Методы и алгоритмы сокращения информационного пространства управления ресурсами в экономических системах наукоёмких производств тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Коричнева, Юлия Леонидовна

• Коричнева, Юлия Леонидовна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Коричнева, Юлия Леонидовна

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ

Введение

ГЛАВА 1

1 ПРОБЛЕМЫ АНАЛИЗА РЕЗУЛЬТАТОВ

ПРОИЗВОДСТВЕННО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЯ, РЕШАЕМЫЕ МЕТОДОМ ВЫЯВЛЕНИЯ СТРУКТУР В ДАННЫХ

1.1 Текущее положение дел в предметной области

1.2 Интегрированная стратегия управления логистической системой

1.3 Постановка задачи сокращения информационного пространства

управления складской номенклатурой

1.4 Алгоритм решения задачи с помощью классического метода

АВС-классификации

1.5 Результаты классификации номенклатуры

классическими методами АВС-анализа

1 5 1 Классификация по одному критерию по правилу Парето

1 5 2 Классификация по одному критерию с помощью построения кривой Лоренца

1 5 3 Анализ состава групп и сравнение результатов, полученных на основе правила Парето и построения кумулятивной кривой Лоренца

1.6 Управление запасами на основе результатов АВС-анализа

1.7 Недостатки классического метода АВС-классификации

1.8 ХУ2-классификация

1 8 1 Общая характеристика метода ХУХ

1 8 2 Алгоритм решения задачи ХУг-классификации

1.9 Управление запасами на основе результатов XYZ-aнaлизa

1.10 Совмещенная классификация ABC-XYZ и ее использование

в управлении запасами производственного предприятия

1.11 Основные результаты

ГЛАВА 2

2. КРИТЕРИИ КАЧЕСТВА МНОГОМЕРНОЙ АВС-КЛАССИФИКАЦИИ И КАНОНИЧЕСКИЕ АЛГОРИТМЫ

2.1 Предварительные замечания

2.2 Нормализация числовых критериев

2.3 Методика ранжирования частных критериев

2.4 Вычисление интегрального критерия

2.5 Методика итеративного частного ранжирования

и интеграции получаемых результатов

2.6 Альтернативные представления результатов АВС-классификации

2.7 Критерии качества пространственной АВС-классификации

для случая проблемной симметричности скалярных критериев

2 7 1 Критерий № 1 на основе классификационных векторов 59 2 7 2 Критерий № 2 на основе классификационные кортежей

2.8 Критерии качества пространственной ЛВС-классификации

для случая проблемной асимметричности скалярных критериев

2 8 1 Формальное представление проблемной асимметричности скалярных критериев

2 8 2 Критерий № 3 на основе классификационных векторов

2 8 3 Критерий № 4 на основе классификационных кортежей

2.9 Канонические алгоритмы пространственной ЛВС-классификации

для случая проблемной симметричности скалярных критериев

2 9 1 Алгоритм № 1 на основе классификационных векторов

2 9 2 Алгоритм № 2 на основе классификационных кортежей

2.10 Канонические алгоритмы пространственной ЛВС-классификации

для случая проблемной асимметричности скалярных критериев

2 10 1 Алгоритм № 3 на основе классификационных векторов

2 10 2 Алгоритм № 4 на основе классификационных кортежей

2.11 Алгоритмы пространственной ЛВС-классификации

на основе кластеризации учётных элементов

2 111 Концепция использования процедуры кластеризации для решения задачи пространственной АВС-классификации

2 112 Алгоритм № 5 для случая проблемной симметричности скалярных критериев

2 113 Алгоритм № 6 для случая проблемной асимметричности скалярных критериев

2.12 Практическая реализация предложенных методов и алгоритмов

2 12 1 Нормализация

2 12 2 Результаты ранжирования частных критериев

2 12 3 Результаты вычисления интегрального критерия

2 12 4 Результаты итеративного частного ранжирования

2 12 5 Критерии качества многомерной АВС-классификации и канонические алгоритмы

2.13 Интерпретация результатов для целей поддержки принятия решений. Стратегии управления логистической системой

2.14 Основные результаты

ГЛАВА 3

3 РЕШЕНИЕ ЗАДА ЧИ МНОГОМЕРНОЙ ABC- И XYZ- КЛА ССИФИКАЦИИ НА ОСНОВАНИИ МЕТОДА РАСПОЗНАВАНИЯ СТРУКТУР В ДАННЫХ

3.1 Предварительные замечания

3 1 1 Дифференциация задач классификации и кластеризации 85 3 1 2 Проблематика выбора оптимального алгоритма анализа учетных данных

3.2 Анализ алгоритмов классификации на примере k-средних

3.3 Алгоритм поиска структур в данных. КСД, Золотое сечение

3 3 1 Предварительные замечания

3 3 2 Формальная постановка задачи кластеризации

3 3 3 Построение кратчайшего связывающего дерева

3 3 4 Алгоритм классификации объектов по правилу золотого сечения

3.4 Кластеризация на заданное количество классов

3 4 1 Принцип дихотомии

3.5 Задача поиска оптимального разбиения. Критерии качества классификации

35 1 Кластеризация как задача поиска оптимального разбиения

3 5 2 Функционалы качества разбиения

3.6 Решение проблемы отсечения значимых позиций в наборах данных типа «взрыв», «вспышка»

3.7 Решение практической задачи сокращения информационного пространства управления ресурсами с помощью алгоритмов поиска структур в данных

37 1 Постановка практической задачи и выбор методов решения

3 7 2 Практическая реализация метода к-средних

3 7 3 Классификация с использованием кратчайшего связывающего дерева

и метода золотого сечения

3 7 4 Практическое применение функционалов качества разбиения

3 7 5 Практическое применение динамического расстояния группообразования

3.8 Основные результаты

ГЛАВА 4

4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ СТРУКТУРНОЙ ИДЕНТИФИКАЦИИ РЕЗУЛЬ ТА ТОВ ХОЗЯЙСТВЕННО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРОИЗВОДСТВЕННОГО ПРЕДПРИЯТИЯ

