ПРОГНОЗИРОВАНИЕ СПРОСА НА РЫНКЕ ЛЕГКОВЫХ АВТОМОБИЛЕЙ НА ОСНОВЕ ВРЕМЕННЫХ РЯДОВ Текст научной статьи по специальности «СМИ (медиа) и массовые коммуникации»

- Режим доступа: https://buhguru.com/effektivniy-buhgalter/nalogovye-i-buhgalterskie-izmeneniya-2019.html#i-6 - Дата доступа: 09.12.2018 5. Приказ ФНС России от 04.10.2018 №ММВ-7-21/575@ «О внесении изменений в приложения к приказу Федеральной налоговой службы от

31.03.2017 №ММВ-7-21/271@» (Зарегистрировано в Минюсте России

30.10.2018 .№52565) // СПС КонсультантПлюс [Электронный ресурс] - Режим доступа: http://www.consultant.ru/document/cons doc LAW 310066/ - Дата доступа: 09.12.2018

УДК 338.45

Никифорова Т. С. студент 3 курса Институт экономики и управления Бурятский государственный университет

Россия, г. Улан-Удэ ПРОГНОЗИРОВАНИЕ СПРОСА НА РЫНКЕ ЛЕГКОВЫХ АВТОМОБИЛЕЙ НА ОСНОВЕ ВРЕМЕННЫХ РЯДОВ

Аннотация: Усложнение социально-экономических явлений и процессов подталкивает экономистов к использованию эконометрических моделей. С их помощью не сложно изучить явление, а также построить прогноз как количественных, так и качественных признаков. Самое главное правильно подобрать модель, которая качественно описывает нужное явление.

Ключевые слова: временной ряд, прогноз, спрос на легковые автомобили, модель Хольта-Уинтерса.

Nikiforova T.S. student

3 year, Institute of Economics and Management

Buryat State University Russia, Ulan-Ude FORECASTING DEMAND IN THE MARKET OF PASSENGER CARS ON THE BASIS OF TIME SERIES

Annotation: The increasing complexity of socio-economic phenomena and processes encourages economists to use econometric models. With their help, it is not difficult to study the phenomenon, and also to build a forecast of both quantitative and qualitative signs. The most important thing is to choose the model that qualitatively describes the desired phenomenon.

Keywords: time series, forecast, demand for passenger cars, Holt-Winters model.

Во многих областях можно наблюдать развитие различных явлений и процессов во времени. Каждый день мы сталкиваемся с изменением курса валюты, цены на тот или иной товар, с погодными условиями и прочими явлениями. Огромный интерес представляет изучение этих процессов. На

помощь исследователям приходит такой метод изучения как анализ временных рядов. Он представляет собой совокупность существующих методов анализа упорядоченных по времени последовательностей наблюдений за каким-либо показателем явления или процесса1. На основе временных рядов можно не только проанализировать явление, но и спрогнозировать его количественные значения на будущий период.

Проблема качественного прогнозирования показателей тех или иных явлений на основе временных рядов будет актуальна всегда, потому что системы общества не стоят на месте, с каждым годом они расширяются и усложняются, и чаще всего предположения о развитии, не подкрепленное статистическим или эконометрическим анализом, может оказаться ошибочным.

С помощью модели Хольта-Уинтерса попробуем спрогнозировать спрос на легковые автомобили на основе данных за трехлетний период, рассмотренный по месяцам (тыс. шт.), которые представлены в Таблице 1.

Таблица 1

Общий спрос на легковые автомобили за 2015-2017 гг._

Месяц, t Общий спрос, Yt Месяц, t Общий спрос, Yt Месяц, t Общий спрос, Yt

1 115,46 13 82 25 78,04

2 128,38 14 111,23 26 106,79

3 139,84 15 125,99 27 138,06

4 132,45 16 121,16 28 129,63

5 125,8 17 109 29 125

6 140,16 18 122,68 30 141,09

7 131,09 19 109,39 31 129,65

8 138,68 20 113,79 32 132,77

9 140,86 21 125,85 33 148,21

10 129,96 22 126,7 34 148,33

11 131,58 23 132,35 35 152,17

12 147,28 24 145,67 36 153,24

Для построения прогнозируемой модели воспользуемся статистическим пакетом SPSS, используя мультипликативную модель Хольта-Уинтерса. Рисунок 1. График функции автокорреляции остатков

1 Подкорытова, О. А. Анализ временных рядов : учебное пособие для бакалавриата и магистратуры / О. А. Подкорытова, М. В. Соколов. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2018. — 267 с. — (Серия : Бакалавр и магистр. Модуль). — ISBN 978-5-534-02556-9.

Для начала проанализируем график функции автокорреляции остатков. При доверительном интервале равном 99,9% наши наблюдения не коррелируют между собой, что свидетельствует об адекватности модели.

Коэффициент детерминации Я2 = 0,847 показывает, что расчетные параметры модели на 84,7% описывают зависимость спроса от времени.

Таблица 2

Параметры модели экспоненциального сглаживания

Модель Оценка Ст. ош. т Значимость

Общий спрос Без преобразовани я Альфа (Уровень) ,136 ,033 4,112 ,000

Гамма (Тренд) ,572 ,279 2,050 ,048

Дельта (Сезон) ,396 ,127 3,121 ,004

Как видно из таблицы 2 максимальная точность прогноза будет достигаться при следующих значениях параметров: а=0,136; у=0,572; 5=0,396.

Графическая интерпретация прогноза, полученного с помощью модели Хольта-Уинтерса, представлена на Рисунке 2.

200,00 180,00 160,00 140,00 120,00 100,00 ВО ,00

Для метода Хольта-Уинтерса также необходимо оценить точность прогноза. Для начала рассчитаем значения прогнозной модели и их ошибки по уже имеющимся данным за 2015-2017 года, затем определим отклонение фактических данных от спрогнозированных значений. Точность прогноза находится как единица минус среднее значение отклонений ошибок модели от прогнозных значений.

Коэффициенты для оценки точности подбираются вручную, их значения не должны выходить за рамки диапазона от 0 до 1. Нужно найти такое сочетания коэффициентов, при котором точность прогноза будет близка к 100%. В нашем случае точность прогноза (99%) достигается при значениях коэффициентов а=0,136; у=0,572; 5=0,396, где а - коэффициент сглаживания временного ряда, у - коэффициент сглаживания тренда, 5 - коэффициент сглаживания сезонности.

По полученным данным можно сделать следующий вывод. Спрос стремительно растет, несмотря на сезонные колебания. Полученные нами прогнозные значения с легкостью можно проверить, так как для исследования были взяты исторические данные за 2015-2017 гг. Полученные результаты максимально близки к реальным показателям продаж легковых автомобилей. Это значит, что полученную модель можно использовать на практике.

Рисунок 2. Спрогнозированный спрос на зарубежные автомобили

Таблица 3

Сравнение прогнозных и фактических данных спроса на рынке _легковых автомобилей в 2018 г., тыс. шт._

Месяц Спрогнозированное значение спроса Фактическое значение спроса1

Январь 103,45 102,5

Февраль 135,11 133,2

Март 161,47 157,3

Апрель 153,85 152,4

Май 145,1 147,5

Июнь 163,52 156,4

Июль 150,42 143,5

Август 157,8 147,4

Сентябрь 172,24 157,4

Октябрь 169,68 160,4

Ноябрь 175,29 167,5

Декабрь 194,21 н/д

Таким образом, можно сделать вывод, что правильно подобранная модель при прогнозировании спроса на основе временных рядов может помочь в определении стратегии организации в долгосрочной перспективе. Также можно анализировать другие социально-экономические явления и процессы.

Использованные источники:

1. Подкорытова, О. А. Анализ временных рядов : учебное пособие для бакалавриата и магистратуры / О. А. Подкорытова, М. В. Соколов. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2018. — 267 с. — (Серия : Бакалавр и магистр. Модуль). — ISBN 978-5-534-02556-9.

2. Продажа автомобилей в России за 2016 год. Статистика продаж новых авто в России за 2016 год. VERcity [Электронный ресурс] - Режим доступа: https://auto.vercity.ru/statistics/sales/asia/2016/russia/ - Дата доступа: 13.01.2019

3. Айвазян С. А. Прикладная статистика и основы эконометрики : учебник для вузов / С. А. Айвазян, В. С. Мхитарян. - Москва: ЮНИТИ, 1998. - 1000 с.

4. Кремер Н. Ш. Эконометрика : Учебник для вузов / Н. Ш. Кремер, Б. А. Путко. - Москва : ЮНИТИ-ДАНА, 2002. - 311 с. ISBN 5-238-00333-1

5. Прогноз по методу экспоненциального сглаживания с трендом и сезонностью Хольта - Винтерса [Электронный ресурс] - Режим доступа: https://4amlytics.ru/prognozirovanie/prognoz-po-metodu-eksponencialnogo-sglajivaniya-s-trendom-i-sezonnostyu-xolta-vintersa.html - Дата доступа: 22.01.2018

1 Продажа автомобилей в России за 2016 год. Статистика продаж новых авто в России за 2016 год. [Электронный ресурс]