§ 2. Прогнозирование спроса в задачах управления запасами

 2.1 Проблемы прогнозирования спроса в задачах управления запасами.

Функционирование системы управления запасами обусловлено прогнозированием спроса, который может быть постоянным или изменяющимся во времени. Характер спроса влияет на выбор модели управления запасами. В свою очередь задачи и методы изучения и прогнозирования спроса так же во многом обусловлены применяемыми моделями управления. Тем самым прогнозирование спроса становится предпосылкой и неотъемлемой частью управления запасами.

При прогнозировании спроса определяются будущие общественные потребности на оборудование, материалы, сырье, энергию со стороны производства и целых отраслей, а также тенденции спроса населения на предметы потребности и различного вида услуги. В различных областях экономики задача прогнозирования спроса может ставиться по-разному.

Прогнозирование спроса - это научно обоснованное предвидение возможных направлений развития спроса и его структуры на плановый период, включая количественную оценку его характеристик. Таким образом, прогноз спроса рассматривается как конечный результат, итог прогнозирования. 

При разработке народнохозяйственных планов в основном интересуются перспективами состояния спроса в ближайшие годы, пятилетие, десятилетие и т. д. Такие прогнозы называются долгосрочными. Для оптимального управления запасами товаров на базах материально-технического снабжения требуется дать оценку будущего спроса на срок поставки очередной партии заказанного товара. Период прогноза здесь может меняться от нескольких дней до нескольких месяцев. Такой прогноз называется краткосрочным.

Динамика и величина спроса есть результат массового случайного процесса, поэтому закономерности и тенденции движения спроса должны исследоваться и устанавливаться с помощью статистических методов. Однако следует отметить, что применение статистических методов к задачам прогнозирования спроса сталкивается с рядом принципиальных трудностей, Связанных с особенностями информации о спросе.

К этим особенностям относится прежде всего весьма ограниченный объем информации о спросе на товары, недавно запущенных в производство, а также на товары, которые вообще еще не производились. Как правило, информация о спросе, как таковом, отсутствует, а известен лишь сбыт данного товара, который лишь частично характеризует характер изменения спроса. С другой стороны, изучая спрос некоторых потребителей на дефицитные товары, можно легко определить, что их заказы на эти товары превышают истинные потребности и рассчитаны на возможное сокращение. Таким образом, почти всегда имеющаяся информация о спросе содержит значительные систематические ошибки, средние значения которых будут отличны от нуля.

Наконец, трудности прогнозирования спроса связаны также с «проклятием размерности», так как во многих задачах, особенно в управлении запасами, приходится одновременно прогнозировать будущий спрос на огромное количество товаров при наличии большого числа ограничений (на максимальную мощность промышленности, объем капиталовложений и т. д.). Это накладывает существенные требования на алгоритмы прогноза с точки зрения их простоты и экономичности.

Перечисленные особенности информации о спросе неодинаково влияют на прогнозы различной длительности. При долгосрочном прогнозе, например, часто приходится сталкиваться с полным или почти полным отсутствием информации о спросе на новый товар. Но проблемы размерности здесь не возникает, так как прогноз, как правило, делается для агрегированных групп товаров.

Всякий прогноз в конечном счете представляет собой экстраполяцию. Экстраполируются на будущее либо непосредственного значения интересующихся нас переменных, либо те зависимости и соотношения между искомыми переменными и определяющими их факторами, которые существовали в прошлом до настоящего момента времени. При долгосрочном прогнозе спроса, как правило, интересуются связями между размером спроса и такими факторами, как доход потребителя и цена предметов потребления. При этом можно воспользоваться двумя типами зависимостей:

— в какой-либо данный момент определяются закономерности между различными уровнями дохода потребителей и соответствующими уровнями спроса на агрегированные группы (статистические коэффициенты эластичности) и эти закономерности переносятся на будущее;

— по данным за прошедший период определяются закономерности между относительным изменением спроса на группы товаров при соответствующем приросте народного дохода (динамический коэффициент эластичности от дохода) и при соответствующем изменении цен (динамический коэффициент эластичности от цен) и эти закономерности переносятся на будущее.

