CC BY
15
передачи функции ; установления и оценки рисков аутсорсинга и разработки инструментов управления ими; оценки социального и экономического эффекта от применения аутсорсинга;
• разработка технического задания, предусматривающего требования в соответствии с действующими нормативами к объему и качеству работ и услуг, которые будут выполняться аутсорсером;
• установление критериев отбора организации - аутсорсера с учетом требований действующего законодательства;
• отбор организации-аутсорсера;
• заключение договора с организацией - победителем;
• управление договором аутсорсинга в течение всего периода исполнения договора путем ведения мониторинга исполнения аутсорсером своих обязательств;
• оценка эффективности реализации аутсорсингового проекта и его корректировка.
Использованные источники:
1. Аникин Б.А., Рудая И.Л. Аутсорсинг и аутстаффинг: высокие технологии менеджмента: Учебное пособие // М.: ИНФРА-М, 2009. - 320 с
2. Курбанов А.Х. Аутсорсинг: история, методология, практика. - М.: ИНФРА-М, 2012. - 112 с.
3. Моисеева Н.К. Аутсорсинг в развитии делового партнерства.- М.: ИНФРА-М., 2010. - 237 с.
УДК 65.012
Дарханова А.В. студент магистратуры 2 курса факультет «Менеджмента» Финансовый университет при Правительстве РФ
Россия, г. Москва
Darkhanova A. V. Master Student 2ndyear, faculty of Management Financial University under the Government of The Russian Federation Russia, Moscow
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ DATA ENVELOPMENT ANALYSIS И STOCHASTIC FRONTIER ANALYSIS Аннотация: проведен анализ двух распространенных и широко используемых методов для оценки эффективности компаний. Эти методы относятся к методам оптимизации. За счет построения границы производственных возможностей определяется уровень эффективности деятельности компании. Дана полная характеристика методов, а также
выявлены их сходства и различия для адекватного применения определенного метода в зависимости от целей анализа.
Ключевые слова: эффективность, модули принятия решения, задача линейного программирования, стохастический метод, параметрический метод.
COMPARATIVE ANALYSIS OF DATA ENVELOPMENT ANALYSIS AND STOCHASTIC FRONTIER ANALYSIS
Annotation: there are two common and widely used methods for assessing the efficiency of companies. These methods are related to optimization methods. Due to the construction of the production capacity frontier, the level of the company's performance is determined. The full characteristics of the methods are given, and their similarities and differences are revealed for the adequate application of a certain method depending on the purposes of the analysis.
Key words: efficiency, decision making units, technical efficiency, linear programming task, stochastic method, parametric method.
Изначально, предпосылками для создания метода DEA в современном виде стали идеи M. J. Farrell, которые он отразил в статье «The measurement of productive efficiency» в 1957 году. Автор задавался вопросом: как повысить эффективность компании без изменения при этом объема ресурсов. В результате исследований Фарелл предложил метод Data Envelopment Analysis, где под эффективностью сельскохозяйственных фирм понимал способность произвести так много, сколько возможно, исходя из имеющегося набора ресурсов (при ориентации на выходные параметры) и способность тратить минимум ресурсов для производства одного и того же объёма продукции (при ориентации на входные параметры).
Далее, основываясь на методе Фарелла, американские ученые A. Charnes, W. W. Cooper, E. Rhodes в 1978 году предложили свою модель, которая приобрела большую огласку по всему миру232. Они применили линейное программирование для оценки границы производственных возможностей, что позволило дать оценку относительной эффективности DMU - decision making units или Модули Принятия Решений (МПР).
Современное измерение эффективности началось с Фарелла, который определял эффективность (efficiency) - отношение совокупной ценности «результата» или выходных параметров к оценке совокупной ценности «затрат» или входных параметров.
Техническая эффективность
сумма взвешенных "выходных" параметров
сумма взвешенных "входных" параметров
На основе имеющихся данных строится граница производственных
232 Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units // European Journal of Operational Research. - 1978. - № 2. - P. 429-444._
возможностей (граница эффективности) в пространстве входных и выходных переменных, описывающих объекты, эффективность которых необходимо определить. Степень эффективности объекта, выраженная количественно, будет зависеть от расстояния между ним и границей эффективности, то есть чем выше степень близости объекта к границе, тем она более эффективна. Граница же, в свою очередь, строится на основе многократного решения задачи линейного программирования.
Лучшая граница эффективности объектов из выборки будет находиться прямо на выявленной границе (т.е. его эффективность будет равна 100%), а все остальные МПР будут к нему приближаться в той или иной мере, имея эффективность от 0 до 100%233.
Рассмотрим наиболее распространенные базовые модели DEA: модель CCR разработана учеными: Chames, Cooper, Rhodes в 1978 году, и модель BCC, разработанная Banker, Charnes, Cooper в 1984 году. Обе эти модели основаны на эффекте масштаба, в модели CCR он постоянный, это подразумевает постоянный рост продуктивности вдоль границы эффективности. Далеко не всегда изменение одного параметра ведет к пропорциональному изменению другого параметра, не учитываются здесь и другие переменные, которые прямо или косвенно могут влиять на процесс производства.
