Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Декомпозиция временного ряда. Анализ сезонных колебаний
При анализе временного ряда его изменчивость можно разделить на закономерную (детерминированную) и случайную составляющие. Для многих рядов в экономике причины, порождающие их закономерные составляющие не ясны. Тем не менее их совокупное влияние может быть устойчивым в течении достаточно длительных промежутков времени. Это обеспечивает возможность прогноза для подобных временных рядов. Составная часть временного ряда, остающаяся после выделения из него закономерных (детерминированных) компонент, представляет собой случайную, нерегулярную компоненту. Она является обязательной составной частью любого временного ряда в экономике, так как случайные отклонения неизбежно сопутствуют любому экономическому явлению. Если систематические компоненты временного ряда определены правильно, что как раз и составляет одну из главных целей при разработке моделей временного ряда, то остающаяся после выделения из временного ряда этих компонент так называемая остаточная последовательность (ряд остатков) будет случайной компонентой ряда. Случайная компонента ряда обладает следующими свойствами: - случайностью колебаний уровней остаточной последовательности; - соответствием распределения случайной компоненты нормальному закону распределения; - равенством математического ожидания случайной компоненты нулю; - независимостью значений уровней случайной последовательности, то есть отсутствием существенной автокорреляции. Проверка адекватности моделей временных рядов основана на проверке выполняемости у остаточной последовательности указанных четырех свойств. Если не выполняется хотя бы одно из них, модель признается неадекватной; при выполнении всех четырех свойств модель адекватна. Данная проверка осуществляется с использованием ряда статистических критериев Закономерную или детерминированную составляющую при анализа экономического временного ряда обычно разбивают на три составляющие: тренд, сезонную компоненту и циклическую компоненту. Наличие первых двух составляющих временного ряда можно приблизительно определить визуально, построив график временного ряда. На рисунке В1 показаны различные виды временных рядов с трендом и сезонной составляющей.
Рисунок В1 – Различные виды временных рядов
На рисунке А1 введены следующие обозначения: 1 - временной ряд не содержит сезонной составляющей; 2 - временной ряд содержит аддитивную сезонную составляющую; 3 - временной ряд содержит мультипликативную составляющую; А - временный ряд не содержит тренда; В - временной ряд содержит аддитивный тренд; С – временной ряд содержит мультипликативный тренд. (Ниже будут рассмотрены понятия аддитивной и мультипликативной переменных временного ряда). Циклическая компонента временного ряда описывает длительные периоды относительного подъёма и спада. Она состоит из циклов, которые меняются по амплитуде и протяженности. Выделение в экономических временных рядах циклической компоненты связано с тем, что экономическая активность не растет (или спадает) постоянными темпами. Она состоит из периодов относительных подъёмов и спадов. Считается, что причиной циклических изменений в экономических показателях является взаимодействие спроса и предложения. Играют роль и другие факторы: рост и истощение ресурсов, увеличение размеров капитала, используемого в бизнесе, продолжительно действующие неблагоприятные (либо благоприятные) для тех или иных отраслей сельского хозяйства погодные условия, изменения в правительственной финансовой и налоговой политике и т. п. Влияние всех этих факторов приводит к тому, что циклическую компоненту крайне трудно идентифицировать формальными методами, исходя только из данных изучаемого ряда. Поэтому для ее анализа обычно приходиться привлекать дополнительную информацию в виде других временных рядов, которые оказывают влияние на изучаемый ряд, например, учитывать информацию типа налоговых льгот, перенасыщенности рынка и т. п. В ходе выполнения данной работы будет учитывать влияние лишь двух составляющих: тренда и сезонной компоненты. К сезонным относятся такие явления, которые обнаруживают в своем развитии определенные закономерности более или менее повторяющиеся из месяца в месяц, из квартала в квартал. Под сезонностью иногда понимают неравномерность производственной деятельности в отраслях промышленности, связанных с переработкой с/х сырья, поступления которого зависит от времени года. Кроме того, сезонность может возникать из-за сезонного характера спроса на товары, производимые промышленностью и т. д.
