда на центрированные скользящие средние.

Для начала необходимо найти средние за период (квартал, месяц) оценки сезонной компоненты Si . В моделях сезонной компоненты обычно предполагается что сезонные взаимодействия за период взаимопоглощаются.

В мультипликативной модели взаимопоглощаемость сезонных воздействий выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле.

Выравнивание исходных уровней с помощью скользящей средней: а) Суммируются уровни ряда последовательно за каждый период времени за каждые 4 квартала со сдвигом на 1 момент времени и определяются условные годовые объемы потребления б) Разделим полученные суммы на 4, получим скользящие средние. Полученные выравненные значения не содержат сезонной компоненты. в) Приводим эти значения в соответствие с фактическими моментами времени для чего найдем среднее значение из 2-х скользящих средних – центрированные скользящие средние.

27.Коэффициент корреляции.

Для определения степени линейной связи рассчитывается коэфф-т корреляции.

Для определения нелинейной связи определяется индекс корреляции

, 0 1

Коэффициент детерминации: R 2 = 2 -для лин. связи. R 2 = 2 -для нелин. связи.

Показывает на сколько % изменения показателя у от своего среднего значения зависит от изменения фактора х от своего среднего значения. Чем ближе значение R² к 1, тем точнее модель.

Из всех полученных уравнений регрессии, лучшей является та, у которой коэф-т детерминации больший.

Если исследуется несколько факторов (больше2) то в этом случае рассчитывается множественный коэфф-т корреляции.R Y , X 1, X 2.. XN -множественный коэфф-т корреляции.

При анализе влияния нескольких факторов друг на друга определяется корреляционная матрица, которая состоит из всех возможных парных линейных коэфф-тов корреляции.

Корреляционная матрица:

Детерминированный факторный анализ – это методика исследования влияния факторов, связь которых с результативным показателем носит функциональный характер, т.е. когда результативный показатель представлен в виде произведения, частного или алгебраической суммы факторов.

При моделировании детерминированных факторных систем необходимо выполнять ряд требований:

1. Факторы, включаемые в модель, и сами модели должны иметь определенно выраженный характер, реально существовать, а не быть придуманными абстрактными величинами или явлениями.

2. Факторы, которые входят в систему, должны быть не только необходимыми элементами формулы, но и находиться в причинно-следственной связи с изучаемыми показателями.

3. Каждые показатели факторной модели должны быть количественно измеримыми, т.е. должны иметь единицу измерения и необходимую информационную обеспеченность.

4. Факторная модель должна обеспечивать возможность измерения влияния отдельных факторов, это означает, что в ней должна учитываться соразмерность измерений результативного и факторных показателей, а сумма влияния отдельных факторов должна равняться общему приросту результативного показателя.

Типы факторных моделей встречающихся в детерминированном анализе:

Аддитивные модели, используются в случаях, когда результативный показатель представляет собой алгебраическую сумму нескольких факторных показателей;

Мультипликативные модели, применяются, когда результативный показатель представляет собой произведение нескольких факторов;

Кратные модели, применяются, когда результативный показатель получают делением одного факторного показателя на величину другого;

Смешанные (комбинированные) модели – сочетание в различных комбинациях предыдущих моделей.

Основные приемы детерминированного факторного анализа и сфера их применения систематизированы в виде таблице 2.1.

Таблица 2.1 – Область применения основных приемов детерминированного факторного анализа

Методы элиминирования

Элиминировать– значит устранить, отклонить, исключить воздействие всех факторов на величину результативного показателя, кроме одного. Этот метод исходит из того, что все факторы изменяются независимо друг от друга: сначала изменяется один, а все другие остаются без изменения, потом изменяются два, затем три и т.д. Это позволяет определить влияние каждого фактора на величину исследуемого показателя в отдельности. К методам элиминирования относятся способ цепной подстановки, индексный метод, способ абсолютных и способ относительных разниц.