4.1 Назначение системы и выполняемые функции

4.2 Формулировка требований к разрабатываемой системе

4.3 Архитектура интеллектуальной автоматизированной системы

поддержки принятия решений (ИАСППР)

4 3 1 Диаграммы функциональных спецификаций 127 4 3 2 Диаграмма бизнес-функций - BFD в нотации SAG 128 4 3 3 Диаграмма потоков данных - DFD в нотации SAG 130 4 3 4 Диаграмма переходов состояний - STD в нотации SAG 132 4 3 5 Диаграмма структуры программного приложения - SSD в нотации SAG

4.4. Описание модулей системы и их функциональное назначение

4.5 Проектные решения

45 1 Выбор средств разработки

4 5 2 Общая структура программы и принцип ее функционирования

4 5 3 Систематическая работа с программой «Cluster Analysis» Интерфейс пользователя

4 5 4 Тестирование программной системы

4 5 5 Технические и программные требования для создания и функционирования системы

45 6 Результаты внедрения

4.6 Основные результаты

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРА ТУРЫ

ч

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы сокращения информационного пространства управления ресурсами в экономических системах наукоёмких производств»

ВВЕДЕНИЕ

Актуальность проблемы. На сегодняшний день темпы развития экономических систем диктуют непрерывное повышение эффективности анализа результатов производственно-экономической деятельности предприятия, использование новейших механизмов и моделей управления сложными социально-экономическими системами, полагаясь на твердый фундамент современных научно обоснованных методов управления и поддержки принятия решения.

Современная практика управления в области экономических систем, в частности предприятиями сферы наукоемких производств в России подчеркивает невозможность опираться на основы менеджмента индустриальной эпохи и рождает необходимость внедрения информационных технологий во все стадии процесса производства продукта, пред- и постпроизводственные стадии.

На сегодняшний день для большинства отечественных предприятий одной из ключевых задач развития и повышения эффективности является грамотное выстраивание экономической системы управления оборотными ресурсами и запасами. Материальной составляющей оборотного капитала являются ресурсы и запасы.

Эффективное управление ресурсами - одно из неотъемлемых средств обеспечения конкурентоспособности и повышения рентабельности бизнеса, так как в запасы вкладываются значительные финансы, это основа прибыли и острая проблема ежедневного мониторинга и контроля. Поиск методов оптимальной организации различных аспектов движения товарно-материальных ресурсов и в настоящее время остается главной задачей для многих производственных организаций во всем мире.

Методологическим аспектам оптимизации управления товарно-материальными ресурсами были посвящены труды зарубежных специалистов: Д. Дж. Бауэрсокса, Дэвида Дж. Клосса, JI. Гэлловея [39], Ричарда Б. Чейза, Н. Эквилайна, Роберта Ф. Якобса [115.], Майкла Р Линдерса., Харольда Е. Фирона [74], Дж. Лэндфорда [9] Е. Добронравии [41]; российских ученых: Л.Б. Миротина,

А.Г. Некрасова [82,83,84], В.В. Дыбской., Е.И. Зайцева, В.И. Сергеева, А.Н. Стерлиговой [45], В. Д. Секерина [100], Ю. М. Неруша [85].

К числу наиболее известных программных систем управления оборотными средствами, получивших распространение в России, относятся WMS и ERP-системы различных производителей: CorelMS, Columbus IT, SAP R/3, SIMPLE-System от Genobium, ERP-система «Галактика», 1С:Предприятие 8.3. «Управление производственным предприятием».

На сегодняшний день в сфере разработки единой теории управления товарно-материальными ресурсами существуют четыре основные проблемы:

Первая заключается в том, что, несмотря на существование глобальной постановки задачи оптимизации управления запасами в рамках экономической системы, ее общее решение до сих пор не найдено. В условиях нестабильной экономической ситуации в России для каждого производственного предприятия, в особенности для предприятия сферы наукоемких мелкосерийных производств, организация системы управления запасами является индивидуальным решением. В качестве традиционного инструмента используются стоимостные критерии. На практике глобальная оптимизация заменяется поиском локальных экстремумов -издержек складирования, транспортировки, хранения и других составляющих процесса движения товарно-материальных ресурсов.

Вторая проблема заключается в том, что в рамках классического (затратного подхода) не существует единого, объединяющего показателя, характеризующего экономическую эффективность управления запасами производственного предприятия в целом. Понятно, что если управление ими эффективно по одному или нескольким из широко известных показателей, например, величина затрат, издержек транспортировки и хранения, рентабельность, оборачиваемость, уровень обслуживания потребляющего звена, невозможно сделать вывод как о его эффективности в плане остальных показателей, так и об общей эффективности в рамках экономической системы. Часто повышение эффективности по одним критериям приводит к ухудшению других характеристик системы управления запасами.

Нельзя не заметить, что нахождение оптимального решения в общем случае принципиально недостижимо, вследствие необходимости тонкой настройки системы управления запасами под специфику производственного предприятия. Наиболее сложная ситуация складывается в отрасли производства мелкосерийного или единичного технологического оборудования, где тонкая настройка должна происходить с момента создания конструкторского решения и формирования технологического процесса производства промышленного образца (например, тайм-план закупки ключевых номенклатурных позиций).

Третья проблема заключается в том, что в странах с рыночной экономикой, к которым сегодня относится и Россия, решение осложняется факторами, заложенными в существе самой системы. Важнейшие из них: непостоянство спроса, обилие товаров, низкое качество продукции, широкий и постоянно обновляющийся ассортимент запасов и товаров. К тому же введение одновременного учета требований потребителей и производителей в практику деятельности отечественных предприятий часто тормозится отсутствием конкурентных рынков поставщиков и потребительских сегментов.

