Введение

Развитие фармацевтической области и постепенноевведение новых технологий в логистикеи складированиииграют большую роль в фармацевтическом бизнесе.Огромный ассортимент лекарственныхсредств обусловливаетпотребность в разработке методологии управления товарными запасами, поскольку для своевременного лекарственного обеспечения необходимзапас лекарств [Мельникова О.А., 2018]. Результатом, которыйинтересует любую аптечнуюорганизациювсегда является, то количество лекарственных препаратов, которые будут лежать запасе на складе и обеспечивать требуемый уровеньлекарственного обеспечения. Важной задачейв этом случае является обеспечение непрерывности процессов логистической доставки,хранения и отпуска лекарственных препаратов.Товарный поток обладает некоторыми факторами. Это дискретность, поскольку товар поступает в определенные моменты времени, существование определённойквотируемости продукции,зависимость поставки товара от спроса, объема поставок, длительности между интервалами, зависимость товаров от колебания спроса. Понимая все выше обозначенные факторы,множествонаучных работ посвящается созданию определенных теорий управления запасами [Иванько Р.С., 2005].

Однако актуальным всё же остаётся вопрос прогнозирования спроса, когда стандартные способы моделирования не подходят. К таким ситуациямиотносятсяситуации спроса натовар с наличиеминтервалов,в которыхзначение спросаможетбыть равно нулю,а также невозможностьпостроить модель ивыделить тренд прогноза [Sani B., 1995]. Естественно, что если модель можно было бы построить  и формально описать,  то  проведение  экстраполяции  и поиск её математического выражения в  конечном итоге  и  привело бы  к  прогнозу.  Однако на практике  наиболее распространенны  модели с прерывистым спросом, в результате чего  всё равно существуют определенные логические трудности при применения  классических методов. Метод Кростона является одним из  наиболее часто применяемых   методов прогнозирования [Croston J. D.1972, Croston J. D. 1996, Willemain T.R., Smart C.N., Shocker J. H. and De Sautels P.A. 1994]. Однако и у него кроме налагаемых ограничений имеются  и недостатки, прежде всего это точечный прогноз, который делает невозможным вычисление доверительных интервалов и доверительной вероятности.  В связи с этим  возникает необходимость поиска модификации метода Кростона [Johnston F. R, Boylan J. E. and Shale E. A.2003,  Syntetos,A.A., Boylan,J.E.2010].  В этой статье мы рассмотрим применение  модификации метода Кростона (Syntetos и  Boylan Approximation) применительно к спросу   в  запасных  частях для  медицинской техники [Syntetos A. A,  Boylan J. E.and Croston J. D.2005].       

Рассмотрим суть приближения, выдвигаемуюавторамиSyntetos, Boylan.  Данная  модификация  используется для моделей с неустойчивым  прогнозированием,  в  его  основе   лежит  формула:

Где μ-среднее значение в запасныхдеталях

р- значение между случаями заменыдеталей

при α равное 1 формулаприобретётвид:

Тогда пренебрегая показателем (р-1)/p авторы [i] предложили  формулу

Ожидаемо, что эта новаяформула будет работать лучше, так как (p-1) / p становится ближе к единице, то есть как вероятность 1/p замены запаснойчастивданный период становится меньше,чтоприводиткболее правильнымрезультатам [Johnston F. R. and Boylan J. E. 2010. Shale, E.A.,Boylan,J.E.,Johnston,F.R. 2006].

Параметр сглаживания   зависит  от предшествующих наблюдений.  При значении параметра  равном единице  учитываются только величины последних наблюдений, в то же  время  нулевое значение параметра сглаживания  свидетельствует о учете в прогнозе всех  периодов [Teunter,R.H.,Syntetos,A.A.,Babai,M.Z.,2011, Rao A.V.,1973]. В сданных расчётах  мы  учитывали параметр сглаживания равный 0.4. 

Основная часть

Рассмотрим  результаты  аукционов по ремонту медицинской  техники, а именно  данные о  замене прокладки парогенератора (Стерилизатор паровой «ГК-100-3»). Полученные с сайта  [http://www.zakupki.gov.ru/epz/main/public/home.html].[ii].

Рисунок 1. Данные о замене прокладки парогенератора

(Стерилизатор паровой «ГК-100-3»)

Figure 1. Information on the replacement of the steam generator gasket (Steam sterilizer "GK-100-3")

Первичные данные из Рисунка 1 переведём  в формат Excel и  построим таблицу.

Рисунок 2. Фрагмент данных для расчёта методом Кростона в приближении Syntetos и  Boylan и  методика  расчёта

Figure 2. A fragment of data for calculation with the Croston method in Syntetos and Boylan approximation and the method of calculation

На  основании данных представленных  на  рисунке 3 был построен прогнозный  тренд в запасных  частях  для прокладки парогенератора.

Рисунок  3. Прогнозирование спроса по  методу Кростона в приближении Syntetos и  Boylan

Figure 3. Demand forecast by the Krostona method in Syntetos and Boylan Approximation

Видно, что в прогнозе запасных частей существуют определённые «окна». Структурирование данных  из  рисунка 6,  а  также  расчёт  дополнительных  данных   для  датчика  кислорода  и прокладок парогенератора представлены в таблице 3.

Таблица 3 

Суммарная таблица прогнозирования спроса в запасных частях на медицинскую технику по методу Кростона в приближении Syntetos и  Boylan Approximation   и обычным методом Кростона

Table 3

The total table of the forecast demand for spare parts for medical equipment with the Krostona method in Syntetos and Boylan approximation and the usual Krostona method

Заключение

Таким образом, видно, что применение метода Кростона в приближении Syntetos и  Boylan Approximation даёт лучшие результаты.

В работе представлена методика прогнозирования на основе метода Кростона в модификации Синтетос, Бойлана. Данная методика позволяет спрогнозировать потребность в запасных частях  для медицинского оборудования. На  взгляд авторов она  является  более точной и способна давать лучшие результаты,  чем  оригинальный  метод.