การลดความสูญเสียสำหรับการลดค่าเฉลี่ยของค่ายกกำลังสองความคลาดเคลื่อนของ ค่าพยากรณ์ความต้องการยาที่มีลักษณะวัฏจักรของโรงพยาบาล
คำสำคัญ:
การเพิ่มประสิทธิภาพโลจิสติกส์, การวิเคราะห์อนุกรมเวลา, การพยากรณ์ความต้องการยาโรงพยาบาล, บริการรถสองแถวบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์หาวิธีการพยากรณ์ที่เหมาะสมสำหรับการลดค่าเฉลี่ยของค่า ยกกำลังสองความคลาดเคลื่อนของค่าพยากรณ์ความต้องการยาที่มีลักษณะวัฏจักรของโรงพยาบาลที่เป็นกรณีศึกษาและการเปรียบเทียบวิธีการพยากรณ์ความต้องการยาที่เหมาะสมกับวิธีการพยากรณ์ที่ใช้ในปัจจุบันของโรงพยาบาลที่เป็นกรณีศึกษา โดยใช้การทดสอบ Paired t-Test สำหรับการทดสอบเพื่อยืนยันผล งานวิจัยนี้มุ่งเน้นยาที่สำคัญโดยใช้การวิเคราะห์แบบ ABC ซึ่งพิจารณายากลุ่ม A จากมูลค่าสินค้าคงคลังที่จัดเก็บของยามากกว่า 70 % ที่มีความต้องการแบบวัฏจักรหรือฤดูกาล จำนวน 31 ชนิด ในงานวิจัยนี้ได้ใช้การออกแบบการทดลองแบบ Randomized Complete Block Design (RCBD) จากผลการทดลองพบว่า วิธีการพยากรณ์มีผลกระทบอย่างมีนัยสำคัญทางสถิติต่อค่าเฉลี่ยของค่ายกกำลังสองความคลาดเคลื่อนของการพยากรณ์ (MSD) วิธีการพยากรณ์ที่เหมาะสมที่สุดคือ วิธี Winters’ Method ที่มีค่ารอบวัฏจักรหรือฤดูกาลจำนวน 12 เดือน ทำให้ได้ค่าเฉลี่ยของค่า MSD ของค่าพยากรณ์ความต้องการยาน้อยกว่าวิธีค่าเฉลี่ยเคลื่อนที่ (Moving Average) ที่มีค่า Moving Average Length 3 เดือนซึ่งเป็นวิธีการพยากรณ์ปัจจุบันที่ใช้โดยฝ่ายวางแผนของโรงพยาบาลที่เป็นกรณีศึกษาอย่างมีนัยสำคัญทางสถิติโดยค่า MSD ของวิธีการพยากรณ์ที่นำเสนอลดลง 35.32 %
เอกสารอ้างอิง
Apriyanti, M. E. (2023). Government strategy to recover the tourism sector affected by the COVID-19 pandemic. International Journal of Multidisciplinary: Applied Business and Education Research, 4(1), 90–106. http://dx.doi.org/10.11594/ijmaber.04.01.11
Asilahijani, H., Steiner, S. H., & MacKay, R. J. (2010). Reducing variation in an existing process with robust parameter design. Quality Engineering, 22, 30–45. http://dx.doi.org/10.1080/08982110903381889
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (D. J. Balding, N. A. C. Cressie, G. M. Fitzmaurice, G. H. Givens, H. Goldstein, G. Molenberghs, D. W. Scott, A. F. M. Smith, R. S. Tsay, & S. Weisberg (Eds.), 5th ed.). John Wiley and Sons.
Christopher, M. (2016). Logistics & supply chain management (5th ed.). Pearson.
Dean, A., Voss, D., & Draguljic, D. (2017). Design and analysis of experiments (2nd ed.). Springer.
Goos, P., & Jones, B. (2011). Optimal design of experiments: A case study approach. John Wiley & Sons.
Gössling, S., Scott, D., & Hall, C. M. (2020). Pandemics, tourism and global change: A rapid assessment of COVID-19. Journal of Sustainable Tourism, 29(1), 1–20. http://dx.doi.org/10.1080/09669582.2020.1758708
Kumar, P. & Ekka, P. (2024). Statistical analysis of the impacts of COVID-19 pandemic on the small and large-scale tourism sectors in developing countries. Environment, Development and Sustainability: A Multidisciplinary Approach to the Theory and Practice of Sustainable Development, 26(4), 9625-9659. https://doi.org/10.1007/s10668-023-03112-4
Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and applications. John Wiley & Sons.
Merkuryeva, G., Valberga, A., & Smirnov, A. (2019). Demand forecasting in pharmaceutical supply chains: A case study. Procedia Computer Science, 149, 3–10. https://doi.org/10.1016/j.procs.2019.01.100
Montgomery, D. C. (2019a). Design and analysis of experiments (10th ed.). John Wiley & Sons.
Montgomery, D. C. (2019b). Introduction to statistical quality control (6th ed.). John Wiley & Sons.
Montgomery, D. C., & Runger, G. C. (2014). Applied statistics and probability for engineers (6th ed.). John Wiley & Sons.
Rathipriya, R., Abdul Rahman, A. A., Dhamodharavadhani, S., Meero, A., & Yoganandan, G. (2023). Demand forecasting model for time-series pharmaceutical data using shallow and deep neural network model. Neural Computing & Applications, 35, 1945–1957. https://doi.org/10.1007/s00521-022-07889-9
Schlueter, A., & Geyer, P. (2018). Linking BIM and design of experiments to balance architectural and technical design factors for energy performance. Automation in Construction, 86, 33-43. https://doi.org/10.1016/j.autcon.2017.10.021
Yu, P., Low, M. Y., & Zhou, W. (2018). Design of experiments and regression modelling in food flavour and sensory analysis: A review. Trends in Food Science & Technology, 71, 202-215. http://dx.doi.org/10.1016/j.tifs.2017.11.013
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารบริหารธุรกิจและการจัดการปริทัศน์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์จะเป็นลิขสิทธิ์ของวารสารธุรกิจปริทัศน์
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ และคณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