Четвертая проблема заключается в'низкой оперативности принимаемых решений. В условиях стремительно меняющейся экономической ситуации на рынке, в условиях жесткой конкуренции отсутствие незамедлительной реакции на внешние изменения, невозможность вовремя перенастроить внутренние бизнес-процессы может стать отправной точкой на пути банкротства. Необходимы информационные системы анализа, поддержки принятия решений и управления оборотными средствами производственного предприятия.

Наконец, решение указанных проблем осложняет все еще недостаточная проработанность и исследованность теории и практики формирования эффективных экономических систем управления запасами производственных предприятий. С учетом специфики производственной отрасли Российской экономики становится очевидной необходимость проектирования новых методик и подходов к управлению оборотным капиталом предприятия и, в том, числе, запасами, как его глав-

ной составляющей, что свидетельствует об актуальности разработки избранного направления в рамках диссертационной работы.

Целью работы повышение эффективности управления оборотными средствами производственного предприятия за счёт разработки методов и алгоритмов сокращения аналитического информационного пространства, автоматизации процессов анализа и структурирования складской номенклатуры предприятия, использования процедур анализа потребностей в товарно-материальных ресурсах.

Задачи исследования. Для достижения целей диссертационной работы необходимо решение следующих задач.

1. Разработать концепцию сокращения информационного пространства управления ресурсами в экономических системах наукоемких производств.

2. Разработать метод и алгоритмы построения многомерных ABC- классификаций, позволяющих учесть специфику всей совокупности частных критериев.

3. Разработать метод многомерной кластеризации, позволяющей реализовать альтернативный подход к выделению АВС-групп и анализировать целесообразность расширения количества классификационных групп

4. Определить критерии качества кластеризации и показать эффективность их применения.

5. Разработать концепцию построения интеллектуальной автоматизированной системы поддержки принятия решений (ИАСППР) по управлению оборотными средствами и капиталом производственного предприятия.

Методы исследования. При выполнении работы использовались теория экономического и финансового анализа, теория вероятностей, математическая статистика, теория математического и статистического моделирования, методы вычислительной и прикладной математики, эвристическое программирование. Научная новизна работы состоит в следующем:

1. В качестве основы методов и алгоритмов сокращения информационного

пространства управления производственно-хозяйственными ресурсами,

предложено использовать многомерную АВС-классификацию, позволяю-

8

щую устранить недостатки классического управления оборотными средствами на основе скалярных АВС-классификаций

2. Разработан метод пространственной ABC-классификации для случая проблемной симметричности и асимметричности скалярных критериев.

3. Разработан метод пространственной классификации на основании анализа структур в данных.

4. Предложены критерии оценки качества пространственных АВС-классификаций

5. В процессе многомерной классификации для определения расстояния груп-пообразования предложено использовать методы построения кратчайшего связывающего дерева и правило золотого сечения.

Практическая ценность. Результаты диссертации нацелены на повышение эффективности процессов управления товарно-материальными ресурсами производственного предприятия сферы наукоемких производств и обеспечивают:

1) повышение обоснованности процесса сокращения информационного пространства управления товарно-материальными ценностями производственного предприятия широкой номенклатуры;

2) создание возможности использования реализации различных стратегий управления оборотными средствами;

Исследования, проведенные в рамках диссертационной работы, были применены при проектировании и внедрении системы «Cluster Analysis 1.1» классификации многомерных объектов, представленных номенклатурными единицами с кортежем характеристик. Указанная система внедрена в деятельность Рязанского про-ектно-технологического института. Результаты диссертации успешно использованы при формировании стратегии управления ресурсами предприятия, реализующего мелкосерийное и единичное технологическое оборудование. Апробированы различные подходы к группированию широкого номенклатурного ряда запасов.

В рабочем порядке программа «Cluster Analysis v. 1.1» внедрена и активно используется в компаниях сферы телекоммуникационных услуг, осуществляющих

строительство мультисервисных сетей, а соответственно работающих с большим

9

ассортиментным рядом номенклатуры ООО «Брянские Кабельные сети», г. Брянск, ООО «Телемир» и ООО «Липецкие Кабельные Сети», г.Липецк, ООО «ТВТ», Моск. обл, г. Кашира, ООО «ИНКО-Телеком», Моск. обл, г. Луховицы.

Результаты диссертационной работы являются основой для проектирования и создания интеллектуальной автоматизированной системы поддержки принятия решений (ИАСППР). Предложенные методы и алгоритмы позволяют наиболее эффективно строить подобные системы. :

Разработанные методы и средства построения ИАСППР могут быть приняты за основу при создании современных программных инструментальных систем подобного типа.

Достоверность и обоснованность научных положений, результатов, выводов и рекомендаций, приведенных в диссертационной работе, обеспечиваются использованием надежных методов исследования и подтверждаются: корректностью использования адекватного математического аппарата; совпадением полученных результатов в частных случаях с известными в теории результатами; хорошей апробацией материалов диссертации; успешным внедрением результатов в практику управления оборотными средствами производственных предприятий РФ.

Реализация и внедрение результатов работы. Результаты диссертационной работы внедрены в деятельность ООО «Рязанский проектно-технологический институт», г. Рязань, в компаниях сферы телекоммуникационных услуг ООО «Брянские Кабельные сети», г. Брянск, ООО «Телемир» и ООО «Липецкие Кабельные Сети», г.Липецк, ООО «ТВТ», Моск. обл, г. Кашира, ООО «ИНКО-Телеком», Моск. обл, г. Луховицы и используются для выделения номенклатурных групп особого контроля при принятии решений высшего и среднего руководства в отношении снижения издержек и оптимизации управления оборотными средствами производственного предприятия.

Основные результаты, выносимые на защиту.

1. Концепция сокращения информационного пространства управления ресурсами в экономических системах наукоемких производств.

2. Метод и алгоритмы построения многомерных ABC- классификаций для

10

случав проблемой симметричностй и асимметричности скалярных критериев, позволяющих учесть специфику всей совокупности частных критериев и устранить недостатки классических скалярных АВС-кл ассификаций.

3. Метод многомерной кластеризации, позволяющей реализовать альтернативный подход к выделению АВС-групп и анализировать целесообразность расширения количества классификационных групп.

