projet fin d’etude diplôme national d’ingénieur en statistique et l’analyse de...
DESCRIPTION
Projet Fin d’Etude Diplôme National d’Ingénieur En Statistique et l’Analyse de l’Information Elaboré Par : Alaya Yasmina Encadré Par : Mme Jelassi Selma « ESSAI » Mme Manai Thouraya « PCT ». Modélisation prévisionnelle de l’approvisionnement de la - PowerPoint PPT PresentationTRANSCRIPT
Projet Fin d’Etude Diplôme National d’Ingénieur
En Statistique et l’Analyse de l’Information
Elaboré Par : Alaya YasminaEncadré Par :
Mme Jelassi Selma « ESSAI » Mme Manai Thouraya « PCT »
Modélisation prévisionnelle de l’approvisionnement de la
Pharmacie Centrale de Tunisie (PCT)
Juin 2012
PlanPrésentation de l’entreprise
d’accueil
L’approvisionnement de la PCT
Analyse prévisionnelle de l’approvisionnement
Conclusion et perspectives 2
3
Présentation de l’entreprise d’accueil
L’approvisionnement de la PCT
La mission de la Pharmacie Centrale de Tunisie PCT :
S’approvisionner en médicaments, produits (pharmaceutiques chimiques), accessoires…
Assurer le monopole de l’importation
Ravitailler les hôpitaux (public, privé) et les points de vente (grossistes, officines)
Se charger de toutes les procédures : Commande, Stockage, Distribution
Commercialiser les produits
Présentation de l’entreprise d’accueil
L’approvisionnement de la PCT
487537
607
720
810814
4
Problématique
Dégager un modèle économétrique prédictif pour
l’approvisionnement de la Pharmacie Centrale de
Tunisie, évitant rupture et surcharge
de stocks.
5
Analyse descriptive
PrévisionModélisationProblématiqu
e
2006 2007 2008 2009 2010 2011
Vol-ume
117840124 120281421.5 125996384 140649165.000001
137982087 140136482
117500000122500000127500000132500000137500000142500000
Evolution annuelle des Volumes
Val
eur
2006 2007 2008 2009 2010 2011
Vente 489239290.575
537429568.01 607172011.512
729146248.379
811058400.114001
808784441.052003
475000000
575000000
675000000
775000000
Evolution annuelle des ventes
Val
eur
6
Analyse descriptive
PrévisionModélisationProblématiqu
e
A B C D G H J K L M N P Q R S T U V W X Y Z0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
14.00%
16.00%
18.00%
10,40
5,05
11,30
2,084,09
1,79
12,82
2,48
16,37
5,02
8,45
0,11
2,66
5,53
2,830,83
0,301,35
1,861,12
2,141,40
Pourcentage de la vente par classe thérapeutique de 2006 à 2011
A B C D G H J K L M N P Q R S T U V W X Y Z0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
14.00%
16.00%
18.00%
10,30
3,02
7,05
2,803,86
2,96
7,826,73
0,46
4,17
7,18
0,211,70
6,104,80
0,190,07
0,761,83 1,56
17,05
9,40
Pourcentage du volume par classe thérapeutique de 2006 à 2011
7
Analyse descriptive
PrévisionModélisationProblématiqu
e
Régression sur composantes principales : RCP
8
Orthonormal loadings Biplot
Ellipses de confianceEllipses de confiance pour les coefficients de pente dans l'analyse de régression multiple du modèle à
effets fixes (cross/period)
Ellipses de confiance pour les coefficients de pente dans l'analyse de régression multiple du modèle à
effets aléatoires (cross/period)
9
Les estimations
Analyse descriptive
PrévisionModélisationProblématiqu
e
Modèle de données groupées
Modélisation en données croisées: Données de Panel
10
Modèle avec effets cross fixesModèle avec effets period fixesModèle avec effets fixes
(cross/period)Modèle avec effets cross aléatoiresModèle avec effets period aléatoiresModèle avec effets aléatoires
(cross/period)
Le modèle SUR sans effet avec correctionDependent Variable: VENTE?
R-squared 0.709994 Mean dependent var 0.237571
Adjusted R-squared 0.709617 S.D. dependent var 1.851350
S.E. of regression 0.983384 Sum squared resid 1486.346
Durbin-Watson stat 1.909279 F-statistic 1306.626
Prob(F-statistic) 0.000000
Estimations par correction(Coef. Covariance Method)
Variable Coefficient Std. Errort-
StatisticProb.
