Представлять результаты экспертизы и выполнять их анализ удобно с помощью графиков, показанных на рис. 2.1.
2.4. Статистический анализ временных рядов
Прогнозы на основе статистического анализа ретроспективных рядов данных являются наиболее приемлемыми при условии, что между прошлым и будущим имеется тесная причинно-следственная связь. При этом прогноз следует корректировать всякий раз, когда заранее становятся известными те или иные обстоятельства, влияющие на прогнозируемую величину, которые будут иметь место в будущем. При прогнозировании спроса это:
появление новых рынков сбыта;
появление новых конкурентов;
проведение рекламных компаний;
появление новых научно-технических решений и т.п.
Р
ис.
2.1. Графические результаты анализа
положения на рынке "новой фирмы"
Общий подход в этом способе прогнозирования – попытка выявления трех типов зависимости прогнозируемого параметра () от времени:
тренда (тенденции);
цикличности;
случайных отклонений (рис. 2.2).
Рис. 2.2. Иллюстрация действия на прогнозируемый параметр трех типов зависимости от времени
t
Для их выявления:
строится график зависимости прогнозируемого параметра от времени по фактическим данным за отчетный период;
выбирается прогностическая функция и даются оценки на будущий период;
рассчитывается погрешность этих оценок;
принимается решение о принятии этой или о переходе к другой прогностической функции.
Обычно прогностическая функция подбирается методом наименьших квадратов: требуется построить график функции по некоторой ограниченной совокупности точек так, чтобы среднеквадратичное отклонение стремилось к минимуму:
=
,
где
d
– фактическое
значение в i-й
промежуток времени;
di* – значение прогностической функции в i-й промежуток;
n – число промежутков;
f – число "степеней свободы".
В качестве прогностической может выступать любая функция: константа, линейная, экспонента, парабола, синусоида и др.
Этот метод достаточно сложен для расчетов, но дает хорошие результаты. Сегодня широко используются пакеты прикладных программ для выполнения соответствующих расчетов, например, Statgraf. В ряде случаев можно пользоваться соответствующим аппаратом из MS EXCEL.
Рассмотрим более простые методы, которые легко применять без помощи ПЭВМ, однако они не обеспечивают такой точности.
Прогнозирование методом простого среднего
Рассчитывается среднее за отчетный период и принимается в качестве прогностической оценки на будущее. Метод хорош, если преобладающим является случайный тип зависимости прогнозируемого параметра от времени.
Прогнозирование методом "скользящего" среднего
где m – последний из моментов времени, для которого есть фактические данные;
к – число моментов времени, учитываемых при прогнозе.
Метод простой, но недостаточно точный, так как предполагает, что в следующем периоде значение прогнозируемой функции будет средним за последние к интервалов.
Базу прогнозирования к здесь нужно минимизировать.