Наталия Климова - Экономический анализ

Алгоритм расчета:

1. Для расчета влияния первого фактора необходимо плановую (базисную) величину результативного показателя умножить на относительный прирост первого фактора, выраженного в процентах, и результат разделить на 100 %.

Изменение выручки за счет количества проданной продукции (ДТПк):

ΔТП к= (ТП плх ΔК%)/100 %;

ΔК% = (К ф – К пл)/К плх 100 %.

2. Чтобы рассчитать влияние второго фактора, необходимо к плановой величине результативного фактора прибавить изменение результативного показателя за счет первого фактора и затем полученную сумму умножить на относительный прирост второго фактора в процентах и результат разделить на 100 %.

Изменение выручки за счет цены реализации (ΔТП ц):

ΔТП ц= (ТП пл+ ΔТП к) х ΔЦ%/100 %;

ΔЦ% = (Ц ф-Ц пл)/Ц плх100 %.

3. Влияние третьего, четвертого и т. д. факторов (при их наличии) определяется аналогично второму этапу с добавлением в сумму изменения результата за счет влияния второго, третьего и т. д. факторов.

4. Проверка расчетов:

ΔТП к+ ΔТП ц= ΔТП общ

Недостаток предыдущих методов состоит в том, что научно-технические факторы интенсификации производства не могут быть включены в модель прямых связей, а следовательно, их недоучет приведет к занижению или завышению отдельных результатов.

Вторым недостатком является зависимость результатов расчетов от того, насколько логически и экономически правильно составлена формула и, следовательно, могут быть сформулированы различные выводы.

Поэтому, прежде чем приступить к расчетам, необходимо:

• выявить четкую взаимосвязь между изучаемыми показателями (явлениями);

• разграничить количественные и качественные показатели;

• правильно определить последовательность подстановок в тех случаях, когда имеется несколько количественных и качественных показателей.

Интегральный метод имеет преимущества, заключающиеся в получении более точных результатов расчета влияния факторов по сравнению с другими методами и исключения неоднородной оценки влияния факторов. Это является следствием того, что результаты расчетов не зависят от местоположения факторов в модели, а дополнительный прирост результативного показателя, который образовался от взаимодействия факторов, раскладывается между ними пропорционально изолированному их воздействию на результативный показатель.

Интегральный метод применяется в мультипликативных, кратных и смешанных моделях с использованием для каждой из них определенных формул.

1. Для двухфакторных мультипликативных моделей.

Пример: ТП = К х Ц.

Расчет изменения выручки за счет:

• количества проданной продукции (ΔТП к):

ΔТП к=1/2К х (Ц пл+ Ц ф);

• цены реализации (ΔТП ц):

ΔТП ц=1/2Ц х (К пл+ К ф).

2. Для кратной двухфакторной модели: А = В/С.

ΔА общ= А ф – А пл;

Способ логарифмирования применяется для измерения влияния факторов в мультипликативных моделях. При логарифмировании используются не абсолютные приросты результативных показателей, а индексы их роста или снижения. Общий прирост результативного показателя распределяется по факторам пропорционально отношениям логарифмов факторных индексов к логарифму индекса результативного показателя.

Способ пропорционального деления используется для аддитивных и кратно-аддитивных моделей.

Алгоритм расчета количественного влияния исследуемого фактора на изменение результативного показателя для аддитивной модели:

• абсолютное изменение результативного показателя делится на сумму абсолютных изменений всех факторов;

• полученный результат умножается на абсолютное отклонение исследуемого фактора.

Пример: Y = х 1 + х 2 + х 3.

Изменение Yза счет фактора х 1 :

ΔYх 1= ΔY общ/(Δх 1+ Δх 2+ Δх 3) × Δх 1.

Изменение Y за счет фактора х 2 :

ΔYх 2= ΔY общ/(Δх 1+ Δх 2+ Δх 3) × Δх 2.

Изменение Y за счет факторах,

ΔYх 3= ΔY общ/(Δх 1+ Δх 2+ Δх 3) × Δх 3.

Сумма влияния факторов должна быть равна общему изменению результативного показателя.

Метод корреляционно-регрессионного анализа позволяет определить изменение результативного показателя под воздействием одного или нескольких факторов, т. е. определить, на сколько единиц изменяется величина результативного показателя при изменение факторного на единицу, а также позволяет установить относительную степень зависимости результативного показателя от каждого фактора. Корреляционная зависимость проявляется лишь в среднем (как среднее значение) и только в массе наблюдений.

Множественная корреляционная модель имеет вид:

y = а 0+ а 1х 1+ а 2х 2+ а 3х 3+ … + а nх n,

где у – результативный показатель; a Q – свободный член уравнения; а 1,2,3 и т.д. аргументы, показывающие, на сколько изменится результат при увеличении соответствующему ему х на единицу; x 1,2,3 и т. д.– факторы, воздействующие на результативный показатель.

Многофакторный корреляционный анализ состоит из нескольких этапов.

На первом этапе определяются факторы, которые оказывают влияние на изучаемый показатель, и отбираются наиболее существенные для корреляционного анализа.

На втором этапе собирается и оценивается исходная информация, необходимая для корреляционного анализа.

На третьем этапе изучается характер и моделируется связь между факторами и результативным показателем, т. е. подбирается и обосновывается математическое уравнение, которое наиболее точно выражает сущность исследуемой зависимости.

На четвертом, этапе проводится расчет основных показателей связи корреляционного анализа.

На пятом этапе статистически оцениваются результаты корреляционного анализа и практическое их применение.

В последние годы наибольшую актуальность в практической деятельности приобрел такой метод изучения многомерных статистических совокупностей, как кластерный анализ, содержание которого было впервые раскрыто в 1939 г. исследователем Трионом.

Сущность кластерного анализа заключается в разбиении множества изучаемых объектов и признаков на однородные группы или кластеры. Достоинство данного метода в том, что он позволяет подразделять объекты не по одному параметру, а по целому ряду признаков и в отличие от большинства математико-статистических методов не накладывает никаких ограничений на рассматриваемые объекты.

Кластерный анализ позволяет рассматривать достаточно большой объем информации, сжимать массивы социально-экономической информации, делать их компактными и наглядными. Однако состав и количество кластеров зависят от выбираемых критериев разбиения. В то же время могут теряться индивидуальные черты отдельных объектов за счет замены их характеристиками обобщенных значений параметра кластера. Это следует отнести к недостатку кластерного анализа.