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.

F_{пр t} = a F_{ф t-1} + (1-а) F_{м t}

где:
F_{пр t} - прогнозное значение объёма продаж;
F_{ф t-}1 – фактическое значение объёма продаж в предыдущем году;
F_{м 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

---

Смотрите также файлы

• 1 продолжение.docx

• Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики.pdf

• Таырыбы xxi асыр кшбасшысы.docx

• Програма Інформаційні технології проектування.docx

• Центры обработки данных. Центр обработки данных (цод).docx