Условия деятельности фирмы на региональном рынке и задачи прогнозирования цен

К экспертным опросам, проводимым в несколько туров, относят метод «Дельфи». Метод «Дельфи» можно назвать «кибернетическим арбитражем» - кибернетическим потому, что процесс выработки суждений экспертами здесь управляется рабочей группой через обратную связь.

В методе «Дельфи» делается попытка усовершенствовать групповой подход к решению задачи разработки прогноза или оценки путем взаимной критики субъективных взглядов, высказываемых отдельными специалистами без непосредственных контактов между ними и при сохранении анонимности мнений или аргументации в защиту этих мнений.

В одном из вариантов  этого метода прямое обсуждение заменяется обменом информацией и мнениями с помощью тщательно разработанных  вопросников. К участникам обращаются с просьбой не только высказать свои мнения, но и привести их обоснование, а в каждом из последующих туров опроса им выдается новая и уточненная информация. Метод «Дельфи» можно использовать для решения таких задач, как экспертное выявление множества важнейших факторов, путем решения маркетинговых проблем, например, увеличения сбыта.

Метод коллективной генерации идей (метод мозговой атаки) направлен на получение большого количества идей, в том числе и от лиц, которые, обладая достаточно высокой степенью эрудиции, обычно воздерживаются от высказываний. При проведении экспертного опроса с помощью данного метода проблема формулируется в основных терминах с выделением центрального вопроса. Исследования эффективности метода коллективной генерации идей показали, что групповое мышление производит на 70 % больше ценных идей, чем сумма индивидуальных мышлений. Наиболее продуктивными признаны группы в 10-15 человек, хотя имеются примеры использования и более многочисленных групп – до 200 человек. С помощью метода коллективной генерации идей можно успешно решать такие задачи, как определение наиболее широкого круга применяемых методов, выявление круга факторов, которые необходимо принимать во внимание, определяя окончательный вариант решения задачи. К числу недостатков метода коллективной генерации идей относятся значительный уровень информационного шума, создаваемого тривиальными идеями, спонтанный и стихийный характер генерации идей.

Каждый из рассмотренных  методов прогнозирования обладает определенными достоинствами и  недостатками. Их применение более  эффективно в краткосрочном прогнозировании.

Все эти методы являются взаимодополняющими. Например, прогнозирование объема продаж не решается с помощью одного какого-то метода. Для этого могут быть применены экспертные методы, методы опросов.

Если при применении экспертных методов структура причинно-следственных связей, используемая разными экспертами, может быть различной, то при использовании экономико-математических методов структура моделей устанавливается и проверяется экспериментально, в условиях, поддающихся объективному измерению и наблюдению.

Количественные методы прогнозирования базируются на численных математических процедурах.

Количественные, или фактографические, методы прогнозирования применяются  для решения задач:

• прогнозирование емкости рынка;
• прогнозирование спроса;
• прогнозирование объемов продаж.

К группе  количественных методов относят: анализ временных  рядов (экстраполяция и корреляция трендов); экономико-математическое моделирование; метод аналогий; нормативный метод; метод стандартного распределения  вероятностей.

В качестве метода прогнозирования такого ценообразующего фактора, как планируемый объем продаж, используем метод экстраполяции трендов. Метод экстраполяции трендов основан на статистическом наблюдении определенного показателя, определение тенденции его развития и продолжение этой тенденции для будущего периода, то есть при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся в будущее.

       Методы прогнозной экстраполяции являются наиболее распространенными и наиболее разработанными из всей группы математических методов прогнозирования. Их основу составляет изучение динамических (временных) рядов, описывающих изменение некоторого показателя (параметра) во времени. Любое будущее состояние показателя прогноз рассматривает как результат предшествующих состояний. В настоящее время экстраполяционные методы широко используются в стратегическом управлении и планировании.

Принципиальная возможность  прогнозирования основывается на предположении  о закономерном характере изменения  различных показателей и на инерционности технико-экономических процессов.

    Уровни динамических  рядов формируются под совокупным  влиянием множества длительно  и кратковременно действующих  факторов, в том числе и случайных.

    Динамический  ряд показателей может быть  представлен в следующем виде:

 

у_t = у_{t +} Е_t  ,               (2.2)

где у_t – тренд-детерменирующая неслучайная компонента (модель, функция) процесса (регулярная составляющая, тенденция), характеризующая существенную динамику развития процесса в целом;

         Е_t – стохастическая случайная компонента (помеха), отражающая случайные колебания и имеющая нормальный закон распределения.

 

             Задача прогноза состоит в  определении вида экстраполирующих  функций у_t и Е_t  на основе исходных данных. Специфическая черта прогнозной экстраполяции – предварительная обработка числового ряда, направленная на снижение влияния случайной составляющей (минимизация случайных отклонений точек ряда от некоторой плавной кривой предполагаемого тренда), т.е. приближение ее к тренду.

При прогнозировании  ведется наблюдение за процессом  и вычисляется его будущее  значение в упрежденной точке, оценивается  математическое ожидание процесса, величина интервала, в который с заданной вероятностью попадает будущее значение прогноза.

          По форме упреждения различают точечные и интервальные прогнозы. В первом случаен прогноз задается одним числом, во втором указывается интервал, к которому с определенной вероятностью принадлежит прогнозируемая величина.

Для оценки коэффициентов  чаще остальных используется метод наименьших квадратов (МНК).

