О б л а с т ь п р и м е н е н и я

Методы краткосрочного прогнозирования применяются в тех случая, когда:

1. частота данных за рассматриваемый период не более года (недельные, месячные, квартальные и т.п.);
2. прогноз делается для конкретного объекта отдельно и, следовательно, на каждый следующий момент времени;
3. прогнозы строятся для большого числа объектов;
4. если прогноз составляется для конкретного товара или рыночного продукта, в задачу прогнозирования также входит:

а) анализ спроса с целью выработки политики в области управления запасами и производством соответствующего товара

б) анализ продаж с целью упорядочения торговых потоков и торговых операций.

Очевидно, для подобного рода применений прогностические методы и модели (или набор моделей) должны быть:

1. легкими в обращении—в смысле вычислений и затрат, связанных с хранением информации;
2. гибкими,и поэтому допускающими для самого широкого круга объектов применение различного набора связанных между собой типов прогностических моделей,эффективно работающих в самых разных ситуациях;
3. достаточно полно автоматизированными и требующими по возможности минимального вмешательства человека;
4. достаточно обоснованными в научном смысле, реализованными в виде программ на ЭВМ.

Т и п ы и в и д ы т р е н д о в

Методы краткосрочного прогнозирования подразделяются на группы в зависимости от поведения среднего выборки, по которой строится прогноз. Так, если среднее постоянно, то наиболее удобны в применении методы экспоненциально взвешенного среднего – методы прогнозирования стационарных показателей, если же среднее изменяется во времени, т.е. не является стационарным, то применяется другой класс методов – прогнозирование с использованием трендов. Трендом принято называть изменяющееся среднее. Тренды различаются по характеру и типу.

а. Линейный тренд.

Линейным трендом называют такой закон изменения среднего, при котором среднее возрастает или убывает со временем по линейной зависимости. Например, спрос на некоторый продукт может иметь возрастающий линейный тренд, если продукт для рынка является новым товаром или если расширяется объем самого рынка при условии что доля продукта остается неизменной. Наоборот, если некоторый товар устаревает, то тренд спроса на него будет убывающим.

б. Сезонные тренды

Тренд называется сезонным, если среднее изменяется циклически в соответствии с некоторым временным циклом. В большинстве случаев на практике этот временной цикл не изменяется в течение года, причем среднее за каждый месяц по сравнению со средним за весь год может и падать, и подниматься. Сезонные колебания сопутствуют динамике спроса на такие товары, как одежда и обувь. Подобным колебаниям подвержены и крупные отрасли промышленности (например, колебания в спросе на автомобили, убывающем с приближением зимы и возрастающем весной).

в. Смешанные сезонно-линейные тренды.

Как следует из названия, этот тип тренда представляет собой комбинацию из двух уже рассмотренных. Хорошим примером подобного типа тренда служит продажа авиабилетов. Увеличение доли воздушного транспорта в общем объеме перевозок в долгосрочном аспекте определяет линейный тренд; сезонные колебания объясняются колебаниями потока авиапассажиров в пределах года (спрос на авиабилеты повышается на рождественские и пасхальные праздники и летние каникулы).

А. Аддитивные тренды

В аддитивных трендах фактические значения отклоняются от среднего в положительную или отрицательную сторону приблизительно на одинаковую величину. Например, для линейно-аддитивного тренда средний прирост величины спроса за месяц может составлять десять единиц измерения.

Б. Мультипликативные тренды, или тренды отношений

В мультипликативных трендах увеличение или уменьшение фактического значения составляет приблизительно одинаковый процент относительно среднего, определяемого характером тренда. Например: предполагается, что спрос на некоторый товар с увеличивающимся линейно-мультипликативным трендом будет увеличиваться на 2 % за месяц.

В. Комбинация аддитивных и мультипликативных трендов

Этот тип тренда является очевидным соединением двух уже упоминавшихся. Его изучение достаточно сложно, поэтому и употребление довольно редко.

При описании тренда любого показателя необходимо задать характер тренда и его тип. (Таким образом, характер тренда определяет среднее, а тип тренда - отклонение от среднего.)

Для выбора правильной прогностической модели первоначально необходимо выбрать некоторые характеристики анализируемого ряда данных. Использование сложной модели, типа сезонно адаптивной модели Холте-Винтера, если данные стационарны, нецелесообразно, тем более, что применение простой модели экспоненциального сглаживания при меньших затратах даёт те же результаты. Наоборот, если ряд наблюдений содержит линейный тренд, на который наложены сезонные колебания, то применение модели простого экспоненциального сглаживания будет, очевидно, неадекватным.

Большинство данных, имеющих экономическую или техническую природу, содержит естественные случайные флуктуации, или “шум”, поэтому исследование ряда данных графическими методами не всегда может увенчаться успехом – характеристики ряда в этом случае искажаются шумом. Поэтому нужен метод или инструмент, с помощью которого можно было бы убрать эффект воздействия шума, после чего оценить характеристики ряда, необходимые для построения соответствующей прогностической модели.

Для этой цели было предложено и используется несколько статистических методов, однако, чаще всего применяется так называемый метод анализа автокорреляции.

О б л а с т ь п р и м е н е н и я

Очевидно, что прогностические модели для среднесрочного прогнозирования должны быть достаточно сложными, в частности, более сложными, чем модели краткосрочного прогнозирования. Метод линейной регрессии, когда прямая линия подбирается так, чтобы наилучшим образом аппроксимировать наблюдаемые значения, оказался достаточно надёжным, а соответствующая статистическая модель – достаточно обоснованной. Этот метод, который на самом деле может использоваться не только для линейных, но и для криволинейных регрессий, одновременно сочетает в себе не только относительную простору вычислений, связанных с применением метода, но и для возможность описаний достаточно широкого класса процессов. В конечном счете, регрессионное и криволинейное выравнивание чуть ли не единственный способ построения среднесрочных прогнозов.

Методы регрессионного анализа, в отличие от методов экспоненциального сглаживания, дают, помимо самого прогноза и другую важнейшую характеристику качества прогноза, выражаемую в виде стандартной ошибки прогноза и его доверительного интервала.

Прогностические модели, основанные на методах линейной регрессии, обладают рядом характеристик:

1. для применения этих методов ряды данных должны быть длиннее, чем для методов экспоненциального сглаживания;
2. они, вообще говоря, не допускают адаптации: с добавлением новых данных процедура построения прогноза должна быть повторена заново;
3. эти методы не пригодны для сезонного прогнозирования;
4. соответствующая прогностическая модель сопровождается дополнительной информацией о её адекватности и качестве прогноза.

Техника регрессионного анализа в основном развивалась в рамках теории статистики, и независимая переменная (время), вообще говоря, может принимать любые, необязательно равноотстоящие значения.