CC BY
18
УДК 330.46
Т.В. БЛУДОВА, д.е.н., професор ем. ГАЛАХОВ,
асп'1рант, Ки'/вський нацональний економ'1чний ун'1верситет iм. Вадима Гетьмана
Моделювання оптимального попиту фршанс-заявок IT-тдприсмства за методом Монте-Карло
Проведено досл 'щження ем^ричного ряду розпод)лу попиту фрланс-заявок на 1Т-п'1дприемств'1, що являеться важливим фактором ефективност роботи фаxiвцiв IT-п'щприемства. Для засто-сування методу Монте-Карло для 'штацп випадкового процесу - попиту фрланс-заявок, пред-ставлених вар'ацйним рядом згенерован послдовност випадкових чисел, причому x щльн'сть розподлу така, як i в закон розпод^лу, що розглядаеться. Для перев'рки правильност'1 ппотези, що розподл статистики попиту фрланс-заявок на 1Т-п'щприемств '1 п'1длягае п'щ закон розподлу Пуассона, - використано критерй узгодженост Пiрсона з рiвнем значущост Я = 0,05. Це дозволило знайти кльксть штатних пра^вниюв IT-п'щприемства шляхом розрахунку оптимальноi ix ктькост для 1Т-п'1дприемства за методом Монте-Карло, що оптим'зуе потреби в кадрах для забезпечення ефективно!' роботи 1Т-п'1дприемства.
Ключовi слова: фрланс-заявка, 1Т-п'1дприемство, попит, метод Монте-Карло, розподл Пуассона.
Т.В. БЛУДОВА, д.э.н., профессор Е.М. ГАЛАХОВ, аспирант, Киевский национальный экономический университет им. Вадима Гетьмана
Моделирование оптимального спроса фриланс заявок ИТ-предприятия по методу Монте-Карло
Проведено исследование эмпирического ряда распределения спроса фриланс заявок на ИТ-предприятии, что является важным фактором эффективности работы специалистов ИТ-предприятия. Для применения метода Монте-Карло для имитации случайного процесса - спроса фриланс заявок, представленных вариационным рядом сгенерированные последовательности случайных чисел, причем их плотность распределения такая, как и в законе распределения, который рассматривается. Для проверки правильности гипотезы, что распределение статистики спроса фриланс заявок на ИТ-предприятии подпадает под закон распределения Пуассона, - использовано критерий согласованности Пирсона с уровнем значимости Я = 0,05. Это позволило найти количество штатных работников ИТ-предприятия путем расчета их оптимального количества для ИТ-предприятия по методу Монте-Карло, что оптимизирует потребности в кадрах для обеспечения эффективной работы ИТ-предприятия.
Ключевые слова: фриланс-заявка, 1Т-предприятие, спрос, метод Монте-Карло, распределение Пуассона.
T. BLUDOVA, Doctor of Economics, professor, E. GALAKHOV,
post-graduate student, Kyiv National Economic University named after Vadym Hetman
Modeling the optimal demand for freelance-applications of the IT enterprise by the Monte Carlo method
The research on the empirical distribution range of the freelance-applications demand at the IT company has been carried out, which is an important factor of the IT professionals work efficiency. For the Monte Carlo method realization, for simulating the random process - the demand for freelance-applications represented by a variation series, the sequences of the random numbers was generated, moreover, their distribution density is the same as in the distribution law which is under consideration.
© Т.В. БЛУДОВА, е.М. ГАЛАХОВ, 2017
Формування ринкових вщносин в УкраУж №9 (196)/2017 53
To verify the correctness of the hypothesis that the distribution of freelance applications demand statistics at IT company is subject to the Poisson distribution law, the Pearson criterion of consistency with a significance level of 0.05 was used.
This made it possible to find the number of IT company staff members by calculating their optimal number for IT company by using the Monte Carlo method, which optimizes the need in staff for ensuring the effective work of IT company.
