Topp 3 teknikker for prognoser for etterspørsel | Produkter | Økonomi

Følgende punkter fremhever de tre beste teknikkene for etterspørselsprognoser. Teknikkene inkluderer: 1. Kartleggingsmetoder 2. Meningsmåling Metoder 3. Statistiske metoder.

1. Kartleggingsmetoder :

Under undersøkelsesmetoder blir det gjennomført undersøkelser om forbrukernes intensjoner, meninger fra eksperter, kartlegging av ledelsesplaner eller om markeder. Data innhentet gjennom disse metodene blir analysert, og prognoser på forespørsel blir laget. Disse metodene brukes vanligvis for å lage en kortvarig prognose om etterspørsel.

Forbrukerundersøkelse :

Forbrukernes undersøkelsesmetode for etterspørselsvarsling innebærer direkte intervju av potensielle forbrukere. Forbrukere blir ganske enkelt kontaktet av intervjueren og spurt hvor mye de ville være villige til å kjøpe et gitt produkt til en rekke alternative produktnivåer.

Forbrukerundersøkelse kan ha en hvilken som helst form som:

en. Fullstendig oppregning

b. Eksempelundersøkelse, eller

c. Sluttbruksmetode

en. Komplett oppregningsmetode:

I en komplett oppregningsundersøkelse blir alle forbrukere av produktet kontaktet og bedt om å indikere planene sine for å kjøpe den aktuelle produksjonen i prognoseperioden.

Forespørsel om etterspørsel etter det totale folketellingen forbruk oppnås bare ved å legge til den tilsiktede etterspørselen fra alle forbrukere som:

DF = Id 1 + ID 2 + ……… .. ID n … (2.1)

Hvor,

DF = etterspørselsprognose for alle forbrukere

ID 1 = beregnet etterspørsel fra forbruker 1.

ID 2 = beregnet etterspørsel fra forbruker 2.

Den sannsynlige etterspørselen fra alle forbrukerne oppsummeres for å oppnå salgsprognosen. Denne metoden letter samlingen av førstehåndsinformasjon og er fri for skjevhet. Metoden har sin del av ulemper også. Denne metoden kan brukes hvis de produktene bare har forbrukerne lokalisert i en bestemt region. Hvis forbrukerne av produktet er vidt spredt, viser denne metoden seg å være kostbar og tidkrevende. Etterspørselsestimering gjennom denne metoden er kanskje ikke pålitelig fordi forbrukerne ikke på forhånd har tenkt ut hva de ville gjort i disse hypotetiske situasjonene.

Også:

(i) Forbrukerne er kanskje ikke klar over deres eksakte krav, og kan derfor ikke være i stand til eller villig til å svare på spørsmålene;

(ii) Forbrukerne kan gi hypotetiske svar på hypotetiske spørsmål;

(iii) Svarene deres kan være partiske i henhold til deres egne forventninger til markedsforholdene;

(iv) Planene deres kan bli endret med endringer i faktorene som ikke er inkludert i spørreskjemaet, og

(v) Når vi kommer til effektene av reklame på etterspørsel, blir problemene med en slik direkte intervjutilnærming enda mer tilsynelatende.

b. Eksempelundersøkelsesmetode:

Nyttige data for å spå etterspørsel kan også fås fra undersøkelser av forbrukerplaner. I motsetning til den komplette oppregningsmetoden blir det bare noen få potensielle forbrukere fra det relevante markedet som er valgt gjennom en passende prøvetakingsmetode, intervjuet. Undersøkelsen kan gjennomføres enten gjennom direkte-intervju eller sendt spørreskjema til forbrukerne.

Den totale etterspørselen kan forventes ved hjelp av følgende formel:

Hvor,

N befolkningen av forbrukere

n undersøkelse kartlagt.

Deretter summeres den sannsynlige etterspørselen uttrykt av hver valgte enhet for å få den totale etterspørselen for prognoseperioden. Samlet utvalg av etterspørsel blir deretter multiplisert med forholdet mellom antall konsumerende enheter i befolkningen og antall konsumerende enheter i utvalget. Hvis den valgte prøven er tilstrekkelig representativ for befolkningen, er det mer sannsynlig at resultatene av prøven blir like med resultatene fra populasjonen. Denne metoden er enklere, økonomisk og tidsbesparende sammenlignet med den komplette oppregningsundersøkelsen.

Selv om undersøkelser av forbrukernes etterspørsel kan gi nyttige data for prognoser, er verdien av dem svært avhengig av ferdighetene til opphavsmennene. Meningsfulle undersøkelser krever nøye oppmerksomhet til hver fase av prosessen. Spørsmål må være nøyaktig formulert for å unngå tvetydighet. Undersøkelsesutvalget må velges riktig slik at svarene vil være representative for alle kunder. Til slutt bør metodene for undersøkelsesadministrasjon gi en høy svarprosent og unngå å skjevne svarene fra de spurte. Dårlig formulerte spørsmål eller en ikke-tilfeldig prøve kan føre til data som har liten verdi.

Selv de mest nøye utformede undersøkelsene spår ikke alltid forbrukernes etterspørsel med