Стратегический анализ рынка бытовой техники
. (1.25)
. (1.26)
. (1.27)
. (1.28)
![]()
. (1.29)
1.3 Методы прогнозирования на основе временных рядов
Основным фактором, влияющим на выбор метода прогнозирования, является идентификация и четкое понимание реальных моделей, присутствующих в данных. Если в них удастся распознать тренд, циклическую или сезонную модель, это существенно облегчит поиск эффективного метода экстраполирования [10, C.51].
Аппарат прогнозирования для стационарных данных
Прогнозирование стационарного ряда в своей простейшей форме включает в себя использование его предыстории для оценки среднего значения, которое затем становится прогнозом на будущие периоды. Более сложная техника состоит в уточнении оценки с использованием вновь поступившей информации. Эти методы полезны, когда начальные оценки ненадежны или когда постоянство среднего значения под вопросом.
Методы прогнозирования, которые могут применяться по отношению к стационарным рядам, включают в себя наивные методы, методы простого усреднения, скользящие средние, простое экспоненциальное сглаживание и методы авторегрессионого скользящего среднего (методы Бокса-Дженкинса).
Аппарат прогнозирования для данных, имеющих тренд
Ряд, обладающий трендом, ранее был определен как ряд, содержащий долгосрочную компоненту, которая отражает постоянное возрастание или убывание значений ряда в течение продолжительного периода времени. Наличие тренда типично для временных рядов экономических показателей [11, C.124].
Аппарат прогнозирования, который должен использоваться для прогнозирования рядов, имеющих тренд, – это метод скользящих средних, метод линейного экспоненциального сглаживания Хольта, простая регрессия, возрастающие кривые, экспоненциальные модели и методы авторегрессионых интегрированных скользящих средних (методы Бокса-Дженкинса).
Измерение ошибки прогноза
Основные обозначения, используемые в прогнозировании [12, C.55]:
– значение
временного
ряда в момент
.
– прогноз
значения
.
– погрешность
или ошибка
прогноза.
Разработано несколько методов оценки ошибок, присущих отдельным методам прогнозирования. Большинство этих методов состоит в усреднении некоторых функций от разностей между действительным значением и его прогнозом.
Ошибкой прогноза является разность между действительным значением и его прогнозом.
В одном из способов оценки метода прогнозирования используется суммирование абсолютных ошибок. Среднее абсолютное отклонение (Mean Absolute Derivation, MAD) измеряет точность прогноза, усредняя величины ошибок прогноза (абсолютные значения каждой ошибки).
. (1.30)
Среднеквадратическая ошибка (Меаn Squared Error, MSE) – это другой способ оценки метода прогнозирования. Каждая ошибка или погрешность возводится в квадрат; эти величины затем суммируются и делятся на количество наблюдений. Поскольку каждое значение отклонения возводится в квадрат, этот метод подчеркивает большие ошибки прогноза.
. (1.31)
Иногда предпочтительнее вычислять не абсолютные величины ошибок, а их процентное отношение. Средняя абсолютная ошибка в процентах (Mean Absolute Percentage Еггог, МАРЕ) вычисляется путем отыскания абсолютной ошибки в каждый момент времени и деления ее на действительно наблюдаемое значение (в этот момент времени) с последующим усреднением полученных абсолютных процентных ошибок. Этот подход полезен в том случае, когда размер или значение прогнозируемой величины важны в оценке точности прогноза. МАРЕ подчеркивает, насколько велики ошибки прогноза в сравнении с действительными значениями ряда.
. (1.32)
Часто необходимо определить, является ли метод прогнозирования смещенным (полученный прогноз постоянно оказывается заниженным или завышенным) [13, C.78]. В этих случаях используется средняя процентная ошибка (Mean Percentage Еггог, МРЕ). Она вычисляется посредством нахождения ошибки в каждый момент времени и деления ее значения на действительное значение в этот момент времени с последующим усреднением полученных процентных выражений ошибок.
