5637

111

Значения, предсказанные с помощью функции ТЕНДЕНЦИЯ, очень близки к реальным, а линия ТЕНДЕНЦИЯ гораздо лучше описывает первых пять наблюдений, полученных в действительности, чем линия РОСТ. Следовательно, для этой базовой линии более вероятно точное прогнозирование последующих данных с использованием функции ТЕНДЕНЦИЯ, а не РОСТ. Использование функции ТЕНДЕНЦИЯ свидетельствует о том, что базовая линия является линейной.

3.1.10. Прогнозирование товарооборота с использованием функции экспоненциального сглаживания

Сглаживание – это способ, обеспечивающий быстрое реагирование прогноза на все события, происходящие в течение периода протяжённости базовой линии. Методы, основанные на регрессии, такие как функции ТЕНДЕНЦИЯ и РОСТ, применяют ко всем точкам прогноза одну и ту же формулу. По этой причине достижение быстрой реакции на сдвиги в уровне базовой линии значительно затрудняется. Сглаживание представляет собой простой способ обойти данную проблему. Экспоненциальные средние используются при краткосрочном прогнозировании.

Основная идея применения метода сглаживания состоит в том, что каждый новый прогноз, получается, посредством перемещения предыдущего прогноза в направлении, которое дало бы лучшие результаты по сравнению со старым прогнозом, т.е. чем "старше" наблюдения, тем меньше оно должно оказывать влияние на величину показателя. Базовое уравнение имеет следующий вид:

F|£+l|-F|f|+axe|f|,

где t – временной период (например, 1-й месяц, 2-й месяц и т.д.); F|f| – это прогноз, сделанный в момент времени t;

112

F[£+l] отражает прогноз во временной период, следующий непосредственно за моментом времени t;

a – константа сглаживания;

e[t] – погрешность, т.е. различие между прогнозом, сделанным в момент времени t, и фактическими результатами наблюдений в момент времени t.

Таким образом, константа сглаживания является самокорректирующейся величиной. Другими словами, каждый новый прогноз представляет собой сумму предыдущего прогноза и поправочного коэффициента, который и передвигает новый прогноз в направлении, делающем предыдущий результат более точным.

Для константы сглаживания наиболее подходящими являются значения от 0,2 до 0,3. Эти значения показывают, что ошибка текущего прогноза установлена на уровне от 20 до 30 процентов ошибки предыдущего прогноза. Более высокие значения константы ускоряют отклик, но могут привести к непредсказуемым выбросам. Низкие значения константы могут привести к сдвигу аргумента для предсказанных значений (табл. 3.1.13).

Согласно данному сглаженному прогнозу, объём товарооборота в будущем году составит 144 529 тыс. руб. Такая оценка отражает общий уровень данных базовой линии. Фактический объём товарооборота в будущем году может упасть на несколько тыс. руб. в результате огромного количества причин, начиная от изменения условий поставок продукции и заканчивая повышением цены на транспортные услуги.

Прогноз с использованием сглаживания обычно позволяет наиболее выгодно сбалансировать величину признака со средним показателем в течение всего периода, однако в нашем случае прогнозная величина не только не предусматривает рост объёма продаж, но и прогнозирует существенное его снижение, что является неприемлемым в нашей ситуации. Это объясняется тем, что функция экспоненциального сглаживания используется для временных рядов с сильной амплитудой колебания показателей. В нашем же случае – на

113

лицо равномерный рост объёма продаж.

Следующий немаловажный способ расчетов прогнозных значений – методы Бокса-Джепкинса, которые часто называют моделями АСС (авторсгрессивное интегрированное скользящее среднее AutoRegressive Integrated Moving Average (ARIMA)), имеют масштабы, значительно превышающие прогнозы с применением простого скользящего среднего, регрессии или сглаживания. При их использовании можно избежать большинства ошибок, возникающих при использовании обсуждаемых ранее подходов.

Однако методы Бокса-Дженкинса слишком сложны, и, если временной ряд содержит меньше 50 результатов наблюдений, применять модели БоксаДженкинса не следует, так как это минимальное количество результатов, необходимое для создания модели хотя бы относительной точности. На практике, прежде чем начать процесс прогнозирования, обычно фиксируется больше 100 результатов наблюдений.

Данный совет относится не только к методам Бокса-Дженкинса. Он может и должен применяться при составлении большинства прогнозов, в ходе которых используются какие-либо регрессивные методы анализа.

Есть ещё одна программа, осуществляющая аналогичные расчёты – это один из самых мощных пакетов математическо-статистической обработки данных – Statistica имеет множество различных возможностей для анализа и прогнозирования временных рядов. Пакет имеет модульную структуру – в каждом модуле сосредоточен набор функций для определённого вида обработки данных. Например, в модуле Basic Statistics находятся средства для вычисления основных статистик, т.е. среднего, медианы, моды, стандартных ошибок и другие, в модуле Multiple Regression реализованы процедуры регрессионного анализа данных, прогноза по регрессионным кривым. Для прогнозирования разработан специальный модуль Time Series/ Forecasting, в котором находится очень мощный аппарат выделения трендов, проведения дисперсионного и автокорреляционного анализа, построения экспоненциального сглаживания и другие возможности. Одной из особенностей системы Statistica является графическая поддержка, т.е. всю полученную информацию можно проанализировать в графическом виде, для этого предлагаются обычные и точечные графики, гистограммы, коррелограммы, на графиках автоматически указывается область значимости значения, по которой можно оценить полученную модель.

114

Однако в данной работе не используются предлагаемые ею методы расчетов, в связи с относительно малым временным рядом. Имеющегося банка данных о развитии товарооборота за ряд лет на анализируемом предприятии явно недостаточно для такой мошной программы, а те функции, для которых достаточно имеющейся информации, можно вычислить и с помощью пакета Microsoft Excel, который имеется под рукой у каждого, в отличие от программы Statistica, на установку которой необходимы дополнительные затраты, как денежные, так и времени на её освоение.

По этой же причине не считаем целесообразным использовать для составления прогнозной модели розничного объёма продаж на анализируемом предприятии и программ Manager и Statgraphics. В связи с тем, что данные программы к тому же ещё и не русифицированы, гораздо проще воспользоваться понятным и доступным пакетом Microsoft Excel.

Резюмируя рассчитанные с помощью различных функций прогнозные значения объема розничного товарооборота на анализируемом предприятии, можно свести в таблицу 3.1.14.

Таблица 3.1.14 Прогнозные значения розничного объема продаж, рассчитанные

различными способами, тыс. руб.

Таким образом, можно сделать следующие выводы:

• средний прогнозируемый объем товарооборота в будущем году составил 168 685 тыс. руб.;

115

•наиболее пессимистичный прогноз даёт метод скользящей средней –

144 250 тыс. руб.;

•наиболее оптимистичный прогноз обещает расчёт полинома первой степени – 211 797 тыс. руб., равно как и наибольшую величину отклонения –

191,76%.

Поскольку с наивысшей вероятностью получены прогнозы по регрессионным моделям, рассчитанным с помощью встроенных функций Microsoft Excel ЛИНЕЙН и ПРЕДСКАЗ (98,676 %), ТЕНДЕНЦИЯ (98,6758 %), а также линейного тренда 1 (96,074 %) и 2 (96,052 %) и модели Брауна (95,149 %), то при прогнозировании объёма продаж товаров на будущий год следует применить эти модели и выбрать среди них наиболее оптимальную, используя методику принятия управленческого решения. Для этого составим таблицу (см. табл. 3.1.15), в которой отразим возможные ситуации (пессимистическую, наиболее вероятностную и оптимистическую) и прогнозируемые для них величины объема продаж.

Принятие решения в условиях неопределённости наиболее сложно, поскольку приведенный банк данных за относительно небольшой промежуток времени (5 лет) не позволяет оценить должным образом выбранную модель прогноза развития товарооборота. Тем не менее существует ряд методов для принятия решений в условиях неопределённости. К ним, в частности, относятся следующие 5 критериев: критерий Лапласа, критерий Вальда (maximin), критерий maximax, критерий Гурвица и критерий minimax. Рассчитаем их значения с помощью моделирования в программе Manager.

1. Критерий Лапласа (принцип недостаточного основания Лапласа). Он предполагает необходимость назначения равной вероятности для каждой ситуации. Оптимальной считается стратегия, обеспечивающая максимум

116

среднего выигрыша. Руководствуясь данным критерием, при прогнозировании объема продаж на будущий год следовало бы выбрать трендовую модель, обеспечивающую товарооборот в сумме 166 696 тыс. руб.

2.Критерий Вальда, в основу которого положена крайне осмотрительная пессимистическая точка зрения. Причем из приведенных минимальных значений (пессимистических) выбирается максимальное значение как наиболее приемлемое для прогнозирования. Руководствуясь данным критерием для прогнозирования объёма продаж товаров, следует выбрать регрессионную модель, рассчитанную с помощью функций ЛИНЕЙН или ПРЕДСКАЗ, а именно прогноз, равный 161 499 тыс. руб.

3.Критерий maximax предполагает использовать максимальный вариант оптимистической оценки, размер которой для расчета прогнозируемого товарооборота составит 184 983 тыс. руб., что соответствует использованию модели Брауна.

4.Критерий Гурвица. Он является средним между maximax и maximin. Для этого вводят коэффициент оптимизма. При а = 0,5 также наиболее оптимальным является значение, рассчитанное с помощью трендовой модели (линейного тренда 1) и равное 166 696 тыс. руб.

прогнозируемого объёма продаж согласно данному критерию составит 182 076 тыс. руб., что соответствует трендовой модели 1 при оптимистической ситуации на рынке.

Таким образом, согласно приведённым выше критериям, наиболее оптимальным вариантом прогнозирования объёма продаж товаров на будущий год следует признать регрессионную модель, рассчитанную с помощью линейного тренда и дающую представление о размере товарооборота в сумме 166 696 тыс. руб. Однако данная величина объёма продаж товаров существенно ниже полученной средней прогнозируемой величины товарооборота.

Учитывая ежегодные темпы инфляции, целесообразно закладывать её в прогнозные значения планируемых величин. Исходя из заложенного в бюджет на будущий год значения индекса цен по Хабаровскому краю, равного 1,12014, величина объёма продаж в будущем году должна составлять не менее 168 000

14 Бюджет Хабаровского края на 2006 г.// Приамурские ведомости. 16 ноября 2005. С.2.

117

тыс. руб. Таким образом, оптимальней всего использовать прогнозное значение, рассчитанное как среднее арифметическое всех полученных прогнозных величин, и равное 168 665 тыс. руб. С учётом же заключенных торговых сделок с поставщиками на будущий год прогнозный объём продаж нами взят в объёме

169 100 тыс.руб.

Вторым этапом планирования объёма продажи товаров является их реализация в разрезе отдельных периодов года, в частности кварталов. И

теория, и практика используют один и тот же подход: сложившийся за предплановый период времени за последние 3–5 лет среднегодовые удельные веса оборота каждого квартала умножаются на общий объём прогноза продажи товаров на будущий год. Покажем методику планирования оборота в разрезе отдельных кварталов на примере табл. 3.1.16.

Таблица 3.1.16.

Расчёт прогноза продажи товаров в разрезе отдельных кварталов на будущий год

Аналогичная методика используется и для планирования оборота по продаже товаров в разрезе отдельных месяцев года.

Важное значение при прогнозировании оборота по продаже товаров отводится определению его структуры. Соотношение отдельных товарных групп в общем объёме связано с их значимостью в формировании валового дохода, издержек обращения и прибыли. Поэтому третий этап предусматривает составление прогноза ассортиментной структуры оборота на будущий год.

К сожалению, существуют неадекватные подходы теории и практики к определению прогноза ассортиментной структуры оборота. Научнометодическая литература рекомендует исходить из ожидаемого размера покупательного фонда населения и степени удовлетворения спроса на отдельные товары. Практика же в основу расчёта кладёт сложившиеся среднегодовые

120

Вторым не менее важным фактором, влияющим на формирование валового дохода, является изменение ассортиментной структуры оборота (выручки). Для лучшего восприятия сказанного обратимся к помощи табл. 3.1.19. из которой видно следующее:

–без изменения взят объём выручки прошлого года, чтобы исключить его влияние на изменение валового дохода;

–предлагается по товарным группам, имеющих размер торговой надбавки выше, чем в среднем по предприятию (мясу и птице, колбасным изделиям, кондитерским изделиям) увеличить удельный вес продаж в ассортиментной структуре оборота на 1%, а по товарной группе «овощи, фрукты, соки» – на 4%.

Следовательно, прогнозируемое изменение ассортиментной структуры оборота в сторону увеличения удельного веса продаж товарных групп с максимальной торговой надбавкой позволит исследуемому предприятию дополнительно увеличить в будущем году величину валового дохода на 3 450 тыс.руб. (2,04% х 169 100 тыс.руб. : 100%).Таким образом, прогнозируемое увеличение выручки обеспечит в будущем году 56% общего прироста ожидаемого дохода (4 456 тыс.руб. : 7 951 тыс.руб. х 100%). А изменения, которые произойдут в ассортиментной структуре оборота, обеспечат прирост валового дохода на 44% планируемого общего по предприятию прироста дохода

(3 450 тыс.руб. : 7 951 тыс.руб. х 100%).

Вопросы для самопроверки

1.Какие существуют отличительные особенности понятия «планирование» и «прогнозирование»?

2.Какие требования экономической теории, предъявляются к поставленным целям предприятия?

3.В чём заключается сущность стратегии и тактики планирования (прогнозирования)?

4.Покажите экономический механизм обоснования плана (прогноза) розничного товарооборота.

5.Назовите составные части розничного товарооборота, укажите их взаимосвязь и взаимозависимость.

6.Какие основные этапы целевого планирования оборота по продаже товаров можно выделить?

7.Какие существуют методики планирования оборота по продаже товаров?