![](/user_photo/1438_p9ksI.png)
Информационные системы менеджмента - Бажин И.И
..pdfГлава 5. Анализ данных как этап принятия решений |
331 |
||||||
Дата |
Объем |
Итого |
Скользящая |
Центриро |
Оценка |
||
|
продаж, |
за четыре |
средняя |
ванная |
сезонной |
||
|
тыс. шт. |
квартала |
за четыре |
скользящая |
компоненты |
||
|
|
|
квартала |
средняя |
A - T |
= S+ E |
|
Апрель-июнь |
278 |
1243 |
310,75 |
299,9 |
-21,9 |
||
Июль-сентябрь |
257 |
320,4 |
-63,4 |
||||
1320 |
330 |
||||||
Октябрь-декабрь |
384 |
340,3 |
+ 43,8 |
||||
1402 |
350,5 |
||||||
19X8 г. |
|
|
|
|
|||
|
|
|
|
|
|
||
Январь-март |
401 |
1480 |
370 |
360,2 |
+ 40,8 |
||
Апрель-июнь |
360 |
379,8 |
-19,8 |
||||
1558 |
389,5 |
||||||
Июль-сентябрь |
335 |
339,5 |
-64,5 |
||||
1638 |
409,5 |
||||||
|
|
|
|
|
|||
Октябрь-декабрь |
462 |
|
- |
|
|
|
|
19X9 г. |
|
|
|
|
|
|
|
Январь-март |
481 |
|
- |
|
|
|
Обратим внимание на то, что полученные оценки сезонной компоненты включают в себя ошибку (остаток). Поэтому, прежде чем мы сможем использо вать сезонную компоненту, нужно пройти два следующих этапа. Найдем средние значения сезонных оценок для каждого сезона года. Эта процедура позволит уменьшить некоторые значения ошибок. Наконец, скорректируем средние зна чения, увеличивая или уменьшая их на одно и то же число таким образом, что бы общая их сумма стала бы равной нулю. Это необходимо, чтобы усреднить значения сезонной компоненты в целом за год. Корректирующий фактор рассчи тывается следующим образом: сумма оценок сезонных компонент делится на 4. Эти оценки, соотнесенные с централизованной скользящей средней, приведены
впоследнем столбце таблицы.
Врезультате выполнения описанных процедур получим следующие скор ректированные значения сезонной компоненты
|
1 |
Номер квартала |
|
|
Скорректированная |
2 |
3 |
4 |
|
|
|
|
|
|
сезонная компонента |
+ 42,6 |
-20,7 |
-62,0 |
+ 40,1 |
Аналогичная процедура применима при определении сезонной вариации за любой промежуток времени. Если, например, в качестве "сезонов" приняты дни
332 |
Часть 1. Новые принципы работы |
недели, то для элиминирования влияния ежедневной "сезонной компоненты" также рассчитывают скользящую среднюю, но уже не по четырем, а по семи точкам. Эта скользящая средняя представляет собой значение тренда в сере дине недели, то есть в четверг - таким образом, необходимость в процедуре центрирования отпадает.
Десезонализация данных при расчете тренда
Шаг 2 состоит в десезонализации. Эта процедура заключается в вычитании соответствующих значений сезонной компоненты из фактических значений дан ных за каждый квартал, то есть А - S = Т + Е, что показано ниже
Дата |
Номер |
Объем про |
Сезонная |
Десезонализированный |
|
квартала |
даж, |
компонента |
объем продаж, |
|
|
тыс. шт. |
S |
тыс.шт. |
19X6 г. |
|
А |
|
A-S=T+E |
|
|
|
|
|
Январь-март |
1 |
239 |
+ 42,6 |
196,4 |
Апрель-июнь |
2 |
201 |
- 2 0 , 7 |
221,7 |
Июль-сентябрь |
3 |
182 |
- 6 2 , 0 |
244,0 |
Октябрь-декабрь |
4 |
297 |
+ 40,1 |
256,9 |
19X7 г. |
|
|
|
|
Январь-март |
5 |
324 |
+ 42,6 |
281,4 |
Апрель-июнь |
6 |
278 |
- 2 0 , 7 |
298,7 |
Июль-сентябрь |
7 |
257 |
- 6 2 , 0 |
319,0 |
Октябрь-декабрь |
8 |
384 |
+ 40,1 |
343,9 |
19X8 г. |
|
|
|
|
Январь-март |
9 |
401 |
+ 42,6 |
358,6 |
Апрель-июнь |
10 |
360 |
- 2 0 , 7 |
380,7 |
Июль-сентябрь |
11 |
335 |
- 6 2 , 0 |
397,1 |
Октябрь-декабрь |
12 |
462 |
+ 40,1 |
421,9 |
19X9 г. |
|
|
|
|
Январь-март |
13 |
481 |
+ 42,6 |
438,4 |
Новые оценки значений тренда, которые еще содержат ошибку, можно ис пользовать для построения модели основного тренда. Если нанести эти значе ния на исходную диаграмму, представленную на рис.5.21, можно сделать вывод о существовании явного линейного тренда (рис.5.22).
Уравнение линии тренда имеет вид
Т = а + Ьх, |
(5.13) |
где х - номер квартала, а параметры а и b характеризуют точку пересечения с
334 |
Часть 1. Новые принципы работы |
Таким образом, значения сезонной компоненты увеличиваются с возрастанием значений тренда. Как и ранее, проведем анализ такой модели на примере.
Пример. Компания "Премьер" осуществляет реализацию нескольких видов про дукции. Объемы продаж одного из продуктов за последние 13 кварталов пред ставлены в таблице.
|
Номер |
Объем |
|
Номер |
Объем |
Дата |
квартала |
продаж, |
Дата |
квартала |
продаж, |
|
|
тыс.шт |
|
|
тыс.шт |
Январь-март 19X6 |
1 |
70 |
Январь-март 19X8 |
9 |
84 |
Апрель-июнь |
2 |
66 |
Апрель-июнь |
10 |
69 |
Июль-сентябрь |
3 |
65 |
Июль-сентябрь |
11 |
72 |
Октябрь-декабрь |
4 |
71 |
Октябрь-декабрь |
12 |
87 |
Январь-март 19X7 |
5 |
79 |
Январь-март 19X9 |
13 |
94 |
Апрель-июнь |
6 |
66 |
|
|
|
Июль-сентябрь |
7 |
67 |
|
|
|
Октябрь-декабрь |
8 |
82 |
|
|
|
Построим по этим данным точечную диаграмму (рис.5.23). Объем продаж этого продукта так же,
i 1 Объем |
|
|
|
|
|
|
как |
и в |
предыдущем |
|||
продаж, тыс.шт |
Усиление сезонной вариации с возрастанием |
примере, |
подвержен |
|||||||||
100 |
|
|
|
тренда указывает на существование |
сезонным |
колебани |
||||||
|
|
|
|
мультипликативной модели |
|
|
ям, и значения его в |
|||||
90 |
|
|
|
|
|
|
|
зимний период |
выше, |
|||
80 |
|
|
|
|
|
|
|
чем в летний. Однако |
||||
|
|
|
|
|
|
|
размах вариации фак |
|||||
70 |
|
|
|
|
|
|
|
тических |
значений от |
|||
|
|
|
|
|
|
|
носительно |
гипотети |
||||
|
|
|
|
|
|
|
|
|||||
60 |
|
|
|
|
|
|
|
ческой линии |
тренда |
|||
|
|
|
|
|
|
|
постоянно возрастает. |
|||||
|
|
|
|
|
|
|
|
|||||
""'1 1 |
1 1 |
1 |
1 |
|
|
> |
К в а Р Т 9 Л ' |
Поэтому к таким дан |
||||
1 2 |
3 |
4 |
1 |
2 3 4 1 2 |
3 4 1 |
' |
Г°Д |
ным |
следует |
приме |
||
|
19X6 |
|
|
19X7 |
19X8 |
|
|
нять |
модель |
с |
муль |
|
|
|
|
|
Рис.5.23 |
|
|
|
типликативной |
компо |
|||
|
|
|
|
|
|
|
нентой |
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
A = T x S |
х Е, |
|
|
|
(5.14) |
где, как и ранее, А - фактическое значение, Т - трендовое значение, S - сезон ная вариация, Е -ошибка.
Здесь можно предположить существование линейного тренда, но, чтобы в этом убедиться, проведем процедуру сглаживания временного ряда.
Глава 5. Анализ данных как этап принятия решений |
335 |
Расчет значений сезонной компоненты
В сущности, эта процедура ничем не отличается от той, которая применя лась для аддитивной модели. Так же вычисляются центрированные скользящие средние для трендовых значений, однако оценки сезонной компоненты пред ставляют собой коэффициенты (доли), вычисляемые по формуле А/Т = SxE. Результаты расчетов помещены в таблицу, приведенную ниже.
