|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Прогнозирование потребности предприятия в материальных ресурсахПланирование потребности в сырье и материалах рассмотренными ранее методами требует наличия исходных данных, которые не всегда имеются в момент составления заявки. Кроме того, при стабильном потреблении материалов, когда наблюдаются незначительные колебания потребности, нет необходимости в подробных расчетах. Достаточно точные результаты можно получить с помощью методов статистического прогнозирования. С помощью прогнозов выявляются как положительные тенденции в их развитии, так и негативные, и принимаются соответствующие меры по устранению недостатков. Из множества методов прогнозирования в торговых фирмах и на предприятиях получили преимущественное распространение методы экстраполяции, среди которых наибольшее применение находит метод подбора функций. Основная его идея состоит в использовании факта инерционности экономических процессов. Достаточно выявить основную тенденцию развития явления во времени и ее можно использовать для разработки прогноза. В общем виде потребность представляется как функция времени: Наиболее простой функцией является уравнение прямой: Таким образом, если определить коэффициенты (параметры) а0 и а,, то потребность Y можно вычислять, подставляя вместо t его конкретные значения (дни, недели, месяцы, годы — в зависимости от наличия исходных данных). Параметры а0 и а1 должны быть такими, чтобы рассчитанный по приведенной функции у в наименьшей степени отличались от их фактических значений в прошлом периоде. Чаще всего для определения указанных параметров используется метод наименьших квадратов, с помощью которого минимизируется сумма квадратов отклонений, рассчитанных по формуле значений от фактических:
Так как в данной функции переменными являются параметры а0 и а1, которые и требуется подобрать так, чтобы обеспечить минимум функции, то по ним находят частные производные и приравнивают их к нулю. В итоге получается система так называемых нормальных уравнений: Решая уравнения относительно параметров а0 и а1 получаем их искомые значения. В последующем их подставляют в уравнение регрессии: у = а0 + a1t и, придавая t значения прогнозируемых периодов (дней, месяцев, кварталов, лет), получаем прогнозы потребности. Метод подбора функций предполагает, что всякий раз после получения расчетных значений, они должны быть оценены на близость к фактическим, по которым, собственно, и были рассчитаны. Наиболее важными показателями близости или точности подгонки можно использовать: коэффициент детерминации (квадрат коэффициента корреляции между у и t: коэффициент аппроксимации (среднее относительное линейное отклонение абсолютных значений у фактического от у расчетного). Коэффициент аппроксимации определяется по формуле Чем меньше этот коэффициент, тем лучшей считается подгонка у. В практике прогнозирования принято считать достаточно высокой оценку Ка, равную 0,1, и удовлетворительной — 0,2. Использование уравнения прямой для прогнозирования потребности в сырье и материалах далеко не всегда позволяет получить достаточное приближение, вследствие чего приходится использовать другие виды функций. Для того чтобы иметь воз- можность применить линейный метод наименьших квадратов для нахождения параметров, надо предварительно линеаризировать функции путем замены исходных данных на их преобразованные значения. Например, степенная функция у - a0tа1 легко линеаризуется логарифмированием: InY = In a0 +a1t. В этом случае минимум суммы квадратов достигается не для исходных значений, а для их логарифмов. Ниже приводятся наиболее применяемые функции и их преобразования (табл. 2.6). Таблица 2.6. Функции и их преобразования
Для прогнозирования могут использоваться и другие функции, однако следует придерживаться правила: выбирать не ту функцию, которая дает наименьший коэффициент аппроксимации и наибольшую корреляцию, а ту, которую легче интерпретировать в терминах экономики. Например, если экспоненциальная функция дает коэффициент аппроксимации 0,14, а функция прямой — 0,15, то следует все же использовать для прогнозирования последнюю. Особого внимания заслуживают параболические функции, с помощью которых можно получить наибольшее приближение исходных и расчетных данных, если увеличивать степень (порядок) параболы. Однако опыт применения параболического сглаживания функций для прогнозирования говорит о том, что и здесь разумно ограничиться параболой второго порядка: Ее коэффициенты поддаются убедительной интерпретации: а1 показывает ежегодный линейный прирост, а2 — ускорение прироста (если знак отрицательный, то замедления). Таким образом, задача прогнозирования методом подбора функций сводится к получению и сравнению с фактическими расчетных значений по каждой функции и выбору наиболее приемлемой по принятому критерию. Экстраполяция по времени не всегда дает положительный результат из-за значительных нелинейностей в исходных дни ных. В таких случаях иногда можно воспользоваться методом моделирования, применив в качестве факторного признака объем производства: где х — объем производства. Параметры модели находят аналогично — методом наименьших квадратов. Можно усложнить модель, введя в нее фактор времени: Такая двухфакторная модель может более точно описать изменение потребности в материальных ценностях за анализируемый период, так как здесь учитывается не только объем производства как фактор, непосредственно влияющий на потребность, но и фактор времени, учитывающий временные тенденции. Модель можно усложнять и далее. Например, с точки зрения удовлетворительной интерпретации результатов, вполне пригодна для прогнозирования такая модель: Важно помнить, что всякое усложнение модели путем введения в нее новых факторов или их модификации неизбежно снижает точность прогноза, требует для получения той же надежности прогноза дополнительных данных (наблюдений), что в подавляющем большинстве случаев трудно или невозможно осуществить. Вообще применение методов прогнозирования требует систематического планового накопления на предприятии фактических данных о поступлении и расходовании материалов за возможно длительный период. Для получения надежного прогноза необходимо, чтобы число значений исходного ряда превышало период прогнозирования, по крайней мере, в 7—10 раз, т.