авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 3 | 4 ||

«РОССИЙСКАЯ АКАДЕМИЯ НАУК Институт проблем управления им. В.А. Трапезникова УПРАВЛЕНИЕ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМИ СИСТЕМАМИ ...»

-- [ Страница 5 ] --

В этом случае структура итогового показателя и его зависимость от исходных представляется в ви де дерева целей. Каждый из показателей, включая итоговый, дезагрегируется на два подэлемента, т.е.

используется так называемый метод дихотомии. Для агрегирования каждой пары критериев в показатель следующего уровня используются логические матрицы, причем, показатели относительной важности агрегируемых критериев выражаются через элементы данных матриц, представляющих собой категории при оценке соответствующих критериев.

Подобный подход позволяет, значительно упростив операцию агрегирования показателей, в то же время представлять зависимости, для которых не известны точные функциональные правила объедине ния критериев.

При разработке структуры комплексного показателя "Результаты деятельности лаборатории" в ка честве исходных критериев были приняты 6 критериев, отражающих как научную деятельность лабора тории (1 - "Оценка перспективности по формальным признакам", 2 - "Экспертная оценка перспективно сти", 3 - "Публикационная активность" и 4 - "Экспертная оценка результатов"), так и ее прикладные результаты (5 - "Внедрение результатов" и 6 - "Научно-организационная работа"). Сравнительно не большое число принятых исходных критериев объясняется стремлением упростить процесс сбора и первичной обработки исходной информации.

Оценка для 1-го из указанных критериев определялась двухшаговым образом. На первом этапе на основе собранной информации вычислялся суммарный показатель перспективности лаборатории, при чем каждая из характеристик, влияющая на перспективность, получала свой весовой коэффициент.

Ниже приводится перечень данных характеристик с указанием их весовых коэффициентов:

1) Международные гранты - 2) Проекты РФФИ и Миннауки - 3) Стипендии им. В.А. Трапезникова - 4) Государственные стипендии выдающимся ученым - 5) Гранты и инвестиционные проекты ИПУ - 6) Докторанты - 7) Аспиранты - Количественный показатель перспективности лаборатории перс определяется отнесением найден ного суммарного показателя к базовому фонду лаборатории. В дальнейшем на основе количественной оценки каждая из лабораторий получает качественную (вербальную) оценку Kперс перспективности научной деятельности. С этой целью перед проведением оценивания лабораторий специальной комис сией устанавливаются границы для качественных категорий перспективности13. В зависимости от того, в какой интервал попала количественная оценка лаборатории, определяется ее качественная оценка по 1 му критерию.

Аналогичным образом вычисляются качественные оценки лабораторий по 3-му критерию. Суммар ный показатель публикационной активности включает в себя публикации сотрудников лаборатории (учитываются работы как опубликованные, так и принятые к печати), защищенные ими диссертации, а также премии имени выдающихся ученых, присужденные сотрудникам. Ниже приведен перечень всех характеристик, учитываемых при вычислении суммарного показателя, с указанием их весовых коэффи циентов.

1) Книги, монографии - 2) Брошюры, препринты - 3) Статьи - 4) Патенты - 5) Тезисы докладов - 0, 6) Докторские диссертации - 7) Кандидатские диссертации - 8) Премии имени выдающихся ученых Института - После деления суммарного показателя на базовый фонд лаборатории получают количественный по казатель пуб ее публикационной активности. Также как и в случае с формальной оценкой перспектив ности все множество возможных значений пуб разбивается на 4 интервала в соответствии с решением специальной комиссии, принятым при подготовке к очередной оценке. Результатом этого служит при своение каждой из лабораторий качественной оценки Kпуб ее публикационной активности. При расчете качественных оценок лабораторий по 1-му и 3-му исходным критериям учитывались исходные данные за последние 3 года к проведению классификации.

Однако описанные выше формальные критерии не позволяют в полной мере оценить ни перспек тивность результатов лаборатории, ни ее результативность. В частности, формальные критерии не учи тывают специфику деятельности каждой из лабораторий. По этой причине в систему были введены критерии, связанные с экспертным оцениванием указанных показателей. Поскольку эксперты, оцени вающие деятельность лабораторий, должны удовлетворять целому ряду требований: высокий профес сионализм, широкая информированность, четкое представление о стратегии управления Институтом и т.д., то в роли экспертов выступали заместители директора по науке. Окончательные оценки для каждой лаборатории определялись в результате согласования индивидуальных оценок экспертов с руководством соответствующей Секции Ученого Совета.

Также экспертным путем получалась оценка "Научно-организационной работы" лабораторий (6-й критерий). При этом, при оценке лаборатории учитывалось участие лаборатории и ее сотрудников в Для «Оценки перспективности по формальным признакам», также как и для остальных исходных и промежуточ ных критериев, использована качественная (вербальная) шкала с 4-мя категориями: 1 – наилучшее состояние;

2 – нормальное;

3 – допустимое;

4 – слабое.

организации научных конференций, симпозиумов, выставок, семинаров и т.п., работа в Советах и ко миссиях уровня РАН, РФ, в редакционных коллегиях и т.д.

Наконец, исходный критерий "Внедрение результатов" носил формализованный характер. Для его расчета планово-финансовыми службами Института вычислялся обобщенный показатель эффективно сти внедрения по фактически получаемым лабораториями заработной плате за выполнение хозяйствен ных договоров, проектов РФФИ и т.п. Количественный показатель внедрения вн определялся делением обобщенного показателя на базовый фонд лаборатории. Аналогично получению формализованных оценок для 1-го и 3-го критериев множество возможных значений вн разбивалось на 4 интервала, и в зависимости от попадания количественного показателя вн в тот или иной интервал каждая лаборатория получала качественную оценку Kвн "Внедрения результатов". Общая структура комплексного показате ля деятельности лабораторий Института, построенная в соответствии с методом логических матриц и использованная при проведении оценки, представлена на рис.1.

В качестве объектов оценки выступили 62 лаборатории, а также один сектор. Таким образом, в це лом требовалось расклассифицировать на 4 класса 63 объекта.

ИСХОДНЫЕ КРИТЕРИИ 1 1 1 2 2 1-1 1 1 1 2 3 1- 1 1 1 2 3 2-1 1 1 1 1 2 1- 1 1 1 1 2 3- 3 2 3 3 3 Результаты деятельности 4 3 3 4 4 лаборатории Рис. В результате оценки лабораторий с помощью метода логических матриц была получена упорядо ченная классификация следующего вида: в 1-й класс попали 12 лабораторий, во 2-ой - 33, в 3-й - 18, наконец, 4-й класс оказался пустым.

Одновременно, для классификационного анализа деятельности лабораторий Института был исполь зован вариационный подход к упорядоченной классификации, предложенный в работах [7,8]. В этом случае оптимальная классификация находится посредством оптимизации некоторого функционала – критерия качества классификации, а сами классы описываются моделями (эталонами) классов j, j=1,…,r, где r – число классов. В данной работе использовалась постановка задачи упорядоченной клас сификации в случае, когда критериальное пространство является Евклидовым при точечных моделях классов. Также, как и в случае применения метода логических матриц, критериальное пространство являлось 6-мерным: в качестве исходных рассматривались критерии, описанные выше. Таким образом, модель каждого класса j представляет собой 6-мерный вектор uj – центр класса. В качестве критерия классификации был выбран функционал ( )2 B h0 (xi ), r 63 m ( 1 ) (H,U ) = h j ( xi ) c k xik u jk j =1 i =1 k =1 i = где вектор-функция H(x)=(h0,…hr) определяет принадлежность объектов классам, а функция h0(x) – принадлежность фоновому классу, предназначенному для объектов, не удовлетворяющих предположе нию об упорядоченности или удаленных от центров всех классов. Наконец, параметр B0 является пороговым коэффициентом фонового класса.

Анализ структуры комплексного показателя "Результаты деятельности лаборатории", представлен ного на рис. 1, показывает неравноценность исходных критериев в нашем случае, их различную степень влияния на итоговый показатель. Чтобы отразить различную степень важности исходных критериев в оптимизируемом критерии, были введены коэффициенты ck, k = 1,...,m, отражающие степень важности исходных критериев.

При получении всех последующих результатов был использован набор коэффициентов c = (0,8;

1,2;

1,5;

1,5;

1,2;

0,8), позволяющий достаточно точно аппроксимировать комплексный показатель "Резуль таты деятельности лаборатории".

Задача построения оптимальной упорядоченной классификации заключается в максимизации функ ( 2 ) (H,U ) max.

H V,U D ционала (1) по вектор-функции принадлежности и по вектору центров классов:

Множество V определяет характер размытости оптимальной классификации, тогда как множество D, которому должен принадлежать вектор центров, соответствует нашим требованиям к упорядоченно сти классов.

