Модели панельных данных для групп складских запасов торгового предприятия, построенных на основе ABC-XYZ классификации - Экономико-математическое моделирование курсовая работа

Главная

Экономико-математическое моделирование
Модели панельных данных для групп складских запасов торгового предприятия, построенных на основе ABC-XYZ классификации

Изучение методов моделирования и анализа панельных данных. Построение ABC-XYZ классификации среди данных широкой номенклатуры по товарным запасам торгового предприятия. Виды исходных данных и построение на их основе модели регрессии по панельным данным.


посмотреть текст работы


скачать работу можно здесь


полная информация о работе


весь список подобных работ


Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Министерство Образования Республики Беларусь
УО "Белорусский Государственный Экономический Университет"
Кафедра прикладной математики и экономической кибернетики
по дисциплине: Экономическая кибернетика
на тему: Модели панельных данных для групп складских запасов торгового предприятия, построенных на основе ABC-XYZ классификации
Курсовая работа: 40 с., 1 рис., 14 источников, 16 табл., 5 прил.
ПАНЕЛЬНЫЕ ДАННЫЕ, ПАНЕЛЬНЫЙ АНАЛИЗ, МОДЕЛЬ С ФИКСИРОВАННЫМИ ЭФФЕКТАМИ, ТЕСТ ХАУСМАНА, УПРАВЛЕНИЕ ЗАПАСАМИ ШИРОКОЙ НОМЕНКЛАТУРЫ, ЛОГИСТИКА, ABC-КЛАССИФИКАЦИЯ, XYZ-КЛАССИФИКАЦИЯ, ABC-XYZ-МЕТОД, АНАЛИЗ ЗАПАСОВ, ЭФФЕКТИВНОСТЬ ТОВАРНОЙ ПОЛИТИКИ.
Объект исследования: товарные запасы по пяти складам торгового предприятия. Предмет исследования: эконометрическое моделирование на основе групп панельных данных, построенных при помощи ABC-XYZ анализа. Цель работы: изучить методы моделирования и анализа панельных данных, также изучить метод проведения и построить ABC-XYZ классификацию среди данных широкой номенклатуры по товарным запасам торгового предприятия. Провести классификацию исходных данных и на ее основе построить модель регрессии по панельным данным.
Актуальность выбранной темы обусловлена тем, что ABC-XYZ-анализ служит для расчета финансовой эффективности товарной политики предприятия и позволяет оптимизировать складские запасы фирмы, а панельный анализ позволяет более качественно анализировать поведение изучаемой совокупности. Методы исследования: метод описания, классификации, аналитический метод, метод сбора фактов, статистический, графический, метод систематизации знаний, метод обобщений, сравнительного анализа. Автор работы подтверждает, что приведенный в курсовой работе расчётно-аналитический материал правильно и объективно отражает состояние исследуемого процесса, а все заимствованные из литературных и других источников теоретические, методические положения и концепции сопровождаются ссылками на их авторов.
В свою очередь представленные в динамике ежемесячного поступления и выбытия со склада товарные позиции представляют собой панельные данные и могут быть использованы для эконометрического моделирования по панельным данным.
1. Модели основанные на панельных данных
Множество данных, состоящих из наблюдений за однотипными статистическими объектами в течение нескольких периодов времени, называют панельными или пространственными данными. [10, с.495] Панельные данные могут рассматриваться как набор временных рядов, однако, как правило, применяемые к ним модели уделяют больше внимания различиям между объектами наблюдения, чем временным аспектам.
Несмотря на то, что временные аспекты не моделируются в явном виде, панельные данные содержат информацию относительно развития однотипных объектов во времени. Рассмотрим случай только с одной объясняющей переменной-вектором, т.е. для которого можно использовать простую регрессионную модель
где , i = 1, …, N и t = 1, 2, …, T .
- вектор коэффициентов, измеряющий частные эффекты вектора объясняющих переменных в период t для выборочной единицы i .
t = 1, 2, …, T - все периоды времени .
