Capital budget decision-making in logistics

• Autorzy: Vlachý Jan

Identyfikatory

DOI

10.17270/J.LOG.2020.378

Warianty tytułu

PL

Podejmowanie decyzji budżetowych w logistyce

• Języki publikacji: EN

Abstrakty

EN

Background: Capital budgeting decisions in the logistics industry often combine three distinct characteristics. Firstly, they relate to capital assets- such as vehicles or equipment- being periodically replaced with different useful lives and efficiency features, and secondly, their performance is subject to particular operating and market risks. Lastly, externalities, such as regulatory interventions and technological evolution, also contribute to innovation- and thus also uncertainty- becoming a significant factor in logistics. Accordingly, this paper develops a valuation model which takes these characteristics into account and facilitates a robust decision-making process. Methods: In order to properly capture the specifics of the problem, the proposed model is based on an application of the Life Cycle Cost budgeting method benchmarked to an appropriate functional unit, combined with the Monte Carlo simulation and sensitivity analyses of relevant risk factors. Results: A realistic case study was developed, providing the necessary input parameters for the method's application. It was thus demonstrated that it provides useful and coherent resources for the decision-making process, including the tools needed to test various assumptions and determine project risks. Conclusions: The presented model and its solution provide results which are superior compared to conventional capital budgeting methods in terms of properly capturing the essential value-determining factors for a common type of problem encountered in logistics. They are also adequately comprehensive to be applied by practitioners in a real-life managerial setting.

PL

Wstęp: Decyzje kapitałowe budżetowe w logistyce często wyróżniają się trzema charakterystycznymi cechami. Są one powiązane z aktywami kapitałowymi, takimi ją pojazdy lub sprzęt, które są okresowo zastępowane, z różnymi okresami życia oraz z faktem, że ich działanie podlega operacyjnemu i rynkowemu ryzyku. Warunki zewnętrzne, takie jak uwarunkowania prawne, rozwój technologii, innowacyjność (wszystko wpływające na niepewność działania) są również istotnym czynnikiem wpływającym na postępowanie w obrębie logistyki. W pracy jest zaprezentowany opracowany model ewaluacji, biorący pod uwagę powyżej wymienione charakterystyki oraz ułatwiający rozbudowany proces podejmowania decyzji. Metody: W celu prawidłowego ujęcia specyfikacji problemu, proponowany model jest oparty na aplikacji metody budżetowania Life Cycle Cost w odniesieniu do odpowiedniej jednostki funkcjonalnej, w połączeniu z symulacją Monte Carlo and analizą wrażliwości istotnych czynników ryzyka. Wyniki: Zostało opracowane realistyczne studium przypadku, dostarczające niezbędnych danych wejściowych dla proponowanej metody analizy. Dostarczyło to przydatne spójne dane wejściowe dla procesu podejmowania decyzji, włączając w to narzędzia potrzebne do testowania różnych założeń oraz oceny podejmowanego ryzyka. Wnioski: Prezentowany model i jego rozwiązane dostarcza wyników porównywanych z konwencjonalnymi metodami budżetowania kapitałowego pod względem prawidłowego ujmowania czynników wartościowych dla powszechnie występujących problemów w logistyce. Można go stosować w szeroko pojętej praktyce zarządzania.

Słowa kluczowe

EN

capital budgeting; life cycle costing; Monte Carlo simulation; logistics management

PL

budżetowanie kapitałowe; kosztorys cyklu życia; symulacja Monte Carlo; zarządzanie logistyczne

• Wydawca: Wyższa Szkoła Logistyki
• Czasopismo: LogForum
• Rocznik: 2020
• Tom: Vol. 16, no. 1
• Strony: 75--83
• Opis fizyczny: Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Vlachý Jan

• Czech Technical University in Prague, MIAS School of Business, Prague, Czech Republic