В модели BCC подразумевается переменный эффект масштаба, то есть она более приближена к действительности, ведь позволяет учитывать специфику деятельности каждого предприятия. Значения входных и выходных параметров могут меняться диспропорционально, что позволяет увеличить выборку предприятий при оценке эффективности.
Для более детального и глубокого понимания сути метода необходимо задать математически формализованное описание метода.
Пусть необходимо оценить эффективность каждого из n объектов.
Каждый объект Oj, j=1 ,п, описывается парой векторов (ху,уу). В этой паре вектор Xj =(хд,..., Xji..., xjm)T содержит входные переменные для j-го объекта, а вектор уу = (уд,..., yjr..., yjs )T содержит выходные переменные для j-го объекта. Тогда матрица X = (xj) размерности m х n содержит входные данные для всех n объектов, а матрица Y = (yj) размерности s х n содержит выходные данные для всех n объектов.
Модель формулируется в виде задачи линейного программирования в следующем виде: ттвл(6),
-yj + YA. >0,
Oxj -ХЛ>0, (1)
233 Cooper, W. W. Data Envelopment Analysis [Text]: A comprehensive text with models, applications, references, and DEA-Solver software / W. W. Cooper, L. M. Seiford, K. Tone. - 2nd ed. - New York: Springer, 2007. -xxxviii, 490 p._
А > 0.
Скаляр 0 является мерой эффективности j-го объекта, при этом 0 6 (0; 1]. Вектор констант А = (A1v.., Ay,..., An) T отражает степень подобия j-го объекта другим объектам исследуемой совокупности с точки зрения соотношении" значении" переменных. Аналогичная задача решается для каждого объекта, т. е. n раз. Критерием эффективности объекта является условие 0 = 1. Такие объекты находятся на границе эффективности, которая в данном случае будет иметь вид выпуклой фигуры в пространстве входных и выходных переменных Rm+s.
Для объектов, имеющих 0 < 1, могут быть установлены целевые значения переменных, при достижении которых эти объекты также окажутся на границе эффективности. Целевые значения переменных устанавливаются путем проецирования неэффективного объекта на границу эффективности. Проецирование обеспечивается наличием в модели (1) коэффициента 0 при векторе xj и введением ограничения А >0. Поскольку коэффициент 0 оказывает влияние на значения входных переменных, то модель (1) называется ориентированной на вход (input-oriented). В результате формируется гипотетический объект, являющийся неотрицательной линейной комбинацией реальных эффективных объектов, веса которых в этой комбинации определяются вектором А (для неэффективных объектов Ау = 0). Таким образом, граница эффективности служит в качестве эталона для проведения оценки эффективности объектов в исследуемой совокупности.
Аналогично, модель, ориентированная на выход (output-oriented), имеет вид:
-ру,- + FA >0,
xj - ХА > 0, (2)
А > 0.
Показатель эффективности - скаляр ^6 [1; го). Для неэффективных объектов (у которых ф > 1) выдаются рекомендации по пропорциональному увеличению значении" выходных переменных в ф раз при неизменных значениях входных переменных.
Таким образом,
• если 0 = 1 (ф = 1), то объект эффективен;
• если 0 < 1 (ф > 1), то объект неэффективен.
Мы рассмотрели метод DEA, являющийся непараметрическим стохастастическим методом. Теперь же разберем параметрический метод оптимизации Stochastic Frontier Analysis (SFA) - с англ. метод стохастической границы. Является также одним из наиболее популярных методов для оценки эффективности является метод стохастической границы SFA, они сопряжены с методом DEA, но он позволяет учесть ошибки или
шумы, делая расчеты по анализу эффективности более приближенными к реальности, чем в методе DEA.
В последнее время количество публикаций по этой тематике волнообразно растет и расширяется область применения для анализа эффективности.
Метод SFA был предложен в двух работах, опубликованных практически одновременно, независимо друг от друга: Meeusen, van den Broek в 1977 году и Aigner, Lovell, Schmidt в том же году.
Термин ошибки в данной концепции состоит из двух частей:
• факторы эффективности (факторы неуправляемого сбалансированного воздействия) - односторонняя компонента, фиксирующая эффекты неэффективности по отношению к стохастической границе и симметричной компоненте, она допускает случайное изменение фронта вдоль DMU, и определяет эффекты погрешности измерения, воздействие данных факторов может привести как к снижению, так и к повышению объема производства и в целом характеризуется сбалансированным влиянием на производственный процесс;
• факторы неопределенности - другие статистические шумы и случайные ошибки (тремы) вне контроля фирм, но оказывающие
234
систематическое воздействие на производственный процесс234.
SFA связывает наличие случайных отклонений от границы эффективности со стохастической природой производственного процесса, например, последствия непреднамеренного исключения значимой переменной из производственной модели, различия в условиях производства и прочее.
