97
5. ZAKOŃCZENIE
5.1. Podsumowanie
Działalność przedsiębiorstw sektora roślin ozdobnych skierowana jest przede wszystkim na handel na rynkach lokalnych, a ich głównym celem jest dostarczenie klientom roślin ozdobnych w tym kwiatów ciętych, zapewniając duży ich wybór oraz dostępność przez cały rok przy jednoczesnym zachowaniu wysokiej jakości towarów i atrakcyjnej ceny. Jednym z najważniejszych celów jest utrzymanie gotowości w dowolnym czasie do zaspokojenia zapotrzebowania na produkt. Zmieniający się popyt w czasie, specyfika produktu powodują problemy decyzyjne, co do określenia asortymentu i jego poziomu zamówień na dany horyzont czasowy [tydzień]. Kwiaty cięte są towarem szczególnie nie trwałym i podatnym na wiele czynników o charakterze patogennym i środowiskowym, co skutkuje ich krótkim czasem przydatności i magazynowania (maksymalnie sześć dni). Znaczne zróżnicowanie wielkości sprzedaży kwiatów, jest głównie wynikiem ich wzrostu sprzedaży w tygodniach nasilonego popytu. Wskaźnikiem zmienności zapotrzebowania są między innymi czynniki losowe (np. moda, upodobania ludzkie, pogoda) oraz sezonowość roczna, ale głównym jego wyznacznikiem są zdarzenia i zjawiska związane z kalendarzem w postaci świąt, popularnych imienin, imprez okolicznościowych itp. Ich typ oraz intensywność oddziaływania na popyt jest zmienna, dlatego bardzo często dochodzi do niedoszacowania lub przeszacowania zapotrzebowania na dany asortyment, a w konsekwencji prowadzi to do wymiernych strat w postaci utylizacji towaru lub popytu utraconego.
Problematyka obszaru zaopatrzenia przedsiębiorstw sektora roślin ozdobnych wymaga pogłębionych analiz i badań naukowych. W obecnej literaturze naukowej brak jest badań w zakresie problemów zaopatrzenia przedsiębiorstw sektora roślin ozdobnych, w warunkach niepewności, w postaci zmieniającego się popytu.
Zgodnie z określonym przez Autora celem pracy opracowany został model wspomagania decyzji o wielkości zamówień kwiatów ciętych na określony horyzont czasowy [tydzień]. Przyjęto założenie, że identyfikacja czynników kształtujących popyt, określenie ich wpływu, a następnie właściwe uwzględnienie ich w procesie decyzyjnym dotyczącym zamówień, winno usprawnić proces zaopatrzenia w hurtowni sektora roślin ozdobnych, w tym przypadku kwiatów ciętych. Na podstawie doświadczeń Autora dysertacji i spostrzeżeń z przeprowadzonych analiz szeregu czasowego w postaci dziennej sprzedaży kwiatów ciętych w latach 2008-2015 w rzeczywistej hurtowni sektora roślin
98 ozdobnych, określono specyfikę oraz najważniejsze założenia do rozważanego w pracy problemu.
Kluczowym elementem przyjętej metody jest analiza zjawisk i zdarzeń wynikających z kalendarza świąt, popularnych imienin, imprez okolicznościowych itp.. Opracowano trzydzieści jeden scenariuszy, które zakładały występowanie zdarzeń i zjawisk wynikających z kalendarza w ujęciu tygodniowym w latach 2012-2015. Należy zaznaczyć, że każdy scenariusz charakteryzuje się innym wskaźnikiem informującym o wzroście bądź spadku tygodniowej wielkości zapotrzebowania na kwiaty cięte, do tygodni charakteryzujących się brakiem świąt. Kolejną grupą scenariuszy są tzw. „scenariusze sezonowości”. Opracowano 4 scenariusze charakteryzujące się porami roku: lato, jesień, zima, wiosna. Podziału dokonano zgodnie z kalendarzem roku. Wskaźniki tych scenariuszy informują o wzroście bądź spadku zapotrzebowania na kwiaty cięte w tygodniach chrakteryzujących się porami roku.
