Параметрическое моделирование и прогнозирование рядов экономической динамики с колебательной компонентой тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | кандидат экономических наук |
| Автор | Семенычев, Евгений Валериевич |
| Место защиты | Самара |
| Год | 2006 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Параметрическое моделирование и прогнозирование рядов экономической динамики с колебательной компонентой"
На правах рукописи
Семенычев Евгений Валериевич
ПАРАМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ РЯДОВ ЭКОНОМИЧЕСКОЙ ДИНАМИКИ С КОЛЕБАТЕЛЬНОЙ КОМПОНЕНТОЙ
Специальность 08.00.13 - Математические и инструментальные методы экономики
Автореферат тисссртяпии ка соискание ученой (гт*епени кандидата экономических наук
г. Самара - 2006
Работа выпонена на кафедре экономики Самарского государственного аэрокосмического университета имени академика С.П.Королева
Научный руководитель: доктор экономических наук
Вагапова Дания Завдатовна
Официальные оппоненты: доктор экономических наук, профессор
Афоничкин Александр Иванович
кандидат экономических наук
Богатырев Дмитрий Владимирович
Ведущая организация - Международный институт рынка г. Самара
Защита диссертации состоится л28 апреля 2006 г. в 10 час. на заседании диссертационного совета ДМ 212.215.01 в Самарском государственном аэрокосмическом университете имени академика С.П.Королева по адресу 443086, Самара, Московское шоссе, 34
С диссертацией можно ознакомиться в библиотеке Самарского государственного аэрокосмического университета имени С.П.Королева
Автореферат разослан л24 марта 2006 г.
Учёный секретарь диссертационного совета кандидат экономических наук, доцент
Сорокина М.Г.
Общая характеристика работы
Актуальность темы исследования. Исследование социально-экономических процессов и явлений в подавляющем большинстве случаев включает в себя экономико-математические моделирование динамики определяемых переменных (показателей) в виде факторной модели (регрессии на множество факторов (определяющих переменных)) или в виде трендовых моделей (регрессии на один фактор, в качестве которого наиболее часто выступает время).
Для использования современных численных методов обработки данных обычно трендовые модели рассматривают в форме рядов динамики показателей, уровни которых фиксируются через равный промежуток значений определяющей переменной (для времени - через месяц, квартал, декаду, неделю, день или даже час).
Трендовые модели линтегрируют в себе действие всего множества факторов, не выделяя их по отдельности, позволяют легко перейти к решению такой практически важной задачи, как прогнозирование.
В рыночной экономике прогнозирование является основой систем управления, характеризует будущее развитие, исходя из гипотезы, что основные тенденции, действующие факторы и зависимости прошлого и текущего периода сохранятся на период прогноза. При этом прогнозирование с помощью рядов динамики является одним из методов статистического прогнозирования и используется, обычно, для краткосрочного и среднесрочного прогнозирования при недостаточности или отсутствии знаний о природе изучаемого процесса.
Рынок товаров и услуг, даже регулируемый государством, склонен к стихийности и подвержен колебаниям, как случайным, так и постоянно повторяющимся. В реальной экономической практике (в производстве, торговле, маркетинге и т.д.) часто анализируют и моделируют одномерные ряды динамики, порождаемые экономическими процессами и явлениями, в которых помимо тренда (тенденции) содержится аддитивная или мультипликативная периодическая колебательная компонета и сТихасгичЁСкая компонента. В случаях, когда колебательная компонента имеет период менее одного года, говорят о тренд-сезонных процессах явлениях, а когда период колебательной компоненты превышает один год - о тренд-циклических процессах и явлениях.
Характеризуя колебательную компоненту периодом, исследователи обычно используют при её моделировании и другие категории из теории колебаний: представляют её виде суммы нескольких гармоник с соответствующими амплитудами и фазами (в частности рядом Фурье) или суммой произведений гармоник на полиномы от времени. При этом отмечается, что в процессах, порождаемых экономическим объектом, зачастую происходят эволюционные изменения амплитуд и фаз гармоник (реже - частоты), особенно в тренд - циклических рядах динащиси^ В этих
| рос национальная ) библиотека i
случаях речь идёт, по сути, о моделировании не стационарной, а лэволюционной колебательности, и, как следствие, возникает вопрос о мониторинге эволюции параметров или вида колебательности Очевидно, что в общем случае следует говорить об эволюции и о мониторинге также и тренда в ряде динамики.
Колебательность обычно классифицируют как аддитивную, когда её значения (имеются в виду амплитуды гармоник) постоянны и складываются со значениями тренда, и мультипликативную - когда значения амплитуд колебательной компоненты переменны.
Наиболее ярко сезонность, связанная с действием природно-климатических факторов, наблюдается в сельскохозяйственных и добывающих отраслях, в легкой промышленности, бытовом обслуживании и транспорте. Сезонность в экономике обычно отрицательно сказывается на результатах производственной деятельности: вызывает аритмию производственных процессов, влияет на уровень занятости населения, загрузку производственных мощностей и т.п., что в конечном итоге отражается на производительности труда и социальных показателях жизни населения.
Следует отметить, что термин сезонная компонента не связывают исключительно с природными, климатическими факторами. Причиной возникновения колебаний могут быть и организационно-управленческие, обусловленные, например, периодичностью проведения подписных компаний в средствах массовой информации, установленными сроками уплаты налогов, моментами открытия бирж, периодичностью в воспонения запасов предприятия и оптимизацией размера заказов в соответствии с современными законами логистики, установлением периодичных сроков контрактных обязательств и т.п.
Далеко не во всех случаях сезонность является следствием действия неуправляемых или почти неуправляемых факторов. В настоящее время задача сезонной корректировки считается одной из наиболее актуальных. В случаях, когда прямое воздействие на процессы, вызывающее сезонные колебания, невозможно, необходимо учитывать их при совершенствовании технологических, организационно - экономических процессов и процессов управления. Большой практический интерес вызывает элиминирование (исключение) сезонных колебаний из рядов динамики.
Зачастую, период колебаний, вызванных организационно-управленческими причинами, известен, или, во всяком случае, постулируется известным, что целесообразно учесть при разработке и реализации методов моделирования и прогнозирования. Что же касается амплитуды и фазы колебаний, вызванных природно-климатическими факторами, то принятие их известными и постоянными проблематично в силу значительной вариации этих факторов, инерционности и многообразия их воздействия.
В реформируемой экономике посткоммунистической России экономические циклы сформировались не в поной мере, поэтому чаще
объектом анализа будет сезонная компонента, а термины сезонность и колебательность можно считать синонимичными.
Значительный вклад в моделирование и прогнозирование тренд-сезонных и тренд-циклических рядов динамики в отраслях промышленности, в бытовом обслуживании, в сельском хозяйстве и на транспорте внесли С.А. Айвазян, В.Н.Афанасьев, Дж. Бокс, С. Вейдж, В.В. Губанов, Г.Д. Дженкинс, И.И. Елисеева, Е.В. Зарова, P.A. Кашьяп, Г.Б. Клейнер, Л.М. Койк, Ю.П. Лукашин, B.C. Мхитарян, В.А. Половников, А.Р. Pao, Г. Тейл, Н.П. Тихомиров, П.Р. Уинтерс, Г.Р. Хасаев, Е.М. Четыркин, И.С. Шелобаева, В.В.Швырков, Т.С. Швыркова и др.
Однако ряд актуальных вопросов их моделирования и прогнозирования требует новых решений. Обычно ряды динамики с колебательной компонентой моделируют в непараметрической форме, в несколько этапов на выборке длительностью от 4 до 10 периодов колебательной (сезонной) компоненты (соответственно, требуется объём выборки от 48 до 120 ежемесячных наблюдений, если периодом компоненты является год).
Непараметрические методы используют в силу сложности параметризации нелинейных по параметров рядов (модели трендов могут быть нелинейны по параметрам, а модели гармоник - принципиально нелинейны по частоте и фазе). Обращение к известным приёмам линеаризации моделей путём перехода к обратным величинам определяющих переменных или логарифмированием (при аддитивных рядах динамики с колебательной компонентой) обычно невозможно.
Во всех известных методах (в том числе в наиболее известном Census Method) моделирования колебательная компонента определяется как устойчивая, усредненная (верная в среднем) для всего интервала усреднения, а не эволюционная колеблемость.
Вид и параметры выровненного тренда, определяемого на первом этапе моделирования, зависят от объёма выборки, метода выравнивания, опыта исследователя и существенно трансформирует исходный ряд динамики. Переход для моделирования устойчивой колебательной компоненты от первичных наблюдений к исчисленным отклонениям от искусственно построенной линий тренда може! повлечь за собоп ухудшение точности моделирования данной компоненты и, впоследствии, тренда при аналитическом выравнивания и прогнозировании.
Очевидно, что использование длинных выборок далеко не всегда возможно в экономической практике, например, не позволяет принципиально анализировать ряды динамики, не имеющие большого объёма выборок: молодые и, как правило, наиболее динамические процессы и явления (например, появление новых печатных СМИ, оценка конкурентности, перспектив прибыльности которых и соответствующие управляющие воздействия дожны быть сделаны в первые потора - два года после создания).
Использование длинных выборок может привести к малой точности моделирования и, особенно, прогнозирования неслучайных компонент ряда динамики, если виды моделей трендов и колебательности, значения их параметров на длительности в несколько периодов меняются, что характерно для практики экономических измерений.
До настоящего времени не решен целый ряд вопросов но методологии выбора и обоснования для приложений моделей тренда (по характеру второй производной, наличию асимптот, точек разрыва и т.д.), по построению модели мультипликативных колебательных компонент не в относительных линдексах, а в параметрической (в размерной) форме.
Отметим и недостаточное количество исследований по экономической динамике печатных СМИ, практическое отсутствие, соответствующих статистических данных, специфический характер колебательной компоненты в рядах динамики и актуальность создания, в силу этого, отраслевого инструментария.
Итак, актуальность предлагаемой работы для расширения области моделирования и прогнозирования рядов динамики с колебательной компонентой подтверждается следующими соображениями:
- при высокой динамике экономики современной России, характеризующейся отсутствием стационарности действующих факторов на длительных интервалах наблюдений, необходимы разработка и реализация матемашческих и инструментальных методов моделирования и прогнозирования, обеспечивающих высокую точность на малых выборках, на которых модель можно считать стационарной по виду и параметрам. Тем самым необходим инструментарий моделирования и прогнозирования для молодых динамических процессов и явлений, не имеющих достаточной статистической базы;
- моделирование убывающих трендов приобретает всё большее значение в связи с увеличением скорости технологических изменений, т.к. требуется прогнозирование сроков осуществления инноваций;
- для прогнозирования рядов динамики с эволюционирующей колебательной компонентой актуальна разработка моделей и методов их параметризации не в относительных линдексах, а в абсолютной размерной параметрической форме;
- требуется разработать экономико-математический инструментарий для моделирования и прогнозирования рядов с аддитивной и мультипликативной пилообразной колебательной компонентой, в частности - в приложении к анализу динамики тиражей печатных СМИ, когда период сезонной компоненты известен;
-недостаточна точность и ограничена применимость известных методов моделирования и прогнозирования основных показателей рынка печатных СМИ.
