Классификация задач допечатных производственных процессов

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Классификация задач допечатных производственных процессов

Валентин Н. Марунин

Одним из наиболее важных направлений повышения эффективности функционирования издательства является решение ряда конкретных научно-практических задач по совершенствованию хозяйственного механизма, системы оценки качества компании в направлении обеспечения конкурентоспособности и своевременного проведения различного рода производственно-технологических и эксплуатационно-технических мероприятий.

Хозяйственный механизм издательства представляет собой большую организационно-техническую систему. В общем случае совершенствование управления такой системой непосредственно связано с внедрением новых методов организации работ, выполняемых коллективами подготовленных специалистов, позволяющими обеспечить высокий уровень эффективности управления и конкурентоспособности на рынке полиграфических услуг.

Одним из направлений совершенствования управления издательством является создание его структурно-функциональной модели для последующего исследования. В основу структурно-функциональной модели издательства положена задача классификации допечатных производственных процессов сервис-бюро. Классификация представляет собой распределение объектов по группам (классам), при которых, каждый класс имеет свое постоянное, определенное место и позволяет рассмотреть огромное разнообразие объектов в определенной системе. Правильность классификации влияет на эффективность функционирования издательства в целом и следует учитывать, что производственные процессы действуют не изолированно, а во взаимосвязи друг с другом.

Задача формирования классов допечатных производственных процессов может быть сформулирована следующим образом. Задано множество типовых заказов на производство полиграфической продукции на стадии допечатной подготовки, характеризующимся некоторым набором признаков. Решение на выполнение каждого заказа в сервис-бюро принимается с учетом важности и срочности (очередность выполнения) и емкости (расход материальных средств и рабочего времени исполнителей) заказов.

Важность и срочность каждого типового заказа количественно оценены известными методами. Требуется объединить заказы, близкие по указанным признакам в классы с целью последующего их использования в качестве исходных данных для создания структурно-функциональной модели сервис-бюро, которая в свою очередь использоваться для оптимизации производственной деятельности. Алгоритм решения задачи классификации предполагает следующую последовательность. [1]

Проводится факторный анализ с использованием метода главных компонент. Идея метода состоит в сжатии матрицы признаков в матрицу с меньшим числом переменных, сохраняющую почти ту же самую информацию, что и исходная матрица. В основе моделей факторного анализа лежит гипотеза, что наблюдаемые переменные являются косвенными проявлениями небольшого числа скрытых (латентных) факторов. Хотя такую идею можно приписать многим методам анализа данных, обычно под моделью факторного анализа понимают представление исходных переменных в виде линейной комбинации факторов.

издательство моделирование конкурентоспособность

Рисунок 1. Сжатие признакового пространства с применением факторного анализа

Факторы F (Рисунок 1) построены так, чтобы наилучшим способом (с минимальной погрешностью) представить Х. В этой модели «скрытые» переменные F_k называются общими факторами, а переменные U_i - специфическими факторами. Значения a_ik называются факторными нагрузками.

Обычно предполагается, что X_i стандартизованы (=1, X_i=0), а факторы F₁, F₂,…, F_m независимы и не связаны со специфическими факторами U_i. Предполагается также, что факторы F_i стандартизованы.

В этих условиях факторные нагрузки a_ik совпадают с коэффициентами корреляции между общими факторами и переменными X_i. Дисперсия X_i раскладывается на сумму квадратов факторных нагрузок и дисперсию специфического фактора:

, где .

Величина называется общностью,-- специфичностью. Другими словами, общность представляет собой часть дисперсии переменных, объясненную факторами, специфичность -- часть не объясненной факторами дисперсии. В соответствии с постановкой задачи, необходимо искать такие факторы, при которых суммарная общность максимальна, а специфичность минимальна.

На первом шаге процедуры факторного анализа происходит стандартизация заданных значений переменных (z-преобразование); затем при помощи стандартизированных значений рассчитывают корреляционные коэффициенты Пирсона между рассматриваемыми переменными.

Исходным элементом для дальнейших расчетов является корреляционная матрица. Для построенной корреляционной матрицы определяются, так называемые, собственные значения и соответствующие им собственные векторы, для определения которых используются оценочные значения диагональных элементов матрицы (относительные дисперсии простых факторов). Собственные значения сортируются в порядке убывания, для чего обычно отбирается столько факторов, сколько имеется собственных значений, превосходящих по величине единицу. Собственные векторы, соответствующие этим собственным значениям, образуют факторы; элементы собственных векторов получили название факторной нагрузки. Их можно понимать как коэффициенты корреляции между соответствующими переменными и факторами.

Анализ расчетов, проведенных с помощью статистического пакета SPSS-13.0, [2] позволяет сформировать некоррелированные факторы, определяющие вклад каждой оценки в общее различие заказов с точки зрения принимаемых решений на их выполнение.

Полученные оценки факторов используются как основание для классификации объектов методом кластерного анализа.

Исходными данными для классификации являются значения n признаков для N объектов. Эти данные могут быть представлены в виде матрицы.

Узловым моментом для классификации является выбор правила отнесения объекта к той или иной совокупности.

Схема классификации основана на принципах:

1. В один класс объединяются объекты, сходные между собой в некотором смысле.

2. Степень сходства у объектов, принадлежащих к одному классу, должна быть больше, чем степень сходства объектов, отнесенных к разным классам.

Методы кластерного анализа позволяют разбить изучаемую совокупность объектов на группы «схожих» объектов, называемых кластерами.

В результате кластерного анализа получаются классы заказов, близкие по важности, срочности и емкости.

Расчеты проведены с помощью статистического пакета STATISTICA 6.0. [3]

Анализ результатов показывает, что образовалось 4 кластера, объединяющие в своем составе близкие друг другу элементы:

1. Долговременные заказы - заказы от стабильных клиентов. Тендер на производство печатной продукции.

2. Постоянные заказы - заказы от клиентов, имеющих статус постоянных.

3. Случайные или разовые заказы - единичные заказы от случайных клиентов.

4. «Авральные» заказы - заказы с ограниченным временем исполнения.

Предложенная классификация показателей удобна и для проведения исследования взаимосвязи эффективности функционирования издательства и регулирующих факторов, так как позволяет решить одноименную проблему в различных аспектах.

Многопрофильная работа сервис-бюро по производству печатной продукции со сложной схемой исполнения заказов обусловливает необходимость решения задачи выбора тактики их выполнения, обеспечивающей наиболее эффективное использование имеющихся ресурсов. Очевидно, правильный выбор может быть произведен лишь в том случае, когда известны наиболее «узкие» места, из-за которых может произойти сбой в производственном процессе и известны элементы системы, имеющие определенные резервы. В настоящее время решение подобных задач производится, как правило, методом экспертных оценок, что затрудняет объективное решение задачи для выбора наиболее эффективной тактики выполнения той или иной серии заказов.

Альтернативным подходом к решению данной задачи является построение математической модели функционирования сервис-бюро. Сопоставление количественных показателей эффективности функционирования сервис-бюро при различных комбинациях потока заказов позволит определить загрузку элементов системы, тем самым выявить наиболее уязвимые места и в последствии избежать срыва сроков исполнения.

Используемая литература

1. Айвазян С. А., Мхиторян, В.С. Прикладная статистика и основы эконометрики. -- М.: Издательское объединение «Юнити», 1998.

2. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем./Ахим Бююль, Петер Цёфель - СПб.:

ООО «ДиаСофтЮП», 2002. - 608 с.

3. Боровиков В., STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. - Спб.: «Питер», 2003, 688 с.

Размещено на Allbest.ru