Istotnym elementem zaproponowanego rozwiązania jest model symulacji odpowiedzialny za określenie przyszłego zapotrzebowania w ujęciu tygodniowym na kwiaty cięte. Idea jego działania oparta jest o klasyczny model Newsvenodr. Zastosowanie modelu pozwoliło na obliczenie liczby kwiatów, która według dużego prawdopodobieństwa pokryje przyszłe zapotrzebowanie. Należy zaznaczyć, iż w zależności od parametrów wejściowych (typ i parametry rozkładów dla sprzedaży tygodniowej) dla każdego typu kwiatu uzyskano inne preferowane rozwiązanie dotyczące wielkości zamówień. Wspomagane przez model rozwiązanie, to taka liczba kwiatów na dany horyzont czasowy [tydzień], która możliwie jak najlepiej pozwoli pokryć występujący popyt w czasie przy jednoczesnej minimalizacji liczby utylizowanych kwiatów.
W dalszej kolejności została stworzona metoda powiązań elementów modelu oraz niezbędne założenia zaproponowanego w pracy podejścia do określenia wielkości zamówień kwiatów ciętych na dany horyzont czasowy, którym jest tydzień. Zasadniczą cechą opracowanego modelu wspomagania decyzji jest określenie tygodniowej liczby zamówień kwiatów z uwzględnieniem dynamiki popytu. Realizacja tej cechy odbywa się poprzez modyfikacje wartości parametrów funkcji przynależności dla zmiennych wejściowych na podstawie bieżących wartości błędów predykcji zapotrzebowania na dany produkt.
Uzyskane rozwiązania dopuszczalne są wiążące dla przyjętych scenariuszy oraz zadanych wartości parametrów wejściowych. Wyniki analizy uzyskanych rozwiązań, pozwalają stwierdzić, iż przyjęta w pracy metoda uzyskania rozwiązań preferowane jest poprawna
99 i określa liczbę zamówień kwiatów ciętych na dany horyzont czasowy [tydzień]. Wartości wskaźników dla przyjętych scenariuszy i zmienność zapotrzebowania na kwiaty cięte, w ujęciu tygodniowym, wskazują na ich powiązanie oraz wzajemną komplementarność.
Opracowany autorski model wspomagania decyzji jest pomocny przy wyznaczaniu wielkości zamówień kwiatów ciętych na dany horyzont czasowy [tydzień]. Zastosowanie modelu pokazano na przykładzie ustalenia tygodniowej wielkości zamówień 19 typów kwiatów przy ograniczeniu w postaci minimalizacji tygodniowej wielkości utylizacji kwiatów. Opracowany model oparty o proces weryfikacji gwarantuje zachowanie ciągłości działania hurtowni. Wynika to z relacji procentowych pomiędzy ceną zakupu kwiatów oraz możliwą marżę hurtowni sektora roślin ozdobnych.
Opracowany model wspomagania decyzji może stać się istotnym narzędziem wspomagającym pracę właściciela hurtowni przy podejmowaniu decyzji, ile i jakie kwiaty należy zamówić. Praktyczna wiedza właściciela hurtowni wsparta działaniem modelu może spowodować dodatkowe polepszenie działalności hurtowni sektora roślin ozdobnych. Autorski model powinien być stosowany w postaci interaktywnej, w której decydent będzie miał możliwość określenia aktualnych priorytetów w momencie podejmowania decyzji o wielkości zamówień kwiatów ciętych.
Należy zaznaczyć, iż ze względu na nowatorski charakter dysertacji oraz dużą zmienność popytu determinowanego wieloma czynnikami losowymi, ograniczono rozważania do wybranej grupy parametrów wejściowych modelu. Jednak sposób ich sformułowania pozwala na dowolną modyfikacje i przeprowadzenie analogicznych analiz dla całkowicie odmiennych danych.
