Экономические науки
Михайлова С.А.
Курский государственный технический университет
Учет сезонной компоненты при
прогнозировании объема продаж мясоперерабатывающего предприятия
Основная
цель изучения конъюнктуры товарного рынка — установить, в какой мере
деятельность предприятий влияет на состояние рынка, на его развитие в ближайшем
будущем и какие меры следует принять, чтобы полнее удовлетворить спрос
населения, более рационально использовать имеющиеся у предприятия возможности.
Постоянное изучение и прогнозирование конъюнктуры - необходимое условие
успешной деятельности предприятия на рынке. При этом полное представление о
перспективах развития рынка позволяет определить дальнейшую линию развития
отрасли, оценить необходимость радикальных преобразований в производстве и
сбыте товаров.
Конъюнктуру рынка
определяют, в первую очередь, его участники. Основа системы планирования в
условиях рынка – составление прогнозов сбыта участников рынка. Объект
исследования (предприятие ЗАО “Суджанский мясокомбинат”) выбран методом
кластер-анализа, а именно из совокупности мясоперерабатывающих предприятий
(десяти) с применением показателей, характеризующих уровень производственных
возможностей, при использовании пакета Statistica 6.0 образованы три кластера
предприятий. Нами выбран второй кластер (он характеризуется средними значениями
показателей), а предприятие ЗАО “Суджанский мясокомбинат” является наиболее представительным
во втором кластере.
Главный планируемый показатель на предприятии –
объём продаж (реализации) выпускаемой продукции. В качестве исходной для
прогнозирования была использована информация об объемах сбыта мяса и
мясопродуктов предприятия за два года (2003-2004 гг.). Данная статистика
характеризуется тем, что значения объема продаж имеют выраженный сезонный
характер с возрастающим трендом.
Для динамического развития рынка характерно
явление цикличности, т.е. повторяемости тенденций и интенсивности развития. Это
явление обусловлено как внешними факторами, так и глубинными внутренними
свойствами рынка. Различаются внутригодовая, сезонная цикличность, или
сезонность, и экономическая цикличность, охватывающая несколько лет и
отражающая закономерности действия рыночного механизма. Сезонные колебания
рынка обусловлены сезонностью сельскохозяйственного производства,
сезонно-климатическими изменениями потребностей, вакационными сезонами и т.п.
Сезонность на рынке — внутригодовые и постоянно повторяющиеся колебания спроса
и предложения.
Сезонные изменения объёма продаж мяса и мясопродуктов предприятия объясняются
тем, что оно в основном работает по получению производственных заказов и
заключению договоров на поставку продукции потенциальным покупателям (пик
заказов продукции приходится на праздники); спад производства проявляется
осенью в связи с увеличением мясных продуктов в сельской местности; а также
спад выпуска продукции происходит за счёт неритмичной работы предприятия, так
как бывают сбои в поступлении скота. Сезонный характер сбыта мясопродуктов на
предприятии создаёт ряд организационно-технических и экономических проблем:
образования незначительных товарных запасов, неравномерности нагрузки на работников
торговли и торговое оборудование, простои транспортных средств и т.д.
Исходная для прогноза информация представлена в таблице
1.
№ |
месяц |
объём продаж (тыс.руб.) |
№ |
месяц |
объём продаж (тыс.руб.) |
1 |
апрель |
4500 |
1 |
апрель |
4355 |
2 |
май |
4735 |
2 |
май |
5720 |
3 |
июнь |
3026 |
3 |
июнь |
2640 |
4 |
июль |
3258 |
4 |
июль |
2150 |
5 |
август |
2507 |
5 |
август |
2300 |
6 |
сентябрь |
1199 |
6 |
сентябрь |
1498 |
7 |
октябрь |
1049 |
7 |
октябрь |
2670 |
8 |
ноябрь |
2753 |
8 |
ноябрь |
2049 |
9 |
декабрь |
3105 |
9 |
декабрь |
4238 |
10 |
январь |
4232 |
10 |
январь |
5100 |
11 |
февраль |
4103 |
11 |
февраль |
4852 |
12 |
март |
4400 |
12 |
март |
5600 |
Необходимо
использовать тригонометрическую функцию с учётом сезонности, что позволяет
сократить ошибку прогнозной модели:
. (1)
На рисунке 1
показано, что тригонометрическая функция относительно адекватно описывает
фактические данные (S=405,2; R2=0,87). Применение других
типов тренда (логарифмический, степенной, экспоненциальный, скользящее среднее,
полиномиальный) не дает такого эффективного результата. Они неудовлетворительно
аппроксимируют фактические значения, коэффициенты их детерминации малы.
