Курсовая работа (т): Построение трендовой модели

Построение трендовой модели

Содержание

 

Введение

1. Проверка гипотезы на наличие тенденции

2. Обоснование периода упреждения прогноза

3. Выбор оптимальной прогнозной модели по коэффициенту детерминации

4. Получение точечного и интервального прогноза

Заключение

Список литературы

Введение

Для большинства российских организаций высококвалифицированное управление становится одним из условий конкурентной способности и успешного функционирования. При этом обеспечение эффективности такого управления требует умения предвидеть вероятное будущее состояние организации и среды, в которой оно существует, вовремя предупредить возможные сбои и срывы в работе. Это достигается с помощью прогнозирования как плановой, так и практической работы организации по всем направлениям его деятельности, и в частности, в области прогнозирования реализации товаров, работ, услуг.

Многообразие проблем, возникающих при обеспечении жизнедеятельности организации и являющихся предметом прогнозирования, приводит к появлению большого количества разнообразных прогнозов, разрабатываемых на основе определенных методов прогнозирования. Поскольку современная экономическая наука располагает большим количеством разнообразных методов прогнозирования, каждый менеджер и специалист по планированию должен овладеть навыками прикладного прогнозирования, а руководитель, ответственный за принятие стратегических решений, должен к тому же уметь сделать правильный выбор метода прогнозирования.

Источником данных для построения трендовой модели изменения объемов грузооборота предприятий транспорта (таблица 1) является официальный сайт Федеральной службы государственной статистики РФ (Росстат).

трендовая прогнозная модель детерминация

Таблица 1

Изменение объемов грузооборота предприятий транспорта в РФ, (млн. тонн)

Год	Грузооборот
1994	3724
1995	3688
1996	3520
1997	3384
1998	3267
1999	3461
2000	3638
2001	3755
2002	3976
2003	4284
2004	4558
2005	4676
2006	4801
2007	4915
2008	4948
2009	4446
2010	4751
2011	4915
2012	5505
2013	5915

Первая задача, которая возникает при анализе рядов динамики, заключается в выявлении основной тенденции развития изучаемого явления (тренда).

Задача - необходимо построить математическую модель прогноза "Изменение объема грузооборота предприятий транспорта в 2014 г.".

В зависимости от горизонта прогнозирования прогноз может разрабатываться на очень короткий период времени - до месяца (например, недельные и месячные прогнозы объемов продаж, движения наличности), на год, а также на 2-3 года (среднесрочный прогноз), 5 и более лет (долгосрочный прогноз). В нашем случае прогноз будет среднесрочный.

По типам прогнозирования выделяют поисковые, нормативные и основанные на творческом видении прогнозы. Поисковое прогнозирование - способ научного прогнозирования от настоящего к будущему: прогнозирование начинается от сегодняшнего дня, опирается на имеющуюся информацию и постепенно проникает в будущее. Существуют два вида поискового прогнозирования: а) экстраполятивное (традиционное), б) альтернативное (новаторское).

Экстраполятивный подход предполагает, что экономическое и прочее развитие происходит гладко и непрерывно, поэтому прогноз, может быть простой проекцией (экстраполяцией) прошлого в будущее.

Альтернативный подход базируется на том, что внешняя и внутренняя среда бизнеса подвержена постоянным изменениям, вследствие чего: а) развитие организации происходит не только гладко и непрерывно, но и скачкообразно и прерывисто, б) существует определенное число вариантов будущего развития организации.

В зависимости от степени вероятности будущих событий прогнозы делятся на вариантные и инвариантные.

Инвариантный прогноз предполагает только один вариант развития будущих событий. Он возможен в условиях высокой степени определенности будущей среды.

Вариантный прогноз основывается на предположении о значительной неопределенности будущей среды и, следовательно, наличии нескольких вероятных вариантов развития.

По способу представления результатов прогнозы делятся на точечные и интервальные.

