bew163

هدف پژوهش حاضر، کاربرد الگوهاى هوش مصنوعى، یعنى الگوهاى شبکه هوش مصنوعی، الگوریتم توده ذرّات و الگوریتم علف های هرز، در پیش بینى مصرف انرژى بخش حمل ونقل کشور است تا در پایان بتوان میزان کارایى این روش ها را در پیش بینى مصرف انرژى مقایسه کرد.
بیان مسألهشاید اغراق نباشد اگر گفته شود که در تمام دوره های زندگی بشر، نفت ماده شناخته شده ای بوده است. اما در طول چندین دهۀ گذشته ، حیاتی بودن آن برای تداوم زندگی اقتصادی تردید ناپذیر شده است. حدود 75 درصد از کل منابع نفت موجود جهان در خاورمیانه قرار دارد و ایران یکی از 5 کشور بزرگ مالک ذخایر نفتی در جهان است. نفت از مهم ترین منابع کشور محسوب می شود و مسأله پیش بینی فرآورده های سوختی نفتی در تعیین سیاست بهره برداری از منابع نفتی از اهمیّت ویژه ای برخوردار است. از طرف دیگر پیش بینی و الگو های آن یکی از مباحث مهم و حیاتی مدیریت درزمینه برنامه ریزی و تصمیم گیری است که امروزه علاقه فراوانی در استفاده از سیستم های هوشمند به منظور بهبود کیفیّت تصمیم های مدیریتی و کاهش خطاهای پیش بینی به دلیل قابلیت بالای این سیستم ها بوجود آورده است. ایران از جمله کشورهایی است که اساس اقتصاد آن بر درآمد صادرات فراورده های سوختی نفتی بنا شده است. ارتباط حجم و ارزش صادرات نفت و گاز و رشد اقتصادی به منزلۀ افزایش ظرفیّت های اقتصادی یکی از موضوعات مهم و قابل توجّه برای مراکز تحقیقاتی و برنامه ریزی است. همچنین در دنیای پیچیدۀ امروز پیش بینی و مدیریت تقاضا نقش مهمی در برنامه ریزی حوزۀ انرژی کشورهای نفت خیز دارد ، این بدان دلیل است که نفت یکی از پارامتر و عوامل بسیار مهم در امنیت اقتصادی این کشورها محسوب می شود. براین اساس تخمین تقاضای نفت و فرآورده های سوختی نفتی و تحلیل آن در طول زمان می تواند نقش قابل توجّهی در نیل به اهداف ایفا کند. از طرفی تخمین و پیش بینی میزان تقاضای فرآورده های سوختی نفتی از مدل و تکنیک های مختلفی می تواند صورت بگیرد. اما با توجه به تکنیک های زیادی که ارائه شده است آیا می توان تکنیکی را برتر ، در دقّت برآوردها شناسایی کرد؟
در سال های اخیر شاهد حضور موفق روش های فرا ابتکاری الگوریتم بهینه سازی ازدحام ذرّات و شبکه های عصبی مصنوعی بوده‌ایم. در این تحقیق سعی شده است تا با استفاده از روش های جدید و نیرومند به پیش بینی فرآورده های نفتی بپردازیم وکیفیّت این روش ها را با یکدیگر مقایسه نمائیم. همچنین با پیشرفت و توسعۀ روش های غیر خطّی همچون شبکه های عصبی ، شبکه های عصبی فازی، الگوریتم ژنتیک، الگوریتم کولونی مورچگان، الگوریتم بهینه سازی ازدحام ذرّات ، الگوریتم بهینه سازی علف های هرز و ... می توان از این روش ها برای پیش بینی تقاضا استفاده نمود.
اهمیت پژوهشطبق تعریف، پیش بینی یک برآورد (یا تعدادی برآورد) کمی درباره احتمال وقایع آینده است که براساس اطلاعات حال و گذشته انجام می شود "چتفیلد ، 1372". از طرفی پیش بینی مناسب برای محصولاتی مهم از قبیل بنزین ،گازوئیل و... می تواند در توسعه و برنامه ریزی اقتصادی یک کشور اهمیّت بسزایی داشته باشد. به عبارتی داشتن پیش بینی مناسب از آینده، کارایی برنامه ریزی را به شدّت تحت تأثیر قرار می دهد.
