АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Прогнозирование потребности предприятия в материальных ресурсах

Читайте также:
  1. II. Показатели финансовой устойчивости предприятия.
  2. А) Характер потребности и удовлетворения
  3. Активы и пассивы предприятия
  4. Алгоритм управления рисками предприятия
  5. Альянсы, консорциумы и совместные предприятия как форма межфирменного инновационного сотрудничества
  6. Амортизационная политика предприятия
  7. Амортизационная политика предприятия
  8. Амортизационная политика предприятия, как инструмент управления основным капиталом
  9. Амортизация нематериальных активов
  10. АМОРТИЗАЦИЯ НЕМАТЕРИАЛЬНЫХ АКТИВОВ
  11. Анализ взаимосвязей между показателями эффективности инвестиционно-инновационных проектов и показателями эффективности хозяйственной деятельности предприятия
  12. Анализ взаимосвязи между обобщающими, частными показателями экономической эффективности деятельности предприятия и эффективностью каждого научно-технического мероприятия

Планирование 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.


Таблица 2 7 Расчет потребности в материале методом экспоненциального сглаживания


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


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 |

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.)