- •Содержание:
- •Средства и методы обоснования плановых решений
- •Расчетная часть.
- •Планирование потребности в производственных (материально-технических) ресурсах……………………………………………………………..………..Стр 21-31
- •1. Средства и методы обоснования плановых решений
- •1.1 Использование различных средств и методов в планировании
- •1.2. Традиционные методы принятия плановых решений
- •1.3. Новые методы обоснования рациональных решений
- •2. Общеэкономическая характеристика зао “фирма “культбытстрой”
- •3. Расчетная часть
- •3.1 Планирование продаж
- •3.2 Планирование производственной программы
- •3.3 Планирование потребности в производственных (материально-технических) ресурсах
- •3.4. Планирование труда и персонала
- •3 .5 Планирование оплаты труда
- •3.6 Планирование издержек
- •3 .7 Планирование финансов
- •Заключение
- •Список литературы
1.3. Новые методы обоснования рациональных решений
Новые методы широко применяются в планировании, как правило, крупными компаниями. Они основаны на использовании экономико-математических моделей. Чтобы правильно применять эти методы в планировании, менеджеры, плановые работники должны знать области их использования и ограничения на различных этапах планирования при решении конкретных задач.
Для использования экономико-математических методов в планировании необходимо экономический объект или процесс записать с помощью математических зависимостей (уравнений, неравенств и т.п.). Этот процесс называется составлением модели.
Математическая модель — это система выражений, описывающих характеристики объекта моделирования и взаимосвязи между ними. Процесс моделирования заключается в построении моделей, которые облегчают изучение свойств планируемых процессов и объектов.
Моделирование является логико-математическим отображением структуры и процесса функционирования планируемого объекта с целью проведения с помощью данной модели эксперимента. Сущность моделирования заключается в создании такого аналога изучаемых объектов, в котором отражены все их важнейшие с точки зрения цели исследования свойства и опущены второстепенные, малосущественные черты.
По форме представления модели могут подразделяться на:
-
графические, представляющие собой графическую имитацию планируемого объекта или процесса;
-
числовые, записанные в виде формул;
-
логические, записанные в виде логических выражений, например блок-схем;
-
табличные, записанные в виде таблиц, например бухгалтерский баланс.
С точки зрения отражения временных интервалов модели могут делиться на:
-
динамические, отражающие свойства объекта планирования изменять свои параметры во времени;
-
статистические, не отражающие вышеуказанные свойства.
Во внутрифирменном планировании наиболее широкое применение нашли следующие экономико-математические методы:
-
теории вероятности и математической статистики;
-
математического программирования;
-
имитации;
-
оценки и пересмотра планов (ПЕРТ).
Рассмотрим перечисленные методы.
1. Модели, основанные на использовании теории вероятности и математической статистики (стохастические модели).
К ним относятся модели, основанные на использовании теорий:
-
анализа корреляций и регрессий;
-
дисперсионного анализа;
-
массового обслуживания;
-
игр;
-
статистических решений;
-
расписаний;
-
запасов;
-
информации;
-
надежности.
Методы теории анализа корреляций и регрессий, дисперсионного анализа применяются в планировании для анализа различных статистических связей и установления нормативов (трудовых, стоимостных, материальных).
Методы теории массового обслуживания используются при планировании оптимальных соотношений между размерами основного и вспомогательного производства, а также другими структурными элементами предприятия, если процессы в них носят нерегулярный характер и могут быть представлены как процесс массового обслуживания.
Методы теории игр и теории статистических решений применяются при принятии и оптимизации решений по управлению процессами взаимоотношения с рынком, страхованию от стихийных бедствий, созданию сезонных запасов ресурсов и т.д.
Метод, который изучает эффективность выполнения операций в зависимости от порядка их следования, называется теорией расписаний. Задачи данного метода связаны с упорядочиванием операций, являющихся объектами планирования. Они возникают повсюду, где существует возможность выбора той или иной очередности их выполнения. Эффективен метод при составлении сменно-суточных заданий в оперативно-календарном планировании, планировании транспортных маршрутов и очередности обслуживания рабочих мест.
Теория запасов применяется в планировании для определения оптимальных партий поставок и уровней запасов материальных ресурсов предприятия. В моделях теории запасов оптимизация выражается в снижении издержек на создание запасов и общей потребности в оборотных средствах.
Теория информации содержит комплекс средств и методов работы с информацией, обеспечивающих ее достоверность, надежность, актуальность. Методы теории информации могут применяться при разработке технологии планирования.
Теория надежности в планировании применяется при оценке надежности плановых решений и позволяет снизить хозяйственный риск при реализации плановых решений.
Применительно к планированию методы теории вероятности сводятся к определению значений вероятности наступления событий и действий и к выбору из возможных направлений действий самого предпочтительного, исходя из наибольшей величины математического ожидания (абсолютной величины этого исхода, умноженной на вероятность его наступления). Применение этих методов позволяет плановикам с большей уверенностью принимать решения на основе «приблизительных» оценок традиционными методами. Поэтому методы теории вероятности, как правило, применяются в комплексе с традиционными методами планирования. Например, методы теории вероятности хорошо применяются вместе с адаптивным поиском стратегии развития фирмы.