е. для разработки прогноза на один год (квартал) требуется исходная информация, по крайней мере, за 10 предшествующих лет (для квартального прогнозирования — кварталов). Рассмотренные модели прогнозирования (в равной мере) учитывают все включаемые в них исходные данные независимо от времени их представления. Между тем хорошо известно, что временные ряды, состоящие, например, из таких данных, как объем реализации, потребности в материалах, по мере старения теряют свою информационную ценность. Для прогнозирования важнее знать потребность, например, прошлого года, чем позапрошлого, т.е. по мере удаления от настоящего желательно включать информацию с меньшим весом. Поэтому для прогнозирования потребности можно с успехом применять метод экспоненци- ального сглаживания, который обеспечивает не только сглаживание (устранение случайных колебаний исходных данных), но и позволяет включать данные с весом, убывающим по мере их старения. Убывание веса данных по мере их старения происходит по экспоненте, что и отражено в названии метода. Основная формула сглаживания: где Skt — сглаженное значение k-ro порядка; а и B — параметры сглаживания; t — период, к которому относится сглаженное значение. Как видно из формулы, чтобы сгладить ряд данных, необходимо иметь сглаженные значения предыдущего порядка за предыдущий период, с какого бы периода мы не начали сглаживание. В качестве сглаженных данных нулевого порядка принимаем исходный ряд, тогда формула для получения сглаженных значений первого порядка будет иметь вид: Здесь вновь сталкиваемся с проблемой сглаженного значе-ния за предыдущий Sti период. Имеется ряд методов получения этого значения для процедуры сглаживания. Можно, например, в качестве сглаженного значения взять среднее арифметическое, вычисленное по 3—4 значениям исходного ряда: где т должно быть не менее 3-х и в то же время составлять не более 20 % от числа значений исходного ряда. Предпочтительнее, однако, вычислить его рассмотренным ранее методом наименьших квадратов, т.е. функции прямой или параболы. Важное значение для процедуры сглаживания имеет выбор коэффициентов (параметров сглаживания) а и B. По условию а + B = 1, поэтому практически определяется a, a B вычисляется по формуле. Для нахождения параметра сглаживания разработано несколько методов, например, предлагается простая формула Из этой формулы видно, что с увеличением длины ряда исходных данных п, а уменьшается, а это означает, что более старые данные приобретают больший вес. Для экономических прогнозов предпочитают использовать параметр сглаживания, равный не менее 0,1, а это значит, что ряды, длиннее 20 значений, сглаживать при таком а не имеет смысла. На кафедре промыш- ленного маркетинга разработан учебный пакет программ REG52 по прогнозированию. В нем используется итеративная процедура нахождения оптимального параметра сглаживания. Начиная с некоторого минимального значения, например, а1= 0,01, производится сглаживание: Stk = a Stk-1 + B St1k, находятся расчетные значения yt. Они сравниваются с фактическими значениями, т.е. вычисляется сумма квадратов отклонений расчетных значений от фактических. Затем прибавляется приращение аr = аr+ 0,001, и весь процесс повторяется до тех пор, пока будет уменьшаться сумма квадратов отклонений SSr Минимальной сумме квадратов отклонений расчетных значений от фактических соответствует оптимальное значение аг. Найденное таким образом оптимальное значение параметра сглаживания используется для прогнозирования. Имея сглаженные значения первых 3-х порядков, можно получить прогнозы по линейной и квадратичной моделям. Для этого рассчитываются а параметры для подстановки в соответствующие формулы. Пример прогнозирования методом экспоненциального сглаживания на небольшом отрезке, включающем всего 5 значений потребности в материале, приведен в табл. 2.7.
В данном примере параметр сглаживания определен по формуле В качестве S0 принято первое значение исходного ряда (69 т). Тем самым это значение потеряно как самостоятельный исходный член ряда, поэтому определим первые три сглаженные значения для t = 2: Для квадратической функции у = а0+ а1 t + 0,5 a2t2 рассчитываем параметры а0 а1 а2. Следует обратить внимание, что здесь параметры а рассчитываются для каждого периода, пока не будет получено их значение для последнего периода. Именно эти последние значения используются для прогнозирования. В данном случае значение t для прогнозирования определяется по формуле t = t + 1, где t — период прогнозирования. Ошибка, допущенная при прогнозировании, рассчитывается по формуле где бe — среднеквадратическое отклонение расчетных значении от фактических (среднеквадратическая ошибка расчета). В нашем случае бЕ = 0,75, следовательно, б у — 1,35, т.е. прогнозируемое значение у6 окажется в интервале от 81,7 до 84,6 т. Такая точность для большинства практических расчетов оказывается вполне приемлемой. Рассмотренный пример показывает, что применение методов прогнозирования связано с громоздкими расчетами, которые целесообразно проводить с помощью учебного пакета программ REG 52 (программа EXPOW, БГЭУ, кафедра промышленного маркетинга) для линейной и квадратической модели. Имеющиеся в распечатке оценки ошибок прогнозирования позволяют судить о надежности и точности прогноза и выбрать наилучший метод прогнозирования в каждом конкретном случае. Входной информацией для этой программы служит исходный ряд (или несколько рядов) с указанием числа наблюдений (периодов ретроспективы) и периода прогнозирования. Содержание, функции и состав производственных запасов Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.007 сек.) |