Keywords: Freelance-Application, IT Enterprise, Demand, Monte Carlo Method, Poisson Distribution.
Постановка проблемы. Часто в реальних сце-нартх через складнють дослщжувано! системи не завжди можливо оцЫити if поведЫку шляхом за-
стосування аналп"ичних метода. В таких умовах ¡снуе альтернативний пщхщ змоделювати таку систему через штучну реплкацю або ¡мп"ацш мо-делювання. [1]. 1мп"а^йы методи моделювання за-стосовуються в основному у виробничих системах, та в економко-математичному моделюванн [2]. Зазначимо, що конкретне застосування методу Монте-Карло залежить вщ характеру ймов^ност-ного розпод¡лу системи. Для застосування методу необхщно виконання наступних дй [3] :
Етап 1. Визначення розподту можливих вхщ-них даних для кожно! випадково! величини: По-тр¡бно визначення базово! ймов¡рност¡ розподту процесу. Це може бути безпосередньо очевид-ним або постае необхщнють емп¡ричного спо-стереження досл¡джуваного процесу.
Етап 2. Генерування виходю випадковим чином з цих розподов: потр^но вибором в¡дпов¡дного генератора випадкових чисел створити модель спостережуваного розподту ймов^ностей. Ге-нератори випадкових чисел, як правило, доступ-н¡ в б¡льшост¡ статистичних пакета програмного забезпечення ¡ Micro Soft Excel.
Етап 3. Виконання детермЫованого обчислення з використанням набору виходю (етап 2): включае в соб¡ обчислення потр¡бного вих¡дного змЫного або зм¡нних з генерованих випадкових чисел.
Стадт 4. Процес агрегацм сукупного результату окремих обчислень в юнцевий результат: залежить вщ конкретного моделювання, але може бути простим, таким як обчислення середнього значення результата моделювання.
Особливютю методу е те, що отримуеться в ре-зультат¡ моделювання ¡нформацст за своею природою аналопчна т¡й ¡нформацм, яку можна було б отримати в процес дослщження реально! системи, однак обсяг и значно б¡льший ¡ на И' отримання ви-трачаеться менше коштю ¡ часу. Зв¡дси випливае ефективнють використання методу моделювання,
а також висока точнють ¡ достов¡рн¡сть отриманих з його допомогою результата в пороняны з до-сл¡дженням реально! системи [3]. Метод Монте-Карло зробив ¡ продовжуе робити ¡стотний вплив на розвиток метод¡в обчислювально! математики ¡ при вир¡шенн¡ багатьох завдань усп0но поедну-еться з ¡ншими обчислювальними методами ¡ до-повнюе !х. Його застосування виправдане в першу чергу в тих завданнях, як допускають теоретико-¡мов^нюний опис. Це пояснюеться як природнють отримання в¡дпов¡д¡ з деякою заданою в^огщню-тю в задачах з ¡мов^нюним зм¡стом, так ¡ ¡стотним спрощенням процедури вир¡шення [4] .
На сьогодн IТ-п¡дприeмства потребують по-ст¡йного прийняття стратег¡чних р¡шень на перспективу в умовах конкуренцм та ризиюв у сфер¡ IT-аутсорсингу, що вимагае впровадження ме-хаызмю управл¡ння, та сприяе моделювання !х фЫансово-економнно! д¡яльност¡. В цьому кон-текст¡ фр¡ланс сприяе розвитку конкурентних пе-реваг ¡ пошуку нових можливостей в нестаб¡льних економ¡чних умовах. Тому розробка економко-математичного моделювання оптимального роз-м¡ру штатних прац^ниюв IТ-п¡дприeмства за допомогою ¡мп"ац^ного моделювання за методом Монте-Карло являеться актуальною проблемою.