Способ цепной подстановки. Данный способ является универсальным, так как используется для расчета влияния факторов во всех типах детерминированных факторных моделей: аддитивных, мультипликативных, кратных и смешанных. Этот способ позволяет определить влияние отдельных факторов на изменение величины результативного показателя путем постепенной замены базисной величины каждого факторного показателя в объеме результативного показателя на фактическую в отчетном периоде. С этой целью определяют ряд условных величин результативного показателя, которые учитывают изменение одного, затем двух, трех и т.д. факторов, допуская, что остальные не меняются. Сравнение величины результативного показателя до и после изменения уровня того или иного фактора позволяет элиминироваться от влияния всех факторов, кроме одного, и определить взаимодействие последнего на прирост результативного показателя.

Рассмотрим алгоритм расчета способом цепной подстановки для различных моделей:

Мультипликативная модель

Двухфакторная мультипликативная модель (Y = a ´ b):

; ; .

Трехфакторная мультипликативная модель(Y = a ´ b ´ с):

; .

; ; ; .

Кратная модель

В кратных моделях (Y = a ÷ b) алгоритм расчета факторов на величину результативного показателя следующий:

; ;

Смешанные модели

Мультипликативно-аддитивного типа (Y = a ´ (b – c)):

; ;

; .

Кратно-аддитивного типа ():

;

; ;

; .

Используя способ цепной подстановки, рекомендуется придерживаться определенной последовательности расчетов: в первую очередь нужно учитывать изменение количественных, а затем качественных показателей. Если же имеется несколько количественных и несколько качественных показателей, то сначала следует изменить величину факторов первого уровня подчинения, а потом более низкого.

Индексный метод. Индексный метод основан на относительных показателях динамики, пространственных сравнений, выполнения плана, выражающих отношение фактического уровня анализируемого показателя в отчетном периоде к его уровню в базисном периоде.

С помощью агрегатных индексов можно выявить влияние различных факторов на изменение уровня результативных показателей в мультипликативных и кратных моделях.

Рассмотрим алгоритм расчета индексного метода для мультипликативной модели.

; ; ; .

Способ абсолютных разниц. Как и способ цепной подстановки, данный способ применяется для расчета влияния факторов на прирост результативного показателя в детерминированном анализе, но только в мультипликативных и мультипликативно-аддитивных моделях: и . Особенно эффективно применяется данный способ в том случае, если исходные данные уже содержат абсолютные отклонения по факторным показателям.

При его использовании величина влияния факторов рассчитывается умножением абсолютного прироста исследуемого фактора на базовую (плановую) величину факторов, которые находятся справа от него, и на фактическую величину факторов, расположенных слева от него в модели.

Мультипликативная модель

Алгоритм расчета для мультипликативной факторной модели типа . Имеются плановые и фактические значения по каждому факторному показателю, а также их абсолютные отклонения:

Изменение величины результативного показателя за счет каждого фактора:

; .

Смешанные модели

Алгоритм расчета факторов этим способом в смешанных моделях типа :

; ; .

Способ относительных разниц применяется для изменения влияния факторов на прирост результативного показателя только в мультипликативных моделях и мультипликативно-аддитивных моделях: . Он значительно проще цепных подстановок, что при определенных обстоятельствах делает его очень эффективным. Это касается тех случаев, когда исходные данные содержат уже определенные ранее относительные приросты факторных показателей в процентах или коэффициентах.

Мультипликативная модель

Алгоритм расчета влияния факторов на величину результативного показателя для мультипликативных моделей типа (Y = a ´ b ´ с).

Сначала рассчитываются относительные отклонения факторных показателей:

; ; .

Изменение результативного показателя за счет каждого фактора определяется следующим образом:

Они используются в тех случаях, когда результативный показатель представляет собой алгебраическую сумму нескольких факторных показателей.

2. Мультипликативные модели

Y=
.

Этот тип моделей применяется тогда, когда результативный показатель представляет собой произведение нескольких факторов.

3. Кратные модели

Y=.

Они применяются тогда, когда результативный показатель получают делением одного факторного показатели на величину другого.

4. Смешанные (комбинированные) модели - это сочетание в различных комбинациях предыдущих моделей:

Y=; Y=; Y=(a+b)c .

Преобразование факторных систем

1. Преобразование мультипликативных факторных систем осуществляется путем последовательного расчленения факторов исходной системы на факторы-сомножители .

Например, при исследовании процесса формирования объема производства продукции (см.рис.6.1) можно применять такие детерминированные модели, как

ВП=КРГВ; ВП=КРДДВ, ВП=КРДПСВ.

Эти модели отражают процесс детализации исходной факторной системы мультипликативного вида и расширения ее за счет расчленения на сомножители комплексных факторов. Степень детализации и расширения модели зависит от цели исследования, а также от возможностей детализации и формализации показателей в пределах установленных правил.

2. Аналогичным образом осуществляется моделирование аддитивных факторных систем за счет расчленения одного из факторных показателей на его составные элементы-слагаемые .

Пример. Как известно, объем реализации продукции

VРП = VВП – VИ,

где VВП - объем производства;

VИ – объем внутрихозяйственного использования продукции.

В сельскохозяйственном предприятии зернопродукция использовалась в качестве семян (С) и кормов (К) Тогда приведенную исходную модель можно записать следующим образом: VП = VВП - (С + К).

3. К классу кратных моделей применяют следующие способы их преобразования:

удлинения;

формального разложения;

расширения;

сокращения.

Первый метод предусматривает удлинение числителя исходной модели путем замены одного или нескольких факторов на сумму однородных показателей .

Например, себестоимость единицы продукции можно представить в качестве функции двух факторов: изменение суммы затрат (3) и объема выпуска продукции (VВП). Исходная модель этой факторной системы будет иметь вид

С=.

Если общую сумму затрат (3) заменить отдельными их элементами, такими, как оплата труда (ОТ), сырье и материалы (СМ), амортизация основных средств (А), накладные затраты (НЗ) и др., то детерминированная факторная модель будет иметь вид аддитивной модели с новым набором факторов

С=+++=X+ X+ X+ X,

где X– трудоемкость продукции; X– материалоемкость продукции; X– фондоемкость продукции; X– уровень накладных затрат

Способ формального разложения факторной системы предусматривает удлинение знаменателя исходной факторной модели путем замены одного или нескольких факторов на сумму или произведение однородных показателей .

Если b=l+m+n+р , то

Y=
.

В результате получили конечную модель того же вида, что и исходной факторной системы (кратную модель). На практике такое разложение встречается довольно часто. Например, при анализе показателя рентабельности производства (Р):

Р=,

где /7 - сумма прибыли от реализации продукции;

3 - сумма затрат на производство и реализацию продукции.

Если сумму затрат заменить на отдельные ее элементы, конечная модель в результате преобразования приобретет следующий вид:

Р=
.

Себестоимость одного тонно-километра (С
) зависит от суммы затрат на содержание и эксплуатацию автомобиля (3) и от его среднегодовой выработки (ГВ). Исходная модель этой системы будет иметь вид

С
=.

Учитывая, что среднегодовая выработка машины в свою очередь зависит от количества отработанных дней одним автомобилем за год (Д), продолжительности смены (П) и среднечасовой выработки (СВ), мы можем значительно удлинить эту модель и разложить прирост себестоимости на большее количество факторов:

С
=
.

Метод расширения предусматривает расширение исходной факторной модели за счет умножения числителя и знаменателя дроби на один или несколько новых показателей. Например, если в исходную модель

ввести новый показатель с, то модель примет вид

В результате получилась конечная мультипликативная модель в виде произведения нового набора факторов.

Этот способ моделирования очень широко применяется в анализе. Например, среднегодовую выработку продукции одним работником (показатель производительности труда) можно записать таким образом: ГВ = ВП / КР. Если ввести такой показатель, как количество отработанных дней всеми работниками (Д), то получим следующую модель годовой выработки:

ГВ=
,

где ДВ – среднедневная выработка; Д – количество отработанных дней одним работником.