4. Критерии качества кластеризации и показать эффективность их применения.

5. Концепция построения интеллектуальной автоматизированной системы поддержки принятия решений (ИАСППР) по управлению оборотными средствами и капиталом производственного предприятия.

Апробация работы. По теме диссертации сделаны доклады на 9-ой, 10-ой и 12-й всероссийских научно-технических конференциях «Новые информационные технологии в научных исследованиях и в образовании», Рязань, 2004-2007 гг.; всероссийском конкурсе на лучшие научно-технические и инновационные работы творческой молодежи России по естественным наукам, Саратов, 2003 г.; 11-ой, 12-ой, 13-ой международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и Системах телекоммуникаций», Рязань, 2003-2005 гг.; 52-ой, 53-ей студенческих научно-технических конференциях «Программное обеспечение вычислительных и информационных систем», Рязань, 2005-2006 гг., межвузовской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в учебном процессе и производстве», Рязань, 2004 г.; 5-ой межрегиональной научно-практической конференции «Современные информационные технологии в образовании», Рязань, 2004 г.; 13-ой и 14-ой международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», Рязань, 2004-2005 гг.; Международной научно-практической конференции «стратегии управления: государство, бизнес, образование», Рязань, 2010 г., а также на научных семинарах кафедры ВПМ РГРТА.

Публикации. По теме диссертационной работы опубликовано 23 печатных работы, в том числе две статьи в изданиях, входящих в перечень ВАК для кандидатских диссертаций; шесть статей в научно-технических журналах; три статьи в межвузовских сборниках; 17 докладов на Международных и Всероссийской научно-технических конференциях.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы и 3 приложения. Основной текст содержит 164 страницы, 14 таблиц, 31 рисунок. Список литературы состоит из 119 наименований. Приложения выполнены на 90 страницах.

Во введении дается обоснование актуальности темы работы, формулируются цели и задачи исследований, представляются основные положения диссертационной работы, выносимые на защиту.

Первая глава посвящена обоснованию темы диссертации. В главе намечены направления исследований, определяются основные цели и задачи, решаемые в диссертационной работе. Приводится обзор работ по теме диссертации, вводятся основные понятия и определения, описываются стратегии управления оборотными средствами и апробируются классические методы. Решается поставленная задача с использованием метода АВС-классификации на основе принципа Парето, построения кумулятивной кривой Лоренца. Устанавливаются основные недостатки существующих методов и высказываются предложения по трансформации, оптимизации испытанных алгоритмов в целях перехода к многомерным классифи-

!

кациям.

Для достижения поставленной цели в диссертационной работе предложено разработать теоретическую платформу для создания системы автоматизации процесса многомерного ABC и XYZ анализа.

Во второй главе излагаются методы нормализации числовых параметров номенклатурных позиций, заданных в различных единицах измерения. Производится отбраковка методов, исходя из целесообразности их применения в заданных условиях. Проведен анализ и вычисление интегрального критерия АВС-

классификации объектов с набором характеристик с целью выявления недостат-

: 12

ков. С целью определения степени качественного влияния частных критериев на результат пространственной АВС-классификации произведено исчисление весовых коэффициентов критериев на основании метода анализа иерархий Саати. Ключевым пунктом исследований является формализация методики итеративного частного ранжирования и интеграции полученных результатов.

Предложены альтернативные формы представления результатов АВС-классификации - в виде классификационных кортежей и векторов, в частности, четыре альтернативных показателя качества пространственной (многомерной) АВС-классификации, отражающих сходство классификационных векторов и кортежей пространственной и совокупности частных скалярных АВС-классификаций, для случаев одинаковой и различной проблемной значимости скалярных критериев, используемых для характеристики учетных элементов конкретной предметной области.

Предложено четыре алгоритма пространственной АВС-классификации, называемые каноническими, - оптимальные по предложенным показателям качества многомерного группирования учетных элементов для случаев одинаковой и различной проблемной значимости частных скалярных критериев.

Изложенные результаты использованы в качестве методологической платформы реализации средств сокращения информационного пространства в логистической практике для повышения эффективности управления товарно-материальными ресурсами за счет целесообразного и обоснованного распределения усилий по различным направлениям контроля ситуации и выработки управляющих мероприятий.

Третья глава посвящена разработке методов многомерной классификации. Проведен анализ существующих методов классификации и кластеризации для решения задачи структурной идентификации статистических данных оборотных средств(к-внутригрупповых средних). Разработаны методы выявления структур в данных для решения задачи сокращения информационного пространства управления складской номенклатурой, позволяющие сделать разделение на группы

формальным и математически обоснованным. Представлены методы кластерного

13

анализа, позволяющие разделить генеральную совокупность многомерных объектов по векторному показателю на основе двух функционалов качества классификации: внутрикластерного и межклассового расстояний. Предложен способ решения задачи классификации, основанный на построении кратчайшего связывающего дерева и применении правила золотого сечения в качестве способа разбиения исходных описаний на группы в соответствии с заданной метрикой. Все теоретические предпосылки и предлагаемые алгоритмы сопровождаются результатами вычислений, основанных на реальных данных.

В четвертой главе излагается концепция построения интеллектуальной автоматизированной системы поддержки принятия решений (ИАСППР) при управлении товарно-материальными ресурсами широкой номенклатуры. Формулируются требования, предъявляемые к разрабатываемой системе. Предлагается архитектура ИАСППР с подробным описанием модулей системы и их функциональным назначением. Приведена общая структура и принципы функционирования системы «Cluster Analysis 1.1», реализующей отдельные принципы, идеи и положения концепции построения ИАСППР. Рассмотрены принципы систематической работы с программой «Cluster Analysis 1.1», приведены технические и программные требования, предъявляемые к ней, предложен интерфейс пользователя.

В заключении приводится обобщение основных результатов диссертационной работы.

