Sunteți pe pagina 1din 9

PROCESUL DE PREVIZIUNE

Deşi procesul concret de elaborare a previziunilor cunoaşte o mare diversitate în funcţie de domeniul şi metodele specifice totuşi pot fi sintetizate câteva etapele generale, comune tuturor domeniilor, astfel:

1) Stabilirea obiectului previziunii

2) Fixarea perioadei de timp pentru care se elaborează previziunea (orizontul de previziune), precum şi al gradului de detaliere al acesteia (global sau pe fiecare produs în parte). Gradul de detaliere ridicat este un factor care, în mod similar orizontului de timp îndelungat, conduce la creşterea gradului de incertitudine. Prin urmare pentru un orizont de timp lung se recomandă realizarea unor previziuni globale.

3) Colectarea şi evaluarea datelor/informaţiilor necesare elaborării previziunii

4) Alegerea modalităţii de prezentare a rezultatelor previziunii (alegerea din multitudinea de alternative a variantei cele mai probabile; prezentarea rezultatelor sub forma unor scenarii - pesimist, moderat, optimist; prezentarea sub formă de interval de încredere etc.)

5) Alegerea metodei/metodelor de previziune se realizează în funcţie de elementele stabilite la etapele anterioare.

6) Elaborarea propriu-zisă a previziunilor. În funcţie de metoda aleasă (calitativă, cantitativă sau mixtă) vor fi parcurse etapele impuse de metodologia specific de elaborare.

7) Evaluarea acurateţei metodei utilizate prin compararea valorilor previzionate cu datele reale odată ce acestea devin disponibile. Odată ce exactitatea metodei a fost evaluată dacă acesta nu este satisfăcătoare se recurge la îmbunătăţirea metodei sau, dacă acest lucru nu este posibil, la selectarea unei altei metode

Datorită caracterului lor incert rezultatele procesului previzional descriu realitatea cu o anumită eroare. Prin urmare obiectivul unui sistem de previziune nu este eliminarea erorii ci minimizarea sa.

Eroare previziune:

eliminarea erorii ci minimizarea sa. Eroare previziune : INDICATORI AI ERORII DE PREVIZIUNE Eroarea medie (EM):

INDICATORI AI ERORII DE PREVIZIUNE

Eroarea medie (EM):

,
,

unde n- numărul de erori înregistrate pe perioada istorică.

Eroarea medie absolută (EMA): abaterea medie a previziunilor în valoare absolută de la valorile observate.

Eroarea medie pătratică (EMP):

Eroarea standard (ES):

Eroarea medie pătratică (EMP): Eroarea standard (ES): Se utilizează, în general la determinarea intervalelor de
Eroarea medie pătratică (EMP): Eroarea standard (ES): Se utilizează, în general la determinarea intervalelor de

Se utilizează, în general la determinarea intervalelor de previziune atunci când erorile au o distribuţie normală de medie 0. În această situaţie se ştie de exemplu că valoarea reală se află, cu o probabilitate de 95% în intervalul dat de valoarea previzionată ±1,96 ES.

Eroarea procentuală medie absolută (EPMA):

±1,96 ES. Eroarea procentuală medie absolută (EPMA): Pentru că ia în calcul valori relative EPMA poate

Pentru că ia în calcul valori relative EPMA poate fi folosită pentru a compara aplicarea aceleiaşi metode sau a unor metode diferite pe serii de date care diferă ca unitate de măsurare. EPMA arată care este în medie procentul absolut al erorii faţă de valoarea observată. Cu cât acest procent este mai mic cu atât previziunea este mai exactă, având astfel o unitate de măsură care asigură inter-comparabilitatea între domenii.

METODE DE EXTRAPOLARE (PREVIZIUNEA MECANICA)

METODE DE EXTRAPOLARE (PREVIZIUNEA MECANICA) Serie de timp cu trend serie de timp stationara De-a lungul

Serie de timp cu trend

serie de timp stationara

De-a lungul timpului s-au conturat două modalităţi de abordare a previziunii bazate pe înregistrările istorice sub forma seriilor de timp: extrapolarea seriilor de timp (previziunea mecanică) şi previziunea euristică.

Extrapolarea presupune determinarea valorii unei funții pentru o valoare a variabilei aflată in afara intervalului de valori cunoscute.