Оценка эффективности связана с идентификацией производственной функции:
У = /(*,Ю + £, (4)
где £ - отклонение от граничной оценки выпуска (s = и — u), содержащее компоненты и и u:
и - случайная ошибка, имеющая стандартное нормальное распределение N (0, ст) и описывающая влияние и на выход неучтенных в модели факторов, действие которых не связано с неэффективностью деятельности;
u - неотрицательная, независимая от и случайная величина, характеризующая неэффективность производства, отражает результаты воздействия на производственный процесс комплекса факторов, обуславливающих его эффективность.
Приведенная выше функция используется в случаях, когда факторы, влияющие на эффективность не определены, но учтены. В нашем
234 Cullinanea Kevin, Wangb Teng-Fei, Songc Dong-Wook, Jid Ping (2006). The Technical Efficiency of Container Ports: Comparing Data Envelopment Analysis and Stochastic Frontier Analysis. Transportation Research Part A: Policy and Practice, 40 (4), 354-374_
исследовании мы сделаем акцент на определенных факторах (управленческий опыт, особые условия труда, специфические характеристики производства и другое), чтобы понять при каких условиях и значениях данных факторов предприятие максимально эффективно.
Выделим одинаковые свойства методов:
• приводят параметры к однородности;
• одновременная обработка большого числа входов и выходов, каждый из которых при этом может измеряться в различных единицах измерения;
• вычисляют один агрегированный показатель эффективности для каждого объекта, не требуя при этом априорного указания весовых коэффициентов для переменных, соответствующих входным и выходным параметрам;
• позволяют при необходимости учесть предпочтения менеджеров, касающиеся важности тех или иных входных или выходных переменных;
• производят конкретные оценки желательных изменении" во входах/выходах, которые позволили бы вывести неэффективные объекты на границу эффективности;
Таким образом, в результате проведенного анализа можно выделить следующие отличия в методах:
Таблица 1. Различия в методах DEA и SFA
Метод DEA Метод SFA
Непараметрический Параметрический
Измеряет относительную эффективность Измеряет абсолютную эффективность
Основой метода является линейное программирование Основой метода являются эконометрические методы
Не чувствителен к ошибкам, рассматривают любую ошибку, в том числе случайную, как неэффективность Высокий порог чувствительности к ошибкам, т.е. учет случайных ошибок
Не налагает никаких ограничении" на функциональную форму зависимости между входами и выходами Налагает ограничения на функциональную форму зависимости между входами и выходами
Таким образом, каждый из рассмотренных нами методов имеет свои преимущества и недостатки, и может быть задействован для решения разного рода задач оценки. Результаты проведения сравнительного анализа показывают, что методы сугубо разные и подбирать его необходимо на основе не только тех данных, которыми вы обладаете, но и насколько данная модель способна отразить эффективность компании относительно определенных нюансов - качественная оценка, количество имеющихся данных и их соответствие модели, способ измерения результатов и полнота экономического смысла в проведении анализа.
При выборе метода стоит исходить из целей анализа, так, в методе ББЛ
- возможно выявить влияние на результат различных факторов, материальных и нематериальных, тогда как в DEA такой возможности нет. То есть в первом методе результат будет более точным, ведь он учитывает случайные ошибки и величины.
Использованные источники:
1. Лобова С.В., Понькина Е.В., Межин С.А., Курочкин Д.В. Применение методов dea и sfa для количественной оценки влияния технологических и социо-экономических факторов на эффективность сельскохозяйственных предприятии, журнал вестник алтаискои науки, №1. - 2014.
2. Фридман Ю. А., Блам Ю. Ш., Речко Г. Н. Выявление отраслей - лидеров в регионе на основе метода свертки данных (dea) // Вестник Кузбасского государственного технического университета. - 2015. № 6.
3. Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units // European Journal of Operational Research. - 1978. - № 2. - P. 429-444.
4. Cooper, W. W. Data Envelopment Analysis [Text]: A comprehensive text with models, applications, references, and DEA-Solver software / W. W. Cooper, L. M. Seiford, K. Tone. - 2nd ed. - New York: Springer, 2007. - xxxviii, 490 p.
5. Cullinanea Kevin, Wangb Teng-Fei, Songc Dong-Wook, Jid Ping (2006). The Technical Efficiency of Container Ports: Comparing Data Envelopment Analysis and Stochastic Frontier Analysis. Transportation Research Part A: Policy and Practice, 40 (4), 354-374
УДК 331.232
Джумаев Н.Н. студент магистратуры Гуманитарный факультет Ростовский государственный университет путей сообщения
Россия, г. Ростов-на-Дону
Dzhumaev N.N. graduate student Faculty of Humanities Rostov State Transport University Russia, Rostov-on-Don
РАЗРАБОТКА СИСТЕМЫ МОТИВАЦИИ ДЛЯ ПЕРСОНАЛА СФЕРЫ
ТОРГОВЛИ
DEVELOPMENT OF THE MOTIVATION SYSTEM FOR TRAFFICKING PERSONNEL
Аннотация: В условиях нестабильности экономической ситуации, все агенты рынка стремятся оптимизировать свои расходы, в том числе и на персонал. В такой ситуации возникает потребность в разработке многоуровневой системы оплаты труда, которая одновременно