ГЛАВА 1

1 ПРОБЛЕМЫ АНАЛИЗА РЕЗУЛЬТАТОВ ПРОИЗВОДСТВЕННО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЯ,РЕШАЕМЫЕ МЕТОДОМ ВЫЯВЛЕНИЯ

СТРУКТУР В ДАННЫХ

1.1 Текущее положение дел в предметной области

В условиях современной экономики четко вырисовываются такие стратегические цели компаний, как повышение эффективности деятельности компаний. Все более актуальным становится та точка зрения, что компания, владеющая (термин обладание подразумевает не теоретическое знание, а внедрение и применение) новейшими, наиболее современными научными методами повышения эффективности производства, маркетинга, кадровой политики, логистики и менеджмента, в общем, владеет конкурентным преимуществом.

А с позиции прибыльной стратегии производственного предприятия, которая по праву может считаться центральной, понятие конкурентное преимущество с легкостью может быть трансформировано в понятие прибыль. Нередко реализация методов и технологий, приносящих предприятию прибыль, вовсе не подразумевают громоздких мощных программных продуктов последних версий. Это вполне может быть утилитарный программный продукт, или правильно подобранные параметры и критерии некой используемой системы. Также решением может быть обновленный свежий подход к уже известным методам, учитывающий специфику отрасли или специфику самого предприятия.

Развитие национального бизнеса показывает, что большинство производственных предприятий (даже крупных) не внедряют системы автоматизированного учета и анализа деятельности вследствие относительно высокой стоимости для них информационных технологий и компьютерной техники, а также отсутствия мотивации у руководства фирм к использованию новейших

информационных систем, траты времени и средств на обучение персонала работе с таким программным обеспечением. В данных условиях наиболее рационально предложить как можно более доступный для покупки, понимания и применения вариант решения, специализированный для сферы работы предприятия.

На сегодняшний день одной из важнейших задач развития большинства отечественных предприятий любой сферы бизнеса является оптимизация управления оборотными средствами, то есть товарно-материальными запасами и ресурсами.

«Товарно-материальный запас (Inventory) — это запас какого-либо ресурса или предметов, используемых в организации. Система управления товарно-материальными запасами (Inventory System) — это совокупность правил и способов регулирования, с помощью которых можно контролировать уровни запасов и определять, какие уровни следует поддерживать, какой запас следует пополнять и каким должен быть объем заказа». [115]

В производственный запас включаются предметы, которые становятся частью выпускаемой продукции фирмы или играют ту или иную роль в ее производстве. «Производственные запасы, как правило, подразделяют на сырье (Raw Materials), готовую (конечную) продукцию (Finished Products), комплектующие (Component Parts), вспомогательные материалы (Supplies) и незавершенное производство (Work In Process)». [115.]

Анализ товарно-материальных запасов производственного предприятия преследует цель показать, в какой промежуток времени и в каком объеме необходимо размещать заказ на те или иные материалы, комплектующие. Многие фирмы избирают долгосрочные взаимоотношения с поставщиками, которые должны обеспечивать потребности производственного предприятия, например, в течение целого года. В этом случае вопросы «когда» и «какой должна быть величина заказа» превращаются в вопросы «когда» и «сколько поставлять».

В частности, в сфере управления запасами и ресурсами производственных предприятий всегда остро стоит вопрос оптимизации движения материальных потоков. Потребности предприятия любой отрасли в запасах определяется инфраструктурой логистики и заданным уровнем сервиса. Обычно задача состоит в том, чтобы обеспечить желаемый уровень сервиса при минимальном объеме запасов, с которым связаны минимальные общие издержки [27]. С точки зрения логистики, управление товарными запасами — это процесс балансирования между двумя взаимоисключающими тенденциями: сокращение общих затрат, направленных на хранение товарно-материальных ресурсов, и обеспечение наличия на складе материалов, необходимых для бесперебойного поступления в производство для дальнейшей поставки готового оборудования покупателям. При данном условии увеличение общего количества ТМЦ по качеству и количеству целесообразно до тех пор, пока экономический эффект от продажи готовой продукции превышает затраты на хранение дополнительных запасов - т.е. замораживание оборотных средств предприятия. «Избыточные запасы порой компенсируют отсутствие продуманного плана при формировании логистической инфраструктуры, а также недостатки в управлении» [27].'Однако такие избыточные запасы, используемые в качестве «гарантии» безотказности потребляющему звену, в конце концов, превышают максимально допустимые издержки логистики, также это чревато ростом объема замороженных оборотных средств, потерей гибкости системы управления и торможением развития качества обслуживания.

Любая стратегия логистики призвана удерживать величину финансовых активов, «связанных в запасах», на минимально возможном уровне. [27]. Основная цель управления запасами заключается в том, чтобы добиться скорейшей оборачиваемости запасов в процессе удовлетворения нужд потребляющего звена (производства, покупателя). Толковая политика управления запасами строится на избирательном подходе при управлении запасами и ресурсами производственного предприятия. Необходимость быстрой достав-

Список литературы диссертационного исследования кандидат наук Коричнева, Юлия Леонидовна, 2013 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1 Aslanyan L., ZhuravlevYu. Logic Separation Principle. — Computer Science & Information Technologies Conference, Yerevan, September 17-20, 2001, p. 151-156.

2 CorelMS http://www.coreims.ru/

3 Ferenc Gulyassy, Marc Hoppe, Martin Isermann, Oliver Kohler. Materials planning with SAP/ Galileo Press GmbH , 2009 - P.564

4 Fisher R. A. Use of multiple measurements in taxonomic problems. - Ann. Eugenics, 7, Part 2, 1936, p. 179-188.

5 FuK.S. Sequential Methods in Pattern Recognition and Machine Learning. Academic Press, New York, 1968.

6 Grady Booch 2004. The Unified Modeling Language Reference Manual, Second Edition. With James Rumbaugh and Ivar Jacobson. Addison-Wesley. ISBN 978-0-321-24562-5

7 intuit.ru - Национальный Открытый Университет «ИНТУИТ»

8 Kimball, Ralph; Margy Ross (2002). The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (2nd ed.). Wiley. ISBN 0-47120024-7, William H. Inmon Building the Data Warehouse, 4th Ed Wiley India Pvt. Limited, 2005 ISBN 8126506458, 9788126506453, p.544.

