BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Bruzda Joanna (Uniwersytet Mikołaja Kopernika w Toruniu)
Tytuł
Metody wyznaczania prognoz kwantylowych w logistyce - weryfikacja empiryczna
Źródło
Logistyka, Logistyka - nauka, 2016, nr 5, s. 9-13, tab., rys., bibliogr. 12 poz.
Słowa kluczowe
Prognozowanie, Metody prognozowania, Logistyka, Statystyka, Metody samowsporne
Forecasting, Forecasting methods, Logistics, Statistics, Bootstrap
Uwagi
summ., streszcz., Praca została sfinansowana ze środków Narodowego Centrum Nauki przyznanych na podstawie decyzji numer DEC-2013/09/B/HS4/02716
Abstrakt
W artykule podjęto zadanie weryfikacji empirycznej metod prognozowania kwantylowego, wykorzystywanego w logistyce do rozwiązywania tak popularnych problemów jak jak wyznaczanie punktu odnowienia, granicy uzupełniania zapasów czy optymalnej wielkości zamówienia w przypadku stosowania modelu jednookresowego. Porównaniem objęto 26 procedur, a w tym metody dostępne w SAP ERP (korekta prognozy nieobciążonej wykorzystująca średnie odchylenie absolutne i metoda wyrównywania wykładniczego z parametrem delta), różne zastosowania median i kwantyli regresyjnych, podstawową metodę bootstrapu blokowego, a także metody podręcznikowe. Wyniki analizy na bazie 30 szeregów z ogólnodostępnych baz danych (dotyczących tak różnorodnych zjawisk jak popyt na produkty spożywcze, przewozy pasażerskie czy zużycie gazu i wody) wskazują na dużą użyteczność median regresyjnych, kwantyli regresyjnych (w tym połączonych z wyrównywaniem wykładniczym) oraz procedur zaimplementowanych w SAP ERP. (abstrakt oryginalny)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Applied Forecasting, strona sponsorowana przez Route Optimization and Hailoo, http://www.applieaforecasting.com/quantiles-forecasts-for-inventory-optimization/, dostęp 2015-09-26.
  2. Bruzda J. (2014), Prognozy Kwantylowe w Zastosowaniach Logistycznych: Wprowadzenie do Problematyki, (red. M. Chaberek, L. Reszka), Zeszyty Naukowe Uniwersytetu Gdańskiego. Ekonomika Transportu i Logistyka, 51, s. 175-195.
  3. Ciesielski M. (red.) (2011), Zarządzanie Łańcuchami Dostaw, Polskie Wydawnictwo Ekonomiczne, Warszawa.
  4. Clements M. P. (2005), Evaluating Econometric Forecasts of Economic and Financial Variables, Palgrave Macmillan, New York.
  5. Doman M., Doman R. (2009), Modelowanie Zmienności i Ryzyka. Metody Ekonometrii Finansowej, Wolters Kluwer Business, Kraków.
  6. Forecasting Principles, strona sponsorowana przez International Institute of Forecasters, http://www.forecastingprinciples.com/index.php/data (dostęp: 26.09.2015).
  7. Gneiting T. (2011), Quantiles as Optimal Point Forecasts, International Journal of Forecasting, 27, s. 197-207.
  8. Granger C. W. J. (1999), Outline of Forecast Theory Using Generalized Cost Functions, Spanish Economic Review, 1, s. 161-173.
  9. Koenker R. (2005), Quantile Regression, Cambridge University Press, Cambridge.
  10. R Archive Network, https://cran.r-project.org/web/packages/bayesm/index.html (dostęp: 26.09.2015).
  11. SAP Help Portal, http://help.sap.com (dostęp: 26.09.2015).
  12. Wagner B. (2010), Purchasing and Forecasting Using SAP ERP, Operations and Supply Chain Management Library, http://scn.sap.com/community/uac/operations-and-scm-library
Cytowane przez
Pokaż
ISSN
1231-5478
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu