Методы и подходы к прогнозированию в мясной промышленности

Мясная отрасль пищевой промышленности занимает важное место среди приоритетов государственной экономической политики, что обусловлено ее определяющей ролью в поддержании продовольственной безопасности и социальной стабильности.

Эффективная деятельность предприятий мясной промышленности в современных условиях в значительной степени зависит от получения своевременной актуальной управленческой информации и прогнозирования своего развития на краткосрочный, среднесрочный и долгосрочный период. Для получения прогноза, может быть использовано множество методов и подходов к прогнозированию, каждый из которых имеет свои преимущества.

Методы прогнозирования

Все методы прогнозирования могут быть разделены на три класса:

• 1.    Фактографические методы – основаны на фактических данных об объекте прогнозирования, которые получены, измерены и обработаны. Чаще всего применяются при поисковом прогнозировании для эволюционных процессов;

• 2.    Экспертные методы – базируются на интуиции, опыте и знаниях экспертных специалистов об объекте прогнозирования. Экспертные методы в большей мере соответствуют нормативному прогнозированию скачкообразных процессов;

• 3.    Комбинированные – методы со смешанной информационной основой, в которых в качестве первичной информации наряду с фактографической используется экспертная.

Выбор конкретного метода является одной из наиболее важных задач прогнозирования.

Специфика предприятий мясной отрасли связана с неоднородностью и нестационарностью материальных потоков структурно сложного биосырья животного происхождения. Обобщенный подход для построения математических моделей производственных и технологических процессов и операций мясоперерабатывающих предприятий предложен Бородиным А.В. [1]. В таблице 1 дано краткое представление по каждой группе методов прогнозирования.

Использование обучающих, тренажерных систем, позволяющих имитировать различные варианты переработки биосырья, различные режимы технологических и производственных процессов, путем машинного эксперимента воссоздавать различные производственные ситуации, требующие принятия соответствующих управленческих решений с последующим анализом полученных результатов. Ввиду сложности и многообразия процессов и операций перерабатывающего производства трансформация накопленной информации в систему упорядоченных знаний осуществляется с использованием широкого спектра математических моделей и методов. Первый класс моделей связан с обработкой статистической информации по поступающим на перерабатывающее предприятие потоком сырья. Долговременная информация по поставкам сырья, позволяет установить вероятностные характеристики их весовых параметров и выявить периодичность их поступления.

На основании этих данных строятся адаптивные модели прогноза поставок. С использованием методов многофакторного дисперсионного анализа устанавливаются наиболее значимые факторы, влияющие на количественные и качественные показатели мясного сырья. Для различных сочетаний этих факторов методами корреляционного и регрессионного анализа строятся стохастические зависимости показателей качества от возраста с/х животных. Таким образом, формируется обобщенная модель качества мясного сырья, позволяющая осуществлять прогноз сырьевых потоков, сглаживая в некоторой степени существенную неопределенность на входе перерабатывающего предприятия. Второй класс моделей используется при решении задач распределения сырья, управления запасами и организации сбыта готовой продукции и позволяет описывать материальные потоки перерабатывающего предприятия АПК. Наиболее эффективным методом решения такого рода задач является метод стохастического имитационного моделирования. В результате анализа случайных параметров, характеризующих функционирование этих производственных участков, устанавливаются законы их распределения и для них разрабатывается набор генераторов псевдослучайных чисел (ГСЧ). При построении имитационных моделей управления запасами и экспедиции перерабатывающего производства (система массового обслуживания) ГСЧ служат источником получения необходимой статистической информации.

Таблица 1.

Классификация моделей и методов, используемых в мясной промышленности

Classification of models and methods used in meat industry

Table 1.

