Развитие специфических приемов прогнозного анализа происходит в результате конкретизации общих методов анали-за деятельности коммерческих организации, исключительно с точки зрения их динамики, движения. К числу таких приемов относятся методы экономического прогнозирования.

В наших условиях экономическое прогнозирование - это начальный этап планирования. Основываясь на изучении за-кономерностей развития различных экономических явлений и процессов, оно выявляет наиболее вероятные пути этого разви-тия и дает базу для выбора и обоснования плановых решений на любом уровне управления. Таким образом, функции эконо-мического прогнозирования исключительно аналитические. Ниже рассмотрены наиболее распространенные методы эконо-мического прогнозирования.

Исходным пунктом любого из методов прогнозирования является признание факта некоторой преемственности (или определенной устойчивости) изменении показателей финансо-во-хозяйственной деятельности от одного отчетного периода, к другому. Поэтому, в общем случае, прогнозный анализ при-менительно к коммерческой организации представляет собой изучение ее финансово-хозяйственной деятельности с целью определения финансового состояния в будущем

Для целей прогнозного анализа используется весь методи-ческий инструментарий анализа, достаточно хорошо описан-ный в экономической и специальной литературе. Однако осно-ву прогнозного анализа составляют методы прогнозирования и методы оценки чувствительности экономических результатов к предполагаемым изменениям ситуации.

В зависимости от вида используемой модели все мето-ды прогнозного анализа можно подразделить на три большие группы (см. рисунок):

1. Эвристические методы - это неформальные методы ре-шения экономических задач, связанных со сложившейся хозяй-ственной ситуацией, на основе интуиции, опыта, экспертных оценок специалистов и т. д.

Они используются в основном для прогнозирования со-стояния объекта в условиях частичной или полной неопре-деленности, когда основным источником получения необхо-димых сведений служит интеллектуальный потенциал про-фессионалов, работающих в определенных сферах науки и бизнеса.

Наиболее распространенным из них является метод экс-пертных оценок - организованный сбор суждений и предло-жений специалистов (экспертов) по исследуемой проблеме с последующей обработкой полученных ответов.

1. Детерминированные методы, предполагающие нали-чие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее про-гнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициен-та рентабельности собственного капитала.

Комбинированный метод

1. Стохастические методы, предполагающие вероятностный характер как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ве-дущее место с позиции формализованного прогнозирования и су-щественно варьируют по сложности используемых алгоритмов. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.

Стохастические методы можно разделить на три типовые группы, которые показаны ниже. Выбор для прогнозирования ме-тода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.

Первая ситуация - наличие динамического ряда - встречается на практике наиболее часто, финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на ос-новании которых требуется построить приемлемый прогноз. Ины-ми словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионных за-висимостей.

Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам стати-стические данные о показателе отсутствуют либо есть основание полагать, что его значение определяется влиянием некоторых фак-торов. В этом случае может применяться корреляционно-регрес-сионный анализ, представляющий собой распространение просто-го динамического анализа на многомерный случай

Третья ситуация - наличие пространственно-временной со-вокупности - имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически зна-чимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых по-казателей за различные периоды или на разные последовательные даты.

Необходимые предпосылки стохастического моделирования -возможность составления совокупности наблюдений (измерений); качественная однородность совокупности относительно изучае-мых связей; достаточная размерность совокупности; наличие со-ответствующих методов.

Метод экспертных оценок. Основой данного метода являет-ся опрос специалистов, который может быть индивидуальным, коллективным, очным, заочным, анонимным и т.д. Организаторы опроса определяют объект и цели экспертизы, подбирают экс-пертов, проверяют их компетентность, анализируют и обобщают результаты экспертизы. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом.

Недостатком является снижение или полное отсутствие пер-сональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений по-казателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т.п.

Метод пропорциональных зависимостей. Основой для раз-работки метода пропорциональных зависимостей показателей послужили две основные характеристики любой экономической системы - взаимосвязь и инерционность.

Одной из очевидных особенностей действующей коммерче-ской организации как системы является естественным образом со-гласованное взаимодействие ее отдельных элементов (как качест-венных, так и поддающихся количественному измерению) Это оз-начает, что многие показатели, даже не будучи связанными между собой формализованными алгоритмами, тем не менее изменяются в динамике согласованно.

Вторая характеристика - инерционность - в приложении к дея-тельности компании также достаточно очевидна. Смысл ее состо-ит в том, что в стабильно работающей компании с устоявшимися технологическими процессами и коммерческими связями не мо-жет быть резких «всплесков» в отношении ключевых количест-венных характеристик.

Метод балансовой модели. Суть данного метода ясна уже из его названия. Баланс коммерческой организации может быть опи-сан различными балансовыми уравнениями, отражающими взаи-мосвязь между различными активами и пассивами. Простейшим из них является основное балансовое уравнение, которое имеет вид:

На практике прогнозирование осуществляется путем исполь-зования более сложных балансовых уравнений и сочетания данно-го метода с другими методами прогнозирования.

Метод системы опережающих индикаторов. Идея, лежащая в основе такого подхода, основывается на предсказании перехода деятельности от подъема к спаду (или, наоборот, от спада к подъе-му), для чего необходимо сформировать «систему раннего обнару-жения». Иными словами, необходимо выделить такие показатели, у которых поворотные точки наступают раньше, чем у показателя, принятого для характеристики жизненного цикла. Тогда достиже-ние пика или впадины опережающим индикатором позволило бы указать на вероятное приближение пика или впадины в динамике развития организации.

В зависимости от того, как экономические показатели меня-ются в ходе жизненного цикла (достигают ли они максимума (ми-нимума) до или после прохождения высшей (низшей) поворотной точки жизненного цикла) выделяют три типа циклических показа-телей - опережающие, совпадающие и запаздывающие.

Опережающими считаются такие показатели, которые дости-гают максимума (минимума) перед наступлением пика (дна) дело-вой активности.

Совпадающими считаются показатели, которые изменяются одновременно с динамикой экономической активности.

Запаздывающими считаются показатели, которые достигают максимума (минимума) после пика (дна) экономической активности.

Проведенное исследование позволяет сделать вывод о том, что почти все исследуемые показатели носят циклический харак-тер и во многом копируют динамику рентабельности активов. Но проявление их различно. Некоторые из них являются совпадаю-щими на отдельной стадии развития организации, некоторые опережающими, другие запаздывающими.

Методы динамических рядов. Динамический ряд (у) - это ряд наблюдений значений измеряемого параметра (u) в после-довательные моменты времени (t):

Динамический ряд есть частный случай табличной функ-ции, которая представляет собой «протокол» любого наблюде-ния. Математическая обработка этой таблицы преследует цепь «выжать» из нее как можно больше информации о закономер-ностях развития данного явления в прошлом и настоящем, ис-пользовать полученную информацию для характеристики яв-ления в будущем.

Задача прогнозирования динамических рядов заключается в том, чтобы по имеющимся наблюдениям за ходом экономи-ческого процесса в моменты времени t 1 , t 2 ,..., t n , предсказать зна-чения измеряемого параметра в моменты времени t n + 1 , t n + 2 и т.д.

Несмотря на кажущуюся простоту, данная задача в общем виде для нестационарных процессов еще не решена. Большая часть экономических процессов нестационарна, что выража-ется наличием в динамических рядах эволюторной составля-ющей - временного тренда. Поэтому среди методов прогнози-рования динамических рядов большое место занимают всевоз-можные неформальные, эмпирические методы, базирующиеся на интуиции и опыте специалистов определенной отрасли.

Неформальный подход к анализу позволяет сделать прогно-зирование динамических рядов более определенным путем вве-дения в подстановку дополнительных ограничений (условий).

Метод простого динамического анализа. Каждое значение временного ряда может состоять из следующих составляющих: тренда, циклических, сезонных и случайных колебаний. Метод простого динамического анализа используется для определения тренда имеющегося временного ряда Данную составляющую можно рассматривать в качестве общей направленности измене-ний значений ряда или основной тенденции ряда. Циклическими называются колебания относительно линии тренда для периодов свыше одного года. Такие колебания в рядах финансовых и эко-номических показателей часто соответствуют циклам деловой активности: резкому спаду, оживлению, бурному росту и застою. Сезонными колебаниями называются периодические изменения значений ряда на протяжении года. Их можно вычленить после анализа тренда и циклических колебаний. Наконец, случайные ко-лебания выявляются путем снятия тренда, циклических и сезон-ных колебаний для данного значения. Остающаяся после этого величина и есть беспорядочное отклонение, которое необходимо учитывать при определении вероятной точности принятой модели прогнозирования.

Метод простого динамического анализа исходит из пред-посылки, что прогнозируемый показатель (Y) изменяется прямо (обратно) пропорционально с течением времени. Поэтому для оп-ределения прогнозных значений показателя Үстроится, например, следующая зависимость:

Метод авторегрессионных зависимостей. В основу этого метода заложена достаточно очевидная предпосылка о том, что экономические процессы имеют определенную специфику. Они отличаются, во-первых, взаимозависимостью и. во-вторых, опре-деленной инерционностью. Последняя означает, что значение пра-ктически любого экономического показателя в момент времени (зависит определенным образом от состояния этого показатели в предыдущих периодах (в данном случае абстрагируемся от вли-яния других факторов), т.е. значения прогнозируемою показате-ля в прошлых периодах должны рассматриваться как факторные признаки. Уравнение авторегрессионной зависимости в наиболее общей форме имеет вид:

Достаточно точные прогнозные значения могут быть получе-ны уже при k = 1. На практике также нередко используют моди-фикацию уравнения (4), вводя в него в качестве фактора период времени t, т.е. объединяя методы авторегрессии и простого ди-намического анализа. В этом случае уравнение регрессии будет иметь вид:

Коэффициенты регрессии данного уравнения могут быть най-дены методом наименьших квадратов.