При первом подходе основным фактором, влияющим на спрос считается уровень дохода семьи, поэтому основной информацией для оценки будущего спроса являются результаты обследования семейных бюджетов. Источником информации для осуществления прогноза при втором подходе являются статистические данные о потреблении различных продуктов в прошлом в связи с изменением национального дохода страны, уровнем цен.

Часто возникает необходимость прогноза спроса на такие товары, которые еще не производились. В этом случае имеются по крайней мере две возможности для прогноза.

Первая возможность заключается в использовании аналогии как метода прогнозирования. Суть его заключается в том, что данный товар по сходству некоторых признаков относят к группе товаров, для которых коэффициенты эластичности и тренда известны. Тогда на основании плановых данных о росте доходов на душу населения и изменения индекса цен можно получить первичную оценку на данный товар на соответствующий плановый период.

Другой способ прогноза спроса на новый вид товара основывается на экспертных оценках специалистов. Этот вид прогноза определяется личным опытом и интуицией специалиста в этой области и носит название «субъективного прогноза».

Во многих экономических задачах, особенно в управлении запасами, требуется прогнозировать спрос на небольшие периоды времени от дней до месяца. При этом, как правило, в нашем распоряжении оказывается достаточно большой объем наблюдений над спросом за прошедшее время. В этих условиях наиболее мощным аппаратом, который может быть использован для прогноза спроса, являются методы теории вероятностей и статистические методы, в частности методы теории статистических решений.

Теория статистических решений в общем случае занимается отысканием наилучших способов принятия решений на основании наблюдений реализации случайного процесса или совокупности случайных величин.

В практике прогнозирования экономики преобладающими в настоящий 1            момент являются экономико-математические методы. Методы

прогнозирования позволяют представить объект прогноза как динамическую систему реальных явлений, факторов общественной деятельности и тем самым воспроизвести с определенной степенью вероятности поведение системы в будущем.

2.2 Методы прогнозирования спроса.

В настоящее время разработано несколько методов прогнозирования спроса, основанных на его экономико-математическом моделировании с помощью аппарата корреляционного и регрессионного анализа. Все эти ме­тоды могут быть условно подразделены на две группы в зависимости от источника статистической информации, используемой в качестве базы для построения прогнозов спроса. Это, во-первых, методы, в основе которых лежат материалы выборочного обследования бюджетов семей трудящихся (бюджетная статистика), и, во-вторых, методы, основанные на использовании в качестве базы для прогнозирования динамических рядов продажи отдель­ных товаров через розничную сеть государственной и кооперативной торговли (торговая статистика).

В специальную группу могут быть выделены методы, основанные на использовании в качестве базы для прогноза так называемой пространственной информации, т. е. информации о спросе и формирующих его факторах, взятой в территориальном (пространственном) разрезе.

Названные методы прогнозирования спроса имеют то общее свойство, что они основаны на использовании принципов моделирования. Но в то же время каждый из них отличается от другого не только исходной статистической информацией, но и методикой конкретного прогнозного расчета. Например, при прогнозировании спроса на базе данных бюджетной статистики возникает принципиальный специфический момент, связанный с расчетом распределения населения по уровню среднедушевого денежного дохода и «изложения» его на плановую структуру спроса (точнее, на прогнозную структуру спроса, рассчитанную для планового периода).

При прогнозировании спроса населения на основе динамических рядов реализованного спроса и формирующих его факторов возникает проблема исключения автокорреляции из этих динамических рядов, которой нет, если в качестве базы для прогноза используются материалы бюджетной статистики или пространственная информация.

Наконец, при использовании пространственной информации особое значение приобретает проблема «стыковки» прогнозных оценок спроса, полученных для различных территорий страны.

Кроме того, различен и характер исследуемых корреляционных связей. В первом случае (т. е. при прогнозировании спроса на базе материалов бюджетной статистики) исследуются статические взаимосвязи между расходами на покупку отдельных товаров и определяющими их факторами, складывающиеся в каком-либо одном году базисного периода.

Во втором — коррелируются динамические ряды реализованного спроса и формирующих его факторов, и здесь, следовательно, применим корреляционный анализ динамических взаимосвязей между спросом и учитываемыми в моделях факторами.

В третьем случае объектом корреляционного и регрессионного анализа становятся так называемые пространственные взаимосвязи процесса формирования спроса.

