Modelowanie zużycia odlewów w Polsce
Transkrypt
Modelowanie zużycia odlewów w Polsce
Modelowanie zu¿ycia odlewów w Polsce Adam STAWOWY Wydzia³ Zarz¹dzania, Akademia Górniczo-Hutnicza, Kraków, Polska 30-067 Kraków, ul. Gramatyka 10 Modelling casting demand in Poland Adam STAWOWY Faculty of Management, University of Mining and Metallurgy, Krakow, Poland 30-067 Krakow, ul. Gramatyka 10 Streszczenie Jednym z celów badañ rynkowych jest szacowanie rozmiarów zapotrzebowania na wyroby. Jest to szczególnie istotne dla kapita³och³onnych bran¿ produkuj¹cych wyroby zaopatrzeniowe (nie dla konsumentów). W chwili obecnej Polska przechodzi okres transformacji i zwi¹zanej z tym restrukturyzacji wielu bran¿, w tym odlewnictwa. W celu zrozumienia czynników wp³ywaj¹cych na zu¿ycie wyrobów przemys³u odlewniczego zaproponowano stworzenie modeli dla rynku polskiego: prostego modelu ekonometrycznego i dwóch - z wykorzystaniem technik sztucznej inteligencji. Modele objaœniaj¹ zu¿ycie odlewów przy pomocy poziomu i struktury ekonomicznej aktywnoœci w kraju. Jednym z zastosowañ modeli mo¿e byæ prognozowanie zu¿ycia odlewów w Polsce. Abstract Market research focuses on the entire marketplace for the organisation's products. One purpose of market research is to assess the overall size of the market for specific products. In this paper we propose three prediction techniques, including simple regression and artificial intelligence, for the forecast of casting demand in Poland. The models explain the demand by weighing factors characterizing national economic. Keywords: Modelling, casting forecast, artificial intelligence, marketing research Wprowadzenie Badanie (analiza) rynku s³u¿y rozpoznawaniu rynku, jego mechanizmu, struktury, stanu oraz rozwoju jego elementów, w celu stworzenia przes³anek do podejmowania decyzji. Stawiane jest przy tym wymaganie, aby analiza nie tylko by³a diagnoz¹ stanów obecnych rynku i jego stanów przesz³ych, lecz tak¿e by zawiera³a wizjê przysz³oœci [13]. Jednym z podstawowych zadañ badania rynku jest okreœlenie rozmiaru rynku dla produktów przedsiêbiorstwa (w szerszej skali: pañstwa) zarówno w perspektywie krótko- jak i d³ugookresowej. Nie jest to ³atwe zadanie, gdy¿ potencjalny rozmiar rynku mo¿e siê gwa³townie zmieniaæ np. na skutek zmian gospodarczych czy technologicznych. Prognozowanie zapotrzebowania wyrobów przemys³u ciê¿kiego, w tym odlewnictwa, jest problemem szczególnie trudnym, gdy¿ w przypadku tego rynku bezpoœrednie metody badañ marketingowych okazuj¹ siê niewystarczaj¹ce. W wiêkszoœci krajów rozwiniêtych oraz rozwijaj¹cych siê przemys³ ciê¿ki stanowi nadal jedn¹ z kluczowych ga³êzi gospodarki, st¹d prognozowanie rozwoju rynku wyrobów tego przemys³u ma szczególne znaczenie. Informacjami kluczowymi w analizie potencja³u rynkowego s¹: • informacje o gospodarce i charakteryzuj¹cych j¹ trendach oraz o prawdopodobnym wp³ywie tych trendów na popyt na okreœlone wyroby, • informacje o dotychczasowej sprzeda¿y i trendach sprzeda¿y w ca³ym przemyœle (lub analizowanym sektorze), • informacje o konkurencyjnych wyrobach