- •Краткие сведения из истории развития экономического анализа
- •1.2. Содержание, предмет и задачи экономического анализа
- •Решение перечисленных выше задач обеспечивает достижение основной цели экономического анализа, которая состоит в содействии эффективному развитию предприятий.
- •1.3. Метод экономического анализа и его особенности
- •1.4. Виды экономического анализа
- •1.5. Система экономической информации и методы ее обработки
- •1.6. Способы сопоставимости показателей
- •1.7 Классификация способов и приёмов экономического анализа
- •Глава 2. Традиционные способы обработки экономической информации
- •2.1 Прием группировки аналитической информации
- •2.2 Прием сравнения аналитических данных
- •2.3. Абсолютные, относительные и средние величины в анализе
- •2.4. Табличный способ отражения аналитических данных
- •Анализ состава населения по полу и образованию
- •Анализ состава населения по полу и образованию
- •Графический способ
- •Глава 3. Факторы и резервы в экономическом анализе
- •3.1. Понятие, типы и задачи факторного анализа
- •3.2 Классификация и систематизация факторов в экономическом анализе
- •3.3. Понятие, экономическая сущность хозяйственных резервов и их классификация
- •3.4. Принципы организации поиска резервов
- •3.5. Методика подсчета и обоснования величины резервов
- •Этот же расчет интегральным способом:
- •Глава 4. Детерминированное моделирование и анализ факторных систем
- •4.1. Постановка задачи прямого детерминированного факторного анализа. Методы моделирования факторных систем
- •Комбинированные модели представляют собой сочетание в различных комбинациях рассмотренных выше моделей. Примерами таких моделей могут быть:
- •Метод дифференциального исчисления
- •4.3. Метод цепных подстановок
- •4.4. Метод абсолютных разниц
- •Cпособ относительных разниц
- •4.6. Индексный метод
- •4.7. Интегральный метод
- •Вычислив все интегралы, получим матрицу :
- •4.8 Логарифмический метод
- •Глава 5. Стохастический факторный анализ
- •5.1. Особенности и предпосылки стохастического анализа
- •5.2. Методы выявления наличия корреляционной связи между двумя показателями
- •Исходные данные
- •Групповая таблица
- •5.3. Измерение степени тесноты корреляционной связи в случае парной зависимости
- •5.4. Регрессионный анализ
- •5.5. Множественная корреляция
- •5.6. Построение и исследование экономико-математических моделей с помощью корреляционного анализа
- •Проверка достоверности полученной модели.
- •Расчетные данные для определения парных коэффициентов корреляции
- •Расчетные данные для определения парных коэффициентов корреляции
- •Глава 6. Способы решения задач обратного факторного анализа
- •6.1. Понятие комплексной оценки хозяйственной деятельности предприятия
- •6.2. Методы детерминированной комплексной оценки
- •Комплексная оценка методом балльной оценки
- •6.3. Кластерный анализ
- •6.4 . Дискриминантный анализ
- •Глава 7. Перспективный анализ
- •7.1. Роль перспективного анализа в управлении предприятием
- •7.2. Методы моделирования одномерных временных рядов
- •7.3. Моделирование и обнаружение тенденции временного ряда
- •7.4. Адаптивные модели краткосрочного прогнозирования
- •Глава 8 . Экономико-математические методы в анализе
- •8.1. Значение математических методов в управлении предприятием, их общая характеристика
- •8.2. Применение методов линейного программирования в решении ряда задач
- •8.3. Решение аналитических задач с помощью методов теории вероятностей и математической статистики
- •8.5. Реализация состояний станков участка
- •8.4. Методы анализа эффективности управления запасами
- •8.5. Метод монте-карло
- •8. 6. Дисперсионный анализ
- •8.7. Экспертные методы
- •Ранжирование объектов методом попарного сравнения
- •Глава 9.
- •9.1 Содержание, задачи и формы фса
- •9.2. Основные методы фса в сфере производства
- •9.3. Функционально-стоимостный анализ в сфере проектирования
- •Часть 9
- •9.4. Функционально - стоимостный анализ при проектировании изделий
- •Содержание функций и их материальные носители
- •Показатели использования оборудования
- •Коэффициенты отказов и простоев
- •Показатели технического состояния
- •Общие производственные потери
- •Расчетные данные о полезном объеме выполненных
- •Глава 10.