Как бы ни проявлялась сезонность, она наносит большой ущерб народному хозяйству, который заключается в неравномерном использовании оборудования и рабочей силы, неравномерной постановке сырья и загрузке транспорта в отраслях, связанных с сезонным производством. Изучение сезонных колебаний необходимо для более ритмичной работы предприятий. Статистические исследование сезонности ставит следующие задачи: численно выразить проявление сезонных колебаний; выявить их силу и характер в условиях отдельных отраслей народного хозяйства; вскрыть факторы, вызывающие сезонные колебания; найти экономические последствия проявления сезонности. Известно несколько способов исследования сезонных колебаний: способ простых средних, способ относительных чисел, способ Пирсона, способ расчета сезонных волн, базирующийся на определении тенденции (методом скользящей средней и методом наименьших квадратов). Индексы сезонности является показателями, характеризующими результаты сравнения фактических уровней данного месяца или квартала с уровнями, вычисленными при выявлении основной тенденции для того же месяца или квартала. Расчет сезонного индекса может быть произведен следующим образом. Предположим, что рассматриваемый временной ряд x1, … xn можетбыть описан аддитивной моделью. Пусть p - период последовательности st. Для этого сначала мы должны оценить тренд . Затем для каждого сезона i, 1 i p, необходиморассмотреть все относящиеся к нему разности: xi - . Каждое из этих отклонений xi от можно рассматривать как результат влияния сезонных изменений. Усреднение этих разностей дает нам оценку сезонной компоненты si. В качестве простейшей оценки можно взять простое среднее, т.е.: для i = 1,…, p Сезонный индекс для мультипликативной модели вычисляется по другой формуле. Minitab производит классическую декомпозицию временного ряда, используя мультипликативную или аддитивную модели. С помощью этой процедуры временной ряд разделяется на три составляющие: тренд, сезонные колебания и ошибку. Для работы с этим видом анализа необходимо набрать: Stat > Time Series > Decomposition. В результате выполнения этой процедуры на мониторе появится следующие диалоговое окно (рисунке В2)
Диалоговое окновключает в себя следующие параметры: Variable: выбирается столбец, содержащий исходный временной ряд. Seasonal Length: Длина сезонного цикла. Вводится целое число большее 2. Model Type: Выбирается тип модели. - мультипликативная модель. Используется, если сезонные колебания зависят от уровня данных. В этом случае предполагается, что если данные увеличиваются, то увеличивается и величина сезонных отклонений. Многие временные ряды соответствуют этой модели. Модель имеет следующий вид yt = Trend * Seasonal * Error - аддитивная модель имеет следующий вид: yt = Trend + Seasonal + Error Рисунок В2 - Вид диалогового окна "Анализ сезонной декомпозиции"
Model Components: Выбор компонентов присутствующих в модели:
Trend plus seasonal: Отмечается, если исходные данные содержат тренд и сезонную составляющую. - Seasonal only: Отмечается, если при анализе тренд не учитывается. Если данные содержат тренд, но это не указано, то оценки сезонных индексов могут быть не верными. Initial seasonal period: По умолчанию Minitab считает, что исходные данные начинаются с первого периода - 1. Если исследуются месячные данные, и они начинаются с июня, то тогда указывается 6 месяц. Generate forecasts: Отмечается, если необходимо сделать прогноз. Прогнозные значения отмечаются на графике красным цветом. Number of forecasts: Вводится число прогнозных значений. Starting from origin: Используется аналогично диалогу в анализе тренда. Title: Можно ввести название графика.
Minitab при декомпозиции сначала оценивает линию тренда методом наименьших квадратов, потом удаляет тренд, деля на тренд или вычитая его из временного ряда в зависимости от используемой модели (соответственно мультипликативной или аддитивной). На следующем шаге процедура сглаживает преобразованные данные, используя метод скользящего среднего с параметром сглаживания равным длине сезонного цикла. Если сезонный цикл четный, то используется двухшаговая процедура сглаживания методом скользящего среднего. Временной ряд без тренда делится или из него вычитается полученный сглаженный ряд, чтобы получить сезонную компоненту. С помощью полученных значений вычисляются сезонные индексы, которые позволяют оценить влияние сезонных колебаний. Рассмотрим на примере производства молока процедуру декомпозиции временного ряда. (Данные представлены в таблице В1).
Таблица В1 - Производство молока в России за 2012-2016 гг. (тыс. тонн в месяц)
Заполним диалоговое окно, изображенное на рисунке В2, следующим образом: Variable: 2012-16 Seasonal Length: 12 Model Type: мультипликативная модель (для выбора типа модели можно использовать рисунок 1.3. Из графика анализирующего временной ряд на наличие тренда (рисунок В3) видно, что величина сезонных колебаний пропорциональна среднему уровню производства. Поэтому для описания сезонных колебаний следует использовать мультипликативную модель).
Model Components: тренд и сезонная составляющая. Initial seasonal period: 1 Generate forecasts: 6 Number of forecasts: 58 В результате выполнения этой операции на экране появятся следующие графики и расчеты. В окне Session появятся результаты вычисления сезонных индексов и значения прогнозных показателей на полгода вперед, а также уравнение тренда и его точность:
Time Series Decomposition (Декомпозиция временного ряда) Data 2012-16 (Название анализируемых данных) Length 58.0000 (Длина временного ряда) NMissing 0 (Количество ошибок в данных)
Trend Line Equation (Уравнение тренда)
Yt = 2840.33 - 23.5870*t
Seasonal Indices (Величина сезонного индекса)
Period Index
1 0.654509 2 0.678928 3 0.909029 4 1.02617 5 1.27273 6 1.58137 7 1.54385 8 1.35862 9 1.02653 10 0.777468 11 0.570636 12 0.600173
Accuracy of Model (Оценка точности полученного уравнения тренда)
MAPE: 4.1 MAD: 85.0 MSD: 10808.6
Forecasts (Прогнозные значения)
Row Period Forecast
1 59 826.68 2 60 855.31 3 61 917.31 4 62 935.52 5 63 1231.15 6 64 1365.59
Рисунок В3 - График временного ряда
На рисунке В3 изображены исходные данные, оцененная линия тренда, оцененная линия тренда с сезонными колебаниями и прогнозные значения. График показывает, как сезонные колебания влияют на временной ряд. В результате проведенного анализа можно сделать следующие выводы: 1. Визуальный анализ графика ряда показывает, что производство молока имеет тенденцию к сокращению. Это может быть обусловлено сокращением поголовья молочного стада и общим снижением производства сельскохозяйственной продукции. 2. Временный ряд подвержен сильным сезонным колебаниям с максимумом производства в летние месяцы (апрель - сентябрь) и минимумом – в зимние (октябрь - март). При этом величина сезонных колебаний пропорциональна среднему уровню производства. Следовательно, потребителю молочных продуктов необходимо быть готовым к сезонным изменениям уровня цен на продукцию: в летние месяцы снижение цены, в зимние - возрастание.
Алгоритм прогнозирования в статистическом пакете «Gretl»
В статистическом пакете «Gretl» можно построить прогнозные значения основных показателей. Для этого воспользуемся функцией для анализа временных рядов программы Gretl. Рассмотрим пример. Назовем переменную dohod, затем вводим данные дохода поквартально. Для того, чтобы в Gretl сделать прогноз, также добавим 2 пустых значения – 3 и 4 кварталы, для которых и будет строиться прогноз. Далее добавим автоматически переменную, которая присваивает каждому кварталу номер. Следующим шагом строим регрессионную модель методом 1МНК, где переменная dohod – зависимая, в окне результатов с помощью опции Анализ – Прогнозы получаем прогнозные значения на 3 и 4 квартал, а также график линейного тренда, который необходимо вынести в приложение. Затем необходимо построить линейный тренд для доходов в Microsoft Office с учетом прогнозных значений доходов. Аналогично строится прогноз для остальных показателей.
Пример «Файл» – «Создать» как показано на рисунке В4.
Рисунок В4 – Создание ряда наблюдений
Вводим 10 значений по кварталам, 2 остаются пустыми для прогноза на 3-4 кв. 2010 год (рис. В5).
Рисунок В5 – Ввод данных в программу
Далее нажимаем «Добавить» – «Индексную переменную» (рисунок В6). Рисунок В6 – Ввод индексной переменной
Потом нажимаем «Модель» – «Метод наименьших квадратов» и заполняем окно (рис. В7).
Рисунок В7 – Выбор модели
Получаем окно с моделью временного ряда как на рисунке В8:
Рисунок В8 – Окно модели
В нем нажимаем «Анализ» – «Прогнозы» и заполняем следующее окно (рис. В9). Рисунок В9 – Заполнение критериев прогноза
В итоге получаем график с прогнозами и сами прогнозные значения как показано на рисунках В 10 и В11.
Рисунок В10 – График прогнозирования
Рисунок В11 – Прогнозные значения
С помощью данных статистических пакетов можно найти значения прогнозных показателей деятельности предприятия. Затем в программе Microsoft Office Excel нужно построить графики динамики основных показателей деятельности предприятия (доходы, расходы, прибыль, рентабельность) с учетом найденных прогнозных значений. ПРИЛОЖЕНИЕ Г Функционально-структурный анализ деятельности ГУПС «Водоканал»
Представим функциональные бизнес-процессы ГУПС «Водоканал» и их особенности в таблице 2.1
Таблица 2.1 – Функциональные бизнес-процессы ГУПС «Водоканал»
Основные функции деятельности ГУПС «Водоканал» представлены в виде дерева функций на рисунке 3.4. Рисунок 2.1 – Основные функции деятельности ГУПС «Водоканал»
Результаты выполнения оценки функциональных направлений представим в виде таблицы 2.2.
