Прогнозирование объема реализации продукции ООО "Славянка"
Дипломная работа - Экономика
Другие дипломы по предмету Экономика
(6)
КН=0 в случае совершенного прогноза и КН=1, когда прогноз имеет ту же ошибку, что и наивная экстраполяция неизменности.
) Коэффициент корреляции между прогнозируемыми и фактическими значениями :
(7)
Рассчитаем показатели качества прогноза для аддитивной модели (расчетные таблицы по каждому из методов приведены в Приложении Е):
) Средняя ошибка аппроксимации:
А=235,2/26*100%=9%;
) Коэффициент детерминации:
R= 1,60224E+12/ 1,63122E+12=0,977=97,7%;
) Коэффициент несоответствия:
КН=((1,66934E+11)/(2,66483E+13))^0,5=0,079;
) Коэффициент корреляции:
R=(1,53327E+12)/(1,60224E+12)*( 1,63122E+12)=0,948=94,8%.
Рассчитаем показатели качества прогноза для модели нейронной сети:
) Средняя ошибка аппроксимации:
А=27,85/19*100%=1,46%;
) Коэффициент детерминации:
R=8,05658E+11/ 6,83768E+11=0,998=99,8%;
) Коэффициент несоответствия:
КН=(1173400467/20910)^0,5=0,042;
) Коэффициент корреляции:
R= 7,26881E+11/( 6,83768E+11* 8,05658E+11)^0,5= 0,987=98,7%.
Сравнительная характеристика коэффициентов качества приведена в таблице 2.
Таблица 2
Сравнительная оценка коэффициентов качества
Коэффициент качестваТренд-сезонная модельМодель нейронной сети1. Сред. ошибка аппроксимации, А, %9,0461,4652. Коэффициент несоответствия, КН0,0790,0423. Коэффициент корреляции, R0,9480,9874. Коэффициент детерминации, R0,9770,998
Из приведенных показателей видно, что обе модели достаточно адекватны, однако качество прогноза нейронной сети значительно выше (коэффициент детерминации практически равен единице, средняя ошибка аппроксимации очень мала, коэффициент корреляции между фактическими и прогнозными значениями выше). Поэтому для получения прогнозных значений объема реализации на последующие периоды следует воспользоваться методом нейронной сети.
Согласно нейросетевому прогнозу, объемы сбыта ООО Славянка будут увеличиваться значительнее по сравнению с предсказанием аддитивной модели. Такой вариант развития наиболее вероятен, так как предприятие в настоящее время стремиться завоевать все большую долю рынка, активно расширяет ассортимент, наращивает производственные мощности, планирует активную инвестиционную политику. Однако анализ системы сбыта на предприятии показал, что она недостаточно эффективна и требует качественных изменений в проектировании.
Во-первых, следует усовершенствовать каналы распределения продукции. Возможный путь решения данной проблемы - создание непосредственно в Белгороде логистического центра, куда будет непосредственно отгружаться вся производимая на предприятии продукция, включая дальнейшее распределение. Если оснастить центр современной системой управления складом, позволяющей автоматизировать учет движения товара, это обеспечит точное и бесперебойное передвижение продукции, а также увеличит скорость всех логистических потоков.
Во-вторых, ярко выраженная сезонность продаж требует определенного подхода к планированию ассортимента выпускаемой продукции. Так, резкий спад производства в июле обусловлен высокими летними температурами и соответственно часто возникающей потребности жажды у населения. Поэтому в летний период резко растут продажи напитков, в то время как продукция с большим содержанием сахара или соли не пользуется спросом. В частности, ООО Славянка сокращает в летние месяцы производство таких видов продукции, как крекер с солью, печенье сухое с сахаром, печенье в шоколадной глазури и др. Поэтому с целью сохранения высокого уровня реализации и избегания простоя производственного оборудования в летние месяцы предлагается ввести в ассортимент новые виды продукции, основой которых станут различные фруктовые начинки, цитрусовые и ментоловые наполнители. Возможный вариант - изменение способа глазировки печенья: вместо шоколадной глазури также следует использовать фруктовую.
ЗАКЛЮЧЕНИЕ
В первой главе нами были рассмотрены теоретические основы прогнозирования, прогнозирование с использованием нейронных сетей, основные принципы функционирования и области приложения нейросетевых технологий. Искусственные нейронные сети (НС) - это совокупность моделей биологических нейронных сетей, которые представляют собой сеть элементов - искусственных нейронов - связанных между собой синоптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов, то есть модель объекта, реализуемую нейросетью, можно назвать черным ящиком. Существуют различные подходы к классификации нейронных сетей. Выделяют сети линейные и нелинейные, однослойные и многослойные, с прямой и обратной связью, наблюдаемые и ненаблюдаемые. Таким образом, топологии нейронных сетей весьма сложны и разнообразны. Это, наряду с мощным механизмом обучения, реализуемым в нейронных сетях, дает возможность широкого их применения в различных областях.
Во второй главе мы охарактеризовали методы прогнозирования, нейронные сети как метод решения задач прогнозирования, описали практические аспекты получения прогнозов временных рядов с использованием программы Deductor. В Deductor используются самые мощные технологии, такие как многомерный анализ, нейронные сети, деревья решений, самоорганизующиеся карты, спектральный анализ и множество других. Данный пакет позволяет получить информацию из произвольног