Kostnadsestimering: Topp 3 aspekter av kostnadsestimering (med diagram)

Følgende punkter belyser de tre viktigste aspektene ved kostnadsestimering. Aspektene er: 1. Kortsiktig kostnadsestimering 2. Langsiktig kostnadsestimering 3. Kostnadsberegning.

Aspekt 1. Kostnadsberegning på kort sikt :

Teknikkene for kortvarig kostnadsestimering er følgende:

a) Enkel ekstrapolering :

Begrepet 'ekstrapolering' refererer til tildeling av verdi til en resultatsekvens, utenfor området for disse faktisk gitt eller bestemt. Med mindre vi har en kjent funksjonell sammenheng mellom resultatene (i så fall er ekstrapolering bare beregning av tilleggsverdier), forutsetter enhver ekstrapolasjonsprosess "at en relasjon opprettholdes utenfor området og domenet som det faktisk er etablert."

Den enkleste metoden for estimering av kort siktekostnad er "sannsynligvis for å fastslå det nåværende nivået av marginale eller gjennomsnittlige variable kostnader og ekstrapolere dette bakover eller frem til andre produksjonsnivåer." De fleste bedriftsledere mener at både marginale og gjennomsnittlige variable kostnader for deres anlegg er konstant over en rekke utgangsnivåer som omgir det gjeldende utgangsnivået.

Dette innebærer at det forekommer konstant tilbakevending til de variable faktorene over dette produksjonsområdet. Hvis denne konstante effektivitetssituasjonen faktisk eksisterer i den kortsiktige produksjonsprosessen, gir den enkle ekstrapolasjonsmetoden for kostnadsestimering nøyaktige resultater.

I virkeligheten viser imidlertid produksjonsfunksjonen på kort sikt redusert avkastning til variabel faktor, dvs. marginale kostnader stiger etter et visst trinn i produksjonsprosessen. Derfor, hvis marginale kostnader ganske enkelt antas å forbli konstante, når de faktisk øker med hver ekstra enhet, kan den enkle ekstrapolasjonsmetoden gi feilaktige resultater og dermed føre til dårlige beslutninger.

b) Gradientanalyse :

Gradient er målet for en bratt stigning i en skråning, uttrykt i det kartesiske planet som forholdet mellom forskjeller mellom ordinater og abscissae. Deretter blir gradienten til linjen PQ som forbinder P (x 1, y 1 ) til Q (x 2, y 2 ) gitt av y 2- y 1 / x 2 - x 1 .

Den er da lik brunfarge 8, der 6 er skråningsvinkelen som på fig. 15.6.

Siden produksjonen fra et forretningsfirma svinger fra periode til periode, er det mulig å finne to eller flere observasjoner av pris / utgang, i hvilket tilfelle man kan foreta gradientanalyse. Det kan bemerkes at gradienten for hver kostnadskategori er den hastigheten som den kostnadskategorien endres med endringer i utskriftsnivået.

Hvis vi ekskluderer de kostnadsendringene som ikke er et resultat av endringer i produksjonsnivået (f.eks. En økning i årlig lisensavgift), kan vi estimere marginalkostnaden (per enhet) over produksjonsområdet under observasjon på grunnlag av summen av gradientene.

Faktisk tillater tre eller flere observasjoner gradientanalyse for å estimere endringen i marginalkostnader nøyaktig med endringer i utgangsnivåene. Hvis vi har forskjellige kostnads- / utgangsobservasjoner, kan vi bruke teknikken for regresjonsanalyse for kortvarig kostnadsestimering.

(c) Tidsserie-regresjonsanalyse :

Hvis vi har et sett med observasjoner av kostnads-output, kan vi bruke regresjonsanalyse for å estimere den funksjonelle avhengigheten av kostnadene på volumet av produksjonen og dermed komme til et estimat av marginalkostnaden. Hvis vårt mål er å estimere kostnadsfunksjonen for et bestemt firma, må vi benytte oss av tidsseriedata fra firmaet.

Problemet med tidsseriedata er imidlertid at hvis noen faktorer over observasjonsperioden har endret seg, vil resultatene av regresjonsanalyse være mindre pålitelige. Endringer i faktorpriser, for eksempel på grunn av inflasjon eller markedskrefter og / eller faktorproduktiviteter på grunn av teknologisk endring og forbedring av arbeidskraftens effektivitet, kan gjøre regresjonsanalyse irrelevant.

