Содержание к диссертации
Введение
ГЛАВА 1. Анализ существующих систем управления производственными запасами 11
1.1. Сравнительная оценка основных производственных систем 11
1.2. Анализ методов управления производственными запасами 26
1.3. Определение основных направлений исследования диссертационной работы 37
Выводы по главе 1 39
ГЛАВА 2. Система управления производственными запасами с учетом динамики рыночной ситуации 40
2.1. Определение информационных потоков для построения системы 41
2.2. Обоснование выбора методов прогнозирования 45
2.3. Разработка усовершенствованнвй'ойстейы управления производственными запасами . 62
2.4. Организация системы на предприятии 88
Выводы по главе 2 97
ГЛАВА 3. Апробация результатов исследования 98
3.1. Прогнозирование спроса 98
3.2. Планирование производственных запасов 115
3.3. Программная реализация предложенного метода 122
Выводы по главе 3 124
Заключение 126
Список основной использованной литературы 130
Приложения 139
- Сравнительная оценка основных производственных систем
- Определение информационных потоков для построения системы
- Разработка усовершенствованнвй'ойстейы управления производственными запасами
- Планирование производственных запасов
Введение к работе
Актуальность темы. Конкурентоспособность продукции и результаты хозяйственной деятельности предприятия во многом определяются уровнем совокупных издержек. В условиях непростого финансового состояния экономики России снижение издержек - один из путей выживания предприятия. Значительную долю в общих издержках предприятия составляют затраты, связанные с производственными запасами.
Теоретические и практические аспекты, связанные с задачей управления производственными запасами, рассмотрены в работах отечественных ученых: Куротченко B.C., Новикова Д.Т., Новикова О.А., Фасоляка Н.Д., Радионова А.Р., Радионова Р.А., Бирмана A.M., Канторовича Л.В., Рыжикова Ю.И, Бу-линской Е.В. и др. Из зарубежных авторов следует отметить Харриса Ф., Уил-сона Р.Х., Уайтина Т.М., Эрроу К., Карлина С, Дворетского А., Букана Дж., Кенигсберга Э., Хедли Дж., Тайиши Оно, Ясухиро Мондена, Орлицки Д., Плосслу Д. и др.
В работах перечисленных выше авторов сделан существенный вклад в решение рассматриваемой задачи. Разработан широкий спектр методов и методик управления производственными запасами, адаптированных для ряда практических ситуаций. Вместе с тем в рыночных условиях хозяйствования выявился ряд направлений, не получивших должной проработки.
Для эффективного функционирования системы управления производственными запасами необходимо, чтобы время, требуемое для сбора и анализа информации, было как можно меньше срока, в течение которого следует принять управленческое решение. Решение, принятое только на основе опыта и интуиции, редко является эффективным. Здесь необходимо задействовать всю доступную информацию. Отсутствие какого-либо информационного компонента может существенно сказаться на результатах. Решению этой проблемы может помочь внедрение на предприятии соответствующей информационной инфраструктуры.
Актуальность диссертационного исследования обусловлена следующими факторами:
- недостаточной разработкой проблемы управления производственными
запасами в нестабильных экономических условиях;
- необходимостью разработки инструментария формирования решений по управлению производственными запасами для российских промышленных предприятий;
- необходимостью минимизации совокупных издержек промышленных предприятий;
- необходимостью обработки больших объемов информации для принятия решений по управлению производственными запасами.
Критический анализ научных исследований и состояния их практического использования определили целью диссертационной работы повышение эффективности функционирования системы управления производственными запасами за счет учета динамики факторов макро- и микросреды.
Поставленная цель достигается за счет решения следующих задач:
- анализа возможностей действующих производственных систем («точно в срок», «планирования производственных ресурсов»);
- выбора системы, наиболее адекватной российским условиям;
- разработки путей совершенствования выбранной производственной системы;
- анализа существующих методов управления производственными запасами, выбора и совершенствования наиболее перспективного метода;
- разработки рекомендаций по применению предлагаемой системы управления производственными запасами на российских предприятиях;
- разработки компьютерного программного обеспечения, реализующего предлагаемую систему управления производственными запасами;
- апробирования предлагаемой системы.
Предметом исследования является система управления производственными запасами и возможности её совершенствования.
В качестве объекта исследования выбраны промышленные предприятия ОАО «Завод им. Г.И. Петровского», ЗАО «Сормовская Кондитерская Фабрика», ЗАО «Хохломская роспись» и ряд других промышленных предприятий г. Нижнего Новгорода и области.
Теоретической и методологической основой послужили работы отечественных и зарубежных авторов по управлению производственными запасами на промышленных предприятиях, логистике, исследованию методов принятия оптимальных организационно-экономических решений, контроллингу, маркетингу.
Информационной базой исследования послужили данные ряда предприятий Нижнего Новгорода и области, статистическая информация Государственного комитета по статистике за период до пяти лет, а также материалы, содержащиеся в научной и периодической печати.
Структура и объем диссертации. Она состоит из введения, трех глав, заключения, списка литературы и приложений. В работе представлено 24 рисунка, 22 таблицы.
В первой главе выполнен анализ отечественного и зарубежного опыта по организации систем управления производственными запасами.
Система управления производственными запасами входит в состав производственной системы предприятия. Её обособленное рассмотрение противоречит системному подходу и не может обеспечить должной эффективности. Соответственно, прежде чем приступить к рассмотрению непосредственно системы управления производственными запасами, необходимо определиться с выбором адекватной для российских условий производственной системы.
В настоящее время в мировой практике наиболее прогрессивными считаются две производственные системы: «точно в срок» {Just-Inime, JIT) и «планирования производственных ресурсов» (Manufacturing Resources Planning, MRP-IT). Отдельные недостатки этих систем повлекли за собой создание ряда модификаций — «тощее производство» {Lean Production, LP), «реагирование на спрос» (Demand-Driven Techniques, DDT) и т.д. Если же рассматривать элементы этих систем, относящиеся к управлению производственными запасами, то существенных изменений, по сравнению с соответствующими элементами ЛТя MRP-II, они не претерпели.
Цели ЛТ и MRP-II, в сущности, одинаковы — это улучшение обслужива ния заказчика, сокращение запасов и повышение производительности. Однако, подходы к решению этих задач различаются.
ЛТ основывается на простом предположении: если производственный план задан, то можно так организовать движение материальных потоков, что все материалы, компоненты и полуфабрикаты будут поступать в необходимом количестве, в нужное место (на сборочной линии) и точно к назначенному сроку. Эти условия определяют высокие требования к поставщикам. Срыв поставок хотя бы одним поставщиком приводит к срыву производственного плана. В отлаженной системе ЛТ основным фактором неопределенности является спрос, остальные параметры являются фактически детерминированными. Это в значительной степени упрощает методику принятия управленческих решений. Высокие требования к логистическому окружению системы ЛТ, обусловили тот факт, что американские и европейские производители только через 10-15 лет после японцев смогли внедрить её на отдельных предприятиях. Внедрение ЛТ возможно сегодня лишь на весьма ограниченном числе российских предприятий.
Концепция «планирования материальных требований» (Material Requirements Planning, MRP-I) — это система на основе компьютерной базы данных, которая разработана для управления и планирования производственных запасов зависимого спроса. План производства определенного количества готовой продукции (ГП), используя производственные данные, трансформируется в запросы материальных ресурсов (MP). Таким образом, требования на ГП (независимый спрос) определяют требования на компоненты нижнего уровня (зависимый спрос), так, чтобы заказ, производство и сборка были распланированы для своевременного завершения ГП, а производственные запасы поддерживались на разумно низком уровне. По сути, MRP-I является модернизированной версией производственной системы, используемой обычно на российских производственных предприятиях.
В системе MRP-II предпринята попытка расширить сферу планирования производственных ресурсов и включить в процесс планирования дру гие функциональные области деятельности предприятия. Маркетинг и финансы — это две наиболее значимые сферы, которые оказывают сильное влияние на производственный план и сами, в свою очередь, испытывают его воздействие. Ядром MRP-II, в части управления производственными запасами, является система MRP-I.