Точечный прогноз исходит из того, что данный вариант развития включает единственное значение прогнозируемого показателя.

Интервальный прогноз - это такое предсказание будущего, в котором предполагается некоторый интервал, диапазон значений прогнозируемого показателя.

Единого, универсального, метода прогнозирования не существует. В связи с огромным разнообразием прогнозируемых ситуаций имеется и большое разнообразие методов прогнозирования (свыше 150).

Группа простых методов объединяет однородные по содержанию и используемому инструментарию методы прогнозирования (например, экстраполяция тенденций, морфологический анализ и др.).

Комплексные методы отражают совокупности, комбинации методов, чаще всего реализуемые специальными прогностическими системами (например, методы прогнозного графа, система "Паттерн" и др.).

Кроме того все методы прогнозирования поделены еще на три класса: а) фактографические методы; б) экспертные методы; в) комбинированные методы. В основу их выделения положен характер информации, на базе которой составляется прогноз:

) фактографические методы базируются на фактическом информационном материале о прошлом и настоящем развитии объекта прогнозирования. Типы прогнозирования:

а) поисковые,

б) нормативные,

в) основанные на творческом видении.

Степень вероятности будущих событий:

а) вариантные,

б) инвариантные.

Способ представления результатов прогноза:

а) точечные,

б) интервальные

Не стоит отказывать себе в возможности прогнозирования с применением несложных статистических методов, при правильном использовании они показывают результаты достаточно высокой степени точности. Средняя точность таких прогнозов обычно убывает увеличением горизонта прогнозирования. В определенном смысле можно говорить о правиле "длиннее прогнозы больше ошибки". Каждая из потенциальных составляющих прогноза - экстраполяция временных рядов и связей между ними, внешняя информация, а также мнения экспертов - "ухудшается" при удлинении горизонта прогнозирования. Для прогнозирования отдаленных периодов будущего необходимо применение иных методов.

1. Проверка гипотезы на наличие тенденции

Тенденция - это основное направление, закономерность в развитии явления процессов.

Тренд - это аналитическая функция, которая описывает тенденцию изменения явления и связывает единым законом развития все последующие уровни ряда динамики.

Для облегчения восприятия построим график изменения грузооборота предприятий транспорта в России с 1994 г. По 2013 г. (рисунок 1).

Рисунок 1. График изменения грузооборота предприятий транспорта с 1994-2013 гг.

Анализируя данные в целом можно сказать, что объем грузооборота показывает тенденцию к росту за указанный период, и эту общую тенденцию (движения на повышение или понижение) принято называть трендом.

Тренд, однако, не является единственной составляющей ряда. На фоне отчетливого повышения отклика можно выделить периоды ускоренного и замедленного роста, а иногда и падения объема грузооборота. Считается, что тренд осложнен существованием циклической компоненты (циклической составляющей) и нерегулярной компоненты. При анализе рядов с более коротким шагом (квартальные или месячные данные) могут обнаружится и короткопериодичные отклонения от тренда, повторяющиеся с той или иной устойчивостью из года в год; эти отклонения объясняют существованием сезонной компоненты в отклике.

Факторов, влияющих на значения данного временного ряда очень много, например: гос. программы, изменение численности персонала, благосостоянии, системе ценностей и т.д.

Прежде чем перейти к выделению тренда, следует проверить гипотезу о том, существует ли он вообще. Проверку проведем методом разности средних уровней.