Разумеется, приведенная здесь классификация методов прогнозирования спроса населения (основанных на его моделировании) в зависимости от данного признака— характера и вида исходной статистической информации, используемой в качестве основной базы для прогноза, — не исключает возможности, и целесообразности классификации этих методов по некоторым другим признакам. Одним из таких признаков может быть, на­пример, конкретный математический инструментарий, используемый для проведения прогнозных расчетов.

В соответствии с этим признаком можно выделить, как минимум, следующие группы методов моделирования и прогнозирования:

1) методы, основанные на применении принципов многофакторного корреляционного и регрессионного анализа;

2) методы прогнозирования с помощью так называемых огибающих кривых;

3) методы, основанные на простой экстраполяции тенденций развития спроса;

4) методы, в основе которых лежит использование коэффициентов эластичности спроса от дохода и некоторых других факторов.

Каждый из этих методов основан на принципе моделирования спроса. Но сами способы и математический инструментарий такого моделирования существенно различаются. В первом и во втором случае используются наиболее сложные экономико-математические модели, в том числе основанные на многофакторном регрессионном анализе; в третьем и четвертом - простейшие экстраполяционные модели вида

y = f(x)

где у - спрос; t – время

где у - спрос; y - прирост спроса; х - определяющий спрос фактор; Лх- -прирост этого фактора;  - коэффициент эластичности спроса в зависимости от данного фактора.

Важно подчеркнуть, что каждый из выделенных здесь четырех методов моделирования может быть использован при прогнозировании спроса населения на базе данных и бюджетной, и торговой статистики и на основе пространственной информации.

Еще один признак, в соответствии с которым могут классифицироваться методы прогнозирования спроса, основанные на принципах его моделирования, — характер, или тип самих моделей, на базе которых строятся прогнозы спроса. В зависимости от этого признака можно выделить две группы методов прогнозирования:

1) методы так называемого динамического прогнозирования, в основе которых лежат динамические модели спроса;

2) методы статического прогнозирования, основанные на статических моделях спроса.

К первым относятся, в частности, методы прогнозирования спроса населения, основанные на коррелировании рядов динамики реализованного спроса и формирующих его факторов; ко вторым - методы прогнозирования спроса на базе материалов бюджетной статистики и на основе пространственной информации.

Нетрудно обнаружить, что в основе такого разграничения методов прогнозирования спроса на статические и динамические лежит класси­фикация самих моделей прогноза спроса, которые, также подразделяются на статические и динамические.   

Следует, правда, отметить, что статические модели, в принципе, могут быть преобразованы в динамические. Однако в данном случае речь идет о так называемых «изначально статических моделях», которые статичны по самой своей природе. К числу таких моделей и соответствующих им статических методов прогнозирования как раз и относятся методы и модели прогноза спроса, строящиеся на основе бюджетной статистики и пространственной информации.

Таким образом, возможны различные классификации методов прогнозирования спроса населения, основанных на принципах их моделирования. Причем каждая такая классификация будет отличаться от других основным признаком, положенным в ее основу. В целях большей наглядности целесообразно схематически воспроизвести рассмотренные выше группировки «модельных» методов прогнозирования спроса в зависимости от различных классификационных признаков (см. Приложение 1).

Разумеется, методы моделирования являются далеко не единственными из тех, что используются при прогнозировании спроса населения. В данной области прогнозирования применяется немало других методов, например методы экспертных оценок, нормативные методы прогнозирования спроса, компаративные методы. Причем каждая из названных групп методов включает в себя ряд конкретных методов прогнозирования, различающихся между собой методикой, техникой, инструментарием проведения прогнозных расчетов.

Экономико-статистические методы и модели прогноза спроса на базе материалов бюджетной статистики.

Бюджетная статистика, или, точнее, статистика выборочного обследо­вания бюджетов семей трудящихся, содержит в себе информацию о доходах, расходах (в том числе и расходах на покупку отдельных товаров), ценах покупаемых товаров и фактическом потреблении в семьях трудящихся, различающихся между собой социальной принадлежностью и уровнем среднедушевого денежного дохода.

Выборочная бюджетная статистика дает весьма обширную информацию о спросе и потреблении населения и определяющих их факторах, что позволяет использовать ее для прогнозирования спроса.

