Федеральное агентство железнодорожного транспорта

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«Уральский государственный университет путей сообщения» (фгоу впо УрГупс)

В.М. Сай

Д.А. Брусянин

УПРАВЛЕНИЕ ПРЕДПРИЯТИЕМ:

получение и обработка информации для принятия

управленческих решений

Пособие для самостоятельной работы студентов

Екатеринбург 2012 г.

Методическое пособие посвящено изучению прогнозирования как управленческой функции.

Пособие предназначено для оказания помощи студентам всех специальностей при самостоятельной работе над выработкой и принятием управленческих решений. Методические указания могут быть использованы при повышении квалификации инженерно-технических работников транспорта и строительства.

Авторы: д-р техн. наук, профессор Сай В.М.

канд. техн. наук, доцент Брусянин Д.А.

© УрГУПС, 2012 г.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ………………………………………………………..…. 1. Экстраполяционные методы прогнозирования ………………..... 2. Интуитивные методы прогнозирования …………………….…... 3. Моделирование, как способ прогнозирования …………….…… 3.1.Общие понятия …………………………………………….……. 3.2. Построение стохастической сетевой модели …………………. 3.2.1. Формулировка задачи ………….………………….……….…. 3.2.2.Определение продолжительностей работ сетевого графика... 3.3.3. Стохастическое описание модели. Определение продолжительности работ ……………………………………………….... 4. Социологические исследования в управлении ……………..…… 4.1. Общие положения ………………………………………….…… 4.2. Анкетирование …………………………………………….…….. 4.3. Интервьюирование ………………………………………..…….. Список источников рекомендованных для самостоятельной работы………………………………………………………………..…..… Приложение 1 …………………………………………………..…… Приложение 2 ………………………………………………..……… Приложение 3 ………………………………………………..……… Приложение 4 ………………………………………………..……… Приложение 5 ………………………………………………..……… Приложение 6 ……………………………………………..………… Приложение 7 ……………………………………………..………… Приложение 8 ……………………………………………..………… Приложение 9 ……………………………………………..………… Приложение 10 …………………………………………..……….….

5 9 15 18 18 20 20 21 21 32 34 34 37 43 44 49 50 52 55 56 57 58 59 60

ВВЕДЕНИЕ

Предприятие как социально-экономическая система включает в себя подсистемы, то есть системы более низкого уровня: социальную, экономическую, технико-технологическую составляющие. Чтобы целенаправленно воздействовать на подсистемы и систему в целом необходимо эффективно реализовать управленческие функции – обособленный вид управленческой деятельности, отличающийся однородностью действия и цели.

Впервые управленческие функции сформулировал и обосновал Анри Файоль. Он отмечал, что управлять, значит, планировать организовывать, мотивировать и контролировать.

С развитием науки управления перечень основных управленческих функций расширился: прогнозирование, планирование, организация (с разделением на регулирование и координацию), контроль, учет, анализ.

На любом предприятии, руководители всех уровней от мастера участка до высшего руководства компании реализуют эти основные управленческие функции.

Прогнозирование – научное предвидение, это проекция в будущее, преобразование информации о будущем в директивы для целенаправленного воздействия на объект управления.

На основании прогнозных пропорций осуществляется планирование. Прогноз и план могут разрабатываться независимо друг от друга. Однако для разработки эффективного плана, ему должен предшествовать прогноз, который позволит научно обосновать план.

К явлениям будущего необходим вероятностный подход с учетом широкого набора возможных вариантов. При этом руководитель разрабатывающий прогнозы прокладывает себе дорогу через множество случайностей. Поэтому прогнозирование не сводится к попыткам предугадать детали производственного процесса. Оно отвечает на общие тенденции его развития.

Различают поисковой и нормативный прогноз. Поисковый прогноз отвечает на вопрос: что вероятнее произойдет при условии сохранения существующих тенденций развития явления или процесса?

Нормативный прогноз отвечает на вопрос: какими путями достичь желаемого? Наличие прогнозной информации является одним из основных факторов эффективного управления производством. Чем дальше «заглянуть» в будущее, тем управление будет эффективнее. Так, например, минимальный шаг опережения прогнозной информации в строительстве составляет один год.

Прогнозирование в управлении строительством обеспечивает решения следующих задач:

– выявление объективно сложившихся тенденций строительного процесса и его социально-экономических последствий;

– анализ тенденций развития строительного производства;

– выявление альтернатив развития строительных процессов, выбор целесообразных путей их развития;

– определение потребностей в ресурсах на перспективу.

Эффективное использование прогнозов в строительстве основываются на концепции единого процесса «прогноз – план». Показатели прогноза и плана должны быть сведены в единую систему по всем уровням управления, а планы должны периодически корректироваться на основе прогнозной информации, то есть прогнозная информация для целей планирования является входной.

Укрупненная схема применения прогнозов в управлении показана на рис. 1.

