Методика перспективного анализа

Методы экстраполяции основываются на экономико-статистических методах обработки данных за прошлые периоды, определения тенденций развития изучаемого явления в предпрогнозном периоде и проекции найденной закономерности на будущее. Экстраполирование установленной закономерности за пределы динамического ряда основано на предположении, что начавшееся изменение переменной будет продолжаться такими же темпами и в будущем. Необходимыми предпосылками получения надежных результатов экстраполяции являются стабильность экономических условий, достаточное количество и достоверность информации о прошлом.
Наиболее простым методом прогнозирования объема продаж является применение среднего абсолютного прироста и среднего темпа роста
динамического ряда. Прогнозируемое значение объема продаж (Yt) для любой даты прогнозного периода можно определить по формулам [17, c.126]:
Yt =Y0 + ∆Yср (t-1) или Yt = Y0× (Ipср),(1.1)
где Y0 — начальный уровень ряда; ∆Yср — средний абсолютный прирост показателя объема продаж, рассчитанный по средней арифметической; t-порядковый номер даты (года, квартала, месяца); Ipср — средний темп роста показателя объема продаж, определяемый по средней геометрической:
Ipср= (Yt/Y1)1/t-1,(1.2)
где Yt — уровень последнего периода; Yt — уровень первого периода; .t- число уровней.
Более точный прогноз объема продаж явлений получают на основе трендовых моделей, которые отражают основную тенденцию динамического ряда, свободную от краткосрочной флуктуации, вызванной разными случайными факторами. Основная тенденция развития обычно выявляется следующими механическими методами: укрупнение интервалов, скользящая средняя и аналитическое выравнивание. Скользящие средние позволяют сгладить как случайные, так и сезонные колебания и выявить основную тенденцию временного ряда.
Комплексный подход предполагает исследование причинно-следственной связи между многими переменными и измерение ее тесноты, что достигается с помощью эконометрики.
С помощью математических моделей, количественно отражающих связь между многими переменными, эконометрика объясняет причины изменения экономических явлений в прошлом и дает прогнозы поведения их в будущем.
Большую роль в прогнозировании объема продаж играет адаптивный подход. В отличие от трендовых и регрессионных моделей, в которых коэффициенты остаются неизменными на протяжении анализируемого и прогнозного периодов, адаптивное моделирование учитывает изменение интенсивности влияния факторов с течением времени, а это значительно повышает прогнозные свойства моделей.
Адаптивные модели и методы прогнозирования имеют механизм автоматической настройки на изменение объема продаж. Инструментом прогноза является модель, первоначальная опенка параметров которой производится по нескольким первым наблюдениям. На ее основе делается ретроспективный прогноз, который сравнивается с фактическими наблюдениями.
Далее модель корректируется в соответствии с величиной ошибки прогноза и вновь используется для ретроспективного прогнозирования следующего уровня, вплоть до исчерпания последнего наблюдения. В итоге модель впитывает новую информацию, приспосабливается к ней и к концу периода наблюдения отражает тенденцию, сложившуюся на текущий момент времени. Прогноз получается, как экстраполяция последней тенденции, которая более полно учитывает сезонные и малые циклические колебания динамического ряда [10, c.93].
При построении регрессионных моделей динамических рядов необходимо учитывать и то, что результативный и факторный признаки изменяются не синхронно, а с некоторым временным лагом. Чтобы учесть это обстоятельство при прогнозировании результатов деятельности, применяют регрессионные модели с распределенным лагом, которые позволяют установить, как быстро реагирует исследуемый результативный показатель на изменение соответствующего фактора.
Механизм данной модели основан на смещении исходной информации по факторному признаку на 1,2,… n периодов динамического ряда относительно значений результативною признака, в результате чего устанавливается, через какой период времени проявляется воздействие данного фактора на показатель объема продаж. Поэтому регрессионные модели с распределенным лагом обеспечивают более точный прогноз развития событий. Общий вид такой модели выглядит следующим образом [17, c.134]:
Yt = а + b0хt +b1xt-1+…+ btxt-1+ε,(1.6)
Коэффициент регрессии b0 при хt характеризует средний абсолютный прирост Y при изменении х на единицу в некоторый фиксированный момент времени t без учета временного лага — это краткосрочный мультипликатор. Совокупное воздействие данного фактора на уровень результативного показателя в момент (t+ 1) составит (b0 + b1), а в момент (t + 2) будет равно (b0+b1+b2) и т.д.
Полученные суммы — это промежуточные мультипликаторы. Величина (b0+b1+…+bt) трактуется как долгосрочный мультипликатор, который показывает абсолютное изменение в долгосрочном периоде (t+ 1) результативного показателя y при изменении факторного показателя x на одну единицу.
Разделив коэффициенты регрессии bj при лаговых переменных на долгосрочный мультипликатор, получают относительные коэффициенты модели с распределенным лагом, которые являются весами для соответствующих коэффициентов bj.:
β= bj./b.(1.7)
Каждый из них измеряет долю общего изменения Y в момент времени (t+j). Величина среднего лага определяется по формуле:
iср=∑j×βj.(1.8)
Она показывает средний период, в течение которого будет происходить изменение результата под влиянием исследуемого фактора в момент времени t. Небольшое ее значение свидетельствует об относительно быстром реагировании результата на изменение фактора. Напротив, высокое ее значение показывает, что воздействие фактора на результат будет сказываться в течение длительного периода времени.
Дискриминантные модели получили широкое применение для оценки и прогнозирования кредитоспособности и риска банкротства предприятия — это модели Альтмана, Лиса, Таффлера, Тишоу и других западных экономистов. Для их разработки требуется достаточно большая выборка данных, желательно по предприятиям одной отрасли, поскольку многие показатели могут быть несопоставимы из-за разной структуры капитала и скорости его оборачиваемости в различных отраслях экономики [4, c.175].
Затем все множество объектов разбивается, как правило, на три группы: к первой группе относятся финансово устойчивые предприятия, ко второй — проблемные или обанкротившиеся предприятия, к третьей — остальные.
В качестве обучающих выборок используют первую и вторую группы предприятий. Признаки, которые используются для распознавания подмножеств, называются дискриминантными переменными. Количество дискриминантных переменных не ограничено, но их число должно быть меньше числа объектов наблюдения. В процессе дискриминантного анализа производится пошаговый отбор переменных, обеспечивающий наилучшее различие групп. После этого рассчитываются коэффициенты дискриминантной функции и константы дискриминации.
2. Аналитическая часть