Метод заключается в том, что весь исходный ряд динамики разбивается на две, приблизительно равные части, каждая из которых рассматривается как самостоятельная независимая нормально распределенная совокупность. Если исходный ряд имеет тенденцию, то средние вычисленные для двух совокупностей должны существенно и значимо различаться между собой. Если расхождение между средними не значимо и случайно, то в ряду динамики отсутствует тенденция среднего уровня. Выдвигается гипотеза

 о равенстве средних двух нормально распределенных совокупностей. Проверка гипотезы осуществляется на основе расчета и анализа t-критерия Стьюдента, расчетное значение которого определяется по формуле вида t расч. =  (1)

Проведем проверку:

. Исходный ряд разбиваем на две приблизительно равные части, т.е. n₁~ n₂, n₁ +n₂ = n;

. Для каждой части вычисляем средние значение уровней показателя y₁ и y₂:

;  (2)

Таблица 2. Исходные данные

Y1,	3724	3688	3520	3384	3267	3461	3638	3755	3976	4284
Y2	4558	4676	4801	4915	4948	4446	4751	4915	5505	5915

и дисперсии S₁, S₂:

 (3)

Таблица 3. Вычисление средних значений уровней показателей исходных данных

3724	55	3025	4558	-385	148225
3688	19	361	4676	-267	71289
3520	-149	22201	4801	-142	20164
3384	-285	81225	4915	-28	784
3267	-402	161604	4948	5	25
3461	-208	43264	4446	-497	247009
3638	-31	961	4751	-192	36864
3755	86	7396	4915	-28	784
3976	307	94249	5505	562	315844
4284	615	378225	5915	972	944784
7925111785772

. Проводим проверку с использованием t - критерия Стьюдента

Необходимое значение S определяем по формуле средней взвешенной величины дисперсий отдельных совокупностей:

; ; ; ;

 при  и

Если t расчетное больше t критического, то гипотеза о равенстве средних двух нормально распределенных совокупностей отвергается, следовательно, средние различаются существенно, следовательно, существует тенденция средней и, следовательно, существует тренд. С помощью данного метода мы проверили нулевую гипотезу  о равенстве дисперсий двух нормально распределенных совокупностей. Данная гипотеза означает, что если дисперсии вычисленные для двух совокупностей существенно, значимо различаются между собой, то в целом в ряду динамики существует тенденция дисперсии и, следовательно, существует тренд.

Так как  делаем вывод о наличии тренда.

2. Обоснование периода упреждения прогноза

Период основания прогноза - промежуток времени, на базе которого строится ретроспекция.

Период упреждения прогноза - промежуток времени, на который разрабатывается прогноз.

Считается, что период упреждения прогноза не должен превышать 1/3 периода основания прогноза, либо должен быть достаточен для разработки прогноза. Иначе доверительные интервал для линии тренда, а следовательно, и для прогностических оценок окажутся весьма широкими. Поэтому, задавшись некоторыми ограничениями на размер ошибки прогноза или ошибки уравнения тренда, можно найти минимальное число наблюдений, при котором поставленное условие будет соблюдено.

 (4)

 - представляет собой среднюю квадратическую ошибку уравнения, измеренную в единицах среднеквадратического отклонения от тренда.

Допустим, что средняя квадратическая ошибка не должна превышать 1 при . Тогда

, откуда

Так как по исходным данным мы имеем , то делаем вывод, что этих данных будет достаточно для построения прогноза.

3. Выбор оптимальной прогнозной модели по коэффициенту детерминации

Для выбора оптимальной прогнозной модели рассмотрим четыре модели линейную, степенную, логарифмическую и экспоненциальную. Определим для каждой из них коэффициент детерминации и величину стандартной ошибки.

Модель линейная

Линейный метод наименьших квадратов позволяет по серии наблюдений установить параметры линейного уравнения вида

 (5)

где  - теоретические уровни;  - средний спрос;  - среднегодовой абсолютный прирост;  - обозначение времени.