Рис.
1. Динамика объёма производства и аппроксимирующая
функция
Далее
определяются величины сезонной компоненты (табл. 2).
Таблица 2
Расчёт значений сезонной компоненты (тыс.
руб.)
месяцы |
объём продаж |
значение тренда (T) |
сезонная компонента (S) |
1 |
4500 |
4786.012096 |
-286.0120964 |
2 |
4735 |
693.7837967 |
4041.216203 |
3 |
3026 |
3288.682727 |
-262.6827271 |
4 |
3258 |
2486.70783 |
771.2921696 |
5 |
2507 |
1938.955764 |
568.0442362 |
6 |
1199 |
1792.050888 |
-593.0508883 |
7 |
1049 |
2085.317261 |
-1036.317261 |
8 |
2753 |
2740.252221 |
12.74777936 |
9 |
3105 |
3581.540282 |
-476.5402822 |
10 |
4232 |
4383.982251 |
-151.9822506 |
11 |
4103 |
4932.777402 |
-829.7774015 |
12 |
4400 |
5081.022157 |
-681.0221574 |
13 |
4355 |
4789.033797 |
-434.033797 |
14 |
5720 |
4134.972877 |
1585.027123 |
15 |
2640 |
3293.920918 |
-653.9209184 |
16 |
2150 |
2491.013914 |
-341.0139138 |
17 |
2300 |
1941.17707 |
358.8229295 |
18 |
1498 |
1791.59281 |
-293.5928103 |
19 |
2670 |
2082.302418 |
587.6975819 |
20 |
2049 |
2735.487638 |
-686.4876381 |
21 |
4238 |
3576.301361 |
661.6986387 |
22 |
5100 |
4379.671366 |
720.3286344 |
23 |
4852 |
4930.548507 |
-78.54850658 |
24 |
5600 |
5081.471892 |
518.5281084 |
Значения сезонной компоненты
корректируются таким образом, чтобы их сумма была равна нулю. Затем
рассчитываются ошибки модели как разности между фактическими значениями и
значениями модели.
Таким образом, получаем
среднеквадратическую ошибку модели Е=0,0397076, или 3,97%. Величина полученной
ошибки позволяет говорить, что построенная модель хорошо аппроксимирует фактические
данные, т.е. она вполне отражает экономические тенденции, определяющие объём
продаж, и является предпосылкой для построения прогнозов высокого качества.
Построенная модель
прогнозирования представлена графически на рисунке 2.
Рис. 2. Модель прогноза
объёма продаж
Получаем прогноз на апрель и
май третьего сезона, т.е. при t=25,26:
Y25=3436,421+1644,135cos(/6*25)-149,048sin(
/6*25)-342,6896±
±0,0397=4449,383
тыс. руб.
Y26=3436,421+1644,135cos(/6*226)- 149,048 sin(
/6*26)+
+1112.244±0,0397=5251,978
тыс. руб.
На основе модели получены
прогнозные значения объема продаж. Но из-за влияния прошлых тенденций на
достоверность прогнозной модели предлагается сочетать трендовый анализ с
экспоненциальным сглаживанием. Это позволит нивелировать недостаток адаптивных
моделей, т.е. учесть наметившиеся новые экономические тенденции.
Окончательные прогнозные
данные Fпр.25=5119.790 тыс. руб. и Fпр.26=4613.459 тыс. руб. получены на основе
использования метода экспоненциального сглаживания, рассчитанные с помощью
пакета Statistica 6.0 на основе модели линейного тренда (метод Холта с двумя
параметрами).