Существенным условием успешной деятельности предприятия «Чебаркульская птица» по выращиванию бройлеров является создание и эффективное использование производственной потребности люминесцентных ламп. Нестабильность рыночных отношений определяет условия развития организации. Поэтому для предприятия имеет большое значение рационального определения поставки оптимальной величины светотехнического оборудования. В управлении потребностями важным моментом является прогнозирование. Для эффективного управления электрооборудованием важно правильно выбрать и обосновать метод прогнозирования.
Для достижения бесперебойного освещения птичника необходимо иметь резерв осветительных элементов в нужном количестве соответствующего качества. Поэтому прогнозирование спроса на электрооборудование является актуальной задачей. Составив закономерность пополнения склада необходимыми люминесцентными лампами с соответствующими технико-экономическими параметрами, можно повысить эффективность содержания бройлеров.
Уилсон Р. предложил модель для расчета оптимального размера заказа партии товара:
(1)
где λ – интенсивность спроса на запасы;
q – стоимость поставки;
S – стоимость хранения.
Существуют разнообразные методики планирования резерва технического оборудования [2, с.86], которые предполагают постоянный спрос на это оборудование за длительный период времени. Стратегия управления потребностью позволяет выбрать момент и объем заказа на пополнение при помощи четкого комплекса правил. Эффективность принятой стратегии управления потребностями характеризуется с помощью функции затрат, которая включает издержки, связанные с этими запасами.
В настоящее время имеется большое разнообразие методов прогнозирования потребности:
- Метод скользящей средней дает возможность выравнивать динамический ряд на основе его средних характеристик. При экстраполяции используется принцип, при котором прогнозируемый уровень принимается равным среднему значению уровней ряда в прошлом. Данный метод дает прогнозную точечную оценку и более эффективно используется при краткосрочном прогнозировании.
- Метод экспоненциального сглаживания позволяет выявить тенденцию, сложившуюся к моменту последнего наблюдения, и позволяет оценить параметры модели, описывающей тренд, который сформировался в конце базисного периода. Этот метод адаптируется к меняющимся во времени условиям, а не просто экстраполирует действующие зависимости в будущее.
- Метод наименьших квадратов основан на выявлении параметров модели, которые минимизируют суммы квадратических отклонений между наблюдаемыми величинами и расчетными. Модель, описывающая тренд, в каждом конкретном случае подбирается в соответствии с рядом статистических критериев.
Применим периодическую стратегию обеспечения потребности – пополнение через равные промежутки T (раз в год). Для конкретной птицефабрики исследовали потребность на 2020год. Пополнение осветительными приборами будет производиться вместе с производственными запасами, что снижает транспортные расходы и делает стратегию эффективной.
Из всех существующих периодических стратегий (T,n), (T,q) целесообразно использовать (T,n), поскольку она устойчива к нестабильной рыночной экономике, а также более гибкая и чувствительная к изменению спроса. Принимая во внимание то, что пополнение резерва осветительных элементов будет производиться вместе с производственными ресурсами один раз в год через фиксированное время T=const, стратегия (T,n) преобразуется в однопараметрическую, и оптимизироваться будет лишь объем поставляемой партии.
Из-за существующей нестабильности необходимо определить возможное значение спроса путем использования научных методов прогнозирования. Для эффективного прогнозирования остановим выбор на использовании метода экспоненциального сглаживания временных рядов [1, с. 200; 3, с. 36; 6, с. 72].
Временной ряд – ряд стохастических наблюдений за каким-либо показателем во времени. Значения изучаемого показателя расположены последовательно в хронологическом порядке, время выражается в интервалах: неделя, месяц, квартал, полугодие, год и т.д.
В данном случае показателем временного ряда является объем потребности определенной номенклатуры вышедших из строя осветительных приборов за один год эксплуатации.
Уровень временного ряда – каждое отдельное значение запаса для каждого отдельного года [1, с. 5].
Метод экспоненциального сглаживания основывается на временном ряде исследуемого показателя и служит только для его прогнозирования на один период времени. В рамках настоящей работы прогноз осуществляется на один год вперед. При этом прогнозировании учитываются предыдущие уровни временного ряда, вес которых подчиняется экспоненциальному закону распределения.
Метод экспоненциального сглаживания учитывает регулярный пересчет прогноза после окончания каждого периода и проводит обновление информации за эти периоды.
Формула экспоненциального сглаживания имеет вид [6, с. 136; 7, с. 2]:
nt+1=ω∙Уt+(1-ω)∙nt, (2)
где t – период предшествующий прогнозируемому;
t+1 – прогнозируемый период;
nt+1 – прогнозируемый спрос на запасы;
Уt – фактическое значение спроса за период предшествующий прогнозируемому;
ω – коэффициент сглаживания
nt – экспоненциально взвешенная средняя величина спроса за период предшествующий прогнозному.
Для определения коэффициента сглаживания была применена формула Брауна Р.Г., которая имеет следующий вид:
(3)
где t – номер интервала сглаживания.
Чем больше значение параметра ω приближается к 1, тем выше следует брать во внимание последние уровни временного ряда. С другой стороны при приближении ω к 0 начинают учитывать прошлые уровни временных рядов, поэтому воздействие удаленных значений временных рядов медленно убывает.
Для реализации метода экспоненциального сглаживания при прогнозировании резерва запасных осветительных приборов заполняется вариационный ряд (табл. 1). Данные были взяты на одной из птицефабрик. Расчеты приведены для ω=0,3.
Таблица 1
Вариационный ряд прогнозируемого резерва ламп
|
Период, t |
2015 |
2016 |
2017 |
2018 |
2019 |
2020 |
|
Фактический запас |
72 |
68 |
79 |
94 |
88 |
- |
|
Прогнозируемый запас |
72 |
72 |
70 |
73 |
79 |
82 |
Прогнозирование методом экспоненциального сглаживания проводится по формуле (2).
Оценка точности и надежности прогноза составляет важную часть прогнозирования. На практике при оценке точности главной характеристикой является средняя ошибка аппроксимации [6, с. 158]:
(4)
где nt – фактическое значение спроса;
nt' – прогнозируемое значение спроса;
t – число периодов временного ряда.
Сделав необходимый расчет, нами получено значение средней ошибки аппроксимации, которое равно 9,6%. На этом основании, ссылаясь на характеристику точности прогноза, представленной в учебно-методическом материале Садовникова Н.А. (табл. 2) [6, с. 161], нами сделан вывод, что при значении коэффициента сглаживания ω=0,3 интерпретация точности – высокая.
Таблица 2
Интерпретация оценки точности прогноза
 |
Интерпретация точности |
|
<10 |
Высокая |
|
10 – 20 |
Хорошая |
|
20 – 50 |
Удовлетворительная |
|
>50 |
Не удовлетворительная |
Рис. Прогнозируемый спрос
Выводы. Прогнозирование спроса для обеспечения потребности электрооборудования производится с использованием методики экспоненциального сглаживания на основе анализа временных рядов. На основании данного примера, приведенного при оптимизации одной из челябинских птицефабрик, можно рассчитать оптимальное число запасных люминесцентных ламп на будущий период для птицефабрики «Чебаркульская птица».