همانطور که اشاره شد برای تخمین تابع تقاضای نفت و فرآورده های سوختی نفتی می توان از تکنیک و مدل های مختلفی کمک گرفت، اما در این تحقیق برای پیش بینی تقاضا برای فرآورده های سوختی نفتی از سه روش توانمندی عینی شبکه های هوش مصنوعی، الگوریتم توده ذرات و علف های هرز استفاده شده است که در نهایت می توان یکی از بهترین روشهای پیش بینی تقاضا را تعیین کرد که نسبت به سایر روش های ارائه شده ازدقت بالاتری برخوردار می باشد.
اهداف تحقیقهمانطور که اشاره شد تخمین تابع تقاضا با تکنیک های مناسب و دقیق تر می تواند ما را به پیش بینی دقیق تری از فرآورده های سوختی نفتی برساند که در نهایت می توان با برآورد کردن تابع تقاضا و اطلاع از حدود تقاضا با تکنیک های مطرح شده سیاست های مناسب و برنامه ریزی دقیق تری را در پیش گرفت. به طور کلّی هدف از این پژوهش ارائه تکنیک های مختلف است که می توان در تخمین تابع تقاضا از آنها کمک گرفت و در نهایت خروجی هر یک از تکنیک های مورد نظر را با یکدیگر مقایسه کرد و یک تکنیک برتر و کارآمد را معرفی کرد.
سؤالات پژوهشیبرخی از سؤالاتی که در این باره می تواند مورد توجه قرار بگیرد به شرح زیر است:
1- آیا با سه روش بهینه سازی توده ذرّات ،شبکه های هوش مصنوعی و الگوریتم علف های هرز می توان به پیش بینی تابع تقاضا پرداخت؟
2- از بین سه روش فوق کدامیک از اهمیت و دقت بالاتری برخوردار است؟
روش تحقیقنوع تحقیق بر اساس هدف کاربردی می باشد و براساس چگونگی بدست آوردن داده های مورد نیاز، تحقیق حاضر یک بخش کتابخانه ای می باشد، به این ترتیب که ابتدا برای شناسایی عوامل مؤثر بر تابع تقاضا با بررسی کتابخانه ای پیشینۀ تحقیق ، مجموعه ای از شاخص ها شناسایی می شود و بعد از آن داده ها بر اساس پایگاه داده شرکت نفت استخراج می شود و در نهایت از طریق نرم افزار MATLAB اجرا می شود.
قلمرو تحقیققلمرو تحقیق شامل سه مورد قلمرو موضوعی، قلمرو زمانی و قلمرو مکانی است که در ادامه به تشریح هر یک پرداخته می شود.
قلمرو موضوعیقلمرو موضوعی این پایان نامه پیش بینی تقاضا برای فرآورده های سوختی نفتی می باشد.
قلمرو زمانیقلمرو زمانی تحقیق، با استفاده از میزان مصرف چهار فرآوردۀ مهم سوختی نفتی در بازۀ زمانی سال 1306 تا 1391 می باشد.
قلمرو مکانیقلمرو مکانی این تحقیق، شرکت ملّی پالایش و پخش فرآورده های سوختی نفتی کشور می باشد.
شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی):تقاضا :
از تقاضا تعاریف زیادی ارائه شده است.اما یک تعریف کلّی که می توان از تقاضا ارائه داد به این ترتیب است که تقاضا عبارت است از مقدار کالا یا خدمتی که با توجه قیمت و سایر عوامل در یک دوره خریداری می کنیم " نظری، 1392".
فراورده های سوختی نفتی:
به مجموعه ای از محصولات منتج از نفت گفته می شود که شامل بنزین ، نفت گاز و ... می باشد.
الگوریتم بهینه سازی علف های هرز:
در طول چهار دهۀ گذشته، تعداد زیادی الگوریتم به منظور حل مسائل متنوّع بهینه سازی مهندسی توسعه یافته اند. اکثر این الگوریتم ها بر پایه روش های برنامه ریزی خطّی و غیر خطّی عددی بوده است. الگوریتم بهینه سازی علف های هرز (IWO) یک الگوریتم بهینه سازی احتمالی عددی الهام گرفته شده از رشد علف های هرز می باشد، که در سال 2006 توسط محرابیان و لوکاس در قالب پروژه - ریسرچایی ارائه شد.