Для определения параметров а и b способом наименьших квадратов воспользуемся формулами:

 (6)   (7)

и далее:

 - величина стандартной ошибки (8)

 - полная дисперсия зависимой переменной (9)

 - коэффициент детерминации (10)

 - дисперсия прогноза (11)

Таблица 4. Расчет параметров линейной модели

Год
1994	1	3724	3724	1	3204	520	270400		-9,5		90,25		338724
1995	2	3688	7376	4	3320	368	135424		-8,5		72,25		381924
1996	3	3520	10560	9	3436	84	7056		-7,5		56,25		617796
1997	4	3384	13536	16	3552	-168	28224		-6,5		42,25		850084
1998	5	3267	16335	25	3668	-401	160801		-5,5		30,25		1079521
1999	6	3461	20766	36	3784	-323	104329		-4,5		20,25		714025
2000	7	3638	25466	49	3900	-262	68644		-3,5		12,25		446224
2001	8	3755	30040	64	4016	-261	68121		-2,5		6,25		303601
2002	9	3976	35784	81	4132	-156	24336		-1,5		2,25		108900
2003	10	4284	42840	100	4248	36	1296		-0,5		0,25		484
2004	11	4558	50138	121	4364	194	37636		0,5		0,25		63504
2005	4676	56112	144	4480	196	38416		1,5		2,25		136900
2006	13	4801	62413	169	4596	205	42025		2,5		6,25		245025
2007	14	4915	68810	196	4712	203	41209		3,5		12,25		370881
2008	15	4948	74220	225	4828	120	14400		4,5		20,25		412164
2009	16	4446	71136	256	4944	-498	248004		5,5		30,25		19600
2010	17	4751	80767	289	5060	-309	95481		6,5		42,25		198025
2011	18	4915	88470	324	5176	-261	68121		7,5		56,25		370881
2012	19	5505	104595	361	5292	213	45369		8,5		72,25		1437601
2013	20	5915	118300	400	5408	507	257049		9,5		90,25		2588881
2108612798138828708612071756341066510684745
44100
21
10,5
430610,5110,2597575293,46323,585623550,91

По формуле (6)

По формуле (7)

Уравнение тренда имеет вид:

По формулам (8), (9), (10) соответственно

Коэффициент детерминации будет иметь значение

Для наглядности построим график изменения грузооборота и добавим линию тренда (тип линейный) рисунок 2.

Рисунок 2. График изменения грузооборота предприятий транспорта с 1994-2013 гг. с изображением тренда (тип линейный)

 

Модель степенная

 

 (12)

Для ускорения расчетов и минимизации человеческого фактора при длинных расчетах, построим вычисления с помощью Excel.

Таблица 4. Расчеты параметров степенной модели

год
1994	1	3724		8,22	0	0			0		2997,72	729,28				531855,68		309406,31
1995	2	3688		8,21	0,69	5,69			0,48		3357,32	330,68				109349,45		350751,81
1996	3	3520		8,17	1,10	8,97			1,21		3589,46	-69,46				4824,04		577969,46
1997	4	3384		8,13	1,39	11,27			1,92		3763,83	-379,83				144269,59		803251,57
1998	5	3267		8,09	1,61	13,02			2,59		3904,90	-637,90				406910,38		1026661,44
1999	6	3461		8,15	1,79	14,60			3,21		4024,07	-563,07				317049, 20		671159,14
2000	7	3638		8, 20	1,95	15,95			3,79		4127,67	-489,67				239773,05		412476,11
2001	8	3755		8,23	2,08	17,12			4,32		4219,56	-464,56				215813,77		275880,24
2002	9	3976		8,29	2, 20	18,21			4,83		4302,31	-326,31				106476,97		92563,82
2003	10	4284		8,36	2,30	19,26			5,30		4377,71	-93,71				8780,64		14,11
2004	11	4558		8,42	2,40	20, 20			5,75		4447,05	110,95				12310,43		77148,93
2005	12	4676		8,45	2,48	21,00			6,17		4511,31	164,69				27122,46		156623,58
2006	13	4801		8,48	2,56	21,74			6,58		4571,25	229,75				52786,27		271187,82
2007	14	4915		8,50	2,64	22,43			6,96		4627,45	287,55				82685,30		402916,41
2008	15	4948		8,51	2,71	23,04			7,33		4680,39	267,61				71613,35		445899,37
2009	16	4446		8,40	2,77	23,29			7,69		4730,47	-284,47				80921,56		27475,37
2010	17	4751		8,47	2,83	23,99			8,03		4777,99	-26,99				728,58		221612,13
2011	18	4915		8,50	2,89	24,57			8,35		4823,24	91,76				8420,42		402916,41
2012	19	5505		8,61	2,94	25,36			8,67		4866,43	638,57				407772,29		1500029,64
2013	20	5915		8,69	3,00	26,02			8,97		4907,76	1007,24				1014525,72
21086127167,0742,34355,73102,1685605522,143843989,1410698374,03
44100=665
21
10,5
4280,2410,5110,252994,71213554,95462,12189,06563072,320,76

