Методы сокращения затрат на производство новых видов продукции

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА. Тема дипломного проекта «Методы сокращения затрат на производство новых видов продукции»
...

Введение
1 Теоретические особенности исследования методов сокращения затрат на производство новых видов продукции
1.1 Экономическое содержание затрат на производство новой продукции
1.2 Изучение методов учета затрат и калькулирования себестоимости новых видов продукции
1.3 Факторы и резервы снижения себестоимости новых видов продукции на предприятии
2 Исследование управления затратами ЗАО «ВКСМ» на производство новых видов продукции
2.1 Анализ основных экономических показателей деятельности ЗАО «ВКСМ»
2.2 Изучение деятельности экономического и технико-технологического подразделений по сокращения затрат на производство новых видов продукции
2.3 Анализ структуры и динамики себестоимости новых видов продукции предприятия
3 Разработка мероприятий по внедрению актуальных методов снижения затратна производство новых видов продукции ЗАО "ВКСМ"
3.1Организация использования методов учета и контроля материальных затрат на производство новых видов продукции
3.2 Инжинерно-технические рекомендации по сокращению материальных затрат на предприятии
3.3 Оценка эффективности внедрения методов снижения затрат
Заключение
Список литературы

ВВЕДЕНИЕ
В рыночных условиях хозяйствования независимо от организационно-правовой формы одной из главных целей предпринимательской деятельности является прибыль как источник финансовых ресурсов для развития производства, удовлетворения потребностей владельцев производства и государства в целом. Прибыль, как известно, определяется разницей между выручкой от реализации продукции и затратами на ее производство и реализацию, т.е. ее себестоимостью.
На сегодняшний день в условиях острой конкуренции перед предприятиями всего мира стоит непростая задача оптимального сочетания затрат на производство новых видов продукции и высокого качества выпускаемой продукции. Стремительно развивающиеся технологии заставляют предприятия постоянно улучшать технические и качественные характеристики их продукции, что неизменно влечет за собой увеличение затрат на ее производство.
Предприятия, добившиеся низкой себестоимости новых видов продукции, могут устанавливать более низкие цены, что приводит к значительному росту сбыта и прибыли. Если себестоимость производства окажется выше себестоимости конкурентов, то предприятие окажется в невыгодном конкурентном положении. И здесь, помимо факторов увеличения объема производства продукции, продвижения ее на незаполненные рынки, неумолимо выдвигается проблема снижения затрат на производство и реализацию новых видов продукции.
Снижение затрат на производство является важным условием произ-водственно-хозяйственной деятельности промышленной организации.
Применяя результаты анализа структуры и динамики себестоимости продукции, можно выявить пути ее снижения на предприятии, изыскать пути ее мобилизации. Это позволит принимать обоснованные и эффективные управленческие решения для рационального использования материальных, трудовых и финансовых ресурсов.
Объект исследования является ЗАО «ВКСМ» предметом исследования являются методы управления затратами на производство.
Целью данной работы являются изучение методов сокращения затрат на производство новых видов продукции, проведение анализа затрат на ЗАО «ВКСМ», выявление недостатков и разработка мероприятий по снижению затрат на производство новых видов продукции.
Для достижения поставленной цели необходимо исследовать следующие задачи:
1) Раскрыть теоретическую сущность методов сокращения затрат на производство новых видов продукции;
2) Исследовать управление затратами ЗАО «ВКСМ» на производство новых видов продукции;
4)На основе полученной информации выявить недостатки в управлении затратами на производство новых видов продукции;
5) Предложить направления по снижению затрат на производство новых видов продукции.
