- •1. Прогнозирование потребности по временным рядам.
- •Прогнозирование потребности по временным рядам
- •1) Наивный прогноз,
- •2) Прогнозирование по средним значениям,
- •Наивный прогноз
- •Прогнозирование по средним значениям
- •Прогноз потребления предыдущего года на основе среднедневного потребления
- •Расчет прогнозного значения потребления ресурсов по скользящей средней
- •Прогнозирование потребности по индикаторам
-
Прогнозирование потребности по индикаторам
Работа с временными рядами статистических данных предполагает анализ потребности в запасах по сложившимся с течением времени тенденциям. В силу влияния случайных факторов зачастую складывается ситуация, когда прогнозирование по данным временных рядов не дает требуемой точности прогноза. В таких случаях можно воспользоваться идеей о том, что на отгрузки запасов рассматриваемых товарно-материальных ценностей оказывает влияние какая-либо переменная, от которой зависит прогнозируемый спрос. Например, температура воздуха оказывает воздействие на интенсивность спроса на прохладительные напитки, численность новорожденных детей определяет через 2-3 года спроса на детскую книжную продукцию и т.п. Определение и анализ таких переменных, которые принято называть индикаторами, дает возможность составить прогноз будущего потребления.
Индикаторами, оказывающими воздействие на спрос, являются, например,
-
индекс оптовых цен,
-
индекс потребительских цен,
-
объем производства,
-
показатели миграции населения,
-
процентные ставки за кредит,
-
уровень платежеспособности населения,
-
затраты на рекламу и др.
Для того чтобы те или иные события могли служить индикаторами, требуются следующие три условия:
а) Наличие логического объяснения связи индикатора и прогнозируемой потребности.
б) Интервал времени между изменением индикатора и изменением потребности должен быть достаточно велик для возможности использования прогноза.
в) Наличие высокой корреляционной связи между индикатором и уровнем потребности.
Рассмотрим задачу прогнозирования спроса на основные продукты питания в ресторане гостиницы. В качестве индикатора прогнозирования спроса выбран показатель численности постояльцев гостиницы. Имеется статистический ряд, описывающий связь между числом постояльцев и спросом на основные виды продуктов (см. Таблица 8). Места в гостинице бронируются за 10 дней до заезда. Это позволяет утверждать, что второе условие использования индикатора (см. выше) выполнено. Коэффициент корреляции между значениями индикатора и потребности равен 99,8%, что соответствует достаточно тесной статистической связи между этими двумя показателями.
Статистические данные о связи двух показателей
Число постояльцев |
Объем потребления основных продуктов питания |
200 |
1399 |
230 |
1499 |
250 |
1599 |
270 |
1699 |
300 |
1799 |
330 |
1899 |
350 |
1999 |
Коэффициент корреляции |
0,998 |
Таблица 8
|
Для прогнозирования потребности в запасах на основе индикаторов используют регрессионный анализ. Простейшей формой регрессии является линейная связь между двумя переменными. Уравнение линейной регрессии имеет вид
,
где y – прогнозируемая (зависимая) переменная, единиц;
а, в – коэффициенты;
х – индикатор (независимая переменная), единиц.
Коэффициенты а и б вычисляются следующим образом:
,
,
где а, в – коэффициенты,
n – количество парных наблюдений,
y – прогнозируемая (зависимая) переменная, единиц;
х – индикатор (независимая переменная), единиц.
Кроме линейной регрессии можно использовать и иные, более сложные виды регрессии (параболическую, гиперболическую, экспоненциальную и др.).
Рисунок 10
Рассчитать коэффициент корреляции ρxy для двух показателей по формуле
n
ρxy = 1/n ∑ (xi – x)(yi – y)/σxσy,
i=1
где σx , σу – стандартные отклонения статистических рядов X и Y; n - число наблюдений; I – индекс наблюдений; x, y – средние арифметические величины статистических рядов X и Y соответственно.
Значение σx находится по формуле
n
σx = √(∑(xi – x )2)/n.
i=1
Аналогичным образом находится σу.
|
Число постояльцев |
Объем потребления основных продуктов питания |
||||
X |
xi - x |
(xi - x)2 |
Y |
yi - y |
(yi - y)2 |
|
200 |
-76 |
5776 |
1399 |
-300 |
90000 |
|
230 |
-46 |
2116 |
1499 |
-200 |
40000 |
|
250 |
-26 |
676 |
1599 |
-100 |
10000 |
|
270 |
-6 |
36 |
1699 |
0 |
0 |
|
300 |
24 |
576 |
1799 |
100 |
10000 |
|
330 |
54 |
2916 |
1899 |
200 |
40000 |
|
350 |
74 |
5476 |
1999 |
300 |
90000 |
|
Среднее значение ряда |
276 |
1699 |
||||
Стандартное отклонение ряда |
50.10
|
200
|
||||
Коэффициент корреляции |
0.998 |
Таблица 9
Коэффициент корреляции между значениями индикатора и потребности равен 99,8%, что соответствует достаточно тесной статистической связи между этими двумя показателями.
Для прогнозирования потребности в запасе на основе индикаторов используют регрессионный анализ. Простейшей формой регрессии является линейная связь между двумя переменными. Уравнение линейной регрессии имеет вид
y = a + bx,
где y – прогнозируемая (зависимая) переменная; a, b – коэффициенты; x – индикатор (независимая переменная).
Найти с помощью регрессионного анализа линейную, экспоненциальную и квадратичную зависимости между показателями, представленными в табл. 8.
Экспоненциальную зависимость представить в виде
y = A*exp(Bx).
Квадратичную зависимость представить в виде
y = a0 + a1 x + a2x2 .
Для определения коэффициентов a0 , a1 , a2 использовать систему уравнений
∑ yi = na0 + a1∑ xi + a2∑ xi2
∑xiyi = a0∑ xi + a1∑ xi2 + a2∑ xi3
∑xi 2yi = a0∑ xi2 + a1∑ xi3 + a2∑ xi4
Вычисления выполнить в Microsoft Excel. Результаты вычислений поместить в табл. 19 и представить графически.
Для всех трех видов зависимости оценить точность прогноза по значениям
стандартного отклонения ошибки прогноза, Mσ.
Вычисления выполнены в Microsoft Excel. Результаты вычислений помещены в табл. 10.
Число постояльцев |
Прогноз потребления основных продуктов питания |
200 |
1397 |
220 |
1477 |
230 |
1517 |
250 |
1597 |
260 |
1636 |
270 |
1676 |
280 |
1716 |
290 |
1756 |
300 |
1796 |
320 |
1875 |
330 |
1915 |
350 |
1995 |
|
|
3300 |
20354 |
Таблица 10
Для всех трех видов зависимости оценим точность прогноза по значениям
стандартного отклонения ошибки прогноза, Mσ.
n
Mσ = √(∑ (Fi – Pi)2) /(n-1),
i=1
где Fi – фактическое значение объема потребления для постояльцев i; Pi – прогноз объема потребления для постояльцев i.
Стандартное отклонение рассчитывается как корень квадратный из значения среднего квадрата ошибки.
Прогноз потребления основных продуктов питания
|
|||
Число постояльцев |
линейная зависимость |
экспоненциальная зависимость |
квадратичная зависимость |
200 |
1397,37 |
1397,37 |
1398,39 |
220 |
1477,05 |
1477,05 |
1477,42 |
230 |
1516,89 |
1516,89 |
1517,00 |
250 |
1596,56 |
1596,56 |
1596,31 |
260 |
1636,40 |
1636,40 |
1636,04 |
270 |
1676,24 |
1676,24 |
1675,81 |
280 |
1716,07 |
1716,07 |
1715,63 |
290 |
1755,91 |
1755,91 |
1755,50 |
300 |
1795,75 |
1795,75 |
1795,41 |
320 |
1875,42 |
1875,42 |
1875,38 |
330 |
1915,26 |
1915,26 |
1915,43 |
350 |
1994,93 |
1994,93 |
1995,69 |
Значение отклонения |
|||
|
13,77 |
13,77 |
13,92 |
Таблица 11
Рисунок 11
Рисунок 12
Рисунок 13