Прогнозирование, основанное на методах математической статистики

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 пролонгируется 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, скажем, среднее квадратическое от­клонение. 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.

Парный регрессионный анализ основан на использовании уравне­ния прямой линии (см. формулу 4.3). В дополнение к изложенному сле­дует сказать следующее.

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

При проведении регрессионного анализа следует 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. Для этого используется t — критерий Стьюдента.

При использовании уравнения регрессии в целях прогнозирования надо иметь в виду, что перенос закономерности связи, измеренной в варьирующей совокупности, в статике на динамику не является, строго говоря, корректным и требует проверки условий допустимости такого переноса (экстраполяции), что выходит за рамки статистики и может быть сделано только специалистом, хорошо знающим объект исследова­ния и возможности его развития в будущем.

Ограничением прогнозирования на основе регрессионного уравне­ния, тем более парного, служит условие стабильности или по крайней мере малой изменчивости других факторов и условий изучаемого процес­са, не связанных с ними. Если резко изменится «внешняя среда» проте­кающего процесса, прежнее уравнение регрессии результативного при­знака на факторный потеряет свое значение.

Следует соблюдать еще одно ограничение: нельзя подставлять зна­чения факторного признака, существенно отличающиеся от входящих в базисную информацию, по которой вычислено уравнение регрессии. При качественно иных уровнях фактора, если они даже возможны в принци­пе, были бы иными параметры уравнения. Можно рекомендовать при определении значений факторов не выходить за пределы трети размаха вариации как за минимальное, так и за максимальное значения призна­ка-фактора, имеющиеся в исходной информации.

Прогноз, полученный подстановкой в уравнение регрессии ожи­даемого значения фактора, называют точечным прогнозом. Вероятность точной реализации такого прогноза крайне мала. Необходимо сопрово­дить его значение средней ошибкой прогноза или доверительным интер­валом прогноза, в который с достаточно большой вероятностью попадают прогнозные оценки. Средняя ошибка является мерой точности прогноза на основе уравнения регрессии.

Расчет доверительного интервала осуществляется аналогично ранее рассмотренному подходу. Выбирается один из уровней доверительности (95 или 99%) и рассчитываются максимальные и минимальные прогноз­ные оценки. Данные расчета говорят о том, что если прогнозные оценки с помощью уравнения регрессии будут получены много раз и каждый раз будет известна также фактическая оценка, то фактические оценки будут попадать в рассчитанный диапазон прогнозных оценок в 95 или 99% слу­чаев.

Анализ на основе множественной регрессии основан на использова­нии более чем одной независимой переменной в уравнении регрессии. Это усложняет анализ, делая его многомерным. Однако регрессионная модель более полно отражает действительность, так как в реальности исследуемый параметр, как правило, зависит от множества факторов.

Так, например, при прогнозировании спроса идентифицируются 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:

Термин «коэффициент условно-чистой регрессии» означает, что каждая из величин b измеряет среднее по совокупности отклонение зави­симой переменной (результативного признака) от ее средней величины при отклонении зависимой переменной (фактора) х от своей средней величины на единицу ее измерения и при условии, что все прочие фак­торы, входящие в уравнение регрессии, закреплены на средних значени­ях, не изменяются, не варьируются.

Таким образом, в отличие от коэффициента парной регрессии ко­эффициент условно-чистой регрессии измеряет влияние фактора, абст­рагируясь от связи вариации этого фактора с вариацией остальных фак­торов. Если было бы возможным включать в уравнение регрессии все факторы, влияющие на вариацию результативного признака, то величины b можно было бы считать мерами чистого влияния факторов. Но так как реально невозможно включить все факторы в уравнение, то коэффициен­ты b не свободны от примеси влияния факторов, не входящих в уравне­ние.

Многофакторная система требует уже не одного, а множества по­казателей тесноты линейных связей, имеющих разный смысл и примене­ние. Основой измерения связей является матрица парных коэффициен­тов корреляции.

