CC BY
34
ПОСТРОЕНИЕ ПРОГНОЗОВ РАЗВИТИЯ ПРЕДПРИЯТИЙ ПРИРОДОПОЛЬЗОВАНИЯ И ПРОВЕРКА ИХ АДЕКВАТНОСТИ
Ашот Гагикович Саркисян
Сибирская государственная геодезическая академия, 630108 г. Новосибирск, ул. Плахотного, 10, аспирант кафедры Экономики и менеджмента, тел. (383)361-01-24, e-mail: eim447@gmail. com
Представлены основные инструменты прогнозирования, используемые при проведении экономических расчетов для предприятий природопользования, а также инструменты проверки адекватности полученных в этих расчетах результатов.
Ключевые слова: моделирование, управление, стратегия, тенденция, факторы.
NATURE MANAGEMENT ENTERPRISES DEVELOPMENT FORECASTS AND THEIR ADEQUACY CONTROL
Ashot G. Sarkisyan
A post-graduate student, department of economics and management, Siberian State Academy of Geodesy, 10 Plakhotnogo st., 630108, Novosibirsk, phone: (383) 361-01-24, e-mail: eim447@gmail.com
Basic forecasting tools, used for nature management economic design as well as those for the forecasts adequacy control are considered.
Key words: modeling, management, strategy, trend, factors.
Необходимость принимать взвешенные управленческие решения, требует использования устойчивых, адекватных моделей прогнозирования. Модели прогнозирования строятся на основе экономико-математических, статистических, эконометрических процедур. Приведем пример построения прогнозной модели в среде MS Excel.
Была поставлена задача прогнозирования «ситуации на рынке» с помощью математико-статистических методов. Рассмотрим следующую модель, в нашем распоряжении следующие данные: затраты на рекламу, товародвижение, прибыль фирмы за 2010 и 2011 гг. Данные прошли первичную обработку и группировку.
Попробуем выяснить, какие из двух факторов реклама и товародвижение больше всего влияют на прибыль фирмы, а так же выясним, как влияет на прибыль временной фактор года и месяца. Исследования будем проводить с помощью регрессионного анализа.
Используя имеющиеся данные, можно сделать выводы и дать некоторые рекомендации о дальнейшей стратегии действий предприятия. Методика проведения анализа базируется на использовании статистического банка и банка моделей, которые включают: модели планирования значимых критериев
успеха, модели для отражения отклика на определяющий фактор, оперативные модели планирования, модели оптимизации цен.
Предложим модели, подходящие для нашей задачи и выберем лучшую из них. Рассмотрим модели отражения отклика, а именно: две модели линейную и модель с лагом (запаздыванием). Рассмотрим общую линейную регрессионную модель. Общий вид модели, формула 1:
y(^j , x, x, x) = a0 + ax + ax2 + ax + ax +в (1)
где: Y- отклик, в- ошибка. Факторы модели: x1- месяц, x2- год, x3- реклама, x4- товаропродвижение.
После проведения исследования с использованием модуля «Пакет анализа» в MS Excel получены следующие результаты, которые можно обобщить и представить в виде некоторой табл. 1.
Таблица 1. Результаты регрессионного анализа исходных данных
Фактор Число степеней свободы Сумма квадратов Средний квадрат F- статистика Критерий Фишера Значимо сть
1 11 2.235e+11 2.032e+10 2.312e+00 3.100e+00 Нет
2 1 8.965e+07 8.965e+07 1.020e-02 5.120e+00 Нет
3 1 2.984e+08 2.984e+08 3.395e-02 5.120e+00 Нет
4 1 4.754e+10 4.754e+10 5.409e+00 5.120e+00 Да
Ошибка 9 7.911e+10 8.789e+09
В результате анализа установлено, что на отклик существенно (значимо) влияет четвертый фактор - товаропродвижение. Далее перейдем к вопросу построению прогнозов и анализу истинности значений параметров.
Расчеты проведены в редакторе электронных таблиц MS Excel, отметим, что также расчеты можно провести в системах «Статистика», MathCAD и др.
На основании исходных данных построено графическое изображение истинного и прогнозного значения для 2010 года и 2011 года, рис. 1 и 2. Исходная линейная модель имеет вид, формула 1.
Построим графическое для модели с лагом (запаздыванием). В данном случае запаздывание происходит по времени
Вид оцениваемой модели запишем следующим образом: Y = а + ax + a2x2t + a3x2(i у + ^Xt + a5x3(i_1) + s, соответственно оцененная модель
имеет вид: y = а+ax+axt+ax2(t-\)+axt++£, рис. 3,4.
2010 год
месяц
^—Истинное значение --------Прогноз
Рис. 1. Истинное и прогнозное значение прибыли за 2010 год для линейной
модели
2011 год
ю
.0
С
.о
ю
£1
С
900000
800000
700000
600000
500000
400000
300000
200000
100000
0
1 2 3 4 5 6 7 8 9 10 11 12
месяц
^—Истинное значение --------Прогноз
Рис. 2. Истинное и прогнозное значение прибыли фирмы за 2011 год для
линейной модели
Модель с лагом (11 точек эксперимента)
ю
>
а
с
I
ю
О.
с
1800000
1600000
1400000
1200000
1000000
800000
600000
400000
200000
0
1 2 3 4 5 6 7 8 9 10 11 12
месяц
Истинное значение ------------Прогноз
Рис. 3. Истинное и прогнозное значение прибыли для модели с запаздыванием
за 2010 год с 11 точками эксперимента
Рис. 4. Истинное и прогнозное значение прибыли для модели с запаздыванием
за 2010 год с 12 точками эксперимента
На основании полученных значений можем сказать, что при оценивании линейной модели получили значительно лучший прогноз по сравнению со второй предложенной моделью. Но для того, чтобы сделать вывод о том, какая модель лучше, нужно посчитать дисперсии (отклонении) оценок для каждой модели и уже на основании полученных результатов можно сказать что-то конкретное. Величины полученных дисперсий приведены в таблице 2.
Таблица 2. Значения дисперсий для построенных моделей
Вид модели
Линейная модель Модель с лагом 2010 год
2010 год 2011 год 11 точек эксперимента 12 точек эксперимента
2,0785 2,4466 4,472727 6,7675
Сравнивая дисперсии, делаем вывод, что наилучшей из предложенных моделей, является линейная модель. Заметим, что гипотеза о линейной связи указанных факторов может быть опровергнута, например, с помощью инструментов корреляционного анализа. Однако для анализируемых выборок корреляции между факторами достаточно велики.
© А.Г. Саркисян, 2012
