مدل پیشگویی تقاضا برای خودرو مبتنی بر روش های ARIMA و شبکه عصبی (گروه صنعتی سایپا)

مقدار تقاضا، در بسیاری از روش های مهندسی صنایع و مدیریت صنعتی، نقطه شروع برنامه ریزی می باشد. برای مثال، برای برنامه ریزی تولید و کنترل موجودی، در ابتدا باید پیش بینی دقیقی از تقاضا انجام شود. لذا تمامی برنامه ریزی های بعدی برای بنگاه اقتصادی، وابسته به مقدار تقاضای پیش بینی شده است. مسئله پیش بینی تقاضا در مورد صنعتی مثل صنعت خودرو که هزینه کمبود و یا مازاد، بالا ارزیابی می شود؛ اهمیت بیشتری نیز پیدا می کند. به همین دلیل، استفاده از روش های دقیقی که بتواند روند تغییرات پیچیده و غیرخطی محصولات مختلف را پیش بینی کند؛ اهمیت زیادی دارد.هدف مطالعه حاضر پیش بینی تقاضا خودرو با استفاده از رویکرد ANN و مقایسه نتایج با رگرسیون چند متغیره و ARIMA گروه تولیدی سایپا می باشد.در این مطالعه کاربردی،داده های مربوط به تقاضای فروش خودرو برای خودرو های زامیاد و تیبا در بازه های زمانی ۱۳۸۶ تا ۱۳۹۷ از گروه تولیدی سایپا جمع آوری گردید.سپس با بهره گیری از مدل های رگرسیون چندگانه ،سری های زمانی مدل ARIMA و شبکه عصبی مصنوعی پرسپترون پیش بینی تقاضای فروش خودرو انجام پذیرفت.در انتها با توجه به معیارهای ارزیابی کارایی R۲ و RMSE نتایج بدست آمده از روش های مذکور باهم مقایسه شدند.تحلیل داده ها با استفاده از نرم افزار R انجام شد.نتایج این مطالعه حاکی از دقت بالای مدل شبکه عصبی و سپس مدل رگرسیون چندگانه و در آخر آریما بود. میانگین دقت با توجه به ضریب تعیین و ریشه میانگین مربعات خطا برای خودرو زامیاد با استفاده از روش های مدل شبکه عصبی ،آریما و رگرسیون خطی چندگانه به ترتیب برابر ۰/۷۹ ،۰/۸۷ ،۰/۳۰ ،۱۴۳۶/۵۴ ،۰/۳۱ ،۱۱/۰۵ و برای خودرو تیبا ۰/۸۴ ،۰/۷۶ ،۰/۷۲ ،۲۲۳۶/۶۵ ،۰/۶۳ و ۲۳/۰۲ می باشد.نتایج این مطالعه نشانگر دقت بالای مدلهای شبکه عصبی مصنوعی نسبت به مدل آریما و مدل رگرسیون چندگانه در پیش بینی تقاضای فروش خودرو می باشد. لذا استفاده از مدل های شبکه عصبی مصنوعی جهت پیش بینی تقاضا به جای روشهای پیش بینی آماری رایج در مراکز تولید خودرو توصیه می باشد.

کلیدواژه ها:

تقاضای فروش خودرو ، شبکه عصبی مصنوعی ، سری زمانی ARIMA ، رگرسیون چند متغیره