Previzionarea indicatorilor prin extrapolare = presupune stabilirea unui model de analiza de forma:

si introducerea in model a valorii convenționale a variabilei timp pentru care se efectuează extrapolarea.

Presupune următoarele restricții:

Y t = f(t)
Y t = f(t)

condițiile de manifestare a evoluției să se mențină neschimbate și pe orizontul de prognoză

lungimea seriei sa fie suficient de mare pentru a surprinde regularitatea mișcării fenomenului

ciclicitatea variabilei de prognoză depinde nu doar de orizontul seriei, ci si de cel de prognoză

1. Metode bazate pe medii:

1.1. Media mobilă de lungime k.

Previziunea pentru perioada următoare, n+1, este media ultimelor k valori înregistrate.

n+1, este media ultimelor k valori înregistrat e. 1.2 . Media mobilă ponderată de lungime k.

1.2. Media mobilă ponderată de lungime k.

Este o metodă foarte asemănătoare mediei mobile simple prezentate anterior (are aceleaşi avantaje şi se aplică în aceleaşi condiţii), cu diferenţa că ponderile valorilor nu sunt egale, acestea descresc odată ce valorile devin mai îndepărtate în trecut. Dacă cunoaştem datele până în momentul n, previziunea pentru momentul n +1 printr-o medie mobilă simplă de lungime 4 se calculează astfel:

medie mobilă simplă de lungime 4 se calculează astfel : Previziunea pentru momentul n+1 printr- o

Previziunea pentru momentul n+1 printr-o medie mobilă ponderată de lungime 4 este:

n+1 printr- o medie mobilă ponderată de lungime 4 este: 2 . Funcții de tendință Extrapolarea

2. Funcții de tendință

Extrapolarea se poate realiza:

- fie prin metode mecanice:

metoda modificării absolute:

Y t = Y 0 + t*∆

(pentru fenomenele cu creștere in progresie aritmetica)

metoda indicelui mediu al dinamicii:

Y t = Y 0 * I t (pentru fenomenele cu creștere in progresie geometrica)

- fie prin metode analitice:

in acest caz se definește funcția de extrapolare, de forma:

funcție liniara:

funcție exponențială: Y t = a* b t

Y t = a+ b*t
Y t = a+ b*t

funcție logistică: Y t =

a

1 e

b

c

*

t

funcție parabolică: Y t = a+ b*t+ c*t 2

se estimează apoi coeficienții funcției prin MCMMP (minimizarea dispersiei presupune rezolvarea următorului sistem de ecuații:

y

y

i

i

t

i

n

a

a

b

t

t

b

i

t

2

se efectuează extrapolarea dându-se noi valori pentru t

3. Netezirea exponențială (Exponential smoothing)

3.1. Netezirea exponențială simplă

Este o medie a cărei ponderi descresc în mod exponenţial pe măsură ce valorile devin mai îndepărtate în trecut. Conform acestei metode previziunea se determină ca o sumă ponderată a ultimei valori reale înregistrate şi previziunea aferentă perioadei anterioare.

şi previziunea aferentă perioadei anterioare . . unde Folosirea nivelării exponenţiale în previziune,
.
.

unde

Folosirea nivelării exponenţiale în previziune, impune rezolvarea în prealabil a două probleme:

1. Iniţializarea procesului de previziune – constă în stabilirea primei valori previzionate. În acest scop se

folosesc în principal două metode:

a. Folosirea valorii reale înregistrată anterior ca previziune iniţială. Altfel spus, valoarea reală a primului termen a seriei de date statistice devine previziune pentru cel de-a doua perioadă b. Calcularea mediei aritmetice corespunzătoare primilor termeni (4-5) ai seriei statistice pentru care dispunem de date reale. Media astfel calculată devine prima valoare previzionată. Iniţializarea procesului de previziune influenţează toate previziunile ulterioare. În acelaşi timp intensitatea acestor influenţe se reduce pe măsură ce ne îndepărtăm în viitor de momentul iniţializării. 2.Optimizarea parametrului se face astfel încât erorile să fie minime.