На основе этой матрицы можно судить о тесноте связи факторов с результативным признаком и между собой. Хотя показатели матрицы относятся к парным связям, все же матрицу можно использовать для предварительного отбора факторов для включения в уравнение регрессии. 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.

На основе матрицы парных коэффициентов вычисляется наиболее общий показатель тесноты связи всех входящих в уравнение регрессии факторов с результативным признаком — коэффициент множественной детерминации.

Помимо целей прогнозирования множественная регрессия может использоваться для отбора статистически значимых независимых факторов, которые следует использовать при исследовании результативного признака. В частности, при поиске критериев сегментации исследователь может использовать регрессионный анализ для выделения демографиче­ских факторов, которые оказывают наиболее сильное влияние на какой-то результирующий показатель, характеризующий поведение покупате­лей, например, выбор товара определенной марки.

Кроме того, множественная регрессия может использоваться для определения относительной важности независимых переменных.

Поскольку независимые переменные имеют различные размерно­сти, проводить их сравнение прямым образом нельзя. Например, нельзя прямым образом сравнивать коэффициенты b для размера семьи и вели­чины среднего для семьи дохода.

Обычно в данном случае поступают следующим образом. Делят каждую разницу между независимой переменной и ее средней на среднее квадратическое отклонение для этой независимой переменной. Далее возможно прямое сравнение полученных величин (коэффициентов). Чем больше абсолютная величина коэффициентов, тем большей относитель­ной важностью, влиянием на результирующий прогнозируемый показа­тель обладают переменные величины, которые характеризуют данные коэффициенты.

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.

В табл. 3.1 приводятся данные объема продаж велосипедов опреде­ленной компании за 17 лет.

 

Таблица 3.1. Объем продажи велосипедов

Продолжение табл. 3.1

 

Необходимо определить прогнозную оценку объема продаж на во­семнадцатый год.

Представив в графическом виде данные табл. 3.1, можно с помо­щью метода наименьших квадратов подобрать прямую линию, в наи­большей степени соответствующую полученным данным (рис. 3.1), и оп­ределить прогнозную величину объема продаж.

В то же время более внимательное рассмотрение рис. 3.1 позволяет сделать вывод о том, что не все точки близко расположены к прямой. Особенно эти расхождения велики для последних лет, а верить послед­ним данным, видимо, следует с достаточным основанием.

В данном случае можно применить метод экспоненциального сгла­живания, назначая разные весовые коэффициенты (большие для послед­них лет) данным для разных лет. В последнем случае прогноз­ная оценка в большей степени соответствует тенденциям последних лет.

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. Целью анализа в данном случае являются разложение временного ряда продаж на главные компоненты, измерение эволюции каждой составляющей в прошлом и ее экстраполяция на будущее. В ос­нове метода лежит идея стабильности причинно-следственных связей и регулярности эволюции факторов внешней среды, что делает возможным использование экстраполяции. Метод состоит в разложении временного ряда на пять компонент:

— структурная компонента, или долгосрочный тренд, обычно свя­занный с жизненным циклом товара на исследуемом рынке;

— циклическая компонента, соответствующая колебаниям относи­тельно долгосрочного тренда под воздействием среднесрочных флуктуа­ций экономической активности;

— сезонная компонента, или краткосрочные периодические флук­туации, обусловленные различными причинами (климат, социально— психологические факторы, структура нерабочих дней и т.д.);

— маркетинговая компонента, связанная с действиями по продви­жению товара, временными снижениями цен и т.п.;

— случайная компонента, отражающая совокупное действие плохо изученных процессов, непредставимых в количественной форме.

Для каждой компоненты рассчитывается параметр, основанный на наблюдавшихся закономерностях: долгосрочном темпе прироста продаж, конъюнктурных флуктуациях, сезонных коэффициентах, специфичных факторах (демонстрации, мероприятия по стимулированию сбыта и т.п.). Затем эти параметры используют для составления прогноза.