علف های هرز گیاهانی هستند که رشد هجوم آورنده و شدید آنها تهدید مهمی برای گیاهان زراعی محسوب می شود. علف های هرز بسیار پایدار و تطابق پذیر در مقابل تغییرات محیط می باشند. بنابراین با گرفتن خصوصیات آنها می‌توان به یک الگوریتم بهینه سازی قوی رسید. این الگوریتم تلاش می کند که از قدرت تطابق پذیری و تصادفی بودن جمعیّت علف های هرز به طور ساده تقلید کند. معمولاً برای شبیه سازی رفتار علف های هرز تعدادی مسائل پایه ای نیاز است:
1-مقدار دهی اولیه یک جمعیت
2-تولید مثل
3-پراکندگی محیطی
4-حذف رقابتی
الگوریتم بهینه سازی توده ذرّات:
الگوریتم بهینه سازی توده ذرّات یکی از مهم ترین الگوریتم هایی است که در حوزۀ هوش جمعی جای می گیرد. این الگوریتم توسط کندی و ابراهارت در سال 1995 معرفی و با الهام گرفتن از رفتار اجتماعی موجوداتی چون ماهی و پرندگان که در گروه های کوچک و بزرگ کنار هم زندگی می کنند طراحی شده است. نام های دیگر این الگوریتم عبارتند از: الگوریتم بهینه سازی ازدحام ذرّات و الگوریتم پرندگان است که شباهت زیادی به الگوریتم ژنتیک دارد. در این روش هر پاسخ را می توان به صورت پرنده ای در دسته ای از پرندگان تصور نمود. در ابتدا یک دسته از اجزاء که هرکدام iتحت عنوان جزء یک پاسخ برای مسئله می باشند به صورت تصادفی تولید می شوند و در ادامه با حرکت دسته ای از اجزاء در جهت یافتن بهترین پاسخ فضای امکان پذیر جستجو می شود. تغییر موقعیت اجزاء برای رسیدن به موقعیت بهتر، باتوجه به دو عامل صورت می گیرد. این عوامل عبارتند از بهترین موقعیت هر جزء که قبلاً با آن روبرو شده است و موقعیت بهترین جزء جمعیت در طول فرآیند جستجو. سرانجام همۀ اجزاء پس از جستجوی کامل در نقطۀ بهینه همگرا می شوند.
شبکه های هوش مصنوعی:
شبکه های عصبی مصنوعی یا به زبان ساده تر شبکه های عصبی سیستم ها، روش های محاسباتی نوینی هستند که برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش بدست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده مورد استفاده قرار می گیرد. به طور کلی این تکنیک یکی از روش های جدید در رشتۀ اقتصاد در ایران به تازگی مورد توجه قرار گرفته است و ابزارهای خطّی و غیر خطّی را برای پیش بینی در اختیار قرار می دهد، به عبارت دیگر هوش مصنوعی به عنوان یکی از سه تکنیک ذکر شده می تواند روابط خطّی و غیر خطّی بین ورودی ها و خروجی ها را براساس داده های آموزش تشخیص داده و روابط بنیادی بین آنها را شناسایی کند و سپس روابط کشف شده را بر سایر داده ها تعمیم دهد که در نهایت می تواند به ساختاری دست یابد که توانایی پیش بینی تقاضا را داشته باشد. توافق دقیقی بر تعریف شبکه عصبی درمیان محقّقان وجود ندارد ؛ اما اغلب آنها موافقند که شبکۀ عصبی شامل شبکه ‎ای از عناصر پردازش ساده (نرون ها) است، که می‌تواند رفتار پیچیدۀ کلّی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورون ها (آکسون‎ ها، شاخه‌های متعدد سلولهای عصبی ومحلهای تماس دو عصب) نشأت گرفته‌ است، که یکی از قابل توجه‎ ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده برای تشکیل شبکه ‎ای از گره‎ها، به هم متصل شده اند، به همین دلیل به آن، اصطلاح شبکه‎های عصبی اطلاق می‎شود. درحالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطۀ الگوریتم‌هایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه طراحی شده باشد.