For å eliminere disse problemene i størst mulig grad, må kostnadsdataene deflateres på riktig måte av prisindeksen, og tiden bør inkluderes som en uavhengig variabel i regresjonsligningen. Dette vil gjøre det mulig å inkludere enhver trend i de relative prisene eller produktivitetene i koeffisienten til tidsvariabelen.

En stor ulempe med denne metoden er at den er utsatt for målefeil. Som EJ Douglas har kommentert: "Kostnadsdataene skal omfatte alle kostnader som er forårsaket av et bestemt produksjonsnivå, uansett om de ennå ikke er betalt for."

Han har sitert eksemplet på forvaltningskostnader som bør forventes å variere med produksjonshastigheten, men det kan bli forsinket til det er mer praktisk å legge ned visse sektorer av anlegget eller anlegg for vedlikeholdsformål.

Derfor blir kostnadene som påløper i en tidligere periode bokført i en senere periode og vil derfor sannsynligvis undervurdere det forrige kostnadsnivået og overvurderer det senere kostnadsnivået. Riktig nok, "våre observasjoner om kostnad / produksjon bør være et resultat av betydelige svingninger i produksjonen over en kort periode uten problemer med kostnad / output-samsvar."

Valg av funksjonell form for regresjonsligningen har dessuten store implikasjoner for estimatet av marginalkostnadskurven som vil bli indikert ved regresjonsanalysen. Tre funksjonelle kostnadsformer som ble vurdert tidligere i dette kapittelet, kan nå vurderes.

Hvis kortvarig kostnadsfunksjon er lineær, dvs. hvis vi spesifiserer at totale variabel kostnad er en lineær funksjon av utdata som TVC = a + bQ, vil den marginale kostnadsestimeringen generert av regresjonsanalysen være parameteren b. Det skyldes at marginalkostnad er den totale variabelkostnadsfunksjonen med hensyn til produksjonsendringer.

I fig. 15.7 viser vi, for et gitt datasett (basert på forskjellige observasjoner), den påfølgende gjennomsnittlige variable kostnad og marginale kostnadskurver som ville bli generert ved regresjonsanalyse i dette tilfellet. I dette tilfellet vil AVC avvise å nærme seg MC-kurven asymptotisk.

Alternativt, for det samme datasettet, kan vi bruke en kvadratisk kostnadsfunksjon som TVC = a + bQ + cQ2. I dette tilfellet vil marginalkostnaden stige som en konstant funksjon av produksjonen. Dette er vist i fig. 15.8 hvor det antatte kvadratiske forholdet er lagt over de samme dataobservasjoner, med de resulterende AVC- og MC-kurvene illustrert i den nedre halvdel av diagrammet.

Til slutt, hvis vi spesifiserer den funksjonelle formen som skal være kubisk, for eksempel TVC = a -bQ- cQ2 + dQ3, vil estimatet av MC generert ved regresjonsanalyse være krumlinjet og vil øke som sekvensen på utgangsnivået. Fig. 15.9 illustrerer et slikt kostnads-output forhold. Vi kan alternativt spesifisere funksjonsforholdet som en kraftfunksjon.

Valget av funksjonsform avhenger av graden av nøyaktighet som skal oppnås. Siden resultatene fra regresjonsanalyse brukes til beslutningsformål, må man sikre at de genererte marginale og gjennomsnittlige kostnadskurvene er de mest nøyaktige representasjonene av kostnad / output-forhold.

Ved å plotte de totale variabelkostnadsdataene mot utdata, kan det være mulig å sikre at en av de ovennevnte tre funksjonelle former best representerer det tilsynelatende forholdet mellom de to variablene og informasjonsstykke kan brukes til å ta beslutninger.

d) Ingeniørteknikken :

En alternativ metode for kostnadsestimering er kjent som ingeniørteknikken. Den består ganske enkelt av å utvikle forholdet som eksisterer mellom inngangene og utgangen (på grunnlag av den fysiske produksjonsfunksjonen) og knytte kostnadsverdiene til inngangene for å få et TVC-tall for hvert utgangsnivå.

Vi må da beregne, eller teste ut for hvert nivå på utdata, mengden av hver av de variable faktorene som er nødvendige for å produsere det nivået på utdata. Ved å knytte kostnader til disse variable faktorene, er det i ettertid mulig å beregne (estimere) TVC for hvert utgangsnivå og tilsvarende AVC og MC.