- •10.1. Организация аналитической работы
- •10.2. Организация экономического анализа в автоматизированной системе управления
- •10.3. Классификация информации для анализа хозяйственной деятельности
- •10.4. Информационное обеспечение экономического анализа и его структура
- •10.5. Проверка достоверности информации и ее аналитическая обработка
- •Литература
- •Приложение 5 Случайные числа
- •Необходимое число объектов наблюдения при нормальном распределении
- •Глава 1. Введение в методологию экономического 5
- •Глава 2. Традиционные способы обработки экономической 30 информации
- •Глава 3. Факторы и резервы в экономическом анализе 72
- •Глава 4. Детерминированное моделирование и анализ 90
- •Глава 5. Стохастический факторный анализ 132
- •Глава 6. Способы решения задач обратного факторного анализа 170
- •Глава 7. Перспективный анализ 193
- •Глава 8. Экономико-математические методы в анализе 208
- •Глава 9. Функционально стоимостной анализ 275
- •Глава 10. Организация анализа и его информационная база 330
- •Министерство образования и науки украины
- •Теория экономического анализа
7.4. Адаптивные модели краткосрочного прогнозирования
Одним из направлений анализа является построение адаптивных моделей. Оценка параметров этой модели базируется на исходном временном ряде (фактических значениях показателя за определенный период времени), которые используются и для последующей корректировки показателей.
На основе новых данных, полученных на каждом шаге во времени (t), происходит дальнейшая корректировка (адаптация) параметров модели к новым условиям развития. Таким образом, модель постоянно обновляется на основании новой информации и приспосабливается к ней. Такие модели используются для прогнозирования изменения ежедневных остатков запасов на складах, изменения остатков денежных средств, частоты отказов оборудования, изменения курса акций и др.
Адаптивные модели дают более надежные результаты, чем регрессионные модели, которые «эксплуатируют» устаревшие, необновленные данные.
Простейшая адаптивная модель основывается на вычислении так называемой экспоненциальной средней.
Предположим, что исследуется временной ряд xt. Экспоненциальное сглаживание – один из простейших приёмов выравнивания ряда. В его основе лежит расчет экспоненциальных средних.
При этом используется формула:
(7.12) |
где St – значение экспоненциальной средней в момент времени t;
α – параметр сглаживания (α=const, 0<α<1);
β=1-α;
St-1 – предыдущее значение средней величины.
Выражение 7.12 можно представить в следующем виде (вместо β подставим ее значение):
(7.13) |
где St-1 – прогноз средней на один шаг вперед;
xt- St-1 – погрешность прогноза.
Экспоненциальная средняя на момент t здесь выражена как экспоненциальная средняя предшествующего периода (St-1) и доля (α) разницы текущего наблюдения (xt) и экспоненциальной средней прогнозируемого периода.
Чем меньше α, тем меньше вариация (отклонения). В частности, если St-1 рассматривать как прогноз на шаг вперед, то величина xt- St-1 есть погрешность этого прогноза, а новый прогноз St получается в результате корректировки предыдущего прогноза с учетом его ошибки. В этом и состоит сущность адаптации.
Рассмотрим числовой пример сглаживания ряда курса акций.
Таблица 7.6
Расчет курса акций методом экспоненциального сглаживания
Дата |
Курс акций, тыс.грн., xi |
Курс акций (α=0,1) сглаж. |
Дата |
Курс акций, тыс.грн., xi |
Курс акций (α=0,1) сглаж. |
Дата |
Курс акций, тыс.грн., xi |
Курс акций (α=0,1) сглаж. |
1 |
510 |
506,4 |
11 |
494 |
502,4 |
21 |
523 |
509,9 |
2 |
497 |
505,5 |
12 |
499 |
502,0 |
22 |
527 |
511,6 |
3 |
504 |
505,3 |
13 |
502 |
502,0 |
23 |
523 |
512,8 |
4 |
510 |
505,8 |
14 |
509 |
502,7 |
24 |
528 |
514,8 |
5 |
509 |
505,8 |
15 |
525 |
505,0 |
25 |
529 |
515,8 |
6 |
503 |
505,8 |
16 |
512 |
505,7 |
26 |
538 |
518,0 |
7 |
500 |
505,2 |
17 |
510 |
506,1 |
27 |
539 |
520,1 |
8 |
500 |
504,7 |
18 |
506 |
506,1 |
28 |
541 |
522,2 |
9 |
500 |
504,3 |
19 |
515 |
507,0 |
29 |
543 |
524,3 |
10 |
495 |
503,3 |
20 |
522 |
508,5 |
30 |
541 |
525,9 |
Определим S0 как
Используя формулу 7.13 , получим:
S1=αx1+(1-α)S0=0,1*510+0,9*506=506,4 тыс.грн.
S2=αx2+(1-α)S1=0,1*497+0,9*506,4=505,5 тыс.грн.
S3=αx3+(1-α)S2=0,1*504+0,9*505,5=505,3 тыс.грн.. и т.д.
Р ис.7.1. График динамики временного ряда и экспоненциальных средних
На рис.7.1. изображен график динамики временного ряда и экспоненциальных средних при α=0,1.
Обоснованным методом выявления тенденции является построение закона распределения. Наиболее простым в построении (так как имеет один параметр) является экспоненциальное распределение, которое используется в том случае, когда случайная величина «х» изменяется под воздействием случайных факторов (например, изменение стоимости курса акций, среднее время безотказной работы оборудования и др.)
Для того чтобы построить закон распределения, необходимо собрать исходную информацию о случайной величине, проверить достоверность исходной информации, построить группировку, построить гистограмму и принять гипотезу о возможном законе распределения, рассчитать параметры выбранного закона распределения, построить кривую распределения, по критерию согласия (Пирсона) проверить достоверность принятого закона распределения, сделать прогноз.
Плотность распределения экспоненциального закона распределения имеет вид:
(7.14) |
где λ – интенсивность наступления события (является постоянной величиной, т.е. λ(х)= λ=const).Это значит, что среднее число величины х – величина постоянная:
Основными характеристиками экспоненциального распределения являются:
-
вероятность наступления события х – Р(х);
-
среднее значение случайной величины х – М(х);
-
интенсивность наступления величины х – λ(х).
Вероятность наступления события определяется по формуле:
(7.15) |
Рассмотрим пример. Курс акций банка в течение года изменялся в пределах от 0 до 4500 грн. Было продано 365 акций. Необходимо сделать прогноз стоимости одной акции на будущее.
Для построения гистограммы, кривой плотности, вероятности распределения и расчета параметра распределения составлена таблица 7.7.
Таблица 7.7
Исходные и расчетные данные о стоимости акций
Интервал курса акций, грн., xi |
Количество акций, m |
Середина интервала, xi |
xm |
()2 |
()2m |
|
0-500 |
70 |
250 |
17500 |
1394 |
1943236 |
136026520 |
500-1000 |
67 |
750 |
50250 |
-894 |
799236 |
53548812 |
1000-1500 |
57 |
1250 |
71250 |
-394 |
155236 |
8948425 |
1500-2000 |
46 |
1750 |
80500 |
106 |
11236 |
516856 |
2000-2500 |
37 |
2250 |
83250 |
606 |
367236 |
13587732 |
2500-3000 |
29 |
2750 |
79750 |
1106 |
1223236 |
35473844 |
3000-3500 |
23 |
3250 |
74750 |
1606 |
2579236 |
59322428 |
3500-4000 |
20 |
3750 |
74400 |
2106 |
4435236 |
88704720 |
4000-4500 |
16 |
4250 |
68000 |
2606 |
6791236 |
108659780 |
|
365 |
|
599650 |
|
|
504689090 |
На рис.7.2 построена гистограмма курса акций. По характеру графика принимается гипотеза о распределении курса акций по экспоненциальному закону.
Проверка принятой гипотезы производится по критерию Пирсона по формуле:
(7.16) |
где mi – частота интервала;
gi – вероятность интервала (определяется как разность значений функции распределения в начале и конце интервала).
Для определения gi необходимо определить g(х) -. вероятность конца интервала (g(500); g(1000) и т.д.) по формуле:
|
(7.17) |
где е-λх=Р(х) – вероятность наступления величины х.
Рис.7.2. Гистограмма курса акций
Таблица 7.8
Расчетные данные для определения вероятности наступления величины х
Середина интервала, х |
λх |
Р(х)=е-λх |
λ е-λх |
|
1 |
2 |
3 |
4 |
5 |
0 |
0 |
1 |
0 |
|
500 |
0,304 |
0,7378 |
0,2622 |
0,00049 |
1000 |
0,608 |
0,5444 |
0,4556 |
0,000331 |
1500 |
0,912 |
0,402 |
0,598 |
0,000244 |
2000 |
1,216 |
0,318 |
0,672 |
0,000193 |
2500 |
1,52 |
0,2187 |
0,7813 |
0,000130 |
3000 |
1,82 |
0,1620 |
0,838 |
0,0000985 |
3500 |
2,13 |
0,128 |
0,872 |
0,000079 |
4000 |
2,43 |
0,0889 |
0,911 |
0,000054 |
4500 |
2,74 |
0,0693 |
0,9307 |
0,0000042 |
После того, как определена вероятность конца интервала определяют вероятность каждого интервала gi .
Таблица 7.9
Расчетные данные для определения вероятности интервала
Интервал |
Количество акций, mi |
mi2 |
Вероятность интервала, gi |
|
1 |
2 |
3 |
4 |
5 |
0-500 |
70 |
4900 |
0,2662 |
18407 |
500-1000 |
67 |
4489 |
0,1934 |
23211 |
1000-1500 |
57 |
3249 |
0,1421 |
22880 |
1500-2000 |
46 |
2116 |
0,074 |
18594 |
2000-2500 |
37 |
1369 |
0,109 |
12560 |
2500-3000 |
29 |
841 |
0,058 |
14500 |
3000-3500 |
23 |
529 |
0,033 |
11030 |
3500-4000 |
20 |
400 |
0,039 |
10256 |
4000-4500 |
16 |
256 |
0,0693 |
3694 |
Итого |
365 |
|
|
135132 |
Используя данные табл.7.9, определяем (2):
Для определения вероятности согласия Р(2) используем приложение 4. Определяем число степеней свободы:
k=e-r-1=9-1-1=7.
По приложению 4 при k=7 и 2=5,22 находим Р(2)=0,66, что подтверждает достоверность принятой гипотезы о распределении курса акций .