Heurystyczne modelowanie procesów zarządzania operacyjnego
Transkrypt
Heurystyczne modelowanie procesów zarządzania operacyjnego
Prace Naukowe Instytutu Organizacji i Zarządzania Politechniki Wrocławskiej Nr 80 Studia i Materiały Nr 22 Nr 80 2006 Józef WILK* ss. 143-159 HEURYSTYCZNE MODELOWANIE PROCESÓW ZARZĄDZANIA OPERACYJNEGO Przedstawiono koncepcję zintegrowanego systemu wspomagającego decyzje (ZSWD) i wykazano, że jego realizacja jest uzależniona od szeregu interdyscyplinarnych umiejętności dotyczących mechanizmu rynku kapitałowego, nowoczesnych finansów, rachunku kosztów menedżerskich, analizy ryzyka i modelowania heurystycznego. Szczególnie dużo miejsca poświęcono integracji pionowej stanowiącej łącznik, poprzez modelowanie heurystyczne, pomiędzy planowaniem operacyjnym i długookresowym. Sformułowano procedurę modelowania jednostkowych kosztów działań oraz wyników finansowych firmy w oparciu o zaproponowane heurystyczne funkcje korygujące oraz zestaw fuzzy logic parametrów Xf (jakości technologii) i Xm (jakości zarządzania). Przeprowadzone analizy na podstawie przypadku sytuacyjnego wykazały, że sformułowany model heurystyczny zapewnia dużą sterowalność kosztami i wynikami finansowymi firmy. W konsekwencji sytuacja ta może istotnie ułatwić spełnienie przez przedsiębiorstwo złożonych kryteriów efektywnościowych narzucanych przez rynek finansowy. 1. UWAGI OGÓLNE W ostatnim okresie występują coraz częściej opinie [Maciąg 2005, s. 311] o „..narastającej luce między wiedzą i umiejętnościami absolwentów a oczekiwaniami pracodawców na rynku pracy”. W szczególności dotyczy to informatyki ekonomicznej. Świadczyć o tym może raport czołowej światowej firmy konsultingowo–analitycznej Gartner przesłany1 w dniu 14/11/2005 agencji PAP pt. ”Zawód informatyka czekają wielkie przemiany”. Według analityków firmy Gartner do 2010 roku ponad połowa informatyków stanie się analitykami, zajmującymi się wykorzystywaniem informatyki w biznesie. Natomiast informatycy, którzy będą sztywno trzymać się swoich tradycyjnych specjalności związanych z technologią informatyczną (programowanie, projektowanie baz i hurtowni danych itp.), mogą w niektórych sytuacjach __________ * 1 Wyższa Szkoła Handlu i Finansów Międzynarodowych w Warszawie; [email protected] http://www.reklama-seo.net/index.php/katalog_view/41/37/zmiana-zawodu-informatyka-na.htm 144 Józef Wilk mieć nawet znaczne kłopoty z zatrudnieniem. Działy informatyki w swoim tradycyjnym kształcie będą stopniowo zanikać, zaś informatycy zajmujący się technologiami informatycznymi staną się analitykami zintegrowanych systemów zarządzania (ZSZ) przedsiębiorstwa. Taki informatyk-analityk, zwany przez Gartnera versatile zostanie jednym z członków lub kierownikiem zespołu zadaniowego zorientowanego na działania interdyscyplinarne. Analitycy ci będą występować w różnych rolach (mając dużo wiedzy interdyscyplinarnej i doświadczenia) aby móc razem syntetyzować rozwiązania i posiadane informacje. Analitycy informatyczni będą mieli na tyle głębokie umiejętności i doświadczenie, aby móc projektować holistyczne (oparte przede wszystkim na metodach heurystycznych i elementach sztucznej inteligencji) systemy informacyjne wspomagające wszystkie istotne dla firmy procesy decyzyjne. W konsekwencji ich działania pozwolą głęboko wnikać w problemy biznesowe i wdrażać swoje pomysły daleko przekraczające granice dotychczasowych specjalności w firmie, jak na przykład tradycyjna informatyka czy tradycyjne zarządzanie. Globalna optymalizacja inwestycji długookresowych Sub-optymalne planowanie działań krótkookresowych Heurystyczne modelowanie procesów zarządzania operacyjnego (dla celów strategicznych) Rys. 1. Koncepcja integracji pionowej procesów zarządzania Źródło: Opracowanie własne. W holistycznym systemie informacyjnym firmy na plan pierwszy wysuwają się wielopłaszczyznowe działania integracyjne procesów zarządzania. Przedmiotem niniejszej pracy jest przede wszystkim koncepcja integracji pionowej (por. rys. 1) za pośrednictwem heurystycznego modelowania procesów zarządzania operacyjnego dla celów strategicznych. Efektywna konstrukcja pełnego zintegrowanego systemu wspomagającego decyzje (ZSWD) jest uzależniona od szeregu