3.2. Netezirea exponențială Holt-Winters

Metodele de previziune pentru fluctuaţiile sezoniere se întemeiază pe ipoteza că variaţia unei serii de timp poate fi descompusă în următoarele componente:

1. Variaţia pe termen mediu şi lung denumită trend-ciclu. Această variaţie determină sensul general al

evoluţiei procesului sau fenomenului (trendul) împreună cu fluctuaţiile ciclice cu periodicitate variabilă pe termen mediu (mai mare de 1 an) 2. Variaţii cu periodicitate fixă, sezonieră. Aceste variaţii au loc în anumite condiţii specifice, fiind rezultatul acţiunii unor factori naturali (încasările în turism, producţia în construcţii sau agricultură etc.). Pentru a observa aceste fluctuaţii frecvenţa de înregistrare a datelor trebuie să fie mai mare de 1 an (date trimestriale,lunare etc.)

3. Variaţia aleatoare, întâmplătoare sau reziduală. Aceste variaţii sunt determinate de abaterile de la tendinţă şi variaţiile periodice, fiind rezultatul acţiunii unor factori imprevizibil, necuantificabili, de regulă de scurtă durată. Acestea nu pot fi previzionate reprezentând principala cauză a erorilor de previziune.

Relaţia dintre componentele enumerate anterior poate fi de două tipuri: aditivă şi multiplicativă. Modelul aditiv se utilizează în cazul unei relaţii de independenţă totală a fiecărei componente faţă de celelalte, şi reprezintă simpla însumare a acestora.

unde:

Y valorile reale;

T componenta de tend-ciclu;

S

componenta sezonieră;

E

componenta aleatoare.

componenta sezonieră; E – componenta aleatoare. Modelul multiplicativ presupune existenţa unei relaţii de

Modelul multiplicativ presupune existenţa unei relaţii de proporţionalitate a componentelor de variaţie

iar valorile observate sunt reprezentate de produsul acestor componente:

observate sunt reprezentate de produsul acestor componente: Metoda Holt- Winters se bazează pe trei ecuaţii de

Metoda Holt-Winters se bazează pe trei ecuaţii de nivelare exponenţială: o ecuaţie pentru nivelarea componentei de trend, una pentru nivelarea sporului de creştere care stă la baza formării trendului şi una pentru componenta sezonieră. La cele trei ecuaţii de nivelare se adaugă încă o ecuaţie pentru agregarea componentelor amintite anterior şi realizarea previziunii propriu zise. Această metodă se poate aplica în două variante: modelul aditiv şi modelul multiplicativ. Ecuaţiile modelului multiplicativ, mai des utilizat sunt următoarele:

L

t

T

t

Y

t

(

S

t

L

t

s

S

t

Y

t

L

t

ˆ

Y

t

1

(

L

t

(1

L

t

(1

1

)(

L

t

1

T

t

)

(1

) S

t

s

)

T

t

1

T

t

)

S

t

s

1

)

unde: s- durata sezonalităţii (numărul de trimestre dintr-un an, numărul de luni etc.); α, β, γ,parametrii de netezire sezonieră cuprinşi în intervalul (0,1)

Exemplificare netezirea exponenţială simpla (Brown) – fără sezonalitate şi trend:

nivelul încasărilor pentru luna mai a anului T ştiind că evoluţia încasărilor

efective din ultimele patru luni (ianuarie, februarie, martie, aprilie) ale anului T, în cazul societăţii „TAX”,

secţia de transport intern de călători a fost cea din tabelul de mai jos. In plus, nivelul previzionat în decembrie anul T-1 pentru luna ianuarie a anului T e de 440 milioane lei, iar coeficientul de ajustare =0,1.

Să se previzioneze

 

Perioada

Incasări efective (mil. lei)

 

t

X(t)

Ianuarie 2015

t-3

425

Februarie 2015

t-2

380

Martie 2015

t-1

370

Aprilie 2015

t

395

Rezolvare:

Întocmim un tabel de calcul al relaţiilor de recurenţă pe baza valorilor iniţiale, după cum urmează:

Perioada

Incasări efective

Nivel previz. =0,1

 

X(t)

X t

Ianuarie (t-3)

425

438.5

Februarie (t-2)

380

432,65

Martie (t-1)

370

426,39

Aprilie (t)

395

423,26

De aici rezultă că valoarea previzionată pentru luna mai (utilizând un coeficient de ajustare =0.1) este de 423,26 mil. lei.

METODE DE PREVIZIUNE EURISTICA PE TERMEN SCURT

1. Metoda vectorilor spectrali

Metoda vectorilor spectrali este o metodă de previziune a fenomenelor de piață (vânzări, livrări, comenzi etc.) ce se bazează pe descompunerea spectrului succesiunii în timp a unei comenzi conform graficului de livrare, pe baza unor date din trecut, privind evoluţia sau structura acesteia.

i

t,th

C

tg,th,

v

i – intrările (ieşirile) de mărfuri previzionate pentru perioada de la t la t+h

C t-g,t+h matricea comenzilor din perioada t-g şi t+h

v vectorul spectral

Reguli de întocmire a matricei comenzilor

- numărul coloanelor este egal cu numărul elementelor vectorului spectral;

- numărul liniilor este egal cu numărul sub-perioadelor pentru care se previzionează intrările / ieşirile de mărfuri;

- pe prima linie se înregistrează comenzile începând cu luna t, continuând cu cele lansate în sub-perioadele precedente acesteia;

- pe prima coloană se înregistrează comenzile ulterioare lunii t;

- elementele înscrise pe prima linie şi prima coloană sunt translatate pe diagonală în interiorul matricei.

Exemplu aplicație:

Programarea intrărilor de materiale după un spectru dat

Comanda lansată de către o firmă în luna ianuarie în vederea aprovizionării cu materie primă se prevede a fi onorată pe parcursul a patru luni, după următorul grafic:

În luna curentă - 20%

În luna a doua - 30%

În a treia lună - 30%

În luna a patra - 20%

Situația comenzilor lansate până în acest moment este descrisă în următorul tabel:

Nr. crt.

Luna calendaristică

Comenzi (mii lei)

1

Oct. 2014

70

2

Nov. 2014

30

3

Dec. 2014

10

4

Ian. 2015

200

5

Feb. 2015

300

6

Martie 2015

600

Se cere (în ipoteza menţinerii spectrului satisfacerii comenzilor):

a) Să se previzioneze intrările din produsul comandat pentru primul semestru al anului;

b) În ipoteza în care cererea din produsul respectiv va creşte în primele trei luni cu 10%, 20%, 20%, să se determine care ar fi volumul comenzilor lansate. Dar dacă s-ar cere doar modificările necesare a fi aduse comenzilor, care ar fi procedura de calcul?

Rezolvare

a) Una dintre metodele posibile de rezolvare a problemei formulate mai sus o reprezintă vectorii spectrali. Relaţia de calcul a valorii livrărilor pe primele şase luni va fi:

i t, t+τ1 =C t-τ2,t+ τ1 * v

unde:

C t-τ2,t+τ1 – matricea comenzilor precedente acesteia;

i t, t+τ1 reprezintă vectorul livrărilor pe perioada (t, t+ τ 1 );

pe perioadele (t, t+ τ 1 ), succesive lunii

curente t

şi

(t, t-τ 2 ),

Matricea comenzilor pentru primul semestru al anului curent se va construi după următoarele reguli:

1. Numărul coloanelor este egal cu numărul elementelor vectorului spectral, iar cel al liniilor cu numărul sub-perioadelor (lunilor) în care se divide întregul orizont de timp pentru care se efectuează programarea livrărilor;

2. Pe prima linie se înregistrează comenzile începând cu luna curentă şi continuând cu cele lansate în lunile precedente;

3. Pe prima coloană sunt înregistrate comenzile lansate începând cu luna curentă şi continuând cu lunile următoare acesteia;

4. Elementele de pe prima coloană şi linie sunt translatate pe diagonală în cadrul matricei comenzilor.

10

200

200

300

600

0

0

30

10

200

300

600

300

600

0

  0

  0

0

70

30

100

200


300

600


310



240


66

129

272



0.2


0.3

0.3



  0.2

  

120

Deci, în luna ianuarie valoarea livrărilor a fi de 66 mii lei, în februarie de 129 mii lei, în martie 272 mii lei, în aprilie 310 mii lei, în mai 240 mii lei, iar în iunie 120 mii lei. În total, pe primul semestru valoarea livrărilor va fi de 1137 mii lei.

b) Valoarea livrării din produsul respectiv în primele luni ale anului va creşte în ianuarie cu 6,6 mii lei, în februarie cu 25,8 mii lei, în timp ce în martie cu 54,4 mii lei. Vom nota cu x modificarea efectuată comenzii lansate în ianuarie, cu y celei din februarie şi cu z celei din martie şi vom determina noul nivel al comenzilor care au fost lansate.