Таблица 2.2 – Сводная оценка основных бизнес-процессов ГУПС «Водоканал»
Продолжение таблицы 2.2
Продолжение таблицы 2.2
Продолжение 2.2
По результатам функционально-структурного анализа можно утверждать, что функции по обеспечению основных видов деятельности выполняются в полной мере, единственное узкое место – это не всегда своевременное проведение аварийных работ. Были выявлены проблемы в области развития предприятия. Установлено, что основные фонды изношены более чем на 50% и у предприятия не достаточно финансовых средств для проведения технического перевооружения в больших масштабах. Также, деятельность предприятия является очень энергоёмкой и затраты на энергоресурсы очень высоки. Перечисленные факторы негативно влияют на энергоэффективность ГУПС «Водоканал». Для дальнейшего анализа и разработки мероприятий по совершенствования целесообразно выбрать функциональное направления развития «повышение энергоэффективности». ПРИЛОЖЕНИЕ Д Целевой анализ деятельности ГУПС «Водоканал»
По результатам анализа ОПД видно, что расходы превышает доходы предприятия. Одной из основных статей расходов являются расходы на электроэнергию и составляют более 30%. Наиболее негативное воздействие на деятельность предприятия оказывает высокая степень износа оборудования и водопроводных и канализационных сетей. Исходя из вышесказанного, было принято решение проанализировать энергоэффективность ГУПС «Водоканал». В таблице 3.1 представлен перечень показателей, используемых при анализе энергоэффективности.
Таблица 3.1 – Показатели энергоэффективности предприятия ГУПС «Водоканал»
Продолжение таблицы 3.1
Количественные показатели представлены в таблице 3.2.
Таблица 3.2 – Показатели энергоэффективности ГУПС «Водоканал» за 2015-2017 гг.
Комментарии к таблице 3.2: - в 2016 году было потреблено электроэнергии на 0,44% больше чем 2015, в 2017 году этот показатель уже вырос на 5,5%, в целом объём потребления электроэнергии растёт; - в 2017 году объём реализации воды значительно вырос по сравнению с 2016 годом; - расходы на электрическую энергию в 2016 выросли почти на 13%, а в 2017 году расходы на электроэнергию возросли уже на 24%; - удельная электроёмкость продукции (услуг) и электроёмкость в стоимостном выражении ежегодно возрастала, что свидетельствовало о необходимости большего потребления электроэнергии для реализации одного и того же объёма воды, но в 2017 году удалось снизить данный показатель; - электроэкономический уровень производства в 2016 году снизился на 2%, но в 2017 данный показатель вырос на 48%, что связано со снижением электроёмкости продукции; - электроёмкость основных фондов в 2016 году снизилась, но не значительно – на 1%, в 2017 году данный показатель вырос на 214% это свидетельствует о постоянном и значительном росте расхода электроэнергии на 1 руб. основных фондов; - электровооружённость в 2016 году немного снизилась – на 6,6%, в 2017 году электроёмкость выросла на 14,2%, что говорит о росте мощностей, приходящихся на рубль основных фондов; - электровооружённость труда также возрастает, так в 2016 году она возросла на 1,4%, а в 2017 почти на 10%; это говорит о росте потребления электроэнергии одним работником предприятия; - коэффициент износа и годности оборудования показывают, что оборудование изношено более чем на 50%. Ниже представлены расчёты показателей энергоэффективности ГУПС «Водоканал». Удельная электроёмкость продукции: 2015 = 51598 / 52688 = 0,979 кВт*ч/м3 2016 = 52606 / 52441 = 1,003 кВт*ч/м3 2018 = 55440 / 56382 = 0,983 кВт*ч/м3 Электроёмкость продукции: ЭЕ2015 = 61899 / 410942 = 0,150 кВт*ч/руб. ЭЕ2016 = 62169 / 405785 = 0,153 кВт*ч/руб. ЭЕ2017 = 65558 / 634106 = 0,103 кВт*ч/руб.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2021-05-11; просмотров: 261; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.222.200.143 (0.289 с.) |