Мета статтг. Системи ¡ процеси, як¡ можуть бути змодельован за допомогою розподту ймо-в¡рностей в¡дкрит¡ для ¡м^ац^ного моделювання за допомогою методу Монте-Карло [5], що моделюе поведЫку системи, приймаючи набори випадкових чисел вщ основного розпод¡лу ймо-в^ностей досл¡джуваного процесу. Метою ро-боти е представлення за методом Монте-Карло до^дження ¡нтервального статистичного ряду розподту попиту фр¡ланс-заявок на 1Т- пщпри-eмств¡, обчислення числових характеристик та висунення ппотези про п¡длегл¡сть пщ закон роз-под¡лу Пуассона для визначення математичного спод^ання випадково! величини, що дае мож-лив¡сть визначити оптимальну ктькють штатних прац¡вник¡в !Т-пщприемства.
Анал13 остантх досл1джень i публЫацт.
Розвиток методу Монте-Карло спостер^аеться в робот Станюлава Улама i Джона фон Неймана у 1940 в прикладних задачах атомноТ фiзи-ки, в яких застосування аналiтичних методiв було ускпадненим, тому автори звернулися до випад-кового експериментування для виявлення атри-бутiв системи та ТТ поведЫки [5].
Зауважимо, що технiчну складнють розрахун-кiв, а також деякий модельний ризик можна вщ-нести до недолив метода Монте-Карло. 1снуе декiлька програм, призначених для моделюван-ня методом Монте-Карло. Серед них Crystal Ball компанм Decisioneering, Inc, Денвер, штат Колорадо. Зараз ця програма належить Oracle [4].
Завдання фЫансово'Т математики, i зокре-ма задачi розрахунку коригувань справедливо! вартост xVA, часто зводяться до оцЫки Ы-тегралiв. Зазвичай, задаючи динамку факторiв i комбЫуючи портфелi iнструментiв, склада-ють систему диферен^альних рiвнянь, яку за-вдяки застосуванню формули Фейнмана-Каца (Feynman-Kac) можна виршити шляхом обчис-лення математичного очкування випадковоТ ве-личини (в загальному випадку багатовимiрноТ), визначеноТ на деякому iмовiрнiсному просто-рi. Розрахунок математичного очкування можна звести до обчислення Ытеграла. Метод Монте-Карло дуже добре зарекомендував себе для ви-р0ення подiбного роду завдань, особливо в разi високоТ розмiрностi.
Наприклад, система Riskology Демарко i Лютера, який iлюструe застосування методу Монте-
Карло для отримання Ыформацп про запас часу, який необхщний для того, щоб подолати вплив вЫх некерованих ризиюв проекту, наведено в робот [5]. Демарк i Лiстер наводять св^ список з п'яти найбiльш важливих джерел ризикiв будь-якого проекту розробки ПЗ: похибки планування; плиннють кадрiв; надто високi вимоги; порушен-ня специфiкацiй; низька продуктивнiсть прац [5]. Результатом щентифкацм ризикiв повинен стати список ризиюв з описом Тх основних характеристик: причини, умови, наслiдкiв та збитюв. Результат моделювання за методом Монте-Карло (500 експериментв) представлений у виглядi гiстограми розподiлу термiну завершення оцЫю-ваного проекту (рис.1).
На рис. 1 по ос ОУ вщкладаеться число прого-нiв в дiапазонi, а по осi ОХ - дати завершення. На дiаграмi також наведено ктькють випадкiв, при-близно 80 з 500 прогоыв, в яких проект, згiдно з результатами моделювання, був скасований до свого завершення [5].