Метод корреляционно-регрессионного анализа. Это клас-сический метод стохастического моделирования. Он изучает взаимосвязи показателей хозяйственной деятельности, когда зависимость между ними не является строго функциональной и искажена влиянием посторонних, случайных факторов. При проведении корреляционно-регрессионного анализа строят различные корреляционные и регрессионные модели хозяйст-венной деятельности. В этих моделях выделяют факторные и результативные показатели (признаки). В зависимости от коли-чества исследуемых показателей различают парные и многофак-торные модели корреляционно-регрессионного анализа.

Корреляционно-регрессионный анализ применяется для по-строения прогноза какого-либо показателя с учетом существую-щих связей между ним и другими показателями. Сначала в резуль-тате качественного анализа выделяется k факторов (X 1 , Х 2 ,., X k), влияющих, по мнению аналитика, на изменение прогнозируемого показателя Y, и строится чаще всего линейная регрессионная за-висимость типа:

Основной задачей корреляционно-регрессионного анализа является выяснение формы и тесноты связи между результа-тивным и факторными показателями. Под формой связи пони-мают тип аналитической формулы, выражающей зависимость результативного показателя от изменений факторного. Раз-личают связь прямую, когда с ростом (снижением) значений факторного показателя наблюдается тенденция к росту (сни-жению) значений результативного показателя. В противном случав между показателями существует обратная связь. Форма связи может быть прямолинейной (ей соответствует уравнение прямой пинии), когда наблюдается тенденция равномерного возрастания или убывания результативного показателя, в про-тивном случае форма связи называется криволинейной (ей со-ответствует уравнение параболы, гиперболы и др.).

Аналитические достоинства регрессионных моделей за-ключаются в том, что, во-первых, точно определяются фактор, по которому выявляются резервы повышения результативно-сти финансово-хозяйственной деятельности; во-вторых, вы-являются объекты с более высоким уровнем эффективности; в-третьих, возникает возможность количественно измерить экономический эффект от внедрения передового опыта, прове-дения организационно-технических мероприятий.

Метод имитационных моделей. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестици-онной активности компании, налоговом окружении и т д. Об-работка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние организа-ции с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объ-ем необходимых вычислений. Однако эти методы не являются предметом настоящей работы, поскольку должны иметь под со-бой гораздо более широкое информационное обеспечение, чем бухгалтерская отчетность, что делает невозможным их примене-ние внешними аналитиками.

Литература:

1. Ваганова О.Е. Прогнозный анализ денежных потоков предприя-тия. - journal.seun/ru/J2004_1R/Ecnomy/VAGANOVA.DOC
2. Шереметьев А.О. Анализ эффективности использования эко-номического потенциала коммерческой организации на разных стадиях жизненного цикла. Автореф. дисс. на соис. уч. ст. канд. экон. наук, Йошкар-Ола, 2008. - 27 с.
3. Ковалев В.В., Ковалева Вит. В. Финансовая отчетность. Анализ финансовой отчетности (основы балансоведения). 2-е изд., пе-рераб. и доп. - М.: ТК Велби, Проспект, 2006. - 432 с.

В рамках своей диссертации « » мне нужно было делать обзор моделей прогнозирования . Кроме обзора, я сделала вариант классификации, который мне тогда не очень удался. Классификацию уже немного поправила, теперь хочется разобраться в существующих моделях прогнозирования временных рядов. Такие модели называют стохастическими моделями (stochastic models).

По оценке некто Тихонова в его «Прогнозировании в условиях рынка » на сегодняшний день (2006 год) существует около 100 методов и моделей прогнозирования. Эта оценка звучит бредово, я полно разбирала ее ! Давайте теперь вместе разберемся, какие же модели прогнозирования временных рядов существуют на сегодняшний день.

1. Авторегрессионные модели прогнозирования (ARIMAX, GARCH, ARDLM)
2. Модели экспоненциального сглаживания (ES)
3. Модель по выборке максимального подобия (MMSP)
4. Модель на нейронных сетях (ANN)
5. Модель на цепях Маркова (Markov chains)
6. Модель на классификационно-регрессионных деревьях (CART)
7. Модель на основе генетического алгоритма (GA)
8. Модель на опорных векторах (SVM)
9. Модель на основе передаточных функций (TF)
10. Модель на нечеткой логике (FL)
11. Что еще?...

Регрессионные модели прогнозирования

Регрессионные модели прогнозирования одни из старейших, однако нельзя сказать, что она нынче очень популярны. Регрессионными моделями являются:

• Простая линейная регрессия (linear regression)
• Множественная регрессия (multilple regression)
• Нелинейная регрессия (nonlinear regression)

Лучшая книга по регрессии — архигениальная книга — Draper N., Smith H. Applied regression analysis . Ее можно скачать в сети в djvu. Лучше читать в английском варианте, написано в высшей степени для людей.

Авторегрессионные модели прогнозирования

Это широчайший и один из двух наиболее широко применимых классов моделей! Книг по этим моделям много, примеров применения много.

Модель по выборке максимального подобия

Это моя модель (model on the most similar pattern), на ряде задач показывает высокую эффективность. К рядам FOREX и бирж применять не стоит, проверяли, работает неважно. Ее описание можно найти в диссертации по ссылке выше, кроме того, можно скачать пример реализации в MATLAB .

Модель на нейронных сетях

Вторая из двух наиболее популярных моделей прогнозирования временных рядов. Лучшая книга с примерами, на мой вкус, Хайкин С. Нейронные сети: полный курс . Книгу с примерами в MATLAB можно скачать по ссылке.

Модель на цепях Маркова

Модель на цепях Маркова фигурирует в множестве обзоров, однако мне не удалось найти ни хорошей книги, ни хорошей статьи о ее конкретном применении для прогнозирования временных рядов. Сама эту модель разбирала в курсе теории надежности (учебник Гнеденко), принцип ее расчета хорошо понимаю, кроме того, читала, что ее часто применяют для моделирования финансовых временных рядов.

Вопрос к аудитории: посоветуйте хорошую и понятную (!) книгу/статью по применению цепей Маркова для прогнозирования временных рядов.

Модель на классификационно-регрессионных деревьях

Вот тут материалов немного, но они есть. В частности, неплохая статья по применению этой модели для прогнозирования Hannes Y.Y., Webb P. Classification and regression trees: A User Manual for IdentifyingIndicators of Vulnerability to Famine and Chronic Food Insecurity .

Модель на основе генетического алгоритма

Это странный зверь, такого рода решения я называю «иезуитскими», потому что кажется, что они рождены только для обоснования научной новизны, однако эффективность их невысока. Например, генетический алгоритм применяется для решения задач оптимизации (поиска экстремума), однако некоторые приплели его к прогнозированию временных рядов. Найти внятного материала по этой теме мне не удалось.

Вопрос к аудитории: посоветуйте хорошую и понятную (!) книгу/статью по применению генетического алгоритма для прогнозирования временных рядов.

Модель на опорных векторах

Модель на основе передаточных функций

Модель на нечеткой логике

Все эти модели принадлежат, на мой вкус, классу иезуитских. Например, опорные векторы (SVM) применяется в основном для задач классификации. Нечеткая логика где только не применяется, однако найти ее понятно описанное применение для прогнозирования временных рядов мне не удалось. Хотя в обзорах специалисты почти всегда ее указывают.

Вопрос к аудитории тот же!

Итого

Моделей мы наберем с десяток, со всеми модификациями — два десятка. Хотелось бы, чтобы в комментариях вы не только высказывали мнение, а по возможности делали полезные ссылки на понятные материалы. Лучше на английском!

PS. Всех любителей FOREX и всякого рода бирж большая просьба не долбится ко мне в личку! Вы мне ужасно надоели!

В мировой практике используется более двухсот методов прогнозирования, в отечественной же науке - не более двадцати. Во введении указывалось, что будут рассматриваться методы финансового прогнозирования, получившие широкое распространение в развитых зарубежных странах.

Таким образом, в зависимости от вида используемой модели все методы прогнозирования можно подразделить на три большие группы (см. Рисунок 1):

Методы экспертных оценок , которые предусматривают многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью инструментария экономической статистики. Это наиболее простые и достаточно популярные методы, история которых насчитывает не одно тысячелетие. Применение этих методов на практике, обычно, заключается в использовании опыта и знаний торговых, финансовых, производственных руководителей предприятия или госучреждения. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом. Недостатком является снижение или полное отсутствие персональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений показателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т. п.

Стохастические методы , предполагающие вероятностный характер как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ведущее место с позиции формализованного прогнозирования и существенно варьируют по сложности используемых алгоритмов. Наиболее простой пример - исследование тенденций изменения объема продаж с помощью анализа темпов роста показателей реализации. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.

Стохастические методы можно разделить на три типовые группы, которые будут названы ниже. Выбор для прогнозирования метода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.

