- •Тема. Деловая среда организации.
- •Тема. Анализ и оценка деловой среды организации
- •Тема. Взаимодействие организации с деловой средой
- •Тема. Адаптация организации к изменениям деловой среды
- •Адаптация организационной структуры
- •Тема. Способы интеграции организаций в бизнес-пространство
- •Тема. Теоретические и методологические основы прогнозирования деловой среды.
- •Тема. Качественные методы прогнозирования
- •Тема. Аналитические методы динамических рядов
- •Тема. Каузальные (причинно-следственные) методы
- •Тема. Выбор метода прогнозирования
- •Аппарат прогнозирования для данных, имеющих тренд
- •Аппарат прогнозирования для данных с сезонной компонентой
- •Кроме того, в исходных данных необходимо учитывать их сложность, масштабность, детерминированность, характер развития во времени и информационную обеспеченность (см. Таблицу):
- •Возможностям решения определенного класса прогнозных задач
- •Тема технологическое и социально-политическое прогнозирование
- •Тема. Социально-политическое прогнозирование
- •Профили общественных ценностей
- •Матрица "вероятность-воздействие"
- •Тема. Особенности прогнозирования на уровне организации.
- •Тема. Региональное и пространственное прогнозирование.
- •Тема. Особенности прогнозирования развития отраслей.
- •Согласование отраслевых прогнозов
- •Тема. Особенности прогнозирования на макроуровне.
Тема. Качественные методы прогнозирования
Качественные (экспертные) методы прогнозирования используются в следующих случаях:
- чрезвычайной сложности системы,
- новизны системы,
- неопределенности формирования некоторых существенных признаков,
- недостаточной полноты информации,
- невозможности полной математической формализации процесса решения задачи прогнозирования.
По принципу действия экспертные методы разделяются на:
- индивидуальные экспертные оценки,
- коллективные экспертные оценки.
К индивидуальной экспертной оценке относятся: метод интервью, метод аналитической индивидуальной оценки, метод сценариев и т.д.
Метод интервьюоснован на беседе эксперта с прогнозистом по схеме «вопрос – ответ».
При аналитической индивидуальной оценкеэксперт анализирует предоставленную ему совокупность достоверных и разнообразных сведений по исследуемой проблеме.
Сценарий- это модель будущего, в котором описывается возможный ход событий с указанием вероятности реализации сценария.
Рисунок - Модель построения сценариев
Этапы составления сценария:
Структурирование и формулировка вопроса.
Определение и группировка сфер влияния.
Установление показателей будущего развития критически важных факторов ДС.
Формирование и отбор согласующихся наборов предположений.
Сопоставление намеченных показателей будущего состояния сфер влияния с предположениями об их развитии.
Введение в анализ разрушительных событий
Установление последствий.
Принятие мер.
Метод коллективного экспертного опроса - это метод прогнозирования, основанный на выявлении обобщенной объективной оценки экспертной группой путем обработки индивидуальных независимых оценок, вынесенных экспертами, входящими в группу:
Метод мозговой атаки.
Метод Дельфи.
Метод исследования рынка – наиболее сложный из качественных методов. Исследователи рынка получают информацию путем почтовых опросов, групповых и индивидуальных интервью. Собранные данные затем подвергаются различной статистической обработке с целью проверки рыночных гипотез.
Локальные прогнозы – индивидуальные прогнозы с мест, дать их могут люди, наиболее близко сталкивающиеся с проблемой (продавцы). Эти прогнозы затем обобщаются с целью составления комплексного прогноза (продаж);
Метод исторической аналогииили производных прогнозов.
Таблица. Качественные методы прогнозирования
|
Метод Дельфи |
Исследование рынка |
Групповое согласие |
Локальный прогноз |
Историческая аналогия |
Точность* краткосрочный среднесрочный долгосрочный |
2-4 2-4 2-4 |
5 3 2-3 |
1-2 1-2 1 |
2 1-2 1 |
1 3-2 3-2 |
Стоимость |
средняя |
высокая |
низкая |
низкая |
низкая |
Время подготовки |
2 мес. |
3 мес. |
2 нед. |
2 нед. |
1 мес. |
* 5 – отличная, 4 – хорошая, 3 – средняя, 2 – неудовлетворительная, 1 – плохая.
Тема. Аналитические методы динамических рядов
Ряд значений, взятых за временной период, называется временным рядом.
Статистические методы исследования исходят из предположения о возможности представления значений временного ряда в виде суммы нескольких компонент, отражающих закономерность и случайность развития:
Y(t) = T(t) + S(t) + С(t) + I(t),
где Y(t) – величина временного ряда в момент времени t.
T(t) - тренд (долговременная тенденция) развития. Показывает общий тип изменений в исторических данных.
S(t) - сезонная компонента. Это колебания вокруг тренда, которые возникают на регулярной основе. Обычно такие регулярные колебания возникают в периоды до одного года.
С(t) – циклическая компонента. Эти колебания возникают в периоды свыше одного года. Они часто присутствуют в финансовых данных в соответствии со стандартным циклом деловой активности, состоящим из резкого спада, роста, бурного роста и застоя.
I(t) – иррегулярная компонента. Это непредсказуемые случайные колебания, присутствующие в большинстве реальных временных рядов.
Требования к исходным данным:
Сопоставимость достигается в результате одинакового подхода к наблюдениям на разных этапах формирования временного ряда. Уровни во временных рядах должны выражаться в одних и тех же единицах измерения, иметь одинаковый шаг наблюдений, рассчитываться для одного и того же интервала времени, по одной и той же методике, охватывать одни и те же элементы, принадлежащие одной территории, относящейся к неизменной совокупности.
Представительность данных характеризуется прежде всего их полнотой. Достаточное число наблюдений определяется в зависимости от цели проводимого исследования.
Однородность, т.е. отсутствие нетипичных, аномальных наблюдений, а также изломов тенденций.
Устойчивость. Свойство устойчивости отражает преобладание закономерности над случайностью в изменении уровней ряда.
Показатели динамики изменений уровней временного ряда:
Показатель |
Формула |
Абсолютный прирост базисный |
АПБ(t) = Y(t) - Y(1) |
Абсолютный прирост цепной |
АПЦ(t) = Y(t) - Y(t-1) |
Базисный коэффициент роста |
БКР(t) = Y(t) / Y(1) |
Цепной коэффициент роста |
ЦКР(t) = Y(t) / Y(t-1) |
Базисный коэффициент прироста |
БКП(t) = (Y(t) - Y(1)) / Y(1) |
Темп роста |
ТР(t) = ЦКР100% |
Темп прироста |
ТП(t) = ТР(t) - 100% |
Средний темп роста |
СТР ={Y(N)/Y(1)}1 / (N-1)*100 |
Средний темп прироста |
СТП = СТР - 100% |
Средний абсолютный прирост |
САП = (Y(N) - Y(1)) / (N-1) |
Формирование набора моделей прогнозирования
1 Для описания процессов без предела роста служат функции:
Y(t) = A0 + A1t |
- прямая |
Y(t) = A0 + A1t + A2t2 |
- парабола II порядка |
Y(t) = exp(A0)tA1 |
- степенная |
Y(t) = exp(A0 + A1t) |
- экспонента |
Y(t) = exp(A0 + A1t)tA2 |
- кинетическая кривая |
Y(t) = A0 + A1Lnt (1+ A2Lnt) |
- линейно-логарифмическая функция II порядка |
Y(t) = A0 + A1Ln(t) |
- линейно -логарифмическая функция I порядка |
Процессы развития такого типа характерны в основном для абсолютных объемных показателей, но часто им соответствует и развитие некоторых качественных относительных показателей.
2 Для описания процессов с пределом роста служат функции:
Y(t) = exp(A0 + A1 / t) |
- кривая Джонсона |
Y(t) = A0 + t / (t + A1) |
- вторая функция Торнквиста |
Y(t) = A0 - A1exp (-t) |
- модифицированная экспонента |
Процессы с пределом роста характерны для многих относительных показателей (душевое потребление продуктов питания, внесение удобрений на единицу площади, затраты на один рубль произведенной продукции и т.п.).
3 Для описания процессов третьего типа - с пределом роста и точкой перегиба используются кинетическая кривая (кривая Перла - Рида) и кривая Гомперца:
Y(t) = exp (A0 - A1exp(t)).
Такой тип развития характерен для спроса на некоторые новые товары.
Параметры моделей могут быть содержательно интерпретированы. Так, параметр А0 во всех моделях без предела роста задает начальные условия развития, а в моделях с пределом роста - асимптоту функций, параметр А1 определяет скорость или интенсивность развития, параметр А2 - изменение скорости или интенсивности развития.
Методы сглаживания:
Модели скользящего среднего.
Данный метод исходит из того, что следующий во времени показатель по своей величине равен средней рассчитанной величине, как правило, за последние 3 месяца.
Пример: общий объем продаж составил в марте 270 ед, в апреле 260, а в мае – 290. Прогноз продаж на июль равен скользящей средней и равен (270+260+290)/3=273.
Если реальный показатель продаж за июнь составил 280, то прогноз продаж на июль равен (260+290+280)/3=277
Метод экспоненциального сглаживания.
Данный метод представляет собой прогноз показателя за данный период и прогноза на данный период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов.
,
где Ft+1 – прогноз продаж на месяцt+1,
Xt– продажи в месяцеt(фактические данные)
Ft– прогноз продаж на месяцt
- специальный поправочный коэффициент (как правило равен 0,3)
Используя формулу экспоненциального сглаживания можно подсчитать прогноз продаж при условии, если известны фактические данные о продажах.
Пример:продажи в январе составили 50 ед, а прогноз на январь – 65 ед.
0,3*50+0,7*65=61
Проекция тренда – подбор к имеющемуся временному ряду показателей прямой линии таким образом, чтобы разброс наблюдений по обе стороны от нее был бы наименьшим, и экстраполяция полученной линии на требуемую глубину горизонта прогнозирования.
Декомпозиция временных рядов – выделение из мультипликативной модели сезонной составляющей.
Смешанные модели интегрированного скользящего среднего). Модели последнего класса обычно реализуются по методике Бокса- Дженкинса. Они, как и многие другие сложные с теоретической и практической точки зрения средства статистического анализа, требуют индивидуального подхода к исследуемому показателю и высокой квалификации исследователя. Метод Бокса-Дженкинса (ARIMA) отличается от большинства методов, поскольку в нем не предполагается какой-либо особой структуры в данных временных рядов, для которых делается прогноз. В нем используется итеративный подход к определению допустимой модели среди общего класса моделей. Потом выбранная модель сопоставляется с историческими данными, чтобы проверить, точно ли она описывает ряды. Если заданная модель не удовлетворительна, процесс повторяется, но уже с использованием новой, улучшенной модели.