Методы разработки и принятия решения. Факторный анализ

Методы экспертной оценки. Построение экспертом рациональной процедуры интуитивно-логического  анализа в сочетании с количественной оценкой и обработкой результатов. Применяются для широкого круга  неформализуемых проблем, которые не всегда могут быть оценены в количественном измерении, а также для решения проблем социально-экономического характера или в условиях отсутствия информации из внешних источников. Существуют высокие требования к компетентности экспертов.

Экспертные методы. Прогнозирование на основании обобщения  мнений экспертов о развитии объекта  в будущем. Применяются при прогнозировании  объектов, которые не поддаются математической формализации. В состав экспертных методов входят как индивидуальные, так и коллективные методы.

Фактографические  методы. Прогнозирование на основании  фактической информации о прошлом  и настоящем развитии объекта. Применяются  в условиях, когда вероятность  сохранения факторов, обусловивших процесс  развития в прошлом, больше, чем вероятность  их изменения. При появлении непредвиденных ограничений использование этих методов может привести к ошибкам  в прогнозах. Надежность и точность фактографических методов может  быть увеличена за счет сочетания  их с экспертными методами прогнозирования.

Комбинированные методы. Прогнозирование на основе экспертной и фактографической информации. Применяются  для решения проблем широкого профиля (от формализуемых до неформализуемых). Часто эти методы используются для принятия решений на высшем уровне управления [4, с.78].

1.4 Методы, применяемые  на этапе выбора, реализации решения  и оценки результата

Функционально-стоимостный  анализ. Выявление зон дисбаланса между функциями объекта и  затратами на них. Применяется для  выбора решений и оптимизации  затрат на исполнение функций объекта  без ущерба их качеству. Обладает высокой  практической полезностью.

Метод цепных подстановок. Последовательная замена плановых величин  одного из факторов для определения  степени его влияния на функцию. Применяется в условиях, когда  проблема имеет строго выраженный функциональный характер. Позволяет выявить, за счет каких факторов произошли отклонения фактических величин от плановых.

Причинно-следственный анализ. Определение иерархии причин и следствий до той точки, в  которой можно предпринять действие, устраняющее проблему. Применяется  в условиях, когда лицо, принимающее  решение, располагает полной и достоверной  информацией об исследуемом объекте. Сложно определить момент, когда следует  остановиться в построении причинно-следственной цепи.

Таким образом, мы рассмотрели  основные группы методов, которые могут  использоваться на различных этапах разработки и принятия управленческих решений. Отметим еще раз, что  многие из них имеют универсальный  характер и могут применяться  на нескольких этапах процесса принятия решений в зависимости от особенностей каждой конкретной ситуации. 
 
 
 
 
 
 
 

II. Факторный анализ

2.1 Факторный анализ, проводящийся с помощью ЭВМ

Факторный анализ —  это процедура установления силы влияния факторов на функцию или результативный признак (полезный эффект машины.элементы совокупных затрат, производительности труда и т.д.) с целью ранжирования факторов для разработки плана организационно-технических мероприятий по улучшению функции.

Применение методов  факторного анализа требует большой  подготовительной работы и трудоемких по установлению моделей расчетов. Поэтому без ЭВМ не рекомендуется применять методы корреляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стандартные программы по этим методам. В свою очередь пользоваться установленными с помощью ЭВМ моделями очень просто.

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

К исходным данным предъявляются  следующие требования:

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

б) период динамического  ряда исходных данных должен быть небольшим, но, по возможности, одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в  два и более  раза меньше периода  динамического ряда. Например, по данным за 1985-1995гг. можно разработать прогноз до 2000г., а в последующие годы по фактическим данным модель должна обновляться (уточняться);

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

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

д) отдельные исходные данные должны быть независимы от предыдущих и последующих  наблюдений.

Например, наблюдение не должно определяться расчетным путем  по предыдущему наблюдению.

Основные параметры  корреляционно-регрессионного анализа  в связи с их сложностью не приводятся, поскольку все расчеты предполагается выполнять на ЭВМ по стандартной  программе. Конечные результаты расчета выдаются на печать (табл. 4.3).

Факторный анализ следует  проводить в следующей последовательности:

1. Обоснование объекта  анализа, постановка  цели.

2. Сбор исходных  данных и их  уточнение в соответствии  с ранее описанными  требованиями.           