Виклад основного матеpiалy. Зауважимо, що фртанс - це один iз самих швидко набираю-чих популярнють трендiв в сучасному свт. Укра-Тнський ринок фртансу зростае i розширюеться, послуги таких фахiвцiв стають бiльш затребува-нi. Насамперед, це стосуеться IT-фахiвцiв. На-явнiсть декiлькох проектiв з одного боку формуе постiйну потребу в хороша власноТ IT-коман-д^ з iншого боку, безлiч завдань дозволяе дуже ефективно розподiляти Тх серед спiвробiтникiв, використовуючи час розробниюв з максимальною ефективнiстю, бо проникнення Ыформафй-
100
Рисунок 1. Пстограма розподшу можливого термшу завершення проекту за методом Монте-Карло [5]
них технолопй зростае, як ¡ ктьюсть вид1в роб1т, як можна виконувати вщдалено. УкраТнськ фа-хщц високо цЫуються ¡ в свт, ¡ на цих ринках, осктьки вщр^няються пор^няльною працьо-витютю, вщповщальнютю, професюнал^мом ¡ низькою вартютю роботи [6].
На 1Т-пщприемств1 10 штатних прац^ники одержують 10 дол. за годину. Якщо постае не-обхщнють в допом1жних прац^никах для оформ-лення заявок, то 1Т-пщприемство миттево дае заявку на фртанс-ресурс з такою ж оплатою (10 дол. за годину). Якщо ж трапляеться перерва в робот (з причини швидкого пошуку додатково-го прац^ника), що затримуе основний потк фрг ланс-заявок, то 1Т-пщприемство зазнае збитки 60 дол. за год.
Для застосування методу Монте-Карло для ¡м^ацп випадкового процесу- попиту фртанс-заявок, представлених вар¡ац¡йними рядами в таблиц 1, враховуючи той факт, що частота попиту в сум¡ становить вщповщно 100 годин, бу-демо генерувати послщовнють випадкових чисел. Ц¡ посл¡довност¡ випадкових чисел появ-ляються з ¡мов^нютю 0,01 в¡д 1до 100, причому
Тх щ¡льн¡сть розпод¡лу така, як ¡ в закон¡ розпод¡-лу, що розглядаеться [7].
В табл^ 2 представлено в¡дпов¡дн¡сть частоти ¡ та к¡лькост¡ випадкових чисел для попиту фрг ланс-заявок.
Було проведено 100 експеримен^в. На (рис.2) представлена пстограма ¡м¡тованого за методом Монте-Карло розподту попиту фр¡ланс-заявок На (рис.3) представлено пол^он в¡дносних частот ¡мтованого за методом Монте-Карло роз-подту попиту фр¡ланс-заявок за результатами 100 експериментю.
Висуваемо г¡потезу про розподт Пуассона. П¡д статистичною г¡потезою розумшть р¡зн¡ перед-бачення щодо виду або параметра розпод¡лу ви-падковоТ перем¡нноí, як¡ можна перев¡рити, спи-раючись на результати спостережень у власне випадков^ виб¡рц¡ [10]. Статистична перев^ка г¡потез носить ймов¡рний характер, так як Тх ви-сновки Грунтуються на вивченн¡ властивостей розподту випадковоТ перем¡нноТ за даними ви-б¡рки, а тому завжди е ризик допустити помил-ку. 0днак, з допомогою статистичноТ перев¡рки ппотез можна визначити ймов¡рн¡сть прийнят-
Таблиця 1. Вар1ац1йний ряд розпод1лу попиту фршанс-заявок