Podsumowując można stwierdzić, że postawiony cel, który obejmował szereg działań: przegląd literaturowy, zebranie oraz przygotowanie danych wejściowych, budowę modelu symulacyjnego, opracowanie scenariuszy w postaci zdarzeń i zjawisk wynikających z kalendarza roku, scenariuszy sezonowości wynikającej z pór roku, realizację funkcji celu w oparciu o model wspomagania decyzji zamówień kwiatów ciętych, weryfikację działania modelu oraz analizę uzyskanych wyników, został zrealizowany. Zrealizowane w pracy badania oraz opracowany model matematyczny stanowią istotne podwaliny do dalszych badań w zakresie problematyki zaopatrzenia przedsiębiorstw sektora roślin ozdobnych w województwie małopolskim.
100
BIBLIOGRAFIA
1. Abginehchi, S., Farahani, R. (2010). Modeling and analysis for determining optimal suppliers under stochastic lead times. Applied Mathematical Modelling, Vol. 34, No.5, pp. 1311-1328.
2. Arcelus F.J., Kumar S. & Srinivasan G. (2005). Retailer’s response to alternate manufacturer’s incentives under a single-period, price-dependent, stochastic demand framework. Decision Sciences 36 (4), 599–626.
3. Baker R.C., Urban T.L. (1988). Single-period inventory dependent demand models. Omega International Journal of Management Science 16 (6), 605–607.
4. Balakrishnan A., Pangburn M.S. & Stavrulaki E. (2008). Integrating the promotional and service roles of retail inventories. Manufacturing & Service Operations Management 10 (2), 218–235.
5. Bensoussan A., Cakanyildirim M. & Sethi S.P. (2007). A multiperiod newsvendor problem with partially observed demand. Math. Oper. Res. 32 (5), 322–344.
6. Blackburn J.D. (1991). Time-based Competition: The Next Battle Ground in American Manufacturing. Business One Irwin, Homewood.
7. Chang C.-T., Ouyang L.-Y., Teng J.-T. (2003). An EOQ model for deteriorating items under supplier credits linked to ordering quantity. Applied Mathematical Modeliling, Vol. 27, No.12, pp.983-996.
8. Chang C.-T., Ouyang L.-Y., Teng J.-T. (2006). On an EOQ model with ramp type demand rate and time dependent deterioration rate. Interational Journal of Infrmation and Managemnt Sciences, Vol. 17, No.4, pp.51-66.
9. Chang H.-J., Teng J.-T., Ouyang L.-Y., Dye C.-Y. (2006). Retailer's optimal pricing and lot-sizing policies for deteriorating items with partial backlogging. European Journal od Operational Research, Vol. 168, No.1, pp. 51-64.
10. Chen F.Y., Yan H. & Yao L. (2004). A newsvendor pricing game. IEEE Transactions on Systems, Man, and Cybernetics 34 (4), 450–456.
11. Chen H.Y., Chen J. & Chen F. (2006). A coordination mechanism for a supply chain with demand information updating. International Journal of Production Economics 103, 347–361.
101 12. Chen J.-M. (1998) Inventory Model for Deteriorating Items with Time Proportional Demand and Shortages under Inflation and Time Discounting. International Journal of Production Economics, No. 55.
13. Chen J.-M., Lin C.-S. (2002). An optimal replenishment model for inventory items with normally distributed deterioration. Production Planning & Control, Vol.13, No.5, pp. 470-480, 2002.
14. Chen J.-M. (1998). Inventory Model for Deteriorating Items with Time Proportional Demand and Shortages under Inflation and Time Discounting. International Journal of Production Economics, No. 55.
15. Chen T.H. (2017). Optimizing pricing, replenishment and rework decision for imperfect and deteriorating items in a manufacturer-retailer channel. International Journal of Production Economics 183, 539–550.
16. Chiang C. (2005). Optimal ordering policies for periodic- review systems with replenishment cycles. European Journal of Operational Research, Vol. 170, pp.44-56. 17. Chiang C. (2003). Optimal relenishment for a periodic review inwentory system with two supply modes. Europen Journal of Operations Research, Vol. 149, pp. 229-244. 18. Choi T.M., Sethi S. (2010). Innovative quick response programs: a review.