2. Методы математического программирования.
Они позволяют выбрать совокупность чисел, являющихся переменными в уравнениях и обеспечивающих экстремум некоторой функции при ограничениях, определяемых условиями работы планируемого объекта.
В зависимости от свойств функций, используемых в моделях математического программирования, модели разделяются на следующие классы:
а) модели линейного программирования, в которых применяются линейные зависимости между планируемыми параметрами;
б) модели нелинейного программирования, в которых некоторые функции нелинейны;
в) модели целочисленного программирования, в которых переменные в уравнениях по своему физическому смыслу могут принимать лишь ограниченное число дискретных значений;
г) модели параметрического программирования, если исходные параметры при переменных в моделях могут изменяться в некоторых пределах;
д) модели стохастического программирования, если с их помощью решаются в процессе планирования задачи экстремума при наличии случайных параметров в их условиях;
е) модели динамического программирования, позволяющие находить оптимальные решения по конечным результатам предыдущих решений;
ж) модели блочного программирования, которые в процессе планирования позволяют точно или приблизительно получать оптимальные решения задач больших размеров по решениям ряда задач с меньшим числом переменных ограничений.
Наиболее часто в процессах внутрифирменного планирования применяются задачи линейного программирования. Приведем в качестве примера ряд задач, которые могут быть решены с помощью данного метода.
Предприятие выпускает две модели бытовых холодильников. Первая модель — холодильник высокого класса, вторая — упрощенный вариант, в котором холодильная и морозильная камеры совмещены, предназначенный для продажи по низким ценам, но в больших количествах. Спрос на обе модели превышает предложение, но производственные мощности ограничены. При составлении плана производства возникает вопрос: сколько необходимо производить холодильников двух моделей, чтобы получить максимальную прибыль?
При планировании поставок продукции часто возникает следующая задача. Необходимо переместить ряд товарных вагонов из одного места в другое с минимальными затратами. При относительно небольшом числе пунктов отправления и назначения и ограниченном количестве вагонов общее число возможных вариантов перевозок составит миллионы, что традиционными методами решить невозможно. Задачи такого класса встают перед крупными фирмами, когда требуется отгрузить различную продукцию многих заводов на многочисленные склады. v
При составлении оптимального плана производства крупной горнодобывающей компании на 25 лет необходимо учесть спрос, возможные изменения в технике, в геологических условиях и ряд других факторов, имеющих отношение к проблеме. Эта задача также может быть решена методом линейного программирования.
Несмотря на свою привлекательность, модели линейного программирования имеют серьезные недостатки. Основной из них заключается в том, что все зависимости в модели рассматриваются как линейные. Это значит, что, если затраты на перевозку одной тонны груза на один километр составляют 10 тыс. р., то при перевозке на 100 км они будут считаться равными 1 млн. Для большинства экономических задач зависимости носят нелинейный характер. Но во многих планируемых ситуациях в пределах интересующего нас лага зависимости можно считать линейными.
Другой недостаток линейного программирования состоит в том, что с его помощью можно решать только те задачи, для которых:
-
существуют количественные цели, например максимизация прибыли или минимизация издержек;
-
распределяемые ресурсы имеют верхний предел, как, например, производственные мощности;
-
варианты использования ресурсов могут сравниваться;
-
имеется общая единица измерения;
-
объем расчетов является выполненным.
Наконец, большое число плановых задач насчитывает такое количество переменных, что решить задачу методами линейного программирования становится невозможным. В этом случае приходится упрощать задачу, что выдвигает вопрос, не приведет ли подобное упрощение к тому, что решение окажется бесполезным.
3. Методы имитации.
Имитация представляет собой гибкий и продуктивный метод решения задач, получивший распространение на всех уровнях планирования — от стратегического до оперативно-календарного планирования.
В обычном смысле имитация означает воспроизведение реальной действительности. В планировании под имитацией понимают создание модели реальной хозяйственной ситуации и манипулирование с этой моделью в целях обоснования планового решения. Применение имитации в планировании не является чем-то принципиально новым. Словесные описания, таблицы, схемы — все это широко применялось и ранее, до появления моделей.
Ценность имитационных моделей объясняется рядом причин. Во-первых, экспериментирование в реальных условиях очень дорого, а порой просто невозможно. Во-вторых, для наблюдения за реальными изменениями, происходящими в экономике, требуется много времени. В-третьих, имитационные модели помогают плановым работникам лучше понять взаимосвязи факторов, действующих в экономике предприятия.
