Основные положения теории прогнозирования в логистике

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 [3]. 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 [3].

Прогнозы I типа (в «узком» смысле) [9]:

· 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 [9] (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. 2) и записывается в виде:

(1)

где y_t – прогнозные значения временного ряда;

– среднее значение прогноза (тренд);

v_t – составляющая прогноза, отражающая сезонные колебания (сезонная волна);

ε_t – 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

Рис. 2. - Прогнозирование на основе временных рядов [7]

В частных случаях количество составляющих модели меньше, например, только и v_t.

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 y_t, 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 v_t.

3. Случайные величины отклонения ε_t определяются после исключения из временного ряда значений тренда и сезонной волны на предпрогнозном периоде. Как правило, для описания случайной величины ε_t 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.