Работа с временными рядами статистических данных предполагает анализ потребности в запасе по сложившимся с течением времени тенденциям.
Прогнозирование потребности по временным рядам. В силу влияния случайных факторов зачастую складывается ситуация, когда прогнозирование по данным временных рядов не дает требуемой точности прогноза. В таких случаях можно воспользоваться идеей о том, что на отгрузки запаса рассматриваемых товарно-материальных ценностей оказывает влияние какая-либо переменная, от которой зависит прогнозируемый спрос. Например, температура воздуха оказывает воздействие на интенсивность спроса на прохладительные напитки, численность новорожденных детей определяет через 2—3 года спрос на детскую книжную продукцию и т.п. Определение и анализ таких переменных, которые принято называть индикаторами, дают возможность составить прогноз будущего потребления.
Индикаторами, оказывающими воздействие на спрос, являются, например:
· индекс оптовых цен;
· индекс потребительских цен;
· объем производства;
· показатели миграции населения;
· процентные ставки за кредит;
· уровень платежеспособности населения;
· затраты на рекламу и др.
Для того чтобы те или иные события могли служить индикаторами, требуются следующие три условия.
1. Наличие логического объяснения связи индикатора и прогнозируемой потребности.
2. Интервал времени между изменением индикатора и изменением потребности должен быть достаточно велик для возможности использования прогноза.
3. Наличие высокой корреляционной связи между индикатором и уровнем потребности.
Для прогнозирования потребности в запасе на основе индикаторов используют регрессионный анализ. Простейшей формой регрессии является линейная связь между двумя переменными. Уравнение линейной регрессии имеет вид
y = a + bx, (14)
где у — прогнозируемая (зависимая) переменная, единиц; а, в — коэффициенты;
х — индикатор (независимая переменная), единиц. Коэффициенты а и в вычисляются следующим образом:
(15)
(16)
где а, в — коэффициенты, — число парных наблюдений, у — прогнозируемая (зависимая) переменная, единиц; х — индикатор (независимая переменная), единиц.
Кроме линейной регрессии можно использовать и иные, более сложные виды регрессии (параболическую, гиперболическую, экспоненциальную и др.).
Построение регрессионных уравнений проводят все стандартные программные пакеты. В частности, на рис. 23 представлен результат расчета линейной регрессии, выполненный в Microsoft Excel. Microsoft Excel позволяет быстро провести визуальный анализ точности уравнений регрессии различных видов.