m0947
.pdf
658
Ц298
СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ
УПРАВЛЕНИЕ МАТЕРИАЛЬНЫМИ РЕСУРСАМИ
(прогнозирование объемов запасов)
Методические указания к практическим занятиям
Новосибирск
2014
1
УДК 656.2 Ц298
Цевелев А.В. Управление материальными ресурсами (прогнозирование объемов запасов) : Метод. указ. к практическим за-
нятиям. – Новосибирск: Изд-во СГУПСа, 2014. – 47 с.
Изложена методика прогнозирования уровня производственных запасов и описание теоретических и практических подходов к разработке план-прогноза материально-технического обеспечения структурных подразделений железной дороги.
Предназначены для студентов инженерных, экономических и других специальностей и направлений подготовки всех форм обучения для работы на практических занятиях и использования в дипломном проектировании.
Рассмотрены и рекомендованы к изданию на заседании кафедры «Менеджмент на транспорте» СГУПСа.
О т в е т с т в е н н ы й р е д а к т о р канд. экон. наук, доц. кафедры «Менеджмент на транспорте»
СГУПСа С.Ф. Самсонов
Р е ц е н з е н т
д-р экон. наук, проф. кафедры «Экономика транспорта» СГУПСа
A.В. Давыдов
© Сибирский государственный университет путей сообщения, 2014
© Цевелев А.В., 2014
2
Введение
Решение стратегической задачи развития производственных процессов и управления ими в ОАО «РЖД», как правило, осуществляется на принципах бюджетирования, которое отличается от других систем управления тем, что основной акцент переносится на формирование и контроль за исполнением бюджетов, прогнозирование финансовых результатов деятельности филиалов и компании в целом, выявление факторов, влияющих на поступление доходов, распределение и эффективное использование ресурсов. Такой подход используется и в управлении развитием транспортной компании ОАО «РЖД» на принципах повышения капитализации.
В этой связи в системе экономического регулирования деятельности компании ОАО «РЖД» бюджетирование затрат на ма- териально-техническое обеспечение (МТО), реализуемое на основе планирования и прогнозирования потребности в матери- ально-технических ресурсах (МТР), планирования производственных запасов и закупок МТР при непрерывном мониторинге и контроллинге уровня затрат, занимает одно из ключевых мест и становится главным фактором стратегического развития.
Ядром системы бюджетирования затрат на МТО железнодорожного транспорта является финансово-экономическая модель организации бюджетного управления в ОАО «РЖД», в рамках которой происходит согласование взаимозависимых производ- ственно-хозяйственных и финансовых бизнес-процессов. Оптимизация бизнес-процессов и формирование комплексной системы бюджетирования затрат для принятия управленческих решений на основе анализа, мониторинга и контроллинга позволяет повысить эффективность деятельности системы МТО железнодорожного транспорта в целом.
Одним из потенциально возможных объектов совершенствования механизма управления затратами отрасли и решения оптимизационных задач, направленных на минимизацию затрат, выступают материальные ресурсы и материальные издержки, включающие стоимость материалов и сырья, а также затраты по формированию и содержанию запасов.
3
1. Методы построения прогнозов
Система прогнозирования (прогнозирующая система) – упорядоченная совокупность методик, технических средств, предназначенная для прогнозирования сложных явлений или процессов. Опыт показывает, что ни один из способов (и тем более методов), взятый сам по себе, не может обеспечить значительную степень точности горизонта прогноза. Зато в определенных сочетаниях они оказываются в высокой степени эффективными. Наиболее распространенные методы представлены на рис. 1.
Рис. 1. Методы прогнозирования
Исходная информация об объекте прогнозирования может быть: 1) фактографической, т.е. полученной из источника, содержащего фактические данные, необходимые для решения задачи прогноза (например, данные из ЕКАСУФР или бухгалтерского отчета), включая информацию (научную и техническую, опережающую реализацию новшеств на практике: заявки на изобретения, открытия,
авторские свидетельства, патенты);
4
2) экспертной, т.е. содержащей экспертные оценки.
Там, где возможно произвести формализацию связей между основными показателями развития исследуемой системы, используют фактографические или формализованные методы. Их преимущество перед интуитивными (экспертными) состоит в возрастании объективности прогноза, расширении возможности рассмотрения различных вариантов и автоматизации процесса прогнозирования, что позволяет экономить большое количество ресурсов. Однако при формализации многое остается за пределами анализа, и чем выше степень формализации, тем беднее в общем случае оказывается модель. Рассмотрим некоторые из методов прогнозирования.
Методы прогнозной экстраполяции (статистические)
При прогнозировании экономических процессов наиболее востребованы статистические методы. В этом случае процесс прогнозирования распадается на два этапа.