В работе использовались четкая, размытая классификации, а также классификация с размытыми границами. Ниже приводятся соответствующие формальные описания множеств V:

четкая классификация;

r h j ( x ) = V : h j ( x ) { 0;

1 };

0;

j = r ( h j ( x )) V : h j ( x ) 0;

= 1, 0 j = r ( a h j ( x )) V : h j ( x ) 0;

= ( r 1 )a 2 ( a 1 )2, a j = размытая классификация ( - коэффициент размытости);

классификация с размытыми границами (a – коэффициент размытости границ).

Упорядоченные классификации были построены для различных сочетаний числа классов r, порого вого коэффициента фонового класса B, включая случай когда фоновый класс отсутствует, различных видов размытости, т.е. ограничений, которым должна удовлетворять вектор-функция принадлежности объектов H(x), и, наконец, различных структурных ограничений. В соответствии с изложенной выше постановкой задачи в дальнейшем рассматривались структурные ограничения на взаимное расположе ( 3 ) D : u j +1 u j 0, j = 1,..., r ние отдельных пар классов (см. [1]), а именно:

( 4 ) D : u j +1 u j + 0, j = 1,..., r 1, покритериальная упорядоченность;

покритериальная упорядоченность с гарантированным интервалом между центрами классов.

Так как алгоритм оптимизации, предложенный в работе [8], гарантирует получение лишь локально го экстремума, в каждом случае было проведено по 200 экспериментов с различными наборами исход ных значений центров классов и в качестве оптимальной упорядоченной классификации выбиралось разбиение, соответствующее наибольшему значению функционала.

В соответствии с результатами классификационного анализа на основе метода логических матриц можно выдвинуть гипотезу о том, что исходное множество объектов состоит из трех самостоятельных упорядоченных классов. Для подтверждения такой структуры исходного множества были найдены оптимальные упорядоченные классификации, соответствующие функционалу (1) при r=3. При этом были рассмотрены случаи четкой и размытой классификации ( = 0.5).

Проведенное исследование показало, что оптимальные четкие классификации, построенные либо при отсутствии фонового класса (B=0), либо при достаточно большом значении порогового коэффици ента (B=9), нивелирующем влияние фонового класса на оптимальное разбиение, близки к оптимальной классификации, полученной методом логических матриц. Из 63 объектов только 6 были классифициро ваны по-разному при использованных подходах: 2 объекта "перешли" из 1-го класса во 2-ой, также объекта – из 2-го класса в 3-й и, наконец, еще 2 объекта - из 3-го класса во 2-й.

Аналогичные результаты были получены при проведении размытой классификации в случае, когда классификация проводилась без фонового класса или при большом значении порогового коэффициента (B=14). Отнесение каждого из объектов на основе размытой классификации к тому классу, к которому объект имеет наибольшую степень принадлежности, приводит к разбиениям, отличающимся от разбие ния, полученного методом логических матриц, в 5 или 6 позициях. Причем объекты, иначе классифици руемые, полностью совпадают с такими же объектами для случая четкой классификации. Отметим также, что при больших значениях порогового коэффициента в фоновый класс попадало не более одного объекта.

Важной характеристикой нечетких классификаций является число размытых объектов, т.е. объек тов, принадлежность которых к любому из классов невысока. В нашем случае при отсутствии фонового класса получалась размытая классификация, позволяющая считать 8 объектов из 63 размытыми (степень принадлежности таких объектов hj(x) не превышает 0,7 для любого j = 0,...,r). Следует отметить, что 3 из этих 8 объектов входят в число по-разному классифицированных посредством вариационного подхода и методом логических матриц. К аналогичным результатам приводит размытая классификация с большим значением порогового коэффициента (B=14): 20 размытых объектов, включая все 6 по-разному класси фицированных объектов. Это позволяет сделать вывод, что все 6 объектов, иначе классифицированных с помощью метода логических матриц, находятся достаточно далеко от центров классов - вблизи границ.

Принципиально иные результаты были получены для четких и размытых упорядоченных классифи каций при промежуточных значениях порогового коэффициента: для четких классификаций - при B=4 и B=7, а для размытых - при B = 4;

7;

9;

11 и 13.

В каждом из этих случаев объекты, ранее относившиеся к 1-му, наилучшему классу, выделялись в фоновый класс и составляли его основу. Третий класс практически не менялся по сравнению с класси фикациями, полученными для других значений порогового коэффициента, тогда как объекты, ранее принадлежавшие 2-му классу, теперь разбивались на две подгруппы. Данные подгруппы составляли основу 1-го и 2-го классов в описываемых классификациях. Существенным также является тот факт, что в нечетких классификациях большое число объектов оказывается размытым между классами: в частно сти, 32 и 36 объектов не принадлежат ни к одному из классов со степенью принадлежности, большей 0,7, для случаев B=4 и B=7 соответственно.

