Читайте также:
|
Получение надежных оценок будущих показателей, например, спроса на товары, стоимости материалов или готовой продукции, величины затрат – важный этап в процессе принятия текущих и долгосрочных управленческих решений.
Временной ряд – это ряд наблюдений, проводившихся регулярно через равные интервалы времени (год, сутки, неделя, минуты). Анализ временных рядов начинают с построения графика данных (график временного ряда). Он отражает поведение временного ряда в прошлом периоде.
Анализируя значения временного ряда, надо иметь в виду его составляющие:
Тренд – это общая долгосрочная тенденция изменения временного ряда, лежащая в основе его динамики. При анализе временного ряда большой длительности (годы) отмечаются колебания относительно линии тренда, которые представляют собой циклические колебания. Они, как правило, соответствуют циклу деловой активности (экономическому циклу), который повторяется регулярно и состоит из спада, оживления, подъема, депрессии. Это долгосрочный и нерегулярный тип вариации. При краткосрочном прогнозировании можно пренебречь циклической составляющей ряда (в дальнейшем мы будем ограничиваться только краткосрочным и среднесрочным прогнозированием).
Сезонная вариация – краткосрочное, регулярно повторяющееся колебание значений временного ряда вокруг тренда. Этот тип отклонений всегда носит название сезонных, даже если речь идет о временном ряде еженедельных объемов продаж, показывающем регулярный подъем к концу недели. Этот термин просто отражает регулярность и краткосрочность отклонений от тренда по сравнению с продолжительностью временного ряда.
Еще одним компонентом временного ряда является остаточная вариация, которая сохраняется после удаления прочих составляющих ряда. Остаточная вариация может быть двух видов.
Аномальная вариация – неестественно большое отклонение временного ряда, которое оказывает воздействие на единичное наблюдение (например, информация по поводу опасности употребления продукта питания может привести к временному сокращению объема продаж). Эти события нельзя предсказать, поэтому нужно учитывать возможность их появления и соответственно корректировать прогноз.
Случайная вариация – малые отклонения, которые невозможно предвидеть и которые в долгосрочной перспективе с равной вероятностью могут как снизить, так и увеличить объем продаж. Но объяснить все вариации невозможно.
Для объединения отдельных элементов временного ряда используют мультипликативную модель:
Объем продаж = Тренд*Сезонная вариация*Остаточная вариация.
Таким образом, для составления прогноза необходимо сначала рассчитать тренд, а затем сезонные компоненты.
Для выделения тренда используют разные приемы сглаживания, в том числе скользящих средних и экспоненциальное.
Если у временного ряда имеется сезонная вариация, то для расчета тренда обычно применяют метод скользящей средней. Скользящие средние могут рассчитываться по трем, пяти, семи значениям временного ряда или по четным значениям. От количества точек при вычленении скользящих средних зависит степень сглаживания, снятие колебаний по отношению к линии тренда. Использование малого количества значений облегчает расчеты, однако снижает возможность получения объективного тренда.
Поскольку для прогнозирования тренда не используются уравнение, то повышается «отзывчивость» прогноза на изменение (хотя некоторые аналитики рассматривают отсутствие уравнения как недостаток).
После анализа тренда и циклических колебаний следует вычленить из временного ряда сезонные колебания внутри года. Сезонную вариацию можно более четко рассмотреть, если взять данные о продажах за прошлый год и пренебречь в них трендом. Поскольку для анализа используется мультипликативная модель, следует разделить каждый показатель объема продаж на величину тренда.
Объем продаж = Тренд*Сезонная вариация*Остаточная вариация
= Сезонная вариация*Остаточная вариация
Нескорректированные средние содержат как сезонную, так и остаточную вариацию. Для удаления остаточной вариации необходимо скорректировать средние. В долгосрочном плане величина превышения объема продаж над трендом в удачные кварталы должна уравниваться с величиной, на которую объем продаж ниже тренда в неудачные кварталы
Случайные колебания из названных выше составляющих временного ряда нельзя заранее предусмотреть. Это, например, поставка материалов низкого качества, поломка оборудования, какие-либо чрезвычайные обстоятельства в хозяйственной деятельности. Такие колебания представляют собой беспорядочные отклонения, которые важно учитывать при оценке вероятной точности используемой модели прогнозирования.
Для устранения колебаний в ряде значений можно использовать экспоненциальное сглаживание. Прогнозирование с помощью тренда не дает возможности вносить коррективы в развитие ситуации и учитывать ее при прогнозировании продаж. В случае возникновения дефицита какого-либо продукта появляется потребность в краткосрочном прогнозе спроса, как правило, на один день или одну неделю, но не на год. Тип и глубину прогнозирования определяет также характер бизнеса. При производстве дорогостоящего продукта с длительным периодом разработки (аэрокосмическая и фармацевтическая продукция) необходим прогноз продаж на ряд лет. В случае производства скоропортящегося или дешевого продукта необходим быстрый и простой метод прогнозирования на один отчетный период вперед. При составлении прогноза на короткий период большее значение придают недавним данным и меньшее – данным более далеких прошлых периодов.
