2. Методология планирования

Методо­логия планирования — это учение о совокупности основ­ных принципов, методов, о системе применяемых показа­телей, мер (и действий), необходимых для выполнения пла­на, а также его мониторинга. Методология планирования как научная рекомендация по осуществлению процесса пла­нирования не является раз и навсегда данной, незыблемой. Она может совершенствоваться с появлением новых знании в области экономики и планирования.

2.1.Экономико-математические методы планирования и прогнозирования

Математические методы прогнозирования широко используются в настоящее время. Их основными достоинствами являются объективность полученной информации, высокая точность (при правильно выбранной модели), а также возможность автоматизации процесса прогнозирования при применении ЭВМ.

Однако математические прогнозные модели требуют наличие четко сформулированной математической модели поведения прогнозируемого процесса. Причем только в том случаи, когда математическая модель правильно описывает поведения прогнозируемого процесса, можно ожидать от математических методов точных результатов прогнозирования.

Также не менее важным этапом при математическом прогнозировании является оценка неизвестных параметров выбранной модели.

Можно выделить два метода разработки прогнозов, основанных на методах математической статистики: экстраполяцию и моделирование.

В первом случае в качестве базы прогнозирования используется прошлый опыт, который прогнозируется на будущее. Делается предположение, что система развивается эволюционно в достаточно стабильных условиях. Чем крупнее система, тем более вероятно сохранение ее параметров без изменения - конечно, на срок, не слишком большой. Обычно рекомендуется, чтобы срок прогноза не превышал одной трети длительности расчетной временной базы.

Во втором случае строится прогнозная модель, характеризующая зависимость изучаемого параметра от ряда факторов, на него влияющих. Она связывает условия, которые, как ожидается, будут иметь место, и характер их влияния на изучаемый параметр.

Данные модели не используют функциональные зависимости, они основаны только на статистических взаимосвязях.

Возникает вопрос: как еще до наступления будущего оценить точность прогнозных оценок? Для этого обычно расчеты по выбранной прогнозной модели сравнивают с данными, полученными в прошлом, и для каждого момента времени определяют различие оценок. Затем определяется средняя разность оценок, например, среднее квадратическое отклонение, и по его величине определяется прогнозная точность модели.

При построении прогнозных моделей чаще всего используется парный и множественный регрессионный анализ; в основе экстраполяционных методов лежит анализ временных рядов.

Прогнозирование на основе парного регрессионного анализа

Парный регрессионный анализ основан на использовании уравнения прямой линии.

y=a+bx,

где y-зависимая или прогнозируемая переменная

a и b - коэффициенты парной линейной регрессии

x - независимая переменная

Коэффициент парной линейной регрессии b имеет смысл тесноты связи между вариацией факторного признака x и вариацией результативного признака у.

При проведении регрессионного анализа необходимо не только рассчитать коэффициенты а и b, но и провести их испытание на статистическую значимость, т.е. определить, насколько выборочные значения а и b отличаются от их значений для генеральной совокупности.

Прогнозирование на основе множественного регрессионного анализа

Анализ на основе множественной регрессии основан на использовании более чем одной независимой переменной в уравнении регрессии. Это усложняет анализ, делая его многомерным. Так, например, при прогнозировании спроса используются факторы, определяющие спрос, определяются взаимосвязи, существующие между ними, и прогнозируются их вероятные будущие значения; из них при условии реализации условий, для которых уравнение множественной регрессии остается справедливым, выводится прогнозное значение спроса.

Все, что касается множественной регрессии, концептуально является идентичным парной регрессии, за исключением того, что используется более чем одна переменная. Под этим углом зрения слегка изменяются терминология и статистические расчеты.

Многофакторное уравнение множественной регрессии имеет следующий вид:

у = а + b ₁Х₁ + b₂Х₂ + b₃Х₃ +.... +b_mX_m1

где у - зависимая или прогнозируемая переменная;

х_i - независимая переменная;

а - свободный член уравнения;

b_i - коэффициент условно-чистой регрессии;

1 = 1, m;

m - число независимых переменных (факторных признаков).

Не рекомендуется включать в уравнение факторы, слабо связанные с результативным признаком, но тесно связанные (коллинеарные) с другими факторами (по условию факторные признаки в уравнении множественной корреляции не должны быть связаны друг с другом). Совершенно недопустимо включать в анализ факторы, функционально связанные друг с другом, т.е. с коэффициентом корреляции, равным единице.

Прогнозирование на основе анализа временных рядов

Многие данные маркетинговых исследований представляются для различных интервалов времени, например на ежегодной, ежемесячной и другой основе. Такие данные называются временными рядами. Анализ временных рядов направлен на выявление трех видов закономерностей изменения данных: трендов, цикличности и сезонности.

Тренд характеризует общую тенденцию в изменениях показателей ряда, те или иные качественные свойства развития выражают различные уравнения трендов: линейные, параболические, экспоненциальные, логарифмические, логистические и др. После теоретического исследования особенностей разных форм тренда необходимо обратиться к фактическому временному ряду, тем более что далеко не всегда можно надежно установить, какой должна быть форма тренда из чисто теоретических соображений. По фактическому динамическому ряду тип тренда устанавливают на основе графического изображения, путем осреднения показателей динамики, на основе статистической проверки гипотезы о постоянстве параметра тренда.

Циклический характер колебаний статистических показателей характеризуется длительным периодом (солнечная активность, урожайность отдельных культур, экономическая активность). Такие явления, как правило, не являются предметом исследования маркетологов, которых обычно интересует динамика проблемы на относительно коротком интервале времени.

Сезонные колебания показателей имеют регулярный характер и наблюдаются в течение каждого года. Они и являются предметом изучения маркетологов (спрос на газонокосилки, на отдых в курортных местах в течение года, на телефонные услуги в течение суток и т.д.). Поскольку выявленные закономерности носят регулярный характер, то их вполне обоснованно можно использовать в прогнозных целях.

В отличие от прогноза на основе регрессионного уравнения прогноз по тренду учитывает факторы развития только в неявном виде, и это не позволяет «проигрывать» разные варианты прогнозов при разных возможных значениях факторов, влияющих на изучаемый признак. Зато прогноз по тренду охватывает все факторы, в то время как в регрессионную модель в лучшем случае невозможно включить в явном виде более 10-20 факторов.

Временные ряды помимо простой экстраполяции могут использоваться также в целях более глубокого прогнозного анализа, например объема продаж. Наиболее распространенными методами, используемыми в процессе принятия плановых решений, являются следующие.

Временной ряд — это совокупность значений какого-либо по­казателя за несколько последовательных моментов или периодов времени . Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

- факторы, формирующие тенденцию ряда;

- факторы, формирующие циклические колебания ряда;

- случайные факторы.

В большинстве случаев фактический уровень временного ря­да можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой вре­менной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда.

Модель, в ко­торой временной ряд представлен как произведение перечислен­ных компонент, называется мультипликативной моделью времен­ного ряда.