   Сущность  МНК состоит в отыскании коэффициентов  модели тренда, минимизирующих ее  отклонение от исходного временного  ряда:

 

S =  ∑(y_t - ŷ)² → min,                                                                            (2.3)

где ŷ – расчетные (теоретические) значения тренда;

       у – фактические значения ретроспективного  ряда;

       n – число наблюдений.

 

Подбор модели в каждом конкретном случае осуществляется по целому статистически ряду критериев (дисперсии, корреляционному отношению и др.). Кроме того, для выбора зависимости ŷ_t=f(t)  существует несколько подходов. Это метод последовательных разностей, метод характеристик прироста, визуальный (глазомерный) выбор формы. Расчет оценок прироста показателя, дополненный визуальным выбором взаимосвязи, уменьшает риск неправильного выбора модели для прогнозирования. Используются  следующие аппроксимирующие зависимости:

∆ Y / ∆ t = const → ŷ_t =a₀ + a₁ t,                                                             (2.4)

∆ ln y / ∆ t = const → ŷ_t = a₀ t^a,                                                               (2.5)

∆ ln y / ∆ ln t = const → ŷ_t = a₀ t^t₁,                                                          (2.6)

∆ Y² / ∆ X² = const → ŷ_t = a₀ + a₁ t + a₂ t²,                                              (2.7)

∆ (t / y) / ∆ t = const → ŷ_t = t / (a₀ + a₁ t).                                                (2.8)

 

 Преимущество трендовой модели в более высокой степени надежности. Кроме того, она позволяет экономически интерпретировать параметры уравнения тренда и достаточно наглядно изображает тенденцию и отклонения от нее на графике.

Прогнозирование на основе адаптивных скользящих средних производится с использованием следующих формул:

 

M_i = M_i-1 + (y_i - y_i-m) / (m),                                                                           (2.9)

где M_i – скользящая средняя, отнесенная к концу интервала.

 

M_i = ŷ_t = (∑^t+p_i=1 y_i) / (m).                                                                          (2.10)

 

Первый член уравнения (2.8) – М_i-1 несет «груз прошлого» - инерцию развития, а второй адаптирует среднюю к новым условиям. Таким образом, средняя как бы обновляется, «впитывая» информацию о фактически реализуемом процессе (степень обновления определяется весом 1/т).

Влияние прошлых  наблюдений должно затухать по мере удаления от момента, для которого определяется средняя. Для этой цели используют экспоненциальное сглаживание, применяемое в краткосрочном прогнозировании (идея Н.Винера):

 

  Q_t = α · y_t + (1+α) · Q_t-1,                                                                           (2.11)

где Q_t - экспоненциальная средняя на момент t;

        а - коэффициент, характеризующий вес текущего наблюдения (параметр сглаживания).

 

Специфика экономических процессов состоит в том, что они обладают взаимосвязью и инерционностью. Последнее означает, что значение фактического показателя в момент времени  зависит определенным образом от состояния этого показателя в предыдущих периодах, т.е. значения прогнозируемого показателя должны рассматриваться как факторные признаки. Уравнение авторегрессионной зависимости в общем имеет вид:

 

ŷ_t = α₀ + α₁ · y_t-1 + α₂ · y_t-2 +...+ α_k · y_t-k,                                                        (2.12)

где ŷ_t – прогнозируемые значения показателя в момент времени t;

       y_t-1 - значения показателя y в момент времени (t-i);

        α₁ – i-тый коэффициент регрессии.

 

Часто прогнозируемый показатель зависит не только от предшествующих состояний, но и от других факторов x. Тогда говорят о смешанной авторегрессии:

 

ŷ_t = α₁ · y_t-1 + α₂ · y_t-2 +...+ α_k · y_t-k + b₁ · x₁ + b₂ · x₂ +...+ b_m · x_m ,    (2.13)

 

ŷ_t = ∑^k_i=1 α_i · y_t-I + ∑^m_j=1 b_j · x_j.                  (2.14)                                                                                   

         Все приведенные выше модели  позволяют получить точечные  оценки. Для определения наиболее  вероятных интервалов варьирования  прогнозных показателей необходимо  найти доверительные оценки. В  общем виде расчет доверительного интервала может быть представлен следующим образом:

 

 ŷ_t+a ± t_a Sŷ,                                                                                                 (2.15)

где ŷ_t+a - точечный прогноз;

       Sŷ – средняя квадратическая ошибка прогноза;

        t_{a –} t-статистика Стьюдента;

        α – период упреждения прогноза.

 

Важно иметь  в виду, что экстраполяция в  рядах динамики носит приближенный и условный характер. Поэтому применение методов экстраполяции не должно становиться самоцелью, а при разработке социально-экономических прогнозов должна привлекаться дополнительная информация, на основе которой в полученные методом экстраполяции количественные оценки вносятся соответствующие коррективы.

Кроме рассмотренного метода экстраполяции  могут использоваться и другие количественные методы.  При исследовании и анализе рынка  используется также метод аналогий и метод стандартного определения вероятностей.

Метод аналогий заключается  в прогнозировании уровня и структуры  спроса путем принятия за эталон фактические данные отдельных рынков.

Метод стандартного распределения  вероятностей заключается в том, что экспертным путем определяются три вида прогнозов сбыта: ожидаемый, оптимистический и пессимистический. Поскольку в настоящее время  ситуация в экономике крайне нестабильная, наиболее вероятная оценка прогноза может составлять 50% от оптимистического прогноза, а пессимистическая оценка прогноза – 10% от ее оптимистической величины.

Ожидаемое значение прогноза сбыта П_о рассчитывается по формуле: