Методы прогнозирования запасов строительных материалов во время поставок

Обложка

Цитировать

Полный текст

Аннотация

Введение. Динамичное развитие розничной торговли строительными материалами повышает требования к своевременным поставкам товаров на склады магазинов. Устоявшиеся классические алгоритмы ориентированы на расчет целевого товарного запаса посредством учета истории продаж, которая характеризует реальный спрос, потому что подвержена искажениям, вызванным влиянием маркетинговых акций, дефицитом товарных запасов и аномальными продажами. В таких условиях прогнозировать товарные запасы посредством классического алгоритма некорректно. Эволюция методов прогнозирования характеризуется смещением акцента со спроса на товары к управлению товарными запасами. По этой причине необходимо развивать практику моделирования заказов поставщикам строительных материалов. В свою очередь возникает проблема прогнозирования поставок запасов строительных материалов. Цель исследования — оценка возможностей существующих способов прогнозирования запасов строительных материалов конкретной группы во время поставок. Задачи — анализ возможностей имеющихся методов прогнозирования для управления запасами товаров, проведение необходимых статистических расчетов по прогнозированию товарных запасов.Материалы и методы. Применялись методы теоретического анализа научной литературы, анализ статистических данных и сравнительный анализ, метод вычисления среднеквадратической ошибки моделирования RMSE, метод Хольта и имитационное моделирование.Результаты. На основе среднеквадратической ошибки моделирования RMSE установлен размер ошибки для каждого из проанализированных методов прогнозирования товарных запасов.Выводы. Исходя из расчетов определено, что наиболее оптимальным методом для прогнозирования товарных запасов строительных материалов является метод имитационного моделирования, так как позволяет прогнозировать с наименьшей степенью ошибок.

Об авторах

Ю. А. Лаамарти

Финансовый университет при Правительстве Российской Федерации (Финуниверситет)

Email: Laamarti@yandex.ru
ORCID iD: 0000-0002-2835-0892

Е. Г. Дедов

Смоленский филиал Финансового университета при Правительстве Российской Федерации (Смоленский филиал Финуниверситета)

Email: EvgeniyD15@yandex.ru

О. Ю. Крамлих

Смоленский филиал Финансового университета при Правительстве Российской Федерации (Смоленский филиал Финуниверситета)

Email: kramlikh.olga@yandex.ru

Список литературы

  1. Богдасаров М.А., Шешко Н.Н., Маевская А.Н. Методические подходы к прогнозированию и оценке ресурсов минерального строительного сырья // Литасфера. 2021. № 1 (54). С. 138–146.
  2. Пандас А.В., Дячук К.С. Аналіз методик прогнозування кон’юнктури будівельного ринку // Молодий вчений. 2018. № 3. С. 359–362.
  3. Aktepe A., Yanık E., Ersöz S. Demand forecasting application with regression and artificial intelligence methods in a construction machinery company // Journal of Intelligent Manufacturing. 2021. Vol. 32. Pp. 1587–1604. doi: 10.1007/s10845-021-01737-8
  4. Augiseau V., Barles S. Studying construction materials flows and stock : a review // Resources, Conservation and Recycling. 2017. Vol. 123. Pp. 153–164. doi: 10.1016/j.resconrec.2016.09.002
  5. Bontempi G., Taieb S.B., Borgne Y.L. Machine learning strategies for time series forecasting // European Business Intelligence Summer School. 2013. Pp. 62–77. doi: 10.1007/978-3-642-36318-4_3
  6. Cheng M., Fang F., Kinouchi T., Navon I.M., Pain C.C. Long lead-time daily and monthly streamflow forecasting using machine learning methods // Journal of Hydrology. 2020. Vol. 590. P. 125376. doi: 10.1016/j.jhydrol.2020.125376
  7. Ma Q., Shi S., Liang Y. Research on simulation method of material demand forecast // Communications in Computer and Information Science. 2012. Pp. 345–352. doi: 10.1007/978-3-642-34396-4_42
  8. Mansur A., Triyoso K. Product inventory predictions at small medium enterprise using market basket analysis approach-neural networks // Procedia Economics and Finance. 2012. Vol. 4. Pp. 312–320. doi: 10.1016/s2212-5671(12)00346-2
  9. Shirinov B., Mahas N. Forecasting sales volume in construction companies // Lecture Notes in Civil Engineering. 2023. Pp. 825–830. doi: 10.1007/978-3-031-17385-1_70
  10. Shiha A., Dorra E.M., Nassar K. Neural networks model for prediction of construction material prices in Egypt using macroeconomic indicators // Journal of Construction Engineering and Management. 2020. Vol. 146. Issue 3. doi: 10.1061/(asce)co.1943-7862.0001785
  11. Thormählen V. Suitability of oracle applications for standard and activity based costing // Vortragsband zur 11. Jahrestagung der DOAG-Konferenz Fellbach 1998, Proceedings. Hrsg : DOAG, Deutsche ORACLE-Anwendergruppe, Stuttgart, 1998. Pp. 164–182.
  12. Грицай А.А. Интеллектуальная информационная система прогнозирования потребительского спроса и оптимизации товарных запасов // Программные продукты и системы. 2015. № 4. С. 219–230. EDN VIDCCX.
  13. Ефименко А.З., Бездомников Р.В. Моделирование запасов и ритмичных поставок строительных материалов // Вестник МГСУ. 2011. № 1–2. С. 263–267. EDN OUVZQD.
  14. Лажаунинкас Ю.В., Кочегарова О.С. Статистические методы прогнозирования : учебное пособие. Саратов : Амирит, 2017. 64 с.
  15. Лопаткина А.А., Бжассо А.А. Анализ эффективности управления запасами организации: методические подходы и его значение в деятельности экономического субъекта // Экономика и бизнес: теория и практика. 2023. № 5–2 (99). С. 85–88. doi: 10.24412/2411-0450-2023-5-2-85-88. EDN FZPIYE.
  16. Мельникова Ю.В. Совершенствование стратегического планирования производства и сбыта подсолнечника на основе прогнозирования рыночной конъюнктуры : дис. ... канд. экономических наук. Саратов, 2017. 216 с. EDN BRBTFT.
  17. Новикова Н.Г., Щепина С.В. Факторы, влияющие на эффективность управления запасами в контексте управления конкурентоспособностью торговой компании // Известия Байкальского государственного университета. 2023. Т. 33. № 1. С. 74–83. doi: 10.17150/2500-2759.2023.33(1).74-83. EDN RTLXNA.
  18. Kabanov V.N. Supply volume forecasting of building materials // IOP Conference Series: Materials Science and Engineering. 2019. Vol. 698. Issue 5. P. 055018. doi: 10.1088/1757-899x/698/5/055018
  19. Khaimovich I.N., Didkovskaya O.V. Forecasting of the cost of building materials in a volatile market // The European Proceedings of Social and Behavioural Sciences. 2022. doi: 10.15405/epsbs.2022.08.29
  20. Makarov S.I., Sevastyanova S.A., Ralyk D.V. Modeling and forecasting of economic indicators for building materials producers // European Proceedings of Social and Behavioural Sciences. 2020. doi: 10.15405/epsbs.2020.03.154

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».