Экономический анализ 9

Применяются для определения зависимости изменения цены от изменения технико-экономических параметров продукции, относящейся к данному ряду, построения и выравнивания ценностных соотношений:

где Х1, Х2,... Xn — параметры изделия.
Количественная зависимость находится на основе метода регрессионного анализа. При этом могут быть получены различные уравнения регрессии: линейное, степенное, параболическое и т. д.
Если цены на уже включенные в параметрический ряд изделия были получены таким же методом, то использовать данный способ нельзя, так как нарушается одно из условий применения регрессионного анализа, — условие независимости наблюдений.
Тем не менее, данный метод можно применять для прогнозной цены.
В качестве общего вывода по поводу применения параметрических методов следует отметить, что они крайне несовершенны и самостоятельно для формирования цены, как правило, не применяются. Основным недостатком использования данных методов является то, что они учитывают не все потребительские свойства изделий и полностью игнорируют спрос и предложение.

Основные условия применения корреляционно-регрессионного метода

1. Наличие достаточно большой по объему выборочной совокупности.

Считается, что число наблюдений должно превышать более чем в 10 раз число факторов, влияющих на результат.

2. Наличие качественно однородной исследуемой совокупности.

3. Подчинение распределения совокупности по результативному и факторным признакам нормальному закону или близость к нему. Выполнение этого условия обусловлено использованием метода наименьших квадратов (МНК) при расчете параметров корреляции (см. п. 2.1) и некоторых др.

Основные задачи корреляционно-регрессионного анализа

1. Измерение тесноты связи между результативным и факторным

признаком (признаками). В зависимости от количества влияющих на результат факторов задача решается путем вычисления корреляционного отношения, коэффициентов парной, частной, множественной корреляции или детерминации.

2. Оценка параметров уравнения регрессии, выражающего зависимость средних значений результативного признака от значений факторного признака (признаков). Задача решается путем вычисления коэффициентов регрессии.

3. Определение важнейших факторов, влияющих на результативный

признак. Задача решается путем оценки тесноты связи факторов с результатом.

4. Прогнозирование возможных значений результативного признака

при задаваемых значениях факторных признаков. Задача решается путем подстановки ожидаемых значений факторов в регрессионное уравнение и вычисления прогнозируемых значений результата.

2. Методы эконометрики

Эконометрика — наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов и моделей[1]. Термин «эконометрика» состоит из двух частей: «эконо» — от «экономика» и «метрика» — от «измерение». Эконометрика входит в обширное семейство дисциплин, посвященных измерениям и применению статистических методов в различных областях науки и практики. К этому семейству относятся, в частности, биометрия, технометрика, наукометрия, психометрия, хемометрия, квалиметрия. Особняком стоит социометрия — этот термин закрепился за статистическими методами анализа взаимоотношений в малых группах, то есть за небольшой частью такой дисциплины, как статистический анализ в социологии[5].

Нелинейная регрессия

Регрессионный анализ — статистический метод исследования зависимости между зависимой переменной Y и одной или несколькими независимыми переменными X1,X2,...,Xp. При этом терминология зависимых и независимых переменных отражает лишь математическую зависимость переменных, а не причинно-следственные отношения. Для адекватного описания сложных внутренне неоднородных экономических процессов, как правило, применяются системы эконометрических уравнений. В более простых случаях можно использовать и простые изолированные уравнения[16].

Временной ряд

Анализ временных рядов — совокупность математико-статистических методов анализа, предназначенных для выявления структуры временных рядов и для их прогноза. Выявление структуры временного ряда необходимо для того, чтобы построить математическую модель того явления, которое является источником анализируемого временного ряда. Прогноз будущих значений временного ряда используется при принятии решений[17]. Прогнозирование также интересно тем, что оно рационализирует существование анализа временных рядов отдельно от экономической теории[18].

Как правило, при прогнозировании исходят из некоторой заданной параметрической модели. При этом используются стандартные методы параметрического оценивания (МНК, ММП, метод моментов). С другой стороны, достаточно разработаны методы непараметрического оценивания для нечетко заданных моделей[19].

