Your SlideShare is downloading. ×
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Examples of my proffesional skills (in Danish)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Examples of my proffesional skills (in Danish)

329

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
329
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Eksempler på mit arbejde - det er guld værd
  • 2. Nutidsværdiberegning for en realinvestering Scenarie: Investere i en maskine til produktion eller ej? Maskinen har en forventet levetid på 5 perioder (n), en anskaffelsessum på 3 mio. kr. (INV) og giver anledning til årlige indtægter (NDI) på 750.000, derudover medfører investeringen skattebesparelser som følge af afskrivninger (her foretaget efter saldometoden med 25 % pr. periode). I eksemplet forudsættes en scrapværdi i periode n (Sn) på 800.000 kr., en skattesats på 30 % og en efterskat-kalkulationsrente på 7 %. Investeringen har en positiv nutidsværdi på 288 tkr., og bør derfor gennemføres. Figur 1: Interaktiv Excelmodel; inputs i de i hvide felter. Kilde: eget arbejde.
  • 3. Bestemmelse af den optimale levetid for en maskine Figur 2: Interaktiv Excelmodel; inputs i de i hvide felter. Kilde: eget arbejde. Scenarie: Hvornår kan det bedst betale sig at udskifte en maskine? Maskinens anskaffelsessum er 500.000 (INV) og nettodriftsindbetalinger (NDI) samt scrapværdi er som angivet i figuren. I eksemplet afskrives der med 25 % efter saldometoden (a), skattesatsen er 30 % (s) og efterskat-kalkulationsrenten er 7 %. Uden yderligere inputs beregner modellen maskinens optimale levetid; som den periode hvori den største nutidsværdi af alle investeringens effekter haves.
  • 4. Beregning af optimal produktionsplan Figur 3: Interaktiv Excelmodel; inputs i de i hvide felter. Kilde: eget arbejde. Forklaring følger 
  • 5. Beregning af optimal produktionsplan
    • Scenarie: Hvad er den optimale produktionsplan?
    • En fabrik har fire produktionsprocesser, i nogle af processerne indgår outputtet af en eller flere af de andre processer som input. Outputtet for 3 af processerne kan ligeledes vælges at sælges uden yderligere forarbejdning. Produktionsprocesserne har brug for følgende input: råvaren ”crud”, arbejdstimer og maskintimer fra to forskellige afdelinger. De indbyrdes forhold mellem input og output i de forskellige processer angives i matricerne under ”Inputforbrug” og ”Produktion”. Efterspørgselen på to af de færdige produkter er begrænset, til hhv. 6000 og 4000 enheder. Der tages derfor højde for at der ikke kan afsættes mere end disse værdier. Den tilgængelige mængde af inputtet ”crud” er begrænset til 200,000 enheder, men der er mulighed for at købe ekstra hos en dyrere leverandør (0,50 kr. dyrere end sædvanlig kilde). Hvis det bliver nødvendigt er det muligt at hive 1500 overarbejdstimer ud af de ansatte (indebærer overarbejdsbetaling på 5 kr./time). Ydermere ønskes det at opbygge en lagerbeholdning på 500 enheder af produktet ”hichol”.
    • Alle ovenstående hensyn inkluderes i modellen som bibetingelser, hvorefter Excels numeriske optimeringsværktøj benyttes til at beregne den produktionsplan (hvor meget der skal produceres, sælges, bruges af overarbejdstimer og indkøbes hos ekstern leverandør) som maksimerer objektfunktionen (summen af hver variabelværdi ganget med dennes respektive pris/omkostning).
  • 6. Beslutningstagen under usikkerhed
    • Scenarie: Kan det betale sig at sælge tv-adgangen til et arrangement som pay-per-view?
    • I box 1 udregnes det forventede antal seere på baggrund af 6 mulige scenarier (kunne f.eks. være deduceret ud fra historiske data). Box 2 udregner driftsindtjeningen i det givne tilfælde. Hvad nu hvis antallet af seere ikke bliver som forventet? 
    Figur 4: Interaktiv Excelmodel; inputs i de i hvide felter. Kilde: eget arbejde. (Fortsættes på næste slide).
  • 7. Beslutningstagen under usikkerhed
    • Hvad er risikoen for et realisere et underskud? Box 3 og 4 undersøger dette aspekt: antallet af seere der skal til for at opnå et nul-resultat kan hurtigt udregnes ved numerisk simulation i Excel (find det antal seere der opfylder driftsindtjening = 0). Break-even point viser sig at være 21 % lavere end det forventede antal seere: altså skal der en relativt stor afvigelse til før end et underskud kommer på tale. En anden måde at anskue sandsynligheden for overskud/underskud er at betragte de kumulerede sandsynligheder for at opnå over/under 300.000 seere: der er 45 % chance for at realisere et antal seere lig med eller under 300.000. Tilsvarende er der 55 % chance for flere end 300.000 seere. I gennemsnit vil investeringen (såfremt man forestiller sig at den kunne gentages) give overskud. Om man ønsker at gennemføre investeringen er dog op til den enkelte beslutningstager og dennes risikoprofil.
  • 8. Regressionsanalyse – Hvad bliver man lykkelig af? Figur 5: Resultater af regressionsmodel hvor subjektiv velvære (”lykke”) forsøges forklaret af et antal variabler. Kilde: Undertegnedes speciale, ‘Income and happiness: a contemporary unified theory’ (link: www.box.net/shared/vyu19g7g19) Kort forklaring Figur 5 indeholder resultater for en regressionsmodel af typen Random Effects with Mundlak Transformation (REMT). Datagrundlaget er det tyske Socio Economic Panel (GSOEP), som har gennemført spørgeskemaundersøgelser på et stort antal personer siden 1984. Den forklarede variabel er respondenternes egen vurdering af deres lykke (på skala fra ét til ti), og de forklarende variable er som listet ovenfor. Resultatkolonne 1 restringerer datagrundlaget til kun at indeholde de respondenter med en indkomst der er større end indkomsten i den 25. percentil, og på tilsvarende vis omfatter resultatkolonne 2 kun respondenter med indkomst over medianindkomsten. Indkomstvariablen omfatter den skalajusterede (modificerede OECD-skala) indkomst for en respondents husholdning. 
  • 9. Regressionsanalyse – Hvad bliver man lykkelig af?
    • Fortolkning af resultater
    • Af resultatkolonne 1 ses det at indkomst har en statistisk signifikant indflydelse på en respondents lykke: de to ** angiver en p-værdi på mindre end 1 %, hvilket vil sige at der er under 1 % sandsynlighed for at den estimerede koefficient på 0,075 faktisk kunne være lig nul. Det interessante resultat dukker op i resultatkolonne 2: her har indkomst til dels en mindre effekt end før og er samtidig blevet insignifikant ( (a) angiver en p-værdi på 0,34, som er langt over de kritiske 5 %). Disse resultater taler for at man ikke bliver mere lykkelig af ekstra indkomst så snart ens indkomst ligger omkring medianindkomsten i samfundet. Regressionernes validitet understøttes af de plausible resultater for de øvrige variabler: højere tilfredshed med eget helbred (Subjective health) følges ad med højere lykke, højere uddannelse har en svag effekt på øget lykke, gifte personer er lykkeligere end ugifte og arbejdsløse er betydeligt mindre lykkelige end folk i arbejde.

×