В современном мире моделирование применяется повсеместно, и если раньше это было чем–то новым и необычным, то сейчас является необходимым условием для успешного развития любого проекта. Это объясняется тем, что сложность и размеры проектов, а, соответственно, и сложность процессов происходящих в них, растут с огромной скоростью и предусмотреть все возможные пути развития становится достаточно проблематично. Создание модели и моделирование процессов в ней позволяет посмотреть на еще не созданный проект и оценить его достоинства и недостатки до воплощения его в реальность. Однако само понятие моделирования не является ноу–хау и изучается достаточно давно и, хотя модели применялись и в глубокой древности, в том или ином виде, но процесс создания единой терминологии и методологии в моделировании начался лишь в ХХ веке. К современным ученым, развивающим данное направление науки, можно следует отнести Самарского А. А., Михайлова А. П., Нефёдова С. А., Турчина П. В., Лодатко Е. А. и др. Логистика, как наука, начала стремительно развиваться относительно недавно. Такое бурное развитие обусловлено, в первую очередь, показанной на практике эффективностью применения логистики в производстве. Как известно, в реальных условиях, применение одного метода или одной науки, зачастую уступает по эффективности применению нескольких методов, использованных в связке друг с другом. На этом фоне интеграция моделирования в логистику выглядит закономерно, так как значительно расширяет возможности использования логистики и позволяет добиваться бoльших результатов за меньшее время.
Закупочная логистика является одной из основных логистических подсистем и изучает процесс движения сырья, материалов, комплектующих и запасных частей с рынка закупок до складов предприятия. Закупочная логистика включает в себя несколько различных этапов, однако наиболее характерными и важными являются прогнозирование и планирование закупок [1]. На текущем этапе развития данной науки было разработано достаточно большое количество самых разнообразных моделей прогнозирования, рассмотрим основные из них.
Большинство методов прогнозирования не дают возможности работать с качественными показателями, в то время как теория нечеткой логики предоставляет удобный инструментарий для подачи экспертно установленных правил развития рынка в математической форме, обеспечивает автоматическое налаживание параметров модели с учетом количественных и качественных показателей [2]. В целом весь процесс нечеткого управления можно разбить на 3 шага:
Mетоды нечеткой логики позволяют осуществить моделирование любых социально–экономических систем, и даже таких, для которых отсутствует сколько–нибудь полноценная статистика, или в случае, когда в числе информативных факторов есть лишь качественные показатели. Кроме того, моделям, построенным на нечеткой логике, свойственна возможность адаптации к меняющимся условиям экономики, что особенно важно для молодых рынков, которые активно развиваются. Основными недостатками нечеткой логики являются:
Регрессионный анализ применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании. Самым простым вариантом регрессионной модели является линейная регрессия. Этот вариант чаще всего используется на практике в силу своей простоты.
Генетический алгоритм (genetic algorithm, GA) часто применяется для решения задач оптимизации, а также поисковых задач. Однако некоторые модификации GA позволяют решать задачи прогнозирования. Основными достоинствами ГА являются:
Недостатками ГА являются:
Нейронные сети – исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Основными достоинствами нейронных сетей являются:
Основной недостаток нейронных сетей состоит в том, что разработчику, недоступно то, что происходит внутри сети. Он формирует входы, после этого рассчитывает выходы и просто сопоставляет одно с другим. Нет возможности детально и пошагово проследить то, как полученные на выходе значения были рассчитаны. Этот режим выполнения вычислений в «черном ящике» чрезвычайно усложняет процесс интерпретации результатов и модификации сети ? неясно, что в ней нужно изменить, чтобы стало точнее [3].
Перечисленные методы используются преимущественно при компьютерном моделировании и позволяют добиваться значительных показателей эффективности, однако требуют дополнительных затрат на внедрение и адаптацию под специфику отдельно взятого производства. В связи с этим, прежде чем их внедрять, следует взвесить все плюсы и минусы, и подбирать наиболее оптимальный вариант, исходя из особенностей функционирования предприятия.