Существует несколько различных методологических подходов к построению прогнозов спроса на базе экономических группировок населения по размерам среднедушевого денежного дохода. Среди них можно выделить два основных:

метод структурного моделирования спроса и потребления;

метод, основанный на экономико-математическом моделировании зависимостей потребления и расходов на покупку отдельных товаров от уровня среднедушевого денежного дохода семей и некоторых других факторов, учитываемых бюджетной статистикой.

В основе первого метода лежит известное предположение, что влияние изменения денежного дохода на структуру спроса и потребления во времени аналогично влиянию его изменений в статическом пространстве. Исходя из этого предположения общая структура спроса и потребления населения в плановом периоде определяется фактически сложившейся в базисном году структурой спроса и потребления той экономической группы семей, среднедушевой денежный доход которой равен или близок по своим размерам среднедушевому денежному доходу планового периода. Структурные модели спроса могут быть использованы для планово -проектировочных расчётов и потребления.

В последнее время были разработаны методы прогнозирования спроса на базе бюджетной статистики с использованием корреляционного анализа. В основе этих методов лежит принцип моделирования зависимости спроса (точнее, расходов на покупку отдельных товаров) от ряда определяющих его факторов (денежных доходов населения, размеров натуральных поступлений продуктов питания из источников, не связанных рынком, уровня цен). Модели прогноза спроса строятся в виде уравнений регрессии, в которых в качестве функции выступает спрос (расход на покупку отдельного товара), а в качестве аргументов - определяющие его факторы - среднедушевой денежный доход, ценовой фактор и т. п.

Существует несколько методов прогноза спроса на основе бюджетной статистики с применением принципов регрессионного анализа. Наиболее простой из них заключается в построении уравнения множественной (или простой) регрессии по данным бюджетной статистики, выражающего зависимость спроса от дохода и некоторых других факторов. Ожидаемый спрос на товар определяется в данном случае путем подстановки в уравнение регрессии (с рассчитанными параметрами) плановых значений учтенных в модели факторов.

Другой, более сложный и более точный, метод прогноза спроса на базе материалов бюджетной статистики предполагает учет такого важного фактора, как изменение распределения населения по уровню среднедушевого денежного дохода. Необходимость учета этого фактора при построении экономико-математической модели прогноза спроса населения обоснована рядом серьезных экономических суждений. Дело в том, что учет роста среднедушевого денежного дохода населения в модели прогноза спроса еще не позволяет точно выявить степень и направление влияния этого фактора на структуру опроса. При прогнозировании спроса важно знать не только то, в каких размерах возрастет в плановом году среднедушевой денежный доход, но и то, за счет какой именно экономической группы семей произойдет этот рост. Фактически же среднедушевой доход населения может увеличиться за счет преимущественного роста доходов менее обеспеченных групп семей (т. е. тех, которые имеют относительно низкий уровень среднедушевого дохода), за счет среднеобеспеченных или высокообеспеченных групп семей либо, наконец, за счет равномерного увеличения доходов всех групп населения и т. д.

В каждом из этих случаев увеличение общего среднедушевого дохода на одну и ту же величину по-разному будет сказываться на общей структуре платежеспособного опроса населения. Так, при росте среднедушевого денежного дохода за счет увеличения денежных доходов малообеспеченных групп населения интенсивнее будет возрастать спрос на предметы первой необходимости.

Если же увеличение общего среднедушевого дохода будет достигнуто за счет роста доходов средне - и высокообеспеченных групп населения, то это вызовет иные изменения в структуре спроса, в частности, более быстрое расширение спроса на менее необходимые и дорогостоящие предметы личного потребления и повышение их удельного веса в общем объеме платежеспособного спроса.

Отсюда следует, что изменение распределения населения по уровню среднедушевого денежного дохода, т. е. изменение численности населения в разных по уровню душевого дохода экономических группах (или, что примерно равнозначно, изменение доли доходов отдельных экономических групп в общей сумме денежных доходов) должно неизбежно (и притом весьма существенно) сказываться на общей структуре платежеспособного спроса населения. Поэтому учет возможного изменения распределения населения по уровню денежного дохода является принципиально важным моментом при прогнозировании структуры платежеспособного спроса населения следовательно, методы прогноза опроса, учитывающие момент, с методологической точки зрения более точны.