I fig. 15.10 tegner vi gjennomsnittlige og marginale kostnadskurver på grunnlag av faktiske data. Ved å interpolere gjennom disse observasjonene er det mulig å estimere marginale og gjennomsnittlige kostnader ved å bruke ingeniørteknikken.

Videre er det også mulig å bestemme økningskostnader forbundet med enhver beslutning om å øke eller senke produksjonen på grunnlag av de variable kostnadene beregnet ved en eller en kombinasjon av metodene ovenfor, etter å ha tatt hensyn til eventuelle mulighetskostnader som er involvert. og eventuelle inkrementelle faste kostnader som kan være nødvendig.

Det er nødvendig å beregne inkrementelle faste kostnader på grunnlag av kunnskapen om produksjonskapasiteten til de involverte faste faktorene. Dette kan på sin side kreve en undersøkelse av konstruksjonstypen av utgangskapasiteten til bestemte faste anlegg.

Studier av kortsiktig kostnadsatferd :

Tallrike empiriske estimater av kortsiktige kostnader har ført til konklusjonen at marginalkostnadene har en tendens til å være konstant i driftsområdet for de undersøkte firmaene.

Derfor følger det at AVC er konstant på samme nivå (eller nærmer seg asymptotisk til dette nivået) og synker på grunn av innflytelsen fra synkende AFC. ATC vil også avta. Med andre ord, i de fleste tilfeller gir en lineær TVC-funksjon best passform til dataobservasjonene.

Aspekt 2. Kostnadsberegning for lang sikt :

Når egnede faktiske kostnads-outputdata er tilgjengelige, kan statistiske metoder som ligner de som brukes i kortvarige kostnadsfaktorer benyttes for å analysere kostnadsoppførsel på lang sikt. Metoden som oftest brukes til formålet er tverrsnittsmetode. Et utvalg av forskjeller mellom firmaer kalles et tverrsnitt.

I en tverrsnittsmodell kan vi ha den samme typen kostnadsfunksjon, men nå er dataene relatert til forskjellige observasjonsenheter på et gitt tidspunkt. To andre teknikker som brukes for langsiktig kostnadsestimering er: ingeniørteknikken og den overlevende teknikken.

a) Tverrsnittsmetode:

Kostnadsfunksjonen på lang sikt kan estimeres ved bruk av enten tidsserie-kostnadsutgangsdata samlet inn på et anlegg (eller firma) hvis størrelse har vært varierende over tid, eller tverrsnittskostnadsutdata som er samlet inn på et utvalg av anlegg (firmaer) ) av forskjellige størrelser på et bestemt tidspunkt.

Begge tilnærminger krever visse forutsetninger om teknologiske og driftsmessige forhold for å komme til gyldige estimater av langsiktig kostnadsfunksjon.

Når man bruker tidsserie-kostnadsutgangsdata, møter man de vanlige problemene med å holde konstant alle andre faktorer (unntatt output) som påvirker kostnadene. For å estimere den langsiktige kostnadsfunksjonen fra tidsseriedata, må man benytte seg av observasjoner tatt over en ganske lang periode, vanligvis et antall år, for å gi tilstrekkelig variasjon i plantestørrelse.

På grunn av teknologisk endring og utvikling av nye produkter i produktlinjen, kan imidlertid den langsiktige kostnadskurven skifte over tid.

Hvis det ikke er mulig å holde effekten av slike endringer konstant, vil kostnadsutgangsdataene være målepunkter på forskjellige langsiktige kostnadsfunksjoner i stedet for på samme funksjon. Videre krever bruk av tidsserier at kostnadene deflateres for å gjenspeile prisendringer over lengre tid.

Ovennevnte årsaker begrunner bruken av tverrsnittsdata for estimering av langsiktige kostnadsfunksjoner. Dataobservasjoner fra forskjellige planter til en fast tidsperiode kan analyseres ved bruk av regresjonsanalyse. Forskeren bør således samle par dataobservasjoner relatert til utgangsnivået, til de totale kostnadene for å oppnå utgangsnivået i hvert anlegg i en veldig kort periode.

Tiltak bør gjøres på en slik måte at man unngår målefeil som angår enten det faktiske nivået eller hastigheten på produksjonen i den perioden, eller til det faktiske kostnadsnivået som bør knyttes til nivået på produksjonen i hvert observerte anlegg.

Det er også behov for å spesifisere ligningens funksjonelle form, og problemet her er det samme som ved kortvarig kostnadsestimering. Vi må velge den funksjonelle formen som best passer dataobservasjonene underlagt at hver variabel som bestemmer kostnadene er betydelig på et akseptabelt nivå.

Oppførselen til langsiktig gjennomsnittskostnad avhenger i stor grad av økonomier og stordriftsøkonomier. Derfor ville den kubiske funksjonen som er konsistent med økonomier og desekonomier av plantestørrelse være mest passende. Hvis en lineær funksjon derimot passer best til dataene, kan vi bli drevet til den konklusjon at økende avkastning til plantestørrelse er overordnet i forhold til dataobservasjoner.

Til slutt, hvis en kraftfunksjon best passer dataene, vil den numeriske verdien for eksponenten til utgangsvariabelen indikere om retur til anleggsstørrelse øker (hvis den er mindre enn en), eller konstant (hvis den er lik en), eller synker (hvis den er større enn en).

I tillegg til dette problemet som oppstår i en kortvarig kostnadsanalyse, blir det også oppstått ytterligere vanskeligheter av konseptuell karakter ved å estimere det langsiktige kostnads-produktforholdet ved statistiske metoder.

Et hovedproblem med tverrsnittsdata er at observasjonene som samles inn ikke i det hele tatt er punkter på den gjennomsnittlige kostnadskurven på lang sikt. Dette er vist på fig. 15.11. Den skildrer de fem kortvarige gjennomsnittlige kostnadskurvene (SAC 1, SAC 2 osv.) For et firma. Hver kurve tilsvarer en bestemt plante. De estimerte output / cost-verdiene vises ved punktet på hver kort løpskostnadskurve markert med en stjerne.

Denne lille informasjonen antyder at analysen ovenfor har overvurdert tilstedeværelsen av økonomier og disekonomier av plantestørrelse i dette spesielle tilfellet. Det er på grunn av det faktum at observasjonspunktene for hvert anlegg ikke var tangenspunkter med den faktiske langsiktige kostnadskurven.

Det andre problemet som kan oppstå med tverrsnittsdata er at forskjellige anlegg kan operere i forskjellige områder eller under forskjellige økonomiske og ikke-økonomiske miljøer.

Som et resultat kan det være forskjeller i faktorpriser og fabrikkproduktiviteter blant anleggene. Hvis dette problemet eksisterer, kan det være kostnadsforskjeller mellom planter på grunn av de to faktorene ovenfor, og regresjonsanalyse kan ikke gi nøyaktige resultater.

b) Overlevelsesprinsippet :

Hvis det er stordriftsfordeler som et firma ikke klarer å utnytte, vil de gjennomsnittlige produksjonskostnadene på lang sikt være høyere enn for konkurrerende firmaer; firmaet vil være for lite for effektiv drift og må enten vokse eller gå fortapt.

Mange tror at produksjonen fra større firmaer i gjennomsnitt vil være rimeligere enn av små firmaer. Selv om et firma må være stort nok til å utnytte stordriftsfordelene som er tilgjengelige, kan større anlegg møte stordriftsfordeler og bli tvunget til å redusere omfanget av driften eller synke.

Hvis firmaer (produksjonsanlegg) av en bestemt størrelse har en tendens til å eksistere i en bransje, anses dette for å være et godt bevis på kravstørrelsen som er mest effektiv. Dette er kjent som overlevelsesprinsippet som ble presentert av G. Stigler i 1958. Noen økonomer har brukt dette prinsippet for å bestemme den mest effektive omfanget av driften for en bestemt industri.

Stigler har utviklet en test for tilstedeværelse eller fravær av økonomier eller disekonomier av plantestørrelse i spesifikke næringer som er basert på overlevelsesprinsippet som er angitt ovenfor. Betydningen er at de mest effektive firmaene vil kunne overleve på lang sikt og til og med øke markedsandelen, mens de mindre effektive vil ha en tendens til å bli mindre viktige i den bransjen med tiden.

Overlevelsesprinsippet er en metode for å bestemme den optimale størrelsen (eller størrelsesområdet) på bedrifter i en bransje. Stiglers prosedyre var å klassifisere firmaene i en bransje etter størrelse og beregne andelen av industrien som kom fra hver størrelsesklasse over tid.

