ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Государственное образовательное учреждение высшего  профессионального образования

«РОССИЙСКАЯ ЭКОНОМИЧЕСКАЯ АКАДЕМИЯ им. Г.В. ПЛЕХАНОВА»

ИНЖЕНЕРНО-ЭКОНОМИЧЕСКИЙ  ФАКУЛЬТЕТ 

специальность «ЭКОНОМИКА И УПРАВЛЕНИЕ НА

ПРЕДПРИЯТИИ. ГОСТИНИЧНОЕ,

РЕСТОРАННОЕ И ТУРИСТСКОЕ

ХОЗЯЙСТВО» 
 
 
 
 
 

Курсовая  работа 

      на тему:

«Прогнозирование  в индустрии гостеприимства и туризма»

 
 
 
 
 
 
 
 
 
 

                                           

              
 
 
 
 
 
 
 
 
 

Москва 2008

Содержание

Введение…………………………………………………………….……………3

 
 
 

I. Теоретическое обоснование прогнозирования в индустрии гостеприимства и туризма 

1. Сущность  и методы прогнозирования…………………………….…….….5

 

2. Понятие временных  рядов и основные этапы их анализа……………....…7

 

3. Общая характеристика STATGRAPHICS и его особенности………….....10

 
 

II. Анализ временных рядов в STATGRAPHICS…………………………..12 
 

III. Автоматическое прогнозирование временных рядов………………...22 
 
 

Заключение………………………………………………………………….…..31 

Список  использованной литературы………………………………………..32 

Приложения………………………………………………………………….….33 
 
 
 
 
 
 
 
 
 
 
 
 

Введение

 

     Прогнозирование в индустрии гостеприимства является элементом научного управления. Его  роль в современных условиях постоянно  растет. В первую очередь это напрямую связано с переходом Российской Федерации к рыночной экономике. Формирование рынка гостиничных и туристических услуг, неопределенность его  конъюнктуры, сильные колебания в спросе постоянно повышают роль прогнозирования в управлении гостиничным и туристическим бизнесом. Существуют различные методы построения прогнозов в практике: от интуитивных и экспертных до количественных, основанных на математической статистике. Вот именно поэтому при прогнозировании все большее внимание уделяется применению современных программных продуктов – универсальных статистических пакетов. Они существенно изменяют технологию прогнозирования, позволяют оперативно реагировать на изменения рыночной ситуации.

     К настоящему моменту наиболее известными являются следующие статистические пакеты: Statistical Package for the Social Sciences (SPSS) – Статистический пакет для общественных наук; Statistica – Статистика; Statgraphics Plus – Статистическая графическая система, с помощью которой в данной работе и будет построен прогноз и составлен анализ.

     Актуальность  исследуемой темы проявляется в  повсеместной необходимости использования  компьютерных технологий в анализе  и планировании хозяйственной деятельности предприятий индустрии гостеприимства. Основой для планирования этой деятельности являются данные, которые дает прогноз, построенный на базе исследований за предыдущие года. Далее проводится анализ данных, полученных при прогнозировании, таким образом, предприятия прокладывают себе путь в будущее своей хозяйственной  деятельности.

     Цель  данной работы заключается в построении прогноза по статистическим данным индустрии  гостеприимства собранным за несколько  предыдущих лет и анализ прогноза на будущий период.

     Задачи  данной работы могут быть сформулированы следующим образом: раскрытие понятия  о временных рядах и существующих в индустрии гостеприимства методах  построения прогнозов; приведение конкретного  примера с помощью программы  Statgraphics Plus -  анализ данных по ежемесячной загрузке гостиниц Северной Ирландии, выявление трендов и моделей сезонности, анализ случайности; построение прогноза с помощью функции автоматическое прогнозирование и анализ полученных данных с их дальнейшей трактовкой и выработкой конкретных рекомендаций и выводов по данной ситуации.

