Математические модели в менеджменте и маркетинге

АНАЛИЗ МОДЕЛИ С МУЛЬТИПЛИКАТИВНОЙ КОМПОНЕНТОЙ: А = Т х SxE

В некоторых временных рядах значение сезонной компоненты не является константой, а представляет собой определенную долю трендового значения. Таким образом, значения сезонной компоненты увеличиваются с возрастанием значений тренда.

Пример 9.3. Компания CD pic осуществляет реализацию неск

ольких видов продукции. Объемы продаж одного из продуктов за последние 13 кварталов представлены в таблице 9.6.

Построим по этим данным точечную диаграмму:

Объем продаж этого продукта так же, как и в предыдущем примере, подвержен сезонным колебаниям, и значения его в зимний период выше, чем в летний. Однако размах вариации фактических значений относительно линии тренда постоянно возрастает. К таким данным следует применять модель с мультипликативной компонентой:

Фактическое значение = Трендовое значение * Сезонная вариация * Ошибка, т. е.

А = Т х S х Е.

В нашем примере есть все основания предположить существование линейного тренда, но чтобы полностью в этом убедиться, проведем процедуру сглаживания временного ряда.

Расчет значений сезонной компоненты

В сущности, эта процедура ничем не отличается от той, которая применялась для аддитивной модели. Так же вычисляются центрированные скользящие средние для трендовых значений, однако оценки сезонной компоненты представляют собой коэффициенты, полученные по формуле А/Т = S х Е, Результаты расчетов, приведены в табл. 9.7.

Значения сезонных коэффициентов получены на основе квартальных оценок по аналогии с алгоритмом, который применялся для аддитивной модели. Так как значения сезонной компоненты — это доли, а число сезонов равно четырем, необходимо, чтобы их сумма была равна четырем, а не нулю, как в предыдущем случае. (Если бы в исходных данных предполагалось семь сезонов в течение недели по одному дню каждый, то общая сумма значений сезонной компоненты должна была бы равняться семи). Если эта сумма не равна четырем, производится корректировка значений сезонной компоненты точно таким же образом, как это уже делалось ранее. В таблице оценки, рассчитанные в последнем столбце предшествующей табл. 9.8, расположены под соответствующим номером квартала.

Как показывают оценки, в результате сезонных воздействий объемы продаж в январе—марте увеличиваются на 11,6% соответствующего значения тренда (1,116). Аналогично сезонные воздействия в октябре-декабре приводят к увеличению объема продаж на 5,5% от соответствующего значения тренда. В двух других кварталах сезонные воздействия состоят в снижении объемов продаж, которое составляет 90,7 и 92,2% от соответствующих трендовых значений.

Десезонализация данных и расчет уравнения тренда

После того как оценки сезонной компоненты определены, можем приступить к процедуре десезонализации данных по формуле A /S = Т х Е. Результаты расчетов этих оценок значений тренда приведены в табл. 9.9.

Полученные трендовые значения наносятся на исходную точечную диаграмму.

Точки, образующие представленный на графике тренд, достаточно сильно разбросаны. Объемы продаж в данном случае не образуют такой строгой последовательности, как в предыдущем примере с компанией Lewplan pic. Скорее всего, пример с CD pic более близок к реальной действительности.

Теперь нужно принять решение о том, какой вид будет иметь уравнение тренда. Очевидно, что линия тренда — не кривая, наоборот, она несколько больше напоминает прямую, хотя отдельные точки, особенно значения за 19X6 г, расположены хаотически. Предположим для простоты, что тренд линейный, и для расчета параметров прямой, наилучшим образом его аппроксимирующей, будем применять метод наименьших квадратов. Воспользовавшись той же процедурой, что и в разделе 9.3.2, находим, что

Т = 64,6 + 1,36 * номер квартала (тыс. шт. в квартал) .

Это уравнение будем использовать в дальнейшем для расчета оценок трендовых объемов продаж на каждый момент времени.

Расчет ошибок:

А/(Т х S) = Е или А — (Т х S) = Е

Итак, мы нашли значения тренда и сезонной компоненты. Теперь мы можем использовать их для того, чтобы рассчитать ошибки в прогнозируемых по модели объемах продаж Т х S по сравнению с фактическими значениями А. В табл. 9.10 эти ошибки рассчитаны как отношение Е = А/(Т х S).

Для каждого рода ошибки достаточно велики, что видно из графика десезонализированных значений. Однако, начиная с первого квартала 19X7 г. величина ошибки составляет в среднем 2-3% от фактического значения, и можно сделать вывод о соответствии построенной модели фактическим данным.

Прогнозирование по модели с мультипликативной компонентой

При составлении прогнозов по любой модели предполагается, что можно найти уравнение, удовлетворительно описывающее значения тренда. В обоих изложенных выше примерах эта предпосылка была успешно выполнена. Тренд, который нами рассматривался, был очевидно линейным. Если бы исследуемый тренд представлял собой кривую, мы были бы вынуждены моделировать эту связь с помощью одного из методов формализации нелинейных взаимосвязей, рассмотренных в предыдущей главе. После того как параметры уравнения тренда определены, процедура составления прогнозов становится совершенно очевидной. Прогнозные значения определяются по формуле:F = Т х S, где

Т = 64,6 + 1,36 * номер квартала (тыс. шт. за квартал),

а сезонные компоненты составляют 1,116 в первом квартале, 1,097 — во втором 0,922 — в третьем и 1,055 в четвертом квартале. Ближайший следующий квартал — это второй квартал 19X9 г., охватывающий период с апреля по июнь и имеющий во временном ряду порядковый номер 14. Прогноз объема продаж в этом квартале составляет:

F = Т х S = (64,6 + 1,36 х 14) х 0,907 = 83,64 х 0,907 = 75,9 (тыс. шт. за квартал).

С учетом величины ошибки прогноза мы можем сделать вывод, что даннг-г оценка будет отклоняться от фактического значения не более чем на 2-3*4 Аналогично, прогноз на октябрь-декабрь 19X9 г., рассчитывается для квартала : порядковым номером 16 с использованием значения сезонной компоненты для Г-квартала года:

F = Т х S = (64,6 + 1,36 х 16) х 1,055 = 83,36 х 1,055 = 91,1 (тыс. шт. за квартал) .

Разумно предположить, что величина ошибки данного прогноза будет несколько выше, чем предыдущего, поскольку этот прогноз рассчитан на более длительную перспективу.

РЕЗЮМЕ

Под временным рядом понимается любое множество данных, относящихся к определенным моментам времени. Это могут быть, скажем, годы, кварталы месяцы или недели. В моделях временного ряда ретроспективная тенденция используется для прогнозирования поведения переменной в будущем. Краткосрочные прогнозы являются более точными, чем долгосрочные. Если прогноз составлялся на более длительный период времени при условии, что существующая тенденция сохранится в будущем, то тем больше величина ошибки.

 Скачать реферат