Пример.
Требуется определить влияние на объем продаж (V) трудовых факторов по следующей формуле:
V=Ч*Д*t*B, (4.1)
где Ч — среднесписочное число рабочих;
Д — среднее число дней, отработанных одним рабочим за день;
t — среднее число часов, отработанных одним рабочим за день;
В — средняя выработка продукции на один отработанный человеко-день.
Следовательно, объем продаж равен произведению четырех факторов.
Исходные данные приведены в табл. 4.2.
Таблица 4.2.
Исходные данные для определения влияния трудовых факторов на объем продаж
Факторы и функция |
План |
Факт |
1. Объем продаж (V), тыс $ 2. Среднесписочное число рабочих (Ч) 3. Среднее число часов, отработанных рабочим в год (Д) 4. Среднее число часов, отработанных одним рабочим в день (t) 5. Средняя выработка продукции на отработанный человеко-час (В) |
2803,8 900 301 6,9 1,5 |
3155,2 1000 290 6,8 1,6 |
План продаж перевыполнен на 351,4 тыс. $ (3155,2 - 2803,8). Для того, чтобы определить, каким образом влияли на функцию (V) различные факторы, сделаем следующие расчеты.
Первый расчет
Все показатели плановые
900 • 301 • 6,9 • 1,5 = 2803,8 тыс.$
Второй расчет
Среднесписочное число рабочих фактическое, а остальные показатели плановые
1000-301-6,9 .1,5 =3115,4 тыс.$.
Третий расчет
Число рабочих и число отработанных ими дней фактические, а остальные показатели плановые
1000 • 290 • 6,9 • 1,5 = 3001,5 тыс.$.
Четвертый расчет
Число рабочих, число отработанных дней и часов фактические, а выработка плановая
1000 • 290 • 6,8 • 1,5 = 2958,0 тыс. $.
Пятый расчет
Все показатели фактические
1000-290-6,8-1,6=3155,2 тыс.$. Далее сделаем анализ влияния факторов на объем продаж.
Отклонение фактического объема продаж от планового произошло за счет влияния следующих факторов:
1) увеличения количества рабочих определяется путем вычитания из второго расчета первого
3115,4 - 2803,8 = +311,6 тыс. $;
2) уменьшения числа отработанных дней - из третьего вычитается второй результат
3001,5 - 3115,4 = -113,9 тыс. $;
3) уменьшения средней продолжительности рабочего дня - из четвертого вычитается третий
2958,0 - 3001, 5 = -43,5 тыс. $;
4) повышения средней часовой выработки 3155,2 - 2958,0 = +197,2 тыс. $.
Общее отклонение 3155,2 - 2803,8 = +351,4 тыс. $. Или 311,6 - 113,9 - 43,5 + 197,2 = +351,4.
При использовании МЦП очень важно обеспечить строгую последовательность подстановки: сначала выявляется влияние количественных показателей, а потом - качественных. К качественным относятся, например, выработка, производительность труда, цена.
Факторный анализ — это процедура установления силы влияния факторов на функцию или результативный признак (полезный эффект машины.элементы совокупных затрат, производительности труда и т.д.) с целью ранжирования факторов для разработки плана организационно-технических мероприятий по улучшению функции.
Применение методов факторного анализа требует большой подготовительной работы и трудоемких по установлению моделей расчетов. Поэтому без ЭВМ не рекомендуется применять методы корреляционного и регрессионного анализа, главных компонент. К тому же в настоящее время для ЭВМ различных классов имеются стандартные программы по этим методам. В свою очередь пользоваться установленными с помощью ЭВМ моделями очень просто.
На подготовительной стадии факторного анализа большое внимание следует уделять качеству матрицы исходных данных для ЭВМ. С этой целью сначала рекомендуется на основе логического анализа определять группы факторов, влияющих на исследуемую функцию.