International Journal of Production Economics 127, 1–12.
19. Chopra S., Reinhardt G., Mohan U. (2007). The importance of decoupling recurrent and disruption risk in a supply chain. Naval Research Logistics, Vol. 54, No.5, pp. 544-555.
20. Dai J., Meng W. (2015). A risk-averse newsvendor model under marketing-dependency and price-marketing-dependency. Int. J. Prod. Econ. 160, 220–229.
21. Darwish M. A., Aldaihani- Majid M. (2016). Service level enhancement in newsvendor model. Computers & Industrial Engineering 98, 164–170.
22. de Treville S., Bicer I., Chavez-Demoulin V., Hagspiel V., Schürhoff N., Tasserit C. & Wager S. (2014a). Valuing lead time. J. Oper. Manage. 32 (6), 337–346.
23. de Treville S., Schürhoff N., Trigeorgis L. & Avanzi B. (2014b). Optimal sourcing and lead-time reduction under evolutionary demand forecasting risk. Prod. Oper. Manage. 23 (12), 2103–2117.
24. Dittmann P., Dittman I., Szabela- Pasierbińska E., Szpulak A. (2011). Prognozowanie w zarzadzaniu sprzedażą i finansami przedsiębiorstwa. Wolters Kluwer Business, Warszawa.
102 25. Dmytrów K. (2010). Dynamiczny model zapasów dla produktów psujących się przy róznych stopach psucia się. Prace Naukowe Uniwersytet Ekonomiczny w Katowicach, Metody i zastosowania badań operacyjnych’10, s. 45-53.
26. Dvoretzky A., Keifer J. & Wolfowitz J. (1952). The inventory problem: II. Case of unknown distribution of demand. Econometrica 20 (3), 450–466.
27. Dye C.-Y. (2004). A note on an EOQ model for items with weibull distrbuted deterioration, shortages and power demand pattern. Interational Journal of Infrmation and Managemnt Sciences, Vol. 15, No.2, pp.81-84.
28. Dye C.-Y. (2007). Joint pricing and ordering policy for a deteriorating inventory with partial backlogging. Omega, Vol. 35, No 2, pp.184-189.
29. Dye C.-Y., Hang H.-J., Wu C.-H. (2007). Purchase-inwentory decision models for deteriorating items with a temporary sale price. Iternational Journal of Infrmation and Managemnt Sciences, Vol.18, No.1, pp. 17-35.
30. Dye C.-Y., Hsieh T.-P., Ouyang L.-Y. (2007). Determining optimal selling price and lot size with a varying rate of deterioration and exponential partial backlogging. European Journal Of Operational Research, Vol.181, No. 2, pp. 668-678.
31. Eberle L.G., Sugiyama H. & Schmidt R. (2014). Improving lead time of pharmaceutical production processes using Monte Carlo simulation. Comput. Chem. Eng. 68, 255–263.
32. Felix T.S. Chan, Chan H.K. (2011). Improving the productivity of order picking of a manual-pick and multi-level rack distribution warehouse through the implementation of class-based storage. Expert systems with Aplications (38).
33. Ficoń K. (2008) Logistyka Ekonomiczna. Procesy Logistyczne w przedsiębiorstwie. Wydawnictwo BEL Studio, Warszawa.
34. Frank K.C., Ahn H.-S., Zhang R.Q. (2009). Inventory policies for a make-to-order system with a perishable component and fixed orderin cost. Naval Research Logistics, Vol. 56, No.2, pp.127-141.
35. Gallego G., a, Katircioglu K., Ramachandran B. (2007). Inventory managment under highly uncertain demand. Operations Research Letters, Vol. 35, No. 3, pp.281-289. 36. Ghare P.M., Shrader G.F. (1963) A Model for Exponentially Decaying Inventory.
