Аспекты оценки эффективности управленческих решений

Функционально-стоимостный анализ (ФСА) — это метод системного исследования, применяемого по назначению объекта (изделия, процесса, структуры) с целью повышения полезного эффекта (отдачи) на единицу совокупных затрат за жизненный цикл объекта. Особенность проведения ФСА заключается в установлении целесообразности набора функций, которые должен выполнять проектируемый объект в конкретных условиях, либо необходимости функций существующего объекта.

Экономико-математические методы (ЭММ) применяются для анализа и выбора наилучших, оптимальных вариантов, определяющих хозяйственные решения в сложившихся или планируемых экономических условиях. Примерный перечень задач экономического анализа, для решения которых могут быть использованы ЭММ, включает:

• оценку разработанного с помощью ЭММ плана производства продукции;
• оптимизацию хозяйственной программы, распределения ее по цехам и оборудованию и количеству продукции (работ);
• оптимизацию распределения хозяйственных ресурсов, раскроя материала, определения напряженности норм;
• оптимизацию уровня унификации составляющих частей изделия и средств технологического оснащения;
• установление оптимальных размеров предприятия, цеха, участка и т. п.;
• определение оптимального ассортимента изделий;
• определение наиболее рациональных маршрутов внутризаводского транспорта, размещение складов;
• определение границ целесообразности проведения капитального ремонта, рациональных сроков эксплуатации оборудования и замену его новым;
• установление и сравнительный анализ экономической эффективности использования единицы ресурса Каждого вида с точки зрения оптимального варианта решения;
• определение внутрихозяйственных потерь в связи с возможным оптимальным решением.

Далее, рассмотрим приемы анализа.²⁰

Прием сводки и группировка. Сводка предполагает подведение общего результата действия различных факторов на обобщающий показатель производственно-хозяйственной деятельности предприятия. Группировка заключается в выделении среди изучаемых явлений характерных групп потом или иным признакам. Сгруппированные данные оформляются в виде таблиц. Такая таблица представляет собой форму рационального изложения цифровых характеристик, изучаемых явлений и процессов.

Прием абсолютных и относительных  величин. Абсолютные величины характеризуют размеры (величины, объемы) экономических явлений. Относительные величины отражают уровень выполнения плановых заданий, соблюдение норм, темпы роста и прироста, структуру, удельный вес или показатели интенсивности.

Прием средних величин используется для обобщающей характеристики массовых, качественно однородных экономических явлений. Выражает собой отличительную особенность данной совокупности явлений, устанавливает ее наиболее типичные черты. В экономическом анализе в зависимости от конкретной цели используются различные виды средних величин: средние арифметические, геометрические, простые, средневзвешенные.

Прием динамических рядов предполагает характеристику изменений показателей во времени, представление последовательных значений показателей, вскрытие закономерностей и тенденций развития. Различают ряды моментные (для характеристики изучаемого объекта в различные моменты времени) и периодические (за определенный период времени).

Прием сплошных и выборочных наблюдений. Сплошные наблюдения предполагают изучение всей совокупности явлений, характеризующих какую-либо одну сторону производственно-хозяйственной деятельности предприятия. Выборочные наблюдения имеют целью изучение хозяйственной деятельности предприятия на основе типовых представителей всей совокупности явлений или процессов. Поданным выборочных наблюдений на основе методов теории вероятностей определяется возможность распространения выводов на всю генеральную совокупность изучаемых явлений.

Прием детализации и обобщения. Детализация проводится путем разложения обобщающего (конечного) показателя на частные. Расчленяя и детализируя сложные показатели по отдельным составным частям и факторам, определяют влияние каждого из них на эти показатели. Обобщения раскрывают связь между частями целого (объекта, явления, процесса), итогами деятельности отдельных подразделений и определяют степень их влияния на общие результаты.

Другим методом  эффективности решения является метод цепных подстановок.

Метод цепных подстановок (МЦП) используется для исчисления влияния отдельных факторов на соответствующий совокупный показатель или функцию. Данный метод используется, лишь когда зависимость между изучаемыми явлениями имеет строго функциональный характер. В этих случаях функция должна быть изображена в виде суммы, произведения или частного отделения одних показателей (факторов) на другие.