Попит на фртанс-заявки 4 5 6 7 8 9 10 11 12 13 14 15 16 Сума: 130
Частота 2 4 4 8 10 12 12 12 10 10 8 6 2 Сума: 100
Джерело: розраховано автором
Таблиця 2. В1дпов1дшсть частоти та кшькосп випадкових чисел для попиту фршанс-заявок
Частота попиту фршанс-заявок 2 4 4 8 10 12 12 12 10 10 8 6 2 100
1нтервал випадкових чисел 1-2 3-6 7-10 1118 1928 2940 4152 5364 67 7584 8592 9398 99100
Джерело: розраховано автором
Рисунок 2. Пстограма частот ¡м1тованого за методом Монте-Карло розподту попиту фршанс-заявок
Джерело: розраховано автором
ОД 6 0Д4 ОД 2
од 0,08 0,06 0,04 0,02 О
„ —ОС 6,123 0Д36 ч
< £,114
/ и,1и± < и,. 1 и,иУ8 N
О 0,( / )77 и, ив о \ 078
/ \ \
\
© 0,013 4 0,01
20
40
60
80
100
120
Рисунок 3. Пол1гон вщносних частот ¡мггованого за методом Монте-Карло розподшу по-питу фршанс-заявок
Джерело: розраховано автором
Таблиця 3. Розрахунок показнимв для емшричного розподшу попиту фршанс-заявок за результатами 100 експеримент1в
Групи Середина ¡нтервала, х1 А х1 * А Накопиче-на частота, Б 1х -хср1*А (х - хср)2*А Частота, АД
1 - 2 1.5 44 66 44 2236.718 113702.445 0.0128
3 - 6 4.5 109 490.5 153 5213.961 249407.203 0.0318
7 - 10 8.5 131 1113.5 284 5742.32 251711.714 0.0382
11 - 18 14.5 265 3842.5 549 10026.143 379334.106 0.0773
19 - 28 23.5 347 8154.5 896 10005.572 288505.669 0.101
29 - 40 34.5 342 11799 1238 6099.399 108779.742 0.0998
41 - 52 46.5 420 19530 1658 2450.49 14297.388 0.123
53 - 64 58.5 465 27202.5 2123 2866.957 17676.221 0.136
65 - 74 69.5 392 27244 2515 6728.876 115504.509 0.114
75 - 84 79.5 335 26632.5 2850 9100.442 247218.055 0.0978
85 - 92 88.5 275 24337.5 3125 9945.512 359684.415 0.0803
93 - 98 95.5 266 25403 3391 11482.023 495627.244 0.0776
99 -100 99.5 35 3482.5 3426 1650.792 77860.451 0.0102
Всього 3426 179298 83549.205 2719309.162 1
Джерело: розраховано автором
тя помилкового висновку. Якщо його ймов!рн!сть незначна, то вважаеться, що застосований кри-тер!й забезпечуе малий ризик помилки.
В таблиц! 3 представлено розрахунок показни-к!в для оц!нювання ряду розпод!лу попиту фршанс-заявок за результатами 100 експеримент!в [8].
Використовуючи дан! таблиц! 3 знаходимо основы числов! характеристики: виб!ркову серед-ню (52,335); моду (57,19),мед!ану (54,3). Визна-чимо квартил! (значення ознаки в ранжованому ряд! розпод!лу, щоб 25% одиниць сукупност! будуь менш! за 01=26,96; 25% будуть м!ж 01=26,96 I 02=54,3 (сп!впадае з мед!аною); 25% м!ж 02=54,3 I 03=76,46, !нш! - б!льш! за 03=76,46.
Квартильний коеф!ц!ент диференц!ац!Т к = 01 / 03=к = 26.98 / 76.46 = 0.35. Знайдемо деци-л! ( значення ознаки в ранжованому ряд! роз-под!лу, щоб 10% одиниць сукупност! будуь мен-ш! за 01=12,55, 80% будуть м!ж 01=12,55 I 09=90,94, !нш! 10%- б!льш! за 09) [9].
Знайдемо середн!й квадрат в!дхилення за способом момент!в (табл. 2).