Методы прогнозирования спроса населения, основанные на материалах бюджетной статистики, обладают некоторыми недостатками. Прежде всего модели спроса носят сугубо статический характер и отражают взаимосвязи между спросом и учтенными факторами, сложившиеся в каком-либо одном году базисного периода. Кроме того, ограничено и число факторов, которые непосредственно могут быть включены в такие модели. (Как правило, в этих моделях непосредственно учитывают два, в лучшем случае, -три фактора.) Что же касается специфических факторов, воздействующих на спрос и отдельным товарам, то учесть их в таких моделях не представляется возможным, поскольку они не фиксируются в бланках бюджетных обследований. И наконец, материалы бюджетной статистики не обладают точной репрезентативностью, что снижает точность прогнозных оценок спроса, получаемых на их основе.

Поэтому рассмотренные выше методы прогнозирования спроса, основанные на использовании экономических группировок населения по доходу (как, впрочем, и методы, строящиеся на основе данных торговой статистики) нуждаются в дальнейшем совершенствовании.

Экономико-статистические методы и модели прогноза спроса на базе данных торговой статистики.

В основе методов этой группы лежит принцип коррелирования рядов динамики реализованного спроса формирующих его факторов. В качестве основной исходной статистической информации при прогнозировании спроса населения используются динамические ряды продажи отдельных товаров через розничную сеть государи венной и кооперативной торговли, а также определяют влияющие на спрос факторы: денежные доходы населения, розничные и некоторые другие факторы, выбираемые в соответствии со спецификой формирования спроса на конкретные товары.

Модели прогноза спроса строятся в виде многофакторных уравнений регрессии, в которых коррелируются либо отклонения эмпирических данных от теоретических значений уровней динамических рядов спроса и определяющих его факторов, либо сами эти уровни (в абсолютных величинах или относительных, например, базисные индексы изменения спроса и формирующих его факторов).

Коррелирование отклонений от уровней преследует и исключения автокорреляции из динамических рядов. Дело в том, что методы корреляционного и регрессионого анализа дают наибольший эффект при обработке динамических рядов, в которых нет автокорреляции, т. е. зависимости значения каждого последующего числа ряда от уровня предыдущего.

Для исключения автокорреляции и предлагается коррелировать не абсолютные уровни динамического ряда, а отклонения эмпирических данных от выравненных (теоретических) значений динамического ряда. В этих целях иные динамических рядов логарифмируются и находятся первые разности их логарифмов. Затем из полученных рядов исключаются их временные тренды и по полученнным отклонениям от трендов строятся уравнения множественной регрессии. Но сам процесс исключения автокорреляции из динамических рядов, основанный на коррелировании отклонений от трендов, представляет собой довольно сложную процедуру и сопряжён с проведением большого объёма счётно - вычислительных работ.

Возможны различные подходы к прогнозированию спроса с использованием данных торговой статистики. Все они различаются между собой по двум основным признакам: во - первых (как уже отмечалось), по способу исключения автокорреляции из динамических рядов (в одних случаях предлагается коррелировать отклонения от уровней, в других - сами уровни динамических рядов); во - вторых, по способу прогнозного расчёта:

различаются метод прямого потоварного счёта, при котором спрос рассчитывается на каждый товар в отдельности, и так называемый метод поэтапного расчёта структуры спроса, при котором расчёт спроса постепенно переходит от крупных товарных групп к более мелким, вплоть до отдельного конкретного товара.

При потоварном методе счёта для каждого товара строится своя индивидуальная модель, отражающая связь между спросом на этот товар и формирующими его (спрос) факторами.

Принципиальное значение при потоварном методе прогнозирования спроса населения имеет выбор конкретных факторов, включаемых в индивидуальные экономико-математические модели прогноза спроса на отдельные товары.