فصل دوم: مبانی‌نظری تحقیقمقدمهاین فصل از تحقیق در سه قسمت تدوین شده است که در قسمت اول به تعریفی از پیش بینی تقاضای فرآورده های سوختی نفتی و عوامل مربوط به آن پرداخته شده است ، در قسمت دوم به تعریفی مختصر از تکنیک های مورد استفاده پرداخته می شود و در قسمت پایانی مروری بر مطالعات قبلی انجام شده در دو قسمت داخلی و خارجی پرداخته شده است.
پیش بینی تقاضای فرآورده های سوختی نفتیایران دارای منابع غنی و گسترده انرژی، مخازن بزرگ نفتی و گاز طبیعی، معادن عظیم زیرزمینی و پتانسیل بالقوه انرژی است، پیشبینی مصرف انرژی می تواند در تبیین سیاست های بخش انرژی، کمک مؤثری کند. و هم چنین از آنجا که مدتی است موضوع محدود کردن مصرف انرژی بویژه فرآورده های نفتی مانند بنزین در رأس سیاست های اقتصادی دولت قرار گرفته است و از سوی دیگر، مشکلات ناشی از افت فشار گاز طبیعی مانند قطع گاز در استان های مختلف یا کاهش تولید برق در کارخانجاتی که سوخت اصلی آن ها، گاز طبیعی است، هر از چندگاهی گریبان گیر کشور ما می شود و علاوه بر آن کمبود منابع انرژی دیگر گاهی برای بخش های مختلف اقتصاد، مشکل ساز می شود، پیش بینی و مدلسازی مصرف انرژی و ارتباط آن با رشد اقتصادی می تواند رهنمود مناسبی برای سیاست گذاران بخش انرژی و اقتصاد کشور باشد. "آماده و همکاران، 1388"
پیش بینی تقاضابیشتر تصمیمات مدیریت در سطوح مختلف سازمان، مستقیم یا غیرمستقیم بر پیش بینی آینده بستگی دارد. به عبارت دیگر پیش بینی ، حلقۀ ارتباطی بین سازمان و محیطش است. به ویژه که تغییرات محیط می تواند بر فعالیت های حال و آینده سازمان تاثیر بگذارد. پیش بینی به طور کلی فرآیند تخمین تقاضای آینده برای خدمات و محصول هایی از نظر کمّی، کیفی، زمانی و مکانی می باشد. در یک محیط ثابت با تغییرات کم و قابل پیش گویی احتیاجی به پیش‌بینی نیست اما هر چه محیط پیچیده تر و پویاتر باشد، پیش بینی شرایط آینده ضروری تر است. به عبارتی پیش بینی به معنای تخمین امری است که در آینده رخ می دهد. هر سازمانی برای ادامه حیات خود و تضمین موفقیتش در بازار رقابتی نیازمند پیش بینی آینده است.به عبارتی پیش بینی میزان فروش یک یا چند محصول می باشد که شرط لازم جهت برنامه ریزی و تولید محصول مربوطه می باشد. پیش بینی از یک سو فرآیندی نامطمئن است، چون با یقین نمی توان در مورد آینده سخن گفت و از سوی دیگر هر چه افق پیش بینی وسیع تر شود عدم اطمینان بیشتر می شود. به دلیل اینکه متغیّرهای بیشتری دخیل می شوند ، امکان وقوع حوادث مختلف را افزایش می دهد. با تمام این وجود پیش بینی یک وظیفۀ حیاتی است و در تمام زمینه های فعالیت انسان کاربرد دارد، به ویژه در شرایطی که باید به نیازهای بسیار متنوع برای محصولات و خدمات پاسخ دهیم.
اهمیت پیش بینی تقاضاحتی اگر پیش بینی همیشه به شکل یک فعالیت صریح و رسمی نباشد ، نقش بسیار مهمی در تصمیم گیری و برنامه‌ریزی دارد. با توجه به این امر پیش بینی برای مدیریت رده بالا و تمام وظایف داخل سازمان به ویژه بازاریابی، مالی و تولید بسیار مفید است. یکی از مهمترین اهداف هر واحد تولیدی عرضه محصول به بازار می باشد . لذا طبیعی است که کلیه فعالیت های آن از برنامه تولید تأثیر پذیرد. عواملی نیروی انسانی، ماشین آلات، نقدینگی، مواد اولیّه و لوازم یدکی همگی بستگی به میزان تولید دارند. لذا با پیش بینی مناسب تقاضا، برنامه ریزی تولید میسّر شده و با اطمینان بیشتری تصمیم گیری در خصوص نیروی انسانی، مواد اولیّه، سرمایه و نقدینگی لازم صورت خواهد گرفت. اولین قدم در کنترل موجودی پیش بینی مصرف آینده است. پیش بینی را بر حسب استفاده کنندگان اطلاعات می‌توان طبقه بندی کرد.