Цель и задачи исследований. Цель диссертационных исследований заключается в разработке и исследовании параметрических методов,
моделей и инструментальных средств для расширения области моделирования и прогнозирования рядов экономической динамики с колебательной компонентой для принятия управленческих решений.
Целевая направленность диссертационной работы потребовала решения следующих задач:
- провести сравнительный анализ существующих методов, моделирования и прогнозирования рядов динамики с колебательной компонентой по точности, необходимым объёмам выборки, априорным сведениям и области применения;
- найти критерии обоснования выбора моделей тенденций и колебательных компонент, и, исходя из задач прогнозирования тиражей печатных СМИ, создать латлас моделей убывающих трендов;
- осуществить разработку методов параметризации моделей рядов динамики при аддитивной и мультипликативной структуре вхождения гармонических, пилообразных колебательных компонент, характерных для многих экономических процессов и явлений (в т ч для тиражей печатных СМИ) на малых выборках;
- разработать программное обеспечение для моделирования и прогнозирования рядов динамики указанного вида, осуществить сравнительную оценку точности предложенных методов параметризации моделей с известными методами на реальных и тестовых данных.
Предметом исследования в настоящей работе являются экономико-математические методы и модели, позволяющие учитывать колеблемость и её эволюционность при моделировании и прогнозировании социально-экономических процессов.
Объектом исследования в диссертации избраны экономические отношения, учитывающие тенденции и колеблемость тиражей печатных СМИ.
Методология исследования. Теоретической и методологической основой данного исследования являются, как общенаучные методы познания (анализ и синтез, обобщение, сравнение), так и специальные математические и экономико-математические методы статистики, pul рсееишШОГо анаша, линейной агебры, Теории функций кимПЛеКеПОГО переменного.
В процессе исследования проанализированы работы отечественных и зарубежных авторов, специалистов в области математического моделирования, статистики, экономического и финансового анализа, информационных технологий, управления печатными СМИ, а также обработаны собранные автором статистические данные по реальной экономической динамике тиражей печатных СМИ в России и за рубежом.
Обработка данных велась с использованием пакета EXCEL, а также разработанного программного комплекса в среде Visual Studio.
Научная новизна.
1. Обоснован для моделирования и прогнозирования тиражей печатных СМИ выбор моделей убывающих трендов и колебательных компонент.
2.Разработаны на основе авторегрессий методы параметризации пятнадцати моделей рядов динамики, состоящих из сочетаний трендов пяти видов (линейного, параболического, обобщенной экспоненты, обобщенной обратной функции и логистической функции Рамсея) с аддитивными и мультипликативными гармоническими и пилообразными колебательными компонентами.
3.На той же теоретической основе разработаны методы параметризации указанных моделей трендов и аддитивной колебательной компоненты в виде гармоники с изменяющейся по линейному закону амплитудой.
4.Предложенная на основе авторегрессий перепараметризация нелинейных моделей рядов динамики с колебательной компонентой позволяет свести задачу моделирования к решению нормальных систем линейных агебраических уравнений;
5.Впервые предложена параметрическая структура модели рядов динамики с мультипликативной колебательной компонентой.
6.Предложены для ряда моделей рядов динамики с колебательной компонентой приёмы вариации параметров регрессий, связанных с частотой или начальной фазой колебательной компоненты, а также использования гармонической суммы уровней ряда динамики, уменьшающие размерность используемых при параметризации моделей нормальных систем линейных агебраических уравнений.
На защиту выносятся следующие основные результаты диссертационного исследования в области разработки и развития математических методов и моделей, методологии, расширения области применения моделирования и прогнозирования рядов динамики с колебательной компонентой и их инструментальной (программной) поддержки:
- модели трендов и колебательных компонент рядов динамики тиражей печатных СМИ;
- инструментарий для моделирования и прогнозирования тиражей печатных СМИ;
- расширение области применения моделирования и прогнозирования на ряды динамики с эволюционирующими трендами пяти видов и колебательными компонентами: за счёт большей точности предложенных параметрических методов на коротких выборках, а также параметрических моделей колебательной компоненты и структуры мультипликативного ряда;
- перепараметризация нелинейных моделей рядов динамики с колебательной компонентой путём использования авторегрессий для
сведения задачи моделирования к решению нормальных систем линейных агебраических уравнений;
- предложенные приемы, уменьшающие размерность нормальных систем линейных агебраических уравнений при параметризации моделей экономических тренд-сезонных рядов динамики;
- разработанные, испытанные на тестовых и реальных выборках и внедренные программные средства моделирования и прогнозирования рядов динамики с колебательной компонентой, реализующие предложенные методы.
Информационной базой исследования явились статистические данные подписных тиражей печатных СМИ, статистические выборки и результаты их обработки из научных трудов.
Практическая значимость работы:
- состоит в существенном увеличении, в сравнении с известными методами, области применения моделирования и прогнозирования для широкого класса рядов динамики;
- для выдвижения предположения о модели убывающего тренда ряда динамики полезен представленный латлас моделей;
- создан и внедрен инструментарий для моделирования и прогнозирования динамики тиражей СМИ и принятия управленческих решений;
- предложенные методы и приёмы применимы не только для пяти рассмотренных моделей трендов и колебательных компонент, но допускают распространение на тренды и колебательные компоненты (как сезонные, так и циклические) других моделей для субъектов хозяйствования в различных сферах экономики, например, при управлении ресурсами, в задаче анализа финансовых рядов.
Достоверность полученных результатов, в том числе преимущества предложенных методов по точности моделирования и прогнозирования, по возможности работы на малых выборках в сравнении с известными методами, подтверждена численным экспериментом, моделированием и прогнозированием разработанными методами реальных тиражей печатных СМИ, корректностью матемашчеишх выводов и репрезентативностью
СТаГш-ТичсиКИХ ДаКНЫХ.
Апробация и внедрение результатов исследования.
Полученные теоретические, методологические и практические результаты работы обсуждались на:
-IV Всероссийской научно-практической конференции Опыт и проблемы маркетинговой деятельности в российском предпринимательстве, (г. Пенза, 5-9 июня 2003.);
-XVI Международной научно-технической конференции Математические методы и информационные технологии в экономике, социологии и образовании, (г. Пенза, 27 - 28 декабря 2005.);
-Всероссийской научно-практической конференции Наука. Бизнес. Образование, (г. Самара, 23 апреля 2004.);
-Международной научно-практической конференции Актуальные проблемы современного социально-экономического развития: образование, наука, производство, (г. Самара. НОУ ВПО Международный институт рынка. 2004.);
-Всесоюзной научно-практической конференции Проблемы менеджмента ор1анизаций. Проблемы экономики современных промышленных комплексов. Методологические и практические аспекты финансирования и кредитования. Математические модели современных экономических процессов, (г. Самара, Самарский государственный аэрокосмический университет. 2005.);
V Всероссийской научно-методической конференции Современный российский менеджмент: состояние, проблемы, развитие (Пенза, март 2006.);
2-ой международной научно-практической конференции Экономическое прогнозирование: модели и методы (Воронеж, март 2006.);
-семинаре кафедры Экономика Самарского государственного аэрокосмического университета. (2 марта 2006.);
-НТС факультета Экономики и управления Самарского государственного аэрокосмического университета (16 марта 2006.).
Практическое использование разработанных методов, программного продукта и результатов исследований подтверждено тремя актами о внедрении.
Публикации. Общее количество научных и научно-методических трудов по теме данной диссертации - 12.
O руктура работы. Диссертация изложена на 173 страницах, состоит из введения, трех глав, заключения, содержит 55 рисунков, 6 таблиц, библиографический список литературы из 128 наименований, приложения с документами, подтверждающими внедрение полученных в диссертации результатов и статистические данные.
Личный вклад автора: сформулирована цель исследований, осуществлён анализ и оценка возможностей различных методов моделирования и прогнозирования, областей их применения; разработаны и реализованы программно методы идентификации рядов динамики с убывающей тенденцией и колебательной компонентой на основе параметрических авторегрессий, предложены аналитические модели для колебательных компонент пилообразного вида, приёмы использования гармонической суммы и вариации параметров регрессии, определяемых частотой и фазой колебательной компоненты, предложена параметрическая (размерная) модель мультипликативной колебательной компоненты, осуществлён сбор и анализ статистической информации по тиражам печатных СМИ, выпонены расчёты по оценке точности разработанных методов на модельных и реальных данных, сделаны предложения по использованию полученных результатов в практике управления печатных СМИ и в других экономических приложениях.
Соавторство в отдельных публикациях относится к совместным исследованиям по использованию Ъ - преобразования для решения проставленных задач, по свойствам моделей логистической динамики Верхуста, Гомперца и моделей трендов, состоящих из произведений экспоненциальных и линейных функций.
Основное содержание работы
Во введении обоснована актуальность темы исследований. Определены цели и задачи работы, приведена струк1ура диссертации.
В первой главе определены задача моделирования и прогнозирования рядов динамики, как составляющая процесса принятия управленческих решений, актуальность повышения её точности, в том числе при создании отраслевого инструментария для моделирования и прогнозирования деятельности печатных СМИ.
Отмечено, что основным методом моделирования и прогнозирования рядов динамики с колебательной компонентой является непараметрическая сезонная декомпозиция. Для динамического ряда реализуется многоэтапная процедура: в начале получение путём непараметрического сглаживания тенденции набора значений Т'к , выделение сезонной компоненты, определение вида ее вхождения (аддитивный или мультипликативный) в модель, получение для неё набора 5' лусредненных и скорректированных значений на длительности от 4 до 10 известных периодах наблюдений колебательной компоненты, проверка остаточных компонент и т.д.
Реже моделируют устойчивую колебательную компоненту для одного периода (также путем усреднения на 7-10 периодах) в параметрической форме адаптивных, с использованием экспоненциального сглаживания, моделях Брауна, Уинтерса, Тейла -Вейджа, или автокорреляционной функцией.
На рис.1 и 2 представлены типичные графики тиражей газет для стран и отдельных изданий.
Рис.1. Динамика совокупного тиража I азст Норвегии (мн. экз.).
40000 30000 20000 10000 О
& <У & & & с? ?>> л4
^ ой* ей Л5' л
<? <$> <S> <3? ^ .?
Рис.2. Подписной тираж газеты Самарские Известия (тыс.шт.).
Отметим, что уровень отечественных медиаизмерений недостаточен для решения задачи прогнозирования тиража, как основного показателя, косвенно определяющего прибыль газетного бизнеса.
В настоящее время в сфере мониторинга печагных СМИ работают всего несколько организаций и ни один из них не может претендовать на поноту информации, т.к. количество аудируемых российских изданий столь ничтожно, что не приходится говорить о серьезном анализе рынка, основываясь на собранных ими данных. Однако с 01 января 2005 года введена новая форма государственной статистической отчетности, касающаяся издательской деятельности №1-И (СМИ) Сведения о деятельности по изданию периодических печатных СМИ. Кроме того, начиная с февраля 2004г. в сотрудничес .ве с Федеральным агентством по печати и массовым коммуникациям Гильдия Издателей Периодической печати (ГШIii) Г128] реализует проект МЕДИАСТАТ, который призван стать постоянно действующей электронной системой сбора и обработки статистической информации о реально издаваемых в России печатных СМИ (газеты, журналы).
Общим свойством рядов динамики подписных тиражей является убывающая тенденция и специфический пилообразный xapaKiep колебательной компоненты (рис.3), зооо
Рис. 3. Сезонная (усредненная по методу сезонной декомпозиции) колебательная компонента тиражей газеты Самарские Известия
В настоящее время Федеральное Агентство по Печати и средствам массовых коммуникаций владеет точными данными только о числе зарегистрированных печатных СМИ. Данных о реально издаваемых газетах и журналах, их распределении по сегментам и территориям; о числе издательских домов и основных показателях их деловой активности; о тиражах периодики (напечатанных, проданных, доведенных до потребителя); о структуре сбыта (доля розницы, опта, подписки, бесплатного распространения) и т.д. - нет или находятся в несистематизированном состоянии. Данных и инструментов для их тиражного анализа в настоящее время не существует. Не учтены тысячи местных, региональных, узконишевых изданий. Рекламные тарифы подавляющего большинства печатных СМИ рыпочно не обоснованы (не учитывают реальное качество и охват аудитории). Как результат - низкая конкурентоспособность печатных медиа по сравнению с телевидением, радио, наружной рекламой. В печатных СМИ наблюдаются самые медленные темпы рекламного прироста (на фоне других медиа), снижается доля печатных СМИ в общих объемах рекламы.
Отраслевая бессистемность и общая рыночная непрозрачность увеличивают риски для инвесторов издательской отрасли.
Таким образом, актуальна разработка инструментария прогнозирования экономических показателей печатных СМИ (в частности, динамики тиража) как для уровня прогнозирования в отрасли в целом, так и для микроэкономического уровня (отдельные газеты, журналы).
При этом микроуровень отрасли, на котором типично появление новых, молодых СМИ, усиливает ещё одно, крайне жесткое для тренд-сезонных рядов динамики требование моделирования и прогнозирования на коротких выборках (уменьшения необходимого интервала наблюдения), которое и так актуально в силу увеличивающейся динамики мировой экономики, особенно для реформируемой экономики современной России.
Проведенный в первой главе анализ основных методов прогнозирования, определил условия применимости различных методов и позволил дать классификацию основных методов прогнозирования по различным критериям. Сформулированные критерии выбора метода прогнозирования и этапы процесса прогнозирования, требования к уровням ряда и выбору интервалов между уровнями ряда, рассмотренные критерии оценки точности моделирования, прогнозирования и адекватности модели исходным данным, критерии качества определили методологию моделирования и прогнозирования.
Анализ известных методов моделирования аддитивных и мультипликативных рядов динамики, видов моделей трендов и колебательных компонент показал низкую точность моделирования и, особенно, прогнозирования, обусловленную вариацией параметров моделей, использованием усредненных на длительном интервалах наблюдения моделей колебательной компоненты.
Обоснован вывод об актуальности разработки параметрических моделей и структур эволюционирующих рядов динамики с колебательной компонентой и методов их идентификации, обеспечивающих на коротких выборках высокую точность для широкого класса моделей трендов и колебательных компонент, в том числе при вариации амплитуды гармонической колебательной компоненты, выбор в качестве теоретической основы разработки методов моделирования параметрических авторегрессий.
Во второй главе диссертации рассмотрены вопросы выбора моделей убывающей тенденции тиражей печатных СМИ, предложены параметрические модели мультипликативной и пилообразной колебательной компонент, представлены результаты по разработке методов моделирования и прогнозирования рядов динамики с колебательной компонентой на основе параметрических авторе1рессий.
Показано, что широкие возможности моделирования трендов (по динамике первой и второй производных, по наличию горизонтальных асимптот) даёт предложенный набор моделей (убывающих - для приложений в печатных СМИ) в виде
тк = А+в(к,тк=А+тк+а1
- Аехр(-а^) + В, Тк =ехр(~мк)(А(к + В), Тк = А{ ехр(-а,^) + Аг ехр(-а2^) + 5, тк =А + В/(1к +С), Тк = С(Л - (5 мк )ехр(-а^)) - логистическая функция Рамсея, где tl = кл, к = 0,1,2,..., А - шаг опроса параметров (день, месяц, год и
Обоснован выбор параметров данных моделей для обеспечения условия убывания, создан латлас моделей для помощи исследователю при её визуальном выборе.
В кгчестве параметрических моделей колебательной компоненты приняты:
1. гармоника Л3 + у);
2 гзр.юника С ЛИПСЙНОН БарК.ЦйСИ амплитуды ДЛЯ л.и, ;, 1 1 нЯ
эво.'юции амплитуды колеблемости 5,=А3 {кк)?,т(а)к&. + цг)\ 3. разложение в ряд Фурье пилообразной колебательной комгоненты
= '!яфпМь -(1/?)вт2щ +(]/3)ятЗй*4 -(1 /4)эт4<гЯ, + ..} Пилообразные колебательные компоненты характерны не только для рядов дшамики показателей СМИ, но и для других экономических процессов и явлений, в частности для задач управления ресурсами, в финансовыхрядах.
В иссертации впервые предложена мультипликативная параметр и^ская структура ряда
где Тк, - соответственно, модели тренда и колебательных компонент, а < 1, & - стохастическая компонента.
Теоретической основой методов явились модели авторегрессии, конструируемые при помощи Z - преобразования (преобразования Лорана). Для параметризации рядов динамики с колебательной компонентой в работе применяется последовательность действий и приемы, отраженные для общего случая в виде приведенной ниже блок-схемы:
Исходный ряд динамики у,,у2, ,ук, ,уД
Выбор модели (в общем случае нелинейной по параметрам)
Перепараметризация модели: применение прямого г-преобразования, группировка членов, получение модели У(2) = У(Дг) с коэффициентами = Л, (А ), являющимися функциями от параметров А1 исходной модели
Проведение обратного г-преобразования (при условии к > р) и получение линейной по коэффициентам я, модели авторегрессии р-гюрядка
Нахождение МНК-оценок = arg mm (ук - ^\ук)г
Л к.р Ы
__L____________
Расчет оценок параметров А
Подстановка в исходную модель найденных на предыдущем этапе Л
Определение оценок оставшихся параметров
^ >-0__
Получение параметризованной модели у\ = у
_оценка ее качества (Я2,у и т.п.)____
В рамках автореферата продемонстрируем реализацию метода, представленного блок-схемой, на примере модели в виде линейного тренда с гармонической колебательной компонентой:
YK = A,M + AB + A3 cos (сокA + y/) + k= А+ A0 +
A4 sin 6)
где AД = A, COS^ , A, = As sin у/.
Модели (1) соответствует модель авторегрессии четвертого порядка
Г. = М(-+ К-,)+ 2(У,., Y^ + Y,.,)-+ ,
где р - 2 cos <ыЛ коэффициент авторегрсссии, определяемый частотой колебательной компоненты со при известном шаге А, а ^ - новое значение стохастической компоненты, образованной весовой суммой значений стохастической компоненты от до tr Д при формировании модели:
С = - 2^,-2 + )' (4 , - +40- +4
Определим МНК оценку р
ц
позволит определить оценку частоты (периода) со0 = arceos/ 2) / Д.
Подставляя си
А", А", А, = arg min {У, - A,t - - А4 sm <оакА - А, соs (о'кА }
СИЛУ четвертого порядка, из которого найдем оценки остальных параметров модели: А
В таблице представлены полученные результаты по разработке методов параметризации рядов динамики с колебательной компонентой на основе параметрических авторегрессий (л+ отмечены разработанные в настоящей работе методы параметризации моделей).
t- Вид вхождения в модель колебательной компонент;,! Аддитивный К = К + ^ +& Мультипликативный У =Т (\ + D S ) + f К А V1 ^ -'К / з*
Тин колебательной компоненты $к гармонике екая пилообра зная гармоничс екая пилообра зная
модель тренда ТД Линейный + i +
Полином 2-1 о порядка + + + +
Обобщенная жепонента + + + +
Логистическая функция + - - -
Обратная функция + - + -
Кроме того, разработаны пять методов параметризации моделей с гармонической колебательной компонентой, амплитуда которой изменяется по линейному закону, в аддитивном сочетании с трендами в виде: обобщенной экспоненты, обобщенной обратной функции, логистической функции Рамсея, линейной функции, полинома второго порядка. Общее количество разработанных методов моделирования равно двадцати.
Предложенные методы параметризации и приёмы вариации параметров регрессий, связанных с частотой или начальной фазой колебательной компоненты, приемы использования гармонической суммы уровней ряда динамики позволили при параметризации ограничиться невысоким порядком СЛАУ, что обеспечивает высокую вычислительную точность (устойчивость).
В третьей главе рассмотрены вопросы реализации методов моделирования и прогнозирования тренд сезонных рядов динамики, включающие в себя моделирование и прогнозирования тренд -сезонных рядов динамики известным методом сезонной декомпозиции, дано описание разработанного программного комплекса для реализации предложенных методов, приведены исследования особенностей практического применения и точности предложенных методов моделирования и прогнозирования в сравнении с известным, оценку экономического эффекта от внедрения в процесс управления (на примере печатных СМИ) предложенных методов.
В диссертации описана архитектура разработанного программного комплекса, приведены скрин-принты (два из них - на рис.4 и 5).
Рис.4. Вид графической илюстрации результатов моделирования и прогнозирования
Программный комплекс использовася и для исследования точности предложенных методов моделирования и прогнозирования на тестовых и реальных выборках тиражей двух газет и для типового случая тренд-сезонного ряда, вызвавшего дискуссию в экономической литературе.