Hvis andelen bransjeproduksjon fra en gitt klasse har en tendens til å avta over tid, antas denne størrelsesklassen å være relativt ineffektiv og ha høyere LAC. Tvert imot, en økende andel av industriens produksjon over tid indikerer at størrelsesklassen er relativt effektiv og har lavere LAC.

Begrunnelsen for denne tilnærmingen er at konkurransekreftene vil ha en tendens til å eliminere relativt ineffektive firmaer, og bare overlate effektive (lave kostnader) bedrifter å overleve i det lange løp. I følge Stigler, "En effektiv størrelse på firmaet er en som oppfyller alle problemer som gründeren faktisk står overfor: anstrengte arbeidsforhold, rask innovasjon, myndighetsregulering, ustabile utenlandske markeder og hva ikke."

Fordeler :

To ting kan sies til fordel for den overlevende teknikken. For det første er det mer direkte og enklere å anvende enn alternative teknikker for å undersøke stordriftsfordeler. For det andre unngår det problemstillinger med regnskapsmessig allokering og ressursverdiering forbundet med statistiske metoder og de hypotetiske aspektene ved konstruksjonsmetoden for kostnadsestimering.

Begrensninger :

Imidlertid har denne metoden to hovedbegrensninger også. For det første utnytter den ikke faktiske kostnadsdata i analysen. Det er således ikke mulig å vurdere omfanget av kostnadsforskjellene blant firmaer av forskjellig størrelse og effektivitet. For det andre, på grunn av juridiske faktorer, kan LAC-kurven avledet med denne teknikken bli forvrengt og kan mislykkes i å måle kostnadskurven som er postulert i tradisjonell økonomi.

For eksempel, i India, fraråder MRTP Act (1969) større firmaer, selv om stordriftsfordeler sannsynligvis vil være sterkere utover nåværende firmastørrelser for de såkalte MRTP-selskapene.

Stiglers test av den amerikanske stålindustrien i årene 1930 og 1951 indikerte at både de minste og største firmaene led en nedgang i markedsandelen. Bedriftene av mellomstørrelse vokste eller opprettholdt sine andeler av industriproduksjonen i løpet av denne perioden, og så ut til å virke med de beste fabrikkstørrelsene.

Således overlever overlevelsesprinsippene en LAC-kurve som skråner nedover med det første, er konstant over et bredt spekter av utdata (i mellomtrinnet) og skråner deretter oppover ved relativt høyere utgangsnivå. Med andre ord er det typisk betydelige produksjonsområder for hvilke LAC er omtrent konstant, som avbildet i midten av LRAC-kurven på fig. 15.12.

c) Ingeniørteknikken :

Ingeniørteknikken som brukes i kortvarige kostnadsfunksjoner, kan også brukes til flere anlegg i forskjellige størrelser, på samme tidspunkt, for å komme frem til et estimat av langvarig kostnadsfunksjon.

Denne tilnærmingen trenger kunnskap om produksjonsanlegg og teknologi (for eksempel hastighet på maskiner, arbeidsproduktivitet og fysiske relasjoner mellom input og output) for å bestemme den mest effektive kombinasjonen av ressurser (kapital, arbeidskraft, materialer, etc.). å produsere forskjellige nivåer av produksjonen.

Det kan huskes at i forbindelse med kortvarig kostnadsestimering ble ingeniørteknikken brukt for å finne kostnadskurvene til et bestemt firma på et fast tidspunkt. Hvis den samme øvelsen blir utført med andre planter som er tilgjengelige, vil man kunne spore opp en serie på kort siktekostnadskurver som er tilgjengelig for firmaet på en bestemt tidsperiode.

Fig. 15.13 viser en hypotetisk situasjon der fem forskjellige størrelser av planter er blitt observert og SAC-kurven for hver er blitt avledet ved konstruksjonsteknikken. Konvolutten til SAC-kurvene er LAC-kurven.

Fra fig. 15.13 kan man utlede at det i utgangspunktet er økonomier med plantestørrelse når man beveger seg fra det første anlegget til det andre anlegget. Dette stadiet blir fulgt av relativt konstant avkastning til plantestørrelse når en går videre til den tredje og fjerde anlegget, og avtar avkastning til plantestørrelse med det største anlegget tilgjengelig.