interdyscyplinarnych umiejętności dotyczących mechanizmu rynku kapitałowego, nowoczesnych finansów, rachunku kosztów menedżerskich, analizy ryzyka, zarządzania logistycznego, modelowania heurystycznego oraz zarządzania wyżej wymienioną wiedzą w zintegrowanym systemie zarządzania. Heurystyczne modelowanie procesów zarządzania operacyjnego 145 2. ZINTEGROWANY SYSTEM ZARZĄDZANIA (ZSZ) 2.1. WZAJEMNE RELACJE POMIĘDZY ZSI I ZSWD W wyniku burzliwego rozwoju Internetu w latach dziewięćdziesiątych projektowane są dość powszechnie dla celów zarządzania [Tadeusiewicz 2005, s. 22] sieciowe systemy informatyki (SSI), które stały się podstawą dla rozwoju tzw. zintegrowanych systemów informatycznych (ZSI). W systemach ZSI występuje dość silny stopień integracji, lecz odbywa się on głównie na poziomie funkcji informatycznych i informacyjnych. Natomiast wysoki stopień integracji na poziomie funkcji zarządzania operacyjnego i strategicznego (i pomiędzy tymi dwoma funkcjami) wystąpi w przyszłości [Tadeusiewicz 2005, s. 22] jako skutek powszechnego zastosowania sztucznej inteligencji (SI). ELEMENTY WIEDZY INFORMACJE I WIEDZA OTWARTA (ZSI) UKRYTEJ [Rachunkowość menedżerska, analiza ryzyka, INTERPRETACJA metody heurystyczne i elementy sztucznej inteligencji] ZASTOSOWANIE INFORMACJI I PEŁNEJ WIEDZY (ZSZ) (ZSWD) Rys. 2. Koncepcja zintegrowanego systemu zarządzania (ZSZ) Źródło: Opracowanie własne. Wydaję się więc uzasadnione wprowadzenie, na szerszą skalę, do procesów dydaktycznych jak również do praktyki zarządzania, składnika pośredniego pomiędzy ZSI i przyszłymi zastosowaniami SI czyli zintegrowanych systemów zarządzania (ZSZ). W ZSZ obok ZSI występuje istotny składnik dodatkowy czyli zintegrowany system wspomagający decyzje (ZSWD). W ZSWD (por. rys. 2) pełny moduł sztucznej 146 Józef Wilk inteligencji jest przejściowo zastąpiony przez metody heurystyczne i tylko wybrane elementy SI. ZSZ może więc stosować rozwiązania hybrydowe [Radosiński 1997, s. 191] zapewniające wykorzystanie w firmie tzw. wiedzy ukrytej (por. tab. 1). W pracy [Nonaka i Takeuchi 2002, s. 25] wiedza sformalizowana, otwarta i stosunkowo łatwa do zarejestrowania (na przykład w ZSI) jest traktowana jako tylko czubek góry lodowej pełnej wiedzy możliwej do zastosowania w przedsiębiorstwie. Jak pokazano to w tab. 1, wiedza otwarta jest stosowana w firmach tradycyjnych, charakteryzujących się scentralizowanymi strukturami zarządzania, w których procedury decyzyjne na niższych szczeblach są formułowane i narzucane przez wyższe szczeble władzy. W tego typu przedsiębiorstwach rachunkowość finansowa jest podstawą dla realizowania zarówno raportowania zewnętrznego, jak również wewnętrznego. Natomiast w firmach o zdecentralizowanych strukturach zarządzania raportowanie i planowanie wewnętrzne wykorzystuje raczej standardy rachunkowości menedżerskiej, analizy ryzyka, metody heurystyczne oraz elementy sztucznej inteligencji (por. rys. 2). Tab. 1. Zależność pomiędzy strukturą zarządzania a rodzajami wiedzy RODZAJ WIEDZY WIEDZA OTWARTA (Overt knowledge) Wykorzystanie: ZSI WIEDZA UKRYTA (Covert knowledge) Wykorzystanie: ZSWD Scentralizowany system zarządzania Zdecentralizowany system zarządzania Podstawowy rodzaj wiedzy Uzupełniający rodzaj wiedzy Uzupełniający rodzaj wiedzy Podstawowy rodzaj wiedzy Źródło: Opracowano na podstawie [Kisielnicki 2003, s. 5] Warunkiem wykorzystania wiedzy ukrytej w systemie ZSWD jest decentralizacja struktur zarządzania oraz przeprowadzanie wielopłaszczyznowych zintegrowanych [Wilk 2001, s. 137] działań na wszystkich poziomach organizacyjnych i szczeblach decyzyjnych. Do najważniejszych tego typu elementów należałoby zaliczyć integrację przedsiębiorstwa z rynkiem kapitałowym w wyniku nadawania firmom statusu publicznych spółek akcyjnych (PSA). Specyfika PSA narzuca konieczność połączenia aspektów technologicznych i ekologicznych z ekonomicznymi podczas projektowania, realizacji i eksploatacji inwestycji rzeczowych oraz konieczność ujednolicenia kryterium optymalizacji działań na wszystkich poziomach decyzyjnych. Do najważniejszych działań organizacyjnych, warunkujących implementację ZSWD, należy również zaliczyć tzw. integrację poziomą i integrację pionową struktur organizacyjnych przedsiębiorstwa. Integracja pozioma polega na połączeniu i koordynacji działań, na nowych zasadach, autonomicznych ośrodków odpowiedzialności. Natomiast integracja pionowa zastępuje dotychczasowe procedury centralistyczne i jest podstawą zarządzania strategicznego opartego na nowoczesnych kryteriach efektyw- Heurystyczne modelowanie procesów zarządzania operacyjnego 147 nościowych. W tej sytuacji procedury zarządzania związane z integracją pionową stanowią łącznik, poprzez modelowanie heurystyczne (por. rys. 1), pomiędzy planami krótkookresowymi i długofalowymi. 