Рис.5. Вид окна резулыаггт программного коми пекся На рис 6 и 7 представлены сравнительные результаты по точности моделирования и прогнозирования тиражей газеты Самарские Известия для известного метода сезонной декомпозиции и предложенного метода параметрической авторегрессии. В качестве критерия точности моделирования принимася коэффициент детерминации
Л'-Ей-ЧА^а;, ХШ'^ЕЛ-А'л)}'. оценки
.I л-1
параметров модели, М - оператор математического ожидания, а в качестве критерия точности прогнозирования - среднее из относительных значений модуля погрешности прогноза 1 Н \ук
г - - - -Ч;- 100%,где Я - объём выборки для прогнозирования
н .-I ИИ
(период упреждения или горизонт прогноза).
0,9 08 0.7 0,6 0,5 0,4 0,3
24 27 30 33 36 39 42 число наблюдений
'метод авторегрессии 1
метод сезонной декомпозиции!
Рис.6 Зависимость Я2 от числа наблюдений для метода классической сеюнной декомпозиции и метода параметрической авторегрсссии
Рис.7. Зависимость погрешности прогноза у от количества наблюдений для метода классической сезонной декомпозиции и метода параметрической авторегрессии
На рис.6 видим, что предложенный метод обеспечивает высокие значения коэффициента детерминации уже на выборке в 18-24 наблюдения (т.е. на длительности в потора два года наблюдений при помесячной статистике), а при методе сезонной декомпозиции Я2 существенно меньше и при 48 наблюдения, подрастает до уровня 0,9 при объёме выборки примерно в 100 - 110 наблюдений. На данной выборке предложенный метод позволяет определить параметры на четырёх непересекающихся выборках и осуществить тем самым мониторинг параметров тренда и колебательной компоненты при их эволюции. Рис. 7 показывает, что погрешность прогнозирования предложенным методом всегда меньше, чем в известном. Практически такой же характер имеют сравниваемые характеристики и для других случаев.
Числовой эксперимент проверки на устойчивость заключася в разработке программы генерации случайного сигнала (стохастической компоненты) с нормальным законом распределения вероятностей значений с нулевым математическим ожиданием и регулируемой (назначаемой) дисперсией. Данная помеха смешивалась с генерируемым полезным сигналом. Результаты такого исследования для модели вида у(() = л,? + ^ + Л; + ср) и различного соотношения дисперсий (мощностей) помехи и полезного сигнала представлены на рис. 8. Видим, что предложенный метод параметризации модели демонстрирует высокую помехозащищенность (устойчивость к помехе) даже при значительном соотношении мощностей шум/сигнал. Уменьшение значений Л2 не более чем на десять процентов предложенный метод обеспечивает в диапазоне мощностей шум/полезный сигнал до 0,3, причём устойчивость параметризации возрастает с увеличением числа наблюдений.
Относительная ошибка прогноза у оказывается более чувствительной к действию помехи, но также укладывается в категорию хорошей точности.
О 0,1 0,2 0,3 0,4 0,5
Соотношение "шум/сигнал"
-число наблюдений = 24 число наблюдений = 36
- * * число наблюдений^ 48____
Рис. 8. Графические результаты исследования метода на устойчивость по коэффициенту детерминации И2
При расчёте оценок предложены методы обеспечения помехозащищенности от случайных выбросов, а также разработаны условия и приемы устранения многозначности оценки частоты сезонной колебательной гармонической компоненты.
Экономический эффект от увеличения точности моделирования и прогнозирования предложенными методами существенно зависит от конкретного приложения:
- возможно ли в принципе использование метода классической сезонной декомпозиции (имеется ли необходимый объём выборки и известен ли период сезонности);
- имеет ли место и насколько существенна вариация шнов и параметров моделей трендов и сезонных колебательных компонент в исследуемом ряде динамики, имеется ли априорное знание какого-либо из параметров (например, частоты или фазы колебательной компоненты);
- насколько и как зашумлены данные стохастической компонентой;
- какова цена (экономическая, политическая, социальная или, бьггь может, экологическая) неверно сделанного прогноза и принятого управленческого решения);
- каковы размеры внедрения разработанных методов и т.д.
3 диссертации пока *ано значение повышении 1 очное 1 и при моделировании и прогнозировании. Для выбранного объекта исследования в работе приведена илюстрация эффекта от оптимизации управления поставками бумаги для печати газеты. Для оценки годового экономического эффекта только от внедрения в управление новой более точной модели управления ежемесячными поставками бумаги необходимо рассчитать потери, которые понесет редакция:
- при покупке недопоставленного количества бумаги у типографии по завышенной на В % цене;
- необоснованные расходы по оплате % за банковский кредит (В%) при переизбытке купленной для печати тиража бумаги;
- допонительные транспортно-заготовительные расходы (ZtoДД.) по обработке бумаги (погрузка-разгрузка, хранение и т.п.).
Реальные условия по росту цены бумаги ежемесячно на Inf % определяют функцию C(t)-~ (Inft^ 1)С6шгт:я , где CfilJoeaM цена бумаги за тонну на 1 января текущего года, t - номер месяца в текущем 2006 году, а D и Inf в дальнейшем измеряются в долях. Расход бумаги на печать зависят от тиража газеты и с учетом расходов на технологические процессы по приладке, печати пробных экземпляров, технологических отходов и т.п. составляют ХсшЫ тонн на единицу тиража в месяц. На покупку бумаги редакция ежемесячно берет кредит в банке под ВоА ставке.
Тогда справедлива следующая формула для расчета экономии при управлении поставками бумаги по более точной модели (по предлагаемому методу с использованием авторегрессии) по сравнению с моделью, полученной классическим способом сезонной декомпозиции
ЕГ" - Т*"""'" )Xr<mt (D{Jnf * t + + Z,ДДJ)
для всех месяцев, в которых по новой модели тираж Г"" > 0 и
Ел7-Г"'" - )Хст, ((/л/ *' + DQЩ &/. + ))
для всех месяцев, в которых по новой модели тираж Т"'" - Г,< о
Для моделируемого в работе тиража газеты Самарские Известия даже при наличии 48 наблюдений при реальных условиях 2006 года -рыночной ценой бумаги (С&мвш,=18000руб./тн, /и/=0,01), договорных условиях работы с типографией ФГУП Самарский дом печати (ZcaДs,.-480рубУтн., Xconsf=0,001тн, ZM),1) и банком (В%=0,015 в месяц) - в относительном выражении применение новой более точной модели тиража, полученной по методу авторегрессии, позволяет добиться годовой экономии в 0,6% только за счет оптимального управления поставками бумаги.
0,14% -р -----
1 2 3 4 5 6 7 8 9 10 11 12 2006г.
Рис.9 Ежемесячный экономический эффект (в %) для газеты Самарские Известия от оптимизации управления поставками бумаги
Отметим, что при наличии меньшего числа наблюдений внедрение моделирования по методу параметрической авторегрессии позволяет получать предприятиям более высокий экономический эффект даже только за счет более оптимального управления ресурсами. При учете же всех возможных факторов даже для такого небольшого экономического объекта (имеющего существенные ограничения по используемому количеству наблюдений, специфическому характеру колебательной компоненты, но далеко не самого эффектного в экономическом, политическом или экологическом отношениях) реальный суммарный эффект от внедрения будет значительно выше.
Основные результаты и выводы по работе
1.Заявленную цель диссертационных исследований - разработку и исследование параметрических методов, моделей и инструментальных средств для расширения области моделирования и прогнозирования рядов экономической динамики с колебательной компонентой - можно считать достигнутой.
2.Проведенные расчёты показали, что двукратный выигрыш в точности (характеризуемой значениями коэффициента детерминации и значениями средней относительной погрешности модуля прогноза) достигается на выборках в потора - два периода сезонной колебательной компоненты.
3.На основе параметрических моделей авторегрессии, конструируемых с помощью Ъ - преобразования (преобразования Лорана), предложены методы параметризации широкого класса (двадцати моделей) тренд-сезонных или тренд-циклических рядов динамики.
4.Для трендов рядов динамики рассмотрены пять моделей (линейная, параболическая, обобщенная экспоненциальная, обобщенная обратная и логистическая Рамсея). При этом условие убывания трендов определялось лишь принятым объектом для моделирования (тенденции тиражей СМИ). В рамках данных моделей разработанные методы могут быть применены и для возрастающих и для немонотонных тенденций. Полученные результаты могут бьггь распространены на другие модели трендов и колебательных компонент.
5.Все рассмотренные модели сезонной колебательной компоненты являются параметрическими. Возможность использования коротких выборок позволяет осуществлять параметризацию рядов и с вариацией параметров гармонической колебательной компоненты, что особенно важно для тренд-циклических рядов.
6.Существенно новыми представляются предложенная структура параметрической мультипликативной сезонной колебательной компоненты, методы моделирования рядов динамики с вариацией амплитуды сезонной колебательной гармонической компоненты, методы моделирования сезонной колебательной пилообразной компоненты,
имеющей приложение не только для тиражей печатных СМИ, но и в задачах управления ресурсами, в финансовых рядах.
7.Разработанный программный комплекс подтвердил справедливость основных теоретических результатов, позволил провести сравнение разработанных методов моделирования и прогнозирования с известными, имеет широкие функциональные возможности, допускает развитие и для параметризации других моделей рядов динамики.
Публикации по теме диссертации
1 .Семёнычев Е.В. Структурная и параметрическая идентификация потребительского спроса на основе АР - СС моделей. Современные проблемы информатизации в непромышленной сфере и экономике. Сб. трудов. Выпуск 9. - Воронеж. Научная книга. 2004. - С. 39 - 40.
2.Семенычев Е.В. Методология выбора модели убывающей тенденции тиражей печатных СМИ. Сб. статей XVI Международной научно-технической конференции Математические методы и информационные технологии в экономике, социологии и образовании. -Пенза, 2005г. - С. 36 - 39.
3.Семёнычев Е.В. Идентификация комплекса моделей логистической динамики. Сб. Управление организационно экономическими системами: моделирование взаимодействий, принятие решений. Выпуск 4. - Самара. 2004. - С. 38 - 43.
4.Семенычев Е.В. Моделирование экономических показателей деятельности печатных СМИ с учетом сезонной компоненты. Сб. статей Всесоюзной научно-практической конференции Проблемы менеджмента организаций. Проблемы экономики современных промышленных комплексов. Методологические и практические аспекты финансирования и кредитования. Математические модели современных экономических процессов. Вып.1. Самарский государственный аэрокосмичсский университет. - Самара 2005. - С. 41 - 43.
5.Семёнычев В.К., Семёнычев Е.В., Нефёдов А.П. Идентификация модели мультипликатор-акселератор на основе авторегрессии отсчётов. Вестник учётно-экономического факультета. Выпуск 8. Самарская государственная экономическая академия. - Самара. 2003. - С. 127 -131.
6.Семёнычев В.К., Нефёдов А.П., Семёнычев Е.В. Оценивание полиномиальных и гиперболических моделей спроса при сезонной компоненте. Опыт и проблемы маркетинговой деятельности в российском предпринимательстве. Сборник материалов IV Всероссийской научно-практической конференции. - Пенза. 2003 . - С. 81 - 83.
