Прогнозирование с помощью экстраполяции основано на переносе событий и тенденций (например, в изменении спроса, объемов выпуска продукции и объемов продаж), имевших место в прошлом, на будущее. Методы экстраполяции в логистике применяются для так называемых эволюционных (медленно меняющихся) событий. Если прогнозируемые события, процессы и показатели могут в будущем изменяться скачками, иметь разрывы во времени и т.п. (так называемые революционные процессы), то применять методы экстраполяции нельзя.
В то же время методы экстраполяции накладывают определенные ограничения на исходную информацию (по количеству данных, длине динамических рядов и т.д.). Применение методов экстраполяции оправдано для кратко- и среднесрочных прогнозов тех показателей ЛС, для которых в будущем не предвидится существенных качественных изменений и скачков.
Из существующих методов экстраполяции более подробно остановимся на методе экстраполяции динамических рядов, т.е. когда исходная информация представлена в виде динамического (временного) ряда у = y(t).
Прогнозирование на основе экстраполяции динамического ряда одной переменной включает следующие этапы [160]:
Общая блок-схема прогнозирования методом экстраполяции динамического ряда приведена на 14.5.
Как показывает опыт, при разработке прогнозных моделей на основе экстраполяции большое значение имеет способ представления исходных данных (ретроспективной информации) и процедуры их предварительной обработки.
К основным способам предварительной обработки исходной информации относятся сглаживание и выравнивание динамического ряда.
Сглаживание применяется для устранения случайных отклонений (шума) из экспериментальных значений исходного ряда. Сглаживание производится с помощью многочленов, приближающих (обычно по методу наименьших квадратов) группы опытных точек.
Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе. Обычно их выбирают 3 или 5. Сами группы точек берут скользящими по ретроспективному ряду.
Например, по первым трем точкам (y1, y2, y3) сглаживают среднюю - у2, затем по следующей тройке (у2, y3, y4) сглаживают у3 и т.д. Крайние точки сглаживают по специальным формулам.
Чаще всего для сглаживания применяют линейную зависимость. Тогда формулы сглаживания для групп из трех точек имеют вид:
0 = 1/3(y-1 + y0 + y1); (14.2)
-1 = 1/6(5y-1 + 2y0 - y1); (14.3)
+1 = 1/6(- y-1 + 2y0 + 5y+1); (14.4)
где у0, 0 - значение исходной и сглаженной функции в средней точке группы;
Формулы (14.3), (14.4) применяются для сглаживания крайних точек ряда. Для сглаживания по 5 точкам формулы имеют вид:
0 = 1/5(y-2 + y-1 + y0 + y+1 + y+2); (14.5)
-1 = 1/10 (4y-2 + 3y-1 + 2y0 + y1); (14.6)
+1 = 1/10 (y-1 + 2y0 + 3y+1 + 4y+2) (14.7)
-2 = 1/5 (3y-2 + 2y0 + y+1 + y+2) (14.8)
+2 = 1/5 (-y-2 + y0 + 2y+1 + 3y+2). (14.9)
Рассмотрим пример применения процедуры сглаживания скользящим средним исходного динамического ряда объема продаж ГП фирмы за год. На 14.6. представлен исходный динамический
ряду(1) в тысячах условных единиц объема продаж. Применим к нему процедуру сглаживания совокупностью из трех точек, используя формулы (14.2)-(14.4).
Сглаженный динамический ряд у(t) представлен на графике 14.6 (отмечен х) и в таблице 14.2.
Сглаженный динамический ряд (t) может быть применен для получения прогноза простым продолжением (проекцией тренда) на период прогноза. Для нашего примера прогноз * объема продаж на первый месяц следующего года будет равен 74.9 тыс. усл. единиц.
Сглаживание (даже в простом линейном варианте) является во многих случаях эффективным средством выявления тренда при наличии в экспериментальных точках случайных помех и ошибок измерения. Использование для сглаживания нелинейных зависимостей требует применение сложных и громоздких формул и выполняется обычно с помощью специальных программ на компьютерах.
Выравнивание применяется для более удобного представления исходного ряда без изменения его числовых значений. Выравниванием называется приведение исходной эмпирической формулы
t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
(t) | 33,8 | 33,3 | 36,3 | 41,3 | 43,7 | 45,7 | 49,7 | 57,3 | 58,3 | 59,7 | 61,7 | 70,2 |
t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
yt | 36 | 29 | 35 | 45 | 44 | 42 | 51 | 56 | 65 | 54 | 60 | 71 |
(a) | (b) | ||||
y =
|
y =
|
1 |
y |
1 |
t |
1 |
y |
a |
T |
1 |
T |
1 |
a + be-t |
1 |
y |
Перейдем к рассмотрению тех функций, которые предпочтительно использовать в прогнозной экстраполяции.
В качестве аппроксимирующих функций чаще всего используются различные полиномы с ограничением числа членов (степени полинома). Это:
степенной полином
y(t) = a0 +
n |
i = 1 |
n |
i = 1 |
n |
i = 1 |
1 |
aiti |
(с 0 - функция роста, с 0 - экстремальная функция)
b |
c + t |
d |
a + be-ct |
где a, b, c, d - параметры.
В практике экономического прогнозирования часто при выборе вида аппроксимирующей функции прибегают к графическому способу подбора по виду расположения точек временного ряда на плоскости yot. Если по графику подобрать кривую (функцию) трудно, иногда прибегают к анализу производных от соответствующих видов функций аппроксимации (или разностей D1, D2, D3, ...) соответствующего порядка.
Наиболее подходящей функцией для прогноза по методу экстраполяции будет та, арифметическая средняя для разностного ряда которого будет равна нулю или близка к нулю (по абсолютной величине). В табл.
14.3 приведены производные от некоторых часто встречающихся функций аппроксимации.
Таблица 14.3
Производные функций аппроксимации
y(t) |
|
|
|
||||||
у = а + bt | b | 0 | 0 | ||||||
y = atb | abtb - 1 | ab(b -l)tb - 2 | ab(b - l)(b -2)tb - 3 | ||||||
y = abl | abt ln b | abt(ln b)3 | abt(ln b)3 | ||||||
у = а + bt + ct2 | b + 2ct | 2c | 0 | ||||||
у = a + dt + ct2 + dt3 | b + 2ct + 3dt2 | 2c + 6dt | 6d |
n |
i = 1 |
Он позволяет получить несмещенные и состоятельные оценки всех параметров, а при линейном тренде, и эффективные оценки.
Критерий оптимальности для МНК имеет вид:
а) в случае равной точности измерений.
S =
n |
i = 1 |
n |
i = 1 |
wi |
wi + 1 |
|
||
|
2 |
i |
n |
i = 1 |