После введения показателя количества отработанных часов всеми работниками (Т) получим модель с новым набором факторов: среднечасовой выработки (СВ), количества отработанных дней одним работником (Д) и продолжительности рабочего дня (П):

Способ сокращения представляет собой создание новой факторной модели путем деления числителя и знаменателя дроби на один и тот же показатель :

В данном случае получается конечная модель того же типа, что и исходная, однако с другим набором факторов.

Другой пример. Экономическая рентабельность активов предприятия (ROA) рассчитывается делением суммы прибыли (П) на среднегодовую стоимость основного и оборотного капитала предприятия (A): ROA=П/A.

Если числитель и знаменатель разделим на объем продажи продукции (S), то получим кратную модель, но с новым набором факторов: рентабельности реализованной продукции и капиталоемкости продукции:

Результативные показатели могут быть разложены на составные элементы (факторы) различными способами и представлены в виде различных типов детерминированных моделей. Выбор способа моделирования зависит от объекта исследования, поставленной цели, а также от профессиональных знаний и навыков исследователя. Процесс моделирования факторных систем - очень сложный и ответственный момент в экономическом анализе. От того, насколько реально и точно созданные модели отражают связь между исследуемыми показателями, зависят конечные результаты анализа .

Использование в анализе хозяйственной деятельности экономико-математических методов.

Способы пропорционального деления и интегральный способ.

Способы цепной подстановки, абсолютных и относительных разниц.

Приемы и способы, используемые в анализе хозяйственной деятельности

Л3. Приемы и способы, используемые в АХД.

Сравнение – сопоставление изучаемых данных и фактов хозяйственной жизни. Различают горизонтальный сравнительный анализ, который применяется для определения абсолютных и относительных отклонений фактического уровня исследуемых показателей от базового; вертикальный сравнительный анализ, используемый для изучения структуры экономических явлений; трендовый анализ, применяемый при изучении относительных темпов роста и прироста показателей за ряд лет к уровню базисного года, т.е. при исследовании рядов динамики.

Обязательным условием сравнительного анализа является сопоставимость сравниваемых показателей, предполагающая:

· единство объемных, стоимостных, качественных, структурных показателей;

· единство периодов времени, за которые производится сравнение;
· сопоставимость условий производства;

· сопоставимость методики исчисления показателей.

Средние величины – исчисляются на основе массовых данных о качественно однородных явлениях. Они помогают определять общие закономерности и тенденции в развитии экономических процессов.

Группировки – используются для исследования зависимости в сложных явлениях, характеристика которых отражается однородными показателями и разными значениями (характеристика парка оборудования по срокам ввода в эксплуатацию, по месту эксплуатации, по коэффициенту сменности и т.д.)

Балансовый метод состоит в сравнении, соизмерении двух комплексов показателей, стремящихся к определенному равновесию. Он позволяет выявить в результате новый аналитический (балансирующий) показатель.

Например, при анализе обеспеченности предприятия сырьем сравнивают потребность в сырье, источники покрытия потребности и определяют балансирующий показатель – дефицит или избыток сырья.

Графический способ. Графики являются масштабным изображением показателей и их зависимости с помощью геометрических фигур.

Графический способ не имеет в анализе самостоятельного значения, а используется для иллюстрации измерений.

Индексный метод основывается на относительных показателях, выражающих отношение уровня данного явления к его уровню, взятому в качестве базы сравнения. Статистика называет несколько видов индексов, которые применяются при анализе: агрегатные, арифметические, гармонические и т.д.

Использовав индексные пересчеты и построив временной ряд, характеризующий, например, выпуск промышленной продукции в стоимостном выражении, можно квалифицированно проанализировать явления динамики.

Метод корреляционного и регрессионного (стохастического) анализа широко используется для определения тесноты связи между показателями не находящимися в функциональной зависимости, т.е. связь проявляется не в каждом отдельном случае, а в определенной зависимости.

С помощью корреляции решаются две главные задачи:
· составляется модель действующих факторов (уравнение регрессии);
· дается количественная оценка тесноты связей (коэффициент корреляции).