Естественно, что спрос на многие товары может формироваться под влиянием одних и тех же факторов. Поэтому всю совокупность товаров, в разрезе которых предлагается строить прогноз спроса, можно расчленить на ряд групп. В каждую ив них войдут товары, спрос на которые формируется под воздействием одних и тех же факторов. Могут быть выделены, в частности, следующие группы товаров с более или менее идентичными факторами и условиями формирования спроса:

1) продукты питания сельскохозяйственного производства, поступающие в потребление без промышленной переработки (мясо, молоко, яйца, картофель, овощи, фрукты);

2) продукты питания промышленного производства (кондитерские изделия, сахар, хлеб и хлебобулочные изделия, растительное и животное масло, сыр и др.);

3) предметы одежды и туалета (ткани, швейные изделия, обувь, головные уборы, трикотаж, чулки-носки, меховые изделия);

4) галантерея, ювелирные изделия, парфюмерия; •

5) средства санитарии и личной гигиены (мыло хозяйственное, мыло туалетное, синтетические моющие средства);

6) табачные изделия, махорка, спички;

7) керосин;

8) мебель, ковры и ковровые изделия, прочие предметы домашней обстановки;

9) кровати металлические;

10) посуда металлическая и стекло-фарфоро-фаянсовая;

11) ученические тетради, бумага, канцелярские товары;

12) печатные издания;

13) музыкальные товары;

14) игрушки;

15) спорттовары, прочие культтовары;

16) телевизоры;

17) радиоприемники, радиолы;

18) стиральные машины;

19) швейные машины;

20) часы, электропылесосы, холодильники;

21) мотоциклы, мотороллеры, легковые автомобили;

22) другие непродовольственные товары;

23) вкусовые продукты питания (соль, перец, пряности).

Выделенные здесь группы товаров отличаются достаточно близкими условиями формирования спроса и потому набор факторов, включаемых в модели прогноза спроса на каждую из этих групп, может быть одинаковым. В отличие от потоварного расчета структуры спроса метод поэтапного прогнозирования, как уже отмечалось, предполагает постепенный переход от расчетов спроса на укрупненные товарные группы ко все более мелким. Например, в подгруппе продовольственных товаров выделяются такие товар­ные группы, как мясопродукты, рыбопродукты, группа продуктов растительного происхождения и т. д. В подгруппе непродовольственных товаров выделяются ткани, обувь, товары культурно-бытового назначения и т. д. После того как будет рассчитан спрос на эти товарные группы, происходит их дальнейшее разукрупнение и строится прогноз спроса на еще более мелкие товарные группы.

Таким образом, в конечном счете процесс дезагрегирования товарного ассортимента доводится до выделения отдельных товаров.

Отличительной особенностью такого поэтапного метода прогноза структуры платежеспособного спроса является то, что рассчитываемые на каждом предыдущем этапе значения спроса на укрупненные товарные группы служат исходной базой для расчета размеров спроса на менее крупные группы товаров, а последние в свою очередь служат необходимой информацией для прогноза спроса на отдельные товары. Причем расчет строится таким образом, что спрос на крупную товарную группу выступает в качестве основного фактора при, расчете параметров модели и прогнозе спроса на дезагрегированные товарные группы.

Достоинства, и отдельные недостатки данного метода прогнозирования спроса населения хорошо известны. В практике прогнозных расчетов спроса с помощью данного метода общий объем платежеспособного спроса населения на плановый период, как правило, не рассчитывается. Поэтому в модели прогноза спроса на укрупненные товарные подгруппы (в частности, продовольственные и непродовольственные товары) этот фактор не фигурирует. Вместо него используются данные о динамике общего объема розничного товарооборота, плановые размеры которого являются той исходной величиной, на базе которой строится весь расчет структуры спроса. Иначе говоря, уже в самом начальном этапе расчётов возможное в плановом периоде изменение спроса на отдельные товары и всей структуры спроса ограничено некоторыми рамками заранее заданного объёма общего товарооборота. В этом также заключается один из недостатков прогнозирования спроса методом поэтапного счета.

При использовании данного метода методологически правильнее было бы исходить в расчетах не из заранее заданного планом объема розничного товарооборота и «подгонять» под него всю структуру платежеспособного спроса, а рассчитывать возможный в планируемом периоде общий объем платежеспособного спроса населения и только после этого приступать к рас­четам спроса на крупные товарные подгруппы, включая в модель рассчитанный объем совокупного спроса в качестве одного из факторов, определяющих спрос на эти подгруппы.

