Бизнес-ситуация. 2 страница

Для проверки большей значимости отрицательных моментов в анализируемой стратегии пользуются формулой

,

где f ₁ = 2(k⁺ + 1)и f ₂ = 2 k^- интерпретируются как числа степеней свободы для статистики Фишера F.

Еще раз отметим, что SWOT-анализ не дает прямых рекомендаций для формулирования целей и построения стратегии. Лучший вариант использования технологии SWOT - применять ее для генерации вариантов стратегии фирмы с целью последующего анализа (или, как часто шутят, применять тогда, когда маловато идей).

4.5. Прогнозирование развития и определение целевых показателей стратегического плана

4.5.1. Информационное обеспечение анализа разрыва

Изложенная в 4.4 процедура снижения неопределенности среды предприятия в SWOT-анализе позволяет повысить вероятность успеха стратегии. Очередным шагом в разработке стратегии становится сравнение намеченных фирмой ориентиров и реальных воз­можностей, предлагаемых средой, иначе говоря, анализ разрыва между ними.

Анализ разрыва — простой, но эффективный метод стратегиче­ского анализа. Его цель — определить, существует ли разрыв меж­ду целями фирмы и ее возможностями и, если да, установить, как его «заполнить» (рис. 4.7).

Целевой

показатель

Время

Рис. 4.7. Схема анализа разрыва

Конкретное применение метода «анализ разрыва» означает следующее:

· определение и перевод основных целей фирмы в тер­мины стратегического планирования (например, в объемы увеличения продаж);

· выяснение реальных потенций фирмы в отношении этих целей с точки зрения текущего состояния и предполагаемого будущего;

· формирование конкретных показателей стратегического плана, соответствующих выдвинутым целям;

· установление разницы между показателями стратегического плана и современным положением фирмы;

· разработка специальных мер, необходимых для заполнения разрыва.

Строго говоря, из этих шагов (рекомендуемых ведущими специалистами в теории стратегического менеджмента) к анализу следует отнести только второй и четвертый, ибо остальные никак не соответствуют научной трактовке термина «анализ». Поэтому здесь мы рассмотрим только информационное обеспечение стратегического менеджмента при оценке будущих потенций предприятия и возможностей, открывающихся во внешней среде.

Для определенности остановимся на порядке анализа разрыва по показателю «степень соответствия запросам потребителя», обозначаемому нами как Y, предполагая, что стратегия предприятия эффективна, если доля его продукции, соответствующей запросам потребителя, не ниже, чем у ведущего конкурента.

В этом случае можно предполагать, что для повышения конкурентоспособности предприятия степень соответствия должна монотонно возрастать. Провести первый шаг анализа разрыва в рамках такого допущения означает выявить потенции предприятия в будущем и сравнить их с потенциями конкурента.

Потенции предприятия концентрировано выражаются в его производственном плане, показатели которого определяются на основе прогноза. Как отмечалось в первых главах данного пособия, в силу достаточной детерминированности внутренней среды предприятия инструментом такого прогноза может служить генетический подход. В таком случае задача сводится к выявлению во внутренней среде общих тенденций на фоне кратковременных отклонений, т. е. тренда, и использованию этой модели путем экстраполяции для определения значений целевого показателя в будущем. При достаточной стабильности экономики в целом этот вывод можно распространять и на конкурентов предприятия. Таким образом, первый этап анализа разрыва может представлять собой сравнение целевых показателей предприятия и его конкурентов на трендовых моделях.

Построение трендовых моделей достаточно традиционно в производственном планировании. Однако обоснование такого подхода в большинстве случаев не проводится, что приводит к существенным ошибкам и порождает недоверие к формальным методам прогноза в целом и анализу разрыва в частности. Между тем, только такое обоснование (тем более необходимое в отношении внешней среды) может служить аргументом при выборе стратегической альтернативы.