Панельные данные представляют собой прослеженные во времени пространственные микроэкономические выборки, т.е. они состоят из наблюдений одних и тех же экономических единиц, которые осуществляются в последовательные периоды времени. Панельные данные насчитывают три измерения: признаки — объекты — время. Их использование дает ряд существенных преимуществ при оценке параметров регрессионных зависимостей, так как они позволяют проводить как анализ временных рядов, так и анализ пространственных выборок. С помощью подобных данных изучают бедность, безработицу, преступность, а также оценивают результативность государственных программ в области социальной политики[20].

Математическое программирование (оптимальное программирование) — область прикладной математики, объединяющая различные математические методы и дисциплины: линейное программирование, нелинейное программирование, динамическое программирование, выпуклое программирование и др. Общая задача математического программирования состоит в нахождении оптимального (максимального или минимального) значения целевой функции, причем значения переменных должны принадлежать некоторой

области допустимых значений. В самом общем виде эта задача записывается так:

где— совокупность управляющих воздействий; М — область допустимых значений переменных; G — целевая функция.

Названные выше разнообразные дисциплины отличаются Друг от друга видом целевой функции G(m) и области М. Например, если G(m) и М — линейны, имеем задачу линейного программирования; если же дополнительно ставится условие, чтобы переменные были целочисленны — задача целочисленного программирования; если зависимость (т. е. форма G(m)) носит нелинейный характер — задача нелинейного программирования и т. д.

Проблематика оптимизации решений имеет давнюю историю и восходит к задачам поиска экстремума в математическом анализе и вариационном исчислении.

4.Теория игр

Теория игр, раздел математики, предметом которого является анализ принятия оптимальных решений в условиях конфликта. Возникнув из задач классической теории вероятностей, теория игр превратилась в самостоятельный раздел в 1945–1955. Таким образом, теория игр – один из новейших разделов математики. Наиболее полное изложение идей и методов теории игр впервые появилось в 1944 в труде Теория игр и экономическое поведение (Theory of Games and Economic Behavior) математика Дж.фон Неймана (1903–1957) и экономиста О.Моргенштерна (1902–1977). Фон Нейман опубликовал несколько работ по теории игр в 1928 и 1935; другим предшественником теории игр по праву считается французский математик Э.Борель (1871–1956). Некоторые фундаментальные идеи были независимо предложены А.Вальдом (1902–1950), заложившим основы нового подхода к статистической теории принятия решений.

Первые приложения теория игр нашла в математической статистике и в решении некоторых возникших во время второй мировой войны военных проблем специального характера. Ее использовали как плодотворный источник теоретических моделей в экономике и социологии. Методы теории игр используются также в теории операций и в линейном программировании.

ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ

Математическое понятие игры необычайно широко. Оно включает в себя и т.н. салонные игры (в том числе шахматы, шашки, го, карточные игры, домино), а может использоваться и для описания моделей экономической системы с многочисленными конкурирующими друг с другом покупателями и продавцами, для обсуждения статистических проблем, возникающих при непрерывном контроле производственного процесса, а также для решения военных задач, например, при определении оптимальных маневров подводной лодки, преследуемой обнаружившим ее надводным кораблем противника.

Не вдаваясь в детали, игру в общих чертах можно определить как ситуацию, в которой одно или несколько лиц («игроков») совместно управляют некоторым множеством переменных и каждый игрок, принимая решения, должен учитывать действия всей группы, «платеж», приходящийся на долю каждого игрока, определяется не только его собственными действиями, но и действиями других членов группы. Некоторые из «ходов», или индивидуальных действий, в ходе игры могут носить случайный характер. Наглядной иллюстрацией может служить известная игра в покер: начальная сдача карт представляет собой случайный ход, последовательность ставок и контрставок, предшествующая финальному сравнению взяток, образована остальными ходами в игре.

Платежом называется сумма очков, получаемая игроком по окончании партии. Величина платежа зависит от исхода случайных ходов в игре и от индивидуальных выборов каждого игрока при последующих ходах. Платеж обычно принято выражать числом очков или денежной суммой; положительный платеж означает выигрыш игрока, отрицательный – проигрыш. Предполагается, что каждый игрок стремится максимально увеличить свой выигрыш.

«Наиболее разумные» стратегии в игре называются решениями этой игры. Основой проблематики теории игр как математической дисциплины, является изучение связей между условиями игры и ее решениями. Основными вопросами в каждой игре являются следующие: «Что такое решение данной игры?», «Существуют ли решения данной игры?», «Каково решение данной игры и как его найти?». Удовлетворительное понятие решения было выработано для важного класса игр с числом игроков не более двух. Для игр более общего типа используется ряд критериев, позволяющих получать «оптимальные решения», удовлетворяющие некоторым интуитивно правдоподобным требованиям; однако в настоящее время ни одно из таких решений нельзя считать вполне удовлетворительными.

