In der mittelfristigen Produktionsplanung auf einem hochaggregierten Niveau spielt die Unsicherheit über die zukünftige Nachfrageentwicklung eine zentrale Rolle. Häufig werden deshalb Berechnungen unter verschiedenen Szenarien durchgeführt. Dies ist jedoch suboptimal. In der vorliegenden Arbeit werden Optimalitätsprinzipien formuliert, in denen die Szenarium-Entwicklung bzw. die Nachfrageprognose durch einen stochastischen Prozeß dargestellt wird. Die Modelle sind vom Typ eines Markovschen Entscheidungsprozesses, d.h. sie erfüllen die Aktualisierung der Prognosen (Adaption), die vorausschauende Produktionsglättung (Antizipation) und die kosteneffiziente Absicherung gegen Fehleinschätzungen (Risiko) auf bestmögliche Weise.
Im ersten Teil der Arbeit werden für einige typische Situationen passende Optimierungsmodelle entwickelt, und zwar bei exogener Prognosevorgabe (Beispiel: Konzernmutter — Tochtergesellschaft), bei Produktionsplanung und Prognose in einer Hand, bei Prognose mit Selbstanpassung und bei Integration eines Frühwarnsystems. Es zeigt sich, daß die Trennung der Funktionen Planung und Prognose nachteilig sein kann.
Im zweiten Teil der Arbeit wird die entwickelte Theorie auf ein konkretes Beispiel aus der Automobilindustrie angewandt. Speziell wird die Frage untersucht: Wie steuert man die Produktion durch ein sich ankündigendes Absatztal bei Unsicherheit über Dauer und Stärke der Rezession? Anhand der Beispielrechnung wird deutlich gemacht, daß das stochastische Modell bei gleicher Kostenstruktur glattere Produktionskurven liefert als ein Modell mit festem Szenarium. Verantwortlich hierfür ist ein dem stochastischen Ansatz inne wohnender zusätzlicher kostenminimierender Trägheitseffekt.

In medium term production planning at a highly aggregated level the uncertainty about future demand plays a central role. A widely used method to take the uncertainty into account is to investigate the same model with different scenarios. This approach produces only suboptimal results. In the first part of this paper some principles of optimality are formulated where forecasting is incorporated and future scenarios are treated as a stochastic process. The resulting models are of the type of a Markovian decision process. They have the property of actualization of forecasts (adaption), of looking ahead production smoothing (anticipation) and of efficient risk balancing. The different models are formulated in view of some typical situations occuring in practice. As a byproduct it is shown that the separation of long term forecasting and short term production planning may be disadvantageous.

The theory developed so far will then be applied to a concrete situation in the automotive industriy. In particular the problem investigated is how to control the production rate throughout an imminent period of recession of unknown severity and duration. The computational results demonstrate that the model with a stochastic scenario yields smoother production lines than the model with a fixed scenario. This is due to an additional cost minimizing inertia caused by the stochastic law of motion.