Первая ситуация - наличие временного ряда - встречается на практике наиболее часто: финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на основании которых требуется построить приемлемый прогноз. Иными словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионых зависимостей.

Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам статистические данные о показателе отсутствуют либо есть основание полагать, что его значение определяется влиянием некоторых факторов. В этом случае может применяться многофакторный регрессионный анализ, представляющий собой распространение простого динамического анализа на многомерный случай.

Рис. 1. Классификация методов прогнозирования финансового состояния предприятия

Третья ситуация - наличие пространственно-временной совокупности - имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически значимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых показателей за различные периоды или на разные последовательные даты.

Детерминированные методы , предполагающие наличие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее прогнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициента рентабельности собственного капитала.

Другим весьма наглядным примером служит форма отчета о прибылях и убытках, представляющая собой табличную реализацию жестко детерминированной факторной модели, связывающей результативный признак (прибыль) с факторами (доход от реализации, уровень затрат, уровень налоговых ставок и др.). А на уровне государственного финансового прогнозирования факторной моделью выступает взаимосвязь объема государственных доходов и налоговой базы или ставок процента.

Здесь нельзя не упомянуть об еще одной группе методов для финансового прогнозирование на микро уровне, основанных на построении динамических имитационных моделей предприятия. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестиционной активности предприятия, налоговом окружении и т.д. Обработка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние компании с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объем необходимых вычислений.

Обзор базовых методов прогнозирования

Методы моделирования и экономико-математические методы

Моделирование предполагает конструирование модели на основе предварительного изучения объекта или процесса, выделения его существенных характеристик или признаков. Прогнозирование экономических и социальных процессов с использованием моделей включает разработку модели, ее экспериментальный анализ, сопоставление результатов прогнозных расчетов на основе модели с фактическими данными состояния объекта или процесса, корректировку и уточнение модели.

К методам экономико-математического моделирования относят следующие методы:

• · матричные модели (статистические и динамические),
• · модели оптимального планирования,
• · экономико-статистические,
• · многофакторные модели,
• · эконометрические модели,
• · имитационные модели,
• · модели принятия решений,
• · модели сетевого планирования,
• · метод межотраслевого баланса,
• · методы оптимизации,
• · корреляционно-регрессионные модели.

Метод экономического анализа

Экономический анализ является неотъемлемой частью и одним из основных элементов логики прогнозирования и планирования. Он должен осуществляться как на макро-, так и на мезо- и микроуровнях.

Сущность метода экономического анализа заключается в том, что экономический процесс или явление расчленяется на составные части и выявляются взаимная связь и влияние этих частей друг на друга и на ход развития всего процесса. Анализ позволяем раскрыть сущность процесса, определить закономерности его изменения в прогнозируемом (плановом) периоде, всесторонне оценить возможности и пути достижения поставленных целей.

В процессе экономического анализа применяются такие приемы, как сравнение, группировки, индексный метод, проводятся балансовые расчеты, используются нормативный и экономико-математические методы.

Балансовый метод

Балансовые метод предполагает разработку балансов, представляющих собой систему показателей, в которой одна часть, характеризующая ресурсы по источника поступления, равна другой части, показывающей распределение (использование) по всем направления их расхода.

В переходный период к рыночным отношениям усиливается роль прогнозных балансов, разрабатываемых на макроуровне: платежного баланса, баланса доходов и расходов государства, баланса денежных доходов и расходов населения, сводного баланса трудовых ресурсов, балансов спроса и предложения. Результаты балансовых расчетов служат основой при формировании структурной, социальной, финансово-бюджетной и кредитно-денежной политики, а также политики занятости и внешнеэкономической деятельности. Балансы применяются также для выявления диспропорций в текущем периоде, вскрытия неиспользованных резервов и обоснования новых пропорций.

Нормативный метод

Нормативный метод является одним из основных методов прогнозирования и планирования. В современных условиях ему стала придаваться особая значимость в связи с использованием ряда норм и нормативов в качестве регуляторов экономики. Сущность нормативного метода заключается в технико-экономическом обосновании прогнозов, планов, программ с использованием норм и нормативов. С их помощью обосновываются важнейшие пропорции, развитие материального производства и не производственной сферы, осуществляется регулирование экономики.

Точность прогнозов

Основными критериями при оценке эффективности модели, используемой в прогнозировании, служат точность прогноза и полнота представления будущего финансового состояния прогнозируемого объекта. Вопрос с точностью прогноза несколько более сложен и требует более пристального внимания. Точность или ошибка прогноза - это разница между прогнозным и фактическим значениями. В каждой конкретной модели эта величина зависит от ряда факторов.

Чрезвычайно важную роль играют исторические данные, используемые при выработке модели прогнозирования. В идеале желательно иметь большое количество данных за значительный период времени. Кроме того, используемые данные должны быть "типичными" с точки зрения ситуации. Стохастические методы прогнозирования, использующие аппарат математической статистики, предъявляют к историческим данным вполне конкретные требования, в случае невыполнения которых не может быть гарантирована точность прогнозирования. Данные должны быть достоверны, сопоставимы, достаточно представительны для проявления закономерности, однородны и устойчивы.

Точность прогноза однозначно зависит от правильности выбора метода прогнозирования в том или ином конкретном случае. Однако это не означает, что в каждом случае применима только какая-нибудь одна модель. Вполне возможно, что в ряде случаев несколько различных моделей выдадут относительно надежные оценки. Основным элементом в любой модели прогнозирования является тренд или линия основной тенденции изменения ряда. В большинстве моделей предполагается, что тренд является линейным, однако такое предположение не всегда закономерно и может отрицательно повлиять на точность прогноза. На точность прогноза также влияет используемый метод отделения от тренда сезонных колебаний - сложения или умножения. При использовании методов регрессии крайне важно правильно выделить причинно-следственные связи между различными факторами и заложить эти соотношения в модель.

Прежде чем использовать модель для составления реальных прогнозов, ее необходимо проверить на объективность, с тем чтобы обеспечить точность прогнозов. Этого можно достичь двумя разными путями:

Результаты, полученные с помощью модели, сравниваются с фактическими значениями через какой-то промежуток времени, когда те появляются. Недостаток такого подхода состоит в том, что проверка "беспристрастности" модели может занять много времени, так как по-настоящему проверить модель можно только на продолжительном временном отрезке.

Модель строится исходя из усеченного набора имеющихся исторических данных. Оставшиеся данные можно использовать для сравнения с прогнозными показателями, полученными с помощью этой модели. Такого рода проверка более реалистична, так как она фактически моделирует прогнозную ситуацию. Недостаток этого метода состоит в том, что самые последние, а, следовательно, и наиболее значимые показатели исключены из процесса формирования исходной модели.

В свете вышесказанного относительно проверки модели становится ясным, что для того, чтобы уменьшить ожидаемые ошибки, придется вносить изменения в уже существующую модель. Такие изменения вносятся на протяжении всего периода применения модели в реальной жизни. Непрерывное внесение изменений возможно в том, что касается тренда, сезонных и циклических колебаний, а также любого используемого причинно-следственного соотношения.

Эти изменения затем проверяются с помощью уже описанных методов. Таким образом, процесс оформления модели включает в себя несколько этапов: сбор данных, выработку исходной модели, проверку, уточнение - и опять все сначала на основе непрерывного сбора дополнительных данных с целью обеспечения надежности модели.

На микроуровне - уровне предприятия, организации (фирмы) объектами прогнозирования и планирования являются: спрос, производство продукции (выполнение услуг), потребность в материальных и трудовых ресурсах, издержки производства и реализации продукции, цены, доходы предприятия, его техническое развитие. Результаты прогнозов являются основой для принятия управленческих решений.

Субъекты прогнозирования и планирования - планово-финансовые органы предприятия, маркетинговые и технические отделы.

Планы-прогнозы разрабатываются как в целом по предприятию, так и по его структурным подразделениям: цехам, участкам, службам.

На предприятии различают следующие виды планов:

Стратегические планы - планы генерального развития бизнеса. В финансовом аспекте эти планы определяют важнейшие финансовые показатели и пропорции воспроизводства, характеризуют инвестиционные стратегии и возможности реинвестирования и накопления. Стратегические планы определяют объем и структуру финансовых ресурсов, необходимых для функционирования предприятия.

Текущие планы разрабатываются на основе стратегических путем их детализации. Если стратегический план дает примерный перечень финансовых ресурсов, их объем и направления использования, то в рамках текущего планирования проводится взаимное согласование каждого вида вложений с источниками их финансирования, изучается эффективность каждого возможного источника финансирования, а также проводится финансовая оценка основных направлений деятельности предприятия и путей получения дохода.

Оперативные планы - это краткосрочные тактические планы, непосредственно связанные с достижением целей фирмы (план производства, план закупки сырья и материалов и т.п.).

Прогнозирование будущего развития предприятия - самый значительный и сложный этап подготовки бизнес-плана, поскольку на основе результатов прогнозных расчетов будущего изменения рынка, издержек, цен, прибыли определяются рамки проекта и требуемые ресурсы.

При прогнозировании финансовых показателей целесообразно использовать систему методов: экспертные оценки, методы экстраполяции, факторные модели, методы оптимизации, нормативный метод.