200

300

600

x

y

z

10

200

300

x

y

30

10

200

x

0.2

0.3

0.3

0.2

70   

30

10

72,6

154,8

326,4

Scriem sistemul de ecuaţii şi îl rezolvăm. Obţinem în final:

0

.

2

x

6,6

 

0

2

0 3

x

25,8

0

.

.

2

y

z

.

0 3

.

y

.

0 3

x

54,4

deci:

x 33

y 79,5

   103,25

z

Aşadar, în luna ianuarie se va lansa o comandă de 233 mii lei, în februarie de 379,5 mii lei, iar în martie de 703,25 mii lei. În cazul în care dorim să cunoaştem doar modificările necesare a fi aduse comenzilor se va pleca de la următoarea relaţie de calcul:

x

y

z

0

x

y

0

0

x

0.2

0.3

0   

0

0

0.3

0.2

6,6

54,4

25,8

Determinarea efectivă a lui x, y şi z s-a realizat mai sus.

c) Volumul comenzilor lansate în anul precedent şi livrate în anul curent se va determina astfel:

 

 

0

0 0

0 0

10

2. Lanţuri Markov

30

10

0

0.2

  

0.2

0.3

0.3


 

70  

30

10


 

26


 

2

9


=> Total: 37 mii lei.

Metoda lanțurilor Markov reprezintă o modalitate de previziune cu utilitate limitată, ce nu presupune nici existența unei serii cronologice, nici existența unei asocieri.

Proprietatea Markov: starea viitoare depinde doar de starea prezentă și de o matrice a probabilităților de schimbare a stării (starea viitoare nu depinde de stări trecute).

• Probabilitatea unei anumite stări de a depinde de stările anterioare:

(

P s

ik

s

i

1

,

s

i

2

,

,

s

ik

1

)

(

P s

ik

s ik 1

Probabilitatea unei stări poate fi calculată cu ajutorul următoarei formule:

(

P s

i

1

,

s

i

2

,

,

s

ik

)

(

P s

ik

(

(

P s

P s

ik

ik

s

i

1

s

s

ik

ik

,

s

i

2

1

1

)

)

,

s

(

(

,

ik

1

,

P s

P s

i

1

ik

)

s

1

P s

i

1

,

s

i

2

,

s

ik

2

s

)

ik

1

(

,

i

2

)

)

,

,

s

(

P s

ik

i

2

1

)

s

i

1

)

(

P s

i

1

)

Această metodă este utilizată la modelarea proceselor de tip „naştere şi moarte” adică procesele cu evoluţie ireversibilă în timp. În consecinţă, starea unui fenomen, proces sau sistem la momentul viitor t+1 depinde de starea acestuia la momentul t şi matricea probabilităţilor de trecere de la starea t la t+1. Identificarea acestei matrice presupune efectuarea unor analize statistice privind evoluţia în timp a fenomenelor (proceselor, sistemelor).

S

t

1

S P

t

, 1

t t

S t starea la momentul t

P t,t+1 – matricea probabilităţilor de trecere de la starea t la t+1

S t+1 – starea previzionată pentru momentul t+1

Exemplu aplicație: (utilizarea clasică în marketing – evoluția cotei de piață (matricea probabilității de tranziție este alcătuită pe baza unui indicator de loialitate / tranziție a respondenților pentru o anumită marcă).

– Pe piaţa şampoanelor dermato-cosmetice există trei produse principale: Stieprox, Ducray şi Nizoral, cu cotele de piață: 20%, 30% și 50%.

Coeficienţii de fidelitate sunt constanţi de la o lună la alta, având următoarele valori:

50% din clienţi fideli șamponului Stieprox;

60% din clienţi fideli șamponului Ducray;

80% din clienţi fideli șamponului Nizoral.

Ceilalţi clienţi se orientează spre serviciile altor societăţi după cum urmează:

Șampon

Reorientări către

Stieprox

Ducray

Nizoral

Stieprox

-

0.2

0.30

Ducray

0.20

-

0.20

Nizoral

0.10

0.10

-

Cerinţele problemei:

Considerându-se constante probabilităţile de tranziţie, să se calculeze evoluţia în continuare a ponderilor celor trei produse pe durată a 5 luni;

Să se reprezinte grafic în coordonatele probabilitate-timp evoluţia celor trei produse concurente şi în funcţie de grafic să se facă analiza economică.

