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 .

Задание . На основе данных, скорректированных на инфляцию, о прибыли компании за 12 кварталов (табл.) построить мультипликативной модель тренда и сезонности для прогнозирования прибыли компании на следующие два квартала. Дать общую характеристику точности модели и сделать выводы.

Решение проводим с помощью калькулятора 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	375	-	-	-
2	371	657.5	-	-
3	869	653	655.25	1.33
4	1015	678	665.5	1.53
5	357	708.75	693.38	0.51
6	471	710	709.38	0.66
7	992	718.25	714.13	1.39
8	1020	689.25	703.75	1.45
9	390	689.25	689.25	0.57
10	355	660.5	674.88	0.53
11	992	678.25	669.38	1.48
12	905	703	690.63	1.31
13	461	685	694	0.66
14	454	690.5	687.75	0.66
15	920	-	-	-
16	927	-	-	-

Шаг 2 . Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (гр. 5 табл.). Эти оценки используются для расчета сезонной компоненты S. Для этого найдем средние за каждый период оценки сезонной компоненты S j . Сезонные воздействия за период взаимопогашаются. В мультипликативной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем случае число периодов одного цикла равно 4.

Показатели	1	2	3	4
1	-	-	1.33	1.53
2	0.51	0.66	1.39	1.45
3	0.57	0.53	1.48	1.31
4	0.66	0.66	-	-
Всего за период	1.74	1.85	4.2	4.28
Средняя оценка сезонной компоненты	0.58	0.62	1.4	1.43
Скорректированная сезонная компонента, S i	0.58	0.61	1.39	1.42

Для данной модели имеем:
0.582 + 0.617 + 1.399 + 1.428 = 4.026
Корректирующий коэффициент: k=4/4.026 = 0.994
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:
16a 0 + 136a 1 = 10872.41
136a 0 + 1496a 1 = 93531.1
Из первого уравнения выражаем а 0 и подставим во второе уравнение
Получаем a 0 = 3.28, a 1 = 651.63
Среднее значения
overline{y} = {sum{}{}{}y_{i}}/{n} = {10872.41}/{16} = 679.53

t	y	t 2	y 2	t y	y(t)	(y-y cp) 2	(y-y(t)) 2
1	648.87	1	421026.09	648.87	654.92	940.05	36.61
2	605.46	4	366584.89	1210.93	658.2	5485.32	2780.93
3	625.12	9	390770.21	1875.35	661.48	2960.37	1322.21
4	715.21	16	511519.56	2860.82	664.76	1273.1	2544.83
5	617.72	25	381577.63	3088.6	668.04	3819.95	2532.22
6	768.66	36	590838.18	4611.96	671.32	7944.97	9474.64
7	713.6	49	509219.75	4995.17	674.6	1160.83	1520.44
8	718.73	64	516571.58	5749.83	677.88	1536.93	1668.26
9	674.82	81	455381.82	6073.38	681.17	22.14	40.28
10	579.35	100	335647.52	5793.51	684.45	10034.93	11045.26
11	713.6	121	509219.75	7849.56	687.73	1160.83	669.14
12	637.7	144	406656.13	7652.35	691.01	1749.71	2842.39
13	797.67	169	636280.07	10369.73	694.29	13958.53	10687.5
14	740.92	196	548957.15	10372.83	697.57	3768.85	1878.69
15	661.8	225	437983.3	9927.05	700.85	314.08	1524.97
16	653.2	256	426667.57	10451.17	704.14	693.14	2594.6
136	10872.41	1496	7444901.2	93531.1	10872.41	56823.71	53162.96