Понятно, что такой прогноз имеет смысл как краткосрочный, на период, в отношении которого можно принять, что характеристики изу­чаемого явления существенно не изменятся. Это требование часто оказы­вается реалистичным вследствие достаточной инерционности внешней среды.

К числу главных ограничений экстраполяционных методов следует отнести следующие.

Большинство прогнозных ошибок связано с тем, что в момент формулирования прогноза в более или менее явной форме подразумева­лось, что существующие тенденции сохранятся в будущем, что редко оп­равдывается в реальной экономической и общественной жизни.

Так, в 40-х годах нашего века американские специалисты предска­зывали: производство легковых автомобилей в США достигнет насыще­ния и будет составлять 300 000 штук в месяц. Но уже в 1969 г. их в США производилось более 550 000 штук. В настоящее время эта цифра возрос­ла еще в 1,2—1,3 раза.

В 1983—1984 гг. на американский рынок были введены 67 новых моделей персональных компьютеров, и большинство фирм рассчитывало на взрывной рост этого рынка. По прогнозам, которые давали в то время маркетинговые фирмы, число установленных компьютеров в 1988 г. должно было составить от 27 до 28 миллионов. Однако к концу 1986 г. было поставлено только 15 миллионов, поскольку условия использования компьютеров радикально изменились, а этого никто не предвидел.

Эти ошибки в прогнозах носили не математический, а чисто логи­ческий характер: ведь при прогнозировании использовались временные ряды, достаточно хорошо отражающие имеющийся в то время статисти­ческий материал.

Развитие общества определяется очень большим числом факторов. Эти факторы сильно связаны между собой, и далеко не все они поддают­ся непосредственному измерению. Кроме того, по мере развития общест­ва порой неожиданно начинают вступать в действие все новые и новые факторы, которые раньше не учитывались.

Временные ряды могут становиться ненадежной основой для раз­работки прогнозов по мере того, как экономика приобретает все более международный характер и все в большей степени подвергается крупной технологической перестройке. В связи с этим необходимо в первую оче­редь развивать способности предвидения, что подразумевает хорошее знание ключевых факторов и оценку чувствительности фирмы к внеш­ним угрозам.

Вышеназванное ни в коей мере не умаляет значимости экстраполяционных методов в прогнозировании. Как и любые методы, их надо уметь использовать. Прежде всего экстраполяционные методы следует применять для относительно краткосрочного прогнозирования развития достаточно стабильных, хорошо изученных процессов. Прогнозный пе­риод времени не должен превышать 25—30% от исходной временной базы. При использовании уравнений регрессии прогнозные расчеты сле­дует проводить для оптимистических и пессимистических оценок исход­ных параметров (независимых переменных), получая таким образом оп­тимистические и пессимистические оценки прогнозируемого параметра. Реальная прогнозная оценка должна находиться между ними.

В ряде случаев прогнозную оценку, полученную на основе экстраполяционных методов, используют как индикатор желательности получе­ния определенной величины прогнозируемого параметра. Предположим, что была получена прогнозная оценка величины спроса на какой-то то­вар. Она говорит о том, что при тех же условиях внешней среды, струк­туре и силе действия исходных факторов величина спроса к определен­ному моменту времени достигнет такой-то величины. Менеджерам, кото­рые используют результаты данного прогноза, следует ответить на во­прос: «А устраивает ли нас данная величина спроса?» Если «да», то надо приложить максимум усилий, чтобы все сохранить без изменения. Если «нет», то необходимо использовать внутренние возможности (например, провести дополнительную рекламную компанию) и постараться повлиять на определенные факторы внешней среды, поддающиеся косвенному воздействию (например, повлиять на деятельность посредников, пролоббировать изменение определенных тарифов, импортных пошлин). Вся эта деятельность направлена на обеспечение получения желаемой величины спроса.