substytucyjnych. Niezale¿nie od Ÿróde³ informacji, system badañ rynkowych musi byæ zdolny do ich efektywnego przetworzenia, jako ¿e dysponuj¹c nawet obszernym zbiorem danych nie zawsze wprost mo¿emy wykryæ wystêpuj¹ce w nim zale¿noœci i relacje. Metody badañ rynku Podstawowym celem badañ rynku jest pozyskiwanie informacji o przebiegu procesów rynkowych. Badania te s¹ wa¿nym elementem zarz¹dzania przedsiêbiorstwem, w podejmowaniu decyzji gospodarczych oraz kontroli efektów tych decyzji. Informacje o rynku powinny byæ dok³adne, œcis³e, trafne, spójne, porównywalne, odpowiednio zagregowane i czytelne. Metodyka badania rynku na ogó³ obejmuje nastêpuj¹ce etapy [2]: • rozpoznanie i sformu³owanie problemu, • postawienie hipotezy i ustalenie mo¿liwych rozwi¹zañ, • okreœlenie Ÿróde³ informacji, • przygotowanie do gromadzenia danych (wa¿ne szczególnie w przypadku pozyskiwania danych pierwotnych), • gromadzenie danych, • opracowanie danych i ich analiza, • przygotowanie jasnego i dok³adnego sprawozdania. Wœród stosowanych metod analizy (badania) rynku najwiêkszym uznaniem ciesz¹ siê ekonometryczne metody badania zjawisk rynkowych. Na ogó³ badania te s¹ prowadzone na podstawie informacji wtórnych. Czêsto analiza wykonywana jest na podstawie informacji pierwotnych (bezpoœrednich obserwacjach rynku) pochodz¹cych np. z ankiet, które nastêpnie poddawane s¹ obróbce statystycznej, by na tej podstawie wysnuæ wnioski o prawid³owoœciach rynku. Nastêpn¹ grupê metod stanowi¹ metody taksonomiczne, które stosowane s¹ w celu zbadania pozycji przestrzennej rynku wzglêdem innych obiektów oraz poznania przyczyn zró¿nicowania. Ta grupa metod wykorzystywana jest równie¿ przy definiowaniu lub okreœlaniu czynników kszta³tuj¹cych rynek konkretnych dóbr. Istotn¹ rolê w badaniach rynku odgrywaj¹ metody heurystyczne, jak dot¹d przydatne g³ównie w jakoœciowej analizie rynku, gdy opieraj¹c siê na doœwiadczeniach, wiedzy i intuicji, próbuje siê przewidywaæ rozwój zjawisk rynkowych [13]. Coraz wiêksz¹ uwagê zwraca siê na mo¿liwoœæ efektywnego wykorzystania nowoczesnych metody analizy danych, w szczególnoœci metod in¿ynierii wiedzy. Badania rynkowe w przemyœle odlewniczym Problem odpowiedniej konstrukcji marketingowego systemu informacyjnego jest szczególnie wa¿ny w tych sektorach, które produkuj¹ dobra inwestycyjne: w tym przypadku bezpoœrednie metody badania rynku s¹ niewystarczaj¹ce. Takim sektorem jest niew¹tpliwie przemys³ odlewniczy. Polska przechodzi obecnie proces restrukturyzacji gospodarki. Prognoza zu¿ycia odlewów na najbli¿sze lata (do roku 2010) jest jednym z kluczowych elementów restrukturyzacji przemys³u odlewniczego, gdy¿ wskazuje kierunki i poziom zmian potencja³u produkcyjnego polskich odlewni. Prognoza zapotrzebowania na odlewy mo¿e byæ wykonywana przy pomocy jednej z trzech metod: • bezpoœredniej opartej na przewidywanej dynamice rozwoju sektorów gospodarki – g³ównych u¿ytkowników odlewów, • korelacyjnej, opartej na za³o¿eniu, ¿e istnieje zwi¹zek iloœciowy miêdzy zu¿yciem odlewów w gospodarce narodowej a poziomem PKB, • analogowej, opartej