Шаг 4 . Определим компоненту T данной модели. Для этого проведем аналитическое выравнивание ряда (T + E) с помощью линейного тренда. Результаты аналитического выравнивания следующие:
T = 651.634 + 3.281t
Подставляя в это уравнение значения t = 1,...,16, 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	375	0.58	648.87	654.92	378.5	0.99	12.23
2	371	0.61	605.46	658.2	403.31	0.92	1044.15
3	869	1.39	625.12	661.48	919.55	0.95	2555.16
4	1015	1.42	715.21	664.76	943.41	1.08	5125.42
5	357	0.58	617.72	668.04	386.08	0.92	845.78
6	471	0.61	768.66	671.32	411.36	1.14	3557.43
7	992	1.39	713.6	674.6	937.79	1.06	2938.24
8	1020	1.42	718.73	677.88	962.03	1.06	3359.96
9	390	0.58	674.82	681.17	393.67	0.99	13.45
10	355	0.61	579.35	684.45	419.4	0.85	4147.15
11	992	1.39	713.6	687.73	956.04	1.04	1293.1
12	905	1.42	637.7	691.01	980.66	0.92	5724.7
13	461	0.58	797.67	694.29	401.25	1.15	3569.68
14	454	0.61	740.92	697.57	427.44	1.06	705.39
15	920	1.39	661.8	700.85	974.29	0.94	2946.99
16	927	1.42	653.2	704.14	999.29	0.93	5225.65

Шаг 5 . Найдем уровни ряда, умножив значения T на соответствующие значения сезонной компоненты (гр. 6 табл.).
Расчет ошибки в мультипликативной модели производится по формуле:
E = Y/(T * S) = 16
Для сравнения мультипликативной модели и других моделей временного ряда можно использовать сумму квадратов абсолютных ошибок:
Среднее значения
overline{y} = {sum{}{}{}y_{i}}/{n} = {10874}/{16} = 679.63
16 927 61194.39 136 10874 1252743.75

R^{2} = 1 - {43064.467}/{1252743.75} = 0.97
Следовательно, можно сказать, что мультипликативная модель объясняет 97% общей вариации уровней временного ряда.
Проверка адекватности модели данным наблюдения.
F = {R^{2}}/{1 - R^{2}}{(n - m -1)}/{m} = {0.97^{2}}/{1 - 0.97^{2}}{(16-1-1)}/{1} = 393.26
где m - количество факторов в уравнении тренда (m=1).
Fkp = 4.6
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 = 651.634 + 3.281t
Получим
T 17 = 651.634 + 3.281*17 = 707.416
Значение сезонного компонента за соответствующий период равно: S 1 = 0.578
Таким образом, F 17 = T 17 + S 1 = 707.416 + 0.578 = 707.994
T 18 = 651.634 + 3.281*18 = 710.698
Значение сезонного компонента за соответствующий период равно: S 2 = 0.613
Таким образом, F 18 = T 18 + S 2 = 710.698 + 0.613 = 711.311
T 19 = 651.634 + 3.281*19 = 713.979
Значение сезонного компонента за соответствующий период равно: S 3 = 1.39
Таким образом, F 19 = T 19 + S 3 = 713.979 + 1.39 = 715.369
T 20 = 651.634 + 3.281*20 = 717.26
Значение сезонного компонента за соответствующий период равно: S 4 = 1.419
Таким образом, F 20 = T 20 + S 4 = 717.26 + 1.419 = 718.68

Пример . На основе поквартальных данных построена мультипликативная модель временного ряда . Скорректированные значения сезонной компоненты за первые три квартала равны: 0,8 - I квартал, 1,2 - II квартал и 1,3 - III квартал. Определите значение сезонной компоненты за IV квартал.
Решение. Поскольку сезонные воздействия за период (4 квартала) взаимопогашаются, то имеем равенство: s 1 + s 2 + s 3 + s 4 = 4. Для наших данных: s 4 = 4 - 0.8 - 1.2 - 1.3 = 0.7.
Ответ: Сезонная компонента за IV квартал равна 0.7.

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.