. (1.33)
Часть решения о выборе соответствующего метода прогнозирования состоит в определении того, дает ли данный метод достаточно малые ошибки прогноза. Действительно, естественно ожидать, что правильно подобранный метод будет давать относительно малые ошибки прогноза.
Определенные выше четыре способа оценки точности прогноза используются для следующих целей:
сравнение точности двух различных методов;
оценка полезности и надежности метода;
отыскание оптимального метода.
1.3.1 Метод экспоненциального сглаживания с учетом тренда
В 1957 г. Хольт разработал метод экспоненциального сглаживания, получивший название двухпараметрического метода Хольта. В этом методе учитывается локальный линейный тренд, присутствующий во временных рядах [14, C.117].
Если во временных рядах имеется тенденция к росту, то вместе с оценкой текущего уровня необходима и оценка наклона. В методике Хольта значения уровня и наклона сглаживаются непосредственно, при этом используются различные постоянные сглаживания для каждого из них. Эти постоянные сглаживания позволяют оценить текущий уровень и наклон, уточняя их всякий раз, когда появляются новые наблюдения. Одним из преимуществ методики Хольта является ее гибкость, позволяющая выбирать соотношение, в котором отслеживаются уровень и наклон.
Ниже приведены три уравнения, составляющие метод Хольта.
Экспоненциально сглаженный ряд или оценка текущего уровня:
. (1.34)
Оценка тренда:
. (1.35)
Прогноз нар периодов вперед:
, (1.36)
где
– новая сглаженная
величина;
– постоянная
сглаживания
для данных (
);
– новое наблюдение
или реальное
значение ряда
в период
;
– постоянная
сглаживания
для оценки
тренда (
);
– оценка
тренда;
– количество
периодов вперед,
на которое
делается прогноз;
– прогноз
на
периодов вперед.
Постоянная
нужна для сглаживания
оценки тренда.
Постоянные
и
выбираются
субъективно
или путем минимизации
ошибки прогнозирования,
например значения
MSE. Чем большие
значения весов
будут взяты,
тем более быстрый
отклик на
происходящие
изменения будет
иметь место.
Для минимизации
значения MSE
нужно создать
сетку значений
и
(т.е. все комбинации
и
)
и выбрать ту
комбинацию,
которая даст
меньшее значение
MSE.
Для того чтобы воспользоваться алгоритмом уравнения (1.34), нужно иметь набор из начальных величин и тренда. Одно из возможных решений состоит в том, чтобы первую оценку положить равной первому наблюдению. При этом тренд будет равен нулю. Другое решение – это определить начальное значение как среднее для первых пяти или шести наблюдений. Тогда тренд можно оценить наклоном линии, образованной этими пятью или шестью точками.
1.3.2 На основе аддитивной модели
Фактическое значение = трендовое значение + сезонная вариация + ошибка.
На первом шаге нужно исключить влияние сезонной вариации, воспользовавшись методом скользящей средней. Далее необходимо провести десезонализацию данных.
Уравнение линии тренда:
. (1.37)
Ошибки вычисляются с помощью формул (1.30, 1.31).
1.3.3 На основе мультипликативной модели
Фактическое значение = трендовое значение * сезонная вариация * ошибка. Значения сезонной вариации – это доли. Число сезонов равно 4.
На первом шаге нужно исключить влияние сезонной вариации, воспользовавшись методом скользящей средней. Далее необходимо провести десезонализацию данных.
Уравнение линии тренда:
. (1.38)
Ошибки вычисляются с помощью формул (1.30, 1.31).
1.3.4 Использование индексов
Расчёт производится путём деления суммарного годового объема рынка бытовой техники на суммарный объем прошлого года, усреднении этого индекса и умножении его на данные последнего рассматриваемого года.
1.3.5 Оценка адекватности и точности модели
Одной из наиболее эффективных оценок адекватности модели является коэффициент детерминации, который рассчитывается по формуле (1.39) [15, C.94]:
(1.39)
Рассчитывается коэффициент детерминации и делается вывод об адекватности модели.