Имитационные модели широко применяются для решения следующих задач:
-
распределения капитальных вложений в условиях возможного риска;
-
составления смет капитальных затрат, направленных на максимизацию прибыли предприятия;
-
планирования и контроля операций производственного цикла;
-
составления графиков движения транспорта;
-
управления запасами;
-
разработки политики кредитования банка путем моделирования использования займа различными клиентами;
-
установления зависимости между производством, запасами и сбытом готовой продукции;
-
планирования найма и подготовки кадров и т.д.
Как правило, имитационные модели применяются для определения:
-
характеристик тех или иных систем, например системы управления запасами или финансами
-
сравнения различных систем (например, производства и снабжения);
-
изучения последствий планируемых изменений внутри конкретной системы, например направление финансовых ресурсов по различным каналам.
Методы имитации имеют определенные ограничения:
-
во-первых, сложности с созданием модели, написанием программы на ЭВМ и правильным применением модели требуют больших затрат времени и квалифицированного персонала, что не всегда имеется в распоряжении предприятия;
-
во-вторых, существует опасность неадекватности установленной связи между некоторыми параметрами модели и реальной ситуации. В реальных условиях выявленная связь может не повториться или носить другой характер.
Имитация — достаточно сложный процесс, который зависит от специфики моделируемого объекта.
Широкое распространение в планировании, особенно при анализе риска, получил метод Монте-Карло. Этот метод имитации применим для решения почти всех задач при условии, что альтернативы могут быть выражены количественно. Построение модели начинается с определения функциональных зависимостей в реальной системе, которые впоследствии позволяют получить количественное решение, используя теорию вероятности и таблицы случайных чисел.
Модель Монте-Карло не столь формализована и является более гибкой, чем другие имитирующие модели. Причины здесь следующие:
-
при моделировании по методу Монте-Карло нет необходимости определять, что именно оптимизируется;
-
нет необходимости упрощать реальность для облегчения решения, поскольку применение ЭВМ позволяет реализовать модели сложных систем;
-
в программе для ЭВМ можно предусмотреть опережения во времени.
Типичным примером задачи, которая может быть решена на основе модели Монте-Карло, может быть задача на обслуживание. Например, при планировании стратегии развития ресторана быстрого обслуживания необходимо знать, как долго в среднем приходится посетителю ждать обслуживания (среднее значение ожидания). Работа ресторана характеризуется следующими параметрами. Посетители обслуживаются последовательно на одной кухне. Прибытие клиентов носит случайный характер. Поступление заказов характеризуется следующими данными: интервалы поступления требований до 10 мин составляют 40% случаев, от 10 до 20 мин — 60%. Продолжительность обслуживания в зависимости от вкусов клиентов — также величина случайная. В 80% случаев на обслуживание требуется 10 мин, в остальных случаях — 30 мин.
В таблице 1. представлены результаты решения задачи на основе имитационной модели Монте-Карло, в которой интервалы
Таблица
1
Решение задачи
обслуживания с применением метода
Монте-Карло Номер
образца Первая
случайная цифра Интервал
до прибытия, мин Время
прибытия Время
начала обслуживания Вторая
случайная цифра Время
до обслуживания, мин Время
окончания обслуживания Время
ожидания, мин Время
простоя, мин
1
2
3
4
5
6
7
8
9
10
1
-
-
0
0
2
10
10
0
0
2
1
10
10
10
8
30
40
0
0
3
9
20
30
40
6
10
50
10
0
4
8
20
50
50
7
10
60
0
0
5
8
20
70
70
9
30
100
0
10
6
2
10
80
100
4
10
110
20
0
7
0
10
90
110
1
10
120
20
0
8
7
20
110
120
3
10
130
10
0
9
4
20
130
130
4
10
140
0
0
10
9
20
150
150
9
30
180
0
10
Примечание. Колонка
8 = колонка 5 + колонка 7, колонка 9 = колонка
5 - колонка 4,
колонка
10
= колонка
5 -
цифра в предшествующем
ряду колонки
8.
между прибытием клиентов и временем обслуживания представлены последовательностью случайных чисел.
Для интервалов между прибытиями выберем следующую случайную последовательность: 0, 1,2, 3,4, 5,6,7, 8 или 9.
Если выбраны числа 0, 1, 2 или 3, то продолжительность интервала между поступлением двух требований составляет 10 мин. Если выбраны числа 4,5,6,7, 8 или 9, продолжительность интервала равна 20 мин. Аналогичным образом определяется время обслуживания, которое наступает после истечения интервала прибытия. Для этого выбирается второе случайное число.
Если выбраны числа 0, 1,2, 3, 4, 5, 6 или 7, время обслуживания составит 10 мин. Если выбраны числа 8 или 9, обслуживание клиента длится 30 мин.
Из таблицы 1. видно, что для 10 испытаний, приведенных в таблице, суммарное время ожидания составляет 60 мин, или в среднем по 6 мин на клиента. Данный пример оставляет без ответа многие вопросы, и среди них вопрос о необходимом количестве испытаний, позволяющем с достаточной точностью определить время ожидания.