7.Семёнычев В.К., Семёнычев Е.В. Структурная и параметрическая идентификация комплекса моделей логистической динамики. Сб. трудов Наука, образование, бизнес - ПИБ. - Самара. 2004. - С. 28 - 34.
lt Р - 7 5 9 4
8.Семёнычев В К., Семёнычев Е.В. Эффективный инструментарий изучения и прогнозирования спроса населения. Тезисы докладов Международной научно-практической конференции Актуальные проблемы современного социально-экономическою развития образование, наука, производство. - Самара. НОУ ВПО Международный институт рынка. 2004. - С. 320 - 322.
9.Семёнычев В.К., Семёнычев Е.В Моделирование логистической тенденции с учётом типовых помех. Вестник СамГТУ. № 31. Серия Технические науки. - Самара. 2005. - С. 112 -117.
Ю.Боярский Л.С., Семёнычев В.К., Семёнычев Е.В Идентификация логистической кривой с сезонной компонентой. Сб. Рыночная экономика (состояние, проблемы, перспективы). - Самара. 2004. - С. 36 - 39.
П.Нефедов А.П.. Семёнычев В.К., Семёнычев Е.В Определение параметров колеблемости и трендов на основе моделей авторегрессии. Сб. Управление организационно-экономическими системами: моделирование взаимодействий, принятие решений - Самара Х Изд-во Самарского государственно) о Аэрокосмического Университета. 2002. - С. 47 - 49.
12. Семенычев Е.В., Ваганова Д.З. Моделирование экономической динамики с пилообразной колебательной компонентой для принятия управленческих решений. Сборник материалов V Всероссийской научно-практической конференции Современный российский менеджмент: состояние, проблемы, развитие. - Пенза. 2006 . - С. 41 - 43.
Подписано в печать 17 03 2006г Формат 60x84 1/6 Печать офсетная Тираж 100 экз
Самарский аэрокосмический университет Имени академика С П.Королева 443086 Самара, Московское шоссе,34
ИПО Факультета экономики и управления СГАУ
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Семенычев, Евгений Валериевич
ГЛАВА 1. ЗАДАЧА РАСШИРЕНИЯ ОБЛАСТИ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ РЯДОВ ДИНАМИКИ С СЕЗОННОЙ КОМПОНЕНТОЙ.
1.1 .Моделирование и прогнозирование рядов динамики как части процесса принятия управленческих решений.
1.2. Актуальность создания отраслевого инструментария для моделирования и прогнозирования деятельности печатных СМИ.
1.3. Актуальность задачи расширения области моделирования и прогнозирования рядов динамики с колебательной компонентой путем реализации параметрических методов повышения точности на коротких выборках.
Выводы по первой главе.
ГЛАВА 2. ВЫБОР МОДЕЛЕЙ, РАЗРАБОТКА МЕТОДОВ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ТРЕНД-СЕЗОННЫХ РЯДОВ НА ОСНОВЕ ПАРАМЕТРИЧЕСКИХ АВТОРЕГРЕССИЙ.
2.1. Выбор модели убывающей тенденции тиражей печатных СМИ.
2.2. Предлагаемые параметрические модели мультипликативной и пилообразной колебательной компонент.
2.3. Разработка методов моделирования и прогнозирования рядов динамики с колебательной компонентой на основе параметрических авторегрессий. выводы по второй главе.
ГЛАВА 3. РЕАЛИЗАЦИЯ МЕТОДОВ МОДЕЛИРОВАНИЯ И
ПРОГНОЗИРОВАНИЯ ТРЕНД-СЕЗОННЫХ РЯДОВ ДИНАМИКИ.
3.1. Моделирование и прогнозирование рядов динамики с колебательной компонентой методом сезонной декомпозиции.
3.2. Программный комплекс, реализующий методы параметрической идентификации тренд - сезонных рядов.
3.3. Исследование точности параметрических методов моделирования и прогнозирования тренд-сезонных рядов динамики.
3.4. Некоторые особенности практического применения предложенного метода моделирования с использованием параметрических авторегрессий.
3.5. Оценка эффекта от увеличения точности моделирования экономических процессов.
Выводы по третьей главе.
Диссертация: введение по экономике, на тему "Параметрическое моделирование и прогнозирование рядов экономической динамики с колебательной компонентой"
Исследование социально-экономических процессов и явлений в подавляющем большинстве случаев включает в себя экономико-математические моделирование динамики определяемых переменных (показателей) в виде факторной модели (регрессии на множество факторов (определяющих переменных)) или в виде трендовых моделей (регрессии на один фактор, в качестве которого наиболее часто выступает время).
Для использования современных численных методов обработки данных обычно трендовые модели рассматривают в форме рядов динамики показателей, уровни которых фиксируются через равный промежуток значений определяющей переменной (для времени - через месяц, квартал, декаду, неделю, день или даже час).
Трендовые модели линтегрируют в себе действие всёго множества факторов, не выделяя их по отдельности, позволяют легко перейти к решению такой практически важной задачи, как прогнозирование.
В рыночной экономике прогнозирование является основой систем управления, характеризует будущее развитие, исходя из гипотезы, что основные тенденции, действующие факторы и зависимости прошлого и текущего периода сохранятся на период прогноза.
При этом прогнозирование с помощью рядов динамики является одним из методов статистического прогнозирования и используется, обычно, для краткосрочного и среднесрочного прогнозирования при недостаточности или отсутствии знаний о природе изучаемого процесса.
Рынок товаров и услуг, даже регулируемый государством, склонен к стихийности и подвержен колебаниям, как случайным, так и постоянно повторяющимся. В реальной экономической практике (в производстве, торговле, маркетинге и т.д.) часто анализируют и моделируют одномерные ряды динамики, порождаемые экономическими процессами и явлениями, в которых помимо тренда (тенденции) содержится аддитивная или мультипликативная периодическая колебательная компонента и стохастическая компонента.
В случаях, когда колебательная компонента имеет период менее одного года, говорят о тренд-сезонных процессах явлениях, а когда период колебательной компоненты превышает один год - о тренд-циклических процессах и явлениях.
Характеризуя колебательную компоненту периодом, исследователи обычно используют при её моделировании и другие категории из теории колебаний: представляют её виде суммы нескольких гармоник с соответствующими амплитудами и фазами (в частности рядом Фурье) или суммой произведений гармоник на полиномы от времени. При этом отмечается, что в процессах, порождаемых экономическим объектом, зачастую происходят эволюционные изменения амплитуд и фаз гармоник (реже - частоты), особенно в тренд - циклических рядах динамики.
В этих случаях речь идёт, по сути, о моделировании не стационарной, а лэволюционной колебательности, и, как следствие, о мониторинге эволюции параметров или вида колебательности.
Очевидно, что в общем случае следует говорить об эволюции и о мониторинге также и тренда в ряде динамики.
Колебательность обычно классифицирую как аддитивную, когда её значения (имеются в виду амплитуды гармоник) постоянны и складываются со значениями тренда, и мультипликативную - когда значения амплитуд колебательной компоненты переменны. В последнем случае характер (модель изменения) амплитуд не конкретизируется, а на индексы накладываются лишь некоторые простые условия, которые будут приведены позже.
Следует отметить, что термин сезонная компонента не связывают исключительно с природными, климатическими факторами. Причиной возникновения колебаний могут быть и организационно-управленческие, обусловленные, например, периодичностью проведения подписных компаний в средствах массовой информации (СМИ), установленными сроками уплаты налогов, моментами открытия бирж, периодичностью в воспонении запасов предприятия и оптимизацией размера заказов в соответствии с современными законами логистики, установлением периодичных сроков контрактных обязательств и т.п.
Наиболее ярко сезонность, связанная с действием природно-климатических факторов, наблюдается в сельскохозяйственных и добывающих отраслях, в легкой промышленности, бытовом обслуживании и транспорте.
Сезонность в экономике обычно отрицательно сказывается на результатах производственной деятельности: вызывает аритмию производственных процессов, влияет на уровень занятости населения, загрузку производственных мощностей и т.п., что в конечном итоге отражается на производительности труда и социальных показателях жизни населения.
Далеко не во всех случаях сезонность является следствием действия неуправляемых или почти неуправляемых факторов. В настоящее время задача сезонной корректировки считается одной из наиболее актуальных. В случаях, когда прямое воздействие на процессы, вызывающее сезонные колебания, невозможно, необходимо учитывать их при совершенствовании технологических, организационно - экономических процессов и процессов управления. Большой практический интерес вызывает элиминирование (исключение) сезонных колебаний из рядов динамики.
Зачастую, период колебаний, вызванных организационно-управленческими причинами, известен, или, во всяком случае, постулируется известным, что целесообразно учесть при разработке и реализации методов моделирования и прогнозирования.
Что же касается периода и тем более амплитуды и фазы колебаний, вызванных природно-климатическими факторами, то принятие их известными и постоянными проблематично в силу значительной вариации этих факторов, инерционности и многообразия их воздействия.
В реформируемой экономике посткоммунистической России экономические циклы сформировались не в поной мере, поэтому чаще объектом анализа будет сезонная компонента, а термины сезонность и колебательность можно считать синонимичными.
Для того, чтобы можно было влиять на колебательность, необходимо уметь моделировать её параметры с высокой точностью, прогнозировать развитие экономических процессов и явлений, подверженных колебаниям.
Значительный вклад в моделирование и прогнозирование тренд-сезонных и тренд-циклических рядов динамики в отраслях промышленности, в бытовом обслуживании, в сельском хозяйстве и на транспорте внесли С.А. Айвазян, В.Н.Афанасьев, Дж. Бокс, С. Вейдж, В.В. Губанов, Г.Д. Дженкинс, И.И. Елисеева, Е.В. Зарова, P.A. Кашьяп, Г.Б. Клейнер, JT.M. Койк, Ю.П. Лукашин, B.C. Мхитарян, В.А. Половников, А.Р. Pao, Г. Тейл, Н.П. Тихомиров, П.Р. Уинтерс, Г.Р. Хасаев, Е.М. Четыркин, И.С. Шелобаева, В.В.Швырков, Т.С. Швыркова и др.
Однако ряд актуальных вопросов их моделирования и прогнозирования требует новых решений. Обычно ряды динамики с колебательной компонентой моделируют в непараметрической форме и в несколько этапов. На первом этапе выравнивают тренд (методом скользящей средней, экспоненциального, медианного сглаживания или другим) на выборке длительностью от 4 до 10 периодов колебательной (сезонной) компоненты (соответственно, требуется объём выборки от 48 до 120 ежемесячных наблюдений, если периодом компоненты является год).