По формуле (6)

По формуле (7)

Уравнение тренда имеет вид:

По формулам (8), (9), (10) соответственно

,

Коэффициент детерминации будет иметь значение .

Для наглядности построим график изменения грузооборота и добавим линию тренда (тип степенной) рисунок 3.

Рисунок 3. График изменения грузооборота предприятий транспорта с 1994-2013 гг. с изображением тренда (тип степенной).

Модель экспоненциальная простая

 (13)

Таблица 5. Расчет параметров экспоненциальной модели

Год t
1994	1	3724		8,22		8,22		1	3294,50		184472,32		90,25	327306,87
1995	2	3688		8,21		16,43		4	3383,64		92635,23		72,25	369794,60
1996	3	3520		8,17		24,50		9	3475, 19		2007,61		56,25	602342,69
1997	4	3384		8,13		32,51		16	3569,22		34308,29		42,25	831939,90
1998	5	3267		8,09		40,46		25	3665,80		159041,87		30,25	1059062,03
1999	6	3461		8,15		48,90		36	3764,99		92409,46		20,25	697404,36
2000	7	3638		8, 20		57,39		49	3866,86		52377,72		12,25	433105,34
2001	8	3755		8,23		65,85		64	3971,49		46868,26		6,25	292797,21
2002	9	3976		8,29		74,59		81	4078,95		10598,87		2,25	102468,74
2003	10	4284		8,36		83,63		100	4189,32		8964,59		0,25	146,59
2004	11	4558		8,42		92,67		121	4302,67		65192,15		0,25	68587,74
2005	12	4676		8,45		101,40		144	4419,09		66000,92		2,25	144318,39
2006	13	4801		8,48		110, 20		169	4538,66		68819,78		6,25	254916,54
2007	14	4915		8,50		119,00		196	4661,47		64276,80		12,25	383028,06
2008	15	4948		8,51		127,60		225	4787,60		25727,93		20,25	424963,97
2009	16	4446		8,40		134,40		256	4917,14		221975,67		30,25	22467,79
2010	17	4751		8,47		143,92		289	5050, 19		89514,83		42,25	206927,28
2011	18	4915		8,50		153,00		324	5186,84		73895,69		56,25	383028,06
2012	19	5505		8,61		163,65		361	5327,18		31619,13		72,25	1461421,33
2013	20	5915		8,69		173,70		400	5471,32		196847,98		90,25	2620813,27
21086127167,071772,02287085922,151587555,1066510686840,77
4410
665
10,58,073207,700,03
4296,1110,5110,25
							88197,51			296,98		327,46	562465,30		0,92

По формуле (6)

По формуле (7)

Уравнение тренда имеет вид:

По формулам (8), (9), (10) соответственно

Коэффициент детерминации будет иметь значение

Для наглядности построим график изменения спроса и добавим линию тренда (тип экспоненциальный) рисунок 4.

Рисунок 4. График изменения грузооборота предприятий транспорта с 1994-2013 г. г. с изображением тренда (тип экспоненциальный).