9 Landford, J. Logistics. Principles and Applications / J. Landford. USA: McGraw Hill Inc, 1995. - P. 390

10 microsoft.com - Официальный сайт компании Microsoft

11 MinskyM., PapertS. Perceptrons: An Introduction to Computational Geometry. — MIT Press, Cambridge, Mass., 1969.

12 NeymanJ., Pearson E. S. On the problem of the most efficient tests of statistical hypothesis. In: Phill. Trans. Royal. Soc. London, 231, 289-337 (1933).

13 NilssonN. J. Learning Machines. - McGraw-Hill, New York, 1965. Phill. Trans. Royal Soc. London, 231, 289-337 (1933).

14 Tim Bray, et al. Extensible Markup Language (XML) 1.0 (Third Edition). The World Wide Web Consortium. http://www.w3.org/TR/REC-xml

15 WaldA. Contributions to the theory of statistical estimation and testing of hypotheses. - Ann. Math. Stat., 10, 1939, p. 299-326.

16 wikipedia.0rg/wilci/.NET_Framew0rk

17 William H. Inmon Building the Data Warehouse, 4th Ed Wiley India Pvt. Limited, 2005 ISBN 8126506458, 9788126506453, p.544

18 Абдикеев H.M. Проектирование интеллектуальных систем в экономике. - Российская экономическая академия им. Г.В. Плеханова. 2003. -23 с.

19 Айвазян С. А. и др. Прикладная статистика: Классификация и снижение размерности. — М.: Финансы и статистика, 1989.

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика; Классификация и снижение размерности. // Справочное издание под ред. Айвазяна С.А. М.: Финансы и статистика, 1989.-607 с.

Айвазян С.А., Мхитарян B.C. Прикладная статистика. Основы эконометрики. Учебник для вузов: В 2 т. 2-е изд., испр. М.: «ЮНИТИ-ДАНА», 2001. С. 656 (1 том) и С. 432 (2 том).

АйзерманМ. А., БраверманнЭ. М., РозоноэрЛ. И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970, с. - 384.

Андерсен Т. Введение в многомерный статистический анализ. - М.: Физматгиз, 1963. - 500 с.

Андерсен Т. Статистический анализ временных рядов. - М.: Мир, 1976.-756с.

Барсегян A.A. , Куприянов М.В., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining.

Басовский Л.Е. Финансовый менеджмент: учебник / Л. Е. Басовский. -М.: ИНФРА-М, - 2003.

Бауэрсоскс Дональд Дж., Клосс Дэвид Дж. Логистика: Интегрированная цепь поставок. 2-е изд. / Пер. с англ. H.H. Барышниковой, Б.С. Пинскера. - М.: ЗАО «Олимп-Бизнес», 2008, - 640с.

Белецкий Н.Г. Модели комитетных алгоритмов распознавания образов // Мат. Методы планирования пром. производства. - Свердловск: УНЦ АН СССР, 1984.-С. 91-95.

Белецкий Н.Г. Разделяющие возможности комитетов с различными логиками. - Свердловск: УНЦ АН СССР, 1984. - 23с. Белов В.В. Коричнева Ю.Л. Классификация многомерных объектов. Перспективные проекты и технологии. Инженерный инновационный журнал. «Инновационно-Технологический Центр имени академика В.Ф. Уткина». - Рязань, 2006

Белов В.В., Коричнева Ю.Л. Классификация многомерных объектов. Инженерный инновационный журнал. Перспективные проекты и технологии. - Рязань, 2006, выпуск 1

Белов В.В., Коричнева Ю.Л. Многомерная ABC-классификация. Критерии качества и канонические алгоритмы. // БИЗНЕС-ИНФОРМАТИКА №1(19) Междисциплинарный научно-практический журнал НИУ ВШЭ. - М:НИУ ВШЭ«Роспечать», 2012, - 80с. Белов В.В., Коричнева Ю.Л. Оценка наилучшего значения свободного параметра модели методом группирования последовательных прогнозов // МНТК Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы конференции. - Рязань, РГРТА, 2005,-С. 13-14.

Берков М.В. Информационные технологии в логистике. - М.: Финансы и статистика, 1999.

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

БонгардМ. M. Проблема узнавания. - M.: Наука, 1967, -320с.

Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). - М.: Наука, 1974, - 415 с. Васильев C.B., Коричнева Ю.Л. Исследование специфики изменения во времени совокупного объема спроса на оптовом рынке электроэнергии с помощью кластерного анализа // МНТК Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы конференции. - Рязань, РГРТА, 2004, - С. 113-115. Гордон М.П., Карнаухов С.Б. Логистика товародвижения. - 2-е изд., перераб., доп. - М.: Центр экономики и маркетинга, 2001. - 200 с. Гэлловэй Л. Операционный менеджмент: Принципы и практика: Пер. с англ. — СПб.: Питер, 2001. — 319 е.: табл., граф. — (Сер.: Теория и практика менеджмента)

Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений. // Дискретный анализ: межвуз. сб. науч. тр. Вып. 7, - Новосибирск: ИМ СО АН СССР, 1966, - с. 3-11. Добронравии, Е. Организация системы управления запасами / Е. Добронравии- http://www. genobium.com. - 2006

Донской В.И. Алгоритмы обучения, основанные на построении решающих деревьев. // Журнал Вычислительной Математики и Математической Физики, 1982, 22(4), - с. 963-974.

Донской В.И., Башта А.И. Дискретные модели принятия решений при неполной информации. - Симферополь: Таврия, 1992, - с. 166. Дуда Р., ХартП., Распознавание образов и анализ сцен. — М.: Мир, 1976, с. 511.

