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.