Приведенные результаты позволяют предположить, что исходное множество объектов имеет струк туру из 4-х упорядоченных классов. Наилучший и наихудший из этих классов совпадают с 1-м и 3-м кластерами, получаемыми при разбиении лабораторий на 3 класса. В то же время промежуточные клас сы при разбиении исходного множества на 3 класса с небольшим влиянием фонового класса "сливают ся" в один кластер. И, напротив, если влияние фонового класса достаточно велико, эти классы приобре тают самостоятельность.

Для проверки указанной выше гипотезы были построены оптимальные упорядоченные классифика ции, когда число классов равнялось 4 и 5. При этом использовались как четкие, так и размытые класси фикации с различными значениями порогового коэффициента B.

Четкая упорядоченная классификация достаточно точно соответствует предложенной гипотезе. Раз личие наблюдается лишь для 2 объектов, которые перешли из 1-го класса во 2-ой. Аналогичные резуль таты зафиксированы и для размытых классификаций. Однако следует отметить, что в этом случае доста точно большое число лабораторий оказывалось среди размытых объектов. Так, при нечеткой упорядоченной классификации на 4 класса в отсутствии фонового таких объектов было 19, а при ис пользовании фонового класса число размытых объектов доходило до 35 и 31 при пороговом коэффици енте B=4 и B=7 соответственно.

Оптимальные упорядоченные классификации, полученные при разбиении множества объектов на классов, характеризуются, в первую очередь, очень небольшим числом объектов, строго принадлежа щих какому-то классу. Если объекты при нечеткой классификации относить к тому классу, степень принадлежности к которому является наибольшей для данного объекта, то мы получим набор разбие ний, отличающихся по целому ряду позиций в зависимости от значения порогового коэффициента, а также от того, четкая или размытая классификация использовалась. Наконец, при классификациях лабо раторий на 5 классов, крайне незначительное число объектов оставалось неразмытым в нечетком случае.

В частности, когда B=0 таких объектов оставалось 19, а в случае B=7 - только 15.

На основе этих результатов можно сделать вывод, что структура исходного множества объектов не позволяет выделить из него 5 существенно различимых классов. В то же время в соответствии с выдви нутой ранее гипотезой исходное множество содержит 4 строго упорядоченных класса, которые могут быть выделены с помощью вариационного подхода. Однако большое число объектов, размытых между промежуточными классами, свидетельствует о том, что 2-й и 3-й из этих классов достаточно близки друг к другу. Поэтому полученные результаты хорошо согласуются как с классификацией исходного множества на 3 класса, полученной с помощью вариационного подхода, так и с аналогичной классифи кацией, проведенной методом логических матриц.

Другой возможностью выделить объекты, удаленные от центров классов и, как следствие, плохо классифицируемые, является использование для вектор-функции принадлежностей ограничений, поро ждающих классификации с размытыми границами. Для рассматриваемой задачи были построены опти мальные упорядоченные классификации с размытыми границами для случаев, когда параметр a, харак теризующий степень размытости границ, принимает значения 1,1;

1,5 и 2. При этом использовались классификации без фонового класса, а также классификации с фоновым классом, когда пороговый коэффициент B равен 4 или 7.

В таблице 1 приводится число лабораторий, оказавшихся размытыми для построенных оптималь ных классификаций. При этом, под размытыми объектами понимались объекты, чья степень принад лежности к любому из классов не превосходит 0,7;

0,6;

а также 0,5.

Анализ полученных данных показывает согласованность результатов классификаций с размытыми границами с результатами, к которым приводят четкие и размытые ограничения. Наименее размытыми оказываются классификации, проведенные при достаточно больших значениях порогового коэффициен та (в нашем случае B=7). Резкое возрастание числа размытых объектов при B=4, вновь объясняется разбиением 2-го класса на два подмножества и переходом объектов, ранее принадлежавших наилучше му классу, в фоновый кластер.