Логарифмическая модель

 (14)

Таблица 6. Расчет параметров логарифмической модели

Год t
1994	1	3724		0	0		0		2804,09	919,91		846238,14		339131,52			-9,5	90,25
1995	2	3688		0,69	2556,33		0,48		3296,01	391,99		153657,06		382356,72			-8,5	72,25
1996	3	3520		1,10	3867,12		1,21		3583,76	-63,76		4065,86		618346,32			-7,5	56,25
1997	4	3384		1,39	4691,22		1,92		3787,93	-403,93		163159,23		850728,52			-6,5	42,25
1998	5	3267		1,61	5258,03		2,59		3946,29	-679,29		461438,83		1080248,42			-5,5	30,25
1999	6	3461		1,79	6201,28		3,21		4075,69	-614,69		377837,66		714616,62			-4,5	20,25
2000	7	3638		1,95	7079,22		3,79		4185,08	-547,08		446691,72			-3,5	12,25
2001	8	3755		2,08	7808,30		4,32		4279,85	-524,85		275468,17		303986,82			-2,5	6,25
2002	9	3976		2, 20	8736,16		4,83		4363,44	-387,44		150109,97		109131,12			-1,5	2,25
2003	10	4284		2,30	9864,27		5,30		4438,21	-154,21		23781,89		499,52			-0,5	0,25
2004	11	4558		2,40	10929,61		5,75		4505,85	52,15		2719,14		63327,72			0,5	0,25
2005	12	4676		2,48	11619,42		6,17		4567,61	108,39		11749,28		136641,12			1,5	2,25
2006	13	4801		2,56	12314,32		6,58		4624,41	176,59		31183,48		244678,62			2,5	6,25
2007	14	4915		2,64	12970,97		6,96		4677,01	237,99		56641,45		370454,82			3,5	12,25
2008	15	4948		2,71	13399,43		7,33		4725,97	222,03		49297,75		411714,72			4,5	20,25
2009	16	4446		2,77	12326,93		7,69		4771,77	-325,77		106127,07		19502,12			5,5	30,25
2010	17	4751		2,83	13460,60		8,03		4814,80	-63,80		4069,97		197713,62			6,5	42,25
2011	18	4915		2,89	14206,18		8,35		4855,36	59,64		3556,79		370454,82			7,5	56,25
2012	19	5505		2,94	16209,14		8,67		4893,73	611,27		373648,30		1436761,82			8,5	72,25
2013	20	5915		3,00	17719,76		8,97		4930,13	984,87		969959,76		2587754,82			9,5	90,25
2108612742,34191218,29102,1686127,000,004364011,2110684742,550655
44100;
10,5
4306,3510,5110,25242445,07492,39542,92562354,870,75
665

По формуле (6)

По формуле (7)

Уравнение тренда имеет вид:

По формулам (8), (9), (10) соответственно

Коэффициент детерминации будет иметь значение

Для наглядности построим график изменения спроса и добавим линию тренда (тип логарифмический) рисунок 5.

Рисунок 5. График изменения грузооборота предприятий транспорта с 1994-2013 гг. с изображением тренда (тип логарифмический).

Полученные данные сведем в таблицу:

Таблица 7. Сводные данные по типам моделей

Тип линии тренда	Уравнение тренда	r-коэф. детерминации	станд. ошибка
Линейная	0,9197575
Степенная	0,79213554,95
Экспоненциальная простая	0,9288197,51
Логарифмическая	0,75242445,07

Итак, мы рассмотрели четыре вида регрессии: линейная, степенная, экспоненциальная простая, логарифмическая. Анализируя величину стандартной ошибки и коэффициент детерминации можно сделать вывод, что лучшей моделью описывающей исходные данные является экспоненциальная простая. Но однозначно этого сказать нельзя, поскольку проверить качество прогноза можно будет только в будущем, сравнив предсказанное значение с реальностью. И все таки следует ожидать, что модель, хорошо описывающая существующие данные, будет также хорошо прогнозировать.

4. Получение точечного и интервального прогноза

Для получения более точного прогноза и выбора наилучшего результата рассчитаем и сравним прогноз наилучшей модели - экспоненциальная простая с менее удачной моделью - линейной.

Получим точечный и интервальный прогноз экспоненциальной простой модели:

,

Таблица 5. Расчеты параметров экспоненциальной модели

Год t
1994	1	3724	8,22	8,22	1	3294,50	184472,32	90,25	327306,87
1995	2	3688	8,21	16,43	4	3383,64	92635,23	72,25	369794,60
1996	3	3520	8,17	24,50	9	3475, 19	2007,61	56,25	602342,69
1997	4	3384	8,13	32,51	16	3569,22	34308,29	42,25	831939,90
1998	5	3267	8,09	40,46	25	3665,80	159041,87	30,25	1059062,03
1999	6	3461	8,15	48,90	36	3764,99	92409,46	20,25	697404,36
2000	7	3638	8, 20	57,39	49	3866,86	52377,72	12,25	433105,34
2001	8	3755	8,23	65,85	64	3971,49	46868,26	6,25	292797,21
2002	9	3976	8,29	74,59	81	4078,95	10598,87	2,25	102468,74
2003	10	4284	8,36	83,63	100	4189,32	8964,59	0,25	146,59
2004	11	4558	8,42	92,67	121	4302,67	65192,15	0,25	68587,74
2005	12	4676	8,45	101,40	144	4419,09	66000,92	2,25	144318,39
2006	13	4801	8,48	110, 20	169	4538,66	68819,78	6,25	254916,54
2007	14	4915	8,50	119,00	196	4661,47	64276,80	12,25	383028,06
2008	15	4948	127,60	225	4787,60	25727,93	20,25	424963,97
2009	16	4446	8,40	134,40	256	4917,14	221975,67	30,25	22467,79
2010	17	4751	8,47	143,92	289	5050, 19	89514,83	42,25	206927,28
2011	18	4915	8,50	153,00	324	5186,84	73895,69	56,25	383028,06
2012	19	5505	8,61	163,65	361	5327,18	31619,13	72,25	1461421,33
2013	20	5915	8,69	173,70	400	5471,32	196847,98	90,25	2620813,27
21086127167,071772,02287085922,151587555,1066510686840,77
4410665
10,58,073207,700,03
4296,1110,5110,25
				88197,51	296,98	327,46	562465,30	0,92
1,84	602,53

По формуле (11) дисперсия прогноза равна:

Получим точечный и интервальный прогноз линейной модели:

По формуле (11) дисперсия прогноза равна:

Таблица 8. Расчет параметров линейной модели

Год
1994	1	3724	3724	1	3204	520	270400	-9,5	90,25	338724
1995	2	3688	7376	4	3320	368	135424	-8,5	72,25	381924
1996	3	3520	10560	9	3436	84	7056	-7,5	56,25	617796
1997	4	3384	13536	16	3552	-168	28224	-6,5	42,25	850084
1998	5	3267	16335	25	3668	-401	160801	-5,5	30,25	1079521
1999	6	3461	20766	36	3784	-323	104329	-4,5	20,25	714025
2000	7	3638	25466	49	3900	-262	68644	-3,5	12,25	446224
2001	8	3755	30040	64	4016	-261	68121	-2,5	6,25	303601
2002	9	3976	35784	81	4132	-156	24336	-1,5	2,25	108900
2003	10	4284	42840	100	4248	36	1296	-0,5	0,25	484
2004	11	4558	50138	121	4364	194	37636	0,5	0,25	63504
2005	12	4676	56112	144	4480	196	38416	1,5	2,25	136900
2006	13	4801	62413	169	4596	205	42025	2,5	6,25	245025
2007	14	4915	68810	196	4712	203	41209	3,5	12,25	370881
2008	15	4948	74220	225	4828	120	14400	4,5	20,25	412164
2009	16	4446	71136	256	4944	-498	248004	5,5	30,25	19600
2010	17	4751	80767	289	5060	-309	95481	6,5	42,25	198025
2011	18	4915	88470	324	5176	-261	68121	7,5	56,25	370881
2012	19	5505	104595	361	5292	213	45369	8,5	72,25	1437601
2013	20	5915	118300	400	5408	507	257049	9,5	90,25	2588881
2108612798138828708612071756341066510684745
44100

10,5
430610,5110,2597575293,46323,585623550,91
	3088	116			1,90	615

Анализируя полученные данные совершенно ясно, что лучшей моделью в нашем случае оказалась модель экспоненциальная простая, и именно результаты прогноза по этой модели следует считать лучшими, наиболее достоверными.

 

Заключение

В прогнозировании много определяется субъективизмом исследователя, как его опытом и интуицией, так и его же предрассудками и заблуждениями. Поэтому прогнозы любых специалистов должны постоянно перепроверяться, а когда получаются новые данные, то необходимо не только включить их в выбранную модель прогноза, но и пересчитать все рассматриваемые модели, и не исключено, что для новых прогнозов даже придется отказаться от привычной модели в пользу лучшей.

Наряду с исходными статистическими данными стоит обращать внимание и на другие аспекты, которые, пожалуй, так же обладают большими весомыми характеристиками при составлении прогнозов, например: изменения государственных программ, численности сотрудников, благосостоянии, системе ценностей и т.д.

Прогнозирование проводилось с использованием метода наименьших квадратов.

Среди рассмотренных нами моделей наилучшей по всем показателям выделилась экспоненциальная модель. Она имеет наименьшую величину стандартной ошибки и коэффициент детерминации - 0,92, а так же сравнительно небольшой доверительный интервал. Однако при анализе отклонений прогнозных значений от исходных данных проявляется выраженный тренд в значениях ошибок, что говорит о некорректном учете трендовой составляющей моделируемого процесса.

Хотя экспоненциальная модель лучше описывает исходные данные и имеет лучшие показатели, предпочтение отдадим линейной модели.

С помощью найденного уравнения осуществлены точечный и интервальный прогноз объемов грузооборота преприятий транспорта в РФ в 2014 году. С вероятностью 92 % можно утверждать, что объем перевозок грузов авиатранспортом в РФ в 2014 году будет находиться в интервале от 5016,84 до 6221,9 млн тонно.

В данном случае следует либо провести исследования с большим периодом ретроспекции, либо попробовать построить прогноз другими методами, что позволит получить более достоверный прогноз.

Список литературы

1. Голик Е.С. Теория и методы статистического прогнозирования: Учебное пособие /Е.С. Голик, О.В. Афанасьева. - СПб.: Изд-во СЗТУ, 2007. - 182 с.

2. Четыркин Е.М. Статистические методы прогнозирования. изд.2-е, перераб. и доп.М., "Статистика”, 1977. - 200 с.: http://uran. donetsk.ua/~masters/2001/fvti/zcherkasova/diss/bibl/index. htm <http://uran.donetsk.ua/~masters/2001/fvti/zcherkasova/diss/bibl/index.htm>

. Орлов А.И. Основы теории принятия решений. - М.: 2002. - 51 с: http://orlovs. pp.ru/ <http://orlovs.pp.ru/>

. Статистика: Учебник / И.И. Елисеева. - М.: Высшее образование, 2009.

. Практикум по теории статистики: Учебное пособие / Р.А. Шмойлова, В.Г. Минашкин, Н.А. Садовникова; под ред.Р.А. Шмойловой. - 3-е изд. - М.: Финансы и статистика, 2008.

. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и прогнозирование. Учебное пособие. / Московский государственный университет экономики, статистики и информатики - М., 2001 г., 67 с.

. Официальный сайт федеральной службы государственной статистики - <http://www.gks.ru/>