Методологические основы применения логистических принципов в управлении отраслью

Лекция 8 - Методологические основы применения логистических принципов в управлении отраслью

 

План:

1. Применение  методов прогнозирования в логистике

1.1. Основные положения теории прогнозирования

 

В снабженческой, производственной и распределительной  логистиках широко используются методы прогнозирования, поскольку значения прогнозных оценок развития анализируемых процессов или явлений являются основой принятия управленческих решений при оперативном, тактическом и стратегическом планировании. Очевидно также, что от точности и надежности прогноза зависит эффективность реализации различных логистических операций и функций: от оценки вероятности дефицита продукции на складе до выбора стратегии развития фирмы.

Различным аспектам теории прогнозирования посвящено  значительное количество исследований. В большинстве работ по прогнозированию, прогноз определяется как вероятностное научно обоснованное суждение о перспективах, возможных состояниях того или иного явления в будущем и (или) об альтернативных путях и сроках их осуществления. Под методологией прогнозирования понимается область знаний о методах, способах и системах прогнозирования, а именно:

• метод прогнозирования – способ исследования объекта, направленный на разработку прогноза;
• методика прогнозирования – совокупность одного или нескольких методов;
• система прогнозирования – упорядоченная совокупность методик и средств реализации.

Известно, что  теория прогнозирования включает анализ объекта прогнозирования; методы прогнозирования, подразделяющиеся на математические (формализованные) и экспертные (интуитивные); системы прогнозирования, в частности, непрерывного, при котором за счет мониторинга осуществляется корректировка прогнозов в процессе функционирования объекта.

В работах по теории прогнозирования при анализе объектов производится классификация прогнозов, при этом в качестве основных признаков указываются следующие:

• масштабность, отражающая количество значащих переменных при описании объекта;
• сложность, характеризующая степень взаимосвязи переменных;
• детерминированность или стохастичность переменных;
• информационная обеспеченность периода ретроспекции, включая все возможные варианты от объектов с полным количественным обеспечением до объектов, у которых такое обеспечение отсутствует.

Одним из основных классификационных признаков является также период прогноза, при этом большинство авторов выделяют три вида прогнозов: краткосрочные, среднесрочные и долгосрочные. Естественно, что временные интервалы прогнозов зависят от природы объекта, то есть изучаемой области деятельности. Так, при рассмотрении технико-экономических показателей деятельности фирм период краткосрочного прогноза не превышает 1 года, среднесрочные прогноз – от 1 до 5 лет, долгосрочный – свыше 5 лет.

Наконец, математические методы прогнозирования подразделяются на три группы:

• симплексные (простые) методы экстраполяции по временным рядам;
• статистические методы, включающие корреляционный и регрессионный анализ и другие;
• комбинированные методы, представляющие собой синтез различных вариантов прогнозов.

При формировании методики прогнозирования целесообразно, на наш взгляд, рассматривать прогноз  в узком (I тип прогноза) и в широком (II тип прогноза) смысле.

В узком смысле прогноз выполняется при условии, что основные факторы, определяющие развитие прогнозируемого процесса или явления, не претерпят существенных изменений.

Прогнозы I типа осуществляются с применением симплексных или статистических методов на основе временных рядов;

- число значимых переменных включают от 1 до 3-х параметров, то есть по масштабности они относятся к сублокальным прогнозам;

- при использовании одного параметра, например, времени, такие прогнозы считаются сверхпростыми, при двух-трех взаимосвязанных параметрах – сложными;

- по степени информационной обеспеченности периода ретроспекции прогнозы I типа могут быть отнесены к объектам с полным информационным обеспечением.

Для повышения  точности и достоверности прогнозных оценок I типа целесообразно использование комбинированных методов, при этом желательно использование большого количества вариантов прогноза, рассчитанных на основе различных подходов или альтернативных источников информации.

Прогноз II типа (в «широком» смысле) подразумевает, что исходные данные для получения оценок определяются с использованием опережающих методов прогнозирования: патентный, публикационный и др. Как правило, прогнозы II типа используются для долгосрочного прогнозирования и разбиваются на два этапа: первый – получение прогнозных оценок основных факторов; второй – собственно прогноз развития процесса или явления. Учитывая объективную сложность и трудоемкость выполнения прогнозов II типа, можно констатировать, что наибольшее распространение получили методы прогнозирования I типа.

 

Наиболее часто  для прогнозирования I типа используется метод экстраполяции. В общем случае модель прогноза включает три составляющие (рис.8.1.) и записывается в виде:

                                           

,                                                       (8.1.)

 

где y_t – прогнозные значения временного ряда;

- среднее значение прогноза (тренд);

v_t – составляющая прогноза, отражающая сезонные колебания (сезонная волна);

- случайная величина отклонения  прогноза.

 

В частных случаях количество составляющих модели меньше, например, только y_t и .

Подробно вопросы  прогнозирования с использованием методов экстраполяции изложены в ряде работ, но в виду отсутствия общепринятого алгоритма обработки  временных рядов может быть предложена следующая последовательность расчета.

