Методы прогнозирования конъюнктурных показателей

Результатом конъюнктурного анализа должен быть прогноз дальнейшего развития рынка и, прежде всего, спроса и предложения.

Подпрогнозом понимается научно обоснованное описание возможных состояний объекта в будущем, а также альтернативных путей и сроков достижения этого состояния. Процесс разработки прогнозов называется прогнозированием(от греч. prognosis - предвидение, предсказание).

Большинству рыночных процессов свойственна инерционность, которая наиболее ярко проявляется в краткосрочном развитии.

Как ранее было отмечено (см. п. 3.2.), наиболее простым способом прогнозирования являетсяэкстраполяция, то есть распространение тенденций, сложившихся в прошлом, на будущее. Однако существуют определенные ограничения на применение подобного метода прогнозирования, так как он не всегда учитывает вероятные изменения условий, определяющих рыночную ситуацию. Непременным требованием к прогнозированию рыночных процессов является комплексность, то есть одновременное составление прогноза всего комплекса основных параметров рынка, хотя не исключается разработки прогноза только одного из них, наиболее важного для маркетинговых целей, в частности, прогнозирование спроса.

Прогнозирование спроса и предложения - это научно обоснованное предсказание развития спроса и предложения в будущем на основе изучения причинно-следственных связей, тенденций и закономерностей.

Прогнозы рыночной конъюнктуры различаются по сроку предсказания (периоду упреждения):

· оперативные, со сроком до 1 года (на декаду, месяц, квартал, полугодие);

· краткосрочные- на 1 год;

· среднесрочные - до 5 лет;

· долгосрочные- более 5 лет.

По типам прогнозирования различают:

· творческое видение, основанное на использовании субъективного мнения прогнозиста, его интуиции;

· поисковое прогнозирование, базирующееся на изучении тенденций развития рынка и продлении их в будущее;

· нормативное прогнозированиеисходит из общих целей и стратегических ориентиров на будущий период. При данном подходе рассматриваются только рациональные варианты прогноза, то есть такие варианты, которые обеспечивают попадание в требуемое конечное состояние из текущего исходного с учетом существующих ограничений на ресурсы (в т.ч. время).

По возможности воздействия на будущее различают:

· пассивный прогноз- при отсутствии воздействия на среду;

· активный прогноз- активные действия на прогнозирование будущего, реальное воздействие на внешнюю среду.

По степени вероятности прогнозы бывают:

· вариантные, когда имеется несколько вариантов развития системы;

· инвариантные, когда прогноз предполагает только один вариант развития. Такие прогнозы часто основываются на экстраполятивном подходе, простом продолжении сложившейся тенденции.

По способу представления прогнозы могут быть:

· точечными, которые предполагают, что данный вариант имеет единственное значение прогнозируемого показателя;

· интервальными - предсказание будущего, в котором предполагается некоторый интервал, диапазон значений прогнозируемого показателя (рис.2.3).

Точность прогноза (ε) зависит от надежности и полноты информации о рыночных процессах и факторах, определяющих их уровень и развитие; от степени устойчивости рынка и экономики в целом (чем менее устойчив рынок, тем менее надежен прогноз); от адекватности прогнозной модели (то есть правильности выбора вида модели, степени аппроксимации его эмпирических данных); от технической вооруженности прогноза (от типа ЭВМ, качества программного обеспечения, алгоритмов и т.п.).

Существуют различные приемы и методы прогнозирования. Выбор конкретного метода является одной из наиболее важных задач прогнозирования. Возрастание актуальности разработки формальных, в том числе логических процедур, при выборе метода прогнозирования отмечает в своих работах В.В. Глущенко. При этом можно указать три основные группы причин, влияющих на необходимость выбора метода прогнозирования.

Первая группа состоит в увеличении числа методов прогнозирования, которое и в перспективе будет возрастать в связи с разнообразием практических задач прогнозирования (в настоящее время число методов прогнозирования приближается к двумстам).

Вторая группа причин заключается в том, что в современных неопределенных условиях (переходный период, экономический кризис) существенно возрастает сложность самих решаемых задач и объектов прогнозирования.

Третья группа причин связана с возрастанием динамичности (подвижности) рыночной среды.

Поэтому на выбор конкретного метода прогнозирования влияют:

· существо проблемы, подлежащей решению;

· динамические характеристики рынка;

· вид и характер информационного обеспечения;

· выбранный период упреждения прогноза (и его соотношение со стадиями жизненного цикла товара);

· требования к результатам прогноза (точности, надежности и достоверности).

Следует иметь в виду, что названные факторы должны рассматриваться в системном единстве.

Условно все существующие методы прогнозирования можно разбить на 2 большие группы, представленные на рис.2.4.