     Данная  курсовая работа состоит из введения, трех глав, заключения, списка использованной литературы и приложений, общий объем  которой составляет -  , не включая  приложения.

     Первая  глава «Теоретическое обоснование прогнозирования в индустрии гостеприимства и туризма» состоит из трех параграфов и описывает существующие методы прогнозирования, а также возможности программного обеспечения для прогнозирования временных рядов. Вторая глава «Анализ временных рядов в STATGRAPHICS» представляет детальный анализ временного ряда данной переменной по ежемесячной загрузке гостиниц Северной Ирландии, описана модель сезонности, тренд и приведен анализ случайности. Третья глава «Автоматическое прогнозирование временных рядов» дает на основе данных, полученных в преыдущей главе, прогноз загрузки гостиниц Северной Ирландии на 2 последующий года. В заключении данной работы сделаны выводы и представлены предложения, основанные на выводах. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

I. Теоретическое обоснование прогнозирования

в индустрии гостеприимства и туризма 

1.1 Сущность и методы  прогнозирования 

      Одной из наиболее важных функций в научном  управлении индустрией гостеприимства и туризма выступает прогнозирование. В условиях перехода Российской Федерации  к рыночной экономике роль научно-обоснованных социально-экономических прогнозов  возрастает. Главное назначение прогнозирования  в отрасли заключается в выявлении  существенных закономерностей ее изменения  и разработке гипотез о наиболее вероятностных темпах динамики различных  сегментов индустрии гостеприимства.

      Прогноз социально-экономического показателя – это некоторая вероятностная  оценка его темпов и уровня в будущем, базирующаяся на определенной гипотезе развития предприятия или отрасли. Поскольку таких гипотез, как  правило, бывает несколько, постольку  прогнозирование можно рассматривать  как научно-практическую деятельность, направленную на выявление и изучение наиболее вероятностных альтернатив  будущего развития анализируемого явления.

      Прогнозы  могут быть краткосрочными, среднесрочными и долгосрочными. В настоящее  время нет единства в понимании  временных границ прогнозирования. Судя по публикациям ВТО, наиболее распространено следующее представление о сроках прогноза в индустрии гостеприимства: краткосрочные – до года, среднесрочные  – 3-5 лет, долгосрочные – до 10 лет.

      Процесс разработки прогнозов подразделяется, как правило, на этапы:

     Анализ  динамики моделируемого показателя и выявление тенденций (тренда) изменения, циклической и сезонной составляющих и случайной компоненты;

     Отбор основных факторов, его определяющих, и исследование тенденций в их развитии;

     Обоснование метода прогнозирования и формы  связи между переменными;

     Разработка  прогноза и объективизация полученных результатов, т.е. расчет ошибок и доверительных  интервалов прогнозов;

     Содержательная  интерпретация полученных результатов  и их корректировка.

     В настоящее время имеется большое  количество методов прогнозирования  социально-экономических процессов. Метод прогнозирования – совокупность представлений и практических действий, направленных на разработку прогнозов. Используемые в индустрии гостеприимства методы можно классифицировать таким  образом: метод укрупненных технико-экономических  расчетов (нормативный метод); моделирование  и метод экспертных оценок. Моделирование  в свою очередь включает методы прогнозирования  по одному временному ряду и многофакторное прогнозирование.

     Особое  место при прогнозировании занимает нейросетевое моделирование. В последние  годы оно находит более широкое  применение.

     Как показывает опыт, ни один из перечисленных  методов, как правило, не позволяет  получить научно обоснованный прогноз. Только их совместное использование  дает достаточно достоверные оценки динамики прогнозируемых показателей  в будущем. При этом ведущую роль играет метод моделирования, особенно использование нейронных сетей.

     Начинают  разработку прогнозов с построения однофакторной модели. В качестве исходной информации берется временной  ряд значений показателя. Чем больше объем используемой информации, тем достовернее результаты ее математической обработки. Например, для прогнозирования объемов продаж на 3-5 лет необходимо изучить их предысторию за 7-10 лет.