Анализ разрыва следует проводить по упорядоченным во времени целевым показателям, т. е. по временным рядам, и начинать с установления допустимости генетического подхода.

Для этого временной ряд полученных в прошлом значений целевого показателя Y следует разбить на две примерно равные группы объемами n ₁и n ₂ и для каждой из них вычислить выборочное среднее и дисперсию. Затем необходимо проверить гипотезу о равенстве дисперсий по критерию Фишера. Фактически это означает проверку близости условий функционирования фирмы в различные периоды времени и допустимости генетического подхода в прогнозировании и анализе разрыва.

Если рассчитанное значение

при ,

или

при ,

меньше табличного , где - заданный уровень значимости (как правило, 0,05), то гипотезу о равенстве дисперсий (о близости условий) принимают и переходят к следующему шагу, заключающемуся в проверке гипотезы о наличии тренда с использованием t -критерия Стьюдента.

Если близость условий для формирования целевого показателя подтверждена, то временной ряд можно моделировать как процесс y _t, представляющий собой сумму следующих составляющих:

· тренд u_t, как отражение возможной тенденции во внутренней среде предприятия или в поведении конкурентов;

· циклическая или сезонная компонента v_t, как отражение периодичности в изменениях показателя;

· случайная компонента e _t, как отражение влияния на предприятие (элемент организационной среды) не учитываемых в модели факторов.

Для выявления тренда определяют расчетное значение критерия Стьюдента, т.е. отвечающее данным выборки, по формуле

, (4.20)

где

, - средние по выделенным группам значений целевого показателя Y;

- среднеквадратическое отклонение для разности средних, вычисляемое по соотношению

.

Если расчетное значение t больше табличного значения статистики Стьюдента с уровнем значимости =0,05, то существование тенденции в ряду значений целевого показателя считается доказанным.

Если проверка по разности в средних не позволяет сделать статистически значимый вывод о существовании тенденции, следует использовать критерий на дрейф Нойманна. При этом по соседним уровням временного ряда из n наблюдений рассчитывают величину

(4.21)

и сравнивают со значением D (P,n) критерия Нойманна (табл. 4.16), отвечающем доверительной вероятности Р. Нуль-гипотеза, т. е. гипотеза об отсутствии различий, отклоняется, если D лежит ниже табличного значения для доверительной вероятности Р =0,95. Отклонение нуль-гипотезы подтверждает наличие тренда во временном ряду, т. е. тенденции в изучаемом показателе деятельности предприятия (развития внешней среды).

В экспресс-анализе вместо таблиц Нойманна в области 10 < n < 30 можно использовать соотношение:

D (P =0,95 ;n) 0,02 n + 0,88. (4.22)

Очередным шагом, снижающим неопределенность прогноза в анализе разрыва по трендовым моделям, является доказательство отсутствия сезонных (циклических) колебаний и автокорреляции во временном ряду либо их адекватный учет.

Таблица 4.16

Критические значения критерия Нойманна

N	P = 0,95	P = 0,99
	0,78	0,59
	0,82	0,42
	0,89	0,36
	0,98	0,40
	1,06	0,48
	1,13	0,56
	1,18	0,62
	1,23	0,68
	1,27	0,74
	1,30	0,79
	1,37	0,88
	1,41	0,96
	1,49	1,08

Для установления цикличности можно использовать графические методы или метод последовательных разностей. Последний заключается в расчете первых разностей в предположении линейного тренда и вторых разностей для параболического тренда с последующим установлением наличия тенденции в их (разностей) изменении.

Предварительный анализ данных может привести к выбору степенной у = Аt^b, экспоненциальной у = Аb^t или гиперболической у = А / t зависимости. Тогда в целях упрощения расчетов и возможности их использования в анализе разрыва необходима предварительная линеаризация моделей. Степенная и экспоненциальная зависимости линеаризуются путем логарифмирования обеих частей уравнения:

а гиперболическая - заменой переменной z = 1/ t.

Если определенная тенденция присутствует (а это можно установить по рассмотренным выше критериям), то в дальнейшем трендовую модель у_t для целевого показателя строят по первым разностям.

При проведении экспресс-анализа в условиях производства использование вышеназванных методов нецелесообразно, во-первых, в силу их громоздкости, во-вторых, потому, что точность прогноза от этого не возрастает. Поэтому при наличии цикличности трендовую модель необходимо строить не в аддитивном представлении, а в мультипликативном виде

, (4.23)

где I – постоянная пропорциональности, называемая индексом сезонности. Ее определяют по m принятым к рассмотрению циклам следующим образом:

,

где

и .

После того, как установлено отсутствие сезонной (циклической) составляющей в целевом показателе или она отфильтрована от тренда при анализе избираемой модели, переходят к выявлению автокорреляции во временном ряду.

Численной характеристикой автокорреляции является автокорреляционная функция, представляющая собой последовательность коэффициентов, рассчитываемых по зависимости

(4.24)

где

- порядок коэффициента автокорреляции, равный сдвигу во времени по уровням ряда;

- средний уровень временного ряда.

В практике стратегического менеджмента на промышленном предприятии достаточным оказывается проверки зависимости соседних, отстоящих на один период (обычно год), уровней временного ряда. Осуществляется это путем оценки автокорреляции в тестируемой трендовой модели по остаточной последовательности e _t. При этом используют d -критерий Дарбина – Уотсона, рассчитывая величину

,

где величина e_t (e_{t - 1}), в свою очередь, рассчитывается по формуле

,

а y_t и Y_t – уровни с номером t модельного и исходного временных рядов соответственно.

Рассчитанное значение d -критерия сравнивают с критическими значениями статистики Дарбина – Уотсона, составленной для различного числа уровней n. Если расчетное значение больше верхнего табличного значения, то принимается гипотеза об отсутствии автокорреляции, т. е. о независимости соседних уровней временного ряда. Это, в свою очередь, дает основание для продолжения процедуры обоснования приемлемости трендовой модели для прогноза.

Приемлемость трендовой модели предполагает не только отсутствие автокорреляции в остаточной последовательности, но и положительные ответы на вопросы о правильности избранного вида тренда и о подчиненности случайной составляющей закону нормального распределения с нулевым математическим ожиданием. Поэтому на очередном шаге методики, используя ряд, составленный из величин e_t, рассчитывают его асимметрию А и эксцесс Е. Гипотеза о нормальном характере распределения случайной составляющей принимается при одновременном выполнении следующих неравенств:

,

где

Завершают проверку приемлемости трендовой модели для прогноза расчетом среднего арифметического значения остаточной последовательности и проверкой гипотезы о равенстве ее математического ожидания нулю. При этом рассчитывается экспериментальное значение t - статистики:

,

где

e_t – среднее арифметическое значение уровней остаточной последовательности;

s _e – стандартное отклонение для этой последовательности.

Если полученное значение t оказывается меньшим, чем критическое значение критерия Стъюдента для уровня значимости =0,05, то гипотеза о равенстве нулю математического ожидания случайной составляющей принимается и трендовая модель приемлема для прогноза в анализе разрыва.

При невозможности построить трендовую модель в анализе разрыва необходимо прибегать к экспоненциальному сглаживанию. В этом случае прогнозное значение целевого показателя определяют по методу Брауна в рамках моделей адаптивного прогнозирования. Эти модели исходят из соотношения

(4.25)

где F₀ – текущий прогноз; F₁ – прогноз, сделанный один период времени назад, по отношению к текущему периоду; D₁ – последнее наблюдение, S – сглаживающая константа, лежащая между 0 и 1.

Поскольку F₁ могло быть получено таким же образом, что и F₀, а F₂, так же, как F₁, то для предыдущих прогнозов можно воспользоваться теми же рассуждениями, что позволяет нам представить F₀ в виде

(4.26)

Таким образом, новый прогноз оказывается взвешенным средним всех наблюдений, но с весом, уменьшающимся на постоянный множитель по мере того, как наблюдения становятся все более отдаленными.