103 37. Govindan K. (2015). The optimal replenishment policy for time -varying stochastics demand under vendor managed inventory. European Journal of Operational Research Vol.242, pp. 402-423.
38. Goyal S.K., Giri B.C. (2001). Recente Trends in Modeling of Deteriorating Inventory. European Journal of Operational Research 2001, No.134.
39. Hadley G., Whitin T.M. (1963). Analysis of Inwentory Systems. Prentice – Hall, Englewood Cliffs, NJ.
40. Hariga M., Ben-Daya M. (1999). Some Stochastic Inventory Models with Deterministic Variable Lead Time. European Journal of Operational Research, 113, 41. Ho, W.T., Hsiao Y.C. (2012). Single supplier single retailer inventory model
controlled by the reorder and shipping points with sharing information, International Journal of Systems Science, Vol. 43, No. 4. pp. 673-681.
42. Huang Y.S., Su W.J. & Lin Z.L. (2014). A study on lead-time discount coordination for deteriorating products. Eur. J. Oper. Res.
43. Ingene C.A., Parry M.E. (1995). Coordination and manufacturer profit maximization: The multiple retailer channel. Journal of Retailing 71 (2), 129-151.
44. Iyer A.V., Bergen M.E. (1997). Quick response in manufacturer-retailer channels. Manage Sci. 43 (4), 559–570.
45. Jabłońska L., Juszczak K. (2010). Zmienność i współzmienność cen na rynku kwiatów ciętych. Szkoła główna Gospodarstwa Wiejskiego, Warszawa.
46. Jabłońska L., Olewnicki D., Sobczak W. (2016). Zmiany cen kwiatów na polskim rynku hurtowym w latach 2008-2014. Roczniki Naukowe Ekonomii Rolnictwa i Rozwoju Obszarów Wiejskich, T. 103, z. 1.
47. Jabłońska, L. (2007). Ekonomiczne aspekty rozwoju sektora kwiaciarskiego w Polsce. Warszawa: Wyd. SGGW, s.39-50.
48. Jabłońska, L., Ragan, M., Olewnicki, D. (2013). Popyt na kwiaty cięte i doniczkowe oraz jego determinanty – przypadek Warszawy. Rocz. Nauk. SERiA, XV, 1, 60-66. 49. Jian M., Fang X, Jin L.-Q. & Rajapov A. (2015). The impact of lead time compression
on demand forecasting risk and production cost: A newsvendor model Transportation Research Part E 84, 61–72.
50. Johnson O., Thompson H. (1975). Optimality of myopic inventory policies for certain depended processes. Management Science 21 (11), 1303–1307.
104 51. Jucker J.V., Rosenblatt M.J. (1985). Single-period inventory model with a demand uncertainty and quantity discount: Behavioral implications and a new solution procedurę. Naval Research Logistics Quarterly 32 (4), 537-550.
52. Kang H.-Y., Lee A. H. I. (2013). A stochastic lot-sizing model with multi-supplier and quantity discounts. Iterantional Journal of Production Research, Vol. 51, No.,1 pp.245-263.
53. Karlin S., Carr C.R. (1962). Prices and optimal inventory policy, in: H. Scarf, K. Arrow, Karlin (Eds.), Studies in Applied Probability and Management Science, Stanford University Press, Standford, CA.
54. Kauft S., Tłuczak A. (2016) Optymalizacja decyzji logistycznych. Wydawnictwo Difin, Warszawa.
55. Khouja M. (1996). A note on the newsboy problem with an emergency supply option. J. Oper. Res. Soc. 47, 1530–1534.
56. Khouja M. (1999). The single period (newsvendor)problem: literaturę review and suggestions for future research. Omega Int J Manag Sci 27:537-542.
57. Khouja M. (2016). Late season low inventory assortment effects in the newsvendor problem. Omega (in press).
58. Khouja M., Veraga F.E. (2008). Single- period inventory model with a delayed incentive option for selling excess inventory. International Transactions in Operational Research, 15, 359-379.