2.2. PODSTAWOWE ZAŁOŻENIA DLA MODUŁU HEURYSTYCZNEGO Podczas projektowania systemów ZSWD (w przeciwieństwie do ZSI) techniki informatyczne przesunięte są na drugi plan, ustępując miejsca procesom integracji działań zarządzania strategicznego i operacyjnego. Chociaż w naszym opracowaniu koncentrujemy się głównie na heurystycznym modelowaniu działań operacyjnych, to jednak uzyskane procedury powinny zostać podporządkowane wspomaganiu decyzji dotyczących planowania długookresowego oraz kompleksowej oceny projektów strategicznych. Tym celom służy, jak wiadomo, najbardziej obecnie rozpowszechniony wśród inwestorów [Haugen 1996, s. 217] model oceny aktywów kapitałowych CAPM (ang. Capital Assets Pricing Model). Dla przeprowadzenia oceny efektywności inwestycji bazującej na tym modelu konieczne jest przeprowadzanie (na poziomie operacyjnym) wielu skomplikowanych analiz szczegółowych i globalnych dotyczących modelowania [Wilk 2001, s. 137] i prognozowania kosztów, wyników i ryzyka. Analizy powinny być przeprowadzane dla wielkiej liczby wariantów dotyczących maksymalizacji bieżącej wartości netto NPV (ang. Net Present Value) prognozowanych wpływów z rozpatrywanych projektów NPV(I) = PV(I) − K(I)>= 0 (1) gdzie PV(I) oznacza bieżącą wartość przyszłych wpływów zdyskontowanych przez stopę zwrotu WACC (średni ważony koszt kapitału), zaś K(I) oznacza zdyskontowany koszt (por. rys. 3) realizacji inwestycji (maszyny i instalacje, koszty budowlane, geotechniczne, ekologiczne, rozbudowa kanałów dystrybucyjnych itp.). Jak wiadomo [Wilk 2001, s. 23], w świetle metody CAPM, warunkowi efektywnościowemu (1) powinien towarzyszyć warunek uzupełniający BETA( I ) <= BETA( F ) (2) gdzie względny parametr ryzyka BETA(I) rzeczowego projektu inwestycyjnego powinien mieścić się [Ross, Westerfield 1988, s. 182] w klasie ryzyka BETA(F) (historyczne ryzyko względne firmy). Proces maksymalizacji NPV(I) jest uzależniony od uzyskania możliwie minimalnej wartości K(I) oraz możliwie maksymalnej wielkości PV(I) ale, jak wynika to z formuły (2), sytuację bardzo komplikuje fakt, że do podstawowych wymagań rynku finansowego należy równoczesne przestrzeganie dość złożonych warunków i zasad dotyczących ryzyka. 148 Józef Wilk Efektywna konstrukcja pełnego ZSWD jest uzależniona od szeregu interdyscyplinarnych umiejętności dotyczących: mechanizmu rynku kapitałowego, nowoczesnych finansów, rachunku kosztów menedżerskich (metoda activity based costing), zarządzania logistycznego, modelowania heurystycznego oraz zarządzania wyżej wymienioną wiedzą w zintegrowanym systemie informacyjnym. PV(I) (c) Kapitał ludzki, marketing, logistyka, finanse i ryzyko, koniunktura oraz rachunkowość zarządcza (Xf,Xm,Xe) PV(I) i K(I) (a) Jakość instalacji technologicznych, lokalizacja oraz aspekty ekologiczne (Xf,Xm,Xe) K(I) (b) Problematyka ogólnobudowlana tzw. skorupa oraz instalowanie linii technologicznych (Xf,Xm,Xe) Rys. 3. Kluczowe obszary działań w procesie planowania rzeczowej inwestycji długookresowej Źródło: Opracowanie własne. W pracy dużo uwagi poświęcimy koncepcji matematycznego modelowania jednostkowych kosztów działań oraz wyników firmy w oparciu o pewne heurystyczne funkcje korygujące oraz zestaw fuzzy logic [Wilk 1989, s. 69] współczynników, przyjmujących wartości z zakresu (od 0 do 1). Heurystyczne modelowanie wiedzy może być wykorzystane zarówno podczas planowania (budżetowanie, optymalizacja instalacji, wybór lokalizacji z uwzględnieniem aspektów ekologicznych itp.) jak również w procesie kontroli realizacji i w fazie podejmowania decyzji korekcyjnych. Spośród wielu możliwych parametrów fuzzy logic trzy z nich: Xf (jakość