Прогноз потребности в оборотных средствах

       

,                                                                                            (2.4) 

       Скорость  оборота О_О показывает продолжительность одного оборота в днях и рассчитывается путем отнесения произведения суммы потребляемых оборотных средств С_О на количество дней в период Д к стоимости реализованной продукции РП: 

       

,                                                                                         (2.5) 

       Время одного оборота можно определить следующим образом: 

       

,                                                                                              (2.6) 

       360 - округленное число дней в году [7].

       В данной пункте описаны методы, с помощью которых можно определить нормативы оборотных средств. А также рассмотрены позиции, с помощью которых производится нормирование оборотных средств. 

       2.2 Обоснование методики прогнозирования величины оборотных  средств 

       Под прогнозированием понимается процесс  разработки прогнозов – научно обоснованных суждений о возможных состояниях объекта  в будущем.

       Принципиальная  возможность прогнозирования основывается на предположении о закономерном характере изменения различных  показателей и на инерционности технико-экономических процессов.

       Самым распространенным и разработанным  являются методы прогнозной экстраполяции. На сегодняшний день этот метод широко применяется в стратегическом планировании и управлении.

       Принципиальная  возможность прогнозирования основывается на предположении о закономерном характере изменения различных показателей и на инерционности технико-экономических процессов.

       Экстраполяция – это прогнозирование на основе предположения о неизменности тенденции  в будущем.

       Область применения это прогноз потребности  в ресурсах, прогнозирование спроса. Являясь по сути краткосрочным, он показывает потребность в ресурсах только на следующий временной промежуток.

       Экстраполяционный метод прогнозирования состоит  из следующих этапов:

1. Установление наличие и тесноты связи между величиной прогнозируемого показателя и фактором времени.
2. Выбор вида математической модели, описывающей взаимозависимости y_t и t.

3. Расчет критериев точности модели.
4. Прогнозирование показателя y_t

       Этап 1.  Установление наличие и тесноты связи между величиной прогнозируемого показателя и фактором времени.

       а) Определить точечную оценку коэффициента корреляции: 

       

,                                                                               (2.7) 

       где y_ti – текучее значение показателя y_t (t=1…n);

       t_i – текучее значение показателя t (I = 1…n);

       n – количество лет, за которые собранна статистика о значении показателя y_t.

       б) Проверить значение коэффициента корреляции по критерию 

       

 

       

                                                                         (2.8)

       где  – коэффициент оценки достоверности гипотезы о значимости коэффициента парной корреляции (приложении 1)

       k = n-2 – число степеней свободы;

         – вход в таблицу  ;

         – уровень значимости гипотезы.

       По  величине r_yt определяется сила взаимосвязи y_t и t при наличии между ними линейной связи. Чем ближе r_yt к +1 или –1, тем ближе связь между y_t и t к линейной. Наличие нелинейной связи определяется с помощью корреляционного отношения .

       Этап  2. Выбор вида математической модели, описывающей взаимозависимости y_t и t.

       а) Построить график изменения показателя y_t на интервале [t₁, t_n].

       б) Выбрать форму зависимости  = f(t). Существует несколько практических подходов, которые позволяют более или менее удовлетворительно выбрать адекватную действительность динамики форму кривой. Наиболее простой путь – визуальный – выбор формы на основе графического изображения ряда динамики.

       Расчет  параметров тренда , выбранного для экстраполяции, осуществляется по методу наименьших квадратов (МНК), сущность которого сводится к минимизации суммы квадратов отклонений фактических значений от расчетов.

       

. 

       Этап 3. Расчет критериев точности модели осуществляется в следующем порядке.

       а) Определить расчетные значения моделируемого  показателя , подставляя значения аргументов в полученное уравнение тренда.

       б) Вычислить отклонение фактических  значений y_t  от расчетных 

       

.

       в) Рассчитать среднее квадратическое отклонение: 

       

,                                                                        (2.9) 

       где n – число наблюдений,

       р – количество расчетных коэффициентов в уравнении тренда.

       г) Определить среднюю относительную  ошибку: 

       

,                                                                      (2.10) 

       Важным  критерием надежности модели является эмпирическое корреляционное отклонение: 

       

,                                                                               (2.11) 

       где S² – общая дисперсия,

       S² - остаточная дисперсия. 

       

,                                                                               (2.12) 

        - математическое ожидание показателя, вычисленное по заданному динамическому ряду.

       Корреляционное  отношение характеризует тесноту  связи между y_t и t при не линейных зависимостях, его значения находятся в пределах от 0 до 1. Если зависимость линейна, то

       

       Это условие может быть использовано в качестве критерия линейности модели. Если условие выполняется, то линейность регрессии подтверждается.

       Этап  4. Прогнозирование показателя y_t.

       а) Расчет точечной оценки прогноза показателя осуществляется подстановкой величины t_i=n+1 в полученное уравнение тренда.

       б) Расчет интервальной оценки прогноза осуществляется по зависимости

       

 

       

,                                                                 (2.14)

       где  t_jк – статистика Стьюдента определяемая по табл. 1 приложение 1 по выходам k= n-2 и p = 1- ;

       n – число наблюдений в динамическом ряду;

       t_n+1 – величина t для прогноза года;

       t – математическое ожидание t;

         – среднее квадратическое  отклонение фактических наблюдений y_t от расчетных .

     Корреляционно-регрессионное  моделирование основывается на методологии парной корреляции, рассматривающей влияние факторного признака x на результативный y. Чаще всего исследуется зависимость результативных признаков от нескольких факторных.

     Общепринятым  является трехстадийный отбор факторов. На первой стадии осуществляется априорный  анализ, на факторы, включаемые в состав модели, не накладываются ограничения. На второй стадии производится оценка и отсев части факторов. Это достигается путем анализа парных коэффициентов корреляции и оценка их значимости. Для этого составляется матрица парных коэффициентов корреляции r_ij. 

 

     Анализ  таблицы ведется с использованием следующих критериев:   r_yi > r_ij; r_yj > r_ij; r_ij > 0,8.

       На третьей стадии производят  окончательный отбор факторов  путем анализа значимости вектора оценок параметров различных вариантов множественной регрессии с использованием критерия Стьюдента – t_расч. > t_γ,k.

      Сущность  методов прогнозной экстраполяции  заключается в изучении динамики изменения экономического явления  в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития.

      Однако  степень реальности такого рода прогнозов  и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром.

      Этот  способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы. Кроме указанных достоинств, он имеет несколько существенных недостатков. Во-первых, все фактические наблюдения являются результатом закономерности и случайности, следовательно, основываться на последнем наблюдении неправомерно. Во-вторых, нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае. В-третьих, данный подход не позволяет сформировать интервал, в который попадает прогнозируемая величина. В связи с этим метод экстраполяции не дает точных результатов на длительных срок прогноза, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов – на 5-7 лет.

      Для повышения точности экстраполяции  используются различные приемы. Один из них состоит, например, в том, чтобы  экстраполируемую часть общей кривой развития (тренда) корректировать с  учетом реального опыта развития отрасли-аналога исследований или объекта, опережающий в своем развитии прогнозируемый объект.