Дата |
Номер |
Объем |
Скользящая |
Центриро |
Коэффициент |
|
квар |
продаж, |
средняя |
ванная |
сезонности |
|
тала |
тыс. шт. |
за четыре |
скользящая |
А/Т = SxE |
|
|
А |
квартала |
средняя |
|
19X6 г. |
|
|
|
|
|
Январь-март |
1 |
70 |
|
|
|
Апрель-июнь |
2 |
66 |
|
|
|
Июль-сентябрь |
|
|
68 |
|
|
3 |
65 |
|
69,13 |
0.940 |
|
Октябрь-декабрь |
|
|
70,25 |
|
|
4 |
71 |
|
70,25 |
1,011 |
|
19X7 г. |
|
|
70,25 |
|
|
|
|
|
|
|
|
Январь-март |
5 |
79 |
70,75 |
70,50 |
1,121 |
Апрель-июнь |
|
|
|
|
|
6 |
66 |
|
72,13 |
0,915 |
|
Июль-сентябрь |
|
|
73,50 |
|
|
7 |
67 |
|
74,13 |
0,904 |
|
Октябрь-декабрь |
|
|
74,75 |
|
|
8 |
82 |
|
75,13 |
1,092 |
|
19X8 г. |
|
|
75,50 |
|
|
|
|
|
|
|
|
Январь-март |
9 |
84 |
|
76,13 |
1,103 |
Апрель-июнь |
|
|
76,75 |
|
|
10 |
69 |
|
77,38 |
0,892 |
|
Июль-сентябрь |
|
|
78 |
|
|
11 |
72 |
|
79,25 |
0,909 |
|
Октябрь-декабрь |
|
|
80,50 |
- |
|
12 |
87 |
|
|
||
19X9 г. |
|
|
|
|
|
Январь-март |
13 |
94 |
|
- |
|
336 |
Часть 1. Новые принципы работы |
Значения сезонных коэффициентов получены на основе квартальных оце нок по аналогии с алгоритмом, который применялся для аддитивной модели. Так как значения сезонной компоненты - это доля, а число сезонов равно четы рем, необходимо, чтобы их сумма была равна четырем, а не нулю, как в преды дущем случае. (Если бы в исходных данных предполагалось семь сезонов в те чение недели по одному дню каждый, то общая сумма значений сезонной ком поненты должна была бы равняться семи). Если эта сумма не равна четырем, производится корректировка значений сезонной компоненты точно таким же об разом, как это делалось ранее. Приведем процедуру этих расчетов для рас сматриваемого примера.
Год |
|
Номер квартала |
|
|
|
|
1 |
2 |
3 |
4 |
|
19X6 |
- |
- |
0,940 |
1,011 |
|
19X7 |
1,121 |
0,915 |
0,904 |
1,092 |
|
19X8 |
1,103 |
0,892 |
0,909 |
- |
|
Итого |
2,224 |
1,807 |
2,753 |
2,103 |
|
Среднее |
|
|
|
|
|
значение |
2,224/2 |
1,807/2 |
2,753/3 |
2,103/2 |
Сумма = |
Оценка |
|
|
|
|
|
сезонной |
1,112 |
0,903 |
0,919 |
1,051 |
3,984 |
компоненты |
|
|
|
|
|
Скорректи |
|
|
|
|
Сумма = |
рованная |
1,116 |
0,907 |
0,922 |
1,055 |
4,0 |
сезонная |
|
|
|
|
|
компонента |
|
|
|
|
|
Заметим, что скорректированная оценка сезонной компоненты получена в, результате умножения соответствующей доли на величину (4/3,984).
Как показывают оценки, в результате сезонных воздействий объемы продаж в январе-марте увеличиваются на 11,6%, соответствующего значения тренда (коэффициент 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 объ емов продаж, которые составят 90,7 и 92,2% от соответствующих трендовых значений.
Десезонализация данных и расчет уравнения тренда
После того, как оценки сезонной компоненты определены, можно приступить к процедуре десезонализации данных по формуле A/S = ТхЕ. Результаты рас четов по этой зависимости приведены в помещенной ниже таблице.
По данным этой таблицы на исходный график тренда можно, как и ранее, нанести точки, соответствующие десезонализированному объему продаж, и по
Глава 5. Анализ данных как этап принятия решений |
337 |
виду графика выбрать тип модели тренда. Примем, как и ранее, линейный тренд, и для расчета параметров прямой, наилучшим образом его аппроксими рующей, применим метод наименьших квадратов. Полученная величина ошибки покажет, насколько правомочно использование линейного тренда.
Номер |
Десезонали- |
Номер |
Десезонали- |
Номер |
Десезонали- |
квартала |
зированный |
квартала |
зированный |
квартала |
зированный |
|
объем про |
|
объем про |
|
объем про |
|
даж, тыс. шт. |
|
даж, тыс.шт. |
|
даж, тыс. шт. |
1 |
62,7 |
6 |
72,8 |
11 |
78,2 |
2 |
72,8 |
7 |
72,7 |
12 |
82,4 |
3 |
70,6 |
8 |
77,7 |
13 |
84,2 |
4 |
67,3 |
9 |
75,2 |
|
|
5 |
70,8 |
10 |
76,1 |
|
|
Воспользовавшись процедурой построения уравнения линейной регрессии, находим, что модель тренда может быть представлена в виде
Т = 64,6 + 1,36х,
где х - номер квартала. Величина ошибки, начиная с первого квартала 19X7 г., составляет 2-3% от фактического значения, и можно сделать вывод о соответ ствии построенной модели фактическим данным.
Это уравнение будем использовать в дальнейшем для расчета оценок трендовых объемов продаж на каждый момент времени.
При составлении прогнозов по любой модели предполагается, что можно найти уравнение, удовлетворительно описывающее значение тренда. В обоих изложенных выше примерах эта предпосылка была успешно выполнена. Тренд, который нами рассматривался, был линейным. Если бы исследуемый тренд представлял собой кривую, мы были бы вынуждены моделировать эту связь с помощью одного из методов формализации нелинейных взаимосвязей, которые были рассмотрены ранее в данной главе.
После того как параметры уравнения тренда определены, процедура со ставления прогнозов становится совершенно очевидной. Для рассматриваемого примера с мультипликативной сезонной компонентой прогнозные значения оп ределяются по формуле
F = TxS=(64,6 + 1,36x)x S,
где сезонные компоненты S составляют 1,116 в первом квартале, 0,907 - 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 в ряду порядковый номер 14. Прогноз продаж в этом квартале состав ляет
F = (64,6 + 1,36x14) х 0,907 = 83,64x0,907 = 75,9 тыс.шт. за квартал
338 Часть 1. Новые принципы работы
Контрольные вопросы и задания
1.С какой целью осуществляется анализ данных в менеджменте?
2. Изложите алгоритм метода Жордана-Гаусса решения систем линейных урав нений?
З.В чем особенности метода Зейделя решения систем линейных уравнений?
4.Какие Вы знаете методы решения нелинейных уравнений?
5.Какими способами можно осуществить интерполяцию функций?
6.Приведите алгоритм вычисления определенного интеграла и реализуйте его в компьютерной среде.
7.Как получить уравнение линейной регрессии?
8.Что характеризует коэффициент корреляции, и как его вычислить?
9.Как производится статистическое оценивание линейной регрессии?
10.Как решается задача получения множественной регрессии?
11.Как используются нелинейные модели регрессии?
12.Какие модели прогнозирования Вам известны?
13.Опишите модель прогнозирования с аддитивной компонентой?
14.Как исключить влияние сезонных колебаний при расчете тренда?
15.Когда используется модель прогнозирования с мультипликативной компонен той?
16.Как осуществляется десезонализация тренда в мультипликативной модели?
339
Тысячи путей ведут к заблуждению,
к истине - только один
Жаи Жак Русс©
Глава 6. МЕТОДЫ ПОИСКА ОПТИМАЛЬНЫХ РЕШЕНИЙ
Ранее, в главе 3, мы рассмотрели метод построения операционных математических моделей задачи управления (проектирования) и показали, что задача принятия решения может быть формализо вана в виде задачи математического программирования. При та ком подходе возникают, как мы уже отмечали, две проблемы: 1)
построение адекватной математической модели, отражающей все основные требования к объекту управления или проектирования и 2) организация такого вычислительного процесса на ЭВМ, который автоматизирует выполнение всех условий, содержащихся в модели. Исследования, проведенные автором в зада чах организации такого вычислительного процесса, показали, что эффективно этот процесс реализуется на базе методов оптимизации.
6.1. КЛАССИФИКАЦИЯ МЕТОДОВ ОПТИМИЗАЦИИ
Как было определено ранее, задача управления, формализованная в виде задачи математического программирования, имеет вид
f(x) -> max (min), х е Q
Q:h(x) = 0
g(x) < О хн < х < хв
Практически все основные задачи математического программирования в со ответствии с типом оптимизируемых параметров, а также видом функциональ ных зависимостей, входящих в математическую модель, могут быть представ лены определенными классами задач, в каждом из которых целесообразно при менять те или иные методы поиска решения (рис.6.1).
К задачам линейного программирования, как мы уже отмечали, относятся те, в которых в математическую модель входят только линейные зависимости (и критерий, и ограничения).
Задачи нелинейного программирования содержат в математической мо дели хотя бы одну нелинейную зависимость. В большинстве случаев нелиней ности, которые необходимо отобразить в моделях, относятся к одной из двух ка тегорий: