BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Czwajda Liliana (Polish Academy of Sciences, Warsaw, Poland), Kosacka-Olejnik Monika (Poznan University of Technology, Poznan, Poland), Kudelska Izabela (Poznan University of Technology, Poland), Kostrzewski Mariusz (Warsaw University of Technology, Poland), Sethanan Kanchana (Khonkean University, Khon Kaen, Thailand), Pitakaso Rapeepan (Ubonratchathani University, Ubon Ratchathani, Thailand)
Title
Application of Prediction Markets Phenomenon as Decision Support Instrument in Vehicle Recycling Sector
Wykorzystanie rynków predykcyjnych jako narzędzia wspierającego podejmowanie decyzji w sektorze recyklingu samochodów
Source
LogForum, 2019, vol. 15, nr 2, s. 265-278, rys., tab., wykr., bibliogr. 32 poz.
Keyword
Recykling, Samochody, Podejmowanie decyzji
Recycling, Automobiles, Decision making
Note
summ., streszcz.
This work has been fully supported/funded by Connecting Europe Facility TRANSPORT under Grant No. 2014-EU-TM-0686-S "e-Freight Implementation Action (e-Impact)".
Abstract
Wstęp: Kluczowym ogniwem w systemie recyklingu samochodów są stacje demontażu, zarządzające przepływami odpadów oraz części zamiennych. Przedsiębiorstwa te w swojej działalności skoncentrowane są na strumieniu części zamiennych jako że jest on najbardziej wartościowy, mając na uwadze możliwości sprzedaży (wartość ekonomiczna) jak również oszczędzanie zasobów naturalnych (wartość ekologiczna). Zważywszy na wartość przepływu części zamiennych, zidentyfikowano problem związany z prognozowaniem zapotrzebowania, co związane jest z charakterem prowadzonej działalności. Biorąc pod uwagę fakt, że strumień wejściowy samochodów przetwarzanych w przedsiębiorstwie, jest poza jego kontrolą, podjęto próbę wspierania prognozowania zapotrzebowania na części (strumień wyjściowy) za pomocą wykorzystania rynków predykcyjnych. Metody: Na podstawie wcześniej przeprowadzonych badań, zidentyfikowano problem związany z prognozowaniem w stacji demontażu pojazdów. Wykorzystano metodę analizy i krytyki piśmiennictwa w celu zbadania istniejących opracowań w zakresie metod prognozowania. Mając na uwadze wyniki badania literatury, wykorzystano metodę rynków predykcyjnych, którą wykorzystano w wybranym obszarze badawczym. Wyniki: W pracy przedstawiono ogólną procedurę dotyczącą wykorzystania i wdrożenia rynków predykcyjnych w procesie wspierania podejmowania decyzji w stacji demontażu pojazdów, w obszarze prognozowania. Wnioski: Rynki predykcyjne, opierające się na idei crowdsourcingu, wykorzystują tzw. "mądrość tłumu", wspierając zróżnicowane obszary działalności biznesowej, w tym również branżę motoryzacyjną. Publikacja może być traktowana jako przewodnik w zakresie użycia rynków predykcyjnych w specyficznym obszarze problemowym, w tym również tak skomplikowanym jak prognozowanie zapotrzebowania na części zamienne w stacji demontażu pojazdów. (abstrakt oryginalny)

Background: The key players in the vehicles' recycling system are disassembling facilities, which manage flows of waste and reusable parts. The focus of the company's business activity lies in stream of reusable parts, which is the most valuable, considering possibilities of selling (economic value) and resources saving (ecologic value). As a result of conducted research problem with demand forecasting was identified, which was affected by the specific domain of business. The major objective of the paper was to present how to support demand forecasting on parts in disassembling facility with the use of predictive markets. Methods: The problem area related to the demand forecasting in the disassembling companies was identified based on the previously conducted research and observations. The desk-research method was used to verify current knowledge on the forecasting methodology. Taking it into account, the predictive markets method was chosen in a specific research problem. Results: In the paper, the idea of predictive markets was presented. What is more, general procedure of its implementation and practical application in supporting decision in disassembling companies were described. Conclusions: Predictive markets which are based on the idea of crowdsourcing, use collective crowd intelligence, supporting many business areas, including automotive industry. The predictive market method was successfully adopted in disassembling facility in order to support decisions on demand forecasting of reusable parts. The main challenge in introducing predictive markets for enterprises application is IT support and that outlines direction for future research. (original abstract)
Full text
Show
Bibliography
Show
  1. Allen P.G., Fildes R., 2001. Econometric forecasting, [in:] Armstrong J.S. (Eds.), Principles of Forecasting Norwell, MA: Kluwer Academic Publishers, 303-362.
