Теория и методология управления логистическими системами в условиях неопределенности

При формировании составляющих экономического критерия логистики (см. формулу (1)) следует учитывать уточненный состав логистических затрат на выполнение отдельных логистических функций как элементов затрат на снабжение, поддержку производства и распределение.

Разработаны общая схема и модель подготовки прогнозных решений в управлении логистическими системами в зависимости от цели прогноза, количества, вида исходных данных и ограничений для применения конкретных методов.

Одними из самых востребованных в логистике являются методы прогнозирования, позволяющие оценить неопределенность, возникающую в принятии решений. Методы прогнозирования в классификации моделей и методов логистики отнесены к группе Б первого вида (см. рис.3б).

В логистике прогнозирование чаще всего используется в управлении запасами ресурсов, готовой продукции, незавершенного производства и т.п., а также при разработке логистической стратегии, когда важно оценить общие показатели деятельности. Ситуации, в которых требуется найти прогноз, разнообразны: в одних случаях, существует недостаток данных, в других – чрезмерное их количество; иногда тенденция обнаруживается достаточно легко, часто ее нет; во многих сферах деятельности приходится учитывать сезонные и циклические колебания, а также другие важные для конкретного прогноза факторы, такие как фаза жизненного цикла, эффект от маркетинговых мероприятий и др. Что касается сезонности, то в логистике в целом существует разнообразие ситуаций, в которых может возникать необходимость учета данной составляющей. Например, спрос может изменяться поквартально, помесячно, по дням недели и даже по часам суток.

В ряде работ по логистике приводится классификация методов прогнозирования и дается их подробная характеристика. Некоторые методы иллюстрируются примерами, однако при этом не говориться, как ориентироваться в этих методах, какой из них лучше выбрать для прогноза на основе имеющихся данных. На наш взгляд, для успеха в построении прогнозов знаний только о способах получения прогнозных оценок недостаточно. Важно четко разграничивать области применения разных методов прогнозирования и в зависимости от объема и характера данных быстро и безошибочно выбирать нужный метод в соответствии с целью получения конкретного прогноза. Одним из параметров выбора метода прогнозирования является величина ошибки модели прогноза. Так, для товаров с предсказуемым спросом ошибка прогноза должна быть небольшой, а для товаров с непредсказуемым спросом – инновационных товаров, – может быть значительной.

В результате выполненного анализа особенностей методов прогнозирования и целей получения прогноза показателей в логистике нами сформирована схема подготовки прогнозных решений, которая представлена на рис.5. Данная схема позволяет соотнести цели прогнозирования («Какой прогноз нужен?»), объем исходных данных («Количество данных»), вид данных («Наличие тренда» и др.) для получения корректного прогноза («Какой прогноз возможен?»). В зависимости от вида и количества исходных данных возможны прогноз на один период (шаг), на несколько периодов или проверка модели прогнозирования с точки зрения адаптации к новым исходным данным.

Рис.5. Схема подготовки прогнозных решений

Традиционная классификация видов прогнозов не позволяет разграничить области их применения в логистической деятельности, особенно в управлении запасами, где важны не краткосрочные прогнозы в пределах года (тем более не среднесрочные и долгосрочные), а прогнозы на один или несколько периодов, которые по продолжительности во много раз меньше горизонта краткосрочного прогнозирования социально-экономических процессов: прогнозы на квартал, месяц, неделю, день. Поэтому для прогнозирования в логистике предприятий и в управлении цепями поставок более целесообразно выбирать методы прогнозирования в зависимости от возможности получить прогноз на один или несколько периодов и учесть возможную тенденцию изменений и колебания.

Для выбора метода прогнозирования важно соотнести имеющееся количество и вид данных с требованиями к минимальному количеству исходных данных, на основе которых можно сделать прогноз тем или иным методом. Анализ методов прогнозирования позволил нам уточнить рекомендации по выбору метода с учетом требования к минимальному количеству данных, табл. 2.