Высокие требования системы MRP-I к вычислительным ресурсам, обусловили тот факт, что её внедрение началось лишь в 70-е годы, хотя соответствующие разработки были сделаны ещё в 50-х годах, практически одновременно с разработкой концепции ЛТ. Западные аналитики утверждают, что отлаженная система MRP позволяет фирмам достигать практически тех же результатов, что и при использовании ЛТ, но при значительном снижении требований к логистическому окружению.
Анализ, проведенный в диссертации, показывает, что на российских предприятиях экономически целесообразнее использовать адаптированный для российских условий аналог системы MRP-II, нежели ЛТ.
Выбор производственной концепции определяет основные шаги по её адаптации для российских условий:
- расширение числа факторов макро- и микросреды, учитываемых системой;
- частичная компенсация неопределенности российской экономики за счет использования эффективной техники социально-экономического прогнозирования;
- пересмотр части методов и методик управления производственными запасами, используемых в системе MRP-II, для повышения эффективности её работы;
- разработка предложений по минимизации издержек внедрения системы на предприятии.
Для учета факторов, влияющих на величину издержек, связанных с производственными запасами, во второй части первой главы рассмотрены методы построения плана закупок. Проанализированы их достоинства и недос татки. Выбран метод, позволяющий, при соответствующей модификации, производить гибкий учет большого числа факторов макро- и микросреды.
Во второй главе определены информационные потоки, существенно влияющие на суммарные издержки, связанные с производственными запасами. Определены способы учета факторов в разрабатываемой системе управления производственными запасами.
Сделаны рекомендации по выбору методов прогнозирования, которые следует использовать в системе управления производственными запасами для снижения факторов неопределенности. Выбор методов обусловлен рядом критериев: требования к математической подготовке менеджера, качество прогноза, требования к объему выборки, возможность интерпретации полученных результатов. Опыт использования рассматриваемых методов и методик на практике, позволил автору разработать методику прогнозирования, позволяющую строить прогнозы удовлетворительного качества при сравнительно низких требованиях к математической подготовке менеджера.
Третья часть посвящена разработке метода расчета плана закупок, учитывающего динамику факторов макро- и микросреды. В качестве основы метода используется многошаговая процедура поиска наиболее эффективного решения. Практическая реализация метода позволяет учесть следующие факторы:
- многодетальность производства;
- динамику спроса на готовую продукцию;
- изменение стоимости материальных ресурсов в зависимости от времени;
- наличие оптовых скидок на материальные ресурсы;
- изменение тарифов на транспортировку;
- длительность транспортировки;
- изменение стоимости хранения материальных ресурсов;
- ограничения на финансовые ресурсы, емкость складских помещений, сроки хранения отдельных материальных ресурсов, грузоподъемность транспортных средств;
- расфасовку материальных ресурсов и др.
Четвертый параграф посвящен вопросам внедрения разработанной системы управления производственными запасами на российских предприятиях. Анализ управленческих структур, характерных для отечественных предприятий, показал, что они вполне удовлетворяют информационным потребностям разработанной системы управления производственными запасами. Вместе с тем, необходимы определенные изменения в основах функционирования отделов.
В работе отмечено, что эффективное управление возможно лишь в случае коалиционного подхода к планированию деятельности предприятия. Слишком часто производство, маркетинг и финансы функционируют без полной информации о работе других подразделений предприятия. Разработанная система управления производственными запасами способствует консолидации отделов.
Эффективное функционирование системы управления производственными запасами невозможно без создания на предприятии соответствующей информационной инфраструктуры. Внедрение такой инфраструктуры связано со значительными затратами. Для минимизации и выравнивания этих затрат автором сформулированы критерии выбора необходимого программного и аппаратного обеспечения.
В третьей главе рассматривается использование разработанной системы управления производственными запасами на предприятии. В первой части главы строится прогноз объемов продаж одного из продуктов ЗАО «Сормовская кондитерская фабрика». Имеющийся в наличии объем выборки составляет 48 отсчетов (данные за четыре года работы предприятия). Для определения качества прогноза статистика усекается до 36 отсчетов и лишь эти данные используются при анализе. Оставшиеся 12 отсчетов используются в качестве тестовой выборки.