К исходным данным предъявляются следующие требования:
а) в объем выборки должны включаться данные только по однородной совокупности объектов анализа, т.е. одного назначения и класса, используемых (изготавливаемых, функционирующих) в аналогичных условиях по характеру и типу производства, режиму работы, географическому району и т.д. В том случае, когда необходимо увеличить размер матрицы, исходные данные отдельных объектов могут быть приведены в сравнимый вид с большинством объектов по отличающимся признакам путем умножения их на корректирующие, коэффициенты;
б) период динамического ряда исходных данных должен быть небольшим, но, по возможности, одинаковым для всех объектов. Устойчивый период упреждения (зона прогноза) обычно в два и более раза меньше периода динамического ряда. Например, по данным за 1985-1995гг. можно разработать прогноз до 2000г., а в последующие годы по фактическим данным модель должна обновляться (уточняться);
в) исходные данные должны быть качественно однородными, с небольшими интервалами между собой;
г) следует применять одинаковые методы или источники формирования данных. Если динамический ряд имеет крупные структурные сдвиги (например из-за изменения цен, ассортимента выпускаемой продукции, программы ее выпуска и т.д.), то все данные должны быть приведены в сравнимый вид или одинаковые условия;
д) отдельные исходные данные должны быть независимы от предыдущих и последующих наблюдений.
Например, наблюдение не должно определяться расчетным путем по предыдущему наблюдению.
Основные параметры корреляционно-регрессионного анализа в связи с их сложностью не приводятся, поскольку все расчеты предполагается выполнять на ЭВМ по стандартной программе. Конечные результаты расчета выдаются на печать (табл. 4.3).
Факторный анализ следует проводить в следующей последовательности:
1. Обоснование объекта анализа, постановка цели.
2. Сбор исходных данных и их уточнение в соответствии с ранее описанными требованиями.
Основные параметры корреляционно- регрессионного анализа.
Назначение параметра |
Обозначение |
Что характеризует параметр и для чего применяется |
Оптимальное значение параметра |
1 |
2 |
3 |
4 |
1. Объем выработки |
м |
Количество данных по фактору (размер матрицы по вертикали). Применяется для установления тенденций изменения фактора |
Не менее чем в 3-5 раз больше количества факторов (Nxi) |
2. Коэффициент вариации |
Vi |
Уровень отклонения значений факторов от средней анализируемой совокупности |
Меньше 33% |
3. Коэффициент парной корреляции |
Rxy |
Тесноту связи между i-м фактором и функцией. Применяется для отбора факторов |
Больше 0,1 |
4. Коэффициент частной корреляции |
Rxx |
Тесноту связи между факторами. Применяется для отбора факторов |
Чем меньше, тем лучше модель |
5. Коэффициент множественной корреляции |
R |
Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели |
Больше 0,7 |
6. Коэффициент множественной детерминации |
D |
Долю влияния на функцию включенных в модель факторов. Равен квадрату коэффициента множественной корреляции |
Больше 0,5 |
7. Коэффициент асиметрии |
A |
Степень отклонения фактического распределения случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения |
Метод наименьших квадратов может применяться при А меньше трёх |
8. Коэффициент эксцесса |
E |
Плосковершинность случайных наблюдений от нормального по центру распределения. Применяется для проверки нормальности распределения функции |
Е должен быть меньше трёх |
9. Критерий Фишера |
F |
Математический критерий характеризующий значимость уравнения регрессии. Применяется для выбора модели |
F должен быть больше табличного значения, установленного для различных размеров матрицы и вероятностей |
10. Критерий Стьюдента |
t |
Существенность факторов, входящих в модель. Применяется для выбора модели |
Больше 2 (при вероятности, равной 0,95 |
11. Среднеквадратическая ошибка коэффициентов регрессии |
ai |
Точность полученных коэффициентов регрессии. Применяется для оценки коэффициентов регрессии |
В 2 и более раза меньше соответствующего коэффициента регрессии |
12. Ошибка аппроксимации |
E |
Допуск прогноза или степень несоответствия эмпирической зависимости теоретической. Применяется для оценки адекватности (точности) модели |
Меньше +-15% |
13. Коэффициент эластичности |
Эi |
Показывает, на сколько процентов изменяется функция при изменении соответствующего фактора на 1%. Применяется для ранжирования факторов по их значимости |
Больше 0,01 |