Матричные модели представляют собой схематическое отражение экономического явления или процесса с помощью научной абстракции. Наибольшее распространение здесь получил метод анализа «затраты-выпуск», строящийся по шахматной схеме и позволяющий в наиболее компактной форме представить взаимосвязь затрат и результатов производства.

Математическое программирование – это основное средство решения задач по оптимизации производственно-хозяйственной деятельности.

Метод исследования операций направлен на изучение экономических систем, в том числе производственно-хозяйственной деятельности предприятий, с целью определения такого сочетания структурных взаимосвязанных элементов систем, которое в наибольшей степени позволит определить наилучший экономический показатель из ряда возможных.

Теория игр как раздел исследования операций - это теория математических моделей принятия оптимальных решений в условиях неопределенности или конфликта нескольких сторон, имеющих различные интересы.

Одной из задач факторного анализа является моделирование взаимосвязей между результативными показателями и факторами, которые определяют их величину. Сущность моделирования заключается в том, что взаимосвязь исследуемого показателя с факторными передается в форе конкретного математического уравнения.

В факторном анализе различают модели детерминированные (функциональные) и стохастические (корреляционные). С помощью детерминированных факторных моделей исследуется функциональная связь между результативным показателем (функцией) и факторами (аргументами).

При моделировании детерминированных факторных систем необходимо выполнять ряд требований:

1. Фактор3ы, которые включаются в модель, и сами модели должны иметь определенно выраженный характер, реально существовать, а не быть придуманными абстрактными величинами или явлениями.

2. Факторы, которые входят в систему, должны быть не только необходимыми элементами формулы, но и находиться в причинно-следственной связи с изучаемыми показателями. Иначе говоря, построенная факторная система должна иметь познавательную ценность. Факторные модели, которые отражают причинно-следственные отношения между показателями, имеют значительно большее познавательное значение, чем модели, созданные при помощи приемов математической абстракции.

Последнее можно проиллюстрировать следующим образом. Возьмем две модели:

1) ВП = КР* ГВ;

2) ГВ = ВП/КР,

где ВП - валовая продукция предприятия; КР - численность (количество) работников на предприятии; ГВ - среднегодовая выработка продукции одним работником.

В первой системе факторы находятся в причинной связи с результативным показателем, а во второй - в математическом соотношении. Значит, вторая модель, построенная на математических зависимостях, имеет меньшее познавательное значение, чем первая.

3. Все показатели факторной модели должны быть количественно измеримыми, т.е. должны иметь единицу измерения и необходимую информационную обеспеченность.

4. Факторная модель должна обеспечивать возможность измерения влияния отдельных факторов, это значит, что в ней должна учитываться соразмерность изменений результативного и факторных показателей, а сумма влияния отдельных факторов должна равняться общему приросту результативного показателя.

В детерминированном анализе выделяют следующие типы наиболее часто встречающихся факторных моделей:

1. Аддитивные модели используются в тех случаях, когда результативный показатель представляет собой алгебраическую сумму нескольких факторных показателей.

У = Х1+Х2+Х3+…+Хп

2. Мультипликативные модели применяются тогда, когда результативный показатель представляет собой произведение нескольких факторов.

У = Х1*Х2*Х3*…*Хп

3. Кратные модели применяются тогда, когда результативный показатель получают делением одного факторного на величину другого.

4. Смешанные модели – это сочетание в различных комбинациях предыдущих моделей.

У = (а+в)/с; У = а/(в+с); У = (а*в)/с; У = (а+в)*с.

Моделирование мультипликативных факторных систем осуществляется путем последовательного расчленения факторов исходной системы на факторы-сомножители. Например, при исследовании процесса формирования объема производства продукции можно применять такие детерминированные модели, как:

ВП=КР*ГВ; ВП=КР*Д*ДВ; ВП=КР*Д*П*СВ

Эти модели отражают процесс детализации исходной факторной системы мультипликативного вида и расширения ее за счет расчленения на сомножители комплексных факторов. Степень детализации и расширения модели зависит от цели исследования, а также от возможностей детализации и формализации показателей, а пределах установленных правил.