Таблица Характеристики функционала Пороговое значение размытости объектов Параметр Пороговый коэф- 0,7 0,6 0, размытости фициент фонового границ a класса B 1,1 0 22 19 4 41 38 7 36 26 1,5 0 9 4 4 19 16 7 16 12 2 0 3 1 4 13 10 7 12 9 Все приводившиеся выше результаты получены для структурного ограничения (3), когда центр j-го класса должен просто не уступать по каждой координате центру (j+1)-го класса. Как уже указывалось, оптимальные классификации были также получены для структурного ограничения (4), при котором между центрами должен соблюдаться определенный интервал. Полученные результаты показали, что в этом случае при небольших значениях интервала (0,2;

0,4;

0,6) оптимальные классификации для всех типов размытости очень близки к оптимальным упорядоченным классификациям для структурных ограничений (3). Дальнейшее увеличение величины зазора между центрами классов приводит к более интенсивному "вымыванию" объектов, не слишком близких к какому-либо из центров, в фоновый класс, а также к разбиению на два подмножества 3-го класса. Поскольку центр 3-го класса искусственно, вследствие структурного ограничения, удален от своего обычного положения, то объекты, оставшиеся в 3-м классе, можно рассматривать как подкласс наихудших, тогда как группа объектов, перешедшая в фоновый класс, очевидно лежит "между" 2-м и 3-м классами.

Исходный набор объектов, проанализированный выше, конечно же не исчерпывает все множество допустимых объектов. Таким образом, возникает возможность появления новых, ранее не наблюдав шихся объектов. Данное обстоятельство создает необходимость при проведении классификационного анализа выработки правила отнесения любого возможного объекта к тому или иному классу.

В нашем случае, когда каждый класс характеризуется единственной точкой - центром класса, имен но центры классов определяют вид решающего правила для рассматриваемой задачи. А именно, в слу чае жесткой классификации произвольный объект x должен быть отнесен к тому классу, расстояние до центра которого от данной точки является наименьшим. Аналогично, согласно соответствующим им формулам определяется принадлежность произвольного объекта каждому из классов в случае нечеткой классификации, классификации с размытыми границами и т.п.

В таблице 2 приведены разделяющие функции, т.е. координаты центров классов, для случая, соот ветствующего четкой классификации без фонового класса или с большим значением фонового парамет ра, тогда как в таблице 3 - для случая, к которому приводят классификации с размытыми границами и четкая классификация, когда фоновый параметр равен 4. В таблицах также указаны среднеквадратиче ские разбросы для классов по каждому из исходных критериев. Анализ среднеквадратических разбросов позволяет, наряду с расстоянием между центрами классами по некоторому критерию, оценить степень влияния данного критерия на "расщепление" той или иной пары классов.

Результаты, приведенные в таблицах, показывают, что критерий "Внедрение результатов" не оказы вает никакого влияния на разбиение объектов в обоих случаях.

Таблица критерий координаты центров классов среднеквадратические разбросы класс 1 класс 2 класс 3 класс 1 класс 2 класс 1 1,30 2,69 2,89 0,46 0,62 0, 2 1,30 2,20 2,56 0,46 0,40 0, 3 1,20 2,11 3,06 0,40 0,32 0, 4 1,20 1,94 3,00 0,40 0,23 0, 5 2,50 2,54 2,78 0,67 0,94 0, 6 1,30 2,31 3,00 0,46 0,67 0, Таблица критерий координатыцентров классов среднеквадратические разбросы класс 1 класс 2 класс 3 класс 1 класс 2 класс 1 2,40 3,14 3,33 0,49 0,35 0, 2 2,00 3,00 3,00 0,00 0,00 0, 3 2,07 2,07 3,00 0,30 0,07 0, 4 2,00 2,00 3,00 0,00 0,00 0, 5 2,74 2,74 3,22 0,77 0,45 0, 6 2,10 3,00 3,00 0,54 0,00 0, Последнее полностью согласуется с результатами классификации, полученной посредством метода логических матриц: некоторые из лабораторий, практически не занимающихся внедрением, попали в 1-й класс и, напротив, в 3-ем классе можно обнаружить лаборатории, имеющие наивысшую оценку по "Внедрению". С другой стороны, все остальные критерии оценки являются значимыми для проведенной классификации. Так, при классификации без фонового класса центр 1-го класса существенно отличается от центра 2-го по каждому из критериев за исключением "Внедрения". Что касается разделяющей функ ции другой пары упорядоченных классов - 2-го и 3-го, то здесь, как легко заметить из таблицы, основ ную роль сыграло различие объектов в "Публикационной активности" и соответствующей ей эксперт ной оценке.


В другом случае (когда наилучшие объекты оценки попадают в фоновый класс), создается положе ние, в котором каждый из критериев, не считая "Внедрения", отвечает за разделение лишь одной пары классов. Таким образом, можно вначале выделить объекты 3-го класса, используя лишь критерии "Пуб ликационная активность" и ее экспертная оценка, а на следующем этапе классификационного анализа разделить остальные объекты с помощью критериев, отвечающих за перспективность лаборатории и ее научно-организационную деятельность.

