Прогнозирование потребности в запасе по индикаторам

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.