Однако данная модель является слишком общей и приходится накладывать ограничение на такую структуру, как вектор коэффициентов
Стандартное предположение используемое во многих случаях, состоит в том, что вектор является вектором констант для всех i и t , за исключением, возможно свободного члена. Такую модель можно написат как
где K-мерный вектор объясняющих переменных, не включающий константу. [7, с.498]
Это означает, что влияние от изменений в компонентах вектора x на y одинаковы для всех выборочных единиц и всех периодов, но средний уровень для выборочной единицы i может отличаться от среднего уровня выборочной единицы j . В стандартном случае предполагается, что остатки являются независимыми и одинаково распределенными по наблюдениям и времени с нулевым средним и дисперсией :
В этом случае мы имеем дело с обычной линейной регрессией с NT наблюдениями, удовлетворяющей предположениям классической нормальной линейной модели. Для получения эффективных оценок вектора коэффициентов достаточно использовать обычный метод наименьших квадратов (OLS). Полученная при этом оценка является наилучшей линейной несмещенной оценкой (BLUE - best linear unbiased estimate) вектора . При соответствующих предположениях о поведении значений объясняющих переменных, когда эта оценка является также и состоятельной оценкой этого вектора. [8, c.214]
Далее возможны несколько различных подходов к моделированию: если мы рассматриваем коэффициенты как фиксированных неизвестных параметров, то модель (2) называется стандартной моделью с фиксированными эффектами.
Альтернативный подход предполагает, что свободные члены индивидуумов различны, но их можно рассматривать как извлечения из распределения со средним . Существенное предположение здесь состоит в том, что эти извлечения являются независимыми от объясняющих переменных в векторе Это приводит к модели со случайными эффектами , где индивидуальные эффекты рассматриваются как случайные. Член ошибки в этой модели состоит из двух компонент: не зависящей от времени компоненты и остаточной компоненты , которая некоррелирована во времени. Такую модель можно записать так:
Возможность рассматривать эффекты как фиксированные параметры имеет несколько больше преимуществ, но также и некоторые неудобства. Большинство моделей панельных данных оценивается либо в предположении фиксированных эффектов. [7, c.499]
1.2 Модель с фиксированными эффектами
Модель с фиксированными эффектами является просто линейной моделью регрессии, в которой свободные члены изменяются по индивидуальным единицам i , то есть
где обычно предполагается, что все независимы от всех . Мы можем написать это в обычной структуре регрессии включением фиктивной переменной для каждой единицы i в модели. Таким образом:
где если i = j , и в противном случае. Таким образом, мы имеем множество N фиктивных переменных в модели. [7, c.503]
Параметры можно оценить с помощью МНК в регрессии (10). Соответствующая оценка для вектора неизвестных параметров называется оценкой метода наименьших квадратов с фиктивными переменными (МНК ФП-оценкой). Однако, возможно, непривлекательно с вычислительной точки зрения иметь модель регрессии с таим большим количеством регрессоров. К счастью можно вычислить оценку для вектора неизвестных параметров более простым способом. Можно показать, что точно та же самая оценка для вектора получается, если регрессия строится в отклонениях от индивидуальных средних. По существу, это подразумевает, что сначала с помощью преобразования данных, мы исключаем индивидуальные эффекты . [7, c.504] Чтобы увидеть это, сначала заметим, что
и аналогично для других переменных. Следовательно, мы можем написать:
Это модель регрессии в отклонениях от индивидуальных средних и она не включает индивидуальные эффекты . Преобразовнаие, которое переводит наблюдения в отклонения от индивидуальных средних как в регрессии (13), называется внутригрупповым преобразованием. МНК-оценку для вектора неизвестных параметров полученную из этой преобразованной модели, часто называют внутригрупповой МНК-оценкой или оценкой с фиксированными эффектами, и она в точности идентична МНК ФП-оценке, описанной выше. [7, c.504] Эта оценка задается в виде
Если предполагается, что все независимы от всех , то можно показать, что оценка с фиксированными эффектами будет несмещенной для вектора неизвестных параметров . Кроме того, если накладывается условие нормальной распределенности остатков , то также имеет нормальное распределение. Для состоятельности требуется чтобы
Для этого достаточно, чтобы был некоррелирован с , и чтобы не имел никакой корреляции с остатками модели. Эти условия в свою очередь обеспечиваются условиями при выполнении которых, мы называем переменные в векторе строго экзогенными:
Строго экзогенная переменная не должна зависеть от текущих, будущих и прошлых значений остатков. Возможно, что в некоторых приложениях такое условие является ограничительным. Ясно, что оно исключает включение лагированных зависимых переменных в вектор , но любая переменная вектора , которая зависит от предистории , также нарушила бы это условие.
