Анализ и диагностика финансово-хозяйственной деятельности. Мультипликативная индексная двухфакторная модель
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.
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
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=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 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 .
Страница
6
Примером мультипликативной модели является двухфакторная модель объема реализации
где Ч - среднесписочная численность работников;
CB - средняя выработка на одного работника.
Кратные модели:
Примером кратной модели служит показатель срока оборачиваемости товаров (в днях) . ТОБ.Т:
,
где ЗТ - средний запас товаров; ОР - однодневный объем реализации.
Смешанные модели представляют собой комбинацию перечисленных выше моделей и могут быть описаны с помощью специальных выражений:
Примерами таких моделей служат показатели затрат на 1 руб. товарной продукции, показатели рентабельности и др.
Для изучения зависимости между показателями и количественного измерения множества факторов, повлиявших на результативный показатель, приведем общие правила преобразования моделей с целью включения новых факторных показателей.
Для детализации обобщающего факторного показателя на его составляющие, которые представляют интерес для аналитических расчетов, используют прием удлинения факторной системы.
Если исходная факторная модель
то модель примет вид
.
Для выделения некоторого числа новых факторов и построения необходимых для расчетов факторных показателей применяют прием расширения факторных моделей. При этом числитель и знаменатель умножаются на одно и тоже число:
.
Для построения новых факторных показателей применяют прием сокращения факторных моделей. При использовании данного приема числитель и знаменатель делят на одно и то же число.
.
Детализация факторного анализа во многом определяется числом факторов, влияние которых можно количественные оценить, поэтому большое значение в анализе имеют многофакторные мультипликативные модели. В основе их построения лежат следующие принципы: · место каждого фактора в модели должно соответствовать его роли в формировании результативного показателя; · модель должна строиться из двухфакторной полной модели путем последовательного расчленения факторов, как правило качественных, на составляющие; · при написании формулы многофакторной модели факторы должны располагаться слева направо в порядке их замены.
Построение факторной модели – первый этап детерминированного анализа. Далее определяют способ оценки влияния факторов.
Способ цепных подстановок заключается в определении ряда промежуточных значений обобщающего показателя путем последовательной замены базисных значений факторов на отчетные. Данный способ основан на элиминировании. Элиминировать – значит устранить, исключить воздействие всех факторов на величину результативного показателя, кроме одного. При этом исходя из того, что все факторы изменяются независимо друг от друга, т.е. сначала изменяется один фактор, а все остальные остаются без изменения. потом изменяются два при неизменности остальных и т.д.
В общем виде применение способа цепных постановок можно описать следующим образом:
где a0, b0, c0 - базисные значения факторов, оказывающих влияние на обобщающий показатель у;
a1 , b1, c1 - фактические значения факторов;
ya, yb, - промежуточные изменения результирующего показателя, связанного с изменением факторов а, b, соответственно.
Общее изменение Dу=у1–у0 складывается из суммы изменений результирующего показателя за счет изменения каждого фактора при фиксированных значениях остальных факторов:
Рассмотрим пример:
Таблица 2
Исходные данные для факторного анализа
|
Показатели |
Условные обозначения |
Базисные значения |
Фактические значения |
Изменение |
|
|
Абсолютное (+,-) |
Относительное (%) |
||||
|
Объем товарной продукции, тыс. руб. | |||||
|
Количество работников, чел | |||||
|
Выработка на одного работающего, тыс.руб. | |||||
Анализ влияния на объем товарной продукции количества работников и их выработки проведем описанным выше способом на основе данных табл.2. Зависимость объема товарной продукции от данных факторов можно описать с помощью мультипликативной модели:
Тогда влияние изменения величины количества работников на обобщающий показатель можно рассчитать по формуле:
Таким образом, на изменение объема товарной продукции положительное влияние оказало изменение на 5 человек численности работников, что вызвало увеличение объема продукции на 730 тыс. руб. и отрицательное влияние оказало снижение выработки на 10 тыс. руб., что вызвало снижение объема на 250 тыс. руб. Суммарное влияние двух факторов привело к увеличению объема продукции на 480 тыс. руб.
Преимущества данного способа: универсальность применения, простота расчетов.
Недостаток метода состоит в том, что, в зависимости от выбранного порядка замены факторов, результаты факторного разложения имеют разные значения. Это связано с тем, что в результате применения этого метода образуется некий неразложимый остаток, который прибавляется к величине влияния последнего фактора. На практике точностью оценки факторов пренебрегают, выдвигая на первый план относительную значимость влияния того или иного фактора. Однако существуют определенные правила, определяющие последовательность подстановки: · при наличии в факторной модели количественных и качественных показателей в первую очередь рассматривается изменение количественных факторов; · если модель представлена несколькими количественными и качественными показателями, последовательность подстановки определяется путем логического анализа.
Способ абсолютных разниц применяется для расчета влияния факторов на прирост результативного показателя в детерминированном анализе, но только в мультипликативных моделях (Y = xt-x x x i) и моделях мультипликативно-аддитивного типа Y= (а - Ь)с и Y = = a(b - с). И хотя его использование ограничено, но благодаря своей простоте он получил широкое применение в АХД.
