Файл: Прогнозная оценка спроса на рынке товаров (услуг) (Обзор методик оценки и прогнозирования спроса).pdf

ВВЕДЕНИЕ

Топливно-энергетический комплекс оказывает огромное влияние на развитие экономики России. Наша страна очень зависима от цен на нефть, так как доходы от ее экспорта – основной ее доход. В то же время переработка нефти является перспективным ресурсом, поэтому задача оценки спроса на нефтепродукты, а также ее прогноз становится актуальной.

В отличие от долгосрочного прогнозирования, которое формируется государством и регионами, краткосрочное также представляет не меньший интерес для хозяйствующих субъектов, поскольку от него зависит текущая деятельность предприятий.

Основная цель исследования – провести оценку спроса на нефтепродукты для последующего возможного использования полученных данных нефтеперерабатывающими компаниями при планировании финансового результата на следующий месяц или год. Для достижения этой цели необходимо решить несколько задач:

1. Определить понятие спроса и спроса на нефтепродукты;
2. Рассмотреть методы предыдущих исследований по оценке спроса на нефтепродукты;
3. Рассмотреть теорию выполнения оценки по данным методам;
4. Произвести оценку методом из теории;
5. Предложить альтернативный метод оценки спроса на нефтепродукты;
6. Спрогнозировать оценку.

Профессиональная значимость работы заключается в применимости разработанной методологии для определения прогнозируемого спроса на бензин, дизельное топливо, а также возможности ее использования при планировании деятельности вертикально интегрированных нефтяных компаний и составлении производственных программ для нефтеперерабатывающих заводов.

Методами исследования выбраны: синтез, обобщение, анализ, моделирование, визуализация полученных результатов. Новизна данного исследования состоит не только в рассмотрении стандартных методик по оценке нефтепродуктов, но и в предложении альтернативной.

Структура работы представляет собой введение, две главы – теоретическая и практическая, заключение, список использованной литературы, включающее в себя иллюстрирующий материал в форме таблиц и рисунков.

ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ОЦЕНКИ СПРОСА

1.1 Обзор методик оценки и прогнозирования спроса

Планирование спроса на нефтепродукты есть необходимый элемент при планировании деятельности нефтеперерабатывающих компаний. От эффективности планирования зависит эффективность управления запасами, графика производства, перевозок и т. д. Также, от прогнозов спроса зависят остальные планы (например, бюджет доходов и расходов) и в конечном счете, успешность компании.

При планировании спроса на нефтепродукты, в отличии от нефти, необходимо рассматривать каждый нефтепродукт по отдельности. Например, факторы, влияющие на спрос на бензин, разнятся с факторами, влияющими на спрос на дизельное топливо. Рынки разных нефтепродуктов имеют разных потребителей, разную сезонность и т. д.

При выборе статистического инструментария принято полагаться на:

1. Эффективность затрат
2. Единый прогноз
3. Возможность настройки отдельных параметров: точности, горизонта и т. д[3;11].

Самый популярный подход прогнозирования сегодня в российских компаниях – использование интуитивных прогнозов, исходя из продаж предыдущих периодов. Хотя этот метод и отличается простотой, однако он не учитывает такие факторы, как развитие рынка, цены конкурентов, логистические ограничения и т. д. Кроме того, уровень автоматизации подобного процесса низок, что приводит к необходимости разработки другого метода для отечественных компаний. Например, в зарубежных странах введена программа Demand Management, которая автоматически подбирает параметры и создает прогноз. Однако, о внедрении такой программы в России источников нет. Для введения такой системы в нашей стране необходимо учитывать особенности различных нефтепродуктов и составлять систему для каждого вида в отдельности.

В то же время слишком точный прогноз спроса с выстраиванием сложных математических моделей не приводят к ожидаемому преимуществу, так как временные, трудовые затраты не соизмеримы с получаемыми результатами. Поэтому принято использовать стандартные статистические методы, среди которых выделяют два подхода:

1. Модели экстраполяции временных рядов;
2. Методы прогнозирования на основе факторных регрессионных моделей

Модели экстраполяции временных рядов используют для краткосрочного прогноза, от которого как раз зависит текущая деятельность компаний. Основные методы, используемые для моделирования временных рядов, это: методы экспоненциального сглаживания (модель Брауна, Хольта); методы Бокса-Дженкинса (ARIMA, ARMA).

При составлении же регрессии можно определить не только прогноз, как, основываясь на динамическом ряде, можно определить экстраполяцией временного ряда, но и установить факторную зависимость нефтепродуктов. Для составления такой модели понадобится больше данных, однако причинность увеличивает информативность прогноза[2;12].

Кроме того, при составлении факторной модели, затрачивается больше временных и трудовых ресурсов не только при сборе данных: необходимо выбрать спецификацию модели, то есть отобрать значимые переменные, выбрать тип связи переменных, устранить проблему мультиколлинеарности, оценить модель и ограничения, интерпретировать результаты.

Вообще, выделяет два подхода, используемых для составления регрессии, описывающий спрос на энергию и топливо, в том числе на нефтепродукты в частности:

• модели сверху-вниз (top-down models), где спрос зависит от крупного макропараметра (например, ВВП, численность населения)
• модели снизу-вверх (bottom-up models), когда спрос зависит от множества факторов

Моделям снизу-вверх стоит отдать преимущество, так как ВВП описывает экономику в целом, не углубляясь. Причинная связь при модели сверху-вниз не явная, в то время как в моделях снизу-вверх больше вероятность получить хорошую интерпретацию модели.