Если объясняющие переменные независимы от всех остатков, то N свободных членов оцениваются несмещенно как:
Согласно предположению (15) эти оценки состоятельны для фиксированных эффектов (по ). Причина, почему оценки несостоятельны по при фиксированном , ясна: если фиксировано, то индивидуальные средние и , при возрастании числа индивидуумов никуда не сходятся. [7, c.505]
Предполагая, что остатки являются независимо и одинаково распределенными (по индивидуумам и по времени) с дисперсией , ковариационная матрица для оценки с фиксированными эффектами задается в виде:
Если не является большим, то применение стандартной МНК-оценки для ковариационной матрицы, основанной на внутригрупповой регрессии (14) будет недооценивать истинную дисперсию. Причина заключается в том, что в этой преобразованной регрессии ковариационная матрица ошибок является вырожденной (поскольку преобразованных ошибок каждого наблюдения дают в сумме нуль), и дисперсия разности равна , а не Состоятельная оценка для дисперсии получается как внутригрупповая остаточная сумма квадратов, деленная на множитель N ( T - 1). Таким образом:
Можно скорректировать обычные степени свободы вычитанием K в знаменателе. Заметим, что применение стандартной ковариационной матрицы МНК в модели (10) с N индивидуальными фиктивными переменными оправдано, поскольку коррекция степеней свободы включает N дополнительных неизвестных параметров, соответствующих индивидуальным свободным членам. При слабых условиях регулярности оценка с фиксированными эффектами асимптотически нормальна, так что можно использовать обычные статистические процедуры (например t -критерий и критерий Вальда). [7, c.506]
По существу, модель с фиксированными эффектами сфокусирована на различиях "внутри" наблюдений. То есть, на объяснении, до какой степени отличается от а не на объяснении, почему отличается от .
С другой стороны параметрические предположения о векторе накладывают условие, что изменения в влияют на одинаково (при прочих равных условиях), является ли это изменением от одного такта времени к другому или изменением от одного наблюдения к другому. Однако, интерпретируя результаты для регрессии с фиксированными эффектами, возможно, важно понять, что параметры идентифицируются только через внутри индивидуальную (или, что то же, внутригрупповую) размерность данных. [7, с.506]
В регрессионном анализе обычно предполагается, что все факторы, которые влияют на зависимую переменную, но которые не были включены в качестве регрессоров, соответственно могут в итоге суммироваться в случайном остаточном члене уравнения. В нашем случае это приводит к предположению, что эффекты .являются случайными факторами, независимо и одинаково распределенными по наблюдениям. Таким образом, мы записываем модель случайных эффектов в виде:
где рассматривается как остаточный член, состоящий из двух компонент: индивидуальной специфической компоненты, которая не изменяется во времени, и компоненты остатка, которая, как предполагается, является некоррелированной во времени. Таким образом, вся корреляция остаточных членов во времени приписывается индивидуальным эффектам . Предполагается, что и взаимно независимы и независимы от (для все j и s ). Это означает, что МНК-оценки для в модели со случайными эффектами (20) являются несмещенными и состоятельными. Структура компонент остатков подразумевает, что составной остаток будет иметь определенный вид автокорреляции (если только . Следовательно, обычно вычисляемые стандартные ошибки для МНК-оценок некорректны, и можно получить более эффективную оценку (ОМНК-оценку), используя структуру ковариационной матрицы остатков. [7, c.507]
Чтобы получить ОМНК-оценку, сначала заметим, что для индивидуального i все члены ошибок можно скомпоновать в виде . Где размерности T и . Ковариационная матрица этого вектора равна [14, c.34]
где - T -мерная единичная матрица. Эту ковариационную матрицу можно использовать, чтобы получить ОМНК-оценку для параметров модели со случайными эффектами (20). Для каждого наблюдения мы можем преобразовать данные, умножая слева векторы и т.д. на матрицу которая задается как:
которую также можно записать в виде:
Заметив, что преобразует данные в отклонения от индивидуальных средних, а принимает индивидуальные средние значения, ОМНК-оценку для вектора неизвестных параметров можно написать как:
обозначает общее среднее вектора . Легко видеть, что при приходим к оценку с фиксированными эффектами. Поскольку при , то из этого следует, что для большого оценка с фиксированными эффектами и оценка со случайными эффектами эквивалентны. Если , то ОМНК-оценка просто является МНК-оценкой (и является диагональной матрицей). Из общей формулы для ОМНК-оценки можно получить, что
