Теоретические основы прогнозирования экономических показателей на рынке розничной торговли

Введение

 

В процессе коммерциализации российской экономики особую значимость приобретает  такая важная форма реализации товаров  как, розничная торговля.

Розничная торговля - это завершающая  форма продажи товаров конечному  потребителю в небольших объемах  через магазины, павильоны, лотки, палатки  и другие пункты сети розничной торговли. Коммерческая работа по продаже в  розничных торговых предприятиях в  отличии от оптовых предприятий  имеет свои особенности. Розничные  торговые предприятия реализуют  товары непосредственно населению, то есть физическим лицам, применяя свои, специфические способы и методы розничной продажи, окончательно завершают  обращение от изготовителя продукции.

Торговое обслуживание населения  предполагает наличие специально устроенных и оборудованных помещений, приспособленных  для наилучшего обслуживания покупателей, подбора и формирования торгового  ассортимента и возможности его  оперативного изменения в соответствии с изменившимся спросом населения, постоянного изучения и учета  потребительских запросов покупателей, умения предложить и продать товар  каждому конкретному человеку.

Развитие розничной торговли нуждается  в создании специальных служб  по изучению и прогнозированию потребительского спроса, формированию оптимального ассортимента товаров, анализу и определению  прогрессивных форм и методов  розничной торговли на уровне региона, края, области, района при неукоснительной  поддержке государственных и  муниципальных органов власти в  целях контроля за ходом розничной  торговли, разработки новых видов  изделий и товаров.

Целью написания курсовой работы является разработать прогноз товарооборота с использованием программного продукта. Провести анализ розничного товарооборота, планирование (прогноз продаж) как в общем по товарообороту, так и по конкретному предприятию.

Исходя из поставленной цели, в  данной работе сформулированы следующие  задачи:

сущность основных понятий в  области прогнозирования;

признаки классификации, виды прогнозов  и их краткая характеристика;

методология подхода и методы разработки прогноза экономических показателей  с использованием различных программных  продуктов;

проведение анализа показателей  эффективности коммерческой работы в розничной торговой организации.

Объектом исследования в курсовой работе является предприятие ООО  «Вестер.

Методами исследования является: Устав  предприятия и отчетности, а именно: бухгалтерский баланс, приложение к  балансу, отчет о прибылях и убытках, и все это за 1 и 2 полугодия 2009 года. С помощью этих отчетностей  вычисляются различные экономические  показатели: выручка от реализации (товарооборот), себестоимость, валовой  доход, издержки обращения и т.д.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1. Теоретические основы прогнозирования  экономических показателей на  рынке розничной торговли

 

1. Сущность и роль прогнозирования экономических показателей на предприятиях розничной торговли

 

Процесс управления маркетингом не возможен без объективной оценки ситуации на рынке. Выделяют несколько  этапов управления:

анализ рыночных возможностей (проведение маркетинговых исследований);

отбор целевых рынков (замеры объемов  спроса, сегментирование рынков, выбор  целевого рынка и позиционирование товара на рынке);

разработка комплекса маркетинга (разработка товаров, установление цен  на товары, формирование каналов дистрибуции  и стимулирование сбыта);

претворение в жизнь маркетинговых  мероприятий.

Как мы видим, на каждом этапе маркетолог так или иначе сталкивается с  необходимостью исследования рынка, будь то определение оптимальной цены, сегментирование потребителей или  оценка эффективности рекламной  компании. Цена вопроса может быть достаточно высока, и ошибка обойдется  гораздо дороже, чем даже масштабное маркетинговое исследование. При  проведении маркетингового исследования потребителей от исследователя требуется  не только талант социолога, но и определенное знание методов обработки данных. Сегодняшняя экономика достаточно сложна и многогранна, объем поступающей  информации может быть достаточно велик, поэтому суметь вытащить из этого  массива данных необходимые зависимости  является важной задачей маркетолога. Существующие статистические пакеты позволяют  провести достаточно полный и продвинутый  анализ. Для грамотного применения многочисленных методов, заложенных в  прикладных пакетах, маркетолог должен понимать суть этих методов, их ограничения  и степень точности. В противном  случае он будет принимать решения  на основании неверной информации.

Есть и второй аспект во владении методами обработки данных: понимание  процессов, происходящих на рынке с  одной стороны, и владение статистическими  методами позволяет вытаскивать  из имеющихся данных нетривиальные, незаметные на первый взгляд связи, строить  обоснованные прогнозы и оценки.

Эффективная деятельность предприятий  и фирм в условиях рыночной экономики  в значительной степени зависит  от того, насколько достоверно они  предвидят дальнюю и ближнюю  перспективу своего развития, то есть от прогнозирования.