1. Выравнивание исходного ряда методом скользящей средней.
2. Расчет значений сезонной компоненты S .
3. Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T x E).
4. Аналитическое выравнивание уровней (T x E) с использованием полученного уравнения тренда.
5. Расчет полученных по модели значений (T x E).
6. 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	-	-	-

Шаг 2 . Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (гр. 5 табл.). Эти оценки используются для расчета сезонной компоненты S. Для этого найдем средние за каждый период оценки сезонной компоненты S j . Сезонные воздействия за период взаимопогашаются. В мультипликативной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем случае число периодов одного цикла равно 4.

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

Для данной модели имеем:
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

Шаг 4 . Определим компоненту T данной модели. Для этого проведем аналитическое выравнивание ряда (T + E) с помощью линейного тренда. Результаты аналитического выравнивания следующие:
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

Шаг 5 . Найдем уровни ряда, умножив значения T на соответствующие значения сезонной компоненты (гр. 6 табл.).
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.

Экономико-математическая модель (ЭММ) — это математическое описание экономического объекта или процесса с целью их исследования и управления ими. Это математическая запись решаемой экономической задачи.

Основные типы моделей

• 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.

Условие: определить влияние численности персонала, количества отработанных смен и выработки в смену на одного работника на изменение объема выпуска продукции (N п).

Сделать вывод.

Алгоритм решения:

Факторная модель, описывающая взаимосвязь показателей, имеет вид: N = ч * См * В

Исходные данные – факторы и результирующий показатель представляются в аналитической таблице:

Показатели	Условные обозначения	Базисный период	Отчетный период	Отклонение	Темп изменения, %
1. Численность работников, чел.
2. Количество смен
3. Выработка, штук
4. Выпуск продукции, тыс. шт.

Способы детерминированного факторного анализа, применяемые для решения трехфакторных моделей:

 цепной подстановки;

 абсолютных разниц;

 взвешенных конечных разниц;

 логарифмический;

 интегральный.

Применение различных методов для решения типовой задачи:

1. Способ цепной подстановки. Применение этого способа предполагает выделение количественных и качественных факторных признаков: здесь количественными факторами являются численность персонала и количество отработанных смен; качественный признак – выработка.

а) N 1 = ч 0 * См 0 * В 0 =5184 тыс. шт.;

б) N 2 = ч 1 * См 0 * В 0 =25 * 144 * 1500 =5400 тыс. шт.;

в) N (ч) = 5400 – 5184 = 216 тыс. шт.;

N 3 = ч 1 * См 1 * В 0 =25 * 146 * 1500 =5475 тыс. шт.;

N(См) = 5475 – 5400 = 75 тыс. шт.;

N 4 = ч 1 * См 1 * В 1 =25 * 146 * 1505 =5493,25 тыс. шт.;

N(В) = 5493,25 – 5475 = 18,25 тыс. шт.;

N =  N(ч) +N(См) +N (B) = 216 + 75 +18,25 = 309,25 тыс. шт.

4.2 . Способ абсолютных разниц также предполагает выделение количественных и качественных факторов, определяющих последовательность подстановки:

а) N(ч) =ч * См 0 * В 0 = 1 * 14 * 1500 = 216 тыс. шт.;

б) N(См) =См * ч 1 * В 0 = +2 * 25 * 1500 = 75 тыс. шт.;

в) N (B) =B * ч 1 * См 1 = +5 * 25 * 146 = 18,25 тыс. шт.;

N = N(ч) +N(См) +N (B) = 309,25 тыс. шт.

Способ относительных разниц

а) N(ч) =
тыс. шт.;

б) N(См) =тыс. шт.;

в) N(В)тыс. шт.;

Общее влияние факторов: N =N(ч) +N(См) +N (B) = 309,3 тыс. шт.

4.4 . Способ взвешенных конечных разностей предполагает применение всех возможных постановок на основе способа абсолютных разниц.

Подстановка 1 производится в последовательности
результаты определены в предыдущих расчетах:

N(ч) = 216 тыс. шт.;

N(См) = 75 тыс. шт.;

N (B) = 18,25 тыс. шт.