در بیشتر تصمیمات شخصی ، پیش بینی آینده مشخص و نظام مند است در حالیکه پیش بینی های سازمانی به طور دقیق تری انجام می شود.
به خاطر عدم اطمینان ذاتی درمورد آینده و ماهیت پیچیده محیط که تقاضا برای محصول ها و خدمات سازمان را به وجود می آورد، پیش بینی به صورت یک هنر جلوه می کند. با این همه، امروزه مدیران تولید می توانند به کمک فنون بسیار مؤثر و قضاوت مطمئن مدیریت، هنر پیش بینی را به مقدار قابل توجهی بهبود بخشند.
سیستم پیش بینی تقاضابه عنوان یک فعالیت درون سازمانی انتظار می رود که پیش بینی، اطلاعات مربوط به آینده بازاریابی، مالی، میزان تولید، مقدار تقاضا و دیگر موارد را ، در جهت مقاصد برنامه ریزی فراهم کند. این وظیفه توسط سیستم خاصی انجام می شود که می توان آن را بر حسب اجزای کلیدی آن تجزیه و تحلیل کرد:
1. خروجی سیستم پیش بینی: اطلاعات فراهم شده به وسیله پیش بینی؛
2. ورودی های سیستم پیش بینی: داده های مورد نیاز برای پیش بینی؛
3. محدودیت های سیستم پیش بینی: عوامل محدود کننده روش های مورد استفاده؛
4. تصمیمات سیستم پیش بینی؛
5. معیارعملکرد سیستم پیش بینی؛
6. روشهای پیش بینی برای تبدیل ورودی ها به خروجی ها.
این اجزای مشخص کننده سیستم پردازش اطلاعات است که بخش مهمی از سیستم اعصاب سازمان راتشکیل می‌دهد.
جدول STYLEREF 1 s ‎2 SEQ جدول * ARABIC s 1 1. خلاصه تصمیماتی که از پیش بینی در افق های مختلف برنامه ریزی تأثیر می پذیرددوره برنامه ریزی آینده تصمیمات سازمان تصمیمات شخصی
بلند مدت (2تا10سال) - انواع محصول و خدمات ارائه شده
- انواع و اندازه بازارها
- محل و اندازه کارخانه - فعالیت مربوط به کار،جامعه و ورزش
- نوع اشتغال و سطح تحصیلات
- انتخاب منطقه برای کار و زندگی
میان مدت(1تا 24 ماه) - اندازه نیروی کار به کار گرفته شده
- انواع ومقدار موجودی ها برای نگهداری
- میزان مطلوب قراردادها - توجه به تحصیل در علوم ویژه
- زمانبندی یک معاینه کامل پزشکی
- نقاشی ساختمان
کوتاه مدت (1تا5 هفته) - تخمین سفارشات به کارکنان و تجهیزات مشخص
- اعمال کنترل عملی در زمانهای حویل - ترتیب دادن کار با توجه به دیدگاه های جامع
- پرهیز هفتگی
- انتخاب مکانی برای آخر هفته
خروجی های سیستم پیش بینیاز نقطه نظر مدیران تولید برای برنامه ریزی دوره های مختلف تولید به جای پیش بینی فروش، نیازمند پیش بینی تقاضای مورد انتظار در آینده هستیم. به طور کلّی تقاضا تابع میزان سفارشات دریافت شده از مصرف کنندگان است. در حالی که فروش به مقادیر تحویل شده مربوط است. می توان نتیجه گرفت که به دلیل کاهش ظرفیت (فرصت فروش از دست رفته) و یا تأخیر در ارسال محصول های مورد تقاضا ممکن است مقدار تقاضا و فروش متفاوت باشد.