1. На основе значений  временного ряда на прогнозном  периоде (интервале наблюдения) с  использованием метода наименьших  квадратов определяются коэффициенты  уравнения тренда  , видом которого задаются. Обычно для описания тренда используются полиномы различных порядков, экспоненциальные, степенные функции и т. п.

2. Для исследования сезонной  волны значения тренда исключаются  из исходного временного ряда. При наличии сезонной волны  определяют коэффициенты уравнения, выбранного для аппроксимации v_t.

3. Случайные  величины отклонения  определяются после исключения из временного ряда значений тренда и сезонной волны на прогнозируемом периоде. Как правило, для описания случайной величины используется нормальный закон распределения.

4. Для повышения  точность прогноза применяются  различные методы (дисконтирование,  адаптация и другие). Наибольшее  распространение в практике расчетов  получил метод экспоненциального  сглаживания, позволяющий повысить значимость последних уровней временного ряда по сравнению с начальными.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Рисунок 8.1 - Прогнозирование на основе временных рядов:

 

1 – экспериментальные данные на интервале наблюдения (А);

2 – тренд;

3 – тренд и сезонная волна; 

4 – значение точечного прогноза  на интервале упреждения (В);

5 – интервальный прогноз.

 

8.2. Пример прогноза текущего запаса на складе

 

Рассмотрим применение методов  прогнозирования на основе данных расхода  деталей на складе. В таблице 1 приведены три реализации текущего расхода; для каждой реализации даны величины расхода за день и интегральные характеристики, представляющие собой расход деталей со склада за соответствующий цикл.

Проиллюстрируем возможные  варианты прогнозов для одной реализации и для ансамбля из трех реализаций.

Пример 1. Воспользуемся первой реализацией. Допустим, что нам известны значения расхода деталей со склада за пять дней работы, таблица 8.1.

Выберем уравнение тренда в виде линейной зависимости

 

                                       y_t = a₀ + a₁ t                                                                                    (8.2.)

 

Расчет коэффициентов уравнения  a₀  и a₁ производится по формулам:

 

                                                a₀ =

                                                     (8.3.)

 

                                                   a₁ =

                                                          (8.4.)

Напомним, что формулы (8.3-8.4) получены на основе метода наименьших квадратов.

Входящие в  формулы значения сумм рассчитаны в  таблице 8.1. Подставляя их значения, находим a₀ = 45,2, a₁ = -3,0. Таким образом, уравнение прогноза пишется в виде y_t = 45,2 – 3,0t

 

 

 

Таблица 8.1

Динамика спроса в течение трех циклов расхода запасов

 

1-й цикл			2-й цикл			3-й цикл
День j	Спрос ед.	Всего с начала цикла	День j	Спрос ед.	Всего с начала цикла	День j	Спрос ед.	Всего с начала цикла
1 2 3 4 5 6 7 8 9 10	9 2 1 3 7 5 4 8 6 5	9 11 12 15 22 27 31 39 45 50	11 12 13 14 15 16 17 18 19 20	0 6 5 7 10 7 6 9 * *	0 6 11 18 28 35 41 50 50 50	21 22 23 24 25 26 27 28 29 30	5 5 4 3 4 1 2 8 3 4	5 10 14 17 21 22 24 32 35 39
Примечание: * - дефицит

 

Для оценки границ интервального прогноза необходимо рассчитать среднее квадратичное отклонение

                                                                     

                                         (8.5)

Вспомогательные расчеты приведены в табл. 7.2. Подставляя значения в формулу (8.5), находим σ_t

σ_t =

 

На основании  полученных зависимостей y_i и σ_t раcсчитываются прогнозные оценки

• среднего времени расхода текущего запаса ;
• страхового запаса у_с с заданной доверительной вероятностью Р;
• вероятности отсутствия дефицита деталей на складе в течение прогнозируемого периода.

Расчет прогнозной величины среднего времени расхода  производится по формуле (8.2). Приняв y_t = 0, находим

 дней

 

Для расчета  страхового запаса воспользуемся формулой

                                                  

                                                                           (8.6)

где σ_t – среднее квадратичное отклонение, формула (8.5);

t_β – параметр нормального закона распределения, соответствующий доверительной вероятности β.

 

Параметр t_β определяет для нормального закона число средних квадратических отклонений, которые нужно отложить от центра рассеивания (влево и вправо) для того, чтобы вероятность попадания в полученный участок была равна b.

В нашем случае доверительные интервалы откладывают  вверх и вниз от среднего значения y_t.

На рисунке 2 приведены границы, соответствующие y_t ± σ.

В таблице 3 приведены наиболее часто встречающиеся в практических расчетах значения вероятности b и параметра t_b для нормального закона распределения.

Таким образом, страховой запас рассчитывается так же, как и границы интервального прогноза, т.е. по формуле (8.6).

 

Таблица 8.2

 

Исходные данные и результаты расчета коэффициентов уравнения (8.2) при N = 5

 

ti, дни	yi, ед.	ti2	yiti	прогноз	(yt - yi)2
1 2 3 4 5	41 39 38 35 28	1 4 9 16 25	41 78 114 140 140	42 39 36 33 30	1 0 4 4 4
Суммы
*Примечание: значения округлены