Die Festlegung des gewinn- beziehungsweise deckungsbeitragsmaximalen Produktionsprogramms ist – wie etliche lineare Optimierungsprobleme – dank diverser für diesen Zweck entwickelten Modelle und weitgehender Computerunterstützung im Regelfall als ‚überschaubar’ zu bezeichnen. Zur praxisnahen Abbildung solcher Problemlösungsprozesse ist es jedoch nötig, die in die Berechnung einfließenden Größen nicht als exogen vorgegeben zu betrachten. Vielmehr unterliegen diese in aller Regel unterschiedlich stark ausgeprägten Unsicherheiten. Zu denken ist hierbei zum Beispiel an schwankende Lohnkosten, Rohstoff- und Absatzpreise, aber auch an Unsicherheiten bezüglich des Verhaltens der Nachfrager sowie Schwankungen im Be- und Auslastungsgrad der Produktionsmittel. Unsichere Absatz- und Rohstoffpreise werden insbesondere im Rahmen der folgenden Fallstudie der ‚entertainment now AG’ betrachtet.
Die Berücksichtigung dieser unsicheren Parameter stellt hohe Anforderungen an die Modellformulierung. So erscheint das Lösen des bestehenden Problems mittels Anwendung des Erwartungswerts zwar zunächst zweckmäßig; allerdings stellt es zugleich eine wesentliche Vereinfachung dar. Außerdem ist darauf hinzuweisen, dass der Erwartungswert bei einmaligem Problemlösungsverlauf schon allein aus statistischer Sicht an seine Grenzen stößt, da er in diesem Fall nicht die notwendige Wiederholungsrate aufweisen kann.
Somit ist es nötig, sich der häufig vorkommenden stochastischen Fragestellungen über ein Vorgehen zu nähern, das die Komplexität der Entscheidung berücksichtigt. Stochastische Entscheidungsmodelle stellen hierfür ein geeignetes Instrumentarium dar. In den vergangenen Jahren wurde eine Vielzahl solcher Modelle entwickelt, wobei das Kompensationsmodell auf Grund des hinter ihm liegenden Kerngedankens besondere Aufmerksamkeit verdient.
Zur besseren Nachvollziehbarkeit des Lösungswegs zu der in Kapitel C dargestellten Fallstudie werden zunächst wesentliche Grundlagen dargestellt. Nach einigen grundlegenden Ausführungen zur Verteilungstheorie werden hierzu stochastische Modelle im Allgemeinen sowie das Kompensationsmodell im Speziellen als eine Möglichkeit derer Lösung betrachtet.
Inhaltsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
A. Entscheidungsproblematik bei unsicheren Parametern
B. Einführende theoretische Grundlagen
I. Verteilungstheoretische Grundlagen
1. Diskrete Verteilung von Zufallsvariablen
2. Die Normalverteilung als stetige Verteilung
II. Stochastische Modelle bei Risiko
III. Das Kompensationsmodell als Ersatzmodell
C. Die Fallstudie der ‚entertainment now AG’
I. Charakterisierung der Ausgangssituation
1. Wechselkursschwankungen des Exportgeschäfts
2. Preisschwankungen auf den Faktorenmärkten
3. Durch die ‚entertainment now AG’ beeinflussbare Größen
II. Darstellung des Produktionsprogramms
1. Bestimmung der benötigten Faktoren zur Programmierung
2. Formulierung des deckungsbeitragsmaximalen Programms
3. Überführung in Lingo und Ergebnisinterpretation
D. Denkbare Erweiterungen der Problemstellung
Literaturverzeichnis
Anhang
Abbildungsverzeichnis
Abbildung 1: Beispielhistogramm
Abbildung 2: Standardnormalverteilung
Abbildung 3: Erlöse für ‚TV2010’ und ‚Scotty’ in €
Abbildung 4: Aggregation der Inputkosten für ‚TV2010’
Abbildung 5: Aggregationsergebnis der Inputkosten für ‚Scotty’
Abbildung 6: Verteilung der Deckungsbeiträge für ‚TV2010’ und ‚Scotty’
Tabellenverzeichnis
Tabelle 1: Eintrittswahrscheinlichkeiten eines Würfels
Tabelle 2: prognostizierte Entwicklung des Wechselkurses
Tabelle 3: Verteilungskoeffizienten der Inputfaktoren
Tabelle 4: Ermittlung der Eintrittswahrscheinlichkeiten
A. Entscheidungsproblematik bei unsicheren Parametern
Die Festlegung des gewinn- beziehungsweise deckungsbeitragsmaximalen Produktionsprogramms ist – wie etliche lineare Optimierungsprobleme – dank diverser für diesen Zweck entwickelten Modelle und weitgehender Computerunterstützung im Regelfall als ‚überschaubar’ zu bezeichnen. Zur praxisnahen Abbildung solcher Problemlösungsprozesse ist es jedoch nötig, die in die Berechnung einfließenden Größen nicht als exogen vorgegeben zu betrachten. Vielmehr unterliegen diese in aller Regel unterschiedlich stark ausgeprägten Unsicherheiten. Zu denken ist hierbei zum Beispiel an schwankende Lohnkosten, Rohstoff- und Absatzpreise, aber auch an Unsicherheiten bezüglich des Verhaltens der Nachfrager sowie Schwankungen im Be- und Auslastungsgrad der Produktionsmittel. Unsichere Absatz- und Rohstoffpreise werden insbesondere im Rahmen der folgenden Fallstudie der ‚entertainment now AG’ betrachtet.