За счет расчленения на сомножители комплексных факторов. Степень детализации и расширения модели зависит от целей исследования, а также от возможностей детализации и формализации показателей в пределах установленных правил.

Аналогичным образом осуществляется моделирование аддитивных факторных систем за счет расчленения одного из факторных показателей на его основные элементы.

Например: VРП= VВП-ВИ (объем внутрихозяйственного использования). В хозяйстве продукция использовалась в качестве семян (С) и кормов (К). Тогда приведенную исходную модель можно записать следующим образом: VРП= VВП–(С+К).

К классу кратных моделей применяют следующие способы их преобразования: удлинения, формального разложения, расширения и сокращения.

Первый метод предусматривает удлинение числителя исходной модели путем замены одного или нескольких факторов на сумму однородных показателей. Например, себестоимость единицы продукции можно представить в качестве функции двух факторов: изменение суммы затрат (3 ) и объема выпуска продукции (VВП ). Исходная модель этой факторной системы будет иметь вид: С=З/ VВП

Если общую сумму затрат (3 ) заменить отдельными их элементами, такими, как оплата труда (ОТ ), сырье и материалы (СМ ), амортизация основных средств (А ), накладные затраты (НЗ ) и др., то детерминированная факторная модель будет иметь вид аддитивной модели с новым набором факторов:

С=ОТ/ VВП+ СМ/ VВП+ А/ VВП+ НЗ/ VВП=х1+х2+х3+х4,

где X1- трудоемкость продукции; Х2 - материалоемкость продукции; Х3 - фондоемкость продукции; Х4- уровень накладных затрат.

Где П - сумма прибыли от реализации продукции; 3 - сумма затрат на производство и реализацию продукции. Если сумму затрат заменить на отдельные ее элементы, конечная модель в результате преобразования приобретет следующий вид: Р=П/ОТ+СМ+А+НЗ.

Себестоимость одного тонно-километра зависит от суммы затрат на содержание и эксплуатацию автомобиля (3 ) и от его среднегодовой выработки (ГВ ). Исходная модель этой системы будет иметь вид: C т/км = 3 / ГВ. Учитывая, что среднегодовая выработка машины в свою очередь зависит от количества отработанных дней одним автомобилем за год (Д), продолжительности смены (П) и среднечасовой выработки (СВ), мы можем значительно удлинить эту модель и разложить прирост себестоимости на большее количество факторов: C т/км = 3 / ГВ=3 /Д*П*СВ.

Метод расширения предусматривает расширение исходной факторной модели за счет умножения числителя и знаменателя дроби на один или несколько новых показателей. Например, если в исходную модель у=а/в ввести новый показатель с , то модель примет вид: у=а/в=а*с/в*с=а/с*с/в=х1*х2.

В результате получилась конечная мультипликативная модель в виде произведения нового набора факторов.

Этот способ моделирования очень широко применяется в анализе. Например, среднегодовую выработку продукции одним работником (показатель производительности труда) можно записать таким образом: ГВ = ВП / КР. Если ввести такой показатель, как количество отработанных дней всеми работниками (åД), то получим следующую модель годовой выработки:

ГВ = ВП *åД / åД *КР= ВП/åД * åД/ КР = ДВ*Д

где ДВ – среднедневная выработка, Д – количество отработанных дней одним работником.

После введения показателя количества отработанных часов всеми работниками (åТ) получим модель с новым набором факторов: среднечасовой выработки (СВ), количества отработанных дней одним работником (Д) и продолжительности рабочего дня (П).

ГВ = ВП *åД *åТ / åД КР * åТ = ВП/åТ * åТ / КР * åТ /åТ = СВ*Д*П

Способ сокращения представляет собой создание новой факторной модели путем деления числителя и знаменателя дроби на один и тот же показатель:

у=а/в=а:с/в:с=х1/х2.

Фондоотдача определяется отношением валовой (ВП)или товарной продукции (ТП)к среднегодовой стоимости основных производственных фондов (ОПФ):

ФО=ВП/ОПФ

Разделив числитель и знаменатель на среднегодовое количество рабочих (КР), получим содержательную кратную модель с другими факторными показателями: среднегодовой выработки продукции одним рабочим (ГВ), характеризующей уровень производительности труда, и фондовооруженности труда (Фв):

ФО=ВП:КР/ОПФ:КР=ГВ/Фв

Необходимо заметить, что на практике для преобразования одной и той же модели может быть последовательно использовано несколько методов. Например:

ФО=РП/ОПФ=(П+СБ)/ОПФ=П/ОПФ+СБ/ОПФ= П/ОПФ+ОС/ОПФ*СБ/ОС

где РП – объем реализованной продукции(выручка); СБ – себестоимость реализованной продукции, П – прибыль, ОС – средние остатки основных средств.

В этом случае для преобразования исходной факторной модели, которая построена на математических зависимостях, использованы способы удлинения и расширения. В результате получилась более содержательная модель, которая имеет большую познавательную ценность, т.к. учитывает причинно-следственные связи между показателями. Полученная конечная модель позволяет исследовать, как влияет на фондоотдачу рентабельность основных средств производства, соотношения между основными и оборотными средствами, а также коэффициент оборачиваемости оборотных средств.

Т.о., результативные показатели могут быть разложены на составные элементы (факторы) различными способами и представлены в виде различных типов детерминированных моделей. Выбор способа моделирования зависит от объекта исследования, поставленной цели, а также профессиональных знаний и навыков исследователя.

Одним из важнейших методологических вопросов в АХД является определение величины влияния отдельных факторов на прирост результативных показателей. В детерминированном анализе для этого используются следующие способы: цепной подстановки, абсолютных разниц, относительных разниц, пропорционального деления и интегральный метод.

Первых четыре способа основываются на методе элиминирования. Этот метод исходит из того, что все факторы изменяются независимо друг от друга: сначала изменяется один, а все другие остаются без изменения, потом изменяются два, затем три и т.д. при неизменности остальных. Это позволяет определить влияние каждого фактора на величину исследуемого показателя в отдельности.

Наиболее универсальным из них является прием цепной подстановки . Он используется для расчета влияния факторов во всех типах детерминированных факторных моделей: аддитивных, мультипликативных, кратных и смешанных (комбинированных). Этот способ позволяет определить влияние отдельных факторов на изменение величины результативного показателя путем постепенной замены базисной величины каждого факторного показателя в объеме результативного показателя на фактическую в отчетном периоде. С этой целью определяют ряд условных величин результативного показателя, которые учитывают изменение одного, затем двух, трех и т.д. факторов, допуская, что остальные не меняются. Сравнение величины результативного показателя до и после изменения уровня того или другого фактора позволяет элиминироваться (устранять, исключать) от влияния всех факторов, кроме одного, и определить воздействие последнего на прирост результативного показателя.

ВП=ЧР*Д*П*ЧВ

ВПп=ЧРп*Дп*Пп*ЧВп ∆ ВПчр= ВПусл 1 - ВПп

ВП усл 1 = ЧРф*Дп*Пп*ЧВп ∆ ВПд= ВПусл 2 - ВПусл 1

ВП усл 2 = ЧРф*Дф*Пп*ЧВп ∆ ВПп= ВП усл 3 - ВПусл 2

ВП усл 3 = ЧРф*Дф*Пф*ЧВп ∆ ВПчв= ВПф - ВП усл 3

ВП ф= ЧРф*Дф*Пф*ЧВф

∆ ВПобщ =∆ ВПчр+ ∆ ВПд + ∆ ВПп +∆ ВПчв

∆ ВПобщ = ВП ф - ВПп

дробная модель:

ФО = ВП / ОПФ

ФОп = ВПп / ОПФп ∆ФОвп = ФОусл-ФОп

ФОусл = ВПф / ОПФп ∆ФОопф = ФОф-ФОусл

ФОф = ВПф / ОПФф

∆ФОобщ = ∆ФОвп +∆ФОопф

∆ФОобщ = ФОф-ФОп

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.