Прогнозирование – это оценка перспектив развития предприятия наоснове анализа конъюнктуры рынка, изменения рыночных условий на предстоящий период.

Результаты прогнозирования деятельности предприятий и фирм учитываются  в программах предприятий по маркетингу, при определении возможных масштабов  реализации продукции, ожидаемых изменений  условий сбыта и продвижения  товаров.

Прогнозирование как результат  маркетинговых исследований является исходным пунктом организации производства и реализации именно той продукции, которая требуется потребителю.

Основная цель прогноза – определить тенденции факторов, воздействующих на конъюнктуру рынка.

При прогнозировании обычно выделяют прогнозы краткосрочные – на1-1,5 года, среднесрочные – на 4-6 лет  и долгосрочные – на 10-15 лет.

Главный акцент при краткосрочном  прогнозировании делается на количественной и качественной оценке изменений  объема производства, спроса и предложения, уровня конкурентоспособности товара и индексов цен, валютных курсов, соотношений  валют и кредитных условий. Здесь  учитываются также временные, случайные  факторы.

Среднесрочное и долгосрочное прогнозирование  основывается на системе прогнозов  – конъюнктуры рынка, соотношения  спроса и предложения, ограничений  по защите окружающей среды, международной  торговли.

При среднесрочном и долгосрочном прогнозировании, как правило, не учитывают  временные и случайные факторы  воздействия на рынок. Если краткосрочные  прогнозы нацелены на количественные оценки, прежде всего, уровня цен на рынке, то среднесрочные и долгосрочные прогнозы рассматриваются как вероятностные  оценки динамики изменения цен.

В качестве инструментария прогнозирования  применяются формализованные количественные методы (факторные, статистического  анализа, математического моделирования), методы экспертных оценок, базирующиеся на опыте и интуиции специалистов по данному товару и рынку.

При прогнозировании деятельности предприятий по выпуску продукции  производственного назначения учитывается  анализ инвестиционной политики в отраслях, потребляющих соответствующие товары, а также формирование принципиально  новых потребностей и способов их лучшего удовлетворения.

При прогнозировании деятельности предприятий, выпускающих продукцию  широкого потребления, обычно опираются  на данные опросов потребителей и  продавцов товаров. В этом случае используются такие методы изучения рынка как анкетирование, телефонные и персональные интервью.

Наибольшую сложность представляет прогнозирование внешнеэкономической  деятельности предприятия и фирмы, что обусловлено высокой динамичностью, многофакторным и противоречивым характером формирования, а потому и неопределенностью, трудной предсказуемостью внешнеэкономических  связей.

Поэтому применительно к прогнозированию  внешнеэкономической деятельностью  предприятия важно комплексное  исследование целого рядачастных рынков (отдельных стран) конкретного товара, выявление специфических для  каждого и общих для всех (или  группы таких рынков) факторов формирования конъюнктуры рынка, анализ взаимосвязи  этих рынков между собой, а также  синтез частных прогнозов, учет взаимодействия и взаимовлияния в рамках мирового рынка данного товара.

Результаты прогнозирования деятельности предприятий учитываются в программах предприятий по маркетингу, при определении  возможных масштабов реализации продукции, ожидаемых изменений  условий сбыта и продвижения  товаров. Прогнозирование как результат  маркетинговых исследований является исходным пунктом организации производства и реализации именно той продукции, которая требуется потребителю.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2. Методы прогнозирования: классификация и сущность.

 

Под методами прогнозирования следует  понимать совокупность приемов и  способов мышления, позволяющих на основе анализа ретроспективных  данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности  относительно его (объекта) будущего развития.

По оценкам отечественных и  зарубежных ученных, в настоящее  время насчитывается свыше 20 методов  прогнозирования, однако число базовых  значительно меньше (15-20). Многие из этих методов относятся скорее к  отдельным приемам и процедурам, учитывающим нюансы объекта прогнозирования. Другие представляют собой набор  отдельных приемов, отличающихся от базовых или друг от друга количеством  частных приемов и последовательностью  их применения.

В существующих источниках представлены различные классификационные принципы методов прогнозирования. Одним  из наиболее важных классификационных  признаков методов прогнозирования  является степень формализации, которая  достаточно полно охватывает прогностические  методы. Вторым классификационным признаком  можно назвать общий принцип  действия методов прогнозирования, третьим – способ получения прогнозной информации.

По степени формализации (по первому  классификационному признаку) методы экономического прогнозирования можно  разделить на интуитивные и формализованные.

Интуитивные методы прогнозирования  используются в тех случаях, когда  невозможно учесть влияние многих факторов из-за значительной сложности объекта  прогнозирования. В этом случае используются оценки экспертов. При этом различают  индивидуальные и коллективные экспертные оценки.

В состав индивидуальных экспертных оценок входят: метод «интервью», при  котором осуществляется непосредственный контакт эксперта со специалистом по схеме «вопрос – ответ»; аналитический  метод, при котором осуществляется логический анализ какой-либо прогнозируемой ситуации, составляются аналитические  докладные записки; метод написания  сценария, который основан на определении  логики процесса или явления во времени  при различных условиях.

Методы коллективных экспертных оценок включают в себя метод «комиссий», «коллективной генерации идей» («мозговая  атака»), метод «Дельфи», матричный  метод. Эта группа методов основана на том, что при коллективном мышлении, во-первых, выше точность результата во-вторых, при обработке индивидуальных независимых  оценок, выносимых экспертами, по меньшей  мере могут возникнуть продуктивные идеи.

В группу формализованных методов  входят две подгруппы: экстраполяции  и моделирования. К первой подгруппе  относятся методы: наименьших квадратов, экспоненциального сглаживания, скользящих средних. Ко второй – структурное, сетевое  и матричное моделирование.

Рассмотренные классы интуитивных  и формализованных методов схожи  по своему составу с экспертными  и фактографическими методами. Фактографические методы основаны на фактически имеющейся  информации об объекте прогнозирования  и его прошлом развитии, экспертные базируются на информации, полученной по оценкам специалистов-экспертов.

В класс экспертных методов прогнозирования  входит метод эвристического прогнозирования (эвристика – наука, изучающая  продуктивно творческое мышление). Это аналитический метод, суть которого заключается в построении и последующем  усечении «дерева поиска» экспертной оценки с использованием какой-либо эвристики. При этом методе осуществляется специализированная обработка прогнозных экспертных оценок, получаемых путем систематизированного опроса высококвалифицированных специалистов. Он применяется для разработки прогнозов научно-технических проблем и объектов, анализ развития которых либо полностью, либо частично не поддается формализации.

Конструктивная классификация  позволяет наглядно изобразить совокупность методов прогнозирования в виде иерархического дерева и охарактеризовать каждый уровень своим классификационным  признаком.

На первом уровне все методы по признаку «информационное основание  метода» делятся на три класса: фактографические, комбинированные  и экспертные. Фактографические базируются на фактической информации об объекте  прогнозирования и его прошлом  развитии. В экспертных методах используется информация, которую доставляют специалисты-эксперты в процессе систематизированных  процедур выявления и обобщения  их мнений. В свою очередь, классы экспертных и фактографических методов подразделяются на подклассы по методам обработки  информации.

Экспертные методы разделяются  на два подкласса. Прямые экспертные оценки строятся по принципу получения  и обработки независимого обобщенного  мнения коллектива экспертов (или одного из них) при отсутствии воздействия  на мнение каждого эксперта мнения другого эксперта и всего коллектива. Экспертные оценки с обратной связью в том или ином виде реализуют  принцип обратной связи на основе воздействия на оценку экспертной группы (одного эксперта) мнениями, полученными  ранее от этой группы (или от одного из экспертов). Класс фактографических методов объединяет следующие три  подкласса: методы аналогий, опережающие  и статистические методы.

Методы аналогий направлены на выявление  сходства в закономерностях развития различных процессов. К ним относятся  методы математических и исторических аналогий. Методы математических аналогий в качестве аналога для объекта  используют объекты другой физической природы, других областей науки и техники, имеющие математическое описание процесса развития, совпадающие с объектом прогнозирования.

Опережающие методы прогнозирования  основаны на определенных принципах  специальной обработки научно-технической  информации, учитывающих ее свойство опережать прогресс науки и техники. К ним относятся методы исследования динамики научно-технической информации, использующие построение динамических рядов на базе различных видов  такой информации анализа и прогнозирования  на этой основе развития соответствующего объекта (например, метод огибающих). К опережающим методам можно  отнести также методы исследования и оценки уровня техники, основанные на использовании специальных методов  анализа количественной и качественной научно-технической информации для  определения характеристик уровня качества существующей и проектируемой  техники.

Статистические методы представляют собой совокупность методов обработки  количественной информации об объекте  прогнозирования, объединенной по принципу выявления содержащихся в ней  математических закономерностей изменения  характеристик данного объекта  с целью получения прогнозных моделей Таким образом, методы прогнозирования  — это способы, приемы, с помощью  которых обеспечивается разработка и обоснование планов и прогнозов.