При прогнозировании спроса населения методом поэтапного счета весьма важное значение имеет проведение балансировочных расчетов, цель которых заключается в том, чтобы обеспечить «стыковку» результатов прогнозных оценок спроса, полученных по отдельным товарам, с прогнозными оценками спроса по всей данной товарной группе, а последние с прогнозными оценка­ми более крупных товарных групп и с оценкой общего объема спроса населения на все товары. Необходимость такой балансировки возникает в тех случаях, когда прогнозные оценки спроса на агрегированные товарные группы не совпадают с суммой прогнозных оценок спроса на все входящие в такую группу составные части. Такое несовпадение встречается довольно часто, поскольку при поэтапном методе расчета прогнозы спроса на каждую укрупненную товарную группу и на все входящие в ее состав более мелкие товарные подгруппы или отдельные товары строятся по различным моделям.

При прогнозировании спроса на основе торговой статистики по принципу коррелирования динамических рядов необходимо правильно установить продолжительность исходного динамического ряда, т. е. периода, на базе которого строится прогноз. Дело в том, что чрезмерная продолжительность динамического ряда не всегда бывает приемлема (с точки зрения точности конечного результата прогноза). Если брать ряд динамики большой продолжительности, то при расчете параметров уравнений регрессии неизбежно сказываются прежние тенденции в развитии реализованного спроса и формирующих его факторов, имевшие место в прошлом, но уже не характерные для настоящего времени и тем более для будущего. Поэтому конечный результат прогноза всегда будет нести на себе отпечаток прошлых лет.

В связи с этим возникает необходимость ограничить базисный период, на основе которого строится прогноз, тем отрезком времени, в течение которого сложилась достаточно стабильная и характерная для настоящего периода тенденция развития спроса.

Иными словами, за базу для прогноза следует брать лишь тот период (непосредственно «примыкающий» к плановому), в котором действовала устойчивая тенденция развития реализованного спроса. Остальные годы ба­зисного периода, в которые спрос имел нехарактерную для современного этапа тенденцию развития, отсекаются и в расчетах параметров модели не принимают участия.

Для более точного определения продолжительности временного ряда, на базе которого должен строиться прогнозный расчет спроса, динамические ряды продажи отдельных товаров необходимо соответствующим образом обработать. В результате такой обработки требуется получить динамические ряды реализованного спроса в показателях, которые бы по возможности исключали влияние на общую тенденцию продажи некоторых факторов.

Такой подход к выбору продолжительности временного ряда, позволяет, следовательно, исключить влияние на конечный результат прогноза спроса нехарактерных тенденций его развития, наблюдавшихся в отдельные годы базисного периода.

Особенности моделирования и прогнозирования спроса населения с использованием пространственной информации.

Рассмотренные выше методы прогноза спроса, основанные на использовании принципа коррелирования динамических рядов реализации и формирующих спрос факторов, а также   статические модели спроса, строящиеся на базе материалов бюджетной статистики, обладают одним весьма существенным недостатком, осложняющим проведение надёжного корреляционного анализа. Дело в том, что количество наблюдений, на базе которых проводится корреляционный анализ, в каждом из этих случаев весьма ограничено. Так, при использовании методов коррелирования динамических рядов оно, как правило, не превышает 20 (в соответствии с продолжительностью временного ряда, принятого за базу для прогноза спроса).

Во втором случае (т. е. при использовании бюджетной статистики) число наблюдений еще меньше.

Таким образом, использование при прогнозировании спроса динамических рядов продаж и данных бюджетной статистики не позволяет в полной мере решить проблему увеличения числа наблюдений, необходимых для проведения надежного и достоверного корреляционного анализа. Между тем ограниченное число наблюдений не только снижает точность корреляционного анализа, но и не позволяет включать в экономико-математическую модель прогноза спроса достаточное число факторов. В данном случае в модель непосредственно может быть включено не больше 2—3 факторов (исходя из требования, что число наблюдений при корреляционном анализе должно значительно не менее чем в 6-7 раз -превышать число учтенных факторов). Включение же в модель большего числа факторов без увеличения числа наблюдений нарушает математическую корректность корреляционного анализа и делает параметры модели весьма неустойчивыми.

Существенно, увеличить число наблюдений для проведения корреляционного анализа (а следовательно, и расширить возможности непосредственного включения в модель дополнительных факторов) можно при использовании в качестве исходной статистической базы для построения прогнозов спроса так называемой пространственной информации. Следует подчеркнуть, что принцип моделирования спроса на базе пространственной информации (принцип «пространственного» моделирования) может быть применим при прогнозировании как индивидуального, так и производственного спроса (в отличие, например, от бюджетной статистики, которая применима только для построения прогнозов спроса населения).