Информационной базой дипломной работы являются следующие данные:
- финансовая отчетность организации;
- оперативная информация;
- ресурсы Интернет;
- справочно-информационные системы Гарант и Консультант+;
- статистические данные ГСК РФ;
Используемые методы анализа:
- сравнение;
- бенчмаркинг; 

5 этап. Постройте графики и сделайте вывод о значениях ЧДП по месяцам и вероятностях их получения.Постройте три вида графиков. Первый должен отражать генеральную совокупность значений притока в результате проведения имитационного моделирования, второй - генеральную совокупность значений оттока в результате проведения имитационного моделирования, третий - генеральную совокупность результирующего показателя - сальдо денежного потока.Пример имитационного моделирования NPV и вывода по результатам статистической обработки результатов имитационного моделирования.Результаты анализаВеличина ожидаемой NPV составила 3361,96 руб.. Величина стандартного отклонения равна 2271,31 и не превышает значения NPV. Коэффициент вариации (0,68) меньше 1, таким образом, риск данного проекта в целом ниже среднегориска инвестиционного портфеля фирмы. Результаты вероятностного анализа показывают, что шанс получить отрицательную величину NPV не превышает 7%. Еще больший оптимизм внушают результаты анализа распределения чистых поступлений от проекта NCF. Величина стандартного отклонения здесь составляет всего 42% от среднего значения. Таким образом, с вероятностью более 90% можно утверждать, что поступления от проекта будут положительными величинами.Сумма всех отрицательных значений NPV в полученной генеральной совокупности (ячейка F14) может быть интерпретирована как чистая стоимость неопределенности для инвестора в случае принятия проекта. Аналогично сумма всех положительных значений NPV (ячейка F15) может трактоваться как чистая стоимость неопределенности для инвестора в случае отклонения проекта. Несмотря на всю условность этих показателей, в целом они представляют собой индикаторы целесообразности проведения дальнейшего анализа. В данном случае они наглядно демонстрируют несоизмеримость суммы возможных убытков по отношению к общей сумме доходов (-11691,92 и 1692669,76 соответственно).ТЕОРИЯ5.4. Метод Монте-КарлоВ случаях, когда для анализа работы СМО аналитические методы не применимы (или же требуется проверить их точность), используют универсальный метод статистического моделирования, или, как его называют, метод Монте-Карло.Идея метода Монте-Карло состоит в том, что вместо аналитического описания СМО производится “розыгрыш” случайного процесса, проходящего в СМО, с помощью специально организованной процедуры. В результате такого получается каждый раз новая, отличная от других реализация случайного процесса. Это множество реализаций можно использовать как некий искусственно полученный статистический материал, который обрабатывается обычными методами математической статистики. После такой обработки могут быть получены приближенно любые характеристики обслуживания.Например, необходимо проанализировать очереди, возникающие в магазине, для решения вопроса о расширении магазина. Время подхода покупателей и время их обслуживания носят случайный характер, и их распределения могут быть установлены по имеющейся информации. В результате взаимодействия этих случайных процессов создается очередь.Согласно методу Монте-Карло перебирают (с помощью ЭВМ) все возможные состояния системы с различным числом покупателей в час, временем их обслуживания и т.п., сохраняя те же характеристики распределения. В результате многократного искусственного воссоздания работы магазина рассчитывают характеристики обслуживания, как если бы они были получены при наблюдении над реальным потоком покупателей.При моделировании случайных явлений методом Монте-Карло мы пользуемся самой случайностью как аппаратом исследования. Для сложных систем обслуживания с немарковским случайным процессом метод статистического моделирования, как правило, оказывается проще аналитического.Метод Монте-Карло (метод статистических испытаний) включает следующие этапы:1. Построение математической модели системы, описывающей зависимость моделируемых характеристик от значений стохастических переменных.2. Установление распределения вероятностей для стохастических переменных.3. Установление интервала случайных чисел для каждой стохастической переменной и генерация случайных чисел.4. Имитация поведения системы путем проведения многих испытаний и получение оценки моделируемой характеристики системы при фиксированных значениях параметров управления. Оценка точности результата.Описание этапов:Первый этап. Стохастическая имитационная модель (ИМ) н которой реальной системы может быть представлена как динамическая система, которая под воздействием внешних случайных входных сигналов (входных переменных) изменяет свое состояние (случайные переменные состояния), что в свою очередь приводит к изменению выходных сигналов (выходных переменных):где F, R - вектор-функции;Ii, Ui, Si - векторы соответственно входных, выходных переменных и переменных состояния системы в тактовый момент моделирования i.