Подводя итог анализу результатов, полученных при классификации лабораторий, можно отметить, что использование вариационного подхода для упорядоченной классификации позволяет проводить более тщательное исследование имеющейся информации. В то же время, результаты применения вариа ционного подхода и применения метода логических матриц содержат много общего, что позволяет в соответствии с [3] говорить об устойчивости результатов обработки: поскольку для получения результа тов были использованы методы, отличающиеся по формальному аппарату.

Литература 1. БАУМАН Е.В., ЧИЖОВ С.А. Нечеткая упорядоченная классификация при анализе данных / Научная конференция МФТИ «Современные проблемы фундаментальной и прикладной физики и математики».

Долгопрудный: МФТИ, 1998. С. 32.

2. ГЛОТОВ В.А., ПАВЕЛЬЕВ В.В. Векторная стратификация. М.: Наука, 1984. – 95 с.

3. ОРЛОВ А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1985. – 296 с.

4. СЕМЕНОВ И.Б., ПАВЕЛЬЕВ В.В., САГАЛОВ Ю.Э. Комплексная система оценки результатов деятельности научных подразделений в Институте проблем управления (автоматики и телемеханики) // Реферативный сборник ЦНИИТЭИприборостроения. 1979. Вып. 10. 56 с.

5. СЕМЕНОВ И.Б., ШНЕЙДЕРМАН М.В. Опыт организации и проведения экспертных оценок науч ных результатов в Институте проблем управления // Приборы и системы управления. 1979. № 9. С. 39 40.

6. СЕМЕНОВ И.Б., ЧИЖОВ С.А., ПОЛЯНСКИЙ С.В. Комплексное оценивание в задачах управления системами социально-экономического типа. Препринт. М.: ИПУ РАН, 1996. – 48 с.

7. ЧИЖОВ С.А., БАУМАН Е.В. Упорядоченная классификация / Международная научно-практическая конференция «Управление большими системами». М.: СИНТЕГ, 1997. С. 242.

8. BAUMAN E.V., CHIZHOV S.A. Ordered clustering / Proceedings of the 13-th International Conference on the Systems Science. Poland, Wroclaw, 1998. Vol. 1. P. 71-75.

Чубаров И. В. Влияние роста цен на изменение оборотного капитала предприятия Введение Рост цен и соответствующее ухудшение покупательной способности денежной единицы ставят пе ред финансовой службой предприятия значительные трудности. В первую очередь это связано с эффек тивным управлением собственным оборотным капиталом. В данной работе рассматривается модель изменения собственного оборотного капитала предприятия в условиях изменяющихся цен на основании которой предлагаются возможные пути уменьшения потерь предприятия вследствие инфляции.

1. Изменение оборотного капитала в условиях роста цен Рассмотрим задачу: каково условие того, что собственный оборотный капитал предприятия (Working Capital, подробнее см. [1]) в реальном выражении (в базовых ценах) не уменьшится вследствие инфляции в процессе его хозяйственной деятельности за рассматриваемый период, т.е. капитал не будет «вымываться» с предприятия?

За базовые цены выберем цены на начало рассматриваемого периода.

Пусть агрегатный индекс цен (темпы инфляции) за период с t0 по t1 составил r%.

Собственный оборотный капитал (СОК) в момент ti:

(1) СОКi = ДЗi + CFi + ТАi - КЗi ;

где ДЗ - краткосрочная дебиторская задолженность, CF - денежные средства, ТА - прочие теку щие активы (материалы, НЗП, готовая продукция), КЗ - краткосрочная дебиторская задолженность.

Собственный оборотный капитал в момент t1 в ценах t0:

СОК (2) СОК' 1 =.

1+ r Изменение СОК за период в ценах t0:

(3) СОК' = СОК' 1 СОК 0.

Условие сохранения (не уменьшения) собственного оборотного капитала предприятия в реальном исчислении за рассматриваемый период:

(4) СОК' 0.

Для получения качественных оценок и упрощения вычислений будем считать, что за рассматри ваемый период не происходило изменение собственного оборотного капитала вследствие инвестиций, получения/погашения долгосрочных займов, изменения уставного капитала и проч., тогда изменение СОК за период:

(5) СОК = СОК 1 СОК 0 = ЧП + А, где ЧП - полученная за период чистая прибыль, А - величина начисленной амортизации.


Используя (2), (3) и (5) получаем:

ЧП + А r СОК (6) СОК' =.

1+ r В частном случае при отсутствии инфляции (r=0) получаем:

(7) СОК' = ЧП + А = СОК.