Ordinary
Volume 2.835488 0.046708 60.70639 0.0000
Prix 13.72158 3.185879 4.306999 0.0000
Axe 5509.768 1234.859 4.461860 0.0000
Cross-section SUR (PCSE)
Volume 2.835488 0.044536 63.66666 0.0000
Prix 13.72158 3.058586 4.486249 0.0000
Axe 5509.768 1058.703 5.204261 0.0000
Cross-section Weigth (PCSE)
Volume 2.835488 0.045729 62.00619 0.0000
Prix 13.72158 3.102613 4.422588 0.0000
Axe 5509.768 1174.687 4.690416 0.0000
White Cross-section
Volume 2.835488 0.155502 18.23438 0.0000
Prix 13.72158 2.461678 5.574076 0.0000
Axe 5509.768 1163.785 4.734351 0.0000
White Diagonal
Volume 2.835488 0.126005 22.50303 0.0000
Prix 13.72158 5.755061 2.384263 0.0172
Axe 5509.768 1139.665 4.834552 0.0000
11
Le modèle SUR avec effets cross fixesDependent Variable: VENTE?
R-squared 0.718205 Mean dependent var 0.247099
Adjusted R-squared 0.713741 S.D. dependent var 1.877612
S.E. of regression 0.992611 Sum squared resid 1492.694
F-statistic 160.8851 Durbin-Watson stat 1.943150
Prob(F-statistic) 0.000000
Estimations par correction (Coef. Covariance Method)
Variable Coefficient Std. Error t-Statistic Prob.
Ordinary
C 11757.03 4795.884 2.451484 0.0143
Volume 2.816980 0.046337 60.79331 0.0000
Prix 12.12609 3.000881 4.040842 0.0001
Axe 1609.595 2703.142 0.595453 0.5516
Cross-section SUR (PCSE)
C 11757.03 4661.671 2.522064 0.0118
Volume 2.816980 0.045818 61.48135 0.0000
Prix 12.12609 2.945157 4.117297 0.0000
Axe 1609.595 2627.738 0.612540 0.5403
Cross-section Weigth (PCSE)
C 11757.03 4661.671 2.522064 0.0118
Volume 2.816980 0.045818 61.48135 0.0000
Prix 12.12609 2.945157 4.117297 0.0000
Axe 1609.595 2627.738 0.612540 0.5403
White Cross-section
C 11757.03 4856.988 2.420643 0.0156
Volume 2.816980 0.151636 18.57726 0.0000
Prix 12.12609 2.123658 5.709999 0.0000
Axe 1609.595 2634.615 0.610941 0.5413
White Diagonal
C 11757.03 5290.637 2.222234 0.0264
Volume 2.816980 0.122319 23.02986 0.0000
Prix 12.12609 6.519631 1.859934 0.0631
Axe 1609.595 2756.958 0.583830 0.5594
12
Analyse descriptive
PrévisionModélisationProblématiqu
e
Tests de non stationnarité du processus
13
Les tests de non stationnarité rejette l’hypothèse nulle (non stationnarité) avec les p-value sont tous nulles et inférieures au seuil 5%, donc le processus
est stationnaire, d’où prévision.
Option prévision statique :
Prédiction de la fiabilité prévisionnelle du modèle
14
Analyse descriptive
PrévisionModélisationProblématiqu
e
15
Analyse descriptive
PrévisionModélisationProblématiqu
e
Analyse descriptive
PrévisionModélisationProblématiqu
e Option dynamique : prévision convergente par simulation
(Option solve) :
16
Analyse descriptive
PrévisionModélisationProblématiqu
e Option dynamique : prévision convergente par simulation
(Option solve) :
17
Prédiction dynamique par simulation en fonction des ventes actuelles, prédites et les
– .se (Vente_0T+1) Yn+1 + .se (Vente_0T+1)
Option dynamique : prévision convergente par simulation (Option solve) :
18
Analyse descriptive
PrévisionModélisationProblématiqu
e
Conclusion
Les résultats obtenus sont satisfaisants et exposent une solution.
La modélisation prévisionnelle améliore l’étude de l’approvisionnement de la PCT et assure la rapidité de la pratique.
19
Perspectives
La gestion et la réorganisation des données (par exemple par Datawarehouse)
Cette étude représente le point de départ pour d’autres recherches afin de satisfaire les besoins futurs de la PCT.
20
Merci pour
votre
attention
Commenta
ires&
Questions