Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Parameter<strong>en</strong> M har verdier mellom 0 og<br />
1. Parametr<strong>en</strong>e M og β estimeres ut fra<br />
gitt datamateriale.<br />
Det kan selvsagt settes opp <strong>en</strong> rekke<br />
ulike modeller for kostnadsutvikling for<br />
<strong>en</strong> <strong>en</strong>het i <strong>en</strong> produksjonsprosess [4].<br />
Dette kan eksempelvis også gjøres på<br />
mikronivå gitt at det eksisterer statistisk<br />
underlag. Vi er imidlertid mer interessert<br />
i kostnads- og spesielt prisutvikling<strong>en</strong> på<br />
nye nettkompon<strong>en</strong>ter der produksjonsprosess<strong>en</strong><br />
så vidt har kommet i gang. Det<br />
er derfor naturlig å ta utgangspunkt i<br />
makromodeller.<br />
3 Modell for prognoser<br />
på pris på nettkompon<strong>en</strong>ter<br />
som funksjon<br />
av produksjonsvolum<br />
I kapittel 2 ble det satt opp modeller for<br />
kostnader på produsert utstyr. I <strong>en</strong> normal<br />
situasjon er det grunnlag for å kunne<br />
anta at det er <strong>en</strong> lineær samm<strong>en</strong>h<strong>en</strong>g<br />
mellom pris og kostnad på produksjon av<br />
utstyr <strong>–</strong> eksempelvis nettkompon<strong>en</strong>ter.<br />
Det må regnes med et pros<strong>en</strong>tvis påslag<br />
som skal dekke andre kostnader som<br />
markedsførings-, utviklings- og overheadkostnader,<br />
og i tillegg <strong>en</strong> viss fortj<strong>en</strong>este.<br />
Ut fra disse forutsetning<strong>en</strong>e vil modell<strong>en</strong>e<br />
i kapittel 2 også gjelde for prisutvikling<br />
på utstyr/nettkompon<strong>en</strong>ter, m<strong>en</strong><br />
selvsagt med andre verdier på parametr<strong>en</strong>e.<br />
Unntak vil være når produksjonsbedrifter<br />
nedfaser et utstyr fordi de<br />
ønsker å introdusere nye g<strong>en</strong>erasjoner av<br />
utstyret ev<strong>en</strong>tuelt <strong>en</strong> helt ny type utstyr<br />
på markedet. Da vil det komme inn elem<strong>en</strong>t<br />
av taktisk prising av det gamle<br />
utstyret blant annet for å få avsetning på<br />
det nye utstyret.<br />
Figur 3.1 viser Wrights lærekurvemodell<br />
over <strong>en</strong> l<strong>en</strong>gre produksjonsperiode.<br />
I Wrights lærekurvemodell vil kostnad<br />
(og pris) hele tid<strong>en</strong> avta omv<strong>en</strong>dt proporsjonalt<br />
med akkumulert antall produserte<br />
<strong>en</strong>heter. Selv om det blir små produksjonsserier<br />
og taktisk prisnivå når et<br />
utstyr utfases, gir Wrights lærekurvemodell<br />
stadig lavere <strong>en</strong>hetskostnader og<br />
priser.<br />
I Crawfords lærekurvemodell der det tas<br />
utgangspunkt i størrels<strong>en</strong> på produksjonsseri<strong>en</strong>e,<br />
vil kostnad og pris igj<strong>en</strong><br />
øke ved utfasing av utstyret.<br />
Dersom vi imidlertid er i <strong>en</strong> normalsituasjon<br />
vil både Wrights og Crawfords lære-<br />
kurvemodeller gi forholdsvis like<br />
resultater.<br />
Svakhet<strong>en</strong> til metod<strong>en</strong>e er imidlertid<br />
at de er lite fleksible, da de kun har<br />
<strong>en</strong> parameter som skal estimeres.<br />
Dette kan forholdsvis <strong>en</strong>kelt <strong>en</strong>dres<br />
på ved ikke å binde seg til at lærekurv<strong>en</strong><br />
skal gå gj<strong>en</strong>nom det første<br />
punktet på kurv<strong>en</strong> som er produksjonskostnad<br />
(eller pris) for det første<br />
produktet. Det er også spesielt bet<strong>en</strong>kelig<br />
å la lærekurv<strong>en</strong> gå gj<strong>en</strong>nom<br />
det første punktet og ikke de andre<br />
punkt<strong>en</strong>e for beregnede <strong>en</strong>hetskostnader<br />
(<strong>en</strong>hetspriser). Det første punktet er<br />
relatert til produksjon av det første produktet.<br />
Her vil det være stort slingringsmonn<br />
med h<strong>en</strong>syn til kostnad/pris, hvor<br />
mange tilfeldigheter vil være avgjør<strong>en</strong>de.<br />
Det vil med andre ord være atskillig<br />
bedre å bestemme at lærekurv<strong>en</strong> skal gå<br />
gj<strong>en</strong>nom et punkt som repres<strong>en</strong>terer kostnad/pris<br />
pr <strong>en</strong>het etter at produksjonsprosess<strong>en</strong><br />
har stabilisert seg.<br />
D<strong>en</strong> beste løsning<strong>en</strong> og statistisk mest<br />
riktige vil være å innføre <strong>en</strong> ekstra parameter<br />
slik at <strong>en</strong> ikke bindes opp til å la<br />
lærekurv<strong>en</strong> gå igj<strong>en</strong>nom no<strong>en</strong> spesifiserte<br />
punkter. Verdi<strong>en</strong> på d<strong>en</strong>ne parameter<strong>en</strong><br />
bestemmes på optimal måte ved bruk av<br />
regresjonsanalyse. Se også [5].<br />
En raffinering av Wrights lærekurvemodell<br />
blir da:<br />
Pn = αnβ (3.1)<br />
der<br />
Pn er pris pr produsert <strong>en</strong>het<br />
n er totalt antall produserte <strong>en</strong>heter<br />
α, β er parametere i modell<strong>en</strong>.<br />
Crawfords lærekurvemodell raffineres på<br />
samme måte, m<strong>en</strong> med definisjon av n<br />
som antall produserte <strong>en</strong>heter i <strong>en</strong> serie.<br />
Anta nå at vi har observert pris<strong>en</strong> Pn med<br />
tilhør<strong>en</strong>de totalt antall produserte <strong>en</strong>heter<br />
s ganger. Vi har da følg<strong>en</strong>de observasjoner:<br />
(3.2)<br />
der<br />
nt er akkumulert antall <strong>en</strong>heter produsert<br />
ved tidspunkt t = 1, 2, ..., s<br />
er <strong>en</strong>hetspris ved tidspunkt t<br />
basert på produksjon av totalt nt <strong>en</strong>heter t = 1, 2, ..., s.<br />
Pnt (n1 ,Pn ),(n<br />
1 2 ,Pn2 ),...(ns Pns )<br />
Parametr<strong>en</strong>e i modell (3.1) estimeres da<br />
på følg<strong>en</strong>de måte:<br />
P n<br />
P o<br />
t = 1, 2, ..., s (3.3)<br />
Pn = ln α + β ln n<br />
t t<br />
Likning (3.3) kan transformeres over til<br />
d<strong>en</strong> tradisjonelle regresjonsmodell<br />
yt = a* + β* Zt ved<br />
t = 1, 2, ..., s (3.4)<br />
α* = lnα (3.5)<br />
β* = β (3.6)<br />
(3.7)<br />
Zt = lnnt (3.8)<br />
Optimale verdier på parametr<strong>en</strong>e α* og<br />
β* finnes ved bruk av minste kvadraters<br />
metode. Dette gir:<br />
yt = ln Pnt ⎛ S ⎞ ⎛ S<br />
2⎞<br />
⎜ ∑ yt ⎟ ⎜ ∑ Z<br />
t ⎟<br />
⎝ t=1 ⎠ ⎝ t=1 ⎠<br />
α* =<br />
− Z ⎛ S ⎞ ⎛ S ⎞<br />
⎜ ∑ t ⎟ ⎜ ∑ Zt yt ⎟<br />
⎝ t=1 ⎠ ⎝ t=1 ⎠<br />
⎛ S<br />
2⎞<br />
S⎜ ∑ Z<br />
t ⎟<br />
⎝ t=1 ⎠<br />
− Z 2<br />
⎛ S ⎞<br />
⎜ ∑ t ⎟<br />
⎝ t=1 ⎠<br />
⎛ S ⎞<br />
⎜ ∑ Zt yt ⎟<br />
⎝ t=1 ⎠<br />
β* = S<br />
− Z ⎛ S ⎞ ⎛ S ⎞<br />
⎜ ∑ t ⎟ ⎜ ∑ yt ⎟<br />
⎝ t=1 ⎠ ⎝ t=1 ⎠<br />
⎛ S<br />
2⎞<br />
S⎜ ∑ Z<br />
t ⎟<br />
⎝ t=1 ⎠<br />
− Z 2<br />
⎛ S ⎞<br />
⎜ ∑ t ⎟<br />
⎝ t=1 ⎠<br />
Dermed er<br />
ˆ β = ˆ β *<br />
(3.9)<br />
(3.10)<br />
(3.11)<br />
(3.12)<br />
Under forutsetning av at observasjon<strong>en</strong>e<br />
er uavh<strong>en</strong>gige, vil beregnede standardavvik<br />
til de estimerte parametr<strong>en</strong>e og<br />
være:<br />
ˆ ˆα *<br />
β * ˆα = e ˆα*<br />
ˆσ α* =<br />
P n<br />
n<br />
Figur 3.1 Wrights lærekurvemodell<br />
: Pris pr produsert <strong>en</strong>het<br />
: Totalt antall produserte <strong>en</strong>heter<br />
ˆσ 2<br />
2<br />
⎛ S ⎞<br />
⎜ ∑ Zt ⎟<br />
⎝ t=1 ⎠<br />
+<br />
S S 2<br />
ˆσ<br />
2<br />
β*<br />
(3.13)<br />
n<br />
167