Зг!дно таблиц! 4, маемо виб!ркову середню (-3017,57 *7/3426)-58,5=52,335; диспер-с!ю 58153,94*49/3426 - 52,335 - 58,5)л2 = 793,73, середне квадратичне в!дхилення (28,173), асиметр!я (-0,0856), ексцес (-1,17). Дов!рчий !н-тервал для генерального середнього: (52.335 -
Таблиця 4. Обчислення за способом моменпв
xi x*i x*ifi [x*i]2fi
1.5 -8.1428571428571 -358.28571428571 2917.4693877551
4.5 -7.7142857142857 -840.85714285714 6486.612244898
8.5 -7.1428571428571 -935.71428571429 6683.6734693878
14.5 -6.2857142857143 -1665.7142857143 10470.204081633
23.5 -5 -1735 8675
34.5 -3.4285714285714 -1172.5714285714 4020.2448979592
46.5 -1.7142857142857 -720 1234.2857142857
58.5 0 0 0
69.5 1.5714285714286 616 968
79.5 3 1005 3015
88.5 4.2857142857143 1178.5714285714 5051.0204081633
95.5 5.2857142857143 1406 7431.7142857143
99.5 5.8571428571429 205 1200.7142857143
0 -8.3571428571429 -0 0
-3017.5714285714 58153.93877551
Джерело: розраховано автором
0.944;52.335 + 0.944) = (51.39:53.28]. Доврчий ¡нтервал для дисперсм: (10652.92:17861.87). До-в1рчий ¡нтервал для середньо квадратичного вщхи-лення: (28.177:28.177)
Перев^имо г¡потезy про розпод¡л Пуассона [10]. Приймаемо для оц¡нки параметра Я виб^-кову середню хср = 52.335. Отже, закон Пуассона мае вигляд:
52,335 -52 335 р.=—---е '
' н .
За критер^м П¡рсона, критична область пра-востороння: [Ккр;+<»). И' границя знаходить-ся Ккр = х2(к-г-1;а) : Ккр(0.05;9) = 16.91898; Кспост.=0. Отже: Кспост. < Ккр, тому да-н¡ виб¡рки мають розпод¡л Пуассона. Виб^кова середня попадае в ¡нтервал випадкових чисел (52;64), що вщповщае частот¡ попиту фртанс-заявок, що дор^нюе 12.
Висновки
Отже, постае необx¡дн¡сть у двох допом¡жниx пра^вниках для оформлення заявок. З ¡ншого боку IT-п¡дпри8мство може миттево давати в се-редньому 2 заявки за годину на фртанс-ресурс з такою ж оплатою (10 дол. за годину). Разом з тим, тут присутый ризик, якщо ж не вдаеться миттево знайти фртанс-ресурс, то затриму-еться основний потк фртанс-заявок, то 1Т-пщ-приемство зазнае збитки 120 дол. за 2 год. ^ питання можна оптимюувати, якщо розглянути в¡дпов¡дний ряд розподту пропозицм фртанс-заявок IT-п¡дпри8мства.
Таким чином шляхом анал1зу попиту проведено розрахунок оптимально!' ктькост штатних прац1в-ниюв малого 1Т-пщприемства за методом Монте-Карло, що оптим1зуе потреби в кадрах для за-безпечення ефективно!' роботи 1Т-пщприемства.
Список використаних джерел
1. Robinson, S. (2004) Simulation: The Practice of Model Development and Use. John Wiley and Sons, Chichester.
2. Вилсон У.Л. Microsoft Excel: анализ данных и построение бизнес-моделей /У.Л. Вилсон; пер. с англ. -М.: Издательско-торговый дом «Русская Редакция», 2005. - 576 с.
3. Мур Д. Экономическое моделирование в Microsoft EXCEL / Д. Мур, Л.Р. Уэдерфорд. - М.: Издательский дом «Вильямс», 2004. - 1024 с.
4. Ермаков С.М. Методы Монте-Карло и смежные вопросы / С.М.Ермаков. - М.: Наука, 1975. - 471 с.
5. Singh, V.P. (2009) System Modelling and Simulation. New Age International Publishers, New Delhi.
6. Лабжант Р. Г. Тенденцп та перспективи розвитку IT-аутсорсингу в Укра'У / Р. Г. Лабжант // Бюнес 1н-форм. - 2013. - № 10. - С. 156 - 161.
7. Sokolowski, J.A. (2010) Monte Carlo Simulation. In: Sokolowski, J.A. and Banks, C.M., Eds., Modelling and Simulation Fundamentals: Theoretical Underpinnings and Practical Domains, Wiley & Sons Inc., New Jersey, 131-145.