Задачи | Tasks	Модели | Models	Методы решения | Methods of solution
Разработка архитектуры технических средств Design of architecture of technical means	Структурно-параметрическая модель Structural-parametric model	Теория графов Graph theory
Прогноз поставок Prediction of supply	Стохастическая зависимость Stochastic dependency	Методы регрессионного анализа Methods of regression analysis
Оценка качества сырья Assessment of raw material quality	Уравнения регрессии Regression equation	Методы дисперсионного и регрессионного анализа Methods of variance and regression analysis
Замена оборудования Change of equipment	Целочисленное программирование, Сетевые методы планирования, Динамическое программирование Integer programming, Network methods of planning, Dynamic programming	Симплекс метод, метод потенциалов Simplex method, method of potentials
Управление запасами сырья и готовой продукции Management of raw material and finished product supply	Модель динамического программирования, имитационного моделирования Model of dynamic programming, simulation modeling	Динамическое программирование, Имитационное моделирование Dynamic programming, simulation modeling
Задачи логистики Tasks of logistics	Модель массового обслуживания, Транспортная задача Queueing model, transport task	Имитационное моделирование, Метод статистического моделирования (метод Монте–Карло) Simulation modeling, Method of statistical modeling (Monte–Carlo Method)
Моделирование процессов механической обработки Modeling of processes of mechanical treatment	Эмпирические зависимости Empirical dependencies	Обработка результатов активного и пассивного эксперимента Processing of the results of the active and passive experiments
Моделирование процессов тепловой обработки Modeling of processes of thermal treatment	Уравнения математической физики Equations of mathematical physics	Численные методы решения дифференциальных уравнений в частных производных Numerical Methods for the Solution of Partial Differential Equations
Ассортиментно-рецептурная  опти мизация Assortment and recipe optimization	Модель линейного и нелинейного программирования Models of linear and nonlinear programming	Симплекс метод, метод потенциалов Simplex method, method of potentials

Третий класс моделей связан с описанием технологических процессов переработки биосырья, подчиняющихся законам механики сплошных сред. К таким моделям относятся уравнения теплопроводности и тепломассопе-реноса, гидродинамики. Основные проблемы при использовании этого класса моделей, связаны с их численной реализацией. Нелинейный характер изменения параметров этих моделей в зависимости от температуры и нелинейность граничных условий позволяют получить аналитическое решение только в результате существенного упрощения модели. От этого недостатка избавлены численные методы решения, нашедшие широкое распространение в связи с развитием вычислительной техники и информационных технологий. Реализация этого класса моделей позволяет получить пространственно-временное распределение поля температур по всему объему подверженного тепловой обработке изделия, которое, в свою очередь, определяет изменение микробиологических, физико-химических, реологических и механических характеристик сложных, многокомпонентных продуктов.

Реологические методы позволяют установить аналитические зависимости между качеством продукции и его структурно-механическими характеристиками. Полученная объективная физическая величина может быть использована для управления технологическим процессом и качеством продукта. Наиболее подходящими для решения этой проблемы являются методы, которые основаны на принципах ротационной вискозиметрии. Они позволяют установить зависимость между структурно-механическими характеристиками, определяемыми методами ротационной вискозиметрии и структурным состоянием продукта, отражающим его потребительские свойства и [12].

Основная роль в использовании реологических методов в мясной промышленности принадлежит А.В. Горбатову. Им разработаны пути и методы совершенствования аппаратов и процессов, а также технологических приемов обработки продукции животного происхождения за счет использования методов инженерной реологии. А.В. Горбатовым создана научная школа по реализации и дальнейшей разработке методов реологии с целью оптимизации производства на базе создания новой техники и технологии.

В реологии как науке о течении и деформации реальных тел широко используются следующие    методы    прогнозирования:

дифференциальный, интегральный, аналогий и моделей, анализа размерностей, экспериментальный . При этом обычно основываются на гипотезах, рассматривающих материал, с макроскопической точки зрения, в качестве сплошной деформируемой среды, мерами подвижности частиц которой является амплитуда и скорость смещения с непрерывным распределением основных физических свойств и деформаций. Такой подход позволяет не рассматривать сложные молекулярные движения в телах и использовать для описания процессов аппарат математического анализа, применяемого к непрерывным функциям. Каждый из перечисленных методов, за исключением экспериментального, можно осуществлять теоретикофеноменологическими и экспериментальными способами. В рамках одного исследования возможны комбинации (сочетания) методов.

Дифференциальным методом пользуются при изучении бесконечно малых величин в феноменологических исследованиях при составлении дифференциальных уравнений; в экспериментальных работах часто изучают изменение параметров отдельных элементов тела в каком-либо процессе. Таким образом, дифференциальный метод позволяет определить в теоретических и экспериментальных исследованиях состояние величин переменных во времени и пространстве. Интегральный метод дает возможность определить суммарный эффект изменения параметров в системе под действием тех или иных факторов и служит для изучения конечных величин.

В реологии широко распространен метод механических моделей . Например, для получения наглядной картины поведения материала под действием напряжений каждое его свойство (пластичность, упругость и др.) заменяют механическим элементом (парой трения скольжения, пружиной и т. д.). В реологии также используется математическое, геометрическое, физическое и другое моделирование.

Метод анализа размерностей применяют для составления критериальных уравнений при обработке экспериментальных данных. При разработке методики эксперимента, определив независимые и зависимые переменные и функциональную зависимость между критериями, можно установить необходимые пределы изменения последних.

Экспериментальный метод обязателен при полных исследованиях для получения всех расчетных зависимостей и формул. Только в результате эксперимента можно определить границы приложения интегрального и дифференциального уравнения, найти для теоретических и экспериментальных уравнений коэффициенты, характеризующие специфичность исследуемого объекта [11].

Математические модели материальных потоков и технологических операций позволяют с помощью прикладных и стандартных программ имитировать (воспроизвести) текущие производственные ситуации, неподдающиеся прямым аналитическим и экспериментальным исследованиям [13].

Математическое и имитационное моделирование технологических процессов с применением информационных технологий становится для технолога одним из основных методологических средств обеспечения гибкого автоматизированного производства с оптимизацией его на каждом этапе по установленным критериям и ограничениям [14–18].

Ю. А. Ивашкиным и др. [2] предложена математическая модель структурной оптимизации колбасного производства с возможностью дополнения ограничений на отдельные вспомогательные компоненты рецептуры, стабилизирующие выход, состав и качество продукта.

И. И. Протопоповым [19] разработана модель оптимизации технологий переработки биосырья на функциональном уровне с использованием биокибернетического анализа основных подсистем и стадий жизненного цикла биотехнологического комплекса, с применением систем компьютерной диагностики и прогнозирования для поиска оптимальных решений неформализуемых задач управления технологиями по критерию качества.

О. Н. Красуля [20] предложила модель математического программирования с нечёткими ограничениями потребительских свойств продуктов и целевыми функциями, оптимизация которых достигается на основе введения добавок направленного действия с обоснованием принципов математического моделирования технологий мяса и мясных продуктов при нечётком характере их описаний для оценки перспективности технологических и технических решений в мясной промышленности.

Метод «Теория массового обслуживания». Решение оперативных и долгосрочных задач можно реализовать с помощью мультиагентного имитационного моделирования [8–10] логистической системы перерабатывающего предприятия

Вестник ВГУИТ/Proceedings of VSUET, № 4, в ее декомпозиции на основные сферы снабжения, производства и сбыта с определенными свойствами, индивидуальным поведением и состоянием, а также особенностями реакций на внешние воздействия и связи в конкретных ситуациях поступления сырья и управления запасами, планирования переработки и реализации продукции в зависимости от динамики внешних поставок и заказов торгующих организаций.

Авторами [7] предложена агентная структура модели логистического предприятия. Логистическая система мясоперерабатывающего предприятия объединяет множество технологических процессов, материальных потоков и транспортных операций и разделяется на ряд функциональных подсистем, осуществляющих в своих сферах управления закупочной, производственной, маркетинговой деятельностью, и представляется в виде совокупности взаимосвязанных агентов, описывающих процессы производственной логистики, логистики снабжения и логистики сбыта.