На втором этапе на той же выборке рассчитывают абсолютные или относительные отклонения уровней от тренда и присваивают их наблюдениям, расположенным внутри одного периода, формируя тем самым некоторую среднюю (лустойчивую) непараметрическую сезонную компоненту в виде индексов или фиктивных переменных.
Затем, на третьем этапе, элиминируют устойчивую сезонную компоненту из ряда динамики и по остатку осуществляют аналитическое параметрическое выравнивание тренда (обычно по методу наименьших квадратов) для осуществления прогнозирования путём сложения (для аддитивной колебательной компоненты) выровненных ординат тренда со средними ординатами колебательной компоненты. Для мультипликативной колебательной компоненты выпоняют соответствующие умножения.
Реже моделируют устойчивую колебательную компоненту для одного периода (также путем усреднения на 7-10 периодах) в параметрической форме в адаптивных (с использованием экспоненциального сглаживания), моделях Брауна, Уинтерса, Тейла - Вейджа, или автокорреляционной функцией.
Во всех известных методах моделирования колебательная компонента определяется как устойчивая, усредненная (верная в среднем) для всего интервала усреднения, а не эволюционная колеблемость.
Вид и параметры выровненного тренда, определяемого на первом этапе моделирования, зависят от объёма выборки, метода выравнивания, опыта исследователя и существенно трансформирует исходный ряд динамики. Переход для моделирования устойчивой колебательной компоненты от первичных наблюдений к исчисленным отклонениям от искусственно построенной линии тренда может повлечь за собой ухудшение точности моделирования данной компоненты и, впоследствии, тренда при аналитическом выравнивания и прогнозировании.
Очевидно, что использование длинных выборок далеко не всегда возможно в экономической практике, например, не позволяет принципиально анализировать ряды динамики, не имеющие большого объёма выборок: молодые и, как правило, наиболее динамические процессы и явления (например, появление новых печатных СМИ, оценка конкурентности, перспектив прибыльности которых и соответствующие управляющие воздействия дожны быть сделаны в первые потора - два года после создания).
Использование длинных выборок может привести к малой точности моделирования и, особенно, прогнозирования неслучайных компонент ряда динамики, если виды моделей трендов и колебательности, значения их параметров на длительности в несколько периодов меняются, что характерно для практики экономических измерений.
До настоящего времени при моделировании и прогнозировании рядов динамики с колебательной компонентой обычно используют непараметрические методы в силу сложности параметризации нелинейных по параметров рядов (модели трендов могут быть нелинейны по параметрам, а модели гармоник - принципиально нелинейны по частоте и фазе). Использование известных приёмов линеаризации моделей путём перехода к обратным величинам определяющих переменных или логарифмированием (при аддитивных рядах динамики с колебательной компонентой) обычно невозможно.
До настоящего времени не решен целый ряд вопросов по методологии выбора и обоснования для приложений моделей тренда (по характеру второй производной, наличию асимптот, точек разрыва и т.д.), по построению модели мультипликативных колебательных компонент не в относительных линдексах, а в параметрической (в размерной) форме.
Отметим и недостаточное количество исследований по экономической динамике печатных СМИ, практическое отсутствие, соответствующих статистических данных, специфический характер колебательной компоненты в рядах динамики и актуальность создания, в силу этого, отраслевого инструментария.
Цель и задачи исследований. Цель диссертационных исследований заключается в разработке и исследовании параметрических методов, моделей и инструментальных средств для расширения области моделирования и прогнозирования рядов экономической динамики с колебательной компонентой для принятия управленческих решений.
Целевая направленность диссертационной работы потребовала решения следующих задач:
- провести сравнительный анализ существующих методов, моделирования и прогнозирования рядов динамики с колебательной
Х компонентой по точности, необходимым объёмам выборки, априорным сведениям и области применения;
- найти критерии обоснования выбора моделей тенденций и колебательных компонент, и, исходя из задач прогнозирования тиражей печатных СМИ, создать латлас моделей убывающих трендов;
- осуществить разработку методов параметризации моделей рядов динамики при аддитивной и мультипликативной структуре вхождения гармонических, пилообразных колебательных
Х компонент, характерных для многих экономических процессов и явлений (в т.ч. для тиражей печатных СМИ) на малых выборках;
- разработать программное обеспечение для моделирования и прогнозирования рядов динамики указанного вида, осуществить сравнительную оценку точности предложенных методов параметризации моделей с известными методами на реальных и тестовых данных.
Актуальность предлагаемой работы для расширения области моделирования и прогнозирования рядов динамики с колебательной компонентой подтверждается следующими соображениями:
-при высокой динамике экономики современной России, характеризующейся отсутствием стационарности действующих факторов на длительных интервалах наблюдений, необходимы разработка и реализация математических и инструментальных методов моделирования и прогнозирования, обеспечивающих высокую точность на малых выборках, на которых модель можно считать стационарной по виду и параметрам. Тем самым необходим инструментарий моделирования и прогнозирования для молодых динамических процессов и явлений, не имеющих достаточной статистической базы;
- моделирование убывающих трендов приобретает всё большее значение в связи с увеличением скорости технологических изменений, т.к. требуется прогнозирование сроков осуществления инноваций;
- для прогнозирования рядов динамики с эволюционирующей колебательной компонентой актуальна разработка моделей и методов их параметризации не в относительных линдексах, а в абсолютной размерной параметрической форме;
- требуется разработать экономико-математический инструментарий для моделирования и прогнозирования рядов с аддитивной и мультипликативной пилообразной колебательной компонентой, в частности - в приложении к анализу динамики тиражей печатных СМИ, когда период сезонной компоненты известен;
- недостаточна точность и ограничена применимость известных методов моделирования и прогнозирования основных показателей рынка печатных СМИ.
Предметом исследования в настоящей работе являются экономико-математические методы и модели, позволяющие учитывать колеблемость и её эволюционность при моделировании и прогнозировании социально-экономических процессов.
Объектом исследования в диссертации избраны экономические отношения, учитывающие тенденции и колеблемость тиражей печатных СМИ.
Методология исследования. Теоретической и методологической основой данного исследования являются, как общенаучные методы познания анализ и синтез, обобщение, сравнение), так и специальные математические и экономико-математические методы статистики, регрессионного анализа, линейной агебры, теории функций комплексного переменного.
В процессе исследования проанализированы работы отечественных и зарубежных авторов, специалистов в области математического моделирования, статистики, экономического и финансового анализа, информационных технологий, управления печатными СМИ, а также обработаны собранные автором статистические данные по реальной экономической динамике тиражей печатных СМИ в России и за рубежом.
Обработка данных велась с использованием пакета EXCEL и разработанного программного комплекса в среде Visual Studio. Научная новизна.
1 .Обоснован для моделирования и прогнозирования тиражей печатных СМИ выбор моделей убывающих трендов и колебательных компонент.
2.Разработаны на основе авторегрессий методы параметризации пятнадцати моделей рядов динамики, состоящих из сочетаний трендов пяти видов (линейного, параболического, обобщенной экспоненты, обобщенной обратной функции и логистической функции Рамсея) с аддитивными и мультипликативными гармоническими и пилообразными колебательными компонентами.
3.На той же теоретической основе разработаны методы параметризации указанных моделей трендов и аддитивной колебательной компоненты в виде гармоники с изменяющейся по линейному закону амплитудой.
4.Предложенная на основе авторегрессий перепараметризация нелинейных моделей рядов динамики с колебательной компонентой позволила свести задачу моделирования к решению нормальных систем линейных агебраических уравнений;
5.Впервые предложена параметрическая структура модели рядов динамики с мультипликативной колебательной компонентой. б.Предложены для ряда моделей рядов динамики с колебательной компонентой приёмы вариации параметров регрессий, связанных с частотой или начальной фазой колебательной компоненты, а также использования гармонической суммы уровней ряда динамики, уменьшающие размерность используемых при параметризации моделей нормальных систем линейных агебраических уравнений. На защиту выносятся следующие основные результаты диссертационного исследования в области разработки и развития математических методов и моделей, методологии, расширения области применения моделирования и прогнозирования рядов динамики с колебательной компонентой и их инструментальной (программной) поддержки: модели трендов и колебательных компонент рядов динамики тиражей печатных СМИ; инструментарий для моделирования и прогнозирования тиражей печатных СМИ; расширение области применения моделирования и прогнозирования на ряды динамики с эволюционирующими трендами пяти видов и колебательными компонентами за счёт большей точности предложенных параметрических методов на коротких выборках, а также параметрических моделей колебательной компоненты и структуры мультипликативного ряда. перепараметризация нелинейных моделей рядов динамики с колебательной компонентой путём использования авторегрессий свела задачу моделирования к решению нормальных систем линейных агебраических уравнений; предложенные приёмы, уменьшающие размерность нормальных систем линейных агебраических уравнений при параметризации моделей экономических тренд-сезонных рядов динамики; разработанные, испытанные на тестовых и реальных выборках и внедренные программные средства моделирования и прогнозирования рядов динамики с колебательной компонентой, реализующие предложенные методы.
Информационной базой исследования явились статистические данные подписных тиражей печатных СМИ, статистические выборки и результаты их обработки из научных трудов.
Практическая значимость работы состоит
- в существенном увеличении, в сравнении с известными методами, области применения моделирования и прогнозирования для широкого класса рядов динамики;
- для выдвижения предположения о модели убывающего тренда ряда динамики полезен представленный латлас моделей;
- создан и внедрен инструментарий для моделирования и прогнозирования динамики тиражей СМИ и принятия управленческих решений;
- предложенные методы и приёмы применимы не только для различных комбинаций пяти рассмотренных моделей трендов и колебательных компонент, но допускают распространение на тренды и колебательные компоненты (как сезонные, так и циклические) других моделей для субъектов хозяйствования в различных сферах экономики, например, при управлении ресурсами, в задаче анализа финансовых рядов.
Достоверность полученных результатов, в том числе преимущества предложенных методов по точности моделирования и прогнозирования, по возможности работы на малых выборках в сравнении с известными методами, подтверждена численным экспериментом, моделированием и прогнозированием разработанными методами реальных тиражей печатных
СМИ,. корректностью математических выводов и репрезентативностью статистических данных.