Таблица 2

Модель выбора метода прогнозирования с учетом
ограничений для применения метода

Метод прогнозирования	Наличие тренда	Наличие сезонности	Требования к минимальному количеству данных		Прогноз возможен
			Несезонные	Сезонные	На один шаг	На несколько шагов
Экспертный	Не обязательно	Не обязательно	0	0	Да	Да
«Наивный»	Да/нет	Да/нет	1	-****	Да	Нет
Экспоненциальное сглаживание (простое)	Нет	Нет	2	-	Да	Нет
Арифметическое сглаживание	Нет	Нет	4	-	Да	Нет
Метод Хольта	Да	Нет	3	-	Да	Нет
			10	-	Да	Да
Экстраполяция тренда	Да	Нет	3	-	Да	Да*
	Да	Да	-	1х**	Да	Да*
Метод Винтерса	Да	Да	-	2х	Да***
Комбинированный прогноз (оценка среднего значения)	Да/нет	Да/нет	1	-	Да	Нет
Комбинированный прогноз (оценка среднего значения и отклонения)	Да/нет	Да/нет	3	-	Да	Нет
Примечание: * прогноз на несколько шагов возможен при соблюдении соотношения дины предпрогнозного периода и периода прогнозирования 3 : 1; ** – периодичность сезонности; *** прогноз на один период, содержащий сезонность (например, на 1 год поквартально); **** «-» - метод не используется для учета сезонности;

В логистике прогнозирование является необходимым элементом подготовки решения о разделении номенклатуры ресурсов и товаров на группы X, Y и Z с целью определения последующей политики в отношении поддержания запасов. Проведенные исследования, выполненные при участии автора, показали, что при выполнении XYZ-анализа с применением прогнозирования необходимо перейти к «динамическому» коэффициенту вариации:

, (6)

где qt+1 - прогнозное значение динамического ряда для периода t+l, рассчитанное с учетом тренда и сезонной составляющей;

t+1- среднее квадратическое отклонение динамического ряда.

Анализ результатов расчетов, проведенных с использованием формулы (6) показал, что введение «динамического» коэффициента вариации Vt позволяет в большинстве случаев уменьшить доверительный интервал путем учета тренда и сезонной составляющей при наличии колебательных явлений, что влияет на выбор номенклатурной группы для конкретной позиции. Методы подготовки решений следует выбирать в зависимости от группы X, Y или Z. Например, для группы Х можно рассматривать методы оптимизации партии поставки, динамические методы управления запасами, для группы Y – вероятностное программирование, для группы Z – дерево решений.

На рис. 6 приведены исходные данные, а в табл.3 – пример расчета, показывающий, как изменяется номенклатурная группа в зависимости от применения статического и динамического коэффициента вариации. Прогнозные оценки и ошибки модели приведены для разных методов прогнозирования: простого экспоненциального сглаживания (метод рекомендуется в большинстве работ по логистике), трендовой модели (без учета сезонных колебаний, или неравномерности, и с учетом последних), методов Хольта и Винтерса. Как видно из табл.3, позиция номенклатуры, отнесенная к группе Z при традиционном подходе, оказалась в группе X.

Рис. 6. График изменения объема заказа товара N

Таблица 3

Пример XYZ-анализа, выполненного с применением прогнозных оценок

Наименование показателя	XYZ по статистическому коэффициенту вариации	XYZ по динамическому коэффициенту вариации и прогнозу, полученному:
		простым экспоненциальным сглаживанием	по трендовой модели	по методу Хольта	по методу Винтерса	по трендовой модели с учетом сезонности
Средний объем заказа, ед.	288	282	311	282	533	491
Среднее квадратическое отклонение объема заказа, ед.	102	106	102	106	66	42
Коэффициент вариации, %	35,5	37,8	33	37,6	12,5	8,6
Группа	Z	Z	Z	Z	Y	X