Die Berücksichtigung dieser unsicheren Parameter stellt hohe Anforderungen an die Modellformulierung. So erscheint das Lösen des bestehenden Problems mittels Anwendung des Erwartungswerts zwar zunächst zweckmäßig; allerdings stellt es zugleich eine wesentliche Vereinfachung dar. Außerdem ist darauf hinzuweisen, dass der Erwartungswert bei einmaligem Problemlösungsverlauf schon allein aus statistischer Sicht an seine Grenzen stößt, da er in diesem Fall nicht die notwendige Wiederholungsrate aufweisen kann.
Somit ist es nötig, sich der häufig vorkommenden stochastischen Fragestellungen über ein Vorgehen zu nähern, das die Komplexität der Entscheidung berücksichtigt. Stochastische Entscheidungsmodelle stellen hierfür ein geeignetes Instrumentarium dar. In den vergangenen Jahren wurde eine Vielzahl solcher Modelle[1] entwickelt, wobei das Kompensationsmodell auf Grund des hinter ihm liegenden Kerngedankens besondere Aufmerksamkeit verdient.
Zur besseren Nachvollziehbarkeit des Lösungswegs zu der in Kapitel C dargestellten Fallstudie werden zunächst wesentliche Grundlagen dargestellt. Nach einigen grundlegenden Ausführungen zur Verteilungstheorie werden hierzu stochastische Modelle im Allgemeinen sowie das Kompensationsmodell im Speziellen als eine Möglichkeit derer Lösung betrachtet.
B. Einführende theoretische Grundlagen
I. Verteilungstheoretische Grundlagen
1. Diskrete Verteilung von Zufallsvariablen
Aus verteilungstheoretischer Sicht unterscheidet man zwischen einer diskreten und einer stetigen Verteilung. Diskrete Verteilungen zeichnen sich dadurch aus, dass „sie höchstens abzählbar viele Werte xi“[2] annehmen, denen sich jeweils ein Funktionswert y zuordnen lässt. Denkt man beispielsweise an einen Würfel, so ergibt sich die diskrete Verteilung:
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1: Eintrittswahrscheinlichkeiten eines Würfels
Die Gleichverteilung der Eintrittswahrscheinlichkeiten ist hierbei unerheblich. Entscheidend ist vielmehr, dass die xi abzählbar sind. Zur Darstellung empfiehlt sich beispielsweise ein Histogramm[3], wie es in Abbildung 1 exemplarisch ohne weitere inhaltliche Bedeutung dargestellt ist. Diese Darstellungsvariante wird auch in der nachfolgenden Fallstudie Anwendung finden.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Beispielhistogramm
Im Falle einer Wahrscheinlichkeitsverteilung müssen sich die Funktionswerte zu eins ergänzen, um in ihrer Gesamtheit ein sicheres Ereignis[4] mit der Eintrittswahrscheinlichkeit 1 darzustellen.
2. Die Normalverteilung als stetige Verteilung
Sind die xi-Werte überabzählbar, liegt eine stetige Verteilung vor. Besitzt diese ein globales Maximum in x=m sowie zwei Wendepunkte W an den Stellen (m-s) und (m+s),[5] spricht man von einer Normalverteilung. Weist diese wiederum einen Erwartungswert m von 0 sowie eine Standardabweichung s von 1 auf, handelt es sich um eine Standardnormalverteilung,[6] wie sie Abbildung 2 zeigt.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Standardnormalverteilung
Besonders hervorzuheben ist die Tatsache, dass eine Normalverteilung zwar ein idealisiertes Modell einer empirischen Häufigkeitsverteilung darstellt, theoretische Verteilungen aber annährend gut abgebildet werden können.[7] Daher wird in der Fallstudie auf sie als Verteilung einiger Einflussgrößen zurückgegriffen.
II. Stochastische Modelle bei Risiko
Entscheidungstheoretisch liegt eine Entscheidung bei Risiko immer dann vor, wenn neben den möglichen Ausprägungen einer Zufallsvariable auch deren Eintrittswahrscheinlichkeiten bekannt sind.[8] Handelt es sich um eine Fragestellung, bei der mindestens ein Parameter zufallsabhängig ist, spricht man von einem stochastischen Entscheidungsmodell[9]. Beide Kennzeichen führen zu einem stochastischen Modell bei Risiko, wie es beispielhaft in (SEM) formuliert ist und auch – in entsprechend modifizierter Form – in der folgenden Fallstudie Verwendung finden wird.
[...]
[1] Vgl. Böttcher [Kompensation] S. 12ff.
[2] Sachs [Statistik] S. 233.
[3] Vgl. Sachs [Statistik] S. 106.
[4] Vgl. Laux [Entscheidungstheorie] S. 122.
[5] Vgl. Domschke/Drexl [OR] S. 209.
[6] Vgl. Domschke/Drexl [OR] S. 209.
[7] Vgl. Sachs [Statistik] S. 120.
[8] Vgl. Laux [Entscheidungstheorie] S. 145.
[9] Vgl. Dinkelbach/Kleine [Elemente] S. 63ff.
- Quote paper
- Ronny Baierl (Author), 2008, Produktionsplanung bei unsicheren Absatz- und Rohstoffpreisen, Munich, GRIN Verlag, https://www.grin.com/document/116323
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.