В экономически развитых странах все большее распространение получает использование формализованных моделей управления финансами. Степень формализации находится в прямой зависимости от размеров предприятия: чем крупнее фирма, тем в большей степени ее руководство может и должно использовать формализованные подходы в финансовой политике. В западной научной литературе отмечается, что около 50% крупных фирм и около 18% мелких и средних фирм предпочитает ориентироваться на формализованные количественные методы в управлении финансовыми ресурсами и анализе финансового состояния предприятия. Ниже приведена классификация именно количественных методов прогнозирования финансового состояния предприятия.

Исходным пунктом любого из методов является признание факта некоторой преемственности (или определенной устойчивости) изменений показателей финансово-хозяйственной деятельности от одного отчетного периода к другому. Поэтому, в общем случае, перспективный анализ финансового состояния предприятия представляет собой изучение его финансово-хозяйственной деятельности с целью определения финансового состояния этого предприятия в будущем.

Существует определенное количество методик прогнозирования, которые могут быть использованы в реальной практике коммерческих фирм. Модели прогнозирования можно разбить на три группы:

џ качественные;

џ статистические;

џ факторные.

Эти три группы различаются по степени точности прогноза в долгосрочном и краткосрочном периодах, степени сложности и трудоемкости при расчетах, а также по источнику, из которого черпаются исходные данные для прогнозирования (например, экспертные оценки, маркетинговые исследования, статистика и пр.).

В качественных методах прогнозирование основывается на мнениях и суждениях экспертов, интуиции сотрудников, результатах маркетинговых исследований или сравнении с деятельностью конкурирующих предприятий. Информация такого рода, как правило, не содержит в себе количественных данных, является приблизительной и часто носит субъективный характер.

Разумеется, что из-за этого качественные методы не отвечают строгим научным критериям. Однако в случаях, когда статистические данные не доступны или нет уверенности, что статистические закономерности сохранятся в будущем, у качественных методов просто нет альтернатив. И хотя эти методы нельзя практически стандартизировать и добиться от них высокой точности прогноза, однако они с успехом могут использоваться при оценке рыночных перспектив нового продукта или новой технологии, прогнозировании изменений в законодательстве или правительственной политики и т. д. Как правило, качественные методы используются при средне - и долгосрочном прогнозировании.

В случаях, когда фирме доступен достаточно большой объем статистических данных и есть уверенность, что тренд или сезонные колебания достаточно стабильны, то статистические методы показывают высокую эффективность при составлении краткосрочных прогнозов спроса на товары. Главной предпосылкой статистических методик является предположение, что будущее является продолжением прошлого. Поскольку статистические данные, как правило, носят количественный характер, то при прогнозировании широко используются различные математические и количественные модели, заимствованные, прежде всего, из области статистики. Точность прогноза на период до 6 месяцев обычно является достаточно высокой. Это объясняется тем, что в краткосрочном периоде тенденции спроса обычно достаточно устойчивы.

Статистические прогнозы напрямую зависят от имеющихся исходных данных. Чем обширнее статистическая база, тем точнее прогноз. По мере поступления новых статистических данных постепенно меняется и прогноз на будущее. Вместе с тем при переломе тенденции статистический прогноз сигнализирует об этом с некоторым запозданием. Это является серьезным недостатком статистических моделей и накладывает на них определенные ограничения при практическом использовании.

Главной предпосылкой для использования факторных моделей при прогнозировании спроса является тот факт, что динамика спроса обусловлена целым рядом взаимно обусловленных причин, которые иногда можно выявить и проанализировать. Например, на уровень спроса положительно влияет уровень потребительского обслуживания. В этом случае при целенаправленной политике фирмы по повышению уровня сервиса можно ожидать увеличения объема спроса. В таких случаях говорят, что уровень обслуживания потребителей является фактором роста уровня спроса. В случае, когда удается полно и качественно выявить все причинно-следственные связи и описать их, факторные модели позволяют прогнозировать с высокой степенью точности будущие изменения спроса в средне - и долгосрочном периодах.

Факторные модели имеют несколько разновидностей:

• 1). џ статистические - например, регрессионные или эконометрические модели;
• 2).џ дескриптивные - например, при описании объекта по методу «черного ящика», описании жизненного цикла объекта или компьютерном имитационном моделировании.

При прогнозировании результирующих показателей используются в той или иной степени статистические данные по факторным показателям. И на основании прогноза факторных показателей выстраивается прогноз результирующего показателя.

Основной проблемой, затрудняющей применение факторных моделей на практике, является то, что найти, выявить и описать причинно-следственные связи достаточно сложно. Даже если некоторые такие взаимосвязи выявлены, часто оказывается, что в рассматриваемом периоде эти связи не являются определяющими при прогнозировании спроса. Для качественного прогноза с помощью факторной модели требуется выявить и описать все наиболее важные и значимые факторы влияния, но именно это как раз и бывает сложно сделать. Кроме того, для прогноза необходимо иметь статические данные не только по результирующим, но и по факторным показателям, причем за период не менее чем 6 месяцев. Из этих проблем точность факторных моделей, к сожалению, оказывается не слишком высока. Перечень прогнозируемых показателей может ощутимо варьировать. Этот набор величин можно принять в качестве первого критерия для классификации методов. Итак, по набору прогнозируемых показателей методы прогнозирования можно разделить на:

• 1. Методы, в которых прогнозируется один или несколько отдельных показателей, представляющих наибольший интерес и значимость для аналитика, например, выручка от продаж, прибыль, себестоимость продукции и т. д.
• 2. Методы, в которых строятся прогнозные формы отчетности целиком в типовой или укрупненной номенклатуре статей. На основании анализа данных прошлых периодов прогнозируется каждая статья баланса и отчета и финансовых результатах. Огромное преимущество методов этой группы состоит в том, что полученная отчетность позволяет всесторонне проанализировать финансовое состояние предприятия. Аналитик получает максимум информации, которую он может использовать для различных целей, например, для определения допустимых темпов наращивания производственной деятельности, для исчисления необходимого объема дополнительных финансовых ресурсов из внешних источников, расчета любых финансовых коэффициентов и т. д.

Методы прогнозирования отчетности, в свою очередь, делятся на методы, в которых каждая статья прогнозируется отдельно исходя из ее индивидуальной динамики, и методы, учитывающие существующую взаимосвязь между отдельными статьями как в пределах одной формы отчетности, так и из разных форм. Действительно, различные строки отчетности должны изменяться в динамике согласованно, так как они характеризуют одну и ту же экономическую систему.

В зависимости от вида используемой модели все методы прогнозирования можно подразделить на три большие группы:

• 1. Методы экспертных оценок, которые предусматривают многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью инструментария экономической статистики. Это наиболее простые и достаточно популярные методы, история которых насчитывает не одно тысячелетие. Применение этих методов на практике, обычно, заключается в использовании опыта и знаний торговых, финансовых, производственных руководителей предприятия. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом. Недостатком является снижение или полное отсутствие персональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений показателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т. п.
• 2. Стохастические методы, предполагающие вероятностный характер, как прогноза, так и самой связи между исследуемыми показателями. Вероятность получения точного прогноза растет с ростом числа эмпирических данных. Эти методы занимают ведущее место с позиции формализованного прогнозирования и существенно варьируют по сложности используемых алгоритмов. Наиболее простой пример - исследование тенденций изменения объема продаж с помощью анализа темпов роста показателей реализации. Результаты прогнозирования, полученные методами статистики, подвержены влиянию случайных колебаний данных, что может иногда приводить к серьезным просчетам.

Стохастические методы можно разделить на три типовые группы, которые будут названы ниже. Выбор для прогнозирования метода той или иной группы зависит от множества факторов, в том числе и от имеющихся в наличии исходных данных.

Первая ситуация - наличие временного ряда - встречается на практике наиболее часто: финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на основании которых требуется построить приемлемый прогноз. Иными словами, речь идет о выделении тренда. Это можно сделать различными способами, основными из которых являются простой динамический анализ и анализ с помощью авторегрессионых зависимостей.

Вторая ситуация - наличие пространственной совокупности - имеет место в том случае, если по некоторым причинам статистические данные о показателе отсутствуют, либо есть основание полагать, что его значение определяется влиянием некоторых факторов. В этом случае может применяться многофакторный регрессионный анализ, представляющий собой распространение простого динамического анализа на многомерный случай.

Третья ситуация - наличие пространственно-временной совокупности -имеет место в том случае, когда: а) ряды динамики недостаточны по своей длине для построения статистически значимых прогнозов; б) аналитик имеет намерение учесть в прогнозе влияние факторов, различающиеся по экономической природе и их динамике. Исходными данными служат матрицы показателей, каждая из которых представляет собой значения тех же самых показателей за различные периоды или на разные последовательные даты.

3. Детерминированные методы, предполагающие наличие функциональных или жестко детерминированных связей, когда каждому значению факторного признака соответствует вполне определенное неслучайное значение результативного признака. В качестве примера можно привести зависимости, реализованные в рамках известной модели факторного анализа фирмы Дюпон. Используя эту модель и подставляя в нее прогнозные значения различных факторов, например выручки от реализации, оборачиваемости активов, степени финансовой зависимости и других, можно рассчитать прогнозное значение одного из основных показателей эффективности - коэффициента рентабельности собственного капитала.

