Главная Случайная страница


Категории:

ДомЗдоровьеЗоологияИнформатикаИскусствоИскусствоКомпьютерыКулинарияМаркетингМатематикаМедицинаМенеджментОбразованиеПедагогикаПитомцыПрограммированиеПроизводствоПромышленностьПсихологияРазноеРелигияСоциологияСпортСтатистикаТранспортФизикаФилософияФинансыХимияХоббиЭкологияЭкономикаЭлектроника






Приклад застосування рухомого середнього

Місяць Обсяг продажу Прогноз (3-місячний інтервал)
Січень 1,212 -
Лютий 1,321 -
Березень 1,278 -
Квітень 1,341 1,270
Травень 1,257 1,313
Червень 1,287 1,292
Липень 1,189 1,295
Серпень 1,111 1,244
Вересень 1,145 1,196
Жовтень 1,150 1,148
Листопад 1,298 1,135
Грудень 1,331 1,198
    1,260

 

Дещо складнішим, ніж рухоме середнє, є метод експоненційного згладжування, який забезпечує досить швидке реагування прогнозу на всі події, що відбуваються протягом періоду, який охоплюється часовим рядом. Основна ідея цього методу полягає в тому, що кожен новий прогноз отримується шляхом зсування попереднього прогнозу в напрямку, який би давав кращі результати порівняно зі старим прогнозом. Базове рівняння має такий вигляд:

Ft+1=α•Dt+(1-α)•Ft

 

де Ft+1 - прогноз для часового періоду t+1;

Dt - фактичне значення показника у момент часу І;

Ft - прогноз, зроблений у момент часу І;

α - константа згладжування (0 < α < 1).

 

Константа згладжування є самокоригованою величиною. Припустимо, ми вибрали а = 0,2 (табл. 4.2.). Прогноз на січень визначається довільно -цю величину потрібно розрахувати іншим способом. У нашому прикладі прогноз на січень дорівнює фактичному значенню обсягів продажу. Далі почергово розраховуються прогнози на кожен місяць. Наприклад, прогноз на червень розраховується таким чином:

F6= 0,2 • D5 + (1 - 0,2) • F5 = 0,2 • 1,257 + 0,8 • 1,262 = 1,261

Аналогічно розраховуються й інші прогнози.

Наведені методи рухомого середнього і експоненційного згладжування належать до прийомів трендового аналізу. Тренд - це тривала тенденція зміни економічних показників у часі. Під час розробки моделей прогнозування тренд є основною складовою прогнозованого часового ряду, на який вже накладаються інші складові.

Аналіз доводить, що жоден з існуючих методів не може дати достатньої точності прогнозу на 20-25 років. Метод екстраполяції не дає точних результатів на тривалий термін, тому що він базується на даних минулого і теперішнього часу, і похибка поступово збільшується в міру віддаленості прогнозу. Тому екстраполяція дає позитивні результати максимум на 5-7 років.

Для стратегічного аналізу корисними є також методи прогнозування з допомогою регресійного аналізу.

Регресійний аналіз - це математичний метод прогнозування, результатом якого є рівняння з однією або більшою кількістю незалежних змінних, яке використовується для визначення залежної змінної. Зміст регресійного аналізу полягає у дослідженні того, як зміна незалежних змінних впливає на залежну змінну. Один раз визначені взаємозв'язки вважаються усталеними (у вигляді рівняння регресії), а майбутні значення залежної змінної прогнозуються шляхом підстановки у рівняння певних значень незалежних змінних. Регресійний аналіз є відносно дорогим, але комплексним і надійним прийомом.

Для знаходження параметрів приблизних залежностей між двома або декількома прогнозованими величинами за їх емпіричними значеннями найчастіше застосовується метод найменших квадратів. Його зміст полягає у мінімізації суми квадратичних відхилень між величинами, що спостеріга­ються, і відповідними оцінками (розрахунковими величинами), розрахова­ними згідно з підібраним рівнянням зв'язку.

Наприклад, для побудови рівняння зв'язку між обсягом реалізації та показником продуктивності праці і рівнем оплати праці можна формально записати:

Y = а0 + а1 • х1 + а2 • х2,

де Y - показник обсягу реалізації;.

a1, а2 - коефіцієнти, які показують вплив відповідно продуктивності праці і рівня оплати праці на зміну обсягу реалізації;

х1, x2 - значення продуктивності праці і рівня оплати праці відповідно;

ао - вільний член рівняння, який самостійного економічного значення не має.

Для знаходження конкретних значень коефіцієнтів а0, а1, а2; будується система нормальних рівнянь. Ця методика викладена у спеціальній літературі зі статистики та економетрії.

Найскладнішими серед методів кількісного прогнозування є комплексні методи економетричного моделювання. Переважно, економетричні моделі "прив'язуються" до математичної моделі цілої економіки. Складні економетричні моделі базуються на численних рівняннях регресії, які кількісно описують взаємозв'язки між різними секторами економіки. Насправді дуже обмежена кількість компаній може застосовувати власні економетричні моделі. Інші компанії зазвичай користуються сервісними послугами консуль­таційних центрів або фірм, що спеціалізуються в галузі економетричного моделювання. Описаний метод є найточнішим і дуже дорогим, тому використовується лише великими компаніями.

На жаль, навіть складні економетричні моделі не можуть забезпечити сто­відсоткову точність прогнозів. Кількісні прогнози - це не передбачення, які обов'язково мають справдитися, а лише припущення. Різниця між цими поняттями величезна. Коли "історичні" тенденції проекціюються (екстраполюються) у майбутнє, може статися "розрив" між минулим і майбутнім - тоді прогнози будуть неточними.

Це застереження потрібно враховувати навіть тоді, коли прогноз викликає повну довіру, оскільки Грунтується на достовірних джерелах і підготовлений компетентними фахівцями. Справа у тому, що різні тенденції можуть мати взаємний вплив, або інакше кажучії, можуть бути тенденції, "приховані" в інших тенденціях. Отже, прогнози повинні завжди ретельно перевірятися.

 

Последнее изменение этой страницы: 2016-06-09

lectmania.ru. Все права принадлежат авторам данных материалов. В случае нарушения авторского права напишите нам сюда...