Метод цепных подстановок заключается  в последовательной замене плановой величины одного из факторов при условии, что остальные факторы остаются неизменными. Степень влияния на функцию того или иного фактора определяется последовательным вычитанием: из второго расчета вычитается первый, из третьего — второй и т. д. В первом расчете все величины плановые, в последнем — фактические. Таким образом, число расчетов на единицу больше числа факторов.

Приведем пример.

Требуется определить влияние на объем  продаж (V) трудовых факторов по следующей  формуле:

V = Ч х Д х t х В,

где Ч - среднесписочное число рабочих;

Д - среднее число дней, отработанных одним рабочим за год;

t - среднее число часов, отработанных одним рабочим за день;

В - средняя выработка продукции  на один отработанный человекочас.

Следовательно, объем продаж равен  произведению четырех факторов. Исходные данные приведены в табл. №2.²¹

План продаж перевыполнен на 351,4 у. е. (3155,2 — 2803,8). Для того чтобы определить, каким образом влияли на функцию (V) различные факторы, сделаем следующие расчеты.

Первый расчет (все показатели плановые):

900 х 301 х 6,9 х1,5 = 2803,8 у. е.

Второй расчет (среднесписочное  число рабочих фактическое, а остальные показатели плановые):

1000 х 301 х 6,9 х1,5 = 3115,4 у. е.

Таблица 1.3

Исходные данные для  определения влияния трудовых факторов на объем продаж

Факторы и функции	План	Факт
1. Объем продаж (V), у.е.	2803,8	3155,2
2. Среднесписочное число рабочих (Ч)	900	1000
3. Среднее число дней, отработанных рабочим в год  (Д)	301	290
4. Среднее число часов,  отработанных одним рабочим в  день (t)	6,9	6,8
5. Средняя выработка  продукции на отработанный человекочас  (В)	1,5	1,6

 

Третий расчет (число рабочих и число отработанных ими дней фактические, а остальные показатели плановые):

1000 х 290 х 6,9 х 1,5 = 3001,5 у. е.

Четвертый расчет (число рабочих, число  отработанных дней и часов фактические, а выработка плановая):

1000 х 290 х 6,8 х 1,5 = 2958,0 у. е.

Пятый расчет (все показатели фактические):

1000 х 290 х 6,8 х 1,6 = 3155,2 у. е.

Далее, сделаем анализ влияния факторов на объем продаж. Отклонение фактического объема продаж от планового произошло за счет влияния следующих факторов:

1) увеличения числа рабочих (определяется  путем вычитания результата второго  расчета из результата первого):

3115,4 - 2803,8 = +311,6 у. е.;

2) уменьшения числа отработанных  дней (из третьего вычитается второй результат):

3001,5 - 3115,4 = -113,9 у. е.;

3) сокращения средней продолжительности рабочего дня (из четвертого вычитается третий результат):

2958,0 - 3001, 5 = -43,5 у. е.;

4) повышения  средней часовой выработки:

3155,2 - 2958,0 = +197,2 у. е.

Общее отклонение составит: 3155,2 - 2803,8 = +351,4 у. е., или 311,6 - 113,9-43,5 + 197,2 =+351,4.

При использовании  МЦП очень важно обеспечить строгую  последовательность подстановки: сначала  выявляется влияние количественных показателей, а потом — качественных. К качественным относятся, например, выработка, производительность труда, цена.

Для определения  эффективности решения применяется  факторный анализ с применением  ЭВМ.

Факторный анализ — это процедура  установления силы влияния факторов на функцию или результативный признак (полезный эффект машины, элементы совокупных затрат, производительности труда и т. д.) с целью ранжирования факторов для разработки плана организационно-технических мероприятий по улучшению функции. Применение методов факторного анализа требует большой подготовительной работы и трудоемких расчетов по построению моделей. Поэтому без ЭВМ не рекомендуется применять методы корреляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стандартные программы по этим методам. В свою очередь, пользоваться установленными с помощью ЭВМ моделями довольно просто.