Fordeler :

Ingeniørmetoden har tre hovedfordeler fremfor statistiske metoder. For det første er det generelt mye enklere med konstruksjonsmetoden å holde konstante faktorer som priser på faktorer, produktmiks og produksjonseffektivitet (teknologisk fremgang).

Dette gjør det mulig for oss å isolere effekten av endringer i produksjonen på kostnadene. For det andre er den langsiktige kostnadsfunksjonen oppnådd ved konstruksjonsmetoden basert på dagens teknologi, mens funksjonen oppnådd ved den statistiske metoden er basert på en blanding av gammel og nåværende teknologi. Til slutt gjør ingeniørmetodene det mulig å unngå noen av de regnskapsproblemer som normalt oppstår når du bruker den statistiske tilnærmingen.

Mangler :

Imidlertid er den største ulempen med metoden at den kun omhandler de tekniske aspektene ved produksjonsprosessen eller anlegget. Den ignorerer helt andre aspekter som påvirker kostnadsatferd, for eksempel "ledelses- og gründeraspekter, som rekruttering og opplæring av arbeidere, markedsføring av produktet (e), finansiering av driften og administrasjon av organisasjonen."

Haldi og Whitcomb gjorde en studie for å isolere de forskjellige stordriftsøkonomiene i anlegget. De samlet inn data om kostnadene for individuelle utstyrsenheter, den første investeringen i anlegg og utstyr og driftskostnadene (nemlig arbeidskraft, råvarer og verktøy).

De fant at “… i mange grunnleggende næringer som petroleumsraffinering, primærmetaller og elektrisk kraft, er stordriftsfordeler opp til veldig store anleggsstørrelser (ofte den største bygget eller tenkt). Disse økonomiene forekommer stort sett i de opprinnelige investeringskostnadene og i driftskostnadene, uten at det er observert noen betydelige økonomier i råvarekostnadene.

Langsiktige kostnadsestimeringsstudier :

Det er gjort forskjellige empiriske studier av den langsiktige kostnadsfunksjonen. J. Johnson utviklet langsiktige kostnadsfunksjoner ved bruk av både tidsserie- og tverrsnittsdata. I tidsserien-analysen utstyrte han en kubisk kostnadsfunksjon med en lineær trendvariabel til hvert av 23 firmaer hvis kapitalutstyr hadde variert i perioden 1928-1947. Kubikkbegrepet ble ikke funnet statistisk signifikant.

De fleste studier av kostnadsfunksjoner med lang felg har avslørt at den langsiktige gjennomsnittlige kostnadskurven hadde en tendens til å være L-formet, ikke U-formet.

Dette betydde driftsøkonomier med relativt lave produksjonsnivåer, etterfulgt av et utvidet område med konstant avkastning til anleggsstørrelse uten noen vanlig tendens til at kostnadene per enhet øker ved høyere produksjon. Statistiske studier av langsiktig kostnadsatferd gir ikke tilstrekkelig bevis på betydelige stordriftsøkonomier (størrelse).

Ledelsesmessig bruk av empiriske kostnadsfunksjoner :

Ulike viktige ledelsesbeslutninger er basert på estimater av kostnadskurver som valg på kort sikt av produksjons- og prisrater, og langsiktige beslutninger om antall, størrelse og plassering av anlegg.

Pris- og produksjonsbeslutninger er kanskje det viktigste for et gevinstmaksimerende firma. Slike avgjørelser må være basert på pålitelige estimater av kortsiktige kostnadsfunksjoner.

Beslutninger om kapitalinvestering som anleggskonstruksjon eller utvidelse er langsiktige beslutninger og er vanligvis basert på estimater av langsiktige kostnadsfunksjoner. Langsiktige kostnadsfunksjoner gjør det mulig for progressive organisasjoner å bestemme om de skal investere eller ikke, og hva som skal være den optimale størrelsen på anlegget under de nåværende forhold. Avgjørelser om plantestørrelse er i stor grad basert på et nøyaktig estimat av etterspørsel.

Imidlertid er investeringsbeslutning mest komplisert fordi etterspørselen kan skifte over tid. Dessuten kan strukturen av faktorer som påvirker kostnadene også forventes å skifte. Disse faktorene gjør det tilrådelig å bygge eller utvide anlegg i betydelig kapasitetsøkning.