Существует три дополняющих друг друга способа разработки прогнозов:

– экстраполирование – построение динамических рядов развития в прошлом и упреждение прогнозов в будущем;

– анкетирование (интервьюирование, опрос) – опрос экспертов с целью упорядочить субъективные оценки прогнозного характера;

– моделирование – построение поисковых и нормативных моделей.

Наиболее эффективная прогнозная модель – имитационная модель– математическое описание производственного процесса. Имитационное моделирование представляет собой разновидность моделирования, предполагающее многократное проигрывание производственных сценариев на ЭВМ каких-то реальных событий.

Однако имеют значения все возможные виды моделей: сценарии, имитации, графы, матрицы, подборки показателей, графические изображения и т.д.

Прогнозная оценка обязательно включает в себя элементы экстраполяции и моделирования, а процесс экстраполяции в свою очередь – элементы оценки и моделирования.

Основные этапы разработки прогноза:

1. Прогнозная ориентация. Уточнение задания, формулирование целей, задач, рабочих гипотез. Определение методов и структуры исследований.

2. Построение модели прогнозирования явления, процесса, объекта.

3. Построение динамических рядов по прогнозной модели.

4. Оценка достоверности и точности прогноза.

5. Выработка рекомендаций для целей планирования или принятия управленческих решений.

6. Экспертное обсуждение прогноза.

По степени формализации все методы прогнозирования делятся на интуитивные и формализованные. Интуитивное прогнозирование применяется тогда, когда объект прогнозирования либо слишком прост, либо настолько сложен. Что аналитически учесть влияние многих факторов практически невозможно.

Формализованные методы можно разделить на группы экстраполяционных, системно-структурных, ассоциативных и др. методов. К системно-структурным методам отнесены морфологический анализ, сетевое планирование, структурная аналогия.

1. ЭКСТРАПОЛЯЦИОННЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ

Основу экстраполяционных методов прогнозирования составляет изучение временных рядов, представляющих собой упорядочение во времени наборы измерений характеристик исследуемого явления или процесса.

Различают формальную и прогнозную экстраполяцию. Формальная базируется на предположение о сохранении в будущем прошлых и настоящих тенденций развития объекта прогноза. При прогнозной экстраполяции фактическое развитие процесса увязывается с гипотезами о его динамике с учетом его перспективы физической и логической сущности.

Первым этапом экстраполяции является выбор вида функции, описывающей эмпирический ряд. Для этого проводят предварительную обработку исходных данных с целью облегчения выбора функции.

Для выбора в первом приближении вида функциональной зависимости можно использовать следующие рекомендации. Если Δ_i близко к некоторой средней величине Δ_ср, можно предположить удовлетворительность прямолинейной аппроксимации. Например:

Δ₁=Y₂ - Y₁ = 10-7=3 Δ₅ =0 Δ₆ =3 (1)

Δ₂=Y₃ - Y₂ = 14-10=4 Δ₈ =2 Δ₈ =6

Δ₃ = 3 Δ₄ =5 Δ₉ =4

Δ_ср = ∑ Δ_i /n-1=(3+4+3+5+0+2+4+3+6)/10-1=3,3

Если относительные приросты

Y_i+1 / Y_i ≈ const, (2)

выравнивание следует производить по экспоненте Y_i = ae^xi . (3)

Если Y_i+1/Y_i возрастает, необходимо вычислить приросты приростов. Незначительное изменение последних позволяет предположить о возможности применения для выравнивания квадратной параболы.

Если ΔlnY_i /ΔlnX_i ≈ const, то Y_i = ab^xi . (4)

Если Δ(X_i /Y_i)/Δ X_i ≈ const, то Y_i = X_i/(a+b^xi) . (5)

Если ΔlnY_i /ΔX_i ≈ const, то Y_i = ax_i ^b . (6)

Следующим этапом является расчет параметров выбранной экстраполяционной функции. Наиболее распространенным методом оценки параметров зависимостей (аппроксимации) является метод наименьших квадратов и его модификации. Сущность метода наименьших квадратов состоит в том, что выбирается такая линия, при котрой сумма квадратов разностей между фактическими (данными зависимой переменной) и расчетными значениями, полученными по регрессионной формуле, минимальна (рис. 2).

, (7)

где n – число наблюдений;

Y_i – фактические значения исходного ряда;

Y_{р i} – расчетное значение зависимого переменного.

При вычислениях по методу наименьших квадратов предполагается известным вид функциональной зависимости с точностью до неизвестных параметров а, выбор которых и должен обеспечить минимальное значение критерию S (7). Задачи такого типа называются в инженерной литературе задачами параметрической идентификации [7, 8]. Если же неизвестен сам вид функциональной зависимости, то его определение называется задачей непараметрической (функциональной) идентификации.

Параметрическая идентификация достаточно просто формализуется, что и объясняет ее широкое применение для аппроксимации. Большое число методов решения задач параметрической идентификации, алгоритмов и программ для ЭВМ обеспечивают исследователю возможность нахождения аппроксимирующей функции, которая в наибольшей степени соответствует характеру развития реального процесса.

Общий ход, решения задачи нахождения параметров функции следующий. Например, функция, описывающая эмпирический ряд имеет вид:

(8)

где a₁, a₂ , … , a_n – настраиваемые параметры модели;

x₁, x₂ ,…, x_m – входные переменные (например, производительность труда, численность рабочих и др.).

Y

у_р7

5 у₆ у₇

у₄ у_р5 у_р6

4

у_р4 у₅

3 у₂ у_р3

2 у_р2 у₃

у_р1

1 у₁

0 1 2 3 4 5 6 7 Х

Рис. 2. Графическая интерполяция метода наименьших квадратов

а ) Y б) Y

у₃

у₃ у₂

у₂ у₁

у₁

Х₁ Х₂ Х₃ Х Х₁ Х₂ Х₃ Х

Рис. 3. График зависимостей

а) функциональная б) корреляционная

Для определение параметров модели, обеспечивающих минимальное значение критерию (7) необходимо подставить функцию (8) в выражение (7) и приравнять к нулю частные производные по каждому из коэффициентов a₁, a₂ , … , a_n. Следующий шаг – решение полученной (может быть нелинейной) системы n уравнений с n неизвестными – представляют собой не всегда простую задачу, за исключением случая линейной по параметрам функции. Хотя и в этом случае при достаточно большом количестве настраиваемых параметров a₁, a₂ , … , a_n (при большом n) есть специфические трудности, связанные с необходимостью решения линейных систем высокого порядка.

На практике широко применяется так же аппроксимация сплайнами, то есть кусочками – полиноминальными функциями [8].

В том случае, когда необходимо уменьшить ценность более ранней информации применяют дисконтирование. Дисконтирование осуществляется путем введения в выражение (7) некоторых «весов» 0 < β₁ < β₂ < β₃ <…< β_n , причем удобно предположить, что «веса» измеряются в долях единицы, а β_n = 1. Тогда выражение (7) принимает вид:

, (9)

Коэффициенты β_i могут также задаваться в виде функциональной зависимости таким образом, чтобы по мере продвижения в прошлое «веса» убывали.

Дисконтирование вызвано тем, что не практике зачастую будущее поведение процесса в большей степени определяется поздними наблюдениями, чем ранними.

Так как в прогнозной экстраполяции принята гипотеза об устойчивости процесса в будущем, то можно предполагать, что в этих условиях модель, наиболее удачна для аппроксимации, будет наилучшей и для прогноза. Тогда статические критерии аппроксимации могут быть использованы при оценке прогнозной модели. Выбор модели осуществляется по следующим критериям: коэффициенту корреляции или корреляционному отношению, средней относительной ошибке аппроксимации, F-критерию Фишера и др. В прогнозной модели могут быть также оценены коэффициенты регрессии.

Различают корреляционную и функциональную зависимости. Под функциональной зависимостью понимается такая зависимость, когда одному значению независимого фактора соответствует только одно значение зависимого. Корреляционная зависимость – изменение одной случайной величины вызывает изменение среднего значения другой (рис 3).

Корреляционные зависимости могут быть установлены только при обработке большого количества наблюдений. Теснота связи между двумя величинами при корреляционной зависимости определяется коэффициентом корреляции r для линейной связи или корреляционным отношением η для нелинейной. Величины r и η лежат в пределах 0 ≤ |η| ≤ 1. В случае, если r = 0, то линейной связи между величинами нет. Если |r| = 1, то между двумя величинами существует линейная связь, то есть с увеличением независимой переменной увеличивается зависимая. При отрицательном r существует обратная связь. Коэффициент корреляции определяется для прямолинейных зависимостей по формуле:

(10)

Корреляционное отношение определяется при криволинейных зависимостях следующим образом:

(11)

где – среднее значение исходного ряда.

Дополнительной оценкой точности при криволинейной корреляции является средняя относительная ошибка .

. (12)

Для оценки надежности уравнения регрессии применяют F -критерий Фишера:

, (13)

где m – число коэффициентов уравнения.

Расчетное значение критерия F необходимо сравнить с табличным значением (приложение 9). Если F > F_табл, то уравнение считается значимым. Если F ≤ F_табл, то гипотеза о значимости уравнения не подтверждается, то есть уравнение регрессии ненадежно.

Процесс прогнозирования по выбранной модели состоит в вычислении значений зависимой переменной по заданным значениям независимой переменной, выходящих за пределы исходной информации.

Метод наименьших квадратов широко применяется для получения различного рода прогнозов. Преимущества метода состоит в том, что модель жестко фиксируется и поэтому можно получить надежный прогноз на небольшой период упреждения (краткосрочный прогноз). Пример расчетов при прогнозной экстраполяции приведен в Приложении 1.

Этот метод широко представлен в современных программных пакетах – Microsoft Office Excel, Mathcad, Statistica и др. (см. приложение 1)