Рассмотрим алгоритм расчета факторов этим способом в моделях мультипликативно-аддитивного вида. Для примера возьмем факторную модель прибыли от реализации продукции
Модель мультипликативная - жестко детерминированная факторная модель , в которую факторы входят в виде произведения.
Строго говоря, все сезонные модели мультипликативны и имеют лишь один линейный элемент (роп), он и будет аддитивным.
В данном случае для преобразования исходной факторной модели , построенной на математических зависимостях, использованы способы удлинения и расширения. В результате получилась более содержательная модель мультипликативно-аддитивно-кратного вида, которая имеет большую познавательную ценность, поскольку учитывает причинно-следственные связи между показателями. Данная модель позволяет исследовать, как влияют на доходность капитала объем продаж , отпускные цены , себестоимость реализованной продукции, внереализационные финансовые результаты , а также скорость обращения капитала.
Итак, мы рассмотрели четыре способа выявления сезонной компоненты аддитивную модель , мультипликативную модель, метод экспоненциального сглаживания с тремя параметрами, гармонический анализ Фурье (рис. П-7). В нашем примере оказалось, что наименьшую ошибку дает мультипликативная модель, т. е. применение индексов сезонности.
Поскольку модель мультипликативная, то применимы следующие способы ее обработки.
Методика построения мультипликативных моделей эффективности производства.
Вычислительная схема реализации расчетов по модели (2)- (9) на основе мультипликативного алгоритма симплекс. - метода показана на рисунке.
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, атакже от возможностей детализации и формализации показателей в пределах установленных правил.
Наиболее универсальным из них является способ 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 последующих факторов, допуская, что остальные не меняются. Сравнение величины результативного показателя до и после изменения уровня того или другого фактора позволяет элиминировать влияние всех факторов, кроме одного, и определить воздействие последнего на прирост результативного показателя. Порядок применения этого способа рассмотрим на примере, приведенном в табл. 4.1.
Как нам уже известно, объем валовой продукции (ВП) зависит от двух основных факторов первого порядка численности рабочих (ЧР) и среднегодовой выработки (ГВ). Имеем двухфакторную мультипликативную модель
Мультипликативные модели - модели умножения. Например, объем продукции может быть определен по выражению
Корреляционная модель себестоимости добычи нефти и попутного газа по указанным факторам была рассчитана по мультипликативной функции Кобба - Дугласа (41). В результате решения этой модели было составлено сводное уравнение по нефтедобывающей промышленности Украинской ССР
Основным недостатком логарифмического метода анализа является то, что он не может быть универсальным, его нельзя применять при анализе любого вида моделей факторных систем. Если при анализе мультипликативных моделей факторных систем при использовании логарифмического метода достигается получение точных величин влияния факторов (в. случае, когда Az = 0), то при таком же анализе кратных моделей факторных систем получение точных величин влияния факторов не удается.
Формирование рабочих формул интегрального метода для мультипликативных моделей. Применение интегрального метода факторного анализа в детерминированном экономическом анализе наиболее полно решает проблему получения однозначно определяемых величин влияния факторов.
Выше было установлено, что любую модель конечной факторной системы можно привести к двум видам - мультипликативной и кратной. Это условие предопределяет то, что исследователь имеет дело с двумя основными видами моделей факторных систем, так как остальные модели - это их разновидности.
При формировании рабочих формул расчета влияния факторов в условиях применения ЭВМ пользуются следующими правилами, -отражающими механику работы с матрицами подынтегральные выражения элементов структуры факторной системы для мультипликативных моделей строятся путем произведения полного набора элементов значений, взятых по каждой строке матрицы , отнесенных к определенному элементу структуры факторной системы с последующей расшифровкой
Элементы мультипликативной модели
В случае отсутствия универсальных вычислительных средств предложим чаще всего встречающийся в экономическом анализе набор формул расчета элементов структуры для мультипликативных (табл. 5.4) и кратных (табл. 5.3) моделей факторных систем, которые были выведены в результате выполнения процесса интегрирования. Учитывая потребность наибольшего их упрощения, выполнена вычислительная процедура по сжатию формул, полученных после вычисления определенных интегралов (операции интегрирования).
Набор частных свойств специфичен, как и формы их синтеза. В большинстве случаев отдельные свойства коррелируют, что обусловливает т.н. мультипликативный эффект взаимоусиления (чаще) или взаимовлияния на полезность (качество) изделия. Поэтому приближенный к истине при отсутствии теоретически обоснованной модели является способ выражения интегрального показателя качества функцией вида
Алгоритм расчета для мультипликативной четырехфакторнон модели валовой продукции выглядит следующим образом
Интегральный метол применяется для измерения влияния факторов в мультипликативных, кратных и кратно-а 1дитии ых моделях. Его использование позволяет получать более точные результаты расчета влияния факторов по сравнению со способами г пной подстановки, абсолютных и относительных разниц, поскольку дополнительный прирост результативного показателя от взаимодействия факторов присоединяется не к последнему фактору, а делится поровну между ними.
Построенные многофакторные корреляционные модели по нефте-х добывающей промышленности Украины,