Для преодоления проблем краткосрочного прогнозирования используется методика экспоненциального сглаживания. Более поздним данным придается больший вес, чем более ранним. Этот метод обеспечивает быстрое получение прогноза на один период времени и автоматически корректирует любой прогноз с учетом различий между фактическими спрогнозированными. Применяется этот метод чаще всего для прогнозирования спроса.
Простая модель экспоненциального сглаживания представляется следующим уравнением:
Спрос на следующий период = Константа сглаживания ∙ Фактический спрос в текущем периоде + (1 – Константа сглаживания) ∙ Прогноз на текущий период. Или символами
где 
– константа сглаживания;
Ft – прогноз на текущий период t;
Ft + 1 – прогноз на следующий период (t + 1);
Dt – фактический спрос на период t.
Сглаживающая константа выступает в качестве весов. Константа сглаживания – величина между 0 и 1, которую выбирает составитель прогноза в зависимости от специфики конкретного применения. Если = 0, то прогноз на следующий год будет равен прогнозу на текущий период (данные при этом более поздние фактические данные не принимаются в расчет). Если константа = 1, то данным прошлых периодов не придается никакого значения и прогноз полностью зависит от фактического спроса на текущий период (такой выбор приемлем при открытии нового супермаркета, так как нет данных о прошлых продажах).
Чаще всего используется ее значение в пределах от 0,1 до 0,3. В целом в условиях стабильности наиболее часто применяются значения константы сглаживания от 0,2 до 0,4; однако в некоторые периоды года, особенно в предпраздничные, для прогнозирования используются более высокие значения : от 0,7 до 0,9. Очевидно, что для удовлетворения текущего спроса необходимо иметь достаточный запас.
Для конкретных случаев приходится подбирать приемлемое значение сглаживающей константы, имея в виду, что чем меньше значение, тем менее оно чувствительно к изменениям тренда в данном временном ряду. Малое значение константы приводит к большему сглаживанию, а большее ее значение более точно отражает изменения тренда. С удалением горизонта прогноза достоверность расчетов будет снижаться.
Обратимся к сезонной составляющей временного ряда. Сезонные колебания достаточно часто сопровождают динамику, например, в торговой и сбытовой деятельности, в ряде производств добывающей и перерабатывающей, в пищевой промышленности. При оценке сезонных колебаний используются два метода – сложения и умножения.
Первый целесообразно применять тогда, когда сезонные составляющие относительно постоянны по всему анализируемому периоду. Значение временного ряда в этом случае представляет собой сумму тренда и сезонной составляющей.
Метод умножения целесообразно использовать, когда сезонные колебания пропорциональны значениям тренда по всему периоду. Значения временного ряда будут представлять собой произведение тренда и сезонной составляющей, рассчитанной как отношение исходного значения к значению тренда, который, в свою очередь, может быть определен на основе, например, скользящих средних.
Прогнозируемые показатели каждого сезона предстоящего года будут представлять собой сумму тренда и среднего значения сезонного колебания в соответствующем периоде.
Если для вычисления прогнозных значений временного ряда воспользоваться методом умножения, то оценочные показатели сезонных отклонений будут равны частному от деления исходных значений на значения тренда, например на скользящие средние. В этом случае прогнозные показатели рассчитываются путем умножения тренда на средние значения коэффициента отклонений (метод умножения), рассчитанные для каждого сезона.
Иногда трудно выбрать метод расчета. Считается, что при почти одинаковых колебаниях исходных значений целесообразно применять метод сложения. Если колебания изменяются вслед за динамикой тренда, то более точным может быть метод умножения.
Вычленение и анализ такого элемента временных рядов, как случайные колебания, может использоваться для определения вероятных ошибок и оценки надежности модели прогнозирования. Случайные колебания расцениваются как ошибки прогноза. Разность между фактическими и прогнозируемыми значениями характеризует допущенную ошибку. Для оценки ошибок существуют статистические показатели – средняя ошибка и среднеквадратическая ошибка. Чем меньше значения этих критериев, тем больше надежность прогнозной модели.
Обычно для признания модели объективной ее проверяют путем сравнения фактических и прогнозных показателей, прежде чем использовать в дальнейших исследованиях. Эффективным может оказаться прием, когда прогнозная модель формируется исходя из усеченных исторических данных, т.е. фактические значения последнего периода исключаются из прогнозных расчетов и используются как фактические показатели для оценки прогноза. Надежность модели зависит от протяженности временного ряда, как правило, не менее 4 – 5 лет, причем без нетипичных данных.
На точность прогнозов могут оказать влияние непредвиденные обстоятельства и внешние факторы: стихийные бедствия, изменения валютнообменных курсов и процентных ставок, смена конкурентами политики ценообразования и т.д. Такие факторы невозможно заранее предусмотреть, и они не включатся в модель прогнозирования. Однако аналитики должны иметь в виду определенную вероятность появления внешних дополнительных факторов и возможные их последствия, используя в аналитической практике подготовку нескольких вариантов прогнозов.
Дата добавления: 2015-04-12; просмотров: 52 | Поможем написать вашу работу | Нарушение авторских прав |