5. Теория массового обслуживания

Массового обслуживания теория, математическая дисциплина, изучающая системы, предназначенные для обслуживания массового потока требований случайного характера (случайными могут быть как моменты появления требований, так и затраты времени на их обслуживание). Типичным примером объектов М. о. т. могут служить автоматические телефонные станции, на которые случайным образом поступают «требования» — вызовы абонентов, а «обслуживание» состоит в соединении абонентов с другими абонентами, поддержании связи во время разговора и т. д. Целью развиваемых в М. о. т. методов является, в конечном счёте, отыскание разумной организации обслуживания, обеспечивающей заданное его качество. С этой точки зрения М. о. т. рассматривают как часть операций исследования.

  М. о. т. широко использует аппарат теории вероятностей и (в меньшей степени) математической статистики. Задачи М. о. т., сформулированные математически, обычно сводятся к изучению специального типа случайных процессов. Исходя из заданных вероятностных характеристик поступающего потока вызовов и продолжительности обслуживания и учитывая схему системы обслуживания (наличие отказов или очередей и т. п., см. также Очередей теория), М. о. т. определяет соответствующие характеристики качества обслуживания (вероятность отказа, среднее время ожидания начала обслуживания, среднее время простоя линий связи и т. д.). В ряде более простых случаев это определение возможно аналитическими методами, в более сложных случаях приходится прибегать к моделированию соответствующих случайных процессов по Монте-Карло методу.

  Становление М. о. т. было вызвано интересом к математическим задачам, возникающим в организации телефонных сетей, датского инженера А. К. Эрланга, первые публикации которого относятся к 20-м годам 20 века. М. о. т. получила дальнейшее развитие в 40—50-х годах в работах К. Пальма (Швеция), Ф. Поллачека (Франция), А. Я. Хинчина (СССР). Последнему принадлежит сам термин «М. о. т.». Эти работы были продолжены советским математиком Б. В. Гнеденко и другими. Развитие М. о. т. в значительной мере стимулируется расширением круга её применений. Являясь формально частью теории случайных процессов, М. о. т. выделилась в самостоятельную область исследований со своим кругом задач и методов их решения и в свою очередь стимулирует развитие теории случайных процессов.

6. Модель Уилсона

Математические модели управления запасами (УЗ) позволяют найти оптимальный уровень запасов некоторого товара, минимизирующий суммарные затраты на покупку, оформление и доставку заказа, хранение товара, а также убытки от его дефицита. Модель Уилсона является простейшей моделью УЗ и описывает ситуацию закупки продукции у внешнего поставщика, которая характеризуется следующими допущениями:

интенсивность потребления является априорно известной и постоянной величиной;

заказ доставляется со склада, на котором хранится ранее произведенный товар;

время поставки заказа является известной и постоянной величиной;

каждый заказ поставляется в виде одной партии;

затраты на осуществление заказа не зависят от размера заказа;

затраты на хранение запаса пропорциональны его размеру;

отсутствие запаса (дефицит) является недопустимым.

Входные параметры модели Уилсона

1)    – интенсивность (скорость) потребления запаса, [ед.тов./ед.t];

2)   s – затраты на хранение запаса, [];

3)   K – затраты на осуществление заказа, включающие оформление и доставку заказа, [руб.];

4)  – время доставки заказа, [ед.t].

Выходные параметры модели Уилсона

1) Q – размер заказа, [ед.тов.];

2)     L – общие затраты на управление запасами в единицу времени, [руб./ед.t];

3)  – период поставки, т.е. время между подачами заказа или между поставками, [ед.t];

4)  – точка заказа, т.е.размер запаса на складе, при котором надо подавать заказ на доставку очередной партии, [ед.тов.].

Циклы изменения уровня запаса в модели Уилсона графически представлены на рис.11.1. Максимальное количество продукции, которая находится в запасе, совпадает с размером заказа Q.

Рис.11.1. График циклов изменения запасов в модели Уилсона

где  – оптимальный размер заказа в модели Уилсона;

;

;

.