является так называемой межгрупповой оценкой для вектора неизвестных параметров Она является обычной МНК-оценкой вектора параметров в модели для индивидуальных средних
Матрица ? является матрицей весов, она пропорциональна обращению ковариационной матрицы оценки (подробности см. в работе [14, c.36]). Таким образом, ОМНК-оценка является матрично-взвешенным средним межгрупповой и внутригрупповой оценок, где веса зависят от соотношения дисперсий этих двух оценок (более точная оценка получает больший вес). [7, c.509]
Межгрупповая оценка игнорирует любую внутригрупповую информацию, ОМНК-оценка при сделанных предположениях является оптимальной комбинацией внутригрупповой и межгрупповой оценок, и поэтому более эффективна, чем любая из этих двух оценок в отдельности. МНК-оценка (с также является линейной комбинацией этих двух оценок, но не является эффективной оценкой. Таким образом, как обычно, ОМНК-оценки более эффективны, чем обычные МНК-оценки. Если объясняющие переменные независимы от всех и всех , то ОМНК-оценка является несмещенной. Она является состоятельной оценкой по N или T , или и N и T , одновременно стремящимся к бесконечности, если в дополнение к условию (15) также справедливо, что и наиболее важно, что
Заметим, что эти условия также требуются для состоятельности межгрупповой оценки. [7, c.509]
Легкий способ вычисления ОМНК-оценки получается, если заметить, что ее можно определить, как обычную МНК-оценку для преобразованной модели имеющей вид:
Остатки в этой преобразованной регрессии являются независимо и одинаково распределенными по наблюдениям и времени. Опять отметим, что соответствует внутригрупповой оценке . В общем, фиксированная доля индивидуальных средних вычитается из данных, чтобы получить эту преобразованную модель (. [7, c. 509]
Конечно, компоненты дисперсии на практике неизвестны. В этом случае мы должны использовать реализуемую ОМНК-оценку (РОМНК), где на первом шаге состоятельно оцениваются неизвестные дисперсии. Оценка дисперсии легко получается из внутригрупповых остатков, как это дано в выражении (11). В межгрупповой регрессии дисперсия остатка равна , которую можно оценить состоятельно в виде:
где - межгрупповая оценка . Отсюда следует состоятельная оценка для дисперсии :
Снова возможно скорректировать эту оценку применением коррекции степеней свободы, подразумевая, что число регрессоров вычитается в знаменателе выражения (32) [14, c.38]. Полученная РОМНК-оценка называется оценкой со случайными эффектами для вектора неизвестных параметров и ниже обозначается как
Которая показывает, что оценка со случайными эффектами более эффективна, чем оценка с фиксированными эффектами до тех пор, пока Выигрыш в эффективности обусловлен применением межгрупповой вариации в данных Ковариационная матрица (34) обычно оценивается по МНК для преобразованной модели (31). [7, c.510]
1.4 Основные положения теста Хаусмана
Хаусман (Hausman, 1978) предложил тестирование нулевой гипотезы некоррелированности . Общая идея теста состоит в том, что сравниваются две оценки: оценка, которая состоятельна как при нулевой гипотезе, так и при альтернативной; и оценка, которая состоятельна (и, как правило, эффективна) только при нулевой гипотезе. Значимое различие между этими двумя оценками указывает, что нулевая гипотеза вряд ли будет справедлива. В настоящем случае предположим, что для всех s и t выполняется условие , так что оценка с фиксированными эффектами является состоятельной для вектора неизвестных параметров независимо от того, коррелированы ли тогда как оценка со случайными эффектами состоятельна и эффективна, только если и некоррелированы. Рассмотрим вектор разностей . Чтобы оценить значимость этих разностей, нам потребуется ковариационная матрица вектора разностей. В общем, требовалось бы оценить ковариационную матрицу между векторами и , но поскольку последняя функция оценивания эффективна при нулевой гипотезе, то можно показать, что (при нулевой гипотезе):
Следовательно, мы можем вычислить критическую статистику Хаусмана как:
где обозначают оценки истинных ковариационных матриц. При нулевой гипотезе, которая неявно говорит, что статистика имеет асимптотическое хи-квадрат распределение с K степенями свободы, где K - число элементов в векторе [7, c.513]
Таким образом, критерий Хаусмана тестирует, значимо ли различие оценок с фиксированными и случайными эффектами. В вычислительном отношении провести такое тестирование относительно легко, поскольку ковариационная матрица удовлетворяет соотношению (35). [7, c.513]
Основным инструментом управления запасами широкой номенклатуры в логистике являются методы АВС и XYZ, настолько хорошо известные в зарубежной практике, что в последние десятилетия в специальной литературе фактически отсутствует его подробное описание.