Величина суммарной относительной ошибки прогноза для методики, разработанной автором, составила 0,85%. Этот пример показывает, что даже в россий ских условиях, возможно получение прогноза удовлетворительного качества.
Во второй части главы выполнен расчет плана закупок, основанный на данных ЗАО «Сормовская кондитерская фабрика». Сопоставление результатов, полученных с использованием разработанного метода и широко используемой на практике формулы Уилсона, показало, что издержки, связанные с производственными запасами, сократились на 9%. Результат может меняться в зависимости от исходных данных, но он не может быть хуже, при прочих равных условиях, полученного с применением формулы Уилсона.
Построение плана закупок на основе предлагаемого метода сопряжено с наличием значительного объема вычислений. Для устранения этой проблемы автором разработана компьютерная программа, позволяющая выполнить соответствующие расчеты.
Научная новизна исследования заключается в следующем:
- развиты теоретические положения, связанные с управлением производственными запасами в рыночных условиях;
- разработан метод построения плана закупок, учитывающий динамику факторов макро- и микросреды;
- разработана методика прогнозирования изменения стоимости материальных ресурсов;
- предложена методика управления производственными запасами с учетом динамики рыночной ситуации;
- разработаны рекомендации по внедрению системы управления производственными запасами на российских предприятиях.
Практическая значимость диссертационного исследования состоит в том, что предложенная система управления производственными запасами и рекомендации по её внедрению могут быть использованы промышленными и торговыми предприятиями для снижения соответствующих издержек.
Отдельные положения диссертационной работы используются при обучении студентов социально-экономического факультета (СЭФ) НГТУ и других ВУЗов, а также в системе повышения квалификации и переподготовке кадров по дисциплинам «Финансовый менеджмент», «Логистика», «Органи зация производства», «Социально-экономическое прогнозирование».
Апробация работы. Основные положения работы докладывались на международных научно-практических конференциях . «Региональные проблемы экономики переходного периода» (Н. Новгород, 1998), «Государственное регулирование экономики. Региональный аспект» (Н. Новгород, 2000), «Менеджер XXI века» (Н. Новгород, 1999, 2000), а также на заседаниях кафедр СЭФ НГТУ.
Разработанная система управления производственными запасами принята к внедрению на ряде промышленных предприятий: ОАО «Завод им. Г.И. Петровского», ЗАО «Сормовская кондитерская фабрика», ЗАО «Хохломская роспись».
Публикации. Основные положения диссертации отражены в 11 научных работах общим объемом 1,1 печатного листа.
На защиту выносится:
- сравнительная оценка основных производственных систем («точно в срок» и «планирования производственных ресурсов»);
- методика прогнозирования изменения стоимости материальных ресурсов;
- метод управления производственными запасами, учитывающий динамику факторов макро- и микросреды;
- методика управления производственными запасами;
- рекомендации по внедрению системы управления производственными запасами на российских предприятиях.
Сравнительная оценка основных производственных систем
Для осуществления непрерывного производственного процесса предприятие нуждается в оборотных производственных фондах.
Под оборотными производственными фондами понимается часть производственных фондов, вещественным содержанием которых являются предметы труда, которые участвуют только в одном производственном цикле, полностью потребляются в нем и полностью переносят в этом же цикле свою стоимость на готовый продукт [147].
Для осуществления следующего производственного цикла предметы труда должны быть полностью возмещены в прежней натурально-вещественной форме.
При учете и планировании оборотные фонды делят на три группы.
1. Товарно-материальные производственные запасы (ПЗ) — запасы сырья, основных материалов и покупных полуфабрикатов, вспомогательных материалов, топлива, тары, запасных частей для ремонта машин и оборудования, малоценных и быстроизнашивающихся инструментов и хозяйственного инвентаря;
2. Незавершенное производство (НП) — незаконченная производством продукция, которая будет обрабатываться в дальнейшем. Из этой группы выделяют полуфабрикаты собственного изготовления;
3. Расходы будущих периодов (РБП) — затраты, произведенные в данном периоде с условием их погашения в будущих периодах (на освоение новой продукции).