Особое место среди методов прогнозирования в мясной промышленности занимают комбинированные методы , которые предполагают одновременное использование различных методов прогнозирования. Использование комбинированных методов особенно актуально для сложных систем, когда при разработке прогноза могут быть использованы различные сочетания методов прогнозирования [3].

Среди комбинированных методов наиболее известен метод «Форсайт». Методология Форсайта включает в себя пять основных этапов: формулирование проблемы (описание интересующего направления); анализ текущей ситуации; изучение существующих условий, влияющих на исследуемую область; определение тенденций по изучаемой проблеме и разработка возможных сценариев развития с вероятными последствиями; выработка рекомендаций (предложений) по каждому сценарию при участии всех заинтересованных сторон [5]. Набор методов и подходов, используемых в Форсайт-проектах, постоянно увеличивается и включает в настоящий момент десятки методов – как количественных (моделирование, анализ взаимного влияния, метод обратного прогнозирования), так и качественных (интервью, «деревья соответствий», сценарии, обзоры литературы, ролевые игры и др.). Классификация инструментов и методов Форсайта представлена в таблице 2 [6].

Как видно из таблицы 2, основой любого инструмента Форсайта является взаимодействие всех стейкхолдеров1 посредством формирования экспертных групп, проведения семинаров, конференций, круглых столов. Для эффективного прогнозирования необходима творческая среда, компетентность организаторов и участников, а также непрерывное информирование всех заинтересованных лиц.

Таблица 2.

Матрица инструментов метода Форсайт

Table 2.

Инфор-мирова-ние/твор-чество   / компетентность Information   / Creativity / Expertise	Сбор данных Understanding	Синтез и моделирование Synthesis & Models	Анализ и выбор Analysis & Selection	Трансформация Transformation	Действия Actions
	Сканирование Scanning	Игровое моделирование Gaming	SWOT анализ SWOT analysis	Обратное прогнозирование Back casting	Список приоритетов Priority Lists
	Библиометрический анализ Bibliometrics	Сценарное планирование Scenario planning	Многокритериальный анализ Multi Criteria analysis	Дорожные карты Road Mapping	Критические / Ключевые технологии Critical / Key technologies
	Обзор литературы Literature review	Шаблонный анализ Wildcard analysis	Перекрестный анализ Gross Impact analysis	Деревья релевантности Relevance trees	Планирование R&D R&D planning
	Интервью Interviews	Слабые сигналы Weak signals	Пиритизация / Делфи Prioritisation / Delphi	Логические блок-схемы Logic Charts	Планирование действий Action planning
	Индикаторы тенденций Trends / Drivers Indicators	Моделирование Modelling	Количественная оценка / рейтинги Scoring / Rating	Линейное  програм мирование Linear programming	Операционное  пла нирование Operational planning
	Анализ систем Systems analysis	Имитационное моделирование System simulation	Оценка преимуществ / стоимости / рисков Benefit / Cost / Risk analysis	Стратегическое планирование Strategic planning	Оценка  взаимодей ствия Impact assesment
Взаимодействие Interaction	Экспертные группы / конференции Panels / Conferences	Экспертные группы / конференции Panels / Conferences	Экспертные группы / конференции Panels / Conferences	Экспертные группы / конференции Panels / Conferences	Экспертные группы / конференции Panels / Conferences

1 В системной инженерии стейкхолдеры рассматриваются в контексте процесса принятия решений как физические лица или организации, зависящие от результатов принимаемых решений.

Выводы

Подсистемы прогнозирования ориентированы на помощь лицу, принимающему решения (ЛПР) в проблемных ситуациях при мониторинге и управлении сложными объектами и процессами, а также решающему ряд задач в различных проблемных областях с использованием средств интеллектуального анализа данных [4] и прогнозирования ситуаций на объекте управления.

Внедряемая на мясоперерабатывающих предприятиях, комплексная система управления качеством обеспечивает повышение доли