ورودی های سیستم پیش بینیداده های مورد نیاز برای پیش بینی تقاضا از منابع داخلی و خارجی به دست می آید. داده های تاریخی به صورت سری زمانی، فروش ها یا سفارشات قبلی، نظرات متخصّصین و یا نتایج بررسی های ویژه به عنوان ورودی های اطلاعاتی درون سازمانی، مورد استفاده قرار می گیرند و منابع خارجی، اطلاعاتی با ارزش در زمینه پیش بینی های اقتصادی، اجتماعی، سیاسی و فناوری فراهم می سازند.
همچنین منابع اضافی شامل متخصصین صنعت و سازمان های خصوصی و دولتی هستند. برای پیش بینی های کوتاه مدت و میان مدت در یک محیط نسبتاً ثابت، به طور معمول باید روی منابع داخلی تکیه کرد که این منابع برای برنامه ریزی میان مدت معتبرتر است، با این وجود همان طور که یک سازمان به منظور فرموله کردن راهبرد بلند مدت خود برای محصول های جدید، فرآیندها و بازارها بیشتر به آینده توجه می کند، اطلاعات از منابع خارجی شامل رقبا، روند های جدید در فناوری و توسعه های اجتماعی در مناسبات اجتماعی، سیاسی و بین المللی نیز با ارزش خواهد بود.
محدودیت های سیستم پیش بینیانتخاب روش پیش بینی و مقدار پیش بینی انجام شده به شدت به محدودیت های اعمال شده در سیستم پیش بینی بستگی دارد که تعیین آنها به قرار زیر است:
1. زمان موجود برای تهیه پیش بینی؛
2. فقدان اطلاعات مورد نظر از منابع داخلی و خارجی؛
3. کیفیت اطلاعات موجود؛
4. تجربه داخل سازمان؛
5. امکانات محاسباتی در دسترس.
به نظر می رسد محدودیت های 1 تا 3 به طور جدی کیفیت پیش بینی را محدود می کنند، در حالی که محدودیت 4 و 5 می توانند با افزایش بودجه سیستم پیش بینی کاهش یابند.
تصمیمات سیستم پیش بینیمعیار عملکرد سیستم پیش بینیاثربخشی سیستم پیش بینی در جهت خدمت به سازمان براساس چهار معیار ارزیابی می شود.
1.صحّت؛
2.ثبات در مقابل تاثیر پذیری؛
3.واقعیت در رفتار داده های تاریخی؛
4.زمان مورد نیاز برای پیش بینی.
صحّت پیش بینی
از دیرباز مهم ترین صفت پیش بینی، صحّت آن بوده است. تفاوت بین تقاضای واقعی و تقاضای پیش بینی شده برای یک دوره (خطای پیش بینی)، همیشه به معنی صرف هزینۀ اضافی است. بنابراین گرایش به پیش بینی های خوش‌بینانه و یا بدبینانه به صورت مداوم می تواند منشاء مشکلی جدّی برای سازمان باشد. زیرا هر زمان که تقاضای واقعی کم تر از تقاضای پیش بینی شده باشد با ظرفیت بی کار یا موجودی مازاد که هزینۀ پولی دارد (سرمایه راکد و غیره) مواجه می شویم. مدیریت زمانی می تواند انتظار عملکرد کامل را داشته باشد، که به اندازه کافی برای صحّت پیش بینی تلاش کند. بدین وسیله هزینه های مازاد و کمبود موجودی به حداقل می رسد.
متغیّر های موثر بر صحت پیش بینی:
استفاده از تکنیک های پیش بینی به جای قضاوت های سطحی و بی اساس ، نخستین و بنیادی ترین متغیر است که بر صحّت پیش بینی اثر می گذارد. اگرچه که نمی توان ادّعا کرد که شرکت هایی که از روش های کمّی و پیچیده استفاده می کنند نسبت به سایر موارد ، نتایج بهتری می گیرند.
1- استفاده از تکنیک های پیش بینی با خطای پیش بینی رابطه عکس دارد:
استفاده از داده های گذشته برای پیش بینی آینده، در محیط متغیر و متلاطم کنونی کارساز نیست. در محیط کسب و کار امروزی چرخۀ عمر محصولات کوتاه شده و معرفی محصولات جدید و ارتقاء محصول در بازه های زمانی کوتاه تری اتفاق می افتد. بنابراین برای پیش بینی وضعیت آیندۀ چنین محیطی نیازمند اطلاعات گسترده تری از تغییرات بازار و تغییرات اقتصادی است.
2- سطح اتکای پیش بینی کننده بر اطلاعات بدست آمده از منابع گوناگون و متفاوت، با خطای پیش بینی رابطه عکس دارد.
3- سطح استفاده از نتایج بدست آمده از پیش بینی در فرآیند های تصمیم گیری با خطای پیش رابطه عکس دارد.
ثبات در مقابل تاثیر پذیری
پیچیدگی زیاد و عدم اطمینان ذاتی در محیط سازمان موجب تغییرات تصادفی در تقاضای واقعی از دوره ای به دورۀ دیگر می شود. چنین تغییراتی ممکن است در بطن الگوی روند رشد بلند مدت یا تأثیرات فصلی پنهان باشد. از یک سیستم پیش بینی خوب انتظار می رود که این تغییرات ناگهانی را تعدیل کند تا پیش بینی های بعدی از این تغییرات غیرعادی متأثر نشوند. با انجام چنین کاری، سیستم ثبات خود را به نمایش می گذارد.
با این حال ، ما نیز از سیستم پیش بینی انتظار داریم که در مقابل نوسانات مشاهده شده به اندازه کافی حسّاس باشد به طوری که در عمل نشان دهنده هر گونه تغییر واقعی در فرآیند تقاضای محصول ها باشد.
واقعیت
گاهی شرایط جاری تغییراتی را در محیط به وجود می آورد که داده های تاریخی برای پیش بینی وجود ندارد. در نتیجه بهتر است ابتدا با واقعیت به داده ها توجه کنیم و سپس نتایج را با توجه به توسعه های جدید تعدیل کنیم. هر انتخاب دلخواه یا تغییر داده ، واقعیت را تا حدّی منحرف می کند که در نتیجه ارزیابی تخمین نهایی مشکل می شود.
زمان مورد نیاز برای پیش بینی
برای این که یک سیستم پیش بینی مؤثر واقع شود باید به موقع صورت گیرد تا تصمیمات متّکی به آن بهتر گرفته‌ شود.
روشهای پیش بینی تقاضاپیش تر گفته شد که یک سازمان برای برنامه ریزی آینده نیاز به پیش بینی های مختلف دارد. روش پیش بینی مورد نیاز، بستگی به افق برنامه ریزی دارد. انتخاب روش مناسب تحت تأثیر محدودیت های موجود در موقع انجام پیش‌بینی است که از این محدودیت ها می توان به قابلیت دسترسی و کیفیت داده های مربوط، زمان، مهارت و امکانات محاسباتی اشاره کرد.
انواع روش های پیش بینی تقاضا
1- روش های نظری (براساس نظر افراد خبره)
2- روش های آماری (براساس روش های آماری)
روش های نظری و انواع آن
این روش ها زمانی به کار گرفته می شوند که اطلاعات مستندی از گذشته در دست نباشد. در این روش سعی می شود نظرات افراد خبره به فاکتورهای کمّی تبدیل شده و ملاک پیش بینی قرار گیرند. یکی دیگر از موارد کاربرد این نوع پیش بینی، پیش بینی های دراز مدت است. بدیهی است که مواردی همچون سیاست های داخلی وخارجی دولت، موقعیت جهانی، تحولات اجتماعی، تغییر الگوی مصرف در آینده و غیره در اطلاعات گذشته وجود نخواهند داشت . لذا در این گونه موارد نیز استفاده از روش های نظری مفید خواهد بود. در ادامه به انواع این روش ها اشاره می کنیم:
1- روش توافق جمعی حضوری ( نظر جمع تحت تاثیر نظر افراد بانفوذتر قرار می گیرد )
از این روش معمولاً برای برآورد پیش بینی کلّی حجم فروش سازمان استفاده می شود. مدیران شرکت طی جلسات مختلف نظرات خود را ارائه داده و از جمع بندی نظرات، پیشنهادات فروش کلّی شرکت برآورده می شود.
2- روش توافق جمعی غیرحضوری یا دلفی ( اطلاعات به صورت فرم جمع آوری می شوند )
در این روش سازندگان به مصرف کنندگان مراجعه کرده، نظرات آنها را نسبت به کیفیت و کمیت کالا، نوع و مدل آن، رنگ و اندازه و ... و نیز مقدار موردنیاز مصرف کننده در سال جویا می شوند. سپس اطلاعات جمع آوری شده را در اختیار مدیران شرکت قرار می دهند. مدیران اطلاعات بدست آمده را با مشاوران اقتصادی، مدیران تولید و غیره در میان گذاشته و باتوجه به روند بازار، سطح درآمدها و رقبا و غیره میزان تولید را برای سالهای آتی پیش بینی. (معمولاً پیش بینی دراز مدت) می کنند.
3- روش کسب نظر از واحدهای فروش و بازاریابی
این روش بیشتر درمورد حجم فروش به کار می رود و به دلیل اینکه واحدهای فروش و بازاریابی اطلاعات جامع تر و درست تری در این ارتباط دارند. معمولاً دراین ارتباط نظرات آنها معیار اصلی می باشد.
4- روش استفاده از شاخص های مالی و اقتصادی
گاهی اوقات می توان با آنالیز همبستگی میان فروش یک محصول در بازار و شاخص های اقتصادی، مصرف آینده را پیش بینی کرد. برخی از این شاخص ها عبارتند از :
سطح درآمد مردم
تولید ناخالص ملی
میزان و حجم تولید ماشین آلات صنعتی
میزان وحجم تولید فلزات
میزان انعقاد قراردادهای ساختمانی
روند اقتصادی و ...
روش های آماری پیش بینی


روش مقدار واقعی آخرین دوره
روش میانگین تقاضاهای گذشته (معدل ساده)
روش میانگین متحرک
روش هموارنمایی ساده
به طور کلی روش های متعددی برای مدل بندی و پیش بینی سریهای زمانی وجود دارند، روشهای سنّتی، آماری مانند میانگین متحرک، میانگین موزون،ARIMA ، نموّ هموار ساده و پیش بینی های خطیر از مقادیر آینده متغیرها ارائه می دهند. مدلهای خطّی باوجود برخی برتری ها، با محدودیت هایی مانند عدم توانایی در بیان روابط غیرخطّی، روبرو هستند. برای جبران ضعف روشهای خطّی، چندین روش غیرخطّی دراین رابطه پیشنهاد شده اند. همچنین درسالهای اخیر شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی به کار رفته اند. یکی از بزرگ ترین برتری شبکه های عصبی مصنوعی انعطاف پذیری آنها برای پیش بینی انواع مدل های غیرخطّی است " زانگ، 2003". از دیگر روش های قدرتمند نیز که می توان جهت پیش بینی از آن ها یاد کرد روش الگوریتم بهینه سازی توده ذرّات و الگوریتم بهینه سازی علف های هرز می باشد.
روندهای جدید در پیش بینی
با تغییر فضای کسب و کار و با در نظر گرفتن فضای متغیر و پر تلاطم کسب و کار کنونی، سازمان ها نیاز به سرعت در پاسخ گویی به تغییرات محیطی و دقت در شناسایی تغییرات آتی دارند. از این رو داشتن رویکرد صحیح استراتژیک و برنامه ریزی دقیق و در عین حال منطبق بر نیازهای مشتریان از نیازهای اجتناب ناپذیر است. نگرش درست سیستمی به پیش بینی، استفاده از روش های کارآمد و مناسب در پیش بینی و توان بهره مندی از مزایای روش های مختلف پیش بینی با استفاده از ترکیب این مدل ها، نکاتی است که می تواند مدیران را در جهت عملکرد موفقیت آمیز در محیط رقابتی امروزی یاری دهد. از این رو در این بخش قصد داریم در سه قسمت مجزّا به سه موضوع فوق پرداخته و مطالب و تکنیک هایی ارائه دهیم. با نگاهی به موضوعات مقالات مختلف علمی در باب پیش بینی تقاضای محصول به این نتیجه می رسیم که تمرکز تحقیقات در سه حوزه بیشتر است:
نخست آنکه به کارگیری مباحث علمی موجود در باب پیش بینی، تا چه حد، با چه روابطی و بر کدام پارامتر های موجود در سازمان تاثیر می گذارد و آن که آثار یاد شده بر کدام قسمت ها و به چه شکل ظهور می کنند. دانستن پاسخ سؤالات فوق، باعث ایجاد توانایی بیشتر در یافتن پاسخ برای سؤالات زیر خواهد شد:
چه نکاتی باید در پیش بینی تقاضای محصول مدّ نظر باشد؟

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *