11. Управління запасами: основні поняття і загальна постановка задачі.

Запаси – це сукупність економічних ресурсів деякого об’єкту, що тимчасово не використовуються, наприклад: сировина, матеріали, продукція, що призначена на продаж і т. ін.

Управління запасами (УЗ) – це клас економічних задач, розв’язання яких дозволяє визначити оптимальну стратегію регулювання запасів та їх нормативний рівень з метою вивільнення оборотних засобів, що заморожені у вигляді цих запасів.

Основними характеристиками систем управління запасами є: обсяг запасів; попит; характер поповнення запасів, обсяг замовлення і час доставки; витрати, пов’язані зі створенням запасів.

Обсяг запасу. Обсяг запасеного продукту може вимірюватися дискретною або неперервною величиною і бути як постійним, так і змінним.

Попит. Попит на запасений продукт може бути детермінованим (постійним у часі) і недетермінованим (випадковий момент попиту або його обсяг).

Поповнення запасу. Поповнення запасу може бути періодичним, тобто здійснюватися через визначені проміжки часу, або при досягненні обсягу запасу певного рівня – точки замовлення.

Обсяг замовлення. Обсяг продукту, що надходить на склад, також може бути дискретною або неперервною величиною. Звичайно замовлення надається на певну кількість продукту, що називається розміром партії.

Час доставки. Час доставки може бути як постійним, так і змінним. Крім того, у деяких випадках враховується можливість затримки поставок на фіксований або випадковий час.

Витрати. Розглядаються такі витрати, пов’язані зі створенням запасів:

• організаційні витрати, що пов’язані з оформленням замовлень і доставкою продукту;

• витрати на зберігання запасу: вартість зберігання продукту, витрати за його старіння і псування, податки і страхування;

• витрати (штрафи), що виникають при нестачі запасу або затримки в обслуговуванні.

Як критерій ефективності прийнятої стратегії управління запасами виступає функція витрат, що є сумарними витратами.

Постановка задачі УЗ. Знайти таку стратегію управління запасами, при якої функція витрат приймає мінімальне значення.

Ответы на вопросы по теории рисков (№№ 12, 13) в файле «Классификация рисков». Текстовый – полный вариант, слайды – сокращённый вариант.

Ответы на вопросы по теории рисков (№№ 15, 16) в файле «Количественное оценивание рисков». Текстовый – полный вариант, слайды – сокращённый вариант.

Ответы на вопросы по теории рисков (№№ 19, 20) в файле «Методы управления рисками». Текстовый – полный вариант, слайды – сокращённый вариант.

2. Цель анализа чувствительности состоит в сравнительном анализе влияния различных факторов инвестиционного проекта на ключевой показатель эффективности проекта, например, внутреннюю норму прибыльности.

Алгоритмы анализа чувствительности:

• Выбор ключевого показателя эффективности инвестиций (IRR или NPV).

• Выбор факторов, относительно которых разработчик инвестиционного проекта не имеет однозначного суждения (т. е. находится в состоянии неопределенности).

• Типичными являются следующие факторы:

• капитальные затраты и вложения в оборотные средства,

• цена товара и объем продажи,

• компоненты себестоимости продукции,

• время строительства и ввода в эксплуатацию проекта.

• Установление номинальных и предельных (нижних и верхних) значений неопределенных факторов, выбранных на втором шаге процедуры.

• Расчет ключевого показателя для всех выбранных предельных значений неопределенных факторов.

• Построение графика чувствительности для всех неопределенных факторов (Spider Graph).

Чувствительность проекта к изменению неопределенных факторов.

Таким образом, график чувствительности позволяет сделать вывод о наиболее критических факторах инвестиционного проекта, с тем чтобы в ходе его реализации обратить на эти факторы особое внимание с целью сокращения риска.

3. Анализ сценариев – это метод анализа риска, который наряду с базовым набором исходных данных проекта рассматривает ряд других наборов данных, которые, по мнению разработчиков проекта, могут иметь место в процессе реализации.

При анализе сценария подбираются показатели, при «плохом» стечении обстоятельств (малый объем продаж, низкая цена продажи, высокая себестоимость единицы товара) и при «хорошем» стечении обстоятельств. После этого, NPV при хороших и плохих условиях вычисляются и сравниваются с ожидаемым значением NPV проекта.

Например может быть рассмотрен пессимистичные сценарии снижения цены продажи на 5%. В этом случае IRR изменится в худшую сторону. Или может быть представлен комплексный сценарий в виде одновременного увеличения цены готовой продукции и стоимости сырья на единицу продукции на 5 %. Данный сценарий может быть квалифицирован как оптимистичный. Что может привести к росту IRR.

4. Статистическое моделирование Монте – Карло – это процедура, с помощью которой математическая модель определения какого-либо финансового показателя (в общем случае NPV) подвергается ряду статистических прогонов с помощью ЭВМ.

В ходе процесса моделирования строятся последовательные сценарии с использованием исходных данных, которые являются неопределенными, и считаются случайными величинами.

Процесс анализа риска может быть разбит на следующие стадии:

• Разработка прогнозной модели;

• Определение вероятностного закона распределения случайных переменных;

• Установление границ диапазона значений переменных;

• Установление отношений коррелированных переменных;

• Генерирование случайных сценариев, основанных на наборе допущений (имитационные прогоны);

• Статистический анализ результатов имитации.

Прогнозная модель определяет математические отношения между числовыми переменными, которые относятся к прогнозу выбранного финансового показателя. В качестве базовой модели для анализа инвестиционного риска обычно используется модель расчета показателя NPV:

NPV = CF₀ + + +…+ =

Окончательной стадией анализа рисков является обработка и интерпретация результатов.

Каждый прогон представляет вероятность события, равную p = 100 / n, где p - вероятность единичного прогона (%); n - размер выборки.

Как меру риска целесообразно использовать вероятность получения отрицательного значения NPV. Она оценивается как произведение количества результатов с отрицательным значением и вероятности единичного прогона. Например, если из 5 000 прогонов отрицательные значения NPV окажутся в 3 454 случаях, то мера риска составит 69.1%.