生产管理charpt生产计划与需求

《生产管理charpt生产计划与需求》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第五讲：需求预测与综合计划一、需求预测二、综合计划例：上海交通大学在闽行建新校址的依据是什么？一个啤酒厂打算新增一条生产线，其依据又是什么？明天超市打算减少上班工作人员数量，其依据又是什么？1、问题的提出一、需求预测2、预测种类长期预测中期预测短期预测(1)、按预测时间(2)、按主客观因素定性预测定量预测(3)、按预测类型经济预测技术预测需求预测关注3、需求预测的意义预测是为下一步计划做准备预测是制定营销、生产和库存、采购、人力资源等计划的基础。预测对生产运作产生影响，所以，它是生产运作管理的一个组成部分。4、

2、需求预测的主要步骤确定预测目标；确定影响产品需求的因素及其重要性；收集资料；选择预测方法与模型；计算、预测；对预测结果进行综合分析，得出结论；将预测结果应用于生产计划工作中；根据实际情况，对预测结果进行监控。5、需求预测的衡量标准稳定性响应性反应稳定需求的能力反应需求变化的能力6、需求预测方法需要说明的是，为使预测更符合实际，经验、判断和数学模型都起一定的作用，但没有哪一种方法一直都能奏效。7、定量预测方法用数学模型表示需求与各种变量之间的关系。前提：变量与需求的关系今后仍然保持不变。常用的有：时间序列：用过去的

3、需求和时间的关系来预测未来的需求。因果模型：用过去的资料揭示变量和需求的关系，进而预测未来的需求。(1)、时间序列模型时间序列（TimeSeries）：按一定的时间间隔和事件发生的先后顺序将所收集的数据排列起来所得到的序列。时间序列的构成：趋势成分：随时间的推移而表现出的一种倾向（上升、下降、平稳）。季节成分：特定周期时间里有规则的波动。如：每天有二次交通高峰；每周周末，影院的客流量较大；某些产品的季节性需求变化等。周期成分：较长时间里（一般为数十年）有规则的波动。随机成分：没有规则的上下波动。随机成分周期成分季

4、节成分趋势成分显现结果数量时间时间序列模型(Forecastingbasedontimeseriesdata)：时间序列平滑模型：通过多个数据的平均来消除和减少随机成分(干扰)。常用的有简单移动平均、加权移动平均、一次指数平滑。时间序列分解模型。1)、简单移动平均(SimpleMovingAverage)SMAt+1=(Xt+Xt-1+…+Xt-N+1)/N预测值=(前N次实测值的平均值)对于简单滑动平均预测方法，关键是选择移动时间区间的大小，即N的大小。结果：N越大、预测值越平滑，对干扰的灵敏性越低，预测值的响

5、应性也就越小。N的大小的选择与预测者要求的适应性有关。如果管理者追求稳定性，N的值应该选择大一些，如果管理者的目标是体现响应性，则应选择小一点的N。2)、加权移动平均(WeightedMovingAverage)WMAt+1=(tXt+t-1Xt-1+…+t-N+1Xt-N+1)/N预测值=(前N次实测值的加权平均值)t、t-1、…、t-N+1称为加权因子，且（t+t-1+…+t-N+1）/N=1为了强调最近数据的影响，突出其作用，取3=1.5、2=1、1=0.5，得到加权移动平均结果结果

6、：预测值的响应性较好，其结果与和N的取值有关。3)、一次指数平滑(SingleExponentialSmoothing)SAt=SAt-1+(Xt-1-SAt-1)或者，SAt=Xt-1+(1-)SAt-1预测值=(上次实测值)+(1-)上次预测值称为平滑常数，（01）ABCDEE=B+D预测的关键是选择的大小。结果：一次指数平滑预测值依赖于平滑常数的选择，一般来言，越大，预测值的响应性越大，选得小些，则稳定性较大。如果管理者追求稳定性，的值应该选择小一些，如果管理者的目标是体现响应

7、性，则应选择大一点的。4)、时间序列分解模型(TimeSeriesDecomposition)对各成分进行单独预测，再按一定的组合规则综合处理，得出最终的预测结果。乘法模型TF=TSCI加法模型TF=T+S+C+I主要讨论线性季节模型线性变化趋势与季节性变化趋势共同作用的结果。预测值=趋势预测值×季节系数求趋势直线方程：y=a+bty为趋势预测值，t为季节序号，a、b为常数。可用作图法或最小二乘法求出a、b。季节季节序号t销售量At夏111800秋210404冬38925春410600夏512285秋6110

8、09冬79213春811286夏913350秋1011270冬1110266春1212138例：旅游点快餐销售T(t)=10000+167t计算季节系数：各周期内相应实际值与趋势值的比值的平均值。SI(夏)=(1.16+1.13+1.16)/3=1.15SI(秋)=1.00SI(冬)=0.85SI(春)=1.00A1/T1=11800/10167=1.16计算预测值：