· Фактографические (формализованные) базируются на фактически имеющейся информации об объекте прогнозирования и его прошлом. Они условно подразделяются на

- статистические, основанные на построении и анализе динамических рядов либо на данных случайной выборки;

- аналоговые методы, направленные на выявление сходства в закономерностях развития различных систем и рыночных процессов, обычно в качестве прогноза рассматриваются благоприятные показатели рыночной ситуации в каком-либо регионе или стране.

· Экспертные (интуитивные) методыиспользуют мнения специалистов-экспертов и применяются тогда, когда невозможно формализовать изучаемые процессы или имеют место неопределенность развития рынка.

 

В практике статистического исследования и прогнозирования покупательского спроса по различным видам продуктов и услуг используются различные типы моделей, наиболее соответствующие характеру и закономерностям развития данного рынка.

В приложении 2 табл.2.3 представлены отдельные виды функциональных зависимостей, наиболее часто применяемых в прогнозировании рыночной конъюнктуры.

Выбор конкретной функции зависит от результата предварительных исследований и конкретных условий рыночной конъюнктуры, вида товара, сегмента рынка и т.д.

Существует ряд рекомендаций по применению различных видов математических функций в целях прогнозирования рыночных параметров. Например, квадратичная функция (парабола 2-го порядка) позволяет моделировать процессы следующего типа: с ростом объемов производства (x) доход (y) сначала увеличивается, затем уменьшается.

Быстро возрастающая показательная функция моделирует процессы типа роста народонаселения (y) с течением времени (x). Спрос на ряд непродовольственных товаров аппроксимируется степенной функцией, или экспонентой (особенно на активных этапах жизненного цикла товаров). Общие закономерности спроса отражаются кривой Гомперца. При изучении влияния фактора дохода на спрос может быть использована логистическая (сигмоидальная) кривая. Процесс затухания роста спроса по мере перехода к группам населения с высоким доходом удачно отражается полулогарифмической функцией.

В мировой практике для моделирования спроса на различные группы товаров в зависимости от доходов потребителей широко используют функцию Торнквиста (Tornquist) и ее графики. В частности кривую Торнквиста 1-го типа используют для моделирования спроса на товары первой необходимости (например, продукты питания), 2-го типа - на товары относительной роскоши, а 3-го типа - на предметы роскоши.

С помощью функции Лоренца прогнозируется распределение доходов в обществе (x - доля населения с наименьшим доходом, l - доля населения с наибольшим доходом). Чем больше отклоняется график функции Лоренца от прямой l=х, тем неравномернее доходы, а следовательно, и спрос.

Методы экономико-математического моделирования применяются преимущественно в среднесрочном, а также в долгосрочном прогнозировании показателей рыночной конъюнктуры.

В данной группе методов можно выделить корреляционно-регрессионное моделирование, которое используется для объектов, имеющих сложную многофакторную природу (объемы продаж, объемы инвестиций, затраты, прибыль, и т.п.). Для осуществления регрессионного моделирования необходимо [25]:

· наличие ежегодных данных по исследуемым показателям;

· наличие одноразовых прогнозов, то есть таких, которые не корректируются с поступлением новых данных.

Наиболее разработанной в теории прогнозирования является методология так называемой парной корреляции, рассматривающей влияние факторного признака x на результативный y. Методы оценки параметров уравнения регрессии аналогичны приемам при экстраполяции (т.к. фактор времени t можно рассматривать как частный случай параметра x). На практике же гораздо чаще приходится исследовать зависимость результативного признака от нескольких факторных. В этом случае статистическая модель является многофакторной. Например, линейная регрессия с m независимыми переменными имеет вид:

. (3.27)

Оценки параметров находят по МНК.

Отбор факторов для построения многофакторных моделей производится на основе качественного и количественного анализа социально-экономических явлений с использованием статистических и математических критериев.

Общепринятым является трехстадийный отбор факторов:

1. На первой стадии осуществляется априорный анализ, и на факторы, включаемые в состав модели, не накладываются ограничения.

2. На второй стадии производится оценка и отсев части факторов. Это достигается путем анализа парных коэффициентов корреляции и оценкой их значимости. Для этого составляется матрица парных коэффициентов корреляции (табл. 3.4).

Анализ таблицы ведется с использованием следующих критериев:

, (3.28)

где r_ij – парные коэффициенты корреляции.

3. На заключительной стадии производят окончательный отбор факторов путем анализа значимости вектора оценок параметров различных вариантов уравнений множественной регрессии с использованием критерия Стьюдента:

, (3.29)

где k – число степеней свободы,

a – уровень значимости.

В процессе анализа решается проблема мультиколлинеарности, которая заключается в том, что между факторными признаками может существовать значительная линейная связь, что приводит к росту ошибок оценок параметров регрессии.

Таблица 3.4.