technologii), Xm (jakość zarządzania) i Xe (jakość lokalizacji firmy pod względem jej dostosowania do wymagań ochrony środowiska) wysuwają się na plan pierwszy pod względem ich roli w naszym modelu heurystycznym. Jeśli parametr Xf=1, to oznacza to przyjęcie najlepszej i tym samym najdroższej technologii. Z drugiej strony należy jednak oczekiwać minimalnego zużycia surowców, energii i robocizny (w wyniku automatyzacji) na jednostkę produkcji. Warunek ten (czyli Xf=1) jest konieczny, lecz nie jest wystarczający, gdyż po to, by ewentualnie uzyskać wspomniane powyżej oszczędności wymagane są równocześnie: najwyższy i tym samym najbardziej kosztowny standard zarządzania (Xm=1) oraz najlepsza lokalizacja (Xe=1). W przypadku, gdy Xm przyjmie wartości mniejsze od jedności, wówczas zmniejszony standard zarządzania do- Heurystyczne modelowanie procesów zarządzania operacyjnego 149 prowadza zwykle do obniżenia dyscypliny procesu produkcyjnego, co automatycznie przekłada się na zwiększenie zużycia zasobów firmy w wyniku, na przykład, zdyskwalifikowania poszczególnych serii wytwórczych nie spełniających założonych kryteriów jakościowych. Natomiast w przypadku, gdy Xe przyjmuje wartości mniejsze od jedności, wówczas lokalizacja nie jest bezkolizyjnie ustawiona w stosunku do przepisów i norm środowiskowych. Jakość dostosowania zależy przede wszystkim od lokalizacji, ale również od zakresu prac budowlanych, hydrotechnicznych itp. (por. rys. 3) mających na celu zmniejszenie zanieczyszczenia powietrza, wód gruntowych i głębinowych, erozję gleby, nadmierne podmakanie (lub osuszanie) gruntów rolniczych i fundamentów budowli (por. [Wilk 1978]). Ewentualne kary i odszkodowania mogą w istotny sposób przekładać się na zwiększenie kosztów jednostkowych. 3. HEURYSTYCZNY MODEL KOSZTÓW 3.1.PRZEDSTAWIENIE WIEDZY EKSPERCKIEJ W punkcie 2.2 zdefiniowaliśmy fuzzy logic parametry X; Xm, Xf i Xe. Obecnie zdefiniujemy tzw. funkcję korygującą [Wilk 2001, s. 113] Y = X C1∗ X + C 2 (3) gdzie C1 i C2 są współczynnikami aproksymacji. Wyznaczenie konkretnych wartości C1 i C2 jest uzależnione od założenia dwóch dyskretnych punktów X1 i X2, dla których znane są ekspertowi odpowiednie wartości zmiennej zależnej Y1 i Y2. Po dokonaniu obustronnego działania logarytmowania równania (3) Ln(Y 1) = (C1 ∗ X 1 + C 2) ∗ Ln( X 1) (4) Ln(Y 2) = (C1 ∗ X 2 + C 2) ∗ Ln( X 2) (5) możemy łatwo sformułować układ dwóch równań liniowych (4) i (5), których rozwiązanie pozwala wyznaczyć obie wartości niewiadomych Ln(Y 1) Ln(Y 2) − Ln( X 1) Ln( X 2) C1 = X1 − X 2 Ln(Y 1) Ln(Y 2) ∗ X1 − ∗ X2 Ln( X 2) Ln( X 1) C2 = . X1 − X 2 (6) (7) 150 Józef Wilk Tab. 2. Przykład stabelaryzowanej wiedzy eksperckiej X1= 1 2 X1m= 0,5 X1m= 0,5 X2= X2m= 0,75 X2m= 0,75 Y1 Y2 C1 C2 Y1vm= 3,0 Y1mm=0,15 Y2vm= 1,5 Y2mm=0,85 C1vf=0,70217 C1vm=-8,6882 C2vf= -1,936 C2vm=7,08105 Źródło: Opracowanie własne. Yvm 4,0 3,0 Y1=3 X1 0,5 Y2=1,5 X2 0,75 2,0 1,0 Xm 1,0 Rys. 4a. Funkcja ekspercka Yvm=f(Xm) Ymm 1,0 Y2=0,85 0,5 Y1=0,15 X1 X2 0,5 0,75 Xm 1,0 Rys. 4b. Funkcja ekspercka Ymm=f(Xm) Zastosowanie funkcji korygujących zilustrujemy przy zastosowaniu prostego przykładu opisanego poprzez dwie formuły (8) i (9) Kvj = ( Kvj ^ ) ∗ Yvm = ( Kvj ^ ) ∗ Xm C1vm∗ Xm + C 2 vm (8) Kmj = ( Kmj ^ ) ∗ Ymm = ( Kmj ^ ) ∗ Xm C1mm∗ Xm +C 2 mm (9) gdzie Kvj oznacza rzeczywisty jednostkowy zmienny koszt techniczny, czyli koszt zużycia (na jednostkę produkcji) surowca, energii, części zamiennych itp., natomiast Kvj^ jest minimalnym (teoretycznym) kosztem Kvj możliwym do uzyskania tylko w przypadku wystąpienia najwyższego standardu zarządzania (gdy Xm=1) - ponieważ wówczas funkcja korygująca Yvm(Xm)=1 (por. rys. 4a). Jeśli jakość zarządzania obniżymy do poziomu Xm=0,75, wówczas należy się spodziewać powiększenia jednostkowego kosztu Kvj o 50%, gdyż wówczas Yvm =1,5 (por. rys. 4a i wiersz 1 w tab. 2). Dalsze ewentualne zmniejszenie standardu zarządzania do poziomu Xm=0,5 wiąże się (według eksperta) z trzykrotnym (a więc już gwałtownym) wzrostem zużycia jednostkowego kosztu technicznego (Yvm =3,0), jednak wzrost technicznego kosztu jednostkowego może być rekompensowany spadkiem jednostkowego kosztu zarządzania Kmj (por. wzór 9). W formule (9) Kmj^ jest maksymalną wielkością jednostkowego kosztu zmiennego Kmj występującą tylko w przypadku wystąpienia najwyższego standardu zarządzania (gdy Xm=1) - ponieważ wówczas funkcja korygująca Ymm(Xm)=1 (por. rys. 4b). Jeśli jakość zarządzania obniżymy do poziomu Xm=0,75, wówczas należy się spodziewać zmniejszenia jednostkowego kosztu Kmj o 15%, gdyż wówczas Yvm =0,85 (por. rys. 4b i wiersz 2 w tab. 2). Dalsze zaś zmniejszenie standardu zarządza- Heurystyczne modelowanie procesów zarządzania operacyjnego 151 nia do poziomu Xm=0,5 wiąże się już z bardzo dużym (o 85%) spadkiem kosztu jednostkowego Kmj, gdyż w tym przypadku Yvm =0,15. 3.2. MODELOWANIE KOSZTÓW I WYNIKÓW FINANSOWYCH Wynik finansowy firmy, dla założonego okresu rozliczeniowego, możemy przedstawić przy pomocy [Wilk 2001, s. 58] następującej formuły Z = N ∗ (Cj − Kzj ) − Ks (10) gdzie Z oznacza zysk, N jest wolumenem sprzedaży, Cj oznacza cenę jednostkową, Kzj jest jednostkowym kosztem zmiennym, zaś Ks jest pełnym kosztem stałym. Na rys. 5 pokazano jeden z możliwych wariantów współzależności pomiędzy poszczególnymi elementami formuły (9) a parametrami fuzzy logic; Xm i Xf. W naszym modelu przyjmujemy więc dla uproszczenia (w stosunku do rozważań przedstawionych w p. 2) założenie, że parametr Xe=1. W szczególności zakładamy, że wolumen sprzedaży przyjmuje formę N = N ^ ∗ Ynm = N ^ ∗ Xm C1nm∗ Xm +C 2 nm (11) gdzie N^ oznacza maksymalną możliwą sprzedaż, w rocznym okresie rozliczeniowym, przy założeniu najwyższego standardu zarządzania, gdy Xm=1. Koszty stałe w naszym modelu składają się tylko (dla uproszczenia) z trzech podstawowych członów Ks = Kf + Kr + Ki. (12) N=f(Xm) Ks=f(Xf) Z=N*(Cj - Kzj)-Ks Kzj=f(Xm,Xf) Rys. 5. Współzależności wyniku finansowego i parametrów; Xm i Xf. Źródło: Opracowanie własne. We wzorze (12) Kf = N ∗ Kfj (13) 152 Józef Wilk oznacza roczny koszt stały związany z amortyzacją (rozłożoną na 5 lat) maszyn i urządzeń. Natomiast koszt stały Kf przypadający na jednostkę produkcji oznacza Kfj = Kfj ^ ∗ Yff ∗ Xn = Kfj ^ ∗ Xf C1 ff ∗ Xf + C 2 ff ∗ Xn (14) gdzie Kfj ^ = Cf ^ . 5∗ N^ (15) We wzorze (15) Cf^^ oznacza pełny koszt najdroższej i o najwyższej jakości technologii (maszyny i urządzenia) odpowiadający rocznej produkcji nominalnej Nn=N^. W naszym modelu zakładamy więc, że roczna nominalna produkcja równa się nominalnej sprzedaży i równa się maksymalnej wartości N (dla Xm=1). Ponadto, we wzorze (14) Xn = N N^ (16) jest parametrem związanym z tzw. efektem skali (jak wiadomo, należy go uwzględniać tylko w przypadku wyznaczania jednostkowych kosztów stałych). Ponadto, we wzorze 12 występuje Kr = N ∗ Krj (17) oznaczający koszt stały związanym z płacami pracowników etatowych. Tutaj Krj = Krj ^ ∗ Yrf ∗ Yrm ∗ Xn = Krj ^ ∗ Xf C1rf ∗ Xf + C 2 rf ∗ Xm C1rm∗ Xm + C 2 rm ∗ Xn (18) jest rzeczywistym stałym kosztem Kr przypadającym na jednostkę produkcji, natomiast Krj^ jest minimalnym jednostkowym kosztem Krj występującym w przypadku, gdy równocześnie Xm=1, Xf=1 oraz Xn=1. Jak wiadomo, wydajność pracy spada zawsze w przypadkach, gdy maszyny i urządzenia są mniej zautomatyzowane (Xf<1), gdy występuje niższa jakość zarządzania (Xm<1) oraz gdy spada sprzedaż (Xn<1). We wzorze 12 również występuje Ki = N ∗ Kij (19) oznaczający koszt stały związany z amortyzacją budynków i hal produkcyjnych o łącznym koszcie Ci . W naszym przypadku Kij = Ci 10 ∗ N (20) jest kosztem rocznej (rozłożonej na 10 lat) amortyzacji Ki przypadającym na jednostkę produkcji. Heurystyczne modelowanie procesów zarządzania operacyjnego 153 Obecnie skoncentrujemy się bliżej na zagadnieniu modelowania kosztów zmiennych Kz = N ∗ Kvj + N ∗ Kmj (21) gdzie jednostkowy koszt zarządzania Kmj wyznaczamy na podstawie formuły (9), natomiast jednostkowy techniczny koszt zmienny Kvj = Kvj ^ ∗ Yvf ∗ Yvm = Kvj ^ ∗ Xf C1vf ∗ Xf +C 2vf ∗ Xm C1vm∗ Xm +C 2 vm (22) stanowi modyfikację formuły (8) poprzez dołączenie funkcji korygującej Yvf. Potrzeba uwzględnienia funkcji Yvf wynika z faktu, że - jak ogólnie wiadomo - wielkość technicznego kosztu jednostkowego zmiennego nie zależy tylko od poziomu zarządzania w przedsiębiorstwie, ale również od jakości zainstalowanych maszyn i urządzeń. Formułę (10) przedstawiającą wynik finansowy możemy również pokazać w ekwiwalentnej [Engler 1988, s. 247] postaci Z = N ∗ (Cj − Kcj ) (23) gdzie koszt całkowity jednostkowy Kcj = Ksj + Kzj = Kfj + Krj + Kij + Kvj + Kmj. (24) Obecnie dysponujemy już pełną możliwością, poprzez zastosowanie formuł (9) do (22), wyznaczenia wyniku finansowego (23). 