Имитационная модель - это экспериментальная модель системы, в которой искусственно воспроизводятся случайности, имеющие место в реальной системе. Она представляет собой совокупность математических соотношений между входными, выходными переменными и переменными состояния в сочетании с алгоритмической реализацией некоторых зависимостей.Существует два подхода в имитационном моделировании динамических процессов.Первый заключается в том, что весь период моделирования разбивается на равные промежутки времени (такты моделирования) и анализ состояния системы, а также значений выходных переменных производится через одинаковые промежутки времени. При таком подходе возникает проблема выбора «правильной продолжительности такта. Кроме того, не исключается появление тактов, в которых состояние системы по сравнению с предыдущим не изменилось.При втором подходе величина такта моделирования не фиксируется, моделирование в этом случае происходит в момент наступления одного из «существенных» событий. Например, при моделировании производственного процесса на предприятии такими событиями могут быть освобождение или начало загрузки станка, поступление на обработку детали, невыход на работу станочника, исчерпание запаса необходимых комплектующих деталей на складе и др. Именно второй подход чаще всего используется на практике и поддерживается современными языками моделирования.Второй этап. Случайные величины, используемые в ИМ, могут быть дискретными или непрерывными. В первом случае необходимо знать их распределения, во втором - плотности распределений. Эти зависимости могут быть известны из теории, определены в результате специальных исследований либо заданы в качестве гипотезы. Точность модели (при прочих равных условиях) зависит от того, насколько точно заданы указанные распределения (плотности распределений).Третий этап. Моделирование случайных величин при компьютерных имитационных экспериментах производится с помощью датчика псевдослучайных чисел, предусмотренного в любом современном языке программирования. Обычно это датчик случайных чисел с равномерным распределением на интервале [0, 1]. Если известны вероятности наступления событий, то, используя такой датчик, можно отвечать на вопросы: «Какое из n возможных событий произошло?» или «Какое значение приняла случайная величина?»Предположим, что в ИМ используется случайная величина Х, принимающая дискретные значения х1, х2, ..., хn, с вероятностями соответственно р1, р2, ...,рn, (= 1). Получение некоторой реализации этой переменной в модели производится следующим образом.Строится функция распределения случайной величины Х. Указанная функция определяется посредством равенства F(Х)=Σpk, в котором суммирование распространяется на все индексы, для которых хk < Х. С помощью датчика случайных чисел получают случайное число u из отрезка [0, 1].Из равномерности распределения получаемых случайных чисел следует, что вероятность получения случайного числа из произвольного интервала, включенного в [0, 1], равна длине этого интервала. Поэтому вероятность реализации Х=xk равна вероятности попадания полученного от датчика случайного числа u в произвольный интервал длиной pk на отрезке [0, 1]. Можно, таким образом, утверждать, что если очередное число u датчика удовлетворяет неравенствам 0<u≤р1, то имеет место реализация Х = х1; в случае р1 < u ≤ p1 + р2 - реализация Х= х2 и т.д. В общем случае для k = 2,..., n: если то Х=хk.Границы указанных неравенств совпадают со значениями построенной выше функции распределения F(Х).Удобнее, однако, иметь дело не с дробными значениями границ интервалов, в которые попадает случайное число u, а с их целочисленными значениями, тем более, что с помощью датчиков случайных чисел можно генерировать числа из любого диапазона. Чтобы получить целые значения границ интервалов, достаточно умножить все рk на 10d, где d - целое, минимальное значение которого равно максимальной точности (максимальному числу знаков после десятичной точки) чисел рk, k = 1, ..., n. Например, если {рk} = {0,3; 0,153; 0,5; 0,047}, то минимальное значение d равно 3 (все рk нужно умножить на 1000). Таким образом, 10d опредёляет длину интервала значений рассматриваемой случайной величины в ИМ.Четвертый этап. Точность статистических оценок параметров реальной системы зависит от числа наблюдений (объёма выборки). Погрешности в оценках обусловлены как статистическим характером самой модели, так и влиянием начальных данных (начального состояния имитационной системы), а также возможной автокорреляцией последовательных значений некоторого параметра в процессе моделирования. Очевидно, что с увеличением числа испытаний точность моделирования должна возрастать. Ввиду того что увеличение объема выборки связано с ростом затрат на моделирование, важно уметь определять минимальное число испытаний, необходимое для достижения заданной точности оценки с заданной вероятностью.Широкое распространение получили два метода статистических испытаний. Один из них предполагает проведение достаточно большого числа N последовательных наблюдений в течение одного прогона модели (одного сеанса имитирования).Другой метод заключается в реализации m независимых прогонов модели, т.е.