Материальные ресурсы (MP) — это предметы труда: сырье, основные и вспомогательные материалы, полуфабрикаты, комплектующие изделия, сборочные единицы, топливо, запасные части, предназначенные для ремонта и обслуживания технологического оборудования и других основных фондов [97].
Соотношение между нормируемыми и ненормируемыми оборотными средствами в различных отраслях промьппленности неодинаково, но, как правило, во всех отраслях преобладающую часть составляют нормируемые оборотные средства. В машиностроении в среднем они составляют 83% (рис. 1.1).
Из данных таблицы 1.1 следует, что товарно-материальные ценности составляют наибольшую часть оборотных средств промышленности. Их удельный вес колеблется в пределах 75 - 87%. В структуре оборотных средств в товарно-материальных ценностях преобладают производственные запасы (таблица 1.1). Их доля колеблется в пределах 53 - 80%.
Как показывают данные таблицы 1Л, наиболее значителен Удельный вес производственных запасов в легкой промышленности (преобладают сырье и полуфабрикаты - 69,6%).
В машиностроении по сравнению с другими отраслями промышленности доля производственных запасов ниже, а незавершенного производства и полуфабрикатов собственного изготовления несколько выше.
Это обусловливается тем, что в машиностроении производственный цикл более длительный, чем в среднем по промышленности. По этой же причине в тяжелом, энергетическом и транспортном машиностроении доля незавершенного производства значительно выше, чем в автомобильной промышленности. Высокая доля производственных запасов в структуре оборотных средств приводит к необходимости постоянного совершенствования системы управления производственными запасами на предприятии.
Сложность задачи управления запасами обусловлена комплексной взаимосвязью различных элементов производственной системы, в составе которой функционирует подсистема управления производственными запасами. Согласно системному подходу, для повышения эффективности функционирования системы управления запасами, необходимо формировать её, исходя из производственной системы действующей на предприятии.
В настоящее время в мировой практике наиболее прогрессивными считаются две производственные системы: «точно в срок» {Just-Inime, ЛТ) и «планирования производственных ресурсов» (Manufacturing Resources Planning, MRP-II). Недостатки этих систем повлекли за собой ряд модификаций —«тощее производство» (Lean Production, LP), «реагирование на спрос» (Demand-Driven Techniques, DDT) и т.д. Если же рассматривать элементы этих систем, относящиеся к управлению производственными запасами, то существенных изменений, по сравнению с соответствующими элементами ЛТ и MRP-II, она не претерпела. Поэтому подробно остановимся на анализе базовых систем1.
Цели концепций ЛТ и MRP, в сущности, одинаковы —это улучшение обслуживания заказчика, сокращение запасов и повышение производительности. Однако, подходы к решению этих задач различаются. Ни MRP, ни ЛТ не являются обособленной системой — каждая существует в рамках большой структуры. MRP работает на компьютерной основе, ЛТ — практически вручную.
Определение информационных потоков для построения системы
Рассмотрим, какую информацию необходимо получить отделу закупок для того, чтобы он мог принимать эффективные решения по выработке календарного плана закупок. Информационные потоки, не требуемые для принятия решения по данной задаче, опущены.
Структура информационных потоков относительно отдела закупок В работе сделана попытка учесть максимальное число информационных потоков, чтобы максимально упростить процедуру адаптации системы на предприятиях различного профиля. Учесть все возможные нюансы, связанные со спецификой деятельности различных предприятий, в столь ограниченной по объему работе, не представляется возможным. Однако, система управления производственными запасами разрабатывалась для обеспечения высокой гибкости, поэтому процедура её адаптации для условий конкретного предприятия не должна вызвать сколько-нибудь значительных трудностей.
Представлены информационные потоки, необходимые для разработки графика закупок MP. На схеме изображены информационные потоки, которые необходимы для эффективного функционирования системы управления производственными запасами. Материальные и незначимые информационные потоки опущены. В зависимости от специфики предприятия степень важности информации может варьироваться в широких пределах. Расшифровка информационных потоков дана в таблице 2.1.
Учет всех перечисленных параметров — задача чрезвычайно сложная, как с точки зрения математических расчетов, так и с точки зрения необходимых вычислительных возможностей. Однако, в ряде случаев, нет необходимости учитывать все вышеуказанные параметры, т.к. усложнение задачи не компенсируется повышением эффективности. В разрабатываемой системе сделана попытка выдержать некоторый компромисс между точностью получаемых результатов и сложностью вычислений.
Как указывалось в первой главе, основная задача, с которой сталкивается руководство предприятия при внедрении системы управления производственными запасами — неопределенность большинства факторов, которые не обходимо учитывать при принятии решения о закупке необходимых материальных ресурсов. Перечислим параметры, которые необходимо учитывать и отдельно остановимся на вопросе, каким образом это можно сделать на практике. Факторы ранжированы в порядке уменьшения неопределенности (таблица 2.2). Рассмотренные в первой главе стохастические методы расчета плана за купок, подменяют установление зависимости «интересуемая величина-время» на зависимость вида «искомая величина-вероятность». Замена явно не равноценная. Это особенно ярко проявляется в случае, когда существует некоторая зависимость между интересуемой величиной и временем. Например, сезонность спроса на готовую продукцию. При использовании рассмотренных в первой главе методов, можно учесть то, с какой вероятностью будет реализовано то или иное количество продукции безотносительно ко времени. Однако, гораздо более интересны методы, когда можно учесть, сколько продукции будет реализовано в тот или иной момент времени. Задача установления указанной зависимости более сложна и многогранна. Как правило, её решение требует привлечения сложных методов расчета, а соответственно, и мощной вычислительной техники. Широкомасштабное внедрение вычислительной техники для решения задачи управления производственными запасами приводит к необходимости определенной модификации организационной структуры предприятия.
В предлагаемой системе управления производственными запасами для частичного устранения неопределенности значимых факторов выбран инструментарий методов прогнозирования.
Разработка усовершенствованнвй'ойстейы управления производственными запасами
Для того чтобы обучить сеть, исходные данные разбиваются на две группы — входные (независимые параметры) и выходные (зависимые). На сеть подаются входные данные и возвращается отклик сети. Он сравнивается с имеющимися выходными данными, после чего производится подбор синаптических весов таким образом, чтобы минимизировать ошибку. Обученная таким образом сеть позволяет производить интерполяцию и экстраполяцию данных. Опыт практического использования нейронных сетей позволяет сделать ряд замечаний.
Во-первых, качество прогноза, получаемое при использовании нейронных сетей, в значительной степени определяется размером выборки, используемых для обучения данных. Как правило, для российских условий, характерный размер выборки ограничен двумя-тремя годами. Это весьма короткий ряд, хотя в ряде случаев для такой короткой последовательности можно построить удовлетворительный прогноз (см. третью главу).
Во-вторых, при использовании пакетов нейросетевого прогнозирования следует ознакомиться хотя бы с кратким описанием основ функционирования нейронных сетей. Количество параметров, влияющих на качество прогноза невелико, но всё же недопонимание их влияния на работу сети могут привести, например, к тому, что сеть будет хорошо аппроксимировать значения обучающей выборки, но будет выдавать весьма далекий от реальности результат при экстраполяции. Такой эффект, проявляется, например, при наличии большого числа связей. В этом случае сеть перестает обобщать исходные данные, а начинает их запоминать.
В-третьих, весьма затруднительно дать корректную интерпретацию результатов. Этот вывод определяется архитектурой сети. Прогностическая модель задается большим набором весовых коэффициентов, дать корректную интерпретацию которых человек, как правило, не в состоянии. Этот недостаток пытаются устранить различными способами. Так, например, в пакете PolyAnalyst (MegaPuter Intelligence, Inc. www.megaputer.com) модуль PolyNet Predictor, реализующий технологию нейронных сетей, позволяет восстанавливать аналитическую функцию, описывающую конфигурацию сети. Восстановление основано на аналитическом описании нейронной сети в виде суммы произведений нелинейных функций, описывающих нейроны, и значений синаптических весов. К сожалению, данная процедура имеет смысл только для случаев, когда сеть включает небольшое число нейронов.
Вышеприведенные высказывания подчеркивают основные недостатки нейронных сетей. К плюсам можно отнести следующее.
