ВВЕДЕНИЕ 5
1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ 8
1.1 Теоретические основы прогнозирования 8
1.2 Множественный регрессионный анализ 17
1.2.1 Отбор факторов при построении уравнения множественной
регрессии 18
1.2.2 Расчет параметров уравнения линейной множественной
регрессии 20
1.2.3 Проверка существенности факторов и показатели качества
регрессии 23
1.2.4 Оценка значимости полученного уравнения множественной
регрессии 25
1.3 Основные понятия метода экспоненциального сглаживания временных
рядов 27
1.3.1 Простое экспоненциальное сглаживание 28
1.3.2 Метод Хольта 31
1.3.3 Метод Уинтерса 32
1.4 Теоретические основы нейронных сетей 34
2 РЫНОК ВТОРИЧНЫХ АВТОМОБИЛЕЙ 51
2.1 История развития автомобильного рынка 51
2.2 Автомобильный рынок России 54
3 ПРОГНОЗИРОВАНИЕ СРЕДНЕЙ СТОИМОСТИ АВТОМОБИЛЕЙ 58
3.1 Построение модели множественной регрессии 59
3.2 Прогнозирование методом экспоненциального сглаживания 72
3.3 Построение прогноза с помощью нейронных сетей 80
3.4 Сравнение результатов исследований 95
ЗАКЛЮЧЕНИЕ 97
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 99
ПРИЛОЖЕНИЕ
Прогнозирование является основой управленческой и
предпринимательской деятельности во всех сферах и на всех уровнях общественной жизни. Актуальность темы данной работы состоит в том, что качественно составленный прогноз в условиях рыночной экономики и высокой изменчивости факторов внешней среды является основополагающей исходной информацией для принятия обоснованных управленческих решений, которые позволяют контролировать и оптимизировать расходы, а также минимизировать риски в процессе управления предприятием.
Поэтому важнейшей задачей экономического прогнозирования, с одной стороны, является определение экономических и финансовых перспектив и предполагаемого финансового состояния предприятия, основываясь на его настоящем реальном развитии, а с другой - поиск оптимальных путей достижения целей этого развития, опираясь на составленный прогноз и оценку принятого решения с позиций его последствий в прогнозируемом периоде.
Экономическое прогнозирование, представляющее собой систему научных исследований качественного и количественного характера, опирается на экономико-математические методы и модели, основная часть которых была рассмотрена в данной работе.
Целью данной дипломной работы является прогнозирование средней стоимости автомобилей на вторичном рынке в городе Набережные Челны с помощью методов множественной регрессии, экспоненциального сглаживания и нейронных сетей.
Для достижения цели были поставлены следующие задачи:
1) Ознакомиться с теоретическими основами прогнозирования;
2) Рассмотреть основные методы статистического прогнозирования;
3) Собрать и проанализировать данные по стоимости автомобилей за предыдущие годы;
4) Сделать прогноз средней стоимости автомобилей по данным ООО УК ТрансТехСервис;
5) Провести анализ полученных результатов.
Объектом исследования является средняя стоимость автомобиля на вторичном рынке.
Предметом исследования является прогнозирование средней стоимости автомобилей по данным ООО УК ТТС.
Анализ данных был произведен с использованием следующих данных:
• данные бухгалтерской и статистической отчетности предприятия;
• устав и учредительные документы;
• учетная политика предприятия.
Информационной базой для написания данной работы стали учебно - методические пособия по эконометрике отечественных авторов, открытые публикации с различных Интернет - сайтов и периодическая литература по данному вопросу.
Теоретико-методологическую базу составили труды следующих ученых: В.П. Боровикова, Г. Крамера, С.А. Айвазяна, И.В. Антохоновой, В.Н. Афанасьева, О.Г. Руденко, И.С. Светунькова, В.В. Федосеева и других.
Дипломная работа состоит из введения, трех глав, заключения, списка использованных источников и приложений.
В первой главе изложены теоретические основы прогнозирования и рассмотрены методы, применяемые для статистического прогнозирования. Во второй главе рассмотрен автомобильный рынок, а в третьей главе продемонстрирована прогнозирование средней стоимости автомобилей по данным ООО УК ТТС на 2016 год тремя методами.
Реализация методов прогнозирования была произведена в пакете STATISTICA 10.0.
В процессе выполнения данной работы были решены следующие задачи:
1) Рассмотрены теоретические основы прогнозирования, а также теория прогнозирования на основе анализа временных рядов;
2) Рассмотрены методы множественного регрессионного анализа,
„„ „„ „ - „
экспоненциального сглаживания и нейронных сетей;
3) Проанализированы данные средней стоимости автомобилей за 2011-2015 годы;
4) Построена модель множественной регрессии и сделан прогноз на 2016 год методами экспоненциального сглаживания и нейронных сетей;
5) Проведен анализ полученных результатов.
В заключение работы следует отметить, что полученные прогнозные значения имеют достаточно высокий уровень точности, что позволит использовать их в дальнейшем на предприятии с целью снижения рисков при принятии решений.
В результате проведенных исследований было выявлено, что средняя стоимость автомобилей на вторичном рынке упадет на 14,5%.
Преимуществами регрессионной модели являются простота, гибкость, а также единообразие анализа и проектирования. Кроме того, к достоинствам можно также отнести прозрачность моделирования, т.е. доступность для анализа всех промежуточных вычислений.
Достоинствами прогнозирования методом экспоненциального сглаживания, как и модели множественной регрессии, являются простота и единообразие анализа и проектирования, однако недостатком данного метода прогнозирования является отсутствие гибкости. Метод экспоненциального сглаживания чаще других используется для долгосрочного прогнозирования.
Преимуществом нейросетевых моделей является возможность их использования в тех случаях, когда вид взаимосвязи между входами и выходами не известен. Определение вида связи и настройка весовых коэффициентов происходят в процессе обучения. Другими важными преимуществами являются: адаптивность, масштабируемость (параллельная структура сетей ускоряет вычисления) и единообразие их анализа и проектирования. преимущество нейронной сети перед линейными методами в том, что они могут выявлять куда больше неявных закономерностей. Обычная линейная регрессия, по сути, тоже нейронная сеть, но только с одним скрытым слоем.
При этом недостатками моделей нейронных сетей являются отсутствие прозрачности моделирования, так как нейронные сети не показывают уровень статистической значимости в отличие от обычной линейной регрессии. сложность выбора архитектуры, сложность выбора алгоритма обучения и ресурсоемкость процесса их обучения.
В заключении отметим, что конечная цель данной работы достигнута, все поставленные в начале работы задачи выполнены, все вопросы раскрыты в полной мере.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
