ю науково-технічних досягнень. Серед методів цієї групи виділяється публікаційний, заснований на аналізі та оцінці динаміки публікацій.
Серед експертних методів виділяють групи за такими ознаками:
· за кількістю залучених експертів;
· по наявності аналітичної обробки даних експертизи (табл. 3).
Прогнозування попиту в теорії здійснюється різними методами. На практиці, як правило, реалізується комплексний підхід, що враховує сильні і слабкі сторони застосовуваних методів. Загальні методи прогнозування попиту грунтуються на:
· Метод експертних оцінок;
· Статистичні методи (фактографічні);
· Комбіновані методи.
Статистичні методи прогнозування:
У методичному плані основним інструментом будь-якого прогнозу є схема екстраполяції. Сутність екстраполяції полягає у вивченні склалися в минулому і сьогоденні стійких тенденцій розвитку об'єкта прогнозу і перенесення їх на майбутнє.
Методи екстраполяції трендів, засновані на статистичному аналізі часових рядів, дозволяють прогнозувати темпи зростання продажу товарів в найближчій перспективі, виходячи з тенденцій, що склалися в минулому періоді часу. Зазвичай методи екстраполяції трендів застосовуються в короткостроковому (не більше одного року) прогнозуванні, коли число змін в середовищі мінімально. Прогноз створюється для кожного конкретного об'єкта окремо і послідовно на кожен наступний момент часу. Якщо прогноз складається для товару, в задачі прогнозування, заснованого на екстраполяції трендів, входять аналіз попиту і аналіз продажів цього товару. Результати прогнозування використовуються у всіх сферах внутрішньофірмового планування, включаючи спільне стратегічне планування, фінансове планування, планування виробництва і управління запасами, маркетингове планування і управління торговими потоками і торговими операціями.
Найбільш поширеними методами екстраполяції трендів є:
· метод змінного середнього;
· метод експоненціального згладжування;
· Прогнозування на основі методу сезонних коливань;
· Прогнозування методом лінійної регресії.
Необхідність застосування ковзної середньої викликається наступними обставинами. Бувають випадки, коли наявні дані динамічного ряду не дозволяють виявляти яку-небудь тенденцію розвитку (тренд) того чи іншого процесу (через випадкових і періодичних коливань вихідних даних). У таких випадках для кращого виявлення тенденції вдаються до методу ковзної середньої. Екстраполяція по ковзної середньої - може використовуватись з метою короткострокового прогнозування.
Метод ковзної середньої полягає в заміні фактичних рівнів динамічного ряду розрахунковими, мають значно меншу колеблемость, ніж вихідні дані. При цьому середня розраховується по групах даних за певний інтервал часу, причому кожна наступна група утворюється із зсувом на один рік (місяць). У результаті подібної операції початкові коливання динамічного ряду згладжуються, тому й операція називається згладжуванням рядів динаміки (основна тенденція розвитку виражається при цьому вже у вигляді деякої плавної лінії).
Метод ковзної середньої називається так тому, що при обчисленні середні як би ковзають від одного періоду до іншого; з кожним новим кроком середня як би оновлюється, вбираючи в себе нову інформацію про фактично реалізованому процесі. Таким чином, при прогнозуванні виходять з простого припущення, що наступний у часі показник за своєю величиною буде дорівнює середній, розрахованої за останній інтервал часу.
· Експоненціальна середня. При розгляді ковзної середньої було відзначено, що чим старше спостереження, тим менше воно повинно впливати на величину ковзної середньої. Тобто вплив минулих спостережень має затухати в міру віддалення від моменту, для якого визначається середня.
Одним з найпростіших прийомів згладжування динамічного ряду з урахуванням застарівання є розрахунок спеціальних показників, що одержали назву експоненційних середніх, які широко застосовуються в короткостроковому прогнозуванні. Основна ідея методу полягає у використанні в якості прогнозу лінійної комбінації минулих і поточних спостережень. Експоненціальна середня розраховується за формулою:
+ 1=L * yt + (1 - L) * Q t - 1 (1.2)
Де Q - експоненціальна середня (згладжене значення рівня ряду); - коефіцієнт, що характеризує вагу поточного спостереження при розрахунку експоненційної середньої (параметр згладжування), 0 lt; L lt; 1; - індекс поточного періоду; - фактичне значення рівня ряду.
...
