Научная статья на тему 'Выбор методов прогнозирования для построения сценариев развития птицеводства России'

Выбор методов прогнозирования для построения сценариев развития птицеводства России Текст научной статьи по специальности «Экономика и бизнес»

CC BY
965
58
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
Вестник университета
ВАК
Область наук
Ключевые слова
ПРОГНОЗИРОВАНИЕ / ПТИЦЕВОДСТВО / ПРОГНОЗНЫЕ МОДЕЛИ / МЕТОДЫ ПРОГНОЗИРОВАНИЯ

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Гайдаенко Алексей Альбертович

В статье рассмотрены особенности сценарного прогнозирования и рассмотрена процедура написания сценария для объекта по заранее разработанным прогнозным материалам, выделены основным факторы, влияющие на выбор метода прогнозирования.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Выбор методов прогнозирования для построения сценариев развития птицеводства России»

5. Воронин М.И. Методы и модели экономического анализа. - М.: ГУУ, 2001.

6. Глазов М.М. Диагностика предприятий: Новые решения. - СПб.: СПбУЭФ,

1997.

7. Четыркин Е.М. Финансовые риски. - М.: Дело АНХ, 2008.

А.А. Гайдаенко

ВЫБОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ ДЛЯ ПОСТРОЕНИЯ СЦЕНАРИЕВ РАЗВИТИЯ ПТИЦЕВОДСТВА РОССИИ

Аннотация. В статье рассмотрены особенности сценарного прогнозирования и рассмотрена процедура написания сценария для объекта по заранее разработанным прогнозным материалам, выделены основным факторы, влияющие на выбор метода прогнозирования.

Ключевые слова. Прогнозирование, птицеводство, прогнозные модели, методы прогнозирования.

Сценарий - это модель будущего, в которой описывается возможный ход событий с указанием вероятностей их реализации. В сценарии определяются основные факторы, которые должны быть приняты во внимание, и указывается, каким образом они могут повлиять на предполагаемые события. Устанавливается вероятная последовательность прогнозируемого процесса и последовательность наступления возможных событий, исходя из ситуации, которая сложилась в настоящее время. Описание сценария может быть дано с учетом временных оценок.

Метод сценариев - эффективное средство прогнозирования, объединяющее качественный и количественный подходы. Как правило, составляется несколько альтернативных вариантов сценариев: оптимистический, пессимистический и наиболее вероятный вариант. Сценарий, таким образом, - это характеристика будущего в изыскательском прогнозе, а не определение одного возможного или желательного состояния будущего.

Обычно наиболее вероятный вариант сценария рассматривается в качестве базового, на основе которого принимаются решения. Другие варианты сценария, рассматриваемые в качестве альтернативных, планируются в том случае, если реальность в большей мере начинает приближаться к их содержанию, а не к базовому варианту сценария. Сценарии обычно представляют собой описание событий и оценки показателей и характеристик во времени. Сценарий - это анализ быстро меняющегося настоящего и будущего, его подготовка заставляет заниматься деталями и процессами, которые могут быть упущены при изолированном использовании частных методов прогнозирования. Поэтому сценарий отличается от простого прогноза. Он является инструментом, который используется для определения видов прогнозов, которые должны быть разработаны, чтобы описать будущее с достаточной полнотой, с учетом всех главных факторов.

Таким образом, основная цель сценария - определить генеральное или стратегическое направление развития события. Написание сценария для объекта проводится по заранее разработанным прогнозным материалам.

Основным фактором, влияющим на выбор метода прогнозирования, является идентификация и четкое понимание реальных моделей, присутствующих данных. Если в них удастся распознать тренд, циклическую или сезонную модель, это существенно облегчит поиск эффективного метода экстраполирования (таблица).

© Гайдаенко А.А., 2013

Ряд обладающий трендом, ранее был определен как ряд, содержащий долгосрочную компоненту, которая отражает постоянное возрастание или убывание значений ряда в течении продолжительного периода времени. Другими словами, говорят, что ряд имеет тренд, если ожидается возрастание или убывание его среднего значения в течение того периода времени, для которого создается прогноз. Наличие тренда типично для временных рядов экономических показателей. Анализ данных производства продукции птицеводства, яйценоскости птицы, поголовья показал, что ряды данных имеют тренд.