59. Kim G., Wu K., Huang E. (2015). Optimal inventory control in a multi-period newsvendor problem with non-stationary demand. Advanced Engineering Informatics 29 (2015) 139-145.
60. Konarzewska- Gubała (1991), Wspomaganie decyzji wielokryterialnych. System „BIPOLAR”, Wyd. Uczelniane Akademi Ekonomicznej we Wrocławiu.
61. Kowalska K. (2005). Logistyka zaopatrzenia. Wydawnictwo Akademii Ekonomicznej, Katowice.
62. Krzyżaniak S. (2005). Podstawy zarządzania zapasami w przykładach, Wyd. III., Poznań.
63. Kurnal J. (1970) Zarys teorii i organizacji i zarządzania. PWE, Warszawa.
64. Kutyba A., Mikulik J. (2017). Decision support methods for supply processes in the floral industry. Folia Oeconomica Stetinensia, vol. 17 iss. 2, s. 115–128.
105 65. Kutyba A. (2016). Analiza dynamiki wielkości sprzedaży jako element wspomagania decyzji w sferze zaopatrzenia na przykładzie przedsiębiorstwa branży kwiatowej. Wybrane zagadnienia logistyki stosowanej, T. 3 , Vol. 3, Wydawnictwo AGH. 66. Kwak C., Choi J., Kim C., Kwon I.-H. (2009). Situation reactive approach to Vendor
Managed Inventory problem. Expert Systems with Applications, Vol. 36, No.5, pp. 9039-9045.
67. Lange O. (1967) Optymalne decyzje. PWN, Warszawa.
68. Lee H., Lodree E. J. (2010). Modeling customer impatience in a newsboy problem with time-sensitive shortages. European Journal of Operational Research, 205 (3), 595–603.
69. Leeflang P.S.H., Wittink D.R. (2000). Building models for marketing decisions: past, present and future. International Journal of Research in Marketing, 17, 105-126. 70. Levi R., Roundy R.O. & Shmoys D.B. (2007). Provably near-optimal sampling-based
policies for stochastic inventory control models. Math. Oper. Res. 32, 821–839 71. Li J., Edwin Cheng T.C., Wang S.-Y. (2007). Analysis of postponement strategy for
perishable items by EOQ-based models. Interational Journal of Production Economics, Vol.107, No.1, pp.31-38.
72. Lodree E., Kim Y. & Jang W. (2008). Time and quantity dependent waiting costs in a newsvendor problem with backlogged shortages. Mathematical and Computer Modeling, 47, 60–71.
73. Lodree, E., Klein C., & Jang W. (2004). Minimizing customer response time in a twostage supply chain system with variable lead time and stochastic demand. International Journal of Production Research, 42 (11), 2263–2278.
74. Lorenc A., Kaczor G. (2012). Zwiększenie efektywności procesu kompletacji zamówień w wyniku optymalizacji rozmieszczenia produktów w magazynie z uwzględnieniem ich częstotliwości pobrań oraz gramatury. Logistyka (5).
75. Lovejoy W.S. (1990). Myopic policies for some inventory models with uncertain demand distributions. Management Science 36 (6), 724–738.
76. Lynos K. (2004). Zakupy zaopatrzeniowe. PWE, Warszawa.
77. Maity A., Maity K., Mondal S., Maiti M. (2007). Chebyshev, An approximation for solving the optimal production inventory problem of deteriorating multi item. Mathematical and Computer Modelling, Vol. 45, No. 1-2, pp. 149-161.
106 78. Maity K., Maiti M. (2009). Optmal inventory policies for deteriorating complementary and substitute items. Interational Journal of Systems Science, Vol. 40, No.3, pp.267-276.
79. Mills E.S. (1959). Uncertainty and price theory. The Quarterly Journal of Economics 73 (1) 116–130.
80. Mohebbi E. (2004). A replenishment model for the supply- uncertainty problem. Interational Journal of Production Econimics, Vol. 87, pp.25-37.