Изменение собственного оборотного капитала в реальных и номинальных ценах совпадает.

2. Выводы Анализируя полученные соотношения, можно сделать следующие выводы:

1. Реальная стоимость собственного оборотного капитала предприятия уменьшается вследствие инфляции, если значение СОК на начало периода положительно, и увеличивается в обратном случае. В условиях инфляции предприятию становится выгодно уменьшать свой СОК, увеличивая задолжен ность и уменьшая размер текущих активов.

2. Потери СОК в реальном исчислении за период в зависимости от размера начального СОК и темпов инфляции за период выражаются зависимостью r СОК (8) СОК' =, 1+ r которая имеет вид гиперболы (Рисунок 1).

70% потери, % СОК 60% 50% 40% 30% 20% 10% 0% 0% 50% 100% 150% 200% 250% инфляция, % Рисунок 1. Зависимость потерь СОК от темпов инфляции 3. Для сохранения покупательской способности СОК (размера СОК в реальном выражении), пред приятию необходимо получать за период чистую прибыль в размере (9) ЧП r СОК 0 А.

Например, для одного из промышленных предприятий московского региона для сохранения покупа тельской способности своего собственного оборотного капитала при темпах инфляции 50% за период необходимо получать чистую прибыль не менее 10.000. х 50% - 1.000. = 4.000. тыс. руб., что соответ ствует 22,5 % рентабельности производства, - очень оптимистичный показатель для российских производственных предприятий, большинство которых работает на грани убыточности.

Следовательно, при меньшем показателе чистой прибыли за период (9) происходит «вымывание»

капитала с предприятия вследствие инфляции.

4. Для уменьшения величины СОК и увеличению выражения (6) предприятию следует:

- сокращать период оборачиваемости дебиторской задолженности и прочих текущих активов (сырья и материалов, НЗП, готовой продукции);

- по возможности увеличивать период оборачиваемости кредиторской задолженности - рабо тать «в долг»;

- переводить оборотные активы в более стабильные финансовые инструменты, например, ино странную валюту;

- максимально возможно увеличивать размер амортизации: регулярно производить переоценку основных средств и нематериальных активов, использовать ускоренную амортизацию.

Можно поставить и обратную задачу: зная размер прибыли предприятия (например, по бизнес плану реализуемого проекта), размер собственного оборотного капитала и величину амортизации, найти пороговое значение инфляции, при котором реальная величина СОК предприятия будет сохра няться.

Из (6) получаем:

ЧП + А (10) r п =.

СОК Для рассматриваемого предприятия данный показатель составил 26 %.

Литература 1. БРЕЙЛИ Р., МАЙЕРС С. Принципы корпоративных финансов. М.: Олимп - Бизнес, 1997. – 657 с.

2. КОВАЛЕВ В.В., ИРИКОВ В.А. Финансовый менеджмент: компьютерный практикум. М.: Финансы и статистика, 1998.

3. Финансовый менеджмент. М.: Corana Corporation, USAID, РЦП, 1997.

4. Управление финансами предприятия. М.: Материалы информационно-консультационного семинара, 1998.

Ярковой С.В. Модель ценообразования на промышленном предприятии Практически на каждом коммерческом предприятии возникает проблема определения цены на про даваемый товар, услугу и т.д. Поэтому очень важно построить схему ценообразования, которая позволя ла бы определять цену товара в любой момент времени для конкретной сделки.

Рассмотрим подробнее данные критерии:

1. Стратегия. Каждое предприятие имеет свои стратегические цели развития, для достижения которых ему требуются ресурсы.

2. Затраты. Это полные затраты, которые предприятие несет при производстве (закупке) и сбыте про дукции.

3. Конкуренты. Так как большинство предприятий не являются монополистами, необходимо учиты Стратегия Затраты Цена Конкуренты Обязательства Склад Объем (потр. в $) Платежное Срок средство оплаты Иллюстрация 1. Общая схема критериев, влияющих на определение цены вать ограничение по цене, связанное с деятельностью конкурентов.

4. Склад. Этот критерий определяет политику запасов, т.е. изменяя цену, можно на запасы продукции.

5. Обязательства. Потребность предприятия в ресурсах для оплаты кредиторской задолженности, закупки материалов и т.д.

6. Платежное средство. Цена на товар должна меняться в зависимости от вида платежного средства, которым расплачивается покупатель.

7. Срок оплаты. Предприятие может варьировать цену в зависимости от срока платежа, т.е. давать скидки при предоплате и увеличивать цену при отсрочке платежа.