Таблица

Общие рекомендации по выбору метода прогнозирования

Метод прогнозирования Наличие тренда Наличие сезонности Требования к минимальному количеству данных Прогноз возможен

не сезонные сезонные На один шаг На несколько шагов

Экспертный Не обязательно Не обязательно 0 0 Да Да

Наивный Да/Нет Да/Нет 1 - Да Нет

Экспоненциаль ное сглаживание (простое) Нет Нет 2 Да Нет

Арифметическо е сглаживание Нет Нет 4 - Да Нет

Метод Хольта Да Нет 3 - Да Нет

10 - Да Да

Метод Брауна Да Нет 3 - Да Да

Экстраполяция Да Нет 3 - Да Да

тренда Да Да 1хперио дичност ь сезонно сти Да Да

Метод Винтерса да да 2хперио дичност ь сезонно сти Да (прогноз на один период содержащий сезонность(напри мер: На 1 год поквартально))

Комбинированн ый прогноз (оценка среднего значения) Да/Нет Да/Нет 1 Да Нет

Комбинированн ый прогноз (оценка среднего значения и отклонения) Да/Нет Да/Нет 3 Да Нет

Аппарат прогнозирования, который должен использоваться для прогнозирования рядов, имеющих тренд, - это метод скользящих средних, метод линейного экспоненциального сглаживания Хольта, простая регрессия, возрастающие кривые, экспоненциальные модели и методы авторегрессионных интегрированных скользящих средних (методы Бокса-Дженкинса).

Далее необходимо провести полный расчет прогнозов по каждому шагу исходного ряда. Прогнозы строятся для каждой даты ряда, от его начала к концу. Но прогноз не может быть построен для очень короткого ряда. Поэтому в ячейках, для которых прогнозы не были построены, проставляются нули. Каждая очередная дата ряда рассматривается как конечная дата исходного ряда. Вычисляется прогноз, оцениваются отклонения прогноза от реального наблюдения. Таким образом, моделируется процесс построения прогнозов при накоплении реальных данных. На каждую новую дату, увеличивающую длину ряда, вычисляется прогноз, находится отклонение от реального наблюдения. Отклонение находится абсолютное и относительное (процент), а также вычисляется среднее отклонение - то есть среднее отклонение по всем датам, для которых строились прогнозы. В качестве «интегральной» величины для оценки правомерности применения метода можно рассматривать среднее относительное отклонение. Однако минимальное значение отклонения не гарантирует, что построенный прогноз от последней даты исходного ряда будет также минимально отклоняться от будущего реального наблюдения.

Как видно из анализа ретропрогнозов, из четырех возможных вариантов построения прогноза действуют только три метода. Метод «Односерийный скользящего среднего», «Трендовый метод Хольта» и «Трендовый метод Брауна». «Односерийный метод Бокса-Дженкинса» к данному ряду параметров не подходит.

Представим каждый из них. При использовании метода «Односерийный скользящего среднего» прогнозирование выполняется на основе усреднения всех существующих данных. Но если аналитика интересуют больше последние наблюдения, можно фиксировать число точек данных, подлежащих усреднению, и ограничиться только последними наблюдениями. Для описания такой модели используется термин «скользящее среднее». Как только новое наблюдение становится доступным, оно включается в усреднение, а наиболее старое, соответственно, исключается. Вновь вычисленное скользящее среднее используется для создания прогноза на следующий период. Данная модель имеет вид:

где:

У1+1 - прогнозируемая величина на следующий период; - значение величины в текущем периоде;

к - число членов в скользящем среднем.

Использование данной модели для прогнозирования показателей птицеводства уместно, но имеет отклонения немного выше по сравнению с другими моделями.

Поскольку в птицеводстве временные ряды редко характеризуются фиксированным линейным трендом, следует рассмотреть возможность учета локального линейного тренда, меняющегося со временем, поэтому в данном случае уместно будет использовать разработанный в 1957 году Хольтом метод экспоненциального сглаживания, получивший название двухпараметрического метода Хольта. В этом методе учитывается локальный линейный тренд, присутствующий во временных рядах.

Приведем три уравнения, составляющие метод Хольта.

1. Экспоненциально сглаженный ряд или оценка текущего уровня.

(2)

2. Оценка тренда.

Ь- 1

(3)

3. Прогноз нар периодов вперед.

(4)

где:

- новая сглаженная величина;

а - постоянная сглаживания для данных (0 < а);

- новое наблюдение или реальное значение ряда в период ^ в - постоянная сглаживания для оценки тренда (0 < Р);

- собственно оценка тренда;

р - количество периодов вперед, на которое делается прогноз; У1+р - прогноз на р периодов вперед.

Постоянные а выбираются субъективно или путем минимизации ошибки прогнозирования, например значения MSE (среднеквадратичная ошибка), которая вычисляется с помощью уравнения:

Чем большие значения весов будут взяты, тем более быстрый отклик на происходящие изменения будет иметь место. И наоборот, если веса будут небольшие, то и реакция модели на изменения в данных будет более слабой. Поэтому, чем большие веса задействуются, тем большему сглаживанию подвергаются данные. Меньшие веса делают структуру сглаженных значений менее ровной.

Для минимизации значения MSE необходимо создать сетку значений а (т.е. все комбинации а = 0,1; 0,2; ...; 0,9 и в = 0,1; 0,2; ...; 0,9), и выбрать ту комбинацию, которая даст меньшее значение MSE.

Метод Хольта, на наш взгляд, является самым приемлемым при прогнозировании показателей птицеводства, т.к. абсолютные и относительные отклонения минимальны.

Особый случай имеет место, когда постоянные а равны, поскольку здесь в одинаковой мере проводится сглаживание как текущего уровня значений, так и тренда. Такой вариант называется двойным экспоненциальным сглаживанием Брауна. Данный метод, на наш взгляд, является оптимальным для прогнозирования поголовья птицы.

Промышленное птицеводство представляет собой крайне сложную кибернетическую модель с очень большим количеством внутренних и внешних факторов. Прогнозирование какого-либо фактора, например, объема производства, на наш взгляд, невозможно только на основе тенденции самого фактора. На объем производства птицеводческой продукции (как отдельный показатель) оказывает влияние целый ряд факторов: поголовье птицы, яйценоскость, привес, расход кормов

(5)

на единицу продукции, цены на энергоносители и многие другие факторы. И такое влияние обусловливает поведение не только фактора объема производства, но и любого внутрипроизводственного показателя. Тем не менее, такой прогноз необходим в рамках планирования деятельности предприятия на перспективу. В работе нами разработана методика, которая, с одной стороны, не является чистым прогнозированием «показателя по показателю», но, с другой стороны, учитывает взаимодействие показателя с другими факторами производства.

Основными этапами прогнозирования являются:

Этап I. Отбор факторов, «вероятно» определяющих количественное изменение объема производства.

Прогнозирование начинают с подбора факторов, которые «вероятно» определяют количественное изменение объема производства. То есть создается гипотеза в отношении возможных факторов, влияющих на поведение кривой производства. Подбор факторов производится экспертным путем: эксперт по соответствующему рынку предполагает возможные параметры, которые, по мнению эксперта, оказывают влияние на поведение продаж; динамика которых, выраженная математически, известна на том же промежутке, что и объем продаж (то есть это количественный параметр или качественный, который можно преобразовать к количественной характеристике); относящиеся как к внешним (факторы «внешней среды предприятия»), так и внутренним (факторы «внутренней среды предприятия»).

Для прогнозирования объема производства яйца в России, нами выбраны следующие факторы. В яичном птицеводстве: поголовье птицы, яйценоскость на среднегодовую несушку, расход кормов на 1000 яиц, расход электроэнергии, затраты труда, себестоимость производства яйца, цена производителя за 1000 шт., потребление яйца. В мясном птицеводстве: поголовье, среднесуточный прирост живой массы, срок откорма, расход электроэнергии, затраты труда, себестоимость, цена производителя за 1 тонну, экспорт и импорт мяса птицы, потребление мяса птицы всего, в т.ч. потребление отечественного мяса птицы. Число выбираемых факторов не ограничено, чем больше их будет на первом этапе, тем лучше, это определит более точный результат в прогнозировании.

Этап II. На втором этапе необходимо определить, какие из выбранных факторов действительно оказывают влияние на изменение объема производства, а какие нужно просто «отбросить» из рассмотрения. Критерием такого соответствия, безусловно, можно считать коэффициент корреляции, который показывает, насколько близки тенденции двух факторов. Для этого рассчитывается коэффициент корреляции между объемом производства яйца и выбранными факторами в яичном птицеводстве, а также между объемом производства мяса птицы и выбранными факторами в мясном птицеводстве. Коэффициент корреляции может быть рассчитан, например, с помощью программного пакета MS Excel, в котором подобный расчет реализуется функцией «CORREL». Из расчета видно, что по коэффициенту корреляции для первого случая «факторами влияния» будет выступать только яйценоскость и себестоимость яйца, а во втором случае - среднесуточный прирост и себестоимость тушки, остальные можно рассмотреть отдельно.

Этап III. Линейное прогнозирование «факторов влияния». Имея динамику «факторов влияния» и объема производства на период с 2001 по 2005 годы, прогнозируем по времени поведение каждого из «факторов влияния». В принципе, в таком предсказании более точный результат будет получен при аппроксимации тенденций факторов и оценки прогнозируемого фактора по аппроксимированной функции. Но и использование линейного предсказания, реализуемого функцией «FORECAST» в пакете MS Excel, также допустимо.

Этап IV. Прогнозирование продаж по прогнозу «факторов влияния».

Очевидно, что прогнозировать объем производства, используя только саму тенденцию производства во времени нельзя, так как это и рассматривалось бы как «прогнозирование фактора по самому фактору». Но мы имеем тенденцию «факторов влияния», которая по своей сущности определяет поведение тенденции производства (это следует из рассчитанного нами коэффициента корреляции). Именно она позволяет нам спрогнозировать объем продаж в соответствии со значениями каждого из факторов. Отметим, что предсказанное значение объема продаж получается как среднеарифметическое от суммы предсказанных значений на основе каждого из «факторов влияния». Это позволяет учесть каждый из «факторов влияния» в прогнозе.

Литература

1. Ансофф И. Стратегическое управление: Сокр. пер. c англ. / Науч. ред. Л.И. Евенко. - М.: Экономика, 2009.

2. Владимирова Л.П. Прогнозирование и планирование в условиях рынка. Учебное пособие. - М.: Издательско-торговая корпорация «Дашков и Ко», 2004. - 400 с.

3. Гайдаенко А.А. Прогнозирование и стратегическое планирование в птицеводстве. Монография. - М.: Компания Спутник+, 2010.

Н.С. Гегамян, В.П. Василенко ОРГАНИЗАЦИЯ СВИНОВОДСТВА В ЗАРУБЕЖНЫХ СТРАНАХ

Аннотация. В 70-е годы по инициативе Минсельхоза США в стране были развернуты исследования по всестороннему изучению технологии свиноводства. На основании анализа полученных данных были разработаны прогрессивные высокомеханизированные технологии, сокращающие затраты труда и средства на производство свинины.

Ключевые слова. Свиноводство, свиноводство за рубежом, технологии свиноводства, производство свинины.

Было установлено, что при соблюдении всех технологических параметров снижается отход молодняка, увеличивается эффективность использования основных средств, свиноводство может производить относительно дешевое мясо при расходе кормов меньшем, чем при производстве говядины. В результате выполнения ряда специальных программ удельный вес производства свинины на крупных фермах и комплексах превысил 40%, а средняя рыночная цена сравнялась с ценой на говядину (в 80-х годах она была на 10% выше), годовые объемы производства в 1999-2000 гг. на 45% превысили уровень 1971-1975 гг. В течение 1999-2001 гг. закупочные цены на бычков разных весовых кондиций составляли 1,59; 2,10 и 1,98 долл. США за 1 кг, а на свиней, предназначенных для убоя, значительно ниже - соответственно 0,75; 0,98 и 1,01 долл. за 1 кг. Душевое потребление свинины в США в 2000 г. составило 24 кг на человека в год, в 2002 - 23,6 [6].

В мировом свиноводстве неуклонно идет процесс интенсификации производства на основе его концентрации и специализации. Он сопровождается укрупнением ферм за счет сокращения их численности. Так, в течение последнего десятилетия во Франции поголовье свиней поддерживается на уровне 12-14 млн. голов, а число ферм сократилось с 800 до 300 тыс. Кооперативы фермеров производят около 60% свинины в стране, из них свыше 200 кооперативов ежегодно производят от 20 до 500 тыс. откормленных свиней. Свыше 50% производимого молодняка откармливают на

© Гегамян Н.С., Василенко В.П., 2013

i Надоели баннеры? Вы всегда можете отключить рекламу.