РАЗДЕЛ 2. АНАЛИЗ ДАННЫХ ОБ ОБЪЕМЕ РЫНКА БЫТОВОЙ ТЕХНИКИ Г. УФА
Рынок бытовой техники является одним из самых крупных в России, и в частности в г. Уфа. Его доля в потребительском секторе составляет почти 50% [16].
Сегмент крупногабаритной бытовой техники является самым крупным сегментом рынка в г. Уфа. К нему относятся стиральные машины, холодильники, морозильники, кухонные плиты и панели, посудомоечные машины. Чайники, пылесосы, утюги и микроволновые печи относятся к сегменту мелкой бытовой техники.
В данной курсовой работе рассматриваются квартальные данные об объемах продаж всей бытовой техники в г. Уфа.
2.1 Графический анализ данных об объеме рынка бытовой техники
Исходные данные, полученные для анализа, охватывают период 2003-2009 гг. и включают объем рынка бытовой техники г. Уфа в денежном эквиваленте (руб.)
Таблица 2.1Объем рынка бытовой техники г. Уфа
| Квартал | 2009 г. | 2008 г. | 2007 г. | 2006 г. | 2005 г. | 2004 г. | 2003 г. |
| 1 | 1823014 | 1747589 | 1395473 | 1110683 | 892901 | 712300 | 582790 |
| 2 | 1900147 | 1754871 | 1400217 | 1115879 | 898787 | 720458 | 589787 |
| 3 | 1958799 | 1768796 | 1421587 | 1135897 | 914525 | 734879 | 602547 |
| 4 | 1982140 | 1789797 | 1447879 | 1150121 | 922145 | 739528 | 605458 |
Суммарный объем рынка бытовой техники г. Уфа за 2003-2009 гг. представлен на рис. 2.1.

Рис. 2.1. Суммарный объем рынка бытовой техники
Графический анализ квартальных данных за 7 лет представлен на рис. 2.2.

Рис. 2.2. Анализ квартальных данных
На основе графического анализа исходного временного ряда можно сформулировать допущение о тенденции увеличения объемов рынка бытовой техники в течение последних семи лет.
2.2 Содержательный анализ данных об объеме рынка бытовой техники
2.2.1 Основные показатели динамики для временного ряда годовых данных
Рассчитаем показатели динамики на основе формул (1.4-1.16):
Таблица 2.2 Показатели динамики
|
Средний
уровень ряда,
|
1207821 |
|
Цепной
абсолютный
прирост,
|
6997 |
|
Базисный
абсолютный
прирост,
|
6997 |
|
Средний
абсолютный
прирост,
|
51828 |
|
Цепной
темп роста,
|
101% |
|
Базисный
темп роста,
|
101% |
|
Средний
темп роста,
|
147% |
|
Цепной
темп прироста,
|
1% |
|
Базисный
темп прироста,
|
1% |
|
Средний
темп прироста,
|
47% |
Объем рынка бытовой техники изменяется со скоростью 51828 руб. в год. В последние годы спрос смещается в сторону аудио- и видеотехники. Причиной этому стало удовлетворение потребности покупателей в приобретении товаров первой необходимости (чайников, утюгов, пылесосов) [17].
Представим все статистические показатели динамики в виде таблицы (Приложение 1).
2.2.2 Сглаживание временного ряда квартальных данных с помощью скользящих средних
Найдем сглаженные значения, воспользовавшись формулой (1.24):
Полученные результаты сведем в таблицу 2.3.
Таблица 2.3 Сглаженные значения
| № квартала | Объем рынка | Сглаженные значения | Отклонения, % |
| 1 | 582790 | 546579 | 6,2 |
| 2 | 589787 | 578957 | 1,8 |
| 3 | 602547 | 611334 | 1,5 |
| 4 | 605458 | 643857 | 6,3 |
| 5 | 712300 | 676732 | 5,0 |
| 6 | 720458 | 710033 | 1,4 |
| 7 | 734879 | 749366 | 2,0 |
| 8 | 739528 | 794233 | 7,4 |
| 9 | 892901 | 838980 | 6,0 |
| 10 | 898787 | 884262 | 1,6 |
| 11 | 914525 | 934312 | 2,2 |
| 12 | 922145 | 988672 | 7,2 |
| 13 | 1110683 | 1043480 | 6,1 |
| 14 | 1115879 | 1099648 | 1,5 |
| 15 | 1135897 | 1163744 | 2,5 |
| 16 | 1150121 | 1234885 | 7,4 |
| 17 | 1395473 | 1306138 | 6,4 |
| 18 | 1400217 | 1379069 | 1,5 |
| 19 | 1421587 | 1460304 | 2,7 |
| 20 | 1447879 | 1548650 | 7,0 |
| 21 | 1747589 | 1636383 | 6,4 |
| 22 | 1754871 | 1722524 | 1,8 |
| 23 | 1768796 | 1774691 | 0,3 |
| 24 | 1789797 | 1802279 | 0,7 |
| 25 | 1823014 | 1844189 | 1,2 |
| 26 | 1900147 | 1891982 | 0,4 |
| 27 | 1958799 | 1940068 | 1,0 |
| 28 | 1982140 | 1988154 | 0,3 |
Рассчитаем средний абсолютный прирост, воспользовавшись формулой (1.25):
(для последних
членов).
Рассчитаем восстановленные пропущенные уровни с помощью формул (1.26-1.29):
;
.
(для первых
членов).
;
.
Теперь изобразим на графике сглаживающую линию:

Рис. 2.3. Сглаживание временного ряда
На рынке бытовой техники г. Уфа в 2009 году произошел спад. Снижение объемов продаж произошло повсеместно по России в связи с экономическим кризисом.
Среди причин кризисных тенденций, повлекших снижение объемов рынка, можно назвать:
снижение темпов увеличения доходов;
безработица;
снижение объемов кредитования;
замедление темпов строительства.
В 2009 году основные продажи техники осуществились за счет замены устаревших товаров, а не покупки дополнительной техники [18].
Существенное снижение объемов продаж произошло в сегменте дополнительных видов бытовой техники, например, микроволновых печей.
РАЗДЕЛ 3. ДИНАМИКА ОСНОВНЫХ ПОКАЗАТЕЛЕЙ РЫНКА БЫТОВОЙ ТЕХНИКИ Г. УФА
На основе материала, изложенного в разделе 1, тренд описывается как долгосрочная компонента, отражающая возрастание или убывание временного ряда в течение длительного периода времени.
На основе графического анализа исходного временного ряда (рис. 2.1) можно сформулировать допущение о наличии тренда. Проверим это допущение с помощью гипотез.
3.1 Проверка гипотезы о наличии тренда
В таблице 3.1 представлены квартальные данные по объему рынка бытовой техники за 2006, 2007 и 2008 гг.
Таблица 3.1Квартальные данные по объему рынка бытовой техники
| Квартал | 2009 г. | 2008 г. | 2007 г. | 2006 г. | 2005 г. | 2004 г. | 2003 г. |
| 1 | 1823014 | 1747589 | 1395473 | 1110683 | 892901 | 712300 | 582790 |
| 2 | 1900147 | 1754871 | 1400217 | 1115879 | 898787 | 720458 | 589787 |
| 3 | 1958799 | 1768796 | 1421587 | 1135897 | 914525 | 734879 | 602547 |
| 4 | 1982140 | 1789797 | 1447879 | 1150121 | 922145 | 739528 | 605458 |
Введем 2 гипотезы:
– данные об
объеме рынка
бытовой техники
временного
ряда тренда
не имеют;
– данные об
объеме рынка
бытовой техники
временного
ряда тренда
имеют.
3.1.1 Критерий Фостера-Стюарта
Проверим гипотезу о наличии тренда с помощью критерия Фостера-Стюарта. Для этого заполним вспомогательную таблицу.