Подходящий интервал во временном ряду для построения очередного прогноза следует подбирать экспериментальным путем в ходе предварительного исследования, выбирая в качестве стартового значения n = 20 и полагая S = 2 / (n+ 1) при F_n = D_n.

Предложенная методика является универсальной для снижения неопределенности будущих состояний среды предприятия при формировании стратегии бизнеса.

4.5.2. Кривая опыта и выбор шагов стратегии во внутренней среде

Второй шаг в анализе разрыва — установление разницы между наиболее высокими ожиданиями руководства и самыми скромными прогнозами. Например, если высшее руководство рассчитывает на доходность вложенного капитала в 20 %, а прогноз показывает, что реально достичь 15 %, то требуется обсуждение и принятие мер по заполнению разрыва в 5 %. Такое заполнение возможно либо за счет экономии на масштабах, либо за счет инновационной деятельности при неизменных объемах производства. Выбор из этих альтернатив может быть осуществлен путем анализа динамики издержек и, в частности, путем применения подхода, получившего название «кривая опыта».

Классическое представление такой модели было разработано в 1926 г. Оно связывает стратегические шаги фирмы с достижением преимущества в издержках. Модель предполагает, что каждый раз, когда объем производ­ства удваивается, затраты на создание единицы продукции умень­шаются на 20 % (рис. 4.8).

Удельные

издержки

Объем производства

25 50 100

Рис. 4.8. Классическая кривая опыта

Снижение затрат на единицу продукции при увеличении объемов производства обуслов­ливается комбинацией следующих факторов:

• технологические преимущества, возникающие с расширением про­изводства;

• освоение менеджерами на опыте наиболее эффективных способов органи­зации производства;

• другие составляющие эффекта экономии на масштабе (например, сокращение удельных затрат при хранении запасов).

Таким образом, кривая опыта основным направлением стра­тегии фирмы выявляет завоевание наибольшей доли рынка, поскольку именно у крупнейшего из конкурентов появляются воз­можности достижения самых низких единичных издержек и, сле­довательно, самой высокой прибыли. Естественно, что такая стратегия приемлема для развивающихся рынков, даю­щих конкурентам возможности для роста.

Опора на применение кривой опы­та при выработке стратегии допустима, прежде всего, в отраслях материального производства. Однако и в этом случае нельзя слепо копировать выводы и рекомендации почти столетней давности. Удобная цифра в 20 % была получена на основе статистики по американским фирмам начала ХХ в.

В современных условиях достижение лидерства в издержках не­обязательно связано с увеличением масштабов производства. Нынешнее высокотехнологическое оборудование рассчитано не только на крупные производства, но и на небольшие. Сегодня даже ма­ленькая фирма может использовать обо­рудование и технологии, которые обеспечивают высокую производительность и возможность перестройки для решения различных специфических задач.

Главным же недостатком классической модели является учет только одной переменной – объема производства. Кроме того, она сосредотачивается на внутренних проблемах организации, обходя вниманием влияние внешней среды (в первую очередь потребителей).

В качестве методики выбора мер заполнения разрыва, обеспечивающей учет большего количества факторов и выявление шагов стратегии во внутренней среде, авторами предлагается следующая схема.

Результат деятельности предприятия представим в видемножественной регрессии, т.е.уравнения связи с p не­зависимыми переменными:

, (4.27)

где

y - объясняемая переменная (результирующий показатель, например, выручка);

x_i (i =1,…, p) - объясняющие переменные (перечисленные выше и другие факторы, определяющие результирующий показатель).

При таком представлении задача стратегического целеполагания совпадает с телеологическим прогнозом и состоит в выборе набора и значений объясняющих переменных, приводящих к заданному значению результирующего показателя.

Решение такой задачи производится следующим образом. Используя ретроспективную информацию о предприятии и его конкурентах, первоначально следует найти приемлемую модель для описания связи между результирующим показателем и объясняющими переменными (объемами выпуска, параметрами качества продукции, рыночными факторами и т. п.). Формально эту задачу можно свести к проверке гипотез о равенстве нулю коэффициента детерминации и параметров регрессии в ходе процедуры многошагового регрессионного анализа. Оценка значимости отдельных коэффициентов регрессии позволит выявить направления совершенствования деятельности предприятия для достижения поставленной цели (например, определенного уровня выручки). При этом, анализируя определенную меру обеспечения качества, в модель необходимо ввести (из модели исключить) соответствующий фактор. Затем необходимо построить новое уравнение регрессии и снова произвести оценку адекватности модели и значимости коэффициентов регрессии. Такой процесс следует продолжать до тех пор, пока все коэффициенты регрессии в адекватной математической модели не окажутся значимыми. Это будет свидетельствовать о приведении регрессионной модели к виду, пригодному для телеологического прогноза. По коэффициентам эластичности или непосредственно по коэффициентам модели затем становится возможным определение шагов по обеспечению качества (значений реальных параметров), приводящих к установленному целевому показателю.

Обсудим данную общую схему подробнее. Для построения уравнения (4.27) могут использоваться различные функции. Наиболее простая из моделей - это модель множественной линейной регрессии. К ней же может быть сведено и большинство иных представлений результирующего показателя.

Теоретическое (т. е. отвечающее предполагаемой модели) линейное уравнение множественной регрессии имеет вид:

, (4.28)

или для индивидуальных наблюдений:

, (j = 1, 2,..., п), (4.29)

Истинные значения пара­метров по выборке ретроспективных данных получить невозможно. Поэтому вме­сто теоретического уравнения (4.28) оценивается эмпирическое уравнение регрессии:

, (4.30)

в котором -оценки теоретических значений коэффициентов регрессии, а е - оценка отклонения . Для индивидуальных на­блюдений имеем

, (4.31)

где через , j= 1,2,..., n обозначено значение переменной в j- м наблюдении.

Поскольку отклонение значения зависимой пе­ременной представимо в виде

,(4.32)

то для нахождения оценок в методе наименьших квадратов (МНК) мини­мизируется функция:

. (4.33)

Эта функция является квадратичной относительно не­известных величин , ограничена снизу и, следовательно, имеет минимум. Используя необходимые условия мини­мума функции , т. е. приравняв частные производные

(4.34)

квадратичной функ­ции (4.33) к нулю, получим систему из ли­нейных уравнений с неизвестными:

(4.35)

Такая система имеет обычно единственное решение. В исклю­чительных случаях, когда столбцы системы линейных уравне­ний линейно зависимы, она имеет бесконечно много решений или не имеет решения вовсе. Однако данные реальных статистиче­ских наблюдений к таким исключительным случаям практиче­ски никогда не приводят. Система (4.35) называется системой нормальных уравнений. При выполнении предпосылок МНК оценки параметров , полученные из системы нормальных уравнений, являются несмещенны­ми, эффективными и состоятельными.

В матричной форме целевая функция (4.33) выглядит следующим образом

Здесь Y – вектор-столбец реальных наблюдений зависимой переменной, - предсказываемые по модели значения зависимой переменной, - вектор искомых коэффициентов регрессии, а X – матрица, строки которой есть вектора наблюдавшихся значений независимых переменных X_i (i= 1,2 ,…,m).

Дифференцируя квадратичную форму Q по вектору и приравнивая производные нулю, получим систему нормальных уравнений:

Затем, учтя обратимость матрицы , находят вектор оценок для коэффициентов регрессии:

. (4.36)

Чтобы применить уравнение (4.27) для прогноза теперь необходимо убедиться в адекватности множественной регрессии.