Дипломная работа: Оценка пропускной способности склада Гамма ОАО Алерс РУС

Таблица 7 Суммарное количество продукции на стеллажах октябрь-ноябрь (в )

Количество паллет в операционной зоне демонстрирует физический процесс обработки заказа, так как именно здесь возникает узкое место всего операционного процесса. Именно в эту зону стекаются все заказы и паллеты, и именно эту зону старается «вытягивать» зона отгрузки. И все выше описанные ресурсы так или иначе обсуживают ее деятельность. Зона сборки заказа ограничена площадью в 2590 метров квадратных. Данный фактор производства будет учтен в модели как суммарный поток паллет через операционную зону в день. В анализе не будет учитываться измерение общей занимаемой площади в день, потому что каждый заказ индивидуален и динамичен с точки зрения исполнения. Например, если на паллете 200 утюгов и каждую коробку необходимо простикеровать рекламным стикер, то необходима будет дополнительная площадь, помимо площади самой паллеты, для обхода вокруг нее работника и снятия верхних рядов на пол. (В итоге данный фактор представлен суммарным потоком кубометров заказов через операционную зону в i-ый день в Таблице №8).

Таблица 8 Суммарное количество продукции в операционной зоне за октябрь-ноябрь (в )

Так как данная модель является результато - ориентированной, то необходимо выделить один результирующий показатель, который описывает производственный процесс использования всех факторов производства. Для математической модели это будет объём исполненных заказов в метрах кубических в i-ый день. (Данные представлены в Таблице №9).

Таблица 9 Суммарное количество исполненных заказов за октябрь-ноябрь (в )

В итоге, нами были выбраны следующие показатели для проведения анализа производственной функции:

· Outputs, общие объемы реализованных заказов в день, измеренные в метрах кубических;

· Labor, общее количество трудо-часов затраченные в день, измеренные в часах;

· Machines, общее количество машиночасов, затраченные всей работающей техникой за один день, измеренные в часах;

· Warehouse, общее количество запасов продукции на стеллажах, измеренные в метрах кубических;

· Operation zone, общее количество продукции, поступившее в операционную зону за день, измеренные в метрах кубических;

· Orders, общее количество поступивших на обработку заказов в день, измеренные в метрах кубических.

В качестве зависимой переменной было выбрано количество исполненных заказов. Объясняющими переменными являются затраты на человеческие ресурсы, затраты на использование складской техники, объемы размещеные на стеллажах, количество прошедшей через склад продукции через склад и объемы поступивших закзов. Чем выше размер вводных ресурсов, которые может себе позволить компания, тем выше ее уровень обработаных заказов и следовательно большее количество клиентов может быть привлечено.

Для расчетов была использована логарифмичсеская форма производственной функции. С учетом выделенных выше факторов производства она выглядит следующим образом:

(12)

Для проведения расчета эффективности в данном исследовании использовалась команда FRONTIER в пакете Stata/SE 10.0, в которой реализуется методология Battese и Coelli (1988). Анализ проводился в предположении, что распределено iid N (0, у2u). Для производтсвенной функции значения оценок эффективности будут больше 1. Рабочему дню, действующего эффективно, будет соответствовать 1. Однако для упрощения анализа результатов была применена нормировка оценок технической эффективности SCORE, для того, чтобы оценки эффективности находились в интервале от 0 до 1, тогда эффективный день бедет равен единице.

3.3 Результаты исследования

Анализ эффективности был проведен с помощью двух моделей. Первая модель - это оценка производтсвенной грнациы с помощью метода наименьших квадратов (COLS) впервые сформулированная Винстеном (1957). А второй метод СMAD. Обе модели являются регрессиоными. Основная разница между OLS и MAD регрессией - это то что MAD регрессия проходит через медианные значения выборки, в то время как OLS регрессия проходит через исходные значения вводных данных. Ниже будут представленны результаты, полученые с помощью пограмного обепечения Stata/SE 10.0, для обеих моделей.

Модель 1. COLS

Ниже представленны основные расчеты по оценке модели COLS:

Рис. 3. COLS модель

Как было сказано ранее, в модели наименьших квадратов коэффициенты Labor, Machines, Warehouse, OperZone и Orders являются влияющими на производственную границу, в то время как константа не может влиять на показатели.

Продолжение оценки по модели COLS предствалено добавлением измерения эффективности каждого отдельно взятого дня. Ниже представлена общая статистика по эффективности. И сводная гистограмма с плотностью распределения оценок.

Рис. 4. Эффективность по модели COLS

Средняя эффективность составила 0.92. Стандартное отклонение составило 0.05 при этом эффективность варьируется от 0.79 до 1.

Рис. 5. Гистограмма эффективности по модели OLS

Из гистограммы следует, что наиболее часто оценка эффективности объектов анализа принимала значение 0.87; 0.97 и 1.

2 модель. CMAD

Ниже представленны основные расчеты по оценке модели CMAD:

Рис. 7. CMAD модель

Рис. 8. Эффективность по моделям COLS и CMAD

Так как первая модель является детермированной, а вторая стохастической, то основные выводы и рекомендации будут описаны по модели CMAD. Построенная регрессионная модель вида MAD. Согласно F-критерию является значимой при уровне значимости 0,05. Кроме того, значение скорректированного R-квадрат говорит о высоком качестве модели, поскольку вариация выбранных факторов на 74% объясняет вариацию зависимой переменной Output. Однако, значимость коэффициентов регрессии не подтвердилась, только коэффициенты у Warehouse и Orders значимы.

(Ниже в Таблице №10 представлены результаты оценки эффективности каждого отдельного дня по модели CMAD).

Таблица 10 Эффективность отдельных дней по модели CMAD