 

 

 

 

 

 

 

 

 

 

 

 

1.3.Доверительные интервалы прогноза.

Оценка адекватности и точности прогнозной модели.

 

Доверительные интервалы прогноза

Заключительным этапом применения кривых роста является экстраполяция  тенденции 

на  базе  выбранного  уравнения. Прогнозные  значения  исследуемого  показателя  вычисляют путем подстановки в уравнение кривой значений времени t, соответствующих периоду упреждения. Полученный таким образом прогноз называют точечным, так как для каждого момента времени определяется только одно значение прогнозируемого показателя. На практике в дополнении к точечному прогнозу желательно определить границы возможного изменения прогнозируемого показателя, задать «вилку» возможных значений прогнозируемого показателя, т.е. вычислить прогноз интервальный. Несовпадение фактических данных с точечным прогнозом, полученным путем экстраполяции тенденции по кривым роста, может быть вызвано:

1) субъективной ошибочностью выбора  вида кривой;

2) погрешностью оценивания параметров  кривых;

3) погрешностью, связанной с отклонением  отдельных наблюдений от тренда, характеризующего некоторый средний уровень ряда на каждый момент времени.

Погрешность, связанная со вторым и третьим источником, может быть отражена в виде доверительного интервала  прогноза. Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде:

t_aS_y,(1.1).

где n – длина временного ряда;

L – период упреждения;

_{n y +L}– точечный прогноз на момент n + L;

t_а– значение t-статистики Стьюдента;

S_y– средняя квадратическая ошибка прогноза.

Предположим, что тренд может быть описан линейной моделью:=a₀+a₁t.

Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность. Погрешность параметра a₀ приводит к вертикальному сдвигу прямой, погрешность параметра a₁–к изменению угла наклона прямой относительно оси абсцисс. С учетом разброса конкретных реализаций относительно линий тренда, дисперсию   можно представить в виде:

=++ ,(1.2).

где – дисперсия отклонений фактических наблюдений от расчетных;

t_l– время упреждения, для которого делается экстраполяция;

t – порядковый номер уровней ряда, t = 1, 2, ..., n;

t  – порядковый номер уровня, стоящего в середине ряда;  t  = (n + 1).

Тогда доверительный интервал можно  представить в виде:

t_aS_y,(1.3).

Обозначим корень в выражении (1.3) через К. Значение К зависит только от n и L, т.е. от длины ряда и периода упреждения. Поэтому можно составить таблицы значений К или К* = tK. Тогда интервальная оценка будет иметь вид:

S_yK^*,(1.4).

можно получить для полинома второго порядка:

t_aS_y,    (1.5).

 

Дисперсия отклонений фактических  наблюдений от расчетных определяется выражением:

 

,    (1.6).

 

где yt – фактические значения уровней ряда; t

€_yt– расчетные значения уровней ряда;

n – длина временного ряда;

k – число оцениваемых параметров выравнивающей кривой.

Таким  образом, ширина  доверительного  интервала  зависит  от  уровня  значимости,  периода  упреждения,  среднего  квадратического  отклонения  от  тренда  и  степени полинома.

Чем выше степень полинома, тем шире доверительный интервал при одном  и том же  значении S_y, так как дисперсия уравнения тренда вычисляется как взвешенная сумма дисперсий соответствующих параметров уравнения.

Доверительные  интервалы  прогнозов,  полученных  с  использованиемпоказательной  модели, определяют  аналогичным  образом. Отличие  состоит в  том, что как при вычислительной параметров кривой, так и при вычислении средней  квадратической ошибки используют не сами значения уровней временного ряда, а их логарифмы.

период наблюдения

Рис 1 Доверительные интервалы  прогноза для линейного тренда.

Значения К* для оценки доверительных  интервалов прогноза на основе линейноготренда  и параболического тренда при  доверительной вероятности 0,9 

(Таблица 1).

 

По такой же схеме могут быть определены доверительные интервалы  для ряда кривых,  имеющих  асимптоты,  в  случае,  если  значение  асимптоты  известно (например, для модифицированной экспоненты).

В таблице 1 приведены значения K* в  зависимости от длины временного ряда n и периода упреждения L для  линейной модели и параболической модели тренда. Очевидно,что при увеличении длины рядов (n) значения K* уменьшаются, с ростом периода упреждения L значения K* увеличиваются. При этом влияние  периода упреждения неодинаково  для различных значений n: чем  больше длина ряда, тем меньшее  влияние оказывает период упреждения L.

 

 

Проверка  адекватности выбранных моделей 

Проверка адекватности выбранных  моделей реальному процессу (в  частности, адекватности полученной кривой роста) строится на анализе остаточной компоненты. Остаточная  компонента  получается  после  выделения  из  исследуемого  ряд систематической  составляющей (тренда и периодической  составляющей, если она присутствует во временном ряду).

Предположим, что исходный временной  ряд описывает процесс, не подверженный сезонным  колебаниям,  т.е.  примем  гипотезу  об  аддитивной  модели  ряда, содержащей трендовую и случайную  компоненты.

Тогда ряд остатков будет получен  как отклонения фактических уровней  временного ряда (yt) от расчетных (€_yt):

e_t= y_t - €_yt(2.1).

При использовании кривых роста €_ytвычисляют, подставляя в уравнения выбранных кривых соответствующие последовательные значения времени.

Принято  считать, что модель  адекватна описываемому процессу,  если остаточная последовательность (ряд  остатков) представляет собой случайную  компоненту ряда.

Поэтому  при  оценке «качества» модели  проверяют,  удовлетворяет  ли  остаточная последовательность следующим свойствам:

случайности колебаний уровней  ряда;

соответствию  распределения  остаточной  компоненты  нормальному  закону  с нулевым математическим ожиданием;

независимости значений уровней ряда остатков между собой.

При проверке первого свойства исследователю  полезно провести графический анализ остаточной последовательности, а также  на этом этапе может быть использован  статистический аппарат.

В современных эконометрических пакетах  имеется набор графических средств, позволяющих  судить  о  том,  насколько  распределение  остатков  согласуется  с нормальным распределением.  Например,  полезным  может  оказаться  график гистограммы  остатков  с наложенной  нормальной  плотностью,  позволяющей  исследователю  оценить  симметричность распределения остатков и близость к нормальному закону.

Кроме  графических  средств,  в  современных  пакетах  прикладных  программ  представлены и статистические критерии, позволяющие проводить проверку  гипотезы о нормальности распределения остатков, например, критерий Пирсона и др. Однако на практике  использование  этих  средств  зачастую  затруднено  из-за  небольшой  длины  временных рядов экономических показателей (n < 50).  Поэтому проверка  на  нормальность  может быть произведена приближенно, например, на основе подхода, опирающегося на рассмотрение показателей асимметрии и эксцесса.

Как  известно,  при  нормальном  распределении  показатели  асимметрии  и  эксцесса равны нулю. Так как  мы предполагаем, что отклонения от тренда представляют собой выборку  из некоторой генеральной совокупности, то можно определить выборочные характеристики асимметрии (А)  и  эксцесса (Э),  а  также  оценить  их среднеквадратические ошибки, зависящие от длины ряда n:

 

 

 

 

 

 

 

(2.2).

 

 

 

 

Если  одновременно выполняются следующие  неравенства:

 

 

 

 

 

(2.3).

то  гипотеза о нормальном характере  распределения случайной компоненты не отвергается.

Если выполняется хотя бы одно из неравенств:

 

 

 

 

(2.4).

 

 

то  гипотеза о нормальном характере  распределения отвергается.

Другие  случаи  требуют  дополнительной  проверки  с  помощью  более  мощных критериев.

Рассмотрим подробнее последнее  свойство. Если вид функции, описывающей  систематическую составляющую,  выбран неудачно,  то последовательные  значения  ряда  остатков могут  не обладать свойствами независимости, т.к. они могут коррелировать между  собой. В этом случае говорят, что  имеет место автокорреляция остатков.

Существует несколько приемов  обнаружения автокорреляции.Наиболее  распространенным является подход, опирающийся  на критерий Дарбина-Уотсона. Тест Дарбина-Уотсона  связан с проверкой гипотезы об отсутствии автокорреляции первого порядка,т.е. автокорреляции между соседними  остаточными членами ряда. При  этом критическая статистика определяется по формуле:

 

                                                                                       (2.5).

 

 

 

 

Можно показать, что величина d приближенно  равна:

d=2(1-r₁),   (2.6).

где r₁ – коэффициент  автокорреляции первого порядка (т.е. парный  коэффициенткореляциимежду двумя последовательностями остатков e₁, e₂, ... ,e_n–1  и e₂, e₃, ... , e_n). 

Из выражения (2.5) видно, что близость значения статистики  d  к нулю означает наличии высокойположительной автокорреляции (коэффициент 1- r  близок к единице); близость значениястатистики  d  к четырем означает наличие высокой отрицательной автокорреляции(коэффициент 1- r  близок к минус единице). Естественно, в случае отсутствия автокорреляции значение статистики  d будет близким к двум (коэффициент 1- r  несильно отличается от нуля).