Методы прогнозирования спроса на базе пространственной информации имеют ряд других преимуществ по сравнению с рассмотренными выше. Так при использовании пространственной информации значительно повышается точность и надежность корреляционного анализа, поскольку в данном случае число точек, участвующих в расчете параметров регрессионной модели, достаточно велико. Кроме того, поскольку число наблюдений во много раз превышает число переменных величин, фигурирующих в экономико-математической модели, постольку сами параметры модели приобретают большую устойчивость. С другой стороны, увеличение числа наблюдений позволяет включать в модель дополнительные факторы, что безусловно повышает точность самой модели (в смысле адекватности ее реальному процессу формирования спроса). И наконец, использование пространственной информации при прогнозировании спроса ликвидирует необходимость специальных преобразований исходной статистической базы, проводимых в целях исключения автокорреляции и мультиколлинеарности, которые неизбежны при использовании соответственно метода коррелирования динамических рядов и метода прогноза спроса на базе бюджетной статистики. Данное обстоятельство также существенно упрощает прогнозные расчеты спроса на базе пространственной информации и по­вышает их точность (по крайней мере гарантирует от неточностей расчетов, возникающих в процессе исключения автокорреляции и мультиколлинеарности).

Все это, безусловно, делает весьма перспективным применение принципов «пространственного» моделирования при построении прогнозов спроса.

Выше рассматривались методы прогноза спроса, основанные на использовании исключительно либо данных торговой статистики, либо материалов выборочного обследования ил семейных бюджетов. Однако каждый из этих методов наряду с преимуществами имеет и недостатки. В частности, существенным недостатком методов прогнозирования спроса, основанных на использовании материалов торговой статистики, является то, что они не учитывают такого важного фактора, определяющего структуру платежеспособного спроса, как изменение распределения населения по уровню среднедушевого денежного дохода.

Недостаток моделей прогноза спроса, строящихся на основе материалов бюджетной статистики, состоит в том, что они не в состоянии в полной мере учесть некоторые важные факторы, определяющие развитие спроса, на­пример, такие, как уровень технического прогресса, степень обеспеченности семей отдельными товарами народного потребления и ряд других. Другим, не менее крупным недостатком этих методов, а точнее, самой бюджетной статистики, является низкая ее репрезентативность.

В связи с этим возникает необходимость разработки комплексных методов прогноза спроса, базирующихся на одновременном использовании этих двух источников информации и сочетающих в себе оба названных методологических подхода.

Разработка таких методов может вестись в разных плоскостях и по разным направлениям. Одно из них— создание модели прогноза спроса, строящейся по принципу коррелирования динамических рядов и одновременно учитывающей в себе изменение распределения населения по уровню среднедушевого денежного дохода, точнее, влияние этого фактора на структуру платежеспособного спроса.

Как известно, использование принципа коррелирования рядов динамики реализованного спроса и формирующих его факторов не позволяет непосредственно учесть в регрессионной модели прогноза спроса в качестве самостоятельного фактора изменения распределения населения по уровню среднедушевого денежного дохода. Для учета этого фактора необходимо привлечение материалов бюджетной статистики, на базе которых можно судить о степени влияния данного фактора на величину спроса, точнее, определить, какие именно количественные сдвиги в спросе вносят изменения, происходящие в распределении населения по уровню среднедушевого денежного дохода.

Комплексная система моделей прогноза спроса, строящаяся на использовании различных источников информации — торговой и бюджетной статистики, позволяет полнее использовать преимущества различных методов расчета. В данном случае используется высокая точность данных торговой статистики, на базе которых и строится основной прогноз, с возможностью учета влияния на спрос изменений распределения населения по уровню среднедушевого денежного дохода, которую предоставляет использование материалов обследований семейных бюджетов.

В принципе возможны различные методологические подходы к построению комплексных моделей прогноза спроса, основанных на сочетании материалов бюджетной и торговой статистики. Выбрать и них наилучший (с точки зрения точности результата прогноза) можно лишь с помощью экспериментальны расчетов.