81. Mohebbi E., Posner M.J.M. (2002). Multiple replenishment orders in continuous- review inwentory system with lost sales. Operation Research Letters Vol. 30, pp. 117-129.
82. Nagarajan M., Rajagopalan S. (2008). Inventory models for substitutable products: optimal policies and heuristics. Manage. Sci. 54 (August), 1453–1466.
83. Nahmias S. (1982). Perishable inventory theory: a review. Operations Research 30 (4), 680–708.
84. Nahmias S. (2011). Perishable Inventory Systems. Springer.
85. Nahmias S. (1975). Optimal ordering policies for perishable inventory-II. Operations Research 23 (4), 735–749.
86. Nahmias S. (2001). Production and operations analysis. McGraw- Hill.
87. Niemczyk A. (2007). Zapasy i magazynowanie Tom II: Magazynowanie. Instytut Logistyki i Magazynowania, Poznań.
88. Ogryczak W. (1997). Wielokryterialna Optymalizacja Liniowa i Dyskretna, modele preferencji i zastosowania do wspomagania decyzji. Uniwersytet Warszawski Instytut Informatyki, Warszawa.
89. Olewnicki D., Rumowska M., Gogół A. (2014). Wybrane aspekty zaopatrzenia Warszawskich kwiaciarni w rośliny ozdobne. Stowarzyszenie Ekonomistów rolnictwa i agrobiznesu Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu, Nr.16.
90. Ostwald M. (2005). Podstawy optymalizacji konstrukcji. Wydanie drugie Politechniki Poznańskiej, Poznań.
91. Ouyange L.Y., Chuang B.R. (2000). A periodic review inwentory model involving variable lead time with a service level constraint. International Journal of System Science, Vol. 31, pp.1209-1215.
107 92. Pan J.Ch., Hsiao Y.C., Lee C.J. (2002). Inventory models with fixed and variable lead time crash costs considerations. Journal Of the Operational Research Society Vol. 53, pp.1048-1053.
93. Pando, V. San-Jose, L. A., Garcia-Laguna, J.,Sicilia, J. (2013). An economic lot-size model with non-linear holding cost hinging on time and quantity. Interational Journal of Production Economics, Vol. 145, No.1, pp.294-303.
94. Pando, V., Garcia-Laguna, J., San-Jose, L. A., Sicilia, J. (2012). Maximizing profits in an inventory model with both demand rate and holding cost per unit time dependent on the stock level. Computers & Industrial Engineering, Vol. 62, No.2, pp. 599-608. 95. Petruzzi N.C., Dada M. (1999). Pricing and the newsvendor problem: a review with
extensions. Operations Research 47 (2),183–194.
96. Pierskalla W.P. (1969). An inventory problem with obsolescence. Naval Research Logistics Quarterly 16, 217–228.
97. Pierskalla W.P., Roach C.D. (1972). Optimal issuing policies for perishable inventory. Management Science 18 (11), 603–614.
98. Qin Y., Wang R., Vakharia A. J., Chen Y. & Seref, M. M. H. (2011). The newsvendor problem: Review and directions for future research. European Journal of Operational Research, 213(2), 361–374.
99. Qu W.W., Bookbinder J.h., Iyogun P. (1999). An integrated inventory -transportation system with modified periodic policy for multiple products. European Journal of Operational Research, Vol. 115, pp.254-269.
100. Sari K. (2008). On the benefits of CPFR and VMI: A comparative simulation study. Interantionl Journal of Production Economics, Vol. 113, No. 2, pp. 575-586.
101. Sarjusz- Wolski Z. (1998). Strategi zarządzania zaopatrzeniem. Praktyka logistyki biznesu. Agencja Wydawniczo- Poligraficzna PLACET, Warszawa.
102. Sethi S., Yan H. & Zhang H. (2005). Inventory and Supply Chain Management with Forecast Updates. Springer-Verlag, New York.