Первый этап – сбор данных, описывающих поведение объекта прогнозирования за некоторый промежуток времени. Эти данные обобщают и создают модель процесса, которая может быть представлена в виде аналитически выраженной тенденции развития (экстраполяция тренда) или в виде функциональной зависимости от одного или нескольких факторов-аргументов (уравнения регрессии). Построение модели процесса для прогнозирования, какой бы вид она ни имела, обязательно включает выбор формы уравнения, описывающего динамику и взаимосвязь явлений, и оценку его параметров с помощью того или иного метода.
Второй этап – непосредственный прогноз. На основе найденных закономерностей определяют ожидаемое значение прогнозируемого показателя (величины или признака). Полученные результаты еще не могут рассматриваться как окончательные, так как при их оценке и использовании должны приниматься во внимание факторы, условия и ограничения, которые не участвовали в описании и построении модели. Корректировка промежуточных результатов должна осуществляться в соответствии с ожидаемым изменением обстоятельств.
Методы простой экстраполяции. Одним из наиболее распро-
страненных методов прогнозирования является экстраполяция, т.е. продление на перспективу тенденций, наблюдавшихся в прошлом.
5
Экстраполяция базируется на следующих допущениях:
1)развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией – трендом;
2)общие условия, определявшие тенденцию развития в прошлом, не претерпят существенных изменений в будущем.
Метод скользящих средних. Наиболее простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в замене фактических уровней ряда расчетными средними, в которых погашены колебания. Метод подробно рассмотрен в курсе теории статистики.
Метод экспоненциального сглаживания. Данный метод при-
нято относить к группе адаптивных методов. Стоит отметить, что деление моделей на адаптивные и неадаптивные достаточно условное. Слово «адаптация» (от лат. adaptatio) означает приспособление строения и функций явлений и процессов к условиям существования. Применительно к прогнозированию процесс адаптации состоит
вследующем. Пусть по модели ряда из некоторого исходного состояния делается прогноз. Ждем, пока пройдет одна единица времени, и сравниваем результат прогнозирования с фактически реализовавшимся значением. Ошибка прогнозирования через обратную связь поступает на вход системы и используется для корректировки (подстройки) модели с целью большего согласования своего поведения с динамикой ряда. Затем делается прогноз на следующий момент времени и т.д. Поэтому ценность различных членов ряда в адаптивных методах не одинакова. Больший вес и информационную ценность имеют наблюдения, ближайшие к точке прогнозирования.
Метод экстраполяции трендов. Данный метод использует в прогнозировании трендовые модели – математические модели, описывающие изменение прогнозируемого или анализируемого показателя только в зависимости от времени. Это один из пассивных методов прогнозирования, именуемый наивным прогнозом, так как он предполагает строгую инерционность развития, которая представляется в виде проецирования прошлых тенденций на будущее, а главное – независимость показателей развития от тех или иных факторов.
6
2. Линии трендов
Линия тренда – графическое представление (в виде диаграммы, графика) направления изменения ряда данных. Например, повышающаяся линия обозначает увеличение уровня запасов за определенное количество месяцев. Линии тренда используются для анализа ошибок предсказания, что также называется регрессионным анализом (аппроксимация и сглаживание). Использование линии тренда того или иного вида определяется типом данных.
Точность аппроксимации. Линия тренда в наибольшей степени приближается к представленному на диаграмме уровню запасов, если ее значение R2. Значение R2 от 0 до 1 отражает близость значений линии тренда к фактическим данным. Линия тренда наиболее соответствует действительности, когда значение R2 близко к единице. Оно также называется квадратом смешанной корреляции, если равно единице или близко к ней. Полученный результат можно показать на диаграмме. При аппроксимации данных с помощью линии тренда значение R2 рассчитывается автоматически.
Рассмотрим пять различных видов аппроксимаций:
1. Линейная аппроксимация – это прямая линия, наилучшим образом описывающая набор данных. Она применяется в самых простых случаях, когда точки данных расположены близко к прямой. Линейная регрессия хороша при моделировании характеристик, значения которых увеличиваются или убывают с постоянной скоростью. Это наиболее простая в построении модель исследуемого процесса.
Формула линейной аппроксимации
y mx b,
(1)
где m – тангенс угла наклона линейной регрессии к оси абсцисс; b – координата пересечения оси абсцисс (ординат).
2. Логарифмическая аппроксимация хорошо описывает вели-
чину, которая вначале быстро растет или убывает, а затем постепенно стабилизируется. Она подходит как для положительных, так и для отрицательных величин.