Во-первых, процесс получения прогноза — это практически полностью автоматизированная процедура, требующая участия человека лишь на начальном этапе (при выборе параметров сети).
Во-вторых, процесс освоения технологии прогнозирования с использованием нейронных сетей — задача менее сложная по сравнению с классическим статистическим подходом. Соответственно, издержки на обучение могут быть снижены.
В-третьих, при наличии большого объема выборки или/и в силу специфики исходных данных, нейронные сети позволяют получить удовлетворительное качество прогноза (см. третью главу).
В-четвертых, легко реализуется расширение числа входов (независимых параметров).
Некоторые плюсы и минусы использования технологии нейросетевого прогнозирования рассмотрены в третьей главе работы при использовании данной технологии для анализа данных.
Сравнительно новым методом анализа данных и построения прогнозов являются генетические алгоритмы. Метод назван так потому, что в какой-то степени имитирует процесс естественного отбора в природе. Суть метода заключается в следующем. Предположим, необходимо найти прогнозную модель, оптимальную с точки зрения некоторого критерия. Пусть каждое решение полностью описывается некоторым набором чисел или величин нечисловой природы. Об этом наборе можно говорить как о совокупности хромосом, определяющих качество индивида — данного решения поставленной задачи. Значения параметров, определяющих решение, будут тогда называться генами. Поиск оптимального решения при этом похож на эволюцию популяции индивидов, представленных их наборами хромосом. В этой эволюции действуют три механизма: отбор сильнейших — набор хромосом, которым соот ветствуют наиболее оптимальные решения; скрещивание — производство новых индивидов при помощи смешивания хромосомных наборов отобранных индивидов; мутации — случайные изменения генов у некоторых индивидов популяции. В результате смены поколений вырабатывается такое решение задачи, которое уже не может быть улучшено.
Метод довольно критичен к объему выборки. Автору не удалось получить удовлетворительные результаты при анализе данных ряда российских предприятий (типичный объем выборки — 36 отсчетов). Также к недостаткам метода можно отнести высокую сложность интерпретации полученных результатов, формулировки задачи и определения критерия отбора хромосом.
В таблице 2.5 приведены различные методы прогнозирования временных рядов, пригодные для использования в составе системы управления производственными запасами.
Как следует из таблицы, стоимость профессиональных пакетов, реализующих указанные методы анализа данных, довольно высока. Причём, следует отметить, что удовлетворительные результаты можно получить, используя комплекс программных средств. Этот подход позволяет детерминировать некорректно построенные модели. Однако, при этом растут издержки на приобретение соответствующего инструментария.
Планирование производственных запасов
Основные шаги, необходимые для получения прогноза, следующие: подготовка исходных данных для анализа; выбор топологии сети; настройка параметров обучения; обучение/тестирование нейронной сети; получение прогнозных значений.
Этап подготовки исходных данных (для нашей задачи) заключается в уменьшении размера исходной выборки до 36 отсчетов. Как упоминалось выше, нейронные сети весьма критичны к объему выборки. Если для методов статистической обработки данных даже в случае короткой выборки можно получить значимые результаты, то нейронная сеть просто не сможет построить сколько-нибудь адекватную модель. Поэтому, с одной стороны, для тестирования качества прогноза сети приходится уменьшать объем выборки, используемой для анализа, а с другой, оставлять его достаточно большим, чтобы прогноз мог быть построен. В данном случае объем выборки очень мал. Именно поэтому «тренировка» сети и подбор подходящих параметров потребовала столько времени.
Необходимо отметить, что нет принципиальной необходимости усекать исходные данные при вводе в программу. Программа сама позволяет отсечь часть данных для тестирования, т.е. на этапе обучения эти данные не используются. Однако для чистоты эксперимента усечение выборки было сделано вне программы.
Этап выбора топологии сети наиболее сложен для аналитика. Несмотря на довольно ограниченный (по сравнению с другими программами нейросе-тевого прогнозирования) набор параметров, выбор подходящей топологии сети представляет значительную трудность. Этот этап занимает основное время работы аналитика при построении прогнозов.