103. Sikora W. (ed) (2008) Badania Operacyjne [Opreations Research]. Polskie Wydawnictwo Ekonomiczne, Warszawa.
104. Soni H.N., Joshi M. (2015). A periodic reviev inventory model with controllable lead time and back order rate in fuzzy stochastic environment. Fuzzy Inf. Eng., Vol 7, pp.101-114.
108 105. Szczepankiewicz W. (2006) Organizacja źródeł zaopatrzenia handlu detalicznego w
kanałach rynku. Zeszyty Naukowe nr 694, Akademii Ekonomicznej w Krakowie. 106. Ściborek Z. (2003) Podejmowanie decyzji. Agencja Wydawnicza ULMAK,
Warszawa.
107. Taleizadeh A.A., Aryanezhad M.B., Niaki S.T.A. (2008). Optimizing multi-product multi-constraint inventory control systems with stochastic replenishment. Journal of Applied Sciences, Vol. 8, pp. 1228-1234.
108. Tamjidzad S., Mirmohammadi S H. (2015). An optimal (r, Q) policy in a stochastic inventory system with all- units quantity discountand limited sharable resource. European Journal of Operational Research, Vol. 247, pp.93-100.
109. Tanthatemee, T., & Phruksaphanrat, B. (2012). Fuzzy inventory control for uncertain demand and supply. Proceedings odf the Interantional MultiConference od Engineers and Scientists, Vol.2, pp.1224-1229.
110. Urban T.L. (2002). The interdependence of inventory management and retail shelf management. International Journal of Physical Distribution & Logistics Management 32 (1), 41–58.
111. Urban T.L., Baker R.C. (1997). Optimal ordering and pricing policies in a single-period environment with multivariate demand and markdowns. European Journal of Operational Research 103 (3), 573–583.
112. Vose D. (2008). Risk Analysis. A Quantitative Guide, John Wiley & Sous, West Sussex.
113. Wang S.D. (2009). Manufacturer-buyer coordination for newsvendor-type-products with two ordering opportunities and partial backorders. European Journal of Operational Research, 198 (3), 958–974.
114. Wang Y. (2014). A newsvendor model with capital constraint and demand forecast update. International Journal of Production Research, 52 (17), 5021–5040.
115. Weng Z.K. (1997). Pricing and ordering strategies in manufacture and distribution alliances. IIE Transactions 29 (8), 681-692.
116. Weng Z.K. (2004). Coordinating order quantities between the manufacturing and the buyer: A generalized newsvendor model,.European Journal of Operational Research 156 (1),148–161.
117. Whitin T.M. (1955). Inventory control and price theory. Management Science 2 (1), 61–68.
109 118. Więcek P. (2017). Zastosowanie narzędzi sztucznej inteligencji w sterowaniu
zapasami towarów w warunkach niepewności, Kraków.
119. Wróblewska W., Gunerka L. (2014) Wpływ zmienności cen kwiatów ciętych i środków produkcji na sytuację ekonomiczną producentów kwiatów w Polsce w latach 2003-2012. Roczniki Naukowe Ekonomii Rolnictwa i rozwoju obszarów Wiejskich, T. 101, s. 3.
120. Wyżnikiewicz, B., Fundowicz, J., Łapiński, K., Peterlik, M. (2006). Struktura i rola handlu w polskiej gospodarce. Warszawa: IBNGR.
121. Yin, S., & Nishi T. (2014). A solution procedure for mixed- integer nonlinear programming formulation of supply chain planning with quantity discounts under demand uncertainty. International Journal of Systems Science, Vol. 42, No. 11. 122. Zheng M., Shu Y. & Wu K. (2014). On optimal emergency orders with updated
demand forecast and limited supply. International Journal of Production Research, 52(3), 902–917.
123. Zhou Y., Li D. H. (2007). Coordinating order quantity decisions in the supply chain contract under random demand. Applied Mathematical Modelling, 31(6), 1029–1038. 124. Ziukov S. (2015). A literature review on models of inventory management under
uncertainty. Business systems and economics, Vol. 5 No.1, pp.26-35. 125. https://analizarynku.eu/rynek-kwiatow.