Апробация и внедрение результатов исследования. Полученные теоретические, методологические и практические результаты работы обсуждались на:
-IV Всероссийской научно-практической конференции Опыт и проблемы маркетинговой деятельности в российском предпринимательстве, (г. Пенза, 5-9 июня 2003.);
-XVI Международной научно-технической конференции Математические методы и информационные технологии в экономике, социологии и образовании, (г. Пенза, 27 - 28 декабря 2005.);
-Всероссийской научно-практической конференции Наука. Бизнес. Образование, (г. Самара, 23 апреля 2004.);
-Международной научно-практической конференции Актуальные проблемы современного социально-экономического развития: образование, наука, производство, (г. Самара. НОУ ВПО Международный институт рынка. 2004.);
-Всесоюзной научно-практической конференции Проблемы менеджмента организаций. Проблемы экономики современных промышленных комплексов. Методологические и практические аспекты финансирования и кредитования. Математические модели современных экономических процессов, (г. Самара, Самарский государственный аэрокосмический университет. 2005.);
-V Всероссийской научно-методической конференции Современный российский менеджмент: состояние, проблемы, развитие (г.Пенза, март 2006.);
2-ой международной научно-практической конференции Экономическое прогнозирование: модели и методы (г.Воронеж, март 2006.);
-семинаре кафедры Экономика Самарского государственного аэрокосмического университета. (2 марта 2006.);
-НТС факультета Экономики и управления Самарского государственного аэрокосмического университета. (16 марта 2006.).
Практическое использование разработанных методов, программного продукта и результатов исследований подтверждено тремя актами о внедрении.
Публикации. Общее количество научных и научно-методических трудов по теме данной диссертации - 12.
Структура работы. Диссертация изложена на 173 страницах, состоит из введения, трех глав, заключения, содержит 55 рисунков, 6 таблиц, библиографический список литературы из 128 наименований, приложения с документами, подтверждающими внедрение полученных в диссертации результатов и статистические данные.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Семенычев, Евгений Валериевич
Выводы по третьей главе
1.Расчёты, проведенные методом классической сезонной декомпозиции и предложенными параметрическими методами на одной и той же выборке, убедительно показывают преимущества последних по точности моделирования и, особенно, по точности прогнозирования, а также по существенному уменьшению объёма используемой выборки: до полутора - двух периодов колебательной компоненты.
2.Разработанный программный комплекс реализует моделирование и прогнозирование наиболее распространенных в эконометрической практике моделей, осуществляет исследование точности методов и получаемых оценок, обладает дружественным интерфейсом, удобен в работе, имеет широкие функциональные возможности, допускает применение и для других моделей рядов динамики.
З.При расчёте оценок разработаны условия и приемы устранения многозначности оценки частоты сезонной колебательной гармонической компоненты.
4.Проведенный представительный численный и натурный эксперимент доказал достоверность и практическую ценность основных теоретических положений диссертационной работы.
5.Методы и программный комплекс получили внедрение, что подтверждено документами, представленными в приложении.
6.Рассмотрены проблемы и направления оценки экономического эффекта от повышения точности моделирования и прогнозирования, уменьшения требуемого объёма выборки. Приведен расчет определения эффекта для одного из многих возможных приложений.
Заключение
Заявленную цель диссертационных исследований - разработку и исследование параметрических методов, моделей и инструментальных средств для расширения области моделирования и прогнозирования рядов экономической динамики с колебательной компонентой (на примере тиражей печатных СМИ) - можно считать достигнутой.
Проведенные расчёты показали, что двукратный выигрыш в точности (характеризуемой значениями коэффициента детерминации и значениями средней относительной погрешности модуля прогноза) достигается на выборках в потора - два периода сезонной колебательной компоненты.
На основе параметрических моделей авторегрессии, конструируемых с помощью Ъ - преобразования (преобразования Лорана), предложены методы параметризации широкого класса (двадцати моделей) тренд-сезонных или тренд-циклических рядов динамики.
Для трендов рядов динамики рассмотрены пять моделей (линейная, параболическая, обобщенная экспоненциальная, обобщенная обратная и логистическая Рамсея).
При этом условие убывания трендов определялось лишь принятым приложением для моделирования тиражей СМИ. В рамках данных моделей разработанные методы могут быть применены и для повышающих и для немотонных тенденций. Полученные результаты могут быть распространены на другие модели трендов и колебательных компонент.
Все рассмотренные модели сезонной колебательной компоненты являются параметрическими. Возможность использования коротких выборок позволяет осуществлять параметризацию рядов и вариацией параметров гармонической колебательной компоненты, что особенно важно для тренд-циклических рядов.
Существенно новыми результатами представляются предложенная структура мультипликативной сезонной колебательной гармонической компоненты, методы моделирования рядов динамики с вариацией амплитуды сезонной колебательной гармонической компоненты, методы моделирования сезонной колебательной пилообразной компоненты, имеющей приложение не только для тиражей печатных СМИ, но и в задачах управления ресурсами, в финансовых рядах.
Разработанный программный комплекс подтвердил справедливость основных теоретических результатов, позволил провести сравнение разработанных методов моделирования и прогнозирования с известными, имеет широкие функциональные возможности, допускает развитие и для параметризации других моделей рядов динамики.
Диссертация: библиография по экономике, кандидат экономических наук , Семенычев, Евгений Валериевич, Самара
1. Абчук В.А. Прогнозирование в бизнесе, менеджменте и маркетинге. СПб.: Изд-во Михайлова В.А. 2005. - 448 с.
2. Анурин В., Муромкина И., Евтушенко Е. Маркетинговые исследования потребительского рынка СПб.: Питер. 2004 - 270 с.
3. Айвазян С.А. Прикладная статистика. Основы эконометрики. М.: ЮНИТИ-ДАНА. 2001. - 432 с.
4. Айвазян С.А., Енюков И.С., Мешакин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Наука. 1985. - 487 с.
5. Айвазян С.А., Мхитарян B.C. Прикладная статистика. Теория вероятностей и прикладная статистика. М.: ЮНИТИ ДАНА. 2001. - 656 с.
6. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. М.: Финансы и статистика. 2001. - 227 с.
7. Барахов В.И., Самочкин В.Н. Исследование жизненного цикла товара. Маркетинг в России и за рубежом. №3(29). 2002. С. 76 - 80.
8. Башурова А.Р. Динамическое моделирование элементов маркетинговой деятельности. Автореферат диссертации на соискание ученой степени к. э. н. Иркутская Государственная экономическая академия. Иркутск. 2001. 16 с.
9. Баутов А.Н. Заметки о статье Кошечкина С.А. Агоритм прогнозирования продаж в MS EXCEL. Маркетинг в России и за рубежом №2. 2002.-С. 32-35.
10. Ю.Багиев Г.Л., Богданова Е.Л. Маркетинг-статистика. М.: Финансы и статистика. - 203 с.
11. Бережная Е.В., Бережной В.И. Математические методы моделирования экономических систем. М.: Финансы и статистика. 2002. -368 с.
12. Бестужев-Лада И.В. Прогнозное обоснование социальных нововведений. М.: Наука. 1993. - 327 с.
13. Бондаренко A.B. Об агоритме прогнозирования объема продаж, разработанного Кошечкиным С.А.. Маркетинг в России и за рубежом №5(43). 2004. -С. 129- 141.
14. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATIATICA в среде Windows. Основы теории и интенсивная практика на компьютере. М.: Финансы и статистика. 1999. - 241 с.
15. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып.2. М.: Мир. 1974. - 197 с.
16. Бородич С.А. Эконометрика. Мн.: Новое знание. 2001. - 408 с.
17. Боярский JI.C., Семёнычев В.К., Семёнычев Е.В. Идентификация логистической кривой с сезонной компонентой. Сб. Рыночная экономика (состояние, проблемы, перспективы). Самара. 2004. - С.36 - 39.
18. Бушуева Л.И. Методы прогнозирования объема продаж. Маркетинг в России и за рубежом. №1(27). 2002. С. 15 - 30.
19. Быковская И.В., Плотников C.B., Подчернин В.М. К вопросу о формировании маркетингового бюджета. Маркетинг в России и за рубежом. №6. 2001. С.46 - 52.
20. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука. 1979. - 447 с.
21. Голубков Е.П. Маркетинговые исследования: теория, методология и практика. М.: Финпресс. 1998. - 416 с.
22. Горбунов В.К. Математическая модель потребительского спроса. -М.: Экономика. 2004. 175 с.
23. Горчаков A.A., Орлова И.В. Компьютерные экономико -математические модели. М.: ЮНИТИ. 1995. - 215 с.
24. Гранберг А.Г. Динамические модели народного хозяйства. М.: Экономика. 1985. - 259 с.
25. Гришин А.Ф., Кочерова Е.В. Статистические модели: построение, оценка, анализ. М.: Финансы и статистика. 2005. - 416 с.
26. Гришин А.Ф., Котов Дарти С.Ф., Ягунов В.Н. Статистические модели в экономике. - Ростов н/Д: Феникс. 2005. - 344 с .
27. Губанов В.А. Выделение нестационарной циклической составляющей из временных рядов. Экономика и математические методы. 2003. том 39, №1.- С. 76-79.
28. Губанов В.А., Ковальджи А.К. Выделение сезонных колебаний на основе вариационных принципов. Экономика и математические методы. 2001. том 37, № 1.-С.91 102.
29. Делев O.A., Богачева Е.Г. Сравнительный анализ маркетинговых компьютерных программ. Маркетинг в России и за рубежом.. 2000. №1. С. 29-34.
30. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика. 1981. - 302 с.31 .Деч Г. Руководство к практическому применению преобразования Лапласа и Z преобразования. - М.: Наука. 1971. - 288 с.
31. Доугерти К. Введение в эконометрику. М.: ИНФА-М. 2004. - 432с.
32. Дуброва Т.А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА. 2003. 206 с.
33. Дятлов А.Н., Артамонов С.Ю. Оптимизация маркетингового бюджета фирмы с использованием моделей S образных кривых функций спроса/Экономический журнал ВШЭ. №4. 1999. - С. 32 - 40.
34. Егорова Н.Е., Мудунов A.C. Система моделей прогнозирования спроса на продукцию сферы услуг. Экономика и математические методы, том 38. №2. 2002. С. 66 - 83.
35. Емельянов A.C. Эконометрия и прогнозирование. М.: Экономика. 1985. - 208 с.
36. Жданов С.А. Экономические модели и методы в управлении. М.: Дело и Сервис. 1998. - 176 с.38.3аречнев В.А. Прогнозирование на компьютере. Основы теории. Часть 1. Киров. ВятГУ. 2005. - 96 с.
37. Кашьяп P.A., Pao A.P. Построение динамических стохастических моделей по экспериментальным данным. М.: Наука. 1983. - 384 с.
38. Кейн Э. Экономическая статистика и эконометрия. Введение в количественный экономический анализ. М.: Статистика. 1977. - 435 с.Х41.Киверин В.И. Экономика редакции газеты. М.: Аспект пресс. 2002.- 106 с.
39. Клейнер Г.Б., Смоляк С.А. Эконометрические зависимости: принципы и методы построения. М.: 2000. - 104 с.
40. Кобелев Н.Б. Практика применения экономико-математических методов и моделей. М.: Финстатинвест. 2000. - 246 с.
41. Кобринский Н.Е. Информационные фильтры в экономике (Анализ одномерных временных рядов). М.: Статистика. 1978. - 287 с.