Подстановка 2 производится в последовательности
:

а)+1 * 1500 * 144 = 216 тыс. шт.;

б) +5 * 25 * 11 = 18 тыс. шт.;

в) +2 * 25 *1505 = 75,5 тыс. шт.;

Подстановка 3 производится в последовательности
:

а) 2 * 24 * 1500 = 72 тыс. шт.;

б) 1 * 146 * 1500 = 219 тыс. шт.;

в) + 5 * 25 * 146 = 18,25 тыс. шт.

Подстановка 4 производится в последовательности
:

а) 2 * 1500 *5 * 146 * 24 = 17,52 тыс. шт.;

б) 5 * 146 * 24 = 17,52 тыс. шт.;

в) 1 * 146 * 1515 = 219,73 тыс. шт.;

Подстановка 5 производится в последовательности
:

а) 5 * 144 * 24 = 17,28 тыс. шт.;

б) 2 * 1505 * 24 = 72,27 тыс. шт.;

в) 1 * 146 * 1505 = 219,73 тыс. шт.

Подстановка 6 производится в последовательности
:

а) 5 * 24 * 144 = 17,28 тыс. шт.;

б) 1 * 1505 * 144 = 216,72 тыс. шт.;

в) 2 * 1505 * 25 = 75,25 тыс. шт.

Влияние факторов на результирующий показатель

Факторы	Размер влияния факторов при подстановке, тыс. шт.						Среднее значение влияния факторов
1. Численность
2. Сменность
3. Выработка

4.5. Логарифмический способ предполагает распределение отклонения результирующего показателя пропорционально доле каждого фактора в сумме отклонения результата

а) доля влияния каждого фактора измеряется соответствующими коэффициентами:

б) влияние каждого фактора на результирующий показатель рассчитывается как произведение отклонения результата на соответствующий коэффициент:

309,25*0,706 = 218,33;

309,25*0,2438 = 73,60;

309,25* 0,056 = 17,32.

4.6. Интегральный метод предполагает применение стандартных формул для расчета влияния каждого фактора:

5. Результаты расчетов каждого из перечисленных способов объединяются в таблице совокупного влияния факторов.

Совокупное влияние факторов:

Факторы	Размер влияния, тыс. шт.		Способом относительных разниц	Размер влияния, тыс. шт.
	Способом цепных подстановок	Способом абсолютных разниц		Способом взвешенных конечных разниц	Логарифм. способ	Интегральный способ
1. Численность
2. Количество смен
3. Выработка

Сопоставление результатов расчетов, полученных различными способами (логарифмическим, интегральным и взвешенных конечных разниц), показывает их равенство. Громоздкие расчеты способом взвешенных конечных разниц удобно заменить применением логарифмического и интегрального методов, которые дают более точные результаты по сравнению с приемами цепной подстановки и абсолютных разниц.

5. Вывод: Объем выпуска продукции возрос на 309,25 тыс. штук.

Положительное влияние в размере 217,86 тыс. шт. оказал рост численности персонала.

В результате увеличения количества смен объем выпуска возрос на 73,6 тыс. шт.

За счет увеличения выработки объем выпуска продукции увеличился на 17,76 тыс. шт.

Наиболее сильное влияние на объем выпуска продукции оказали экстенсивные факторы: рост численности персонала и количества отработанных смен. Совокупное влияние этих факторов составили 94,26 % (70,45 +23,81). На долю влияния фактора выработки приходится 5,74 % роста выпуска продукции.

Примечание: Применение рассмотренных приемов аналогично в отношении мультипликативных моделей любого количества факторов. Однако использование приема взвешенных конечных разниц к многофакторным моделям ограничено необходимостью выполнения большого количества расчетов, и это нецелесообразно при наличии других, более простых и рациональных приемов, например, логарифмического.