Набор параметров, существенно влияющих на качество прогноза, следующий. Во-первых, это модель, описывающая поведение нейрона. Выбор традиционно широк. NeuroForecaster предлагает 12 моделей. В данном случае в качестве модели был выбран сигмойд. Возможно, использование других моделей позволило бы получить лучший результат. Однако, задачей исследования было получить результат, приемлемый для использования в разработанной системе управления запасами.
Интересна опция NeuroForecaster, которая отсутствует в явном виде в других программах — Input/Look-Back Window Size (ширина входного окна). Увеличение данного параметра позволяет лучше выхватывать временную информацию из анализируемого ряда. Это особенно важно для нашего случая, когда процесс носит периодический характер. Для определения корректной величины Window Size создатели NeuroForecaster рекомендуют перебрать последовательности ширины «окна» 1, 3, 7, 20. При этом необходимо контролировать скорость уменьшения ошибки тестирования, график исходной последовательности, сформированной на основе нейронной сети, а также отслеживать значения, рекомендуемые инструментом Data Window Viewer.
Используя предложенную методику, было найдено значение Window Size, равное 5. Для получения удовлетворительного значения пришлось затратить 1-1,5 часа.
Второй не менее важный параметр — Forecast Horizon (горизонт прогнозирования). Параметр определяет диапазон прогнозирования и выбирается произвольно. В ряде случаев (зависит от характера данных и объема выборки) можно принимать этот параметр довольно большим и строить прогнозы на значительный срок. В данном случае, несмотря на визуально закономерное поведение спроса, выбор большого интервала прогнозирования, приводит к неудовлетворительному качеству прогноза. Очевидно, в данном случае основную роль играет малая выборка. Однако для сравнения с рассмотренными методиками Forecast Horizon был выбран равным 12 месяцам.
Следующий параметр — число скрытых слоев и нейронов. В ряде случаев это взаимозаменяемые параметры. Для большинства данных достаточно одного скрытого слоя. При выборе числа нейронов необходимо руководствоваться рядом рекомендаций. При значительном увеличении числа нейронов сеть начинает просто запоминать представленные данные и перестаёт их обобщать, т.е. искать нелинейную прогностическую модель. При уменьшении числа нейронов сеть не в состоянии обобщать исходные данные, что также сказывается на качестве прогаоза. Рекомендуемое общее число связей между нейронами не должно превышать 10% от объема статистической выборки, используемой при тренировке сети. Фактически, этап настройки сети на этом закончен. Для получения удовлетворительных результатов потребовалось около 5 часов «обучения» сети.
После «тренировки» нетрудно получить прогноз на 12 месяцев (объем, имеющейся в распоряжении программы выборки — 36 отсчетов). Абсолютная ошибка (суммарная за 12 месяцев) составляет 297 кг. Относительная — 3,86 %. Этот показатель является наихудшим из рассмотренных. Гистограмма относительной ошибки прогноза представлена на рис. 3.7.
Все рассматриваемые методы и методика прогнозирования не предъявляют высоких требований к математической подготовке менеджера. При этом качество прогноза достаточно для использования при расчетах плана закупок MP. Время проведения прогноза не является слишком критичным фактором для применения методов и методики на практике, т.к. оно не столь велико (от нескольких минут до нескольких часов) и определяется имеющейся в распоряжении менеджера вычислительной техникой.
Отметим, что таблица 3.3 никоим образом не претендует на общность. Расклад может измениться при анализе данных другого характера и статистической выборки другого объема. Кроме того, качество прогноза, полученного на основе нейронных сетей, в ряде случаев, удается повысить при использовании в качестве исходных данных большего числа независимых параметров. Например, дополнительно подать на нейронную сеть информацию о динамике изменения уровня инфляции, дохода населения, курса доллара, цен на горюче-смазочные материалы и т.д. Подобное увеличение числа независимых параметров для методики, предлагаемой автором и «Гусеницы», не столь тривиально, а получение обобщений для некоторых классов данных и вовсе ставится под сомнение. На взгляд автора, «Гусеница» позволяет получить хорошие результаты, прежде всего при анализе временных рядов. Здесь проявляются неоспоримые достоинства метода.