3.3. ANALIZA PRZYPADKU SYTUACYJNEGO W naszym przypadku sytuacyjnym przeprowadzamy, w pierwszej kolejności, analizę kosztów i wyników centrum inwestycji pewnej (hipotetycznej) zdecentralizowanej firmy produkcyjnej, dla której wiedza ekspercka (analogiczna do tej przykładowej pokazanej w tab. 2) jest przedstawiona w tab. 3. Okazało się, że w poprzednim (2005) roku przedsiębiorstwo uzyskało stopę zwrotu (ang. return on investment) ROI=12,13% (przy parametrach fuzzy logic Xm=0,8 i Xf=0,8). Natomiast obecnie kierownictwo centrum inwestycji, poprzez nowy (optymalny) dobór Xm i Xf, postanowiło uzyskać w następnym (2006) roku możliwie maksymalną wielkość ROI. W uzupełnieniu tab. 3, pozostałe dane wejściowe i obliczone dla przypadku sytuacyjnego dotyczącego 2005 roku pokazano w tab. 4. Wartość stopy zwrotu pokazanej w wierszu 14. tab. 4. 154 Józef Wilk Tab. 3. Stabelaryzowana wiedza ekspercka Nr funkcja X1 X2 Y1 Y2 C1 C2 1 2 3 4 5 6 7 Ynm Yff Ymm Yrf Yrm Yvf Yvm 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,75 0,75 0,75 0,75 0,75 0,75 0,75 0,50 0,20 0,25 2,00 3,00 2,50 3,00 0,75 0,30 0,35 1,50 2,00 1,50 2,00 0 7,452 6,597 -1,638 -3,208 -0,350 -3,297 1,00 -1,404 -1,298 -0,181 0,064 -1,146 0,064 Źródło: Opracowanie własne. Tab. 4. Dane wejściowe i obliczone dla przypadku sytuacyjnego dotyczącego 2005 roku Nr PARAMETR DANE Sposób wyznaczenia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 N^= Cf^= Kfj^= Kmj^= Krj^= Kvj^= Ci= Cj= Cf As Ao 100 000 10 000 000 20,00 100,00 15,00 25,00 20 000 000 220,00 3 616 697 23 616 697 991 000 Kcj Z ROI[%] 182,70 2 984 000 12,13 dana wejściowa dana wejściowa wzór (15) dana wejściowa dana wejściowa dana wejściowa dana wejściowa dana wejściowa wzór (27) wzór (26) wzór (28) wzór (24) i tablica (5) wzór (23) wzór (25) Źródło: Opracowanie własne. ROI[%] = 2 984 000 Z Z = ∗ 100 = ∗ 100 K (I) As + Ao As + Ao (25) obliczamy przy upraszczającym założeniu, że ROI =ROA (ang. return on assets), że zysk (por. wzór 23) Z = 80 000 ∗ (220 − 182,70) = 2 984 000 oraz aktywa stałe (26) Heurystyczne modelowanie procesów zarządzania operacyjnego 155 As = Ci + Cf = 20 000 000 + Cf (27) to Ci (czyli wartość budynków i hal produkcyjnych) oraz Cf(Xf) oznacza rzeczywistą wartość maszyn i urządzeń Cf = Cf ^ ∗ Xf C1 ff ∗ Xf + C 2 ff = 10 000 000 * 0.87 , 452∗0,8 −1, 404 = 3 616 697. (28) Tab. 5. Procedura wyznaczania Kcj (dla roku 2005) w konwencji arkusza kalkulacyjnego 1 2 3 4 5 6 7 8 A B N^= Kfj^= Kmj^= Krj^= Kvj^= 100 000 20,00 100,00 15,00 25,00 C D E Xf Xm 0,8 Xn 0,8 0,8 0,8 1,25 0,8 0,8 0,8 1,25 F N= Kfj= Kmj= Krj= Kvj= Kij= Kcj= G 80 000 9,05 41,15 46,45 61,05 25,00 182,70 H wzór (11) (14) (9) (18) (22) (20) (24) Źródło: Opracowanie własne. Aktualne warunki płynności finansowej w przedsiębiorstwie powodują, że wartość aktywów obrotowych Krj + Kvj + Kmj 46.45 + 61,05 + 41,15 (28) = 80 000 ∗ = 991 000 12 12 równa się (dla jednego miesiąca): fundusz płac plus techniczny koszt zmienny plus koszt zmienny zarządzania. Obecnie dysponujemy już pełną informacją do wyznaczenia stopy zwrotu Ao = N ∗ ROI = 2 984 000 ∗100 = 12,13% 23 616 697 + 991 000 (29) dotyczącej roku 2005. Podstawowe wyniki obliczeń (dla roku 2005) na podstawie procedury zrealizowanej w konwencji arkusza kalkulacyjnego pokazano w tab. 5. Tę samą procedurę możemy wykorzystać dla roku 2006, lecz w tym przypadku wartości parametrów Xf i Xm dobieramy (por. tab. 6), przy pomocy narzędzia solver (dla arkusza kalkulacyjnego Excel), pod kątem uzyskania maksymalnej wielkości ROI. W wyniku powyżej opisanych działań optymalizacyjnych uzyskano maksymalną wartość stopy zwrotu ROI = 5 096 765 ∗100 = 19,48% 25 174 496 + 990 695 (30) 156 Józef Wilk przy zastosowaniu parametrów fuzzy logic Xf=0,88 i Xm=0,91 oraz wyników obliczeń pokazanych w tab. 6 i w tab. 7. Jak łatwo jest zauważyć, w 2006 roku wystąpił istotny przyrost stopy zwrotu ROI w stosunku do roku 2005. Tutaj należy podkreślić , że