Вы здесь

Моделювання логістики безперервного виробництва

Автор: 
Бережна Леся Віталіївна
Тип работы: 
Дис. канд. наук
Год: 
2005
Артикул:
3405U003320
99 грн
(320 руб)
Добавить в корзину

Содержимое

розділ 2.1 нашої роботи) ці методи стали важливим інструментом у діяльності планових, аналітичних, маркетингових, збутових відділів, відділів матеріально-технічного забезпечення, складів, транспортних організацій, торгівельних, страхових компаній, банків тощо. В умовах переходу економіки на ринкові відносини суттєво змінюються інформаційні запити логістичного менеджменту щодо обсягу, складу, вірогідності й оперативності інформації. У зв'язку з цим для керівників різних рівнів логістичної системи зростає роль прогнозів у прийнятті обґрунтованих управлінських рішень. Питанням методології прогнозування присвячена значна кількість літератури, зокрема [15 - 17, 27, 32, 35, 37, 43, 65, 78, 80, 81, 99, 100, 113, 129, 134, 135, 140, 147, 148, 150, 152]. Роль прогнозування у моделюванні та керуванні матеріальними (інформаційними, фінансовими) потоками в логістичній системі визначена у розділі 1 нашої роботи. І отже, прогнозування є наступним, другим напрямком аналізу та моделювання потоків, що вивчає логістика. Рівнями динамічного ряду при цьому можуть поставати обсяги попиту, сировини, товарної продукції, реалізації, оброблюваної інформації, розрахунки зі споживачами та постачальниками тощо.
На рис. 2.7 запропоновані напрямки прогнозування потоків матеріалів, інформації та фінансів. Її аналіз дозволяє виділити низку етапів.
На першому етапі (блок В1) здійснюється побудова графіку досліджуваної функції та аналіз її монотонності, стабільності, періодичності, наявності екстремумів, точок перегинання, обмеження зверху, знизу, у часі, властивості симетричності тощо.
Далі вибираються засоби моделювання (блок В2). Їх нараховують значну кількість, але одними з найбільш розповсюджених є трендові та сучасні економетричні ARIMA-моделі. Розглянемо трендові моделі (блок В2.1).
Для аналізу тенденції на основі динамічних рядів і побудови прогнозу з врахуванням закономірностей, що склалися в "передісторії", застосовується трендова залежність. Тренд відображає тенденцію зміни явища (процесу, об'єкта) у часі.
На першому кроці прогнозування із застосуванням трендових моделей виявляється тенденція у досліджуваному процесі, для чого здійснюється:
1) декомпозиція часового ряду на тренд (), сезонну () та випадкову () компоненту (циклічна компонента для молочної промисловості за даними спостережень минулих років не прослідковується):
де - тренд-сезонний часовий ряд.
2) ідентифікація моделі часового ряду, яка передбачає коригування рівнів динамічного ряду (якщо це потрібно), визначення функцій , розрахунок їх оцінок та підбір моделі, яка адекватно описує поведінку випадкової компоненти і статистичне оцінювання параметрів цієї моделі.
Потрібно зазначити, що у ході вирішення цих задач оцінюється наявність тренду, для чого можуть бути використані такі методи: критерій серій [37], перевірка різниць середніх рівнів [113], або метод Форстера - Стьюарта [113].
На другому кроці виділяється сезонна компонента. Для повного дослідження тренд-сезонного часового ряду вирішуються такі задачі:
1). Виявлення у часовому ряді сезонних коливань. Може здійснюватись на основі візуального аналізу графіку ряду за два - три роки та спеціальні статистичні критерії (дисперсійний, автокореляційний, гармонічний тощо). Ефект сезонності та випадковості перевіряється по рівнянню .
2). Фільтрація (виділення) сезонної компоненти відбувається за такими правилами:
а) ряд має тільки сезонну компоненту, якщо не існує лінійної залежності зміни коефіцієнтів автокореляції від часового лагу, але автокорелограма містить велику кількість значущих максимальних і мінімальних значень коефіцієнтів автокореляції, що свідчить про значну залежність між спостереженнями, зрушеними на один і той самий часовий інтервал;
б) ряд має лінійний і сезонно-адитивний тренд, якщо його коррелограма вказує на лінійну залежність зміни коефіцієнтів автокореляції від часового лагу і містить велику кількість значущих максимальних і мінімальних значень коефіцієнтів автокореляції, а перехід до перших різниць виключає лінійний тренд, проте статистична значущість певних коефіцієнтів автокореляції залишається [113].
3). Аналіз динаміки (еволюції) сезонної хвилі. У даному випадку здійснюється аналіз динаміки амплітуди сезонної хвилі у кожному місяці (кварталі, тижні), точок екстремуму сезонної хвилі, та вивчаються зміни форми хвилі.
4). Дослідження факторів, які визначають сезонні коливання.
Третій крок прогнозування із застосуванням трендових моделей передбачає моделювання сезонних явищ і трендову екстраполяцію [37]. Таким чином здійснюється прогнозування тренд-сезонних процесів.
Економічні часові ряди, що характеризують потоки логістики підприємств молочної промисловості, як правило можуть бути описаними адаптивними моделями із адитивним характером сезонності:
де - характеристика тенденції розвитку (коефіцієнти тренду ); - адитивний (незмінний в часі, незалежний від рівня тренду) сезонний фактор; l - кількість фаз у повному сезонному циклі (для щомісячних спостережень l = 12, для квартальних l = 4).
Необхідно відмітити, що адаптивними називаються методи прогнозування, які дозволяють будувати економіко-математичні моделі, які здатні самоналаштовуватись та оперативно реагувати на зміну умов шляхом врахування результату прогнозу на попередньому кроці, та врахування різної інформаційної цінності рівнів ряду. Використовуючи адаптивну тренд-сезонну модель Г.Тейла та С.Вейджа, що поєднує лінійне зростання із адитивною сезонністю, можна змоделювати та спрогнозувати динаміку матеріальних потоків на молокопереробних підприємствах.
Прогноз на ? кроків уперед визначається виразом:
де - поточні оцінки коефіцієнтів, ? - час упередження прогнозу.
Оновлення коефіцієнтів здійснюється таким чином:
де ?1, ?2, ?3 - параметри адаптації.
Прогнозні оцінки отримуються екстраполяцією тенденції лінійного зростання на базі останніх значень коефіцієнтів та а також додаванням найсвіжішої оцінки сезонного ефек