na za³o¿eniu ¿e rozwój wielkoœci i struktury zu¿ycia odlewów zmierza do osi¹gniêcia stanu krajów wy¿ej rozwiniêtych; porównywanym wskaŸnikiem jest tutaj zu¿ycie odlewów per capita. Zu¿ycie odlewów w metodzie korelacyjnej wyra¿one jest w najprostszym przypadku nastêpuj¹c¹ zale¿noœci¹: Zu¿ycie odlewów = odlewoch³onnoœæ PKB×PKB Trafnoœæ prognozy uzale¿niona jest od w³aœciwego doboru wartoœci wspó³czynnika odlewoch³onnoœci oraz dynamiki PKB dla okresu prognozy. Odlewoch³onnoœæ definiujemy jako iloœæ zu¿ycia odlewów przypadaj¹ca na jednostkê PKB. Najczêœciej jest ona dobierana przez ekspertów lub obliczana na podstawie danych statystycznych. Prognozê zu¿ycia przy wykorzystaniu metody bezpoœredniej okreœla formu³a: n Z t = ∑ Z i0 • Dit • S it i =1 gdzie: Zt - zu¿ycieodlewów wroku t, i=1..n - indeksy wyró¿nionych sektorów gospodarki narodowej, Z i0 - zu¿ycieodlewów w rokubazowym wi-tym sektorze, Dit - dynamika wzrostusektora w stosunku do rokubazowego. S it - wskaŸnik zmian odlewoch³onnoœci wyrobów w danym sektorze spowodowany zmianami konstrukcyjnymi wyrobów tego sektora, substytucj¹ odlewów innymi wyrobami, popraw¹ jakoœci itp. Okreœlenie poszczególnych parametrów wyznaczaj¹cych prognozê jest bardzo trudne, przede wszystkim ze wzglêdu na brak precyzyjnych danych statystycznych dla okreœlenia bazowych odlewoch³onnoœci poszczególnych sektorów gospodarki. Trudno te¿ okreœliæ jak perspektywicznie zmieniaæ siê bêd¹ te wskaŸniki. Ka¿dy sektor produkuje bowiem wiele asortymentów i zmiany struktury produkcji wewn¹trz sektora wp³ywaj¹ zarówno na poziom wskaŸnika odlewoch³onnoœci jak te¿ na strukturê zu¿ycia odlewów wewn¹trz sektora. Podobnie trudno okreœliæ poziom substytucji odlewów innymi wyrobami. Trafnoœæ prognozy wykonanej metod¹ analogow¹ zale¿y od: • wyboru pañstwa lub grupy pañstw, które maj¹ stanowiæ bazê odniesienia dla opracowanej prognozy, • ustalenia tempa dochodzenia do wartoœci wskaŸników charakteryzuj¹cych wybran¹ bazê odniesienia. Wielkoœci te przy sporz¹dzaniu prognozy s¹ najczêœciej dobierane przez wykonawców prognozy na podstawie przyjêtych za³o¿eñ co do dynamiki i przekszta³ceñ gospodarki. Opis proponowanej metody prognozowania zu¿ycia odlewów w Polsce W rozdziale tym przedstawiono procedurê tworzenia bazy modeli marketingowych dla potrzeb prognozowania zu¿ycia odlewów w Polsce. Proponujemy zastosowanie modelu regresji liniowej oraz dwóch modeli opartych na metodzie analogowej z wykorzystaniem sztucznej inteligencji. Jako ¿e model regresji liniowej jest powszechnie znany i stosowany, w dalszej czêœci nie bêdzie on szczegó³owo omówiony. Procedura tworzenia takiego modelu jest prosta i dobrze opisana w literaturze przedmiotu; modele tego typu by³y i s¹ z powodzeniem stosowane dla przemys³u odlewniczego [1, 7] czy stalowego [3]. Nale¿y jedynie podkreœliæ, ¿e model zu¿ycia odlewów dla Polski nie mo¿e bazowaæ na analizie szeregów czasowych ze wzglêdu na gwa³towne i g³êbokie zmiany gospodarki w okresie transformacji ustrojowej. St¹d dane sprzed 1990 roku nie s¹ porównywalne z danymi dotycz¹cymi okresu przemian