Другим весьма наглядным примером служит форма отчета о прибылях и убытках, представляющая собой табличную реализацию жестко детерминированной факторной модели, связывающей результативный признак (прибыль) с факторами (доход от реализации, уровень затрат, уровень налоговых ставок и др.).

Здесь нельзя не упомянуть об еще одной группе методов, основанных на построении динамических имитационных моделей предприятия. В такие модели включаются данные о планируемых закупках материалов и комплектующих, объемах производства и сбыта, структуре издержек, инвестиционной активности предприятия, налоговом окружении и т.д. Обработка этой информации в рамках единой финансовой модели позволяет оценить прогнозное финансовое состояние компании с очень высокой степенью точности. Реально такого рода модели можно строить только с использованием персональных компьютеров, позволяющих быстро производить огромный объем необходимых вычислений. Однако эти методы не являются предметом настоящей работы, поскольку должны иметь под собой гораздо более широкое информационное обеспечение, чем бухгалтерская отчетность предприятия, что делает невозможным их применение внешними аналитиками.

Формализованные модели прогнозирования финансового состояния предприятия подвергаются критике по двум основным моментам:

• а) в ходе моделирования могут, а фактически и должны быть разработаны несколько вариантов прогнозов, причем формализованными критериями невозможно определить, какой из них лучше;
• б) любая финансовая модель лишь упрощенно выражает взаимосвязи между экономическими показателями. На самом деле оба эти тезиса вряд ли имеют негативный оттенок; они лишь указывают аналитику на существующие ограничения любого метода прогнозирования, о которых необходимо помнить при использовании результатов прогноза.

Каждое значение временного ряда может состоять из следующих составляющих: тренда, циклических, сезонных и случайных колебаний. Метод простого динамического анализа используется для определения тренда имеющегося временного ряда. Данную составляющую можно рассматривать в качестве общей направленности изменений значений ряда или основной тенденции ряда. Циклическими называются колебания относительно линии тренда для периодов свыше одного года. Такие колебания в рядах финансовых и экономических показателей часто соответствуют циклам деловой активности: резкому спаду, оживлению, бурному росту и застою. Сезонными колебаниями называются периодические изменения значений ряда на протяжении года. Их можно вычленить после анализа тренда и циклических колебаний. Наконец, случайные колебания выявляются путем снятия тренда, циклических и сезонных колебаний для данного значения. Остающаяся после этого величина и есть беспорядочное отклонение, которое необходимо учитывать при определении вероятной точности принятой модели прогнозирования.

Метод простого динамического анализа исходит из предпосылки, что прогнозируемый показатель (Y) изменяется прямо (обратно) пропорционально с течением времени. Поэтому для определения прогнозных значений показателя Y строится, например, следующая зависимость:

Y t = a + b*t, (1.1)

где t - порядковый номер периода.

Параметры уравнения регрессии (а,b) находятся, как правило, методом наименьших квадратов. Существуют также другие критерии адекватности. Для понимания сущности данного вопроса необходимо предварительно дать определения понятий - метод.

Применительно к экономической науке и практике - метод - это:

• 1) система правил и приемов подхода к изучению явлений и закономерностей природы, общества и мышления;
• 2) путь, способ достижения определенных результатов в познании и практике;
• 3) прием теоретического исследования или практического осуществления чего-нибудь, исходящий из знания закономерностей развития объективной действительности и исследуемого предмета, явления, процесса.

Методы прогнозирования - это совокупность приёмов и способов мышления, позволяющих на основе анализа ретроспективных данных об исследуемом объекте вывести суждения определённой достоверности относительно будущего развития объекта.

Вся совокупность методов прогнозирования может быть представлена двумя группами - в зависимости от степени их однородности:

• · простые методы;
• · комплексные методы.

Группа простых методов объединяет однородные по содержанию и используемому инструментарию методы прогнозирования (например, экстраполяция тенденций, морфологический анализ и др.).

Комплексные методы отражают совокупности, комбинации методов, чаще всего реализуемые специальными прогностическими системами.

Кроме того, все методы прогнозирования поделены еще на три класса:

• · фактографические методы;
• · экспертные методы;
• · комбинированные методы.

В основу их выделения положен характер информации, на базе которой составляется прогноз:

• 1) фактографические методы базируются на фактическом информационном материале о прошлом и настоящем развитии объекта прогнозирования. Чаще всего применяются при поисковом прогнозировании для эволюционных процессов;
• 2) экспертные (интуитивные) методы основаны на использовании знаний специалистов-экспертов об объекте прогнозирования и обобщении их мнений о развитии (поведении) объекта в будущем. Экспертные методы в большей мере соответствуют нормативному прогнозированию скачкообразных процессов;
• 3) комбинированные методы включают методы со смешанной информационной основой, в которых в качестве первичной информации наряду с экспертной используется и фактографическая.

В свою очередь, каждый из перечисленных классов также подразделяется на группы и подгруппы. Так, среди фактографических методов выделяются группы:

• · статистических (параметрических) методов;
• · опережающих методов.

Группа статистических методов включает методы, основанные на построении и анализе динамических рядов характеристик (параметров) объекта прогнозирования. Среди них наибольшее распространение получили экстраполяция, интерполяция, метод аналогий (модель подобия), параметрический метод и др.

Группа опережающих методов состоит из методов, основанных на использовании свойства научно-технической информации опережать реализацию научно-технических достижений. Среди методов этой группы выделяется публикационный, основанный на анализе и оценке динамики публикаций.

Среди экспертных методов выделяют группы по следующим признакам:

• · по количеству привлеченных экспертов;
• · по наличию аналитической обработки данных экспертизы (табл. 3).

Прогнозирование спроса в теории осуществляется различными методами. На практике, как правило, реализуется комплексный подход, учитывающий сильные и слабые стороны применяемых методов. Общие методы прогнозирования спроса основываются на:

• · Метод экспертных оценок;
• · Статистические методы (фактографические);
• · Комбинированные методы.

Статистические методы прогнозирования:

В методическом плане основным инструментом любого прогноза является схема экстраполяции. Сущность экстраполяции заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций развития объекта прогноза и переносе их на будущее.

Методы экстраполяции трендов, основанные на статистическом анализе временных рядов, позволяют прогнозировать темпы роста продажи товаров в ближайшей перспективе, исходя из тенденций, сложившихся в прошедшем периоде времени. Обычно методы экстраполяции трендов применяются в краткосрочном (не более одного года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени. Если прогноз составляется для товара, в задачи прогнозирования, основанного на экстраполяции трендов, входят анализ спроса и анализ продаж этого товара. Результаты прогнозирования используются во всех сферах внутрифирменного планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и управление торговыми потоками и торговыми операциями.

Наиболее распространенными методами экстраполяции трендов являются:

• · метод скользящего среднего;
• · метод экспоненциального сглаживания;
• · Прогнозирование на основе метода сезонных колебаний;

Необходимость применения скользящей средней вызывается следующими обстоятельствами. Бывают случаи, когда имеющиеся данные динамического ряда не позволяют обнаруживать какую-либо тенденцию развития (тренд) того или иного процесса (из-за случайных и периодических колебаний исходных данных). В таких случаях для лучшего выявления тенденции прибегают к методу скользящей средней.Экстраполяция по скользящей средней - может применяться для целей краткосрочного прогнозирования.

Метод скользящей средней состоит в замене фактических уровней динамического ряда расчетными, имеющими значительно меньшую колеблемость, чем исходные данные. При этом средняя рассчитывается по группам данных за определенный интервал времени, причем каждая последующая группа образуется со сдвигом на один год (месяц). В результате подобной операции первоначальные колебания динамического ряда сглаживаются, поэтому и операция называется сглаживанием рядов динамики (основная тенденция развития выражается при этом уже в виде некоторой плавной линии).

Метод скользящей средней называется так потому, что при вычислении средние как бы скользят от одного периода к другому; с каждым новым шагом средняя как бы обновляется, впитывая в себя новую информацию о фактически реализуемом процессе. Таким образом, при прогнозировании исходят из простого предположения, что следующий во времени показатель по своей величине будет равен средней, рассчитанной за последний интервал времени.

· Экспоненциальная средняя. При рассмотрении скользящей средней было отмечено, что чем "старше" наблюдение, тем меньше оно должно оказывать влияние на величину скользящей средней. То есть влияние прошлых наблюдений должно затухать по мере удаления от момента, для которого определяется средняя.

Одним из простейших приемов сглаживания динамического ряда с учетом "устаревания" является расчет специальных показателей, получивших название экспоненциальных средних, которые широко применяются в краткосрочном прогнозировании. Основная идея метода состоит в использовании в качестве прогноза линейной комбинации прошлых и текущих наблюдений. Экспоненциальная средняя рассчитывается по формуле:

Qt+1 = L*yt + (1 - L) * Q t-1 (1.2)

Где Q - экспоненциальная средняя (сглаженное значение уровня ряда);

L - коэффициент, характеризующий вес текущего наблюдения при расчете экспоненциальной средней (параметр сглаживания), 0

t - индекс текущего периода;

y - фактическое значение уровня ряда.

Метод экспоненциального сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов.

Применение скользящей и экспоненциальных средних в качестве основы для прогностической оценки имеет смысл лишь при относительно небольшой колеблемости уровней. Данные методы прогнозирования относятся к числу наиболее распространенных методов экстраполяции трендов.

· Прогнозирование на основе сезонных колебаний.