Таблица 3.2 Вспомогательная таблица
| t | yt | mt | lt | d |
| 1 | 582790 | - | - | - |
| 2 | 589787 | 1 | 0 | 1 |
| 3 | 602547 | 1 | 0 | 1 |
| 4 | 605458 | 1 | 0 | 1 |
| 5 | 712300 | 1 | 0 | 1 |
| 6 | 720458 | 1 | 0 | 1 |
| 7 | 734879 | 1 | 0 | 1 |
| 8 | 739528 | 1 | 0 | 1 |
| 9 | 892901 | 1 | 0 | 1 |
| 10 | 898787 | 1 | 0 | 1 |
| 11 | 914525 | 1 | 0 | 1 |
| 12 | 922145 | 1 | 0 | 1 |
| 13 | 1110683 | 1 | 0 | 1 |
| 14 | 1115879 | 1 | 0 | 1 |
| 15 | 1135897 | 1 | 0 | 1 |
| 16 | 1150121 | 1 | 0 | 1 |
| 17 | 1395473 | 1 | 0 | 1 |
| 18 | 1400217 | 1 | 0 | 1 |
| 19 | 1421587 | 1 | 0 | 1 |
| 20 | 1447879 | 1 | 0 | 1 |
| 21 | 1747589 | 1 | 0 | 1 |
| 22 | 1754871 | 1 | 0 | 1 |
| 23 | 1768796 | 1 | 0 | 1 |
| 24 | 1789797 | 1 | 0 | 1 |
| 25 | 1823014 | 1 | 0 | 1 |
| 26 | 1900147 | 1 | 0 | 1 |
| 27 | 1958799 | 1 | 0 | 1 |
| 28 | 1982140 | 1 | 0 | 1 |
Проверка гипотезы:
.
Воспользуемся формулой (1.27):
![]()
![]()
![]()
,
то есть
,
следовательно
гипотеза
отвергается,
тренд есть.
3.1.2 Критерий «восходящих» и «нисходящих» серий
Проверим гипотезу о наличии тренда с помощью критерия «восходящих» и «нисходящих» серий.
Образуем
последовательность
из «+» и «-»:
![]()
,
![]()
Проверим выполнение неравенств (1.18), (1.19):

,
то есть первое
неравенство
не выполняется.
Следовательно, гипотеза об отсутствии тренда отвергается, то есть в объеме продаж бытовой техники присутствует тенденция.
3.1.3 Критерий серий, основанный на медиане выборки
Проверим гипотезу о наличии тренда с помощью критерия серий, основанного на медиане выборки.
Строим ранжированный ряд:
582790,
589787, 602547, 605458, 712300, 720458, 734879, 739528, 892901,
898787, 914525, 922145, 1110683, 1115879, 1135897, 1150121, 1395473,
1400217, 1421587, 1447879, 1747589, 1754871, 1768796, 1789797,
1823014, 1900147, 1958799, 1982140.

Образуем
последовательность
из «+» и «-»:
![]()
![]()
![]()
Проверим выполнение неравенств (1.30), (1.31):

![]()
![]()
![]()
Как видно,
ни одно из неравенств
системы не
выполняется.
Это говорит
о том, что в объеме
рынка бытовой
техники подтверждается
наличие неслучайной
составляющей,
зависящей от
.
3.2 Выявление сезонных колебаний
Проанализируем структуру временного ряда с использованием коэффициента автокорреляции.
Воспользовавшись формулой (1.22), найдем коэффициенты корреляции.
– коэффициент
автокорреляции
первого порядка,
так как сдвиг
во времени
равен единице
(
-лаг).
– коэффициент
автокорреляции
второго порядка.
– коэффициент
автокорреляции
третьего порядка.
– коэффициент
автокорреляции
четвертого
порядка.
Таким образом, мы видим, что самым высоким является коэффициент автокорреляции четвертого порядка. Это говорит о том, что во временном ряде присутствуют сезонные колебания с периодичностью в четыре квартала.
В нашем случае коэффициент автокорреляции достаточно велик, и проверять его значимость необязательно.
РАЗДЕЛ 4. ПРОГНОЗИРОВАНИЕ ДАННЫХ ОБ ОБЪЕМЕ РЫНКА БЫТОВОЙ ТЕХНИКИ Г. УФА
4.1 Анализ данных
об