Применение методов прогнозирования в логистике

Основные положения теории прогнозирования

В снабженческой, производственной и распределительной логистиках широко используются методы прогнозирования, поскольку значения прогнозных оценок развития анализируемых процессов или явлений являются основой принятия управленческих решений при оперативном, тактическом и стратегическом планировании. Очевидно также, что точность и надежность прогноза определяет эффективность реализации различных логистических операций и функций — от оценки вероятности дефицита продукции на складе до выбора стратегии развития фирмы.

Известно, что теория прогнозирования включает анализ объекта прогнозирования; методы прогнозирования, подразделяющиеся на математические (формализованные) и экспертные (интуитивные); системы прогнозирования, в частности непрерывного, при котором за счет мониторинга осуществляется корректировка прогнозов в процессе функционирования объекта.

Одним из основных классификационных признаков является также период прогноза, при этом большинство авторов выделяют три вида прогнозов: краткосрочный, среднесрочный и долгосрочный. Естественно, что временные интервалы прогнозов зависят от природы объекта, т. е. изучаемой области деятельности. Так, при рассмотрении технико-экономических показателей деятельности фирм период краткосрочного прогноза не превышает 1 года, среднесрочного прогноза — от 1 до 5 лет, долгосрочного — свыше 5 лет.

Математические методы прогнозирования подразделяются на три группы:

• 1. симплексные (простые) методы экстраполяции по временным рядам;
• 2. статистические методы, включающие корреляционный и регрессионный анализ и др.;
• 3. комбинированные методы, представляющие собой синтез различных вариантов прогнозов.

Прогнозы I типа (в «узком» смысле):

• · осуществляются с применением симплексных или статистических методов на основе временных рядов;
• · число значимых переменных включают от 1 до 3 параметров, т. е, по масштабности они относятся к сублокальным прогнозам;
• · при использовании одного параметра, например, времени, такие прогнозы считаются сверхпростыми, при двух-трех взаимосвязанных параметрах — сложными;
• · по степени информационной обеспеченности периода ретроспекции прогнозы I типа могут быть отнесены к объектам с полным информационным обеспечением.

Для повышения точности и достоверности прогнозных оценок I типа целесообразно использование комбинированных методов, при этом желательно использование большого количества вариантов прогноза, рассчитанных на основе различных подходов или альтернативных источников информации.

Прогноз II типа (в «широком» смысле) подразумевает, что исходные данные для получения оценок определяются с использованием опережающих методов прогнозирования: «патентного», публикационного и др. Как правило, прогнозы II типа используются для долгосрочного прогнозирования и разбиваются на два этапа: первый — получение прогнозных оценок основных факторов; второй — собственно прогноз развития процесса или явления. Учитывая объективную сложность и трудоемкость выполнения прогнозов II типа, можно констатировать, что наибольшее распространение получили методы прогнозирования I типа.

Наиболее часто для прогнозирования I типа используется метод экстраполяции. В общем случае модель прогноза включает три составляющие (рис. 3.4.1) и записывается в виде:

(3.4.1).

где yt — прогнозные значения временного ряда;

— среднее значение прогноза (тренд);

vt — составляющая прогноза, отражающая сезонные колебания (сезонная волна);

еt — случайная величина отклонения прогноза.

1 — экспериментальные данные на интервале наблюдения (A); 2 — тренд; 3 — тренд и сезонная волна; 4 — значение точечного прогноза на интервале упреждения (B); 5 — интервальный прогноз В частных случаях количество составляющих модели меньше, например, только и vt.

Подробно вопросы прогнозирования с использованием методов экстраполяции изложены в ряде работ, но ввиду отсутствия общепринятого алгоритма обработки временных рядов может быть предложена следующая последовательность расчета:

• 1. На основе значений временного ряда на предпрогнозном периоде (интервале наблюдения) с использованием метода наименьших квадратов определяются коэффициенты уравнения тренда yt, видом которого задаются. Обычно для описания тренда используются полиномы различных порядков, экспоненциальные, степенные функции и т. п.
• 2. Для исследования сезонной волны значения тренда исключаются из исходного временного ряда. При наличии сезонной волны определяют коэффициенты уравнения, выбранного для аппроксимации vt.
• 3. Случайные величины отклонения еt определяются после исключения из временного ряда значений тренда и сезонной волны на предпрогнозном периоде. Как правило, для описания случайной величины еt используется нормальный закон распределения.
• 4. Для повышения точности прогноза применяются различные методы (дисконтирование, адаптация и др.). Наибольшее распространение в практике расчетов получил метод экспоненциального сглаживания, позволяющий повысить значимость последних уровней временного ряда по сравнению с начальными.