ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 12.12.2023
Просмотров: 18
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
На сегодняшний день наука достаточно далеко продвинулась в разработке технологий прогнозирования. Специалистам хорошо известны методы нейросетевого прогнозирования, нечёткой логики и т.п. Разработаны соответствующие программные пакеты, но на практике они, к сожалению, не всегда доступны рядовому пользователю, а в то же время многие из этих проблем можно достаточно успешно решать, используя методы исследования операций, в частности имитационное моделирование, теорию игр, регрессионный и трендовый анализ, реализуя эти алгоритмы в широко известном и распространённом пакете прикладных программ MS Excel.
В данной статье представлен один из возможных алгоритмов построения прогноза объёма реализации для продуктов с сезонным характером продаж. Сразу следует отметить, что перечень таких товаров гораздо шире, чем это кажется. Дело в том, что понятие “сезон” в прогнозировании применим к любым систематическим колебаниям, например, если речь идёт об изучении товарооборота в течение недели под термином “сезон” понимается один день. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины один год. И если удаётся выявить величину цикла этих колебаний, то такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей.
Аддитивную модель прогнозирования можно представить в виде формулы:
F = T + S + E
где: F – прогнозируемое значение; Т – тренд; S – сезонная компонента; Е – ошибка прогноза.
Применение мультипликативныхмоделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой:
F = T х S x E
На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рисунке 1.
Рис. 1. Аддитивная и мультипликативные модели прогнозирования.
Алгоритм построения прогнозной модели
Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:
1.Определяется тренд, наилучшим образом аппроксимирующий фактические данные. Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели.
2.Вычитая из фактических значений объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.
3.Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели.
4.Строится модель прогнозирования:
F = T + S ± E
где:
F– прогнозируемое значение;
Т– тренд;
S – сезонная компонента;
Е - ошибка модели.
5.На основе модели строится окончательный прогноз объёма продаж. Для этого предлагается использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.
Fпр t = a Fф t-1 + (1-а) Fм t
где:
Fпр t - прогнозное значение объёма продаж;
Fф t-1 – фактическое значение объёма продаж в предыдущем году;
Fм t- значение модели;
а –константа сглаживания
Практическая реализация данного метода выявила следующие его особенности:
-
для составления прогноза необходимо точно знать величину сезона. Исследования показывают, что множество продуктов имеют сезонный характер, величина сезона при этом может быть различной и колебаться от одной недели до десяти лет и более; -
применение полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели; -
при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж в инвестиционном проектировании.
Применение алгоритма рассмотрим на следующем примере.
Исходные данные: объёмы реализации продукции за два сезона. В качестве исходной информации для прогнозирования была использована информация об объёмах сбыта мороженого “Пломбир” одной из фирм в Нижнем Новгороде. Данная статистика характеризуется тем, что значения объёма продаж имеют выраженный сезонный характер с возрастающим трендом. Исходная информация представлена в табл. 1.
Таблица 1.
Фактические объёмы реализации продукции
№п.п. | Месяц | Объем продаж (руб.) | №п.п. | Месяц | Объем продаж (руб.) |
1 | июль | 8174,40 | 13 | июль | 8991,84 |
2 | август | 5078,33 | 14 | август | 5586,16 |
3 | сентябрь | 4507,20 | 15 | сентябрь | 4957,92 |
4 | октябрь | 2257,19 | 16 | октябрь | 2482,91 |
5 | ноябрь | 3400,69 | 17 | ноябрь | 3740,76 |
6 | декабрь | 2968,71 | 18 | декабрь | 3265,58 |
7 | январь | 2147,14 | 19 | январь | 2361,85 |
8 | февраль | 1325,56 | 20 | февраль | 1458,12 |
9 | март | 2290,95 | 21 | март | 2520,05 |
10 | апрель | 2953,34 | 22 | апрель | 3248,67 |
11 | май | 4216,28 | 23 | май | 4637,91 |
12 | июнь | 8227,569 | 24 | июнь | 9050,3264 |
Задача: составить прогноз продаж продукции на следующий год по месяцам.
Реализуем алгоритм построения прогнозной модели, описанный выше. Решение данной задачи рекомендуется осуществлять в среде MS Excel, что позволит существенно сократить количество расчётов и время построения модели.
1. Определяем тренд, наилучшим образом аппроксимирующий фактические данные. Для этого рекомендуется использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели).
Рис. 2. Сравнительный анализ полиномиального и линейного тренда
На рисунке показано, что полиномиальный тренд аппроксимирует фактические данные гораздо лучше, чем предлагаемый обычно в литературе линейный. Коэффициент детерминации полиномиального тренда (0,7435) гораздо выше, чем линейного (4E-05). Для расчёта тренда рекомендуется использовать опцию “Линия тренда” ППП Excel.
Рис. 3. Опция “Линии тренда”
Применение других типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее) также не даёт такого эффективного результата. Они неудовлетворительно аппроксимируют фактические значения, коэффициенты их детерминации ничтожно малы:
-
логарифмический R2 = 0,0166; -
степенной R2 =0,0197; -
экспоненциальный R2 =8Е-05.
2. Вычитая из фактических значений объёмов продаж значения тренда, определим величины сезонной компоненты, используя при этом пакет прикладных программ MS Excel (рис. 4).
Рис. 4. Расчёт значений сезонной компоненты в ППП MS Excel.
Таблица 2.
Расчёт значений сезонной компоненты
Месяцы | Объём продаж | Значение тренда | Сезонная компонента |
1 | 8174,4 | 7617,2674 | 557,1326 |
2 | 5078,3296 | 6104,0156 | -1025,686 |
3 | 4507,2061 | 4420,3206 | 86,885473 |
4 | 2257,1992 | 3004,1224 | -746,92323 |
5 | 3400,6974 | 2086,745 | 1313,95235 |
6 | 2968,7178 | 1741,0644 | 1227,65338 |
7 | 2147,1426 | 1924,9246 | 222,217979 |
8 | 1325,5674 | 2519,8016 | -1194,2342 |
9 | 2290,9561 | 3364,7154 | -1073,7593 |
10 | 2953,3411 | 4285,39 | -1332,0489 |
11 | 4216,2848 | 5118,6614 | -902,37664 |
12 | 8227,5695 | 5732,1336 | 2495,43589 |
1 | 8991,84 | 7617,2674 | 1374,5726 |
2 | 5586,1626 | 6104,0156 | -517,85304 |
3 | 4957,9267 | 4420,3206 | 537,60608 |
4 | 2482,9191 | 3004,1224 | -521,20332 |
5 | 3740,7671 | 2086,745 | 1654,02209 |
6 | 3265,5896 | 1741,0644 | 1524,52515 |
7 | 2361,8568 | 1924,9246 | 436,932237 |
8 | 1458,1241 | 2519,8016 | -1061,6775 |
9 | 2520,0517 | 3364,7154 | -844,6637 |
10 | 3248,6752 | 4285,39 | -1036,7148 |
11 | 4637,9132 | 5118,6614 | -480,74817 |
12 | 9050,3264 | 5732,1336 | 3318,19284 |
Скорректируем значения сезонной компоненты таким образом, чтобы их сумма была равна нулю.
Таблица 3.
Расчёт средних значений сезонной компоненты
Месяцы | 1-й сезон | 2-й сезон | Итого | Среднее | Сезонная компонента |
1 | 557,1326 | 1374,5726 | 1931,7052 | 965,8526 | 798,7176058 |
2 | -1025,686 | -517,853035 | -1543,539 | -771,7695155 | -938,90451 |
3 | 86,885473 | 537,60608 | 624,491553 | 312,2457765 | 145,1107823 |
4 | -746,92323 | -521,203316 | -1268,1265 | -634,0632745 | -801,198269 |
5 | 1313,9524 | 1654,022089 | 2967,97444 | 1483,987221 | 1316,852227 |
6 | 1227,6534 | 1524,525154 | 2752,17853 | 1376,089265 | 1208,954271 |
7 | 222,21798 | 436,932237 | 659,150216 | 329,575108 | 162,4401138 |
8 | -1194,2342 | -1061,677479 | -2255,9117 | -1127,955849 | -1295,09084 |
9 | -1073,7593 | -844,663701 | -1918,423 | -959,2115055 | -1126,3465 |
10 | -1332,0489 | -1036,714798 | -2368,7637 | -1184,381853 | -1351,51685 |
11 | -902,37664 | -480,748169 | -1383,1248 | -691,5624065 | -858,697401 |
12 | 2495,4359 | 3318,192838 | 5813,62873 | 2906,814363 | 2739,679369 |
| | | Сумма | 2005,61993 | 0 |
3. Рассчитываем ошибки модели