Самыми распространёнными нефтепродуктами являются бензин, дизель и мазут. Рынок автобензина и дизельного топлива считается стабильным и спрос на него может быть спрогнозирован многофакторной регрессионной моделью, где спрос зависит от таких переменных, как грузооборот транспорта, оборот розничной торговли бензином или дизелем, расходы населения на данные виды нефтепродуктов и т. д.

Что же касается мазута, рынок подвержен изменениям и поэтому спрос на мазут не является стабильным. Основные потребители мазута:

• электростанции (в качестве котельного топлива)
• суды (в качества бункеровочного топлива)
• строительство (например, дорог)
• производство (например, металлургия)

В последнее время использование мазута в судах является приоритетным ввиду модернизации промышленности, роста энергоэффективности и скидок в российских портах на бункеровку. Однако, все больше ограничений вводится на выбросы вредных веществ Это может понизить спрос на мазут со стороны судов, что приведет к изменению тренда спроса на мазут в целом. Поэтому, статистические прогнозы могут иметь большую вероятность ошибки, а использовать для прогнозирования спроса на мазут, например, Тоткало и Хрипунова предлагают метод Delphi, при котором эксперты проходят анкету, и только после анализа экспертных мнений составляется консенсус-прогноз. В то же этот метод достаточно затратный.

Таким образом, при составлении прогноза на нефтепродукты необходимо составлять отдельные модели для каждого вида нефтепродуктов. Самыми популярными нефтепродуктами по относительным объемам производства являются бензин, дизель и мазут. Спрос на бензин и дизель может быть объяснен и спрогнозирован при помощи составления многофакторной регрессионной модели или экстраполяцией временных рядов. Теоретические аспекты данных методов будут описаны в работе далее. Прогноз же спроса на мазут может оказаться неточном в связи с нестабильностью рынка мазута, в связи с чем при прогнозировании возможны дополнительные затраты на метод Delphi.

1.2 Прогнозирование спроса с составлением множественной регрессии по методу наименьших квадратов

Один из возможных методов объяснения и оценки спроса на нефтепродукты в будущем является составление регрессионной модели методом наименьших квадратов. Регрессионный анализ позволяет оценить зависимость экономического показателя У от одной переменной Х при парной регрессии и различных переменных Х1, Х2…Хm при множественной регрессии с учетом возможных остатков ε.

На основе вида зависимости регрессанта У от регрессоров Х определяют вид модели – ее спецификацию. Например, спецификация линейной модели парной регрессии имеет вид:

У_i=У_хi+ ε_i,

где У_i – фактическое значение зависимой переменной У;

У_хi – теоретическое значение зависимой переменной У;

ε_i, – остаток регрессии;

В то же время существуют другие представления модели:

1. Теоретическое уравнение регрессии: Уi=α+βxi+ε_i, где α – свободный член; β – коэффициент регрессии, показывающий, на сколько изменится Уi при изменении хi на единицу; ε_i, – случайное отклонение, возникающее в следствие не учтенных в модели факторов и случайных ошибок;
2. Эмпирическое уравнение регрессии: Уi=ά+βxi+ei, где где ά – эмпирическая оценка свободного члена регрессии; β – оценка коэффициента регрессии, показывающий, на сколько изменится Уi при изменении хi на единицу; е_i, – остаток регрессии;

В регрессии, построенной по методу наименьших квадратов (МНК), сумма квадратов отклонений фактических значений зависимой переменной У от расчетных Ух минимальна Ух:

Для того, чтобы оценки модели были:

1. несмещенными, то есть мат ожидание оценки параметра было равно значению параметра: , где М – математическое ожи-дание;
2. Состоятельны, то есть дисперсия оценки параметра стремится к нулю при большом количестве наблюдений: , где D – дисперсия;
3. Эффективны, то есть их дисперсия наименьшая в сравнении с другими оценками в классе линейных функций;

необходимо выполнение условий теоремы Гаусса-Маркова:

1. Математическое ожидание случайного отклонения ε_i равно нулю для всех наблюдений

2) Дисперсия случайных отклонений ε_i постоянна. Выполнение предпосылки называется гомоскедатичностью, нарушение – гетероскедастичностью

3) Случайные отклонения ε_i и ε_j являются независимыми друг от друга для i ≠ j. Выполнение данной предпосылки говорит об отсутствии автокорреляции, нарушение – о присутствии автокорреляции:

4) Случайное отклонение должно быть независимо от объясняющих переменных:

5) Модель линейна относительно параметров[12;14].

В настоящее время все значения коэффициентов модели, дисперсии., мат ожидания считаются автоматически а программе Eviews. Для того, чтобы использовать эконометрическую модель, необходимо, чтобы она и коэффициенты перед регрессорами были значимы, а также, чтобы она удовлетворяла условиям отсутствия мультиколлинеарности (высокой корреляции между регрессорами), автокорреляции (зависимость случайного члена в любом наблюдении от его значений во всех других наблюдениях), гетероскедастичности (непостоянство дисперсии остатков). Для этого проводят статистические тесты, статистики которых также можно автоматически посчитать в программе, и методы визуального анализа, которые приведены в таблице 1.

Таблица 1

Тесты и визуальный анализ, применяемые при составлении эконометрической модели