 Основные параметры корреляционно- регрессионного анализа.

3. Построение гистограмм  по каждому фактору с целью  определения форм распределения  случайных наблюдений.            

  Построение по каждому фактору корреляционных полей, т.е. графическое изображение функций от фактора с целью предварительного определения тесноты и формы связи между функцией и каждым фактором. Примеры корреляционных полей показаны на рис 4.2.

Корреляционные поля построены по исходным статистическим данным X)—Х4 (факторы) и Y (функция). Анализ корреляционных полей показывает, что:

а) между Y и X1 теснота  связи слабая, по форме она линейная, обратно пропорциональная;

б) между Y и Х2 теснота связи высокая, по форме она линейная, прямо пропорциональная;

в) между Y и Х3 связи  нет, т.к. функцию Y = f(X3) можно провести в любом направлении;

г) между Y и Х4 теснота связи высокая, форма связи — гиперболическая, после линии А—А фактор Х4 на Y уже не оказывает влияния.

4. Составление матрицы  исходных данных  производится по  следующей форме:

и т.д.

В матрицу исходных данных следует включать факторы, имеющие примерно такую форму связи, как Y с X1 и Х2 на рис. 4.2. Фактор Х3 с Y не имеет связи, поэтому этот фактор не следует включать в матрицу, фактор Х4 тоже не следует включать в матрицу, поскольку после линии А—А этот фактор влияния на Y не оказывает. Влияние подобных факторов на Y следует учитывать при помощи коэффициентов, определяемых отдельно для каждого фактора и группы предприятий.

Наши исследования показывают, что к «организационным факторам, имеющим с экономическими показателями гиперболическую форму связи, относятся уровень освоенности продукции в установившемся производстве, программа ее выпуска и др.

5. Ввод информации  и решение задачи  на ЭВМ. 

В экономических  исследованиях для многофакторных регрессионных моделей чаще всего приемлемы две формы связи факторов с функцией: линейная и степенная. Для двухфакторных моделей применяются также гиперболическая и параболическая формы связи.

6. Анализ уравнения  регрессии и его  параметров в соответствии с требованиями, изложенными в табл. 4.3.

7. Составление матрицы  исходных данных для окончательной  модели и решение ее на ЭВМ.  Апробация окончательной модели  путем подстановки в нее фактических  данных по одной из строк  матрицы и сравнение полученного  значения функции с ее фактическим значением.

При составлении  новых матриц исходных данных из них  исключаются поочередно:

а) один из двух факторов, коэффициент частной корреляции между которыми значительно больше коэффициентов парной корреляции между  функцией и этими факторами. Например, если между двумя факторами коэффициент  частной корреляции ра-

0,95, а коэффициенты  парной корреляции между функцией  и этими факторами равны 0.18 и 0,73, то первый фактор с  коэффициентом парной корреляции, равным 0,18, из матрицы можно исключить;

б) факторы с коэффициентами парной корреляции между ними и функцией менее 0,1;

в) только после соблюдения требований а) и б) исключаются из матрицы факторы, имеющие с функцией обратную, с точки зрения экономической сущности, связь. Например, с повышением сменности работы цеха (фактор) должна расти его годовая производительность (функция). Обратная же зависимость между ними свидетельствует о нерегулярном и недостоверном учете коэффициента сменности, а возможно, и производительности оборудования, либо о неправильной методике расчета этих показателей. Поэтому в этом случае фактор необходимо исключить из матрицы исходных данных и изучать систему учета.

Из матрицы могут  быть исключены также отдельные  строки по предприятиям (периодам), не отвечающие ранее описанным требованиям.

Параметры окончательного уравнения регрессии должны отвечать требованиям табл. 4.3. Если невозможно этого достигнуть, модель для ранжирования факторов и прогнозирования экономических показателей не может быть использована. Она пригодна только для предварительного отбора факторов.

8. И последнее —  ранжирование.

Ранжирование факторов осуществляется по показателю их эластичности. фактору с наибольшим коэффициентом эластичности присваивается первый ранг, и он является важнейшим. Например, если два фактора имеют коэффициенты эластичности, равные 0,35 и 0,58, то второму фактору нужно отдать предпочтение перед первым при распределении ресурсов на улучшение данной функции (при улучшении второго фактора на 1% функция улучшается на 0,58%, а по первому фактору — 0,35%).