     Цель  ретроспективного анализа заключается  в выявлении основной тенденции  изучаемого явления во времени, которая  называется трендом. Часто к тренду добавляют циклы. Отклонение фактических  значений показателя от тренда, циклической  и сезонной составляющей рассматриваются  как случайные колебания. Аддитивная модель социально-экономического показателя при однофакторном прогнозировании  предполагает, что время выступает  в качестве обобщающего показателя, отражающего всю совокупность факторов, влияющих на изучаемое явление, кроме  циклических и сезонных эффектов.

     Выделение тренда – важная задача прогнозирования, которая включает следующие этапы:

     Анализ  статистических, бухгалтерских и  иных данных с целью исключения аномальных наблюдений;

     Выделение однородных периодов в динамике прогнозируемого  показателя;

     Выбор функции выравнивания и оценка ее параметров 
 
 
 
 
 
 

2.   Понятие временных  рядов и основные  этапы их анализа

 

     Временной ряд – это последовательность упорядоченных во времени значений наблюдаемого процесса, явления. Он включает два обязательных элемента: время  и конкретное значение показателя, или уровень ряда. Существует большое  разнообразие временных рядов, описывающих  изменение экономических процессов. В качестве единицы времени выступают  год, полугодие, квартал, месяц, декада, неделя, день. Отдельные социально-экономические  показатели регистрируются за час, минуту и даже секунду. С целью упрощения  расчетов время часто представляют в виде последовательности натуральных  чисел.

     Вначале необходимо дать краткий обзор методов  анализа данных, представленных в  виде временных рядов, т.е. в виде последовательностей измерений, упорядоченных  в неслучайные моменты времени. Анализ временных рядов основывается на предположении, что последовательные значения в файле данных наблюдаются  через равные промежутки времени.

     Существуют  две основные цели анализа временных  рядов: определение природы ряда и 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 (например, использовать в теории для понимания сезонного изменения  цен на услуги сферы гостеприимства). Не обращая внимания на глубину понимания  и справедливость теории, можно экстраполировать затем ряд на основе найденной  модели, т.е. предсказать его будущие  значения.

     Как и большинство других видов анализа, анализ временных рядов предполагает, что данные содержат систематическую  составляющую (обычно включающую несколько  компонент) и случайный шум (ошибку), который затрудняет обнаружение  регулярных компонент. Большинство  методов исследования временных  рядов включает различные способы  фильтрации шума, позволяющие увидеть  регулярную составляющую более отчетливо.

     Большинство регулярных составляющих временных  рядов принадлежит к двум классам: они являются либо трендом, либо сезонной составляющей. Тренд представляет собой  общую систематическую линейную или нелинейную компоненту, которая  может изменяться во времени. Сезонная составляющая - это периодически повторяющаяся  компонента. Оба эти вида регулярных компонент часто присутствуют в  ряде одновременно. Например, продажи  номеров гостиницы могут возрастать из года в год, но они также содержат сезонную составляющую.

     Эту общую модель можно понять на "классическом" ряде - Ряд G (Бокс и Дженкинс, 1976, стр. 531), представляющем месячные международные авиаперевозки (в тысячах) в течение 12 лет с 1949 по 1960. График месячных перевозок ясно показывает почти линейный тренд, т.е. имеется устойчивый рост перевозок из года в год (примерно в 4 раза больше пассажиров перевезено в 1960 году, чем в 1949). В то же время характер месячных перевозок повторяется, они имеют почти один и тот же характер в каждом годовом периоде (например, перевозок больше в отпускные периоды, чем в другие месяцы). Этот пример показывает довольно определенный тип модели временного ряда, в которой амплитуда сезонных изменений увеличивается вместе с трендом. Такого рода модели называются моделями с мультипликативной сезонностью.