2.1 Классический и современные подходы к ABC-классификации
Проведение АВС-классификации включает ряд этапов.
2. Расчет нарастающего итога значения критерия классификации.
3. Выделение классификационных групп.
(1) Первый этап является единственным неформализованным шагом классификации. Выбор критерия классификации зависит, прежде всего, от стратегии предприятия, отрабатываемой на данном этапе развития. Для каждого из функциональных подразделений (или функциональных областей) предприятия действующая стратегия может быть связана с реализацией специфического для данного подразделения направления работы. Выбор критерия АВС-классификации требует совместного обсуждения этого вопроса службой логистики с руководителями высшего уровня и с руководителями подразделений, связанных друг с другом логистической цепью движения материального потока. Будет ли на предприятии использоваться один или несколько (для каждой функциональной области логистики - свой) критериев классификации является задачей, связанной с реализацией заданной стратегии предприятия. [6, c. 2]
В качестве критериев классификации могут выступать цена закупки, прибыль от продаж, доля прибыли, доход от продаж, доля в обороте, рентабельность продаж, средний уровень запаса в тех или иных единицах, доля в созданных запасах, период (скорость) оборота запаса и т.п.
(2) Выполнение второго шага АВС-классификации включает проведение расчета нарастающего итога значения критерия классификации по номенклатурным позициям.
Удельный вес значения критерия классификации рассчитывается как отношения значения критерия каждой из позиции к итоговой сумме значения критерия классификации второго столбца. [6, c. 2-3]
Далее находится сумма нарастающего итога найденных удельных весов.
(3) Третий шаг - выделение групп классификации - в классическом АВС-методе проводится на основе закона Парето, утверждающего, что 80% значений качественного критерия определяется 20% количества выбранной совокупности объектов.
Метод АВС-классификации в последние десятилетия претерпел значительные изменения в связи с бурным развитием бизнеса и экономико-математических методов исследования. Эти изменения коснулись всех этапов реализации метода АВС. [6, c. 3]
Особенностью АВС-классификации на первом этапе является то, что современная бизнес-ситуация не может быть описана единственным критерием. Зачастую требуется использование от двух до четырех критериев. [6, c. 3]
Можно воспользоваться одним из трех предположений:
а) При очень широком круге номенклатуры (десятки и сотни тысяч) хороший результат дает механизм последовательного использования критериев. Первоначально классификация выполняется по наиболее существенному критерию. Затем для группы А проводится классификация по второму критерию и т.д. Последовательная классификация приводит к относительно немногочисленному составу группы А, которая дает возможность сконцентрировать усилия управленческого персонала на повышении эффективности решений применительно к этой наиболее важной группе номенклатуры запасов. [6, c. 3]
б) Возможно проведение АВС-классификации для каждого из критериев отдельно (параллельно), а затем методом парных сравнений определение совокупностей номенклатурных позиций, входящих в группу А, АВ, ВС и С во всех проведенных классификациях. Параллельная классификация более трудоемка и не позволяет значительно сузить численность выделяемых групп, но дает обширную информацию о каждой из групп номенклатуры. [6, c. 3]
в) Третий подход заключается в формировании синтетического критерия классификации. [6, c. 3]
Для каждого из выбранных критериев классификации определяется удельный вес, соответствующий значимости данного критерия в реализации стратегии предприятия. Например, пусть выбраны три критерия классификации: закупочная цена единицы запаса (Ц), рентабельность продажи единицы запаса (Р) и период оборота единицы запаса данной номенклатуры (О). Пусть в результате согласования стратегии и позиций руководителей служб и подразделений определены следующие весовые коэффициенты критериев:
Таблица 1 - Весовые коэффициенты критериев классификации
Закупочная цена единицы продукции (Ц)
Рентабельность продажи единицы запаса (Р)
Для каждой позиции номенклатуры требуется провести расчет синтетического критерия классификации:
Таблица 2 - Расчет синтетического критерия классификации
Суммирование полученных значений при определении значения синтетического критерия (последний столбец таблицы 2) не имеет экономического смысла, но дает возможность одним числом охарактеризовать каждую номенклатурную позицию, включенную в классификацию, и провести АВС-классификацию по классической схеме с использованием одного критерия классификации.
