Анализ потребительсого рынка Алатайского края

     Балансовый  метод включает в себя  нормативный, но последний имеет в известной мере и самостоятельное значение.

     Исследование  рынка  включает в себя выяснение точек зрения существующих и потенциальных потребителей с целью построения картины будущего рыночного спроса на основе изучения их мнений. Это метод активного сбора мнений людей, покупающих или желающих купить определенный товар. 

     Преимущества

     Кроме количественных показателей метод  позволяет получить также и качественные показатели, такие как,  например, изменение отношения людей к  товару и их мнения о нем. Однако здесь существует ограничение: выясняется лишь то, что люди чувствуют сегодня, а не в будущем. 

     Недостатки

     Главным недостатком метода являются большие  затраты. Исследование рынка — один из наиболее дорогих методов прогнозирования для отдельной организации, хотя эти расходы могут быть снижены, если опрос - проводится либо торговой организацией, такой, например, как Общество автомобильных производителей и торговцев Великобритании, либо профессиональными: организациями, специализирующимися на анализе рынка для всей отрасли. В России действуют организации, которые специализировались на анализе рынков еще в советское время — это Всероссийский научно-исследовательский институт конъюнктурной информации, а также отраслевые институты информации. Подготовка исследовательских отчетов может стоить от нескольких сотен до нескольких тысяч долларов. Ограниченное число экземпляров обычно означает большую стоимость, но возможно и больший объем информации.

     Другим  недостатком метода является то, что требуется тщательная формулировка задаваемых вопросов, чтобы не было какой-либо "наводки" на определенный ответ. Люди могут давать ответы, которые, по их мнению, Вы хотели бы услышать, или такие, которые связаны с наименьшими неудобствами для них. Эффективность некоторых из подобных методов прогнозирования совсем недавно была поставлена под сомнение в связи с выяснением мнения по поводу выборов. Расхождение между результатами выборов и результатами предварительных исследований заставило усомниться в пользе подобных прогнозов.

     Третий  метод прогнозирования - экстраполяция статистических тенденций. Существует две разновидности такого метода:

     - экстраполяция временных рядов 

     - определение скользящего среднего   

     Экстраполяция - это, проще говоря, продление тенденции. Есть два основных вида экстраполяции. Первый вид - линейная экстраполяция. Второй вид экстраполяции - криволинейная экстраполяция, т. е. продление тенденции по кривой. Это - криволинейная модификация линейной экстраполяции.

     Существует  множество статистических пакетов компьютерных программ, с помощью которых проводят экстраполяцию на основании имеющихся данных.

     Прогнозирование с помощью скользящего  среднего по своей сути есть осреднение подъемов и спадов сезонных колебаний, продленное в будущее. Цель экстраполяции - сглаживание колебаний. Рассмотрим пример. Кривая инфляции изменяется от месяца к месяцу, поэтому единственный путь выявить тенденцию - это сгладить колебания путем осреднения. После получения данных по каждому очередному месяцу они осредняются, скажем, по последним трем месяцам для получения скользящего среднего на четырехмесячный период.

     S-образная форма экстраполяционной кривой применяется при прогнозах темпов замены одной технологии на другую или одного вида товара другим.

     Однако  метод S-кривой имеет определенные ограничения в применении. Вот одна из проблем. Хорошо известно, что данные ведут себя в форме S-кривой, но какова ее форма на самом деле: пологая или крутая? Какой процент внедрения на рынок может быть в конце концов достигнут?  

     Четвертая группа методов прогнозирования - прогнозирование на основе взаимосвязей. Согласно этим методам пытаются найти:

     а) ассоциативную связь между двумя  переменными, поведение одной из которых мы хотим спрогнозировать;

     б) причинную взаимосвязь между двумя или более переменными с возможным запаздыванием по времени.

     Здесь мы рассмотрим три разновидности  этого метода:

     - опережающие индикаторы 

     - корреляция и регрессия 

     - эконометрические модели  

     Опережающие индикаторы представляют собой соотношение запаздывания по времени между двумя временными рядами.

     Одним из наиболее точных опережающих индикаторов  экономического цикла считается  индекс Доу-Джонса на фондовом рынке  Нью-Йорка, который безошибочно предсказывает  каждый экономический подъем, начиная с конца второй мировой войны. Индекс FT-SE (Financial Times — Stock Exchange), рассчитываемый газетой "Файненшнл Таймс" совместно с Лондонской фондовой биржей в Великобритании, является аналогом индекса Доу-Джонса.

     Суть  опережающего индикатора может быть кратко сформулирована следующим образом:

     - тенденция, предваряющая другую  тенденцию 

     - изменение, предваряющее другое  изменение. 

     Иными словами, тенденция изменения переменной А проявляется раньше, чем у переменной В; и аналогично, изгиб кривой А опережает изгиб кривой В.

     Корреляционные  и регрессионные методы прогнозируют поведение переменной величины исходя из временной взаимосвязи между ней и другой переменной, которая может быть выражена в виде статистической зависимости, называемой регрессией или корреляцией (детали данных понятий нам здесь не понадобятся). Иначе говоря, эти методы дают возможность установить зависимость изменения одной переменной в случае изменения другой на определенную величину.

       В эконометрических моделях формируются прогнозы путем интегрирования некоторой системы уравнений. Эти уравнения могут отражать либо основные элементы экономики в целом, либо некоторые факторы, воздействующие на некоторый показатель работы организации.

     Современные методы статистического прогнозирования позволяют с высокой точностью прогнозировать практически все возможные показатели. Отметим прежде всего, что не существует универсально предпочтительных методов прогнозирования на все случаи жизни. Далее, в рамках темы дипломной работы, мы будем рассматривать методы прогнозирования временных рядов.