Bibliografia

• 1. Anderson D.R., Sweeney D.R., Williams T.A., Camm J.D., Cochran J.J., Fry M.J., Ohlmann J.W., 2016. An introduction to management science: quantitative approaches to decision making, 14th ed., Cengage, Boston.
• 2. Bajec P., Jakomin I., 2010. A make-or-buy decision process for outsourcing, Promet- Traffic & Transportation 22(4), 285-291, http://doi.org/10.7307/ptt.v22i4.193.
• 3. Banker R.D., Byzalov D., Plehn-Dujowich J.M., 2014. Demand uncertainty and cost behavior, Accounting Review 89(3), 839-865, http://doi.org/10.2308/accr-50661.
• 4. Bescherer F., 2005. Established life cycle concept in the business environment, University of Technology, Helsinki.
• 5. Broadie M., Detemple J.B., 2004. Option pricing: valuation models and applications, Management Science 50(9), 1145-1177, http://doi.org/10.1287/mnsc.1040.0275.
• 6. Charnes J., 2012. Financial modeling with Oracle Crystal Ball and Excel, 2nd ed., John Wiley, Hoboken.
• 7. Chen H.-Y., Lee A.C., Lee C.-F., 2015. Alternative errors-in-variables models and their applications in finance research, The Quarterly Review of Economics and Finance 58, 213-227, http://doi.org/0.1016/j.qref.2014.12.002.
• 8. Christopher R., 2011. Logistics & supply chain management, 4th ed., Pearson, Harlow.
• 9. Dhillon B.S., 2010. Life cycle costing for engineers, CRC Press, Boca Raton.
• 10. Dragos D., Neamtu B., 2013. Sustainable public procurement: Life Cycle Costing (LCC) in the new EU Directive proposal, European Procurement & Public Private Partnership Law Review 8(1), 19-30, http://doi.org/10.21552/EPPPL/2013/1/159.
• 11. El-Akruti K., Zhang T., Dwight R., 2016. Developing an optimum maintenance policy by life cycle cost analysis - a case study, International Journal of Production Research 54(19), 5946-5962, http://doi.org/10.1080/00207543.2016.1193244.
• 12. Favi C., Germani M., Campi F., Mandolini M., Manieri S., Marconi M., Vita A., 2018. Life cycle model and metrics in shipbuilding: how to use them in the preliminary design phases, Procedia CIRP 69, 523-528, http://doi.org/10.1016/j.procir.2017.11.071.
• 13. Fulton L., 2018. Ownership cost comparison of battery electric and non-plugin hybrid vehicles: a consumer perspective, Applied Sciences 8, 1487-1500, http://doi.org/10.3390/app8091487.
• 14. Fuss C., Vermeulen P., 2008, Firms' investment decisions in response to demand and price uncertainty, Applied Economics 40(18), 2337-2351, http://doi.org/10.1080/00036840600959909
• 15. González-Moralejo S.A., Muñoz P.M., Miquel J.F.L., 2015. Firm size, contractual problems and organizational decision-making: logistics for perishable goods, International Food and Agribusiness Management Review 18(4), 189-203, ISSN: 1559-2448.
• 16. Kong J.S., Frangopol D.M., 2003. Life-cycle reliability-based maintenance cost optimization of deteriorating structures with emphasis on bridges, Journal of Structural Engineering 129(6), 818-828, http://doi.org/10.1061/(ASCE)0733-9445(2003)129:6(818).
• 17. Lampe K., Hofmann E., 2014. Understanding the cost of capital of logistics service providers: an empirical investigation of multiple contingency variables, Logistics Research 7(1), 119:1-119:25, http://doi.org/10.1007/sl2159-014-0119-7.
• 18. Los C.A., 2001. Computational finance: a scientific perspective. World Scientific Publishing, Singapore.
• 19. Maier H., Christofides N., Salkin G., 2001. Capital budgeting under uncertainty: an integrated approach using contingent claims analysis and integer programming, Operations Research 49(2), 196-206, http://doi.org/10.1287/opre.49.2.196.13531.
• 20. Mordechai S., 2011. Applications of Monte Carlo in Science and Engineering, InTech, The Hague.
• 21. Mun J., 2006. Modeling risk: applying Monte Carlo simulation, real options analysis, forecasting and optimization techniques, John Wiley, Hoboken.
• 22. Norris G.A., 2001. Integrating life cycle cost analysis and LCA, The International Journal of Life Cycle Assessment 6(2), 118-120, http://doi.org/10.1007/BF02977849.
• 23. Opuku A., 2013. The application of whole life costing in the UK construction industry: benefits and barriers, International Journal of Architecture, Engineering and Construction 2(1), 35-42, http://doi.org/10.7492/IJAEC.2013.004.
• 24. Świerczek A., 2019. The effects of demand planning on the negative consequences of operational risk in supply chain, LogForum 15(3), 315-329, http://doi.org/10.17270/J.LOG.2019.340.
• 25. Vlachý J., 2009. Strategie podniku a finanční teorie [Corporate strategy and financial theory], Politická ekonomie 57(2), 147-162, http://doi.org/10.18267/j.polek.678.
• 26. Vlachý J., 2016, Value of contractual assets using statistical simulation, Contemporary Economics 10(2), 153-162, http://doi.org/10.5709/ce.1897-9254.206.
• 27. Vlachý J., 2017, The value of innovation in nanotechnology, Engineering Economics 28(5), 535-541, http://doi.org/10.5755/j01.ee.28.5.16770.
• 28. Woodward D.G., 1997, Life cycle costing: theory, information acquisition and application, International Journal of Project Management 15(6), 335-344, http://doi.org/10.1016/S0263-7863(96)00089-0.
• 29. Zhang D., Jiang J., Li S., Li X., Zhan Q., 2017. Optimal investment timing and size of a logistics park: a real options perspective, Complexity 2017, 2813816:1-2813816:12, http://doi.org/10.1155/2017/2813816.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).