Второй этап АВС-классификации четко формализован. Можно отметить, что в связи с множественностью используемых критериев классификации, иногда встает задача сортировки таблицы АВС. [6, c. 4]
Сортировка позиций номенклатуры запаса может быть проведена по убыванию, когда наиболее важным фактором выступает экономия при закупке. Тогда результат проведенной АВС-классификации покажет, какие позиции с высокой закупочной ценой требуют наибольшего внимания специалистов (будущая группа А классификации). [6, c. 4]
Критерий скорости оборота или периода оборота запаса может требовать сортировки по возрастанию значений критерия, так как в группу А по общепризнанной логике должны включаться позиции, имеющие максимальную частоту заявок на обслуживание потребителей. Возможны и другие подходы. [6, c. 4]
Третий этап АВС-классификации в классическом подходе основывается на предположении, что закон Парето действует в сфере бизнеса и, в частности, проявляется в статистике движения запасов. Практика зарубежных предприятий и анализ статистики отечественных предприятий показывают, что это не так. Закон Парето не является объективной взаимосвязью качественных характеристик и номенклатурных позиций запаса. Следовательно, популярное соотношение 80:20 не может использоваться автоматически при проведении АВС-классификации в управлении запасами. Целесообразно использовать экспертный или эмпирический подход определения границы групп, в которых рекомендуемые значения качественных границ групп классификаций определяются специалистами, исходя из особенностей сферы бизнеса и групп номенклатуры. [6, c. 4-5]
Кроме того, сомнительно утверждение, что АВС-классификация должна включать 3 группы. Очевидно, что в некоторых случаях группа С может быть подвергнута дальнейшему делению. Почти половина группы С накапливает проценты нарастающего итога. Во второй половине группы С (назовем ее группой D) уже идет накопление сотых долей процентов нарастающего итога. Если группа С предполагает минимальный контроль и внимание со стороны менеджеров, то таковой является в действительности группа D.
Таким образом, современный бизнес заставляет изменять классический образец проведения АВС-классификации не только по границам групп, но и ставить вопрос о количестве групп классификации при АВС-подходе. [6, c. 5]
Итак, современные подходы к АВС-классификации требует внимания к следующим вопросам:
1. Выбор критерия классификации в связи с реализуемой стратегией предприятия и соответствующий мониторинг состава критериев и их значений.
2. Использование более одного критерия классификации.
3. Невыполнение закона 80:20 в сфере управления запасами.
4. Использование экспертного (эмпирического) и метода построения кумулятивной кривой для определения количества и границ групп АВС-классификации.
2.2 Анализ состава групп и рекомендации на основе ABC-классификации
Иллюстрация разнообразия возможного состава А, В и С групп (вне зависимости от количества групп - их, как правило, бывает от 3 до 6 - основное внимание уделяется первым трем группам) приведена в табл. 3.
Таблица 3 - Иллюстрация границ групп классификации
Доля в суммарном качественном критерии
Таким образом, общая идея АВС-классификация, столь привлекательная в классическом варианте работы, остается без изменения: метод АВС позволяет объективно определить номенклатуру запаса, требующую максимального внимания специалистов по качественному влиянию на деятельность организации, при этом ограничивая область управления до эффективного минимума. [6, c. 9]
Рекомендации по управлению запасами при использовании метода АВС-классификация имеют универсальный характер. Именно в этом и заключается популярность этого инструмента логистики, так как он позволяет максимально рутинизировать принятие управленческих решений по состоянию запасов. В табл. 4 приведены рекомендации, принятые к использованию на некоторых зарубежных предприятиях:
Таблица 4 - Рекомендации по управлению запасами АВС классификации
Тщательный контроль уровня запасов. Точный учет информации. Группа высшего приоритета. Точное определение объема заказа. Максимально точный прогноз.
Обычный контроль. Обычный порядок управления запасами. Использование экономичного размера заказа.
Простейший вид контроля. Отсутствие или незначительный учет информации.
Тщательный контроль уровня запасов.
Использование экономичного размера заказа.
Еженедельная инвентаризация 6% единиц группы.
Еженедельная инвентаризация 4% единиц группы.
Еженедельная инвентаризация 2% единиц группы.
Уровень обслуживания 99,5%. Модель управления запасами - с фиксированным размером заказа. Горизонт планировании - неделя.
Инвентаризация 2 раза в год. Уровень обслуживания 95%. Модель управления запасами - DPR. Горизонт планировании - месяц.
Уровень обслуживания 90%. Модель управления запасами - "Минимум-максимум". Горизонт планировании - по необходимости.
Хранятся в достаточном количестве на местных складах.
В зависимости от того, с запасами какого вида мы имеем дело - запасами материальных ресурсов, незавершенного производства или готовой продукции - рекомендации имеют различный характер. Так, данные табл. 3 показывают, что рекомендуемый уровень обслуживания потребности в А, В и С группах номенклатуры может быть довольно разнообразен. [6, c. 9]
Однозначен приоритет группы А в уровне обслуживания - 98-95%. Группа В имеет более низкий уровень обслуживания, а группа С - наименьший (75-90%).
Логика снижения уровня обслуживания по группам номенклатура различна. Предприятие, обозначенное как "Вариант 3" (см. табл. 3), использует равномерную шкалу снижения уровня обслуживания: 95%-85%-75%. Предприятие "Вариант 5" не делает различия в уровне обслуживания потребности А, В и С групп номенклатуры, удовлетворяясь 90% удовлетворенных клиентов.
Однозначно приоритетное внимание к группе А, выражающееся в повышении уровня контроля состояния запасов. Эта политика требует использования модели управления запасами с фиксированным уровнем заказа (точки перезаказа). [6, c. 9]
Группа С, как группа наименьшего приоритета, довольствуется периодическим контролем, который реализуется в модели управления с фиксированным интервалом времени между заказами (периодического заказа).
При первоначальном знакомстве с XYZ-классификацией проведем сравнительную характеристику этого метода с известной нам АВС-классификацией. Ключевые отличия этих популярнейших инструментов управления номенклатурой ресурсов организации заключаются в 3 аспектах:
1. Метод классификации номенклатуры запасов XYZ, в отличие от АВС-метода, никогда не был связан с законами или объективными взаимодействиями качественных и количественных характеристик объектов. Метод XYZ основывается на здравом смысле лица, проводящего классификацию, или руководства организации, хотя и использует однозначный прием разделения номенклатуры на группы. Поскольку здравый смысл - понятие довольно расплывчатое, в распределении групп X, Y и Z никогда не было однозначного соотношения, как в АВС-классификации в классическом варианте его применения. [6, c. 10]
2. Кроме того, метод XYZ не имеет универсального характера АВС-метода, который может быть применен к самому широкому спектру объектов живой и неживой природы. Классификация XYZ была предложена исключительно в целях классификации номенклатуры материальных ресурсов, незавершенного производства и готовой продукции. В то же время при некоторой доле фантазии, мето
Модели панельных данных для групп складских запасов торгового предприятия, построенных на основе ABC-XYZ классификации курсовая работа. Экономико-математическое моделирование.
Реферат: Засоби саморегуляції психічного стану спортсмена
Реферат по теме Ответственность за неисполнение денежных обязательств
Дипломная работа по теме Автоматизированная информационная система учета и ремонта технических средств
Сочинение Описание Животного 7 Класс
Реферат На Тему Президентские Выборы Путина
Реферат Транзиторные Состояния Новорожденных
Реферат по теме Фразеологизмы в романе М.А. Шолохова Поднятая целина
Реферат по теме Анализ стилей управления на предприятиях
Сочинение 3 Класс Страница 36
Доклад по теме ОВД и общественность
Курсовая работа по теме Расчет системы автоматического регулирования СЭУ и ОСС
Реферат по теме Экологическое право. Экологические преступления и правонарушения
Темы Диссертаций По Цифровой Культуре И Медиапроизводство
Семейные Ценности Моей Семьи Сочинение 5 Класс
Реферат Преступление И Наказание
Реферат: Методическое письмо о проведении государственного выпускного экзамена по русскому языку и математике в 2010-2022 учебном году
Курсовая работа по теме Управление структурой денежного потока ПЖРЭО Курчатовского района
Курсовая Работа На Тему Расчёт Металлургической Печи
Принципы Работы Инвестиций Курсовая
Сочинение Недоросль 8 Класс Проблема Воспитания
Индивидуально-личностные особенности эффективных руководителей - Менеджмент и трудовые отношения курсовая работа
Права и обязанности безработных в Республике Беларусь - Государство и право контрольная работа
Концепция критического реализма Карла Поппера - Философия реферат