Формула логарифмической аппроксимации
y c ln x b,
где c и b – константы; ln – функция натурального логарифма.
(2)
7
3. Полиномиальная аппроксимация используется для описания характеристик, имеющих несколько ярко выраженных экстремумов, т.е. величин, попеременно возрастающих и убывающих. Она полезна для анализа большого набора данных о нестабильной величине. Степень полинома определяется количеством экстремумов (максимумов и минимумов) кривой исследуемой характеристики. Полином второй степени может описать только один максимум или минимум. Полином третьей степени имеет один или два экстремума. Полином четвертой степени может иметь не более трех экстремумов.
Формула полиномиальной аппроксимации
y b c x c x |
2 |
... c x |
6 |
, |
|
|
|
||||
1 |
2 |
|
6 |
|
|
(3)
где b и с1–с6 – константы, значения которых определяются в ходе построения.
4. Степенная аппроксимация дает хорошие результаты, если зависимость, которая содержится в данных, характеризуется постоянной скоростью роста. Примером такой зависимости может служить график ускорения автомобиля. Если в данных имеются нулевые или отрицательные значения, использовать степенную линию тренда нельзя.
Формула степенного тренда
y cx |
b |
, |
|
(4)
где c и b – константы.
5. Экспоненциальную аппроксимацию следует использовать в том случае, если скорость изменения данных непрерывно возрастает. Однако для данных, которые содержат нулевые или отрицательные значения, этот вид приближения неприменим.
Формула экспоненциального тренда
y cebx , |
(5) |
где c и b – константы; e – основание натурального логарифма.
2.1. Добавление линии тренда на диаграмму
Для таблицы данных, описывающих некоторый процесс и представленных диаграммой, в Excel имеется эффективный инструмент регрессионного анализа, позволяющий:
8
строить на основе метода наименьших квадратов и добавлять в диаграмму пять типов регрессий, которые с той или иной степенью точности моделируют исследуемый процесс;
добавлять к диаграмме уравнение построенной регрессии;
определять степень соответствия выбранной регрессии отображаемым на диаграмме данным.
На основе данных диаграммы Excel позволяет получать линейный, полиномиальный, логарифмический, степенной, экспоненциальный типы регрессий (рис. 2), которые задаются уравнением
y = y(x), |
(6) |
где x – независимая переменная, которая часто принимает значения последовательности натурального ряда чисел (1, 2, 3, …) и производит отсчет времени протекания исследуемого процесса (характеристики).
Рис. 2. Панель построения линий тренда
При подборе линии тренда Excel автоматически рассчитывает значение величины R2, которая характеризует достоверность аппроксимации: чем ближе значение R2 к единице, тем надежнее линия тренда аппроксимирует исследуемый процесс. При необходимости значение R2 можно отобразить на диаграмме.
9
Для добавления линии тренда к ряду данных следует:
–активизировать построенную на основе ряда данных диаграмму, для чего щелкнуть в пределах ее области. В главном меню появится пункт Диаграмма;
–после щелчка на этом пункте на экране появится меню, в котором следует выбрать команду Добавить линию тренда.
Эти же действия легко реализуются, если навести указатель мыши на график, соответствующий одному из рядов данных, и нажать правую кнопку мыши, в появившемся контекстном меню выбрать команду Добавить линию тренда. На экране появится диалоговое окно Линия тренда с раскрытой вкладкой Тип.
После этого необходимо:
1. Выбрать на вкладке Тип необходимый тип линии тренда (по умолчанию выбирается тип Линейный). Для типа Полиномиальная в поле Степень следует задать степень выбранного полинома.
2. В поле Построен на ряде перечислены все ряды данных рассматриваемой диаграммы. Для добавления линии тренда к конкретному ряду данных следует в этом поле выбрать его имя.
3. При необходимости, перейдя на вкладку Параметры, можно для линии тренда задать следующие параметры:
изменить название линии тренда в поле Название аппрокси-
мирующей (сглаженной) кривой;
задать количество периодов (вперед – назад) для прогноза в поле Прогноз;
вывести в область диаграммы уравнение линии тренда, для чего следует включить флажок и показать уравнение на диаграмме;
вывести в область диаграммы значение достоверности аппроксимации R2, для чего следует включить флажок Поместить на диаграмму величину достоверности аппроксимации (R^2);
задать точку пересечения линии тренда с осью Y, для чего следует включить флажок Пересечение кривой с осью Y в точке;
щелкнуть на кнопке OK, чтобы закрыть диалоговое окно. Начать редактирование уже построенной линии тренда можно
тремя способами:
– воспользоваться командой Выделенная линия тренда из меню Формат, предварительно выбрав линию тренда;
10