  2. Altay N., Rudisill F., Litteral L., 2008. Adapting Wright's modification of Holt's method to forecasting intermittent demand, International Journal of Production Economic, 111(2), 389-408. http://doi.org/10.1016/j.ijpe.2007.01.009.
  3. Armstrong J.S., 2006. Findings from evidencebased forecasting: Methods for reducing forecast error, International Journal of Forecasting, 22, 583-598. http://doi.org/10.1016/j.ijforecast.2006.04.0 06.
  4. Bacchetti A., Saccani N. 2012. Spare parts classification and demand forecasting for stock control: Investigating the gap between research and practice, Omega, 40(6), 722- 737. http://doi.org/10.1016/j.omega.2011.06.008.
  5. Collopy F., Adya M. Armstrong J.S., 2001. Expert systems for forecasting [in:] Principles of Forecasting. International Series in Operations Research & Management Science, vol 30. Springer, Boston, MA, 285-300. http://doi.org/10.1007/978-0-306-476303_14.
  6. Crone S.F., Hibon M., Nikolopoulos K., 2011, Advances in forecasting with neural networks Empirical evidence from the NN3 competition on time series prediction, International Journal of Forecasting, 27(3), 635-660. http://doi.org/10.1016/j.ijforecast.2011.04.0 01.
  7. Czwajda L., Kosacka M., Kudelska I., 2017. Prediction markets as a decision support tool in disassembling companies. DEStech Transactions on Engineering and Technology Research, (ICPR2017), 238243. http://doi.org/10.12783/dtetr/icpr2017/1761 5.
  8. Directive 2000/53/EC of the European Parliament and of the Council of 18 September 2000 on end-of life vehicles - Commission Statements, Available on the Internet: https://eur-lex.europa.eu/eli/dir /2000/53/oj (02/05/2019).
  9. Forsythe R., Nelson F., Neumann G.R., Wright J., 1992. Anatomy of an Experimental Political Stock Market, American Economic Review, 82(5), 1142- 1161.
  10. Gardner E.S. Jr., 2006. Exponential smoothing: The state of the art - Part II (with commentary), International Journal of Forecasting 22(4), 637-677. http://doi.org/10.1016/j.ijforecast.2006.03.0 05.
  11. Gehin A., Zwolinski P., Brissaud D., 2008. A tool to implement sustainable end-of-life strategies in the product development phase. Journal of Cleaner Production, 16(5), 566-576. http://doi.org/10.1016/j.jclepro.2007.02.012.
  12. Gerrard J., Kandlikar M., 2007. Is European end-of-life vehicle legislation living up to expectations? Assessing the impact of the ELV Directive on 'green innovation and vehicle recovery, Journal of Cleaner Production, 15(1), 17-27. http://doi.org/10.1016/j.jclepro.2005.06.004.
  13. Volpato G., Stocchatti A., , 2008. Managing product life cycle in the auto industry: Evaluating carmakers effectiveness. International Journal of Automotive Technology and Management, 8(1), 22-41. http://doi.org/10.1504/IJATM.2008.018766.
  14. Gorr W., Olligschlaeger A., Thompson Y., 2003, Short-term forecasting of crime, International Journal of Forecasting, 19(4), 579-594. http://doi.org/10.1016/S01692070(03)00092-X.
  15. Green K.C., Armstrong J.S., 2017. Demand Forecasting II: Evidence-Based Methods and Checklists. Available on the Internet: https://faculty.wharton.upenn.edu/wpcontent/uploads/2017/05/JSA-DemandForecasting-92-KCG-clean.pdf (04/01/2018).
