Перспективный анализ объёма продаж

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 (Y_t) для любой даты прогнозного периода можно определить по формулам [17, c.126]:

Y_t =Y₀ + ∆Y_ср (t-1) или Y_t = Y₀× (I_p^ср),     (2.1)

где Y₀ ^— начальный уровень ряда; ∆Y_ср — средний абсолютный прирост показателя объема продаж, рассчитанный по средней арифметической; t-порядковый номер даты (года, квартала, месяца); I_p^ср — средний темп роста показателя объема продаж, определяемый по средней геометрической:

I_p^ср= (Y_t/Y₁)^1/t-1,       (2.2)

где Y_t — уровень последнего периода; Y_t - 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.

Наиболее эффективным  способом выявления тренда, выражающего  основную тенденцию временного ряда, является аналитическое выравнивание динамического ряда с помощью регрессионного анализа, которое может производиться по прямой, параболе, гиперболе, экспоненте.

Суть его состоит  в подборе линии регрессии  поданным наблюдений таким образом, чтобы квадраты их отклонений от линии  регрессии были минимальными [17, c.129].

∑(Y-Y_t)² = min,      (2.3)

где Y -фактические уровни временного ряда; Y_t — выровненные уровни временного ряда.

Рассмотрим технику  аналитического выравнивания приведенного динамического ряда по прямой [17, c.132]:

Y_t= a+bt,      (2.4)

где a и b — параметры оценки; t — номер периода.

Параметры прямой, удовлетворяющие  методу наименьших квадратов, находятся с помощью следующей системы уравнений:

na+b∑t = ∑y; 

∑t + b∑t² = ∑yt,      (2.5)

где у - фактические уровни; n — число членов ряда динамики.

Расчет доверительного интервала предсказанных значений существенно повышает качество прогноза. Вместе с тем механические методы обработки временных рядов имеют достаточно много ограничений:

1) не могут быть  использованы, если не накоплена  ретроспективная информация в  необходимом объеме об изучаемом  явлении (например, для нового  изделия, нового вида оборудования);

2) прогнозы, основанные  на экстраполировании тренда, предполагают  продолжение, а не изменение  тенденции развития, т.е. не учитывают  поворотные точки, которые очень  важны в практическом менеджменте;

3) прогнозирование объема  продаж на основании изучения одного динамического ряда имеет ограниченное применение и в силу того, что здесь не учитывается взаимосвязь изучаемого явления с другими.

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]:

Y_t = а + b₀х_t +b₁x_t-1+…+ b_tx_t-1+ε,     (2.6)

Коэффициент регрессии b₀ при х_t характеризует средний абсолютный прирост Y при изменении х на единицу в некоторый фиксированный момент времени t без учета времениого 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+…+b_t) 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 b_j при лаговых переменных на долгосрочный мультипликатор, получают относительные коэффициенты модели с распределенным лагом, которые являются весами для соответствующих коэффициентов b_j.:

β= b_j./b       (2.7)

Каждый из них измеряет долю общего изменения Y в момент времени (t+j). Величина среднего лага определяется по формуле:

i_ср=∑j×β_j       (2.8)

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. Анализ показателей объема  продаж продукции в ОАО «Завод-Элекон»

2.1. Краткая характеристика предприятия ОАО «Завод-Элекон».

ОАО «Завод-Элекон» - это  головное предприятие России по разработке и производству электрических соединителей. На протяжении многих лет объединение, в которое входит ОАО «Завод Элекон»  г. Казань, ОАО «Электросоединитель» г. Уруссу, ОАО «Копир» г. Козьмадемьянск и ОАО «Оптика и электроника Плюс» г. Москва, разрабатывает и производит свыше 70 типов соединителей, включая 30000 типономиналов с числом контактов от 1 до 102, которые применяются в военной, авиационной, космической, ракетной и общепромышленной технике [27].

Продукция ОАО «Завод Элекон» - электрические соединители  находят самое широкое применение во всех видах военной и гражданской  техники и многих отраслях промышленности, ракетах-носителях, военных и гражданских самолетах, вертолетах, надводных кораблях и подводных лодках, танках, радиолокаторах, системах спутниковой связи и навигации, телемеханики и автоматики, телевидении и электротехнике, атомных и тепловых электростанциях, железнодорожной технике, тракторах и грузовых автомобилях. Широкий диапазон токов: от микроампер до сотен ампер, напряжений: от милливольт до сотен вольт, большой набор габаритов, контактных наборов, способов сочленения: резьбовых, врубных, байонетных, способов монтажа проводами и крепления на изделиях: гайкой, пайкой сваркой и т. д [27].

Ассортимент продукции  за 2010 год представлен в таблице 2.1.

Основные технико-экономические  показатели ОАО «Завод-Элекон» за последние 2 года представлены в таблице 2.2.

 

Таблица 2.1.

Ассортимент соединителей производства  ОАО «Завод-Элекон» в 2010 г.

Виды продукции	Количество проданной  продукции, шт.	Цена за ед. изделия, руб.
ОНЦ-РГ-09	45000	100
2РТТ	27500	200
ШР	26000	250
СНЦ 124,125	25000	300

 

Как видно из таблицы 2.2, основные показатели за 2010 год изменились незначительно. Предприятие остается рентабельным, несмотря на экономический кризис.

Таблица 2.2

Основные технико-экономические  показатели ОАО «Завод-Элекон» за 2009-2010 гг.

Показатели	2009 г.	2010г.
1.Выручка от продаж, млн. руб.	22900	23400
2.Объем продаж, шт.	104436	123500
3.Себестоимость продаж, млн. руб.	20556	21850
4.Прочие доходы, тыс.  руб.	460	500
5.Прочие расходы, тыс.  руб.	139	120
6.Прибыль (убыток) от  обычной деятельности, млн. руб.	2298	1194
7.Рентабельность продукции, %	8,2	8,3
8.Среднегодовая стоимость  основных произв.фондов. тыс.руб.	241,8	243,1
9.Среднесписочная численность  работников, чел.	89	86

 

2.2. Анализ динамики выполнения  плана и ритмичности реализации  готовой продукции в ОАО «Завод-Элекон»

Анализ начинается с  изучения динамики объема продаж продукции, расчета базисных и цепных темпов роста и прироста (таблица 2.3).

 Таблица 2.3

Динамика объема продаж продукции ОАО «Завод-Элекон»в сопоставимых ценах

Год	Объем реализации, млн. руб.	Темпы роста, %
		базисные	цепные
2006	20000	100,0	100,0
2007	19600	98,9	98,9
2008	20800	104,0	106,1
2009	22900	114,5	110,1
2010	23400	117,0	102,2