42. Кобринский Н.Е., Кузьмин В.И. Точность экономико -математических моделей. М.: Финансы и статистика. 1981. - 324 с.
43. Колемаев В.А. Математическая экономика. М: ЮНИТИ-ДАНА. 2002. - 399 с.
44. Количественные методы анализа в маркетинге/Под ред. Т.П. Данько, И.И. Скоробогатых. СПб.: Питер. 2005. - 384с.
45. Кондратьев Н.Д. Проблемы экономической динамики. М.: Наука. 1989.-307 с.
46. Конрад Финк. Стратегический газетный менеджмент. Пер. с англ. -1-е изд. Самара. Корпорация Федоров. 2004. - 496 с.
47. Коротков A.B. Статистическое обеспечение маркетинга продукта. М.: МЭСИ. 2000.-230 с.
48. Кошечкин С.А. Агоритм прогнозирования объёма продаж в MS EXCEL. Маркетинг в России и за рубежом. №5 (25). 2001. С. 35 - 42.
49. Левицкий Е.М. Адаптация в моделировании экономических систем. Новосибирск.: Наука. 1977. - 293 с.
50. Леонова H., Марголин Е. Статистический анализ показателей использования производственных ресурсов. М.: Финансы и статистика. 2004г.-312 с.
51. Лобанова Е. Прогнозирование с учетом цикличности экономического роста. Экономические науки. 1991. №1. С. 25 Ч 30.
52. Лопатников Л.И. Экономико математический словарь: Словарь современной математической науки. -М.: Дело. 2003. - 520 с.
53. Лугачев М.И., Ляпунцев Ю.П. Методы социального прогнозирования. М.: МГУ. ТЕИС. 1999. - 328 с.
54. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. 2003. 416 с.
55. Льюис К.Д. Методы прогнозирования экономических показателей. Ч М.: Финансы и статистика. 1986. 280 с.
56. Магнус Я.Р., Катышев П.К., Пересецкий A.A. Эконометрика. М.: Дело. 2004. - 576 с.
57. Марголин А.Е. Производство местных газет на региональной полиграфической базе. Российский печатник. №2. 2003 С. 24 - 28.
58. Марголин А.Е. Статистический анализ использования производственных ресурсов. 2003. Российский печатник. № 12. С. 33-38.
59. Назайкин А.Н. Эффективная реклама в прессе. М.: Изд - во международного института рекламы. 2001. - 208 с.
60. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем. М.: Мир. 1975. - 500 с.
61. Петухова И.В., Петухова Н.В. Прогнозирование емкости рынка отдельных групп товаров и услуг. Маркетинг в России и за рубежом. №3 (25). 2001.-С. 62-74.
62. Петров A.A., Поспелов И.Г., Шананин A.A. Опыт математического моделирования экономики. М.: Энергоатомиздат. 1996. -554 с.71 .Плотинский Ю.М. Теоретические и эмпирические модели социальных процессов. М.: Логос. - 279 с.
63. Полетаев A.B., Савельева И.М. Циклы Кондратьева и развитие капитализма. М.: Наука. 1993. - 215 с.73 .Половников В. А., Горчаков A.A. Модели и методы экономического прогнозирования. М.: МЭСИ. 1980. - 116 с.
64. Пронько А.Г. Модели и механизмы согласованного управления производством и сбытом продукции с сезонным характером спроса. Автореферат диссертации на соискание учёной степени к.э.н. Самара.: СГАУ. 2003.- 16 с.
65. Рабинер Л., Гоуд Б. Теория и применение цифровой обработки сигналов. М.: Мир. 1978. - 848 с.
66. Рязанов Ю., Шматов Г. Медиапланирование. Екатеринбург. Уральский рабочий. 2002. - 307 с.
67. Садовникова H.A., Шмойлова P.A. Анализ временных рядов и прогнозирование. М.: МЭСИ. 2004. - 200 с.
68. Саушкин О.О. Система моделей структурной динамики и прогнозирования финансовых и экономических показателей национальной экономики. Автореферат диссертации на соискание ученой степени кандидата ф Ч м. н. М.: 1998. - 19 с.
69. Скучалина JI.H., Крутова Т.А. Организация и ведение базы данных временных рядов. Система показателей, методы определения, оценки прогнозирования информационных процессов. М.: ГКС РФ. 1995. - 46 с.
70. Семенычев В.К. Идентификация экономической динамики на основе моделей авторегрессии. Самара. AHO Издательство СНЦ РАН, 2004г., - 243 с.
71. Семёнычев В.К., Семёнычев Е.В. Структурная и параметрическая идентификация комплекса моделей логистической динамики. Сб. трудов Наука, образование, бизнес ПИБ. - Самара. 2004. - С. 47 - 49.
72. Семёнычев В.К., Семёнычев Е.В Моделирование логистической тенденции с учётом типовых помех. Вестник СамГТУ. № 31. Серия Технические науки. Самара. 2005. - С. 112 - 117.
73. Семёнычев Е.В. Идентификация комплекса моделей логистической динамики. Сб. Управление организационно экономическими системами: моделирование взаимодействий, принятие решений. Выпуск 4. Самара. 2004 г. - С. 38 - 43.
74. Семёнычев Е.В. Структурная и параметрическая идентификация потребительского спроса на основе АР СС моделей. Современные проблемы информатизации в непромышленной сфере и экономике. Сб. трудов. Выпуск 9. - Воронеж. Научная книга. 2004. - С. 39 - 40.
75. Симагина С.Г. Исследование влияния факторов внешней и внутренней среды на ситуацию в книгоиздательской деятельности отрасли России. М.: 2005. - 237 с.
76. Скопина И.В. Оценка тенденций развития, колеблемости и цикличности конкурентного потребительского рынка. Маркетинг в России и за рубежом. 2003. №6 (38). С. 49 - 57.
77. Спирин A.A. Фомин Г.П. Экономико математические методы и модели в торговле. - М.: Экономика. 1988. Ч 149 с.93 .Соловьев Б.А. Изучение спроса на товары длительного пользования. М.: Экономика. 1971. -70 с.
78. Статистическое моделирование и прогнозирование./ Под ред. А.Г. Гранберга. М.: Финансы и статистика. 1990. - 388 с.
79. Теория статистики. /Под ред.Р.А. Шмойловой. М.: Финансы и статистика. 2004. - 655 с.
80. Тихомиров Н.П., Дорохина Е.Ю. Эконометрика. М.: Экзамен. 2003.-512 с.
81. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютерах /Под ред. В.Э.Фигурнова. М.: Инфра - М. 1998. -315 с.
82. Федосеев В.В., Эриашвили Н.Д. Экономико-математические методы и модели в маркетинге. М.: ЮНИТИ-ДАНА. 2001. - 159 с.
83. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа: Руководство для экономистов. М.: Финансы и статистика. 1983. -380 с.
84. ЮО.Чеканский А.Н., Фролова H.JI. Теория спроса, предложения и рыночных структур. М.:ТЕИС. 1999. - 297 с.
85. Чернов В.П. Структуры базовых моделей экономической динамики. Автореферат диссертации на соискание ученой степени д.э.н. -СПб.: 1997. 58 с.
86. Четвериков Н.С. Методика вычисления сезонной воны в кратковременных рядах. В кн.: Статистические исследования. М.: Наука. 1975.-С. 146-151.
87. ЮЗ.Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика. 1977. - 192 с.
88. Хачатрян С.Р., Пинегина М.В., Буянов В.П. Методы и модели решения экономических задач. М.: Экзамен. 2005. - 384 с.
89. Шатаев И.М. Сезонные колебания в бытовом обслуживании- Ч М.: Легкая индустрия. 1977. 49 с.
90. Юб.Швырков В.В., Швыркова Т.С. Моделирование внутригодичных колебаний спроса. М.: Статистика. 1973. - 174 с.
91. Шелобаев С.И. Математические методы и модели в экономике, финансах, бизнесе. М.: ЮНИТИ - ДАНА. 2000. - 367 с.
92. Шелобаева И.С. Экономико математические подходы к разработке проблем исследования тренд - сезонных процессов //Состояние и пути повышения эффективности муниципального управления. Матер. Межрег. науч. - практ. конф. - Тула.: 2002. - С. 168 - 172.
93. Шелобаева И.С. Моделирование интервальных оценок при прогнозировании тренд-сезонных экономических процессов. Автореферат диссертации на соискание ученой степени к. э. н. М.: ВЗФЭИ, 2003г. -20с.
94. Экономико-математические методы и прикладные модели./ Под ред. В.В.Федосеева. М.: ЮНИТИ - ДАНА. 2005. - 304 с.
95. Экономико-математические методы и прикладные модели./ В.А.Половников и др. М.: Финстатинформ. 1997. - 360 с.
96. Яковенко Е.Г., Басс М.И., Махров Н.В. Циклы жизни экономических процессов, объектов и систем. М.: Наука. 1991. - 290 с.
97. Ямпольская Д.О. Количественные методы анализа и прогнозирования в маркетинге./Санкт Петерб. гос. инж. - экон. ун - т. -Спб.:2002. - 176 с.
98. Ярных Э.А. Информационная инфраструктура и статистический анализ рынка товаров и услуг. М.: Финансы и статистика. 2004. - 367 с.
99. Bridges E. New technology adaption in innovative marketplase /Jnter/Jornal of Forecasting. 1991. vol.7.№2. p.257 270.
100. Andrews D.F. A robust metod for multiple linear regression. Technometrics. 1974ю v. 16. № 4.
101. Durbin J., Murphy M.J. Seasonal adjustment based an a mixed-additive-multiplicative model. J.R. Statist.Sos., ser.A., vol. 138, n.3, - p. 385-410.
102. Gali J., Gertler V. Inflation dynamics: A structural econometric analysis. Journal of Monetary Economics. 1999. № 44. P. 195 - 222.
103. Jonston J. and Di Nargo J. Econometric Methods. 4 th. edeition. Mc Graw Hill. 1997.-328 p.
104. Life Cycles and Long Waves. \T.Vasko, R.Aytes. Springer. 1990.328 p.
105. Hendry D. Dynamic Econometrics. Oxford University Press. 1995.304 p.
106. Ramsay J.O. A comparative study of several robust estimates of slope, intercept an scale in linear regression. JASA. 1977. v. 72. № 3.
107. SPSS Trends Щ 10.10. SPSS Inc.1999.
Похожие диссертации
- Человеческий потенциал экономического развития
- Разработка экономического механизма стратегического управления профессиональными рисками химического предприятия
- Рынок риэторских услуг и его влияние на жилищные потребности населения и экономику субъектов федерации
- Эконометрическое моделирование и прогнозирование рядов динамики на основе параметрических моделей авторегрессии
- Моделирование экономической устойчивости систем энергетики