- •Глава 11. Маркетинговые исследования с использованием статистических методов
- •11.1. Прогнозирование объема продаж с использованием корреляционно-регрессионного анализа в системе statistica
- •11.2. Сегментирование конечного потребителя услуг кинотеатра с использованием кластерного анализа в системе statistica Игрунова о.М., Чекрышова и.И., Манакова е.В.
- •11.3. Исследование вкусовых предпочтений потребителей шоколада с использованием методов шкалирования Игрунова о.М., Виноградова и.Ю., Лаврентьева е.В.
- •Результаты «слепого» тестирования образца №1 по критериям «внешний вид» и «запах» (бренд Alpen Gold молочный)
- •11.4. Прогнозирование тенденций изменения спроса на потребительском рынке с использованием нейросетевого подхода Игрунова о.М.
- •Глава 12. Приложения моделей и методов статистического анализа в социально-экономической среде Платонова и.В., Соловьева ю.В., Иванова а.А.
- •12.1. Выбор зарубежного партнера с использованием многомерного регрессионного анализа
- •Коэффициенты модели
- •95% Доверительные границы
- •12.2. Выбор иностранного контрагента с использованием нелинейных моделей регрессионного анализа
- •95% Доверительные границы
- •95% Доверительные границы
- •95% Доверительные границы
- •95% Доверительные границы
- •12.3. Применение кластерного анализа для классификации потребителей снековой продукции
12.2. Выбор иностранного контрагента с использованием нелинейных моделей регрессионного анализа
В 2004 году управляющая компания ОАО «НИИМЭ и Микрон» АФК-Система приняла решение о реализации проекта по производству микросхем для сим-карт, заказчиком которого выступил производитель сотовых телефонов из Германии. В связи с тем, что комплекс услуг по обработке кристаллов требовал участия в проекте третьей стороны, перед сотрудниками подразделения ВЭД ОАО «НИИМЭ и Микрон» встала проблема выбора зарубежного контрагента.
Подрядчика выбирают во многом благодаря тому, что весь комплекс работ, включая квалификацию изделия, выполняется на одном предприятии. Несмотря на то, что часть фирм предложила более низкие цены непосредственно на изготовление изделия, было принято решение отказаться от их услуг, так как операции по измерению и квалификационным испытаниям невозможно было провести на базе указанных предприятий.
Таким образом, целью данного исследования стал анализ динамики поступлений от экспорта микросхем (y) в зависимости от объема затрат на обработку кристалла зарубежным подрядчиком (x).
Следовательно, будем использовать функции, описывающие взаимосвязь факторов x и y в соответствии с различными вариантами кооперации с иностранным контрагентом.
Рассмотрим ситуацию, в которой ОАО «НИИМЭ и Микрон» продает необработанные кристаллы, не пользуясь услугами зарубежного контрагента.
На сегодняшний день рынок телекоммуникаций – один из самых динамичных рынков. Так, жизненный цикл товара на рынке мобильных телефонов не превышает 1–2 лет.
Соответственно, срок проекта по производству микросхемы, используемой в сим-карте мобильного телефона, не может превышать жизненного цикла конечного изделия, то есть составляет 1–2 года. Таким образом, рассмотрим массив данных за период, равный 12 месяцам (1 году).
Пусть х – объем затрат на производство и экспорт кристаллов, y – объем полученной прибыли за отчетный период (1 год); n = 12.
Таблица 12.6
Динамика отгрузки–поступлений за 2004 год, в долл. США
n |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
x |
27600 |
27876 |
28154 |
28435 |
32700 |
34606 |
40320 |
42100 |
42521 |
42663 |
42848 |
43550 |
y |
46400 |
48680 |
50816 |
56818 |
62835 |
70964 |
75378 |
80400 |
82050 |
82060 |
82065 |
82066 |
Изобразим данные таблицы на рисунке.
Рисунок 12.1
Судя по графику, функция f (x; ) нелинейна – следовательно, для того чтобы представить искомую зависимость в виде линейного соотношения между преобразованными переменными, необходимо провести линеаризацию.
Вначале необходимо подобрать такие преобразования 0, 1, p к анализируемым переменным y, x(1), … , x(p), которые определяют переход к преобразованным переменным, то есть = 0(y); = 1(x(1)), … , = p(x(p)), чтобы связь между y и x = (x(1), … , x(p)) могла быть представлена в виде линейной регрессии по , а именно:
= 0 + 1 + … + p + i, i = 1, 2, … , n.
Итак, пусть y и x = (x(1), … , x(p))T – исходные анализируемые переменные (соответственно, результирующая и объясняющие), а – случайная остаточная компонента, участвующая в записи регрессионной зависимости, связывающей между собой y и x [см.: 5].
В рассматриваемой ситуации мы имеем дело с парной зависимостью получаемой прибыли от оплаты услуг иностранного контрагента, поэтому мы будем анализировать парные регрессионные зависимости, поддающиеся линеаризации.
Исходя из графического изображения зависимости y от x, наиболее подходящей моделью для описания данной зависимости будет логистическая функция:
.
Логистические кривые используются для описания поведения показателей, имеющих определенные «уровни насыщения».
Кривая f(x; ) имеет две горизонтальные асимптомы y = 0 и y = 1/0 и «точку перегиба» (x0 = ln(1/0), y0 = 1/20).
.
Линеаризация этой зависимости производится с помощью перехода к переменным = 1/y и . Соответственно, вектор-столбец и матрица , участвующие в формулах МНК, определяются по исходным наблюдениям {(xi, yi)}, i = 1, 2, … , n следующим образом:
; .
Для удобства расчетов преобразуем функцию:
= a + be–х;
тогда произведем замену переменных, обозначив ; t = e–х, следовательно, t будет независимой переменной.
Используя метод регрессионного анализа описанной выше модели, с помощью ППП «МЕЗОЗАВР» автор получил следующие результаты.
Таблица 12.7
Коэффициенты модели
Переменная |
Коэффициент |
Стандартная ошибка |
t-значение |
Вероятность |
t |
9097300000 |
975710000 |
9,3238 |
0,0000 |
Константа |
0,01314 |
4,2233 е–4 |
31,114 |
0,0000 |