nasz horyzont czasowy (w zarządzaniu operacyjnym) obejmuje tylko jeden rok. W przypadku zastosowania modelu do optymalizacji planowania strategicznego a więc dla znacznie dłuższego horyzontu czasowego możliwe jest zastosowanie drugiego kryterium optymalizacyjnego, a mianowicie minimalizacja ryzyka (por. formuła (2)). Tab. 6. Procedura wyznaczania Kcj (dla roku 2006) w konwencji arkusza kalkulacyjnego 1 2 3 4 5 6 7 8 A B N^= Kfj^= Kmj^= Krj^= Kvj^= 100 000 20,00 100,00 15,00 25,00 C D E Xf Xm 0,91 Xn 0,88 0,88 0,88 1,0989 0,91 0,91 0,91 1,0989 F N= Kfj= Kmj= Krj= Kvj= Kij= Kcj= G 91 000 11,39 64,16 26,75 39,72 21,98 164,00 H wzór (11) (14) (9) (18) (22) (20) (24) Tab. 7. Dane wejściowe dla 2005 roku i obliczone dla przypadku sytuacyjnego dotyczącego 2006 roku Nr PARAMETR DANE Sposób wyznaczenia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 N^= Cf^= Kfj^= Kmj^= Krj^= Kvj^= Ci= Cj= Cf As Ao 100 000 10 000 000 20,00 100,00 15,00 25,00 20 000 000 220,00 5 174 496 25 174 496 990 695 Kcj Z ROI[%] 164,00 5 096 765 19,48 dana wejściowa dana wejściowa wzór (15) dana wejściowa dana wejściowa dana wejściowa dana wejściowa dana wejściowa wzór (27) wzór (26) wzór (28) wzór (24) i tablica (5) wzór (23) wzór (25) Przeprowadzona powyżej analiza kosztów i wyników pokazała, że model heurystyczny sformułowany w p. 3.2 umożliwia sterowanie stopą zwrotu ROI w zależności od wielkości parametrów Xf i Xm. Z punktu widzenia zastosowań praktycznych, jak Heurystyczne modelowanie procesów zarządzania operacyjnego 157 również dla celów szkoleniowych, interesującą może okazać się dyskusja nad przyczynami istotnego wzrostu stopy zwrotu od wartości ROI= 12,13% (wzór 29) do wielkości ROI=19,48% (wzór 30). Podstawowej przyczyny należy upatrywać w tym przypadku w znacznym wzroście zysku od wartości Z=2 984 000 (por. wiersz 13 w tab. 4) do wartości Z=5 096 765 (por. wiersz 13 w tab. 7). Wprawdzie w formule (30) równocześnie z zyskiem wzrosła również wielkość mianownika (głównie w wyniku wzrostu wartości aktywów będących maszynami i urządzeniami od wielkości Cf=3 616 697 do wielkości Cf=5 174 496), to jednak dynamika przyrostu licznika okazała się tu decydująca. Wzrost zysku liczonego według formuły (23) nastąpił częściowo w wyniku powiększenia wolumenu sprzedaży (od wielkości N=80 000 do wielkości N=91 000), zaś w większym jeszcze stopniu jako konsekwencja istotnego zmniejszenia kosztu jednostkowego całkowitego (od wartości Kcj=182,70 do wartości Kcj=164,00). Natomiast przyczyny redukcji kosztu jednostkowego Kcj są nieco bardziej złożone i są głównie rezultatem zmniejszenia kosztów jednostkowych stałych robocizny (od wartości Krj=46,45 do Krj=26,75) oraz jednostkowych kosztów zmiennych technicznych (od wartości Kvj=61,05 do Kvj=39,72). W obu przypadkach odbyło się to dzięki podniesieniu jakości i stopnia zautomatyzowania maszyn (parametr Xf), jak również w wyniku podniesienia poziomu zarządzania (parametr Xm). Dodatkowo wystąpiło również zmniejszenie kosztu stałego jednostkowego związanego z amortyzacją budynków i hal produkcyjnych (od wartości Kij=25,00 do Kij=21,98) i ta redukcja jest wynikiem tzw. efektu skali, czyli w konsekwencji powiększenia się wolumenu sprzedaży (od wielkości N=80 000 do wielkości N=91 000, tutaj należy dokonać dodatkowego założenia o rynku doskonałym, w którym zwiększenie podaży nie spowoduje zmniejszenia ceny). Należy jednak podkreślić, że inne dwa człony jednostkowych kosztów całkowitych (Kcj) zostały równocześnie powiększone, a mianowicie jednostkowy koszt stały amortyzacji maszyn i urządzeń wzrósł od wartości Kfj=9,05 do Kfj=11,39 oraz jednostkowy koszt zmienny zarządzania wzrósł od wartości Kmj=41,15 do Kmj=64,16. 4. PODSUMOWANIE Maksymalizacja stopy zwrotu jest zwykle podstawowym celem operacyjnym centrum inwestycji w firmie zdecentralizowanej. Jednak z punktu widzenia przedsiębiorstwa jako całości maksymalizacja ROI stanowi, zwłaszcza dla horyzontu długookresowego, tylko rozwiązanie sub-optymalne. Jak to już podkreślono w p. 2.2, długofalowe kryterium efektywności ekonomicznej polega na równoczesnym spełnieniu formuły (1) i formuły (2) (por. również rys. 6). Formuła (1) zakłada, że minimalna wartość NPV(I) powinna wynosić zero, ale z punktu widzenia pozycji firmy na rynku finansowym przedsiębiorstwo powinno dążyć z jednej strony do maksymalizacji tej 158 Józef Wilk wartości, a z drugiej strony do minimalizacji ryzyka względnego BETA(I), wyrażonego również poprzez wielkość odchylenia standardowego stopy zwrotu STD(ROI) (por. rys. 6). Z=f(Xm,Xf)) Cf=f(Xf) NPV(I)=PV(I)-K(I)=maximum [por. formuła (1)] STD(ROI)=f(Xm,Xf)=minimum [por. formuła (2)] Kcj=f(Xm,Xf)=minimum ROI(Xm,Xf)=constans Rys. 6. Współzależność kryterium efektywności inwestycji długookresowej i parametrów; Xm i Xf. Źródło: Opracowanie własne. Należy jednak podkreślić, że wartości parametrów Xf i Xm, występujących w formułach pokazanych na rys. 6, należy dostosować do realiów przedsiębiorstwa jako całości, a nie tylko pojedynczego centrum inwestycji. Model heurystyczny, przedstawiony w p. 3. pozwala na częściowe wyznaczenie PV(I) czyli bieżącej wartość przyszłych wpływów (zyski i amortyzacja) oraz kosztu inwestycji K(I). Zaproponowano tam wyliczenie zysku Z (wzór 23) części kosztu K(I) dotyczącego maszyn i urządzeń Cf (wzór 28) oraz w konsekwencji również amortyzacji maszyn i urządzeń. Dla wyznaczenia pozostałych członów K(I) omówionych w p. 2.2 model heurystyczny powinien oczywiście ulec dalszej rozbudowie i powinien zostać uwzględniony parametr Xe. Model heurystyczny może być również przydatny do przeprowadzania ewentualnego minimalizowania ryzyka (por. rys. 6 ) wyrażonego poprzez formułę (2). Uzyskać to możemy, dysponując heurystycznym modelem kosztów, poprzez sterowanie wartościami Kcj(Xm,Xf) (por. wzór 23). Jak wiadomo, wzrost ryzyka (zwłaszcza tzw. systematycznego) występuje, poprzez spadek popytu, najczęściej w okresach dekoniunktury makroekonomicznej. W okresach zmniejszonego popytu minimalna wielkość Kcj umożliwia obniżkę ceny jednostkowej Cj (lub zwiększenie wydatków na tzw. marketing mix) i ta operacja pozwala ustabilizować wolumen sprzedaży N(Kcj), bez większych ujemnych konsekwencji dla wyników finansowych. Tak więc problem minimalizacji ryzyka może zostać rozwiązany poprzez rezygnację z polityki maksymalizacji stopy zwrotu ROI na rzecz jej stabilizacji w wartościach średnich. LITERATURA ENGLER, C. 1988. Managerial accounting. IRWIN, Homewood. HAUGEN, R.A. 1996. Teoria nowoczesnego inwestowania. WIG PRESSJ, Warszawa. Heurystyczne modelowanie procesów zarządzania operacyjnego 159 KISIELNICKI, J. 2003. Management infrastructure in the process of knowledge management – an attempt at diagnosis of the state and potential of polish businesses. Konferencja naukowa "Raport o zarządzaniu" VII edycja. Wyższa Szkoła Przedsiębiorczości i Zarządzania im. L. Koźmińskiego, Warszawa, (wersja elektroniczna referatu na stronie; (http://www.wspiz.edu.pl/resources/?rid=9146). MACIĄG, J. 2005. Zarządzanie wiedzą w szkole wyższej w zapewnianiu jakości procesu kształcenia; [w:] E. Skrzypek (red.) Materiały Konferencji Naukowej INTELLECT 2005 – Kapitał intelektualny jako szansa na poprawę jakości zarządzania w warunkach globalizacji, tom 2. Wyd. Uniwersytetu M.C. Skłodowskiej, Lublin. ss. 311-319. NONAKA, I., TAKEUCHI, H. 2002. Kreowanie wiedzy w organizacji. Poltext, Warszawa. RADOSIŃSKI, E. 1997. Techniki inteligentne w symulacyjnej analizie firmy; [w:] W. Misiąg (red.) Symulacja systemów gospodarczych. Wyższa Szkoła Przedsiębiorczości i Zarządzania w Warszawie i Politechnika Wrocławska, Warszawa; ss. 181-194. ROSS, S.A., WESTERFIELD, R.W. 1988. Corporate finance. Tiemes Mirror/Mosby College Pub., St. Louis. TADEUSIEWICZ, R. 2005. Sztuczna inteligencja jako narzędzie budowy przewagi konkurencyjnej; [w:] J.T. Duda (red.) Systemy informatyczne i metody obliczeniowe w zarządzaniu. Wyd. Naukowo-dydaktyczne AGH, Kraków; ss. 17-26. WILK, J. 1978. Komputerowy system optymalizacji procesów technologicznych dla zagadnień inwestycyjnych. Monografia nr 42, Akademia Ekonomiczna, Kraków. WILK, J. 1989. A fuzzy logic transformation model from state controlled to free market economic system; [w:] W.G. Vogt, M.H. Mickle (red.) Proceedings of the XX Annual Pittsburgh Conference on Modeling & Simulation, Pittsburgh, Vol. 20, part ; ss. 67-71. WILK, J. 2001. Zintegrowany system zarządzania przedsiębiorstwem. WSHiFM, Warszawa.