Сезонные колебания -- повторяющиеся из года в год изменения показателя в определенные промежутки времени. Наблюдая их в течение нескольких лет для каждого месяца (или квартала), можно вычислить соответствующие средние, или медианы, которые принимаются за характеристики сезонных колебаний.

Одним из статистических методов прогнозирования является расчет прогнозов на основе сезонных колебаний уровней динамического ряда. При этом под сезонными колебаниями понимаются такие изменения уровня динамического ряда, которые вызываются влияниями времени года. Проявляются они с различной интенсивностью во всех сферах жизни общества: производстве, обращении и потреблении. Их роль очень велика в торговле продуктами питания, на транспорте и др. Сезонные колебания строго цикличны - повторяются через каждый год, хотя сама длительность времен года имеет колебания.

Для изучения сезонных колебаний необходимо иметь уровни за каждый квартал, а лучше за каждый месяц, иногда даже за декады, хотя декадные уровни могут уже сильно исказиться мелкомасштабной случайной колеблемостью. Методика статистического прогноза по сезонным колебаниям основана на их экстраполяции, т.е. на предположении, что параметры сезонных колебаний сохраняются до прогнозируемого периода. В общем виде индексы сезонности определяются отношением исходных (эмпирических) уровней ряда к теоретическим (расчетным) уровням, выступающих в качестве базы сравнения. Индексы сезонности рассчитываются по формуле:

Is t = Yt * Yi (1.3)

где Is t - индивидуальный индекс сезонности;

Yt - эмпирический уровень ряда динамики;

Yi - теоретический уровень ряда динамики.

В результате того, что в формуле измерение сезонных колебаний проводится на базе соответствующих теоретических уровней тренда, в индивидуальных индексах сезонности влияние основной тенденции развития устраняется. Поскольку на сезонные колебания могут накладываться случайные отклонения, для их устранения производится усреднение индивидуальных индексов сезонности одноименных внутригодовых периодов анализируемого ряда динамики. Поэтому для каждого периода годового цикла определяются обобщенные показатели в виде средних индексов сезонности (Is):

Is = Is t / n (1.4)

где n - число периодов годового цикла.

Рассчитанные таким образом средние индексы сезонности свободны от влияния основной тенденции развития и случайных отклонений.

· Прогнозирование методом линейной регрессии.

Прогнозирование методом линейной регрессии - является одним из наиболее широко применяемых формализованных методов прогнозирования. Метод базируется на взаимосвязи (линейной зависимости) факторного и результативного показателя:

Y (x) = a + bx (1.5)

где x - факторный показатель;

Y - результативный показатель.

Приведенные методы измерения сезонных колебаний не являются единственными. Так, для выявления сезонных колебаний можно применять и рассмотренный выше метод скользящей средней, и другие методы.

Комбинированные методы:

На практике существует тенденция сочетать различные методы прогнозирования спроса. Поскольку итоговый прогноз играет очень важную роль для всех аспектов внутрифирменного планирования, то желательно создать прогнозную систему, в которой может использоваться любой вводимый фактор.

Также при составлении прогноза важно учитывать риски:

Рис.1.Риски влияющие на прогнозирование;

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Участок, до которого не дошла продольная волна, уменьшился за время At на величину ((/ / 2) + а0 At). Участок, где прошла только продольная волна, увеличился на (a0 - b) At, а участок, где прошли и продольная и поперечная волны, увеличился на b At. Посчитаем полную энергию всей струны за время At

2Wo((/ / 2) + ao At) + 2[ W^ - b) + E2b] At = = W/ + 2[(W - Wo)ao + (W2 - Wi) b] At = W/ +

E{[(eo - ei)2 + ei2 - eo2]ao +

+ [(eo - e1)2 (((1 + cos9) / (1 - cos9)) - 1)]x xao ((eo - e1) / (1 + e1)) (cos9 / (1 - cos9))}At =

Wo/ + Eao{(eo - e1)2 + e12 - eo2 + (eo - e1)2(2

cos29 / (1 - cos9)2) ((eo - e1) / (1 + e1))} At =,

учитывая

Wo/ + Eao[(eo - e1)2 + e12 - eo2 + 2(eo - e1) x x (e1 (1 + e1) / (1 + e1))] At = Wo/ + Eao At = Wo/.

Как и следовало из постоянства интеграла энергии, полная энергия всей струны в этой конкретной задаче постоянна, а если за нулевую энергию принять Eo/, то полная энергия будет равна нулю.

Сравним величины энергий на участках продольной и поперечных волн в случае,

когда продольное возмущение дошло до конца струны. В этом случае участок, где нет возмущения, отсутствует, а полная энергия складывается из энергий на участках продольного и поперечного движений. Очевидно, что вклад энергии продольных и поперечных волн в полную энергию будет одинаков.

При рассмотрении продольно-поперечных движений струн нельзя ограничиваться рассмотрением только поперечных составляющих и пренебрегать продольными, поскольку они вносят равный вклад в энергетику и динамическое нагружение струн.

В приведенных примерах проиллюстрировано распределение энергий между продольными и поперечными волнами и проведено сравнение энергий поперечного и продольного движений. Вклад энергии продольных составляющих в общую энергию колебаний гибких связей может быть найден как разность между полной энергией и энергией поперечных колебаний.

Библиографический список

1. Рахматулин, Х.А. Прочность при интенсивных кратковременных нагрузках / Х.А. Рахматулин, Ю.А. Демьянов. - М.: Физматгиз, 1961. - 399 с.

2. Демьянов, Ю.А. К уточнению теории колебаний музыкальных инструментов / Ю.А. Демьянов // Доклады РАН. - 1999. - Т 369. - № 4.

МЕТОДИКА ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ СТОХАСТИЧЕСКИХ ЭКОНОМИЧЕСКИХ СИСТЕМ

А.В. ТРЕГУБ, доц. МГУЛ, канд. физ.-мат. наук,

И.В. ТРЕГУБ, доц. Финансовой академии при Правительстве РФ, канд. техн. наук

Математическое моделирование сложных экономических систем на современном этапе предполагает, как правило, использование аналитических подходов к изучению функционирования реальных объектов. В различных задачах, встречающихся при моделировании, могут использоваться величины, значения которых определяются случайным образом. Примерами таких величин могут быть случайные воздействия внешней среды, случайные моменты времени, в которые система находится в особом состоянии и т.п. Системы, в которых переменные или воз-

действия являются случайными величинами, называются стохастическими.

На сегодняшний день технологии прогнозирования экономических показателей разработаны достаточно хорошо. Среди методов прогнозирования, наиболее часто применяемых в экономической практике, можно отметить методы экспертных оценок, основывающиеся на субъективной оценке текущего момента и перспектив развития. Эти методы успешно используются для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредствен-

ЛЕСНОЙ ВЕСТНИК 2/2oo8

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

ную информацию о каком-либо явлении или процессе.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты связан с определением закона вероятности и оценкой его параметров.

В основе казуальных методов определяются факторы, обусловливающие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономикоматематическому моделированию - построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения проблемы выбора факторов, которая связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса.

Среди методов оценивания на практике успешно применяется теория игр, регрессионный анализ, известно нейросетевое прогнозирование, нечеткая логика и имитационное моделирование. Разработаны соответствующие программные пакеты, которые, к сожалению, не всегда доступны рядовому пользователю, в то же время многие из этих проблем можно достаточно успешно решать, реализуя алгоритмы в широко известном и распространенном пакете прикладных программ MS Excel.

В данной статье представлено вероятностное прогнозирование объема продаж дополнительных услуг на рынке телекоммуникаций, осуществленное на основе эмпирических данных.

Выборочное наблюдение. Под выборочным наблюдением понимается метод статистического исследования, при котором обобщающие показатели изучаемой системы устанавливаются по некоторой ее части на основе положений случайного отбора. При

выборочном методе изучается сравнительно небольшая часть всех данных, характеризующих систему. Выборка должна быть представительной (репрезентативной), чтобы по ней можно было судить о генеральной совокупности. Репрезентативность означает, что объекты выборки должны обладать теми же свойствами, что и генеральная совокупность. Предупреждение систематических ошибок выборочного обследования достигается в результате применения научно обоснованных способов формирования выборочной совокупности, в зависимости от которых выборка может быть: собственно-случайной, механической, типической, серийной, комбинированной. Собственно-случайная выборка образуется в результате случайного (непреднамеренного) отбора отдельных единиц из генеральной совокупности. Формирование выборки может быть осуществлено по схемам повторного и бесповторного отбора. При этом повторный отбор предполагает возможность включения в выборку одного и того же элемента генеральной совокупности два раза и более, бесповторный отбор исключает такую возможность.

Первый шаг на пути создания прогноза при выборочном наблюдении - это сбор и анализ статистической информации об исследуемой системе, формирование выборки из генеральной совокупности, отслеживание аномальных результатов в выборке.

В нашем случае анализируемым параметром является объем продаж дополнительных услуг регионального оператора сотовой связи за один месяц. Под генеральной совокупностью в данной задаче мы будем понимать множество месячных объемов продаж дополнительных услуг по предоставлению пользователю информации (новости, биржевые сводки, прогноз погоды и т.п.), полученных региональным оператором за все время работы на рынке. При этом к одной генеральной совокупности будем относить информационные сервисы с сопоставимыми за анализируемый период объемами продаж.

Выборкой из генеральной совокупности в нашем случае будет множество месячных объемов продаж услуг определенного сервиса. Формирование выборки осуществляется

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

в табличном процессоре Microsoft Excel, в котором выполнена собственно-случайная выборка, реализованная по схеме повторного отбора.

Далее необходимо построить вероятностную модель, оценить ее параметры и построить прогноз. Построение модели основано на выборе и идентификации закона распределения. Алгоритм выбора закона распределения целиком и полностью базируется на аппарате математической статистики. Идентификация закона распределения заключается в последовательной реализации двухэтапной процедуры для каждого вида параметрической модели из рассматриваемого множества законов. На первом этапе процедуры на основании выборочных данных строится модель закона определенного вида (из рассматриваемого множества моделей), оцениваются параметры этой модели. На втором этапе оценивается степень адекватности полученной модели экспериментальным наблюдениям, как правило, с применением различных критериев согласия.

При проведении выборочного обследования и построения прогноза объема продаж мы будем формировать две выборки из генеральной совокупности. Одну - для подбора и идентификации закона распределения вероятностей, другую - для оценки параметров моделируемого теоретического закона распределения.

Анализ эмпирических данных. Прежде чем приступать к построению модели, необходимо проанализировать наблюдаемые значения переменных на наличие аномальных результатов, т.е. таких наблюдений, которые резко отличаются в большую или меньшую сторону от средних значений по выборке. Поскольку существенным моментом вероятностного прогнозирования является предположение о законе распределения, соответствующего реальным наблюдаемым величинам, и оценка параметров этого распределения , то любые отклонения от предположений могут повлиять на оценки.

Если наблюдаемая выборка действительно принадлежит тому закону распределения, параметры которого мы оцениваем, отклонения могут быть связаны с наличием

аномальных наблюдений, появление которых в выборке определяется самыми различными причинами. Если не учитывать наличие аномальных наблюдений, попытки оценивания параметров распределения могут привести к самым негативным результатам. В этом случае обычно отбраковывают аномальные величины, а затем находят оценки параметров. К сожалению, реализовать отбраковку наблюдений в общем случае оказывается совсем не просто. Наблюдения, аномальные с позиций одного закона распределения, являются естественным проявлением закономерностей другого. Если нет надежной процедуры отбраковки или практических соображений, связанных с сущностью наблюдаемой величины, пытаются выйти из положения одним из следующих способов. В первом случае усекают выборку, отбрасывая определенную часть минимальных и/или максимальных наблюдений, и по оставшейся части оценивают параметры распределения. Во втором - перед процедурой оценивания всем наблюдениям левее и/или правее определенных значений присваивают одинаковые значения. Обе эти процедуры могут не всегда приводить к положительным результатам. Третий подход заключается в цензурировании выборки. Для наблюдений, попавших левее и/или правее определенных значений, фиксируют лишь факт попадания в соответствующий интервал, опуская конкретные значения этих наблюдений. По такой цензурированной выборке оценивают параметры закона.

В работе доказано, что процедура предварительного группирования наблюдений перед вычислением оценок параметров распределения позволяет резко снизить влияние аномальных наблюдений, а иногда практически исключить последствия присутствия их в выборке. При этом также снижается влияние на оценки параметров и отклонение вида наблюдаемого закона распределения от предполагаемого. Кроме того, группирование исходных наблюдений позволяет получать устойчивые оценки параметров.

Построение эмпирического распределения. Для построения эмпирического распределения будем использовать одну из двух сформированных ранее выборок. Груп-

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

пирование наблюдений используется как при оценке параметров распределений, в задачах проверки статистических гипотез, так и для построения эмпирического распределения.

Выборка называется группированной, если область определения случайной величины разбита на к непересекающихся интервалов граничными точками х0 < *1 < ... < <

х где *0 - нижняя грань области определения случайной величины X, хк - верхняя грань области определения случайной величины X, и зафиксированы количества наблюдений п, попавших в i-ый интервал значений. Объем выборки определяется соотношением

Существуют различные способы объединения данных в группы. При группировании область определения случайной величины разбивается на интервалы равной длины или равной вероятности, кроме того существует еще так называемое асимптотически оптимальное группирование. Нахождение х. граничных точек интервалов в этом случае связано с вычислением интегралов вида

P(e)=] f (х,в)л,

которые не всегда имеют аналитическое решение, здесь e - скалярный или векторный параметр распределения, функция P(e) - вероятность попадания наблюдаемой величины в i-й интервал, f(x, e) - плотность распределения.

В данной работе в качестве способа группировки выбрано разбиение области определения объема продаж на интервалы равной длины. Величину интервала b для группировки исходных данных определим по формуле

Xmin) / 0} - 1),

где х - х - максимальные и минимальные

значения;

{n} - округленное оптимальное число групп, определяемое по формуле Стерджесса n = 1 + 3,322lg(N);

N - объем выборки.

Нижняя граница первого интервала соответствует минимальному значению объема продаж за рассматриваемый период, правая граница последнего интерва-

ла - максимальному значение объема продаж. Относительная частота попадания переменной в интервал определяется по формуле

где ni - количество исходных значений, попавших в i-й интервал.

Графическое изображение эмпирических данных в виде гистограммы относительных частот - удобный и наглядный способ представления выборки, необходимый для первичного формирования гипотезы о законе распределения генеральной совокупности. При построении графика по оси абсцисс (OX) отложим значения середины интервалов объема продаж, а соответствующие им значения относительных частот - по оси ординат (OF). На рис. 1 приведен график эмпирических относительных частот, представленных в виде гистограммы.

Оценка параметров эмпирического распределения. Визуальный анализ графика показывает, что эмпирическое распределение является унимодальным и несимметричным. Для более детального описания воспользуемся надстройкой «Пакет анализа» «Описательная статистика» MS Excel. Результаты расчета приведены в таблице.

Средняя арифметическая - наиболее часто используемый показатель центра распределения, в нашем случае равна 17313,18. Вычисление средней X в программе осуществляется по формуле, совпадающей с формулой оценки математического ожидания методом моментов. Следовательно, в качестве оценки математического ожидания в начальном приближении можно использовать значение д = 17313,8. Оценка дисперсии, выполненная Пакетом анализа, дает значение D = 11631522,29.

Мода (Мо) - это наиболее часто встречающееся значение признака, или значение варианты с наибольшей частотой.

Медианой (Me) является значение варианты, находящейся в центре упорядоченной по возрастанию значений признака совокупности. Медиана делит вариационный ряд на две равные части. При этом 50 % единиц совокупности имеют значение меньше медианного, а 50 % - больше медианного.

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Объем продаж, USD

I I эмпирическая относительная частота й теоретическое гамма-распределение -♦ - теоретическое нормальное распределение

Рис. 1. Гистограмма относительных частот и теоретические функции плотности вероятности

Месячный объем продаж, USD

Среднее 17313,18

Стандартная ошибка 363,56

Медиана 16539

Стандартное отклонение 3410,50

Дисперсия выборки 11631522,29

Эксцесс 0,46

Асимметрично сть 0,71

Интервал 16988

Минимум 10801

Максимум 27789

Сумма 1523560

В нашем случае значение моды равно 16802, а значение медианы - 16539.

Для симметричного распределения значения средней, медианы и моды должны совпадать. В нашем же случае они различны. Таким образом, можно предположить, что искомое распределение несимметрично.

Чтобы в этом убедиться, надо определить, есть ли смещения в рассеянии данных. Индикатором этих смещений является скошенность данных или, по-другому, асимметрия As - показатель симметрии распределения. В случае положительной асимметрии распределение имеет длинную правую ветвь. Средняя величина больше медианы. Отрицательная асимметрия проявляется в виде более длинной левой ветви, а величина средней меньше медианы и моды. В случае симмет-

ричного распределения, например нормального, As = 0. При этом следует учитывать значимость коэффициента асимметрии. Если выполняется неравенство

|As| / ° < 3

ш \(n+1)(n+3) ’

n - количество наблюдений, то асимметричность считается несущественной.

Коэффициент асимметрии, рассчитанный в «Описательной статистике», равен 0,71, а значение параметра = 0,26. Следовательно, в нашем случае \ASI / = 2,73 < 3,

и асимметрией при подборе теоретического распределения объема продаж за месяц можно пренебречь. Параметры, полученные на основе эмпирических данных, могут быть использованы как начальные приближения при построении вероятностной модели.

Построение математической модели. Для исследуемой экономической системы построение модели, как правило, включает два этапа. На первом этапе высказываются предположения о виде модели закона распределения и по выборкам, извлекаемым из генеральной совокупности, оцениваются параметры этой модели. На втором этапе адекватность модели наблюдаемым данным проверяется с использованием критериев согласия типа Пирсона, типа Колмогорова, типа Мизеса и других. В статистике этим этапам соответствует основные типы задач: идентификация закона распределения и проверка статистических гипотез, оценивание параметров распределения.

Под задачей идентификации закона распределения наблюдаемой случайной величины, как правило, понимают задачу выбора такой модели закона распределения вероятностей, которая наилучшим образом соответствует результатам наблюдения.

Визуальный анализ гистограммы относительных частот (рис. 1) позволяет сделать предположение о том, что вероятностная модель может быть представлена в виде нормального или гамма-распределения. Для построения кривых теоретических законов распределения найдем оценку параметров нормального и гамма-распределений, исполь-

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

зуя вторую из двух сформированных ранее выборок.