Det er viktig å merke seg at tidligere produksjons- og kostnadsforhold ikke alltid er relevante for beslutninger om fremtidige investeringer i anlegg og utstyr.

Empiriske (statistiske) estimater kan kreve justeringer for å gjenspeile endringer i fremtidige priser, inputkombinasjoner, produktets art, produktmiks, skala av produksjonen, skalaen av anlegget, arten av konverteringsprosessen (dvs. konvertering av input til output) og og så videre; alle disse forventes å påvirke fremtidige kostnader. Kostnader for fremtidige perioder oppfører seg kanskje ikke på samme måte som tidligere.

Aspekt 3. Kostnadsberegning :

Et av de viktigste problemene før en profesjonell leder er å anse hva kostnadene for produksjonen kommer til å bli i fremtiden. Kostnadsprognose er derfor et viktig tema i lederøkonomi. Det må presiseres helt fra begynnelsen at kostnadsprognoser må differensieres fra det som kalles kostnadsestimering.

De korte og lange løpskostnadsfunksjonene som vi har diskutert ovenfor, kan statistisk estimeres. Det er denne prosessen med statistisk bestemmelse av forholdet mellom kostnad og produksjon som blir referert til som kostnadsestimering. Som vi har bemerket, refererer både kostnads- og langsiktige kostnadsfunksjoner produksjonskostnadene til selskapet på forskjellige nivåer av produksjonen.

Den eneste forskjellen mellom disse to kostnadsfunksjonene er at det på kort sikt-funksjonen er å anlegge størrelsen på planten mens den i langvarig funksjon anses å være variabel. Det skal spesielt bemerkes at den langsiktige kostnadsfunksjonen ikke refererer til produksjonskostnader i fremtiden.

Den forteller oss hva kostnadene for produksjonen på alternative produksjonsnivåer vil være i dag hvis hvert nivå av produksjonen kunne produseres til en optimal anleggsstørrelse. Kostnadsprognose henviser derimot eksplisitt til fremtiden. Spørsmålet her er: hva vil være kostnadene for produksjonen (av, for eksempel, et spesifisert produksjonsnivå) i fremtiden?

Vi ønsker ikke å antyde at problemet med kostnadsestimering ikke er viktig. Som vi har understreket gjennom diskusjonen vår ovenfor, må et selskap kjenne sin kostnadsfunksjon før det kan håpe å ta optimale beslutninger angående produksjonsnivået som skal produseres og størrelsen på anlegget som skal bygges.

Imidlertid har vi allerede dannet en ganske omfattende ide om estimeringsteknikker generelt i løpet av diskusjonen om etterspørselsanalyse.

Spesielt er vi nå kjent med den viktigste statistiske estimeringsteknikken, dvs. regresjonsanalyse. Statistiske kostnadsfunksjoner kan estimeres ved å bruke disse teknikkene på de teoretiske modellene for kostnadsfunksjoner. Å inngå i en detaljert diskusjon av kostnadsestimering vil derfor innebære en stor dose repetisjon. Vi har derfor bestemt oss for å konsentrere oss om problemet med kostnadsprognoser.

Vi har sett over at kostnadsfunksjonen er avledet fra to typer informasjon - produksjonsfunksjonen og prisene på innspill. Hvis denne primære informasjonen forblir uendret, vil kostnadsfunksjonen være totalt uendret.

Det vil være nøyaktig det samme som i dag. Problemet med kostnadsprognoser oppstår fordi verken produksjonsfunksjonen eller prisene på innspillene nødvendigvis vil forbli uendret i fremtiden.

Produksjonsfunksjonen, kan det bli husket, er et teknologisk forhold mellom output og input. Hvis produktiviteten til inngangene endres (dvs. hvis fra de samme mengdene av innganger vi kan hente ut et annet nivå på produksjonen), vil produksjonsfunksjonen endre seg.

Prisene på innspill som brukes av selskapet, derimot, vil endre seg i takt med det generelle nivået av faktorpriser (eller mer generelt med prosessen med inflasjon eller deflasjon) i økonomien. Fremtidige endringer i faktorproduktiviteter og faktorpriser er derfor fokus for oppmerksomhet i kostnadsprognoser. Vi skal kort behandle disse to aspektene ved kostnadsberegning hver for seg.

 

Legg Igjen Din Kommentar