Дыбская В.В., Зайцев Е.И., Сергеев В.И., Стерлигова А.Н. Логистика: Учебник (Полный курс MB А). - М.: ЭКСМО, 2008. - 39,3 п. л Дэниел К. Применение статистики в промышленном эксперименте. -М.: Мир 1979.-299 с.

ДюкВ., Самойленко A. Data Mining: учебный курс. - СПб.: Питер, 2001,-с. 368.

Дюкова Е. В. Алгоритмы распознавания типа «Кора»: сложность реализации и метрические свойства. // Распознавание, классификация, прогноз: математические методы и их применение, - М.: Наука, 1989. вып. 2,-с. 99-125.

Дюкова Е.В. Асимптотически оптимальные тестовые алгоритмы в задачах распознавания. Проблемы кибернетики. - М.: Наука, 1982, Вып. 39,-с. 165-199.

Емельянов C.B., Борисов В.И., Малевич A.A., Черкашин А.М / Модели и методы векторной оптимизации. // Техническая кибернетика. Итоги науки и техники. - М.: ВНИТИ, 1973, т. 5

Еремин И.И. Итеративный метод для чебышевских приближений несовместных систем линейных неравенств // ДАН СССР. - 1962. -Т.143, №6. - С.1253-1256.

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

Еремин И.И. О задачах выпуклого программирования с противоречивыми ограничениями // Кибернетика.-1971.-№4.-С. 124-129. Еремин И.И., Мазуров Вл.Д. Нестационарные процессы математического программирования.-М.: Наука, 1979.

Ермаков В.В., Коричнева Ю.Л. Альтернативные способы моделирования и прогнозирования социально-экономических процессов // Новые технологии в учебном процессе и производстве: Материалы межвузовской науч.-техн. конф. студентов, молодых ученых и специалистов. -Рязань: Рязанский ин-т МГОУ, 2004. - С. 114-116. Журавлев Ю.И. Избранные научные труды. - М.: Магистр, 1998, с. 420. Журавлев Ю. И. Корректные алгебры над множествами не корректных (эвристических) алгоритмов. I. - Кибернетика, 1977, №4, - с. 5-17, II. - Кибернетика, 1977, №6, III. - Кибернетика, 1978, №2, - с. 35-43. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. // Проблемы кибернетики. - М.: Наука, 1978, Вып. 33,-с. 5-68.

Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок. - Кибернетика, 1971, №3, - с. 1-11. Журавлев Ю.И., Рязанов В.В., Сенько О.В. «Распознавание». Математические методы. Программная система. Практические применения. -М.: ФАЗИС, 2006,- 176с.

Загоруйко Н.Г. Методы распознавания и их применение. - М.: Сов. радио, 1972, с. 206.

Загоруйко Н.Г. Прикладные методы ¡анализа данных и знаний. - Новосибирск: Изд-во Института математики, 1999.

Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. - Киев: Техшка, 1971, - с. 372.

Использование С#. Специальное издание.: Пер. с англ. - М.: Издательский дом «Вильяме», 2003. - 528 с.:ил. - Парал. тит. Англ Карнаухов С.Б. Логистические системы в экономике России. - Москва, 2002.-216 с.

Коричнева Ю.Л. . Классификация многомерных объектов, использующая золотое сечение в качестве критерия метрической близости / НИТ-2004. Новые информационные технологии в научных исследованиях и в образовании: тезисы докладов: - Рязань, РГРТА, 2004, - с. 12-14. Коричнева Ю.Л. Использование методов кластерного анализа для повышения качества краткосрочного прогнозирования. // Вестник РГРТА. - Рязань, 2006, вып. 19

Коричнева Ю.Л. Использование методов кластерного анализа для повышения качества управления ресурсами и запасами производственного предприятия // Стратегия управления: государство, бизнес, образование. Международная научно-практическая конференция: тезисы докладов. - Рязань, Полиграфия, 2010

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

Коричнева Ю.Л. Критерии качества ¡классификации многомерных объектов данных // Программное обеспечение вычислительных и информационных систем: тезисы докладов 52-й студенческой научно-технической конференции. Рязань, РГРТА, 2005.

Коричнева Ю.Л. Применение методов ранжирования критериев и интеграции результатов частных классификаций для анализа результатов производственно-экономической деятельности предприятия // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр., - г. Рязань, 2011г.

Коричнева Ю.Л. Процедура решения задачи кластерного анализа на основе двух критериев качества // НИТ-2005. Новые информационные технологии в научных исследованиях и в образовании: тезисы докладов. - Рязань, РГРТА, 2005, - с. 109-111.

Костоглодов Д.Д., Саввиди И.И., Стаханов В.Н. Маркетинг и логистика фирмы - М.: «Издательство ПРИОР», 2000.

Кремер Н.Ш. Теория вероятностей и математическая статистика. М.: ЮНИТИ, 2000

Лбов Г. С. Методы обработки разнотипных экспериментальных данных - Новосибирск: Наука, 1981, с. 160.

Линдере Майкл Р., Фирон Харольд Е. Управление снабжением и запасами. Логистика. Пер. с англ. - С-П.: Виктория плюс, 2002. - 758 с Лукинский B.C. и др. Логистика автомобильного транспорта. Концепция, методы, модели. - М.: Финансы и статистика, 2000 Мазуров Вл. Д. Комитеты систем неравенств и задача распознавания. -Кибернетика, 1971, №3,-с. 140-146.

Мазуров Вл. Д. ХачайМ. Ю. Комитеты систем линейных неравенств. -Автоматика и телемеханика, 2004, вып. 2, с. 43-54.

Маслов A.B. Проектирование информационных систем в экономике: учебное пособие / A.B. Маслов. - Томск: Изд-во Томского политехнического университета, 2008. - 216 е.,

Маслов A.B. Проектирование информационных систем в экономике: учебное пособие / A.B. Маслов. - Томск: Изд-во Томского политехнического университета, 2008. - 216 е.,

Матросов В. Л. Синтез оптимальных алгоритмов в алгебраических замыканиях моделей алгоритмов распознавания. // Распознавание, классификация, прогноз: математические методы и их применение, - М.: Наука, 1988, вып. 1,-с. 149-175.

Метод комитетов в распознавании образов. - Свердловск: ИММ УНЦ АН СССР, 1974,-с. 165.

Миротин Л.Б. и др. «Эффективность логистического управления» Учебник для вузов / Под общ. ред. д.т.н., проф. Л.Б. Миротина. - М.: Издательство «Экзамен», 2004. - 448 с. (Серия «Учебник для вуза») Миротин Л.Б., Некрасов А.Г., «Логистика интегрированных цепочек поставок»: Учебник / Л.Б. Миротин, А.Г. Некрасов. - М.: Издательство

«Экзамен», 2003. - 256 с

84 Миротин Л.Б., Ташбаев Ы.Э. Логистика для предпринимателя: основные понятия, положения и процедуры: Учебное пособие. - М.: ИНФРА-М, 2002. - 252 с.

85 Неруш Ю.М. Логистика: учеб. - 4-е изд., перераб. и доп. - M ТК Вел-би, Изд-во Проспект, 2010. - 520 с

86 Николайчук В.Е. Заготовительная и производственная логистика. -СПб: Питер, 2001.- 160 с.

87 Николайчук В.Е. Логистика в сфере распределения. - СПб: Питер, 2001.- 160 с

88 Николайчук В.Е. Логистика. - СПб: Питер, 2002. - 160 с.

89 Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям

90 Растригин Л.А., Эренштейн Р.Х. Принятие решений коллективом решающих правил в задачах распознавания образов. - АиТ, 1975, №9, -с. 133-144.

91 Рихтер Дж. Программирование на платформе Microsoft .NET Framework / Пер. с англ. - 2-е изд., испр. - М.: Издательско-торговый дом «Русская Редакция», 2003. - 512 стр. ил.

92 Родкина Т.А. Информационные системы и технологии в логистике. -М.:ГУУ, 2001.

93 Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). - М.: Мир, 1965, - с. 480.

94 Рудаков К. В. Об алгебраической теории универсальных и локальных ограничений для задач классификации. // Распознавание, классификация, прогноз: математические методы и их применение, - М.: Наука, 1988, Вып. 1, — с. 176-200.

95 Рязанов В.В. Комитетный синтез алгоритмов распознавания и классификации. // Журнал вычислительной математики и математической физики, 1981, 21(6), - с. 1533-1543.

96 Рязанов В. В. О построении оптимальных алгоритмов распознавания и таксономии (классификации) при решении прикладных задач. // Распознавание, классификация, прогноз: математические методы и их применение, - М.: Наука, 1988, Вып. 1, - с. 229-279.

97 Рязанов В.В. О синтезе классифицирующих алгоритмов на конечных множествах алгоритмов классификации (таксономии). // Журнал вычислительной математики и математической физики, - 1982, 22(2), -с. 429-440.

98 Саати Т.Л. Принятие решений. Метод анализа иерархий. - М.: Радио и связь, 1989.-316 с

99 Себастьян Г.С. Процессы принятия решений при распознавании образов. -М.: Техника, 1965.

100 Секерин В .Д. Логистика: Учебник. - М. : КноРус, 2011. - 240 с

101 СенькоО.В. Использование процедуры взвешенного голосования по системе базовых множеств в задачах прогнозирования. // Журнал вычислительной математики и математической физики, - 1995, 35(10), -с. 1552-1563.

102 Сергеев В.И. Менеджмент в бизнес-логистике. - М.: Издательский дом «Филинъ», 1997.

103 Справочник по прикладной статистике. В 2-х т., под ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина-М.: Финансы и статистика, 1989, 1990

104 Стерлигова А. «Управление запасами широкой номенклатуры. С чего начать?» // Журнал ЛогИнфо от 12.2003

105 Стерлигова А.Н. Управление запасами в цепях поставок: Учебник -М.: ИНФРА - М, 2008, - 430с

106 Таничев A.B. Логистика. - СПб: ОЛМА-ПРЕСС, 2003. - 192 с.

107 Теория статистики: Учебник / Под ред. P.A. Шмойловой. 2-е изд., доп. и перераб. - М.: Финансы и статистика, 1998. - 576 е.: ил.

108 Толстова Ю.Н. Измерение в социологии: Курс лекций. - М.: ИНФРА-М, 1998.-224 с

109 Тюрин Ю.Н., Макаров A.A. Анализ данных на компьютере / Под ред. В.Э. Фигурнова. - 3-е изд., перераб. и доп. - М.: ИНФРА-М, 2003. -544 е., ил.

110 Уоссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992.

111 Файлы данных статотчетности от Госкомстата

112 Фишер А. Методы выделения групр в ABC-XYZ анализе // Журнал «Логистика и Управление цепями поставок», - №1-2008

113 Фукунага К. Введение в статистическую теорию распознавания образов. - М.: Наука, 1979, - с. 367.

114 Цыганов В.В., Адаптивные механизмы в отраслевом управлении. -Наука, М., 1991,- 166 с.

115 Чейз Р.Б., Эквилайн Н.Дж., Якобе Р.Ф. Производственный и операционный менеджмент // 8-издание: Пер. с англ. - М.: Издатский дом «Вильяме», 2004 - 704с

116 Шураков В.В., Дайнтбегов Д.М., Мизрохи C.B., Ясеновский C.B. Автоматизированное рабочее место для статистической обработки данных. - М.: Финансы и статистика, 1990. - 190 с

117 Щавелев Л. В. Способы аналитической обработки данных для поддержки принятия решений // Системы управления базами данных, -1998. №4-5

118 Эддоус М., Стенсфилд Р. Методы принятия решения / Пер. с англ. под ред. член-корр. РАН И.И. Елисеевой. - М.: Аудит, ЮНИТИ, 1997. -590 с

119 Юдицкий С.А., Кутанов А.Т. Технология проектирования архитектуры информационно-управляющих систем. - М.: ИПУ, 1993. - 231 с.