i restrukturyzacji gospodarki. Dwa pozosta³e modele wykorzystuj¹ sztuczn¹ inteligencjê jako mechanizm wnioskowania. Modele tego typu by³y stosowane do prognozowania zu¿ycia wyrobów stalowych w Polsce [6]. Punktem wyjœcia do konstrukcji modeli jest za³o¿enie, i¿ zu¿ycie odlewów zale¿y od wielkoœci i struktury tworzenia produktu krajowego brutto wed³ug wyró¿nionych dzia³ów. Mo¿na za³o¿yæ, ¿e struktura udzia³ów w PKB nastêpuj¹cych dzia³ów ma wp³yw na zu¿ycie odlewów: • rolnictwo, leœnictwo i rybo³ówstwo, • przemys³, • budownictwo, • handel. Dla wykonania prognozy t¹ metod¹ nale¿y zebraæ dane o wielkoœci zu¿ycia odlewów na 1 mieszkañca oraz poziomie i strukturze tworzenia PKB w wybranych krajach (na ró¿nym poziomie rozwoju gospodarczego) w przyjêtym okresie czasu (np. w latach 1985-2000). Ze wzglêdów statystycznych baza danych powinna liczyæ co najmniej 100 rekordów (im wiêcej, tym lepiej) w postaci: {PKBC, Rol, Przem, Bud, Hand, Zu¿ycie odlewów per capita} gdzie PKBC - PKB per capita, pozosta³e symbole oznaczaj¹ udzia³y poszczególnych dzia³ów tworz¹cych produkt krajowy brutto; PKBC musi byæ wyra¿ony w cenach sta³ych wybranego roku. Zestaw danych nale¿y podzieliæ na zestaw ucz¹cy i zestaw danych testowych: w literaturze przedmiotu postuluje siê proporcjê oko³o 10 do 1. Zestaw ucz¹cy s³u¿y do dobrania parametrów modelu, a danych testowych - do weryfikacji poprawnoœci jego dzia³ania. Nastêpnym krokiem jest przygotowanie danych okreœlaj¹cych poziom i strukturê tworzenia PKB w latach obejmuj¹cych prognozê w uk³adzie: {PKBC, Rol, Przem, Bud, Hand} Predykcja polega na znalezieniu wœród próby ucz¹cej grupy krajów o strukturze i poziomie PKB jak najbardziej podobnej do danych ze zbioru prognostycznego. Œrednia wartoœæ zu¿ycia w tak znalezionej grupie wyznacza przewidywane zu¿ycie odlewów w Polsce na jednego mieszkañca. To z kolei pozwala okreœliæ, przy znajomoœci przewidywanej liczby ludnoœci, globalne zu¿ycie odlewów w Polsce Do grupowania krajów mo¿na u¿yæ powszechnie znanych metod taksonomicznych; w naszej metodzie - proponujemy sztuczne sieci neuronowe (SSN) oraz algorytmy ewolucyjne (AE). Sieci neuronowe Sztuczne sieci neuronowe (SSN) s¹ paradygmatem obliczeniowym znacz¹co ró¿ni¹cym siê od szeregowej architektury von Neumanna. Sieci do rozpoznawania wzorców nie s¹ programowane w tradycyjny sposób, lecz nauczane przez przyk³ady. Sieciom zwykle prezentuje siê próbê ucz¹c¹ zawieraj¹c¹ reprezentatywne, prawid³owo sklasyfikowane, przypadki – w ten sposób sieæ uczy siê rozpoznawaæ i klasyfikowaæ inne, nowe obiekty. Spoœród ró¿nych modeli, sieci z propagacj¹ wsteczn¹ sprawdzi³y siê w wielu z³o¿onych problemach klasyfikacji i predykcji [10, 12]. Sieci z propagacj¹ wsteczn¹ to zwykle wielowarstwowe, jednokierunkowe sieci, w których neurony danej warstwy s¹ po³¹czone z wszystkimi neuronami kolejnej warstwy. Wiedza sieci jest zakodowana w wagach po³¹czeñ miêdzy neuronami. Dla wiêkszoœci zastosowañ nie jest mo¿liwe zaprezentowanie wszystkich mo¿liwych danych, st¹d sieæ musi generalizowaæ doœwiadczenie zdobyte w procesie uczenia w celu rozpoznawania nieznanych danych o podobnej charakterystyce. Algorytmy ewolucyjne W ostatnich dwudziestu latach daje siê zauwa¿yæ wzrastaj¹ce zainteresowanie zastosowaniem technik ewolucyjnych dla celów uczenia maszynowego. Ich samoadaptacyjnoœæ bardzo dobrze sprawdza siê w problemach klasyfikacji (grupowania) danych [4, 5, 11]. Algorytmy ewolucyjne nie gwarantuj¹ znalezienia optimum globalnego, jednak generalnie zapewniaj¹ znalezienie rozwi¹zania wystarczaj¹co dobrego w akceptowalnym przedziale czasu [8]. W przypadku naszego modelu, celem AE jest skonstruowanie odpowiednich prototypów na podstawie danych ucz¹cych. Po znalezieniu prototypów (grup pañstw), algorytm przyporz¹dkowuje do tych grup nowy, testowany przypadek (pañstwo). Za³o¿ono, ¿e œrednie zu¿ycie odlewów w tej grupie jest najlepszym oszacowaniem zu¿ycia dla testowanego przypadku. Wnioski Niniejsza praca mia³a na celu przedstawienie nowoczesnych metod analizy danych oraz pokazanie mo¿liwoœci ich zastosowania do prognozowania zapotrzebowania na odlewy w Polsce. Sztuczna sieæ neuronowa ze wsteczn¹ propagacj¹ b³êdu oraz algorytmy ewolucyjne s¹ efektywnymi narzêdziami analizy danych i z powodzeniem mog¹ byæ wykorzystywane w z³o¿onych problemach badania rynku, gdy¿ wykazuj¹ dobre zdolnoœci analizy rozbudowanych baz danych i pozwalaj¹ uchwyciæ zwi¹zki pomiêdzy ró¿nymi wskaŸnikami gospodarczymi. Opisane techniki mog¹ byæ efektywnymi narzêdziami do budowy bazy modeli marketingowych dla potrzeb prognozowania zu¿ycia odlewów w Polsce. W przysz³ych badaniach - na podstawie przygotowywanej obecnie bazy danych - zostanie wykonana taka prognoza na lata 2005 - 2020. Literatura 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Atkins S.: Foundry forecasting contributes. Ironcaster, 1985. Badania rynkowe i marketingowe. red. J.Kramer, Warszawa, PWE 1994. Evans M., Modelling steel demand in the UK. Ironmaking and Steelmaking, vol. 23, no. 1, 1996. Falkenauer E.: A new representation and operators for GAs applied to grouping problems. Evolutionary Computation, vol. 2, no. 2. Knight L., Sen S., PLEASE: A prototype learning system using genetic algorithm. http://euler.mcs.utulsa.edu/~sandip/PLEASE.ps. Macio³ A., Rebiasz B., Stawowy A., Duda J.: An approach to knowledge acquisition of expert system for marketing research, [in:] System inquiry information system and technology. Politechnika Wroc³awska, Wroc³aw 1997. Mangold V L., Flynn M., Fink M.: Die casting forecast’94. Die Casting Management, vol. 12, no. 1, 1994. Michalewicz Z.: Genetic algorithm + data structures = evolution programs. Berlin Springer-Verlang, 1992. Pociecha J.: Metody statystyczne w badaniach marketingowych. Warszawa, PWN 1996. Reeves C.R., Modern heuristic techniques for combinatorial problems. McGraw-Hill Book Company, Berkshire 1995. Stawowy A.: Algorytm ewolucyjny dla problemu grupowania wyrobów, [w:] Teoria i praktyka zarz¹dzania. Kraków, Wydzia³ Zarz¹dzania 1999. Tadeusiewicz R.: Sieci neuronowe. Warszawa, Akademicka Oficyna Wydawnicza 1993. Zeliaœ A.: Teoria prognozy. Warszawa, PWE 1997.