     Имеются две основные цели анализа временных  рядов:

     а) определение природы ряда;

     б) прогнозирование (предсказание будущих  значений временного ряда по настоящим  и прошлым значениям).

     Обе эти цели требуют, чтобы модель ряда была идентифицирована и, более или  менее, формально описана. Как только модель определена, можно с ее помощью интерпретировать рассматриваемые данные и экстраполировать затем ряд на основе найденной модели, т.е. предсказать его будущие значения.

     Современные методы статистического прогнозирования  позволяют с высокой точностью  прогнозировать практически все  возможные временные ряды.

     Формально Временной ряд - это ряд наблюдений анализируемой случайной величины , произведенных в последовательные моменты времени . В чем же состоят принципиальные отличия ряда от простой последовательности наблюдений, образующих случайную выборку? Этих отличий два:

• Во-первых, в отличие от элементов случайной выборки члены временного ряда не являются статистически независимыми.
• Во-вторых, члены временного ряда не являются одинаково распределенными, т.е. верно следующее соотношение между вероятностями .

      Трендом называют неслучайную функцию, формируемую под действием общих или долговременных тенденций, влияющих на наш ряд. Например, в качестве формирующей тенденции, может выступать фактор роста исследуемого рынка.

      Не  существует автоматического способа  обнаружения тренда в временном ряде. Однако если тренд является монотонным (устойчиво возрастает или устойчиво убывает), то анализировать такой ряд обычно нетрудно. Если временные ряды содержат значительную ошибку, то первым шагом выделения тренда является сглаживание.

      Сглаживание всегда включает некоторый способ локального усреднения данных, при котором несистематические компоненты взаимно погашают друг друга. Самый общий метод сглаживания - скользящее среднее, в котором каждый член ряда заменяется простым или взвешенным средним n соседних членов, где n - ширина окна. Вместо среднего можно использовать медиану значений, попавших в окно. Основное преимущество медианного сглаживания, в сравнении со сглаживанием скользящим средним, в том, что результаты становятся более устойчивыми к выбросам (имеющимся внутри окна). Таким образом, если в данных имеются выбросы (связанные, например, с ошибками измерений), то сглаживание медианой обычно приводит к более гладким или, по крайней мере, более надежным кривым, по сравнению со скользящим средним с тем же самым окном. Основной недостаток медианного сглаживания в том, что при отсутствии явных выбросов, он приводит к более зубчатым кривым (чем сглаживание скользящим средним) и не позволяет использовать веса.

      Относительно  реже, когда ошибка измерения очень большая, используется сглаживание методом наименьших квадратов, взвешенных относительно расстояния или метод отрицательного экспоненциально взвешенного сглаживания. Все эти методы отфильтровывают шум и преобразуют данные в относительно гладкую кривую. Ряды с относительно небольшим количеством наблюдений и систематическим расположением точек могут быть сглажены с помощь бикубических сплайнов.

      Подгонка  функции. Многие монотонные временные ряды можно адекватно приблизить линейной функцией. Если же имеется явная монотонная нелинейная компонента, то данные вначале следует преобразовать, чтобы устранить нелинейность. Обычно для этого используют логарифмическое, экспоненциальное или (менее часто) полиномиальное преобразование данных.

      Понятие сезон временного ряда или сезонная компонента используется для обозначения неслучайной функции. Данная функция формируется на основе периодически повторяющихся в определенное время года колебаний исследуемого ряда. Часто данную функцию измеряют в процентах, которые характеризуют сезонные отклонения от трендциклической компоненты.

      Периодическая и сезонная зависимость (сезонность) представляет собой другой общий  тип компонент временного ряда. Можно  легко видеть, что каждое наблюдение очень похоже на соседнее; дополнительно, имеется повторяющаяся сезонная составляющая, это означает, что каждое наблюдение также похоже на наблюдение, имевшееся в том же самом месяце год назад. В общем, периодическая зависимость может быть формально определена как корреляционная зависимость порядка k между каждым i-м элементом ряда и (ik)-м элементом. Ее можно измерить с помощью автокорреляции (т.е. корреляции между самими членами ряда); k обычно называют лагом (иногда используют эквивалентные термины: сдвиг, запаздывание). Если ошибка измерения не слишком большая, то сезонность можно определить визуально, рассматривая поведение членов ряда через каждые k временных единиц.

     Выбор метода прогнозирования и его  эффективность зависят от многих условий, и в частности, от требуемой длины или времени прогнозирования:

• Краткосрочный прогноз характеризует собой прогноз "на завтра", т.е. прогноз на несколько шагов вперед. Если подходить более формально, то под этим понятием понимается построение прогноза не более чем на 3% от наблюдений или на 1-3 шага вперед. Для данного типа прогнозов применяют практически все известные методы:

     Экспоненциальное сглаживание - достаточно простой тип моделей, основывающийся на сглаживание и прогнозирование тренда с/без сезонной составляющей.

     Экспоненциальное  сглаживание очень популярный метод  прогнозирования очень многих временных  рядов. Исторически метод был  независимо открыт Броуном и Холтом. Броун служил на флоте США во время второй мировой войны, где занимался обнаружением подводных лодок и системами наведения. Позже он применил открытый им метод для прогнозирования спроса на запасные части. Свои идеи он описал в книге, вышедшей в свет в 1959 году. Исследования Холта были поддержаны Департаментом военно-морского флота США. Независимо друг от друга, Броун и Холт открыли экспоненциальное сглаживание для процессов с постоянным трендом, с линейным трендом и для рядов с сезонной составляющей.