Так выглядит общая схема ценообразования. На практике все выглядит несколько проще.

Большинство предприятий планирует свою деятельность на некоторый период времени (день, неделя, месяц). При этом планируется объем продаж, переменные затраты на выпуск единицы продук ции и накладные расходы, т.е. на плановый период мы можем определить себестоимость продукции.

Будем строить модель, используя следующие предположения:

1. Будем считать, что предприятие производит и продает только один продукт.

2. Предприятие планирует свою деятельность на неделю, при этом планируется себестоимость продук ции и объем продаж.

Сделанные предположения несколько упрощают схему критериев, влияющих на определение цены:

Цена Конкуренты Платежное средство Объем сделки Срок оплаты Иллюстрация 2. Упрощенная схема ценообразования В классической теории ценообразования цена и объем связаны друг с другом так называемой «кривой спроса». Эта зависимость не отражает ряда факторов (вид платежного средства и т.д.), но ее можно использовать для более наглядного представления.

Цена Смах Объем Vпл Иллюстрация 3. Кривая спроса Если предприятие запланировало объем продаж, то целесообразно, пользуясь «кривой спроса», ввести понятие максимальной цены.

Будем называть максимальной (рыночной) ценой Смах ту цену, по которой предприятие может реализо вать за плановый период времени весь плановый объем Vпл продукции при условии расчета «день в день» «живыми» деньгами.

Тогда получаем следующее ограничение для цены (при условии расчета «день в день» «живыми» день гами):

(1) СС Ц Смах, где СС – полная себестоимость единицы продукции;

Ц – цена.

Рассмотрим теперь зависимость цены от срока платежа и вида платежного средства.

При изменении срока платежа цена на данный момент вычисляется как NPV (Net Present Value), т.е.

Ц отср (2) Ц =, где (1 + r ) n Ц – цена на данный момент, Цотср – цена на сегодня с отсрочкой платежа, r – коэффициент дисконтирования, n – количество периодов, на которое производится отсрочка.

(3) Ц отср = Ц * (1 + r ) n Наиболее ликвидными платежными средствами являются деньги и приравненные к ним акти вы. В случае, если оплата производится другими платежными средствами, необходимо рассчитать, какую сумму и в какой срок можно получить, реализовав данный актив. Получается, что цена увеличи вается на коэффициент соотношения ликвидности денег (примем его равным 1) и платежного средст ва, которым производится расчет, а срок конвертации учитывается так же, как и отсрочка плате жа:

(4) Ц плат.ср ва = Ц * (1 + k ) * (1 + r ) m, k 0, где Цплат. ср-ва – цена при расчете неким платежным средством, k - коэффициент ликвидности данного платежного средства, r – коэффициент дисконтирования, m – период конвертации платежного средства в деньги.

Получаем:

(5) Ц по = Ц * (1 + k ) * (1 + r ) n+ m, где Цпо – цена при оплате неким платежным средством с ликвидностью k, временем конвертации m и вре менем отсрочки платежа n, Ц – цена товара при оплате деньгами «день в день».

Разберемся теперь с самой функцией цены Ц. По принятой нами модели, цена является функцией не скольких параметров. Учитывая полученные ограничения, будем искать функцию Ц в виде:

Ц = (СС + f (...)(C max CC )) (6) 0 f (...) где f(…) – функция, в которой заключена зависимость цены от описанных выше критериев, т.е.

Ц = F ( f (...)).

Рассмотрим теперь зависимость цены от отдельных критериев.

(7) f(…) = (1-g (V сд)) 0 g (Vсд) 1, где g (Vсд) – функция от объема сделки Vсд, Объем сделки. Как правило, на предприятии разработана гибкая система скидок в зависимости от объема сделки.

В итоге получаем:

Ц тек = (1 + k ) * (1 + r ) n + m * (CC + (1 g (Vсд )) * (С max СС )) (8) 0k Вид самой функции определяется для каждого предприятия самостоятельно.

Для одной из Российских мебельных фабрик данная функция выглядит следующим образом:

Vсд, при Vсд d*Vпл, V пл (9) g (Vсд) = d p, иначе, p 1, где Vсд – объем сделки, коэффициенты d и p определяются в процессе недельного планирования.

ЛИТЕРАТУРА 1. Отчеты о постановке системы управления финансами на предприятиях ЗАО «РОЭЛ - Аудит», Моск ва 1997-1998.

2. Отчеты о постановке системы управления финансами на предприятиях ЗАО «РОЭЛ - Консалтинг», Москва 1997-1998.



Pages:     | 1 |   ...   | 3 | 4 ||
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.