  16. Green K.C., Armstrong J.S., 2012. Demand forecasting: evidence-based methods Available on the Internet: https://ssrn.com/abstract=3063308 (04/01/2018).
  17. Grela M., 2014. Predictive markets as an example of crowdsourcing, Acta Universitatis Nicolai Copernici. Ekonomia, XLV(2), 205-217. http://doi.org/10.12775/AUNC_ECON.201 4.013.
  18. Hedtrich F., Loy J.-P., Müller Rolf A.E., 2009. Prediction markets: a powerful tool for supply network management?, British Food Journal, 111 (8), 811-819. http://doi.org/10.1108/00070700910980937.
  19. Ho T.-H., Chen K.-Y., 2007. New Product Blockbusters: The Magic and Science of Prediction Markets, California Management Review, 50(1), 144-158. http://doi.org/10.2307/41166420.
  20. Johnston F.R., Boylan J.E., 1996. Forecasting for items with intermittent demand, Journal of the Operational Research Society, 47(1), 113-121. http://doi.org/10.2307/2584256.
  21. Kasprzycki-Rosikoń, J., 2016. Perspektywy rozwoju crowdsourcingu (Prospects for crowdsourcing development). Available on the Internet: www.pi.gov.pl/PARP/chapter_86197.asp?s oid=38D1559667BB40778F1ED6BC89FD 705C (03/03/2018).
  22. Kosacka M., Kudelska I., Chompoonoot K., 2016. Value estimation of end of life vehicles as a source of competitive advantage for dismantling station. LogForum, 12(1), 83-93. http://doi.org/10.17270/J.LOG.2016.1.8.
  23. Lawrence K.D., Klimberg R.K., Lawrence S.M., 2009. Fundamentals of Forecasting Using Excel, Industrial Press, New York.
  24. Li Y.F., Xie M., Goh T.N., 2009. A study of project selection and feature weighting for analogy based software cost estimation, The Journal of Systems and Software, 82(2), 241-252. http://doi.org/10.1016/j.jss.2008.06.001.
  25. Makridakis S.G., Wheelwright S.C., Hyndman R.J., 1998. Forecasting: methods and applications, John Wiley & Sons, New York.
  26. Miller D.M., Williams D., 2004. Shrinkage estimators for damping X12-ARIMA seasonals, International Journal of Forecasting 20(4), 529-549. http://doi.org/10.1016/j.ijforecast.2004.03.0 02.
  27. Przybyła K., Sobczak K., 2010. Crowdsourcing - zbiorowa mądrość espołeczeństwa (Crowdsourcing - Collective Wisdom of e-Society), Prace Naukowe Wyższej Szkoły Bankowej w Gdańsku, 8, 75-84.
  28. Rosienkiewicz M., Chlebus E., Detyna J., 2017. A hybrid spares demand forecasting method dedicated to mining industry, Applied Mathematical Modelling 49, 87- 107. http://doi.org/10.1016/j.apm.2017.04.027.
  29. Rowe G., Wright G., 2001. Expert opinions in forecasting role of the Delphi technique [in:] Armstrong, J.S. (Ed.), Principles of Forecasting Norwell, MA: Kluwer Academic Publishers, 125-144.
  30. Syntetos A.A., Boylan J.E., 2001. On the bias of intermittent demand estimates, International Journal of Production Economics, 71(1-3), 457-466. http://doi.org/10.1016/S09255273(00)00143-2.
  31. Tung Ch.-Y., Chou T.-Ch., Lin J.-W., 2015, Using prediction markets of market scoring rule to forecast infectious diseases: a case study in Taiwan, BMC Public Health, 15 (766), 1-12. http://doi.org/10.1186/s12889-015-2121-7.
  32. Wolfers J., Zitzewitz E., 2004, Prediction Markets, Journal of Economic Perspectives, 18(2), 107 - 126.
Cited by
Show
ISSN
1895-2038
Language
eng
URI / DOI
http://doi.org/10.17270/J.LOG.2019.329
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu