Użyteczność modeli parametrycznych i sztucznych sieci neuronowych w prognozowaniu kosztów produkcji

• Autorzy: Zbigniew Leszczyński , Tomasz Jasiński

Warianty tytułu

The Usefulness of Parametric Models and Artificial Neural Networks in the Estimation of Production Costs

• Języki publikacji: PL

Abstrakty

Celem artykułu jest analiza użyteczności modeli parametrycznych i sztucznych sieci neuronowych w prognozowaniu kosztów produkcji. Prognozowane koszty produkcji stanowią fundamentalną determinantę dla podejmowanych przez inżynierów decyzji technicznych i biznesowych związanych z zarządzaniem produkcją i kosztami produkcyjnymi. W pierwszej części artykułu przedstawiono ramy konceptualne budowy modelu prognozowania parametrycznego kosztów produkcji, wielowymiarowego o zależnościach liniowych i nieliniowych. Następnie omówiono istotę i zastosowanie sztucznych sieci neuronowych jako modelu - nieparametrycznego prognozowania kosztów produkcji. W obu częściach artykułu przeprowadzono badanie empiryczne z wykorzystaniem analizy regresji oraz sztucznych neuronów połączonych w sieci. Badanie empiryczne prezentuje procedury budowy modeli - parametrycznego i nieparametrycznego prognozowania kosztów produkcji oraz ich wady i zalety. W toku procedury badawczej przedstawiono zastosowanie analizowanych modeli prognozowania kosztów produkcji w określonym środowisku przemysłowym. (abstrakt oryginalny)

EN

The aim of the paper is to analyze parametric models and artificial neural networks in terms of their suitability as estimation tools of the production costs. Estimated production costs are a fundamental determinant of the decision-making process by costs engineers relating to design and management costs of new products, infrastructure projects and production lines. The first part of the paper presents a conceptual framework for the construction of a model of production costs parametric estimation, multidimensional with linear and nonlinear dependency. It then discusses the nature and use of artificial neural networks as nonparametric estimates of production costs. In both parts of the article, an empirical study is conducted with the use of adequate statistical methods and artificial neurons. This study presents procedures for construction of models of parametric and nonparametric estimation of production costs and discusses their advantages and disadvantages. It also presents the application and usefulness of both models for estimating production costs in production environment. (original abstract)

Słowa kluczowe

PL

Metodologia prognozowania; Prognozowanie; Sztuczne sieci neuronowe (SSN); Koszty produkcji

EN

Forecasting methodology; Forecasting; Artificial neural networks (ANN); Production costs

• Czasopismo: Zeszyty Teoretyczne Rachunkowości
• Rocznik: 2017
• Tom: 91
• Numer: nr 147
• Strony: 87--112

Twórcy

autor

Zbigniew Leszczyński

• Politechnika Łódzka

autor

Tomasz Jasiński

• Politechnika Łódzka

Bibliografia

• Anderson D.M. (2014), Design for Manufacturability, CRC Press Taylor & Francis Group, New York.
• Bajaj A., Douglas D. Gransberg D., Mark D., Grenz M. (2002), Parametric Estimating for Design Costs. Association for the Advancement of Cost Engineering International Transactions of the Annual Meeting, s. 1-6.
• Brinke E (2004), Cost estimation architecture for integrated cost control based on information management, "Computer Integrated Manufacturing", 17 (6), s. 534-545.
• Bhimani A. (2006), Contemporary Issues in Management Accounting, Oxford University Press, London.
• Bode J. (2000), Neural networks for cost estimation: simulations and pilot application, "International Journal of Production Research", 38 (6), s. 1231-1254.
• Clark F.D., Lorenzoni A.B. (1997), Applied Cost Engineering, CRC Press Taylor & Francis Group, New York.
• Dysert L.R. (2008), An Introduction to Parametric Estimating, Association for the Advancement of Cost Engineering International Transactions of the Annual Meeting, s. 1-7.
• Dysert L.R. (1999), Developing a Parametric Model for Estimating Process Control Costs, Association for the Advancement of Cost Engineering Transactions of the Annual Meeting, s. 11-14.
• Geman S., Bienenstock E., Doursai R. (1997), Neural networks a/id the bias/variance dilemma, "Neural Computation", 4, s. 1-58.
• Heping L. (2010), Cost Estimation and Sensitivity Analysis on Cost Factors: A Case Study on Taylor Kriging, Regression and Artificial Neural Networks, 55 (3), s. 201-224.
• Horngren T.C., Datar M., Rajan M.V. (2012), Cost Accounting. A managerial Emphasis, Pearson Prentice Hall, Upper Saddle River, NJ.
• Huanga X., Newnesa L., Parryb G. (2012), The adaptation of product cost estimation techniques to estimate the cost of service, "International Journal of Computer Integrated Manufacturing", 25, s. 417-431.
• Ikeda M., Hiyama T. (2005), ANN based designing and cost determination system for induction motor, "IEE Proceedings - Electric Power Applications", 152 (6), s. 1595-1602.
• Kim G.-H., An S.-H., Kang K.-I. (2004), Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning, "Building and Environment", 39, s. 1235-1242.
• Lawrence S., Giles C.L., Tsoi A.C.(1996), What Size Neural Network Gives Optimal Generalization? Convergence Properties of Backpropagation, Technical Report UMIACS-TR-96-22 and CS-TR-3617 Institute for Advanced Computer Studies, University of Maryland.
• Leszczyński Z., Jasiński T. (2015), Inżynieria kosztów, ODDK, Gdańsk.
• Marquez L., Hill T., Worthley R., Remus W. (1998), Neural network models as an alternative to regression, "Proceedings of the 24th Hawaii International Conference on System Sciences", s. 129-135.
• Mcculloch W.S., Pitts W. (1943), Logical Calculus of the Ideas Immanent in Nervous Activity, "Bulletin of Mathematical Biophysics", 5, s. 115-133.
• Mason K., Gunadharkma A., Lowe D. (1997), Results of regression analysis survey, Newsletter of the Society of Cost and Estimating Analysts, Alexandria, VA.
• Mauchand M., Siadat A., Bernard A., Perry N. (2008), Proposal for tool-based method of product cost estimation during conceptual design, "Journal of Engineering Design", 19 (2), s. 159-172.
• Nishimura A. (2003), Management Accounting. Feed Forward and Asian Perspectives, Anthony Rowe Ltd., Chippenham and Eastburne, s. 139-146.
• NASA (2015), NASA Cost Estimating Handbook, https://www.nasa.gov/pdf/263676main_2008-NASA-Cost-Handbook-FINAL_v6.pdf (dostęp 01.03.2016).
• Nicholas J., Steyn H. (2012), Zarządzanie Projektami- zastosowania w biznesie, inżynierii i nowoczesnych technologiach, Oficyna a Wolters Kluwer Business, Warszawa.
• Pissarenko D. (2002), Neural Networks for Financial Time Series Prediction: Overview Over Recent Re-search, mnemopol.net, Universität Wien.
• Rajkumar R. (2003), Cost Engineering: why, what and how? Decision Engineering Report Series, (DEG) Cranfield University, UK, s. 1-30, https://dspace.lib.cranfield.ac.uk/handle/1826/64 (dostęp 01.03,2016).
• Rajkumar R., Kelvesjo S., Forsberg S., Rush Ch. (2001), Quantitative and qualitative cost estimating for engineering design, "Journal Engineering Design", 12 (2), s. 147-162.
• Rush C., Roy R. (2001), Expert judgement in cost estimating: Modelling the reasoning process, "Concurrent Engineering: Research and Applications Journal (CERA)", 9 (4).
• Ruiza N., Gireta A., Bottia V., Feriab V. (2011), Agent-supported simulation environment for intelligent manufacturing and warehouse management systems, "International Journal of Production Research", 49 (5).
• Sae-Hyun J., Moonseo P., Hyun-Soo L. (2010), Data Preprocessing - Based Parametric Cost Model for Building Projects: Case Studies of Korean Construction Projects, "Journal of Construction Engineering and Management". August, s. 844-852.
• Sonmez R. (2008), Parametric Range Estimating of Building Costs Using Regression Models and Boot-strap, "Journal of Construction Engineering and Management", December, s. 1011-1006.
• Setyawati B.R., Sahirman S., Creese R.C. (2002), Neural Networks for Cost Estimation, Association for the Advancement of Cost Engineering International. Transactions of the Annual Meeting, s. 13.1-13.8.
• Świąć A., Bilski J. (2000), Metoda wstecznej propagacji błędów i jej modyfikacje, [w:] M. Nałęcz (red.), Biocybernetyka i inżynieria biomedyczna 2000, t. 6, Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa, s. 73-110.
• Taylor M., (1997) Cost engineering - A feature based approach, 85th Meeting of the AGARD Structures and Material Panel, Aalborg, Denmark, October 13-14.
• Wang Q., Stockton D.J., Baguley P. (2000), Process cost modelling using neural networks, "International Journal of Production Research", 38 ( 16), s. 3811-3821.
• Weckman G.R., Paschold H.W., Dowler J.D., Whiting H.S., Young W.A. (2010), Using Neural Networks with Limited Data to Estimate Manufacturing Cost, "Journal of Industrial and Systems Engineering", 3 (4), s. 257-274.
• Westney R.E. (1997), Engineer's Cost Handbook: Tools for Managing Project Costs, CRC Press Taylor & Francis Group, New York.

Identyfikatory

DOI

10.5604/01.3001.0009.8025