На подготовительной стадии факторного анализа большое внимание следует уделять качеству матрицы исходных данных для ЭВМ. С этой целью сначала рекомендуется на основе логического анализа определять группы факторов, влияющих на исследуемую функцию. К исходным данным предъявляются следующие требования:

а) в объем выборки должны включаться данные только по однородной совокупности объектов анализа, т. е. одного назначения и класса, используемых (изготавливаемых, функционирующих) в аналогичных условиях по характеру и типу производства, режиму работы, географическому району и т. д. В том случае, когда необходимо увеличить размер матрицы, исходные данные отдельных объектов могут быть приведены в сравнимый вид с большинством объектов по отличающимся признакам путем умножения их на корректирующие коэффициенты;

б) период динамического ряда исходных данных должен быть небольшим, но по возможности  одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в два и более раза меньше периода динамического ряда. Например, по данным за 1990—2000 гг. можно разработать прогноз до 2005 г., а в последующие годы по фактическим данным модель должна обновляться (уточняться);

в) исходные данные должны быть качественно однородными, с небольшими интервалами между собой;

г) следует применять одинаковые методы или источники формирования данных. Если динамический ряд имеет крупные структурные сдвиги (например, из-за изменения цен, ассортимента выпускаемой продукции, программы ее выпуска и т. д.), то все данные должны быть приведены в сравнимый вид или к одинаковым условиям;

д) отдельные исходные данные должны быть независимы от предыдущих и последующих наблюдений. Так, исходные данные не должны определяться расчетным путем по предыдущему наблюдению.

Расчеты основных параметров корреляционно-регрессионного анализа в связи с их сложностью не приводятся, поскольку данные расчеты  предполагается выполнять на ЭВМ  по стандартной программе. Конечные результаты расчета выдаются на печать.

Основные параметры корреляционно-регрессионного анализа приведены в таблице 1.4.²²

Таблица 1.4

Основные параметры  корреляционно-регрессионного анализа

№	Название параметра	Обозначение	Что характеризует  параметр и для чего применяется	Оптимальное значение параметра
1	2	3	4	5
1	Объем выборки	m	Объем данных по фактору (размер матрицы по вертикали). Применяется  для установления тенденций изменения  фактора	Не менее чем в 3-5 раз больше числа факторов (nxi) С увеличе-нием числа факторов кратность должна уве-личиваться
2	Коэффициент вариации	Vi	Уровень отклонения значений факторов от средней анализируемой  совокупности	Меньше 33%
3	Коэффициент парной корреляции	rxy	Тесноту связи между i-м фактором и функцией. Применяется для отбора факторов	Больше 0,1
4	Коэффициент частной  корреляции	rxx	Тесноту связи между  факторами. Применяется для отбора факторов	Чем меньше, тем лучше  модель
5	Коэффициент множественной  корреляции	R	Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели	Больше 0,7
6	Коэффициент множественной  детерминации	D	Долю влияния на функцию  включенных в модель факторов. Равен  квадрату коэффициента множественной  корреляции	Больше 0,5
7	Коэффициент асимметрии	А	Степень отклонения фактического распределения случайных наблюдений от нормального (по центру) распределения. Применяется для проверки нормальности распределения	Метод наименьших квадратов  может применяться при А ‹ 3
8	Коэффициент эксцесса	Е	Плосковершинность распределения случайных наблюдений от нормального (по центру) распределения. Применяется для проверки нормальности распределения функции	Меньше трех
9	Критерий Фишера	F	Математический критерий, характеризующий значимость уравнения  регрессии. Применяется для выбор  модели	Больше таб-личного  зна-чения, уста-новленного для различных  размеров матрицы и вероятностей
10	Критерий Стьюдента	t	Существенность факторов, входящих в модель. Применяется для  выбора модели	Больше двух (при вероятности, равной 0,95)
11	Среднеквадрати-ческая ошибка коэффициента регрессии	∆аi	Точность полученных коэффициентов регрессии. Применяется  для оценки коэффициентов регрессии	В два и более раза меньше соответству-ющего коэф-фициента регрессии
12	Ошибка аппроксимации	Е	Допуск прогноза или  степень несоответствия эмпирической зависимости теоретической. Применяется для оценки адекватности (точности) модели	Меньше (точнее) 15%
13	Коэффициент эластичности	Эi	Показывает, на сколько  процентов изменяется функция при  изменении соответствующего фактора  на 1%. Применяется для ранжирования факторов по их значимости	Больше 0,01