Rezolvare:

a) Vom avea matricea probabilităţilor de trecere P(0,1) la momentul T 0 şi care va rămâne aceeaşi în

fiecare lună (este constantă conform metodei):

Șampon

Reorientări către

Stieprox

Ducray

Nizoral

Stieprox

0,5

0,2

0,30

Ducray

0,20

0,6

0,20

Nizoral

0,10

0,10

0,8

Mai cunoaştem şi vectorul structurii iniţiale S 0 :

Șampon

Stieprox

Ducray

Nizoral

Structura

20%

30%

50%

Cu aceste date se poate realiza calculul iterativ folosind formula:

S(t+1)= S(t) * P

 

STRUCTURA PIETEI PROGNOZATE

 

Stieprox

Ducray

Nizoral

T1: S1=S0*P

0,21

0,27

0,52

T2: S2=S1*P

0,21

0,26

0,53

T3: S3=S2*P

0,21

0,25

0,54

T4: S4=S3*P

0,21

0,25

0,55

T5: S5=S4*P

0,21

0,24

0,55

0,21 0,25 0,55 T5: S5=S4*P 0,21 0,24 0,55 În concluzie se poate spune că structura pieţei

În concluzie se poate spune că structura pieţei peste 5 luni va avea următoarea formă: produsul Stieprox va deţine 21%; Ducray va deţine 24%; iar Nizoral va deţine 55 %.

3.

Coeficienţi de elasticitate

Cu ajutorul acestei metode se previzionează evoluţia desfacerilor de mărfuri pe un orizont dat de timp luându-se în considerare fluctuaţia intenţiilor de cumpărare în structura desfacerilor de la parte la întreg.

D t+1

D t

x

x

E c

x

– desfacerile de mărfuri previzionate pentru momentul t+1

– desfacerile de mărfuri realizate la momentul t

– variaţia relativă a desfacerilor totale de mărfuri

– coeficientul de elasticitate a desfacerilor de mărfuri în raport cu desfacerile totale.

D

t

1

D

t

(1

c

E

x

)

Exemplu:

Se cunoaşte evoluţia încasărilor totale rezultate din aprovizionarea cu produse alimentare, tutun şi băuturi pe trei luni consecutive, sintetizate în tabelul următor:

Indicatori

Martie

Aprilie

Mai

Incasări totale (mil lei)

450

500

465

Incasări produse alimentare (mil. lei)

215

235

224

Cerinţe:

a) Se cere să se determine elasticitatea încasărilor înregistrate pentru produsele alimentare în raport cu elasticitatea încasărilor totale.

b) In ipoteza în care volumul total al încasărilor va creşte în iunie cu 12%, să se previzioneze încasările ce se vor înregistra pentru produsele alimentare.

Rezolvare:

a) Datele problemei le vom sintetiza în următorul tabel:

Indicatori

Martie

Aprilie

Mai

Incasări totale

450

500

465

Incasări produse alimentare

215

235

224

Conform regulilor de calcul (E=(dy/y)/(dx/x) ), au rezultat următoarele valori ale elasticităţii:

 

Apr/Mar

Mai/Apr

Elast. medie

Elasticitatea încasărilor din produse alimentare în raport cu încasările totale

0.85106

0.65242

0.75174

In luna aprilie faţă de martie, o creştere cu 1% a încasărilor totale a determinat o creştere cu 0.85106% a încasărilor la produsele alimentare spre deosebire de luna aprilie când, la o scădere de 1% a încasărilor totale, încasările din produsele alimentare au scăzut cu 0.65242%. Se apreciază că cererea inelastică din luna aprilie a rămas tot inelastică şi în luna următoare.

Analizând elasticitatea medie, se poate aprecia că cererea este inelastică, adică la o reducere (creştere) cu 1% a încasărilor totale, cererea se va reduce (creşte) cu 0.75174%.

D t1 =D t (1+Emedie* x/x)

Iunie=224*(1+0.75174*0.12)=244.206 mil. lei

Conform ipotezelor de lucru, dacă volumul încasărilor totale ar înregistra o creştere de 12%, atunci încasările provenite din aprovizionarea cu produse alimentare s-ar cifra la 244.206 mil. lei.