8. Metropolis, N. and Ulam, S. (1949) The Monte Carlo Method. Journal of the American Statistical Association, 44, 335-341. http://www.amstat.org/publications/ journals.cfm
9. Гмурман В.Е. Теория вероятностей и математическая статистика: учеб. пособ. для вузов / В.Е.Гмурман. -11-е изд. - М.: Высш. школа., 2005. - 479с.
10. Блудова Т. В. Теори ймов^ностей : Навч. поаб. для студ вищ. навч. закл. / Т. В. Блудова; ред.: В. С. Мартинен-ко; НБУ. Львк банк. ¡н-т. - Л. : ЛБ1 НБУ, 2005. - 318 с.
УДК 338.436.33:339.137.2:636.034
Л.М. ЗАКРЕВСЬКА, к.е.н., доц., Нац'юнальний ун'1верситетхарчових технолопй
Оцшка р1вня конкурентоспроможносл продукцм пщприемств молочно! промисловост з урахуванням ix потенцшно! спроможност
Стаття присвячена обгрунтуванню доцльност адаптацИ методичних п\дход1в оценки потенциалу п'щприемств до оцнки р'1вня конкурентоспроможносл ¿х продукцИ. На основi практичного застосу-вання графiчного методу та методу набору конкурентоспроможних елементв о^нено потенцйы можливост'1 розвитку молокопереробних п'1дприемств.
Ключовi слова: конкурентоспроможнсть, конкурентоспроможнсть продукцИ, потенцйна спроможн'1сть, потен^ал п'щприемств, конкурентоспроможн елементи.
Л.Н. ЗАКРЕВСКАЯ,
к.э.н, доц., Национальный университет пищевых технологий
Оценка уровня конкурентоспособности продукции предприятий молочной промышленности с учетом их потенциальной способности
Статья посвящена обоснованию целесообразности адаптации методических подходов оценки потенциала предприятий к оценке уровня конкурентоспособности их продукции. На основе практического применения графического метода и метода набора конкурентоспособных элементов оценены потенциальные возможности развития молокоперерабатывающих предприятий.
Ключевые слова: конкурентоспособность, конкурентоспособность продукции, потенциальная способность, потенциал предприятий, конкурентоспособные элементы.
L. ZAKREVSKA,
Candidate of economic sciences, National University of Food Technologies
Estimation of the level of competitiveness of dairy industry enterprises taking into account their potential capacity
The article is devoted to the substantiation of expediency of adaptation of methodical approaches to assessing the potential of enterprises to assess the level of competitiveness of their products. On the basis of the practical application of the graphic method and the method of the selection of competitive elements, potential opportunities for the development of dairy enterprises are estimated.
Keywords: competitiveness, competitiveness of products, potential ability, potential of enterprises, competitive elements.
Постановка проблеми. Розвиток економн-них вщносин вимагае вщ вп"чизняних пщприемств забезпечення випуску якюно! та конкуренто-спроможно! продукцм. Зважаючи на сучасн умо-ви господарювання та низький р^ень кутвельно! спроможност населення, бтьшють виробниюв продукта харчування знаходяться в тяжкому фг нансовому становища що зумовлено низьким р^нем застосування новп"нк технолопй, невели-
кими обсягами ¡нвести^й, низькою квалфкацг ею менеджера, високим р^нем морального ¡ фг зичного спрацювання основних засобю тощо. Вщ усп0ного вир0ення проблем пщвищення рщ-ня конкурентоспроможносп в^чизняно! продукцм залежить не лише покращення фЫансового стану украТнських пщприемств, а й економнна безпе-ка краТни. Тому оцЫюючи р^ень конкурентоспроможносп товара, варто враховувати Тх потен^йну
© Л.М. ЗАКРЕВСЬКА, 2017
Формування ринкових вщносин в УкраУж №9 (196)/2017 59