Среди всего множества различных оценок параметров модели можно выделить три основных класса оценок . Это M-оценки, к которым относятся, например, оценки максимального правдоподобия и наименьших квадратов, L-оценки, формирующиеся как линейные комбинации порядковых статистик, и R-оценки, основанные на использовании ранговых критериев. Еще один класс оценок образуют методы, минимизирующие расстояния (MD-оценки).

Определяющими факторами при выборе метода оценивания являются структура представления наблюдаемых данных и качество оценок. Качество оценок определяется такими свойствами, как несмещенность, состоятельность и асимптотическая эффективность. Вместе с тем, оценки должны быть устойчивыми к малым отклонениям от предположений.

Если последовательность независимых одинаково распределенных случайных величин xp..., xN имеет функцию распределения F(x, 9) и функцию плотности fx,9), то оценкой максимального правдоподобия (ОМП) неизвестного векторного или скалярного параметра 9 по группированным наблюдениям называется такое значение параметра, при котором функция правдоподобия

достигает максимума на множестве возможных значений параметра. Вероятность попадания наблюдения в i-ый интервал значений определяется выражением

Р (е)= J f (x,e)dx.

Для вычисления ОМП дифференцируют функцию правдоподобия по 01 и, приравнивая производные нулю, получают систему уравнений правдоподобия

решая которые находят искомые оценки параметров, здесь m - размерность вектора параметров.

Закон гамма-распределения имеет функцию плотности вероятности

Р“- Г (а) где Г(а)- гамма функция.

Векторный параметр гамма распределения 0 = (а, в), при этом связь с оценками математического ожидания и дисперсии осуществляется по формулам

д = а-р, D = а-р2.

Для нормального распределения 0 = (д, а), где a=4D - среднеквадратичное отклонение. Плотность вероятности нормального закона распределения вероятности задается формулой

Функция правдоподобия для нормального распределения имеет вид

Продифференцировав функцию правдоподобия по параметрам д, а, приравняв получившиеся уравнения к нулю и выразив значения д, D, получим, что искомые оценки параметров нормального распределения, осуществленные по методу максимума правдоподобия, совпадают с оценками, выполненными по методу моментов.

д=x=NZxi D=N_1,^(x" _ x) ■

Значения математического ожидания и дисперсии в этом случае равны соответственно

д = 17313, D = 11631522. (1)

Для гамма-распределения ОМП параметров а, р находятся аналогичным способом с дифференциацией соответствующей функции правдоподобия. В этом случае система уравнений для определения оценок параметров а, р имеет вид

1 N dlnГ(0) , n л

Zlnx.----------lnP = 0 .

Данная система была решена численными методами, в результате чего получились следующие значения параметров

а = 25,8; р = 671,8. (2)

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Метод максимального правдоподобия, в отличие от других, позволяет определять оценки максимального правдоподобия параметров по негруппированным, частично группированным и группированным данным, т.е. дает возможность исследователю самому определять, в каком виде хранить эмпирическую информацию. Этот метод при соответствующих условиях регулярности дает состоятельные и асимптотически эффективные оценки. Кроме того, применение метода максимального правдоподобия регламентировано в Рекомендациях по стандартизации при проверке согласованности опытного распределения с теоретическим.

Используя оценки параметров распределения (1) и (2), полученные по выборке из генеральной совокупности в предыдущем пункте, на графике относительных частот построим теоретические законы распределения вероятностей. На рис. 1 кривая, соответствующая нормальному закону распределения, изображена в виде пунктирной линии, закон гамма-распределения представлен сплошной линией. Из графика видно, что эти два закона достаточно хорошо аппроксимируют эмпирический закон распределения, однако для принятия решения о виде распределения необходимо решить задачу идентификации закона распределения.

Для этого, опираясь на предыдущий анализ эмпирических данных, сформулируем гипотезу H0: F(x) = F(x, 9), где 9 - оценки (2) параметров гамма-распределения, рассчитанные по второй выборке методом максимума правдоподобия. В этом случае проверяемая гипотеза является простой в отличие от сложной гипотезы, в которой помимо проверки вида распределения необходимо еще производить оценивание параметром.

В случае простых гипотез для проверки согласия теоретического и эмпирического законов распределения применяются критерии согласия, такие как Колмогорова, Смирнова, ш2 и Q2 Мизеса, которые не зависят от вида наблюдаемого закона распределения F(x, 9) и, в частности, от его параметров 9. В этом случае при проверке согласия опытного распределения с теоретическим распределением случайной величины X действуют

в соответствии алгоритмом, представленным ниже:

1. Формулируют проверяемую гипотезу, выбирая теоретическое распределение случайной величины, согласие которого с опытным распределением этой величины следует проверить.

2. Из совокупности отбирают случайную выборку объема N. Полученные результаты наблюдений располагают в порядке их возрастания, так что в распоряжении имеют упорядоченную выборку значений.

3. В соответствии с выбранным критерием проверки вычисляют значение статистики S* критерия (статистику Колмогорова, Смирнова, ш2 и Q2 Мизеса).

4. В соответствии с выбранным критерием проверки вычисляют значение

p(> SS >7 g (Ho yis =1-G(? Ho),

где G(S\H0) - распределение статистики критерия при справедливости гипотезы

g(s|H0) - условная плотность распределения статистики критерия при справедливости гипотезы.

Если выполняется неравенство

p{S > S*} > a,

где a = J g(s|H0)ds

Задаваемый уровень значимости (вероятность ошибки 1-го рода - отклонить справедливую гипотезу H0), то нет оснований для отклонения проверяемой гипотезы. В противном случае проверяемая гипотеза H0 отвергается.

В критерии Колмогорова в качестве расстояния между эмпирическим и теоретическим законом используется величина

dn = sup|FN (x)-F (x,e), (3)

где FN(x) - эмпирическая функция распределения;

F(x, 9) - теоретическая функция распределения;

N - объем выборки.

При проверке гипотез обычно используется статистика вида

S = S = 6" N6^DNN +1, D„ = max(D+N, Dn),

ЛЕСНОЙ ВЕСТНИК 2/2008

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

F(x ,e), D-=f^iiN iF (xi,e)-

где N - объем выборки;

xp..., xN - упорядоченные по возрастанию выборочные значения;

F(x) - функция закона распределения, согласие с которым проверяется.

Распределение величины Sk при простой гипотезе в пределе подчиняется закону Колмогорова K(S) .

Для проверки согласия двух распределений воспользуемся статистикой Колмогорова. Выберем уровень значимости a = 0,05, рассчитаем значение статистики Колмогорова для нашей задачи и величину расстояния между эмпирическим и теоретическим законом (3). В нашем случае оказалось, что теоретическое гамма-распределение согласуется с экспериментальными данными.

Повторяя вышеизложенные расчеты для нормального распределения, получаем, что нормальное распределение также хорошо согласуется с опытными данными. Следовательно, на основании выбранного критерия проверки Колмогорова два теоретических закона распределения - нормальный и гамма - могут быть использованы для построения прогнозной модели.

Прогноз объема продаж

- ♦ - нормальное распределение USD -*- гамма-распределение

Рис. 2. Интегральные функции вероятности гамма- и нормального распределения

Результаты моделирования. Для

построения прогноза объема продаж дополнительных услуг сотовой связи необходимо рассчитать значения интегральных функций

найденных выше теоретических законов нормального и гамма-распределения вероятностей с оцененными параметрами (1) и (2) этих распределений. График, построенный на рис. 2, позволяет спрогнозировать будущее значение месячного объема продаж с заданной вероятностью. Так, с 95 % вероятностью можно утверждать, что объем продаж в следующем месяце составит 11745 USD. При этом относительная погрешность прогноза в зависимости от выбора модели нормального или гамма-распределения в этом случае не превышает одного процента.

Для дальнейшего исследования модели прогнозирования объема продаж дополнительных услуг представляется целесообразным формулировать две конкурирующие гипотезы: H0: F(x) = F(x, e) - о соответствии эмпирических данных гамма-распределению и альтернативную ей H1: F(x) = F1(x, Э) - о нормальном распределении наблюдаемых величин, и рассчитывать вероятность в ошибки 2-го рода, т.е вероятность ошибочного принятия гипотезы H0, в то время как верна гипотеза Н1. При этом чем больше мощность критерия 1-в, тем лучше он различает соответствующие гипотезы.

Напоследок следует заметить, что в дальнейшем построенную вероятностную модель объема продаж можно улучшить, если идентификацию закона проводить с использованием ряда критериев согласия. Это связано в первую очередь с тем, что в непараметрических критериях проверки согласия опытного и теоретического распределений типа Колмогорова, типа Мизеса, типа Смирнова, и в критериях согласия типа хи-квадрат используются различные меры, поэтому критерии по-разному улавливают в выборках различные отклонения от предполагаемых теоретических законов. В этом случае окончательное решение может быть принято по совокупности критериев, когда выбирается модель, для которой достигаемый уровень значимости по всем критериям максимален.

Кроме того, при идентификации планируется рассматривать более широкое множество законов распределения, в том числе модели в виде смесей законов. В этом случае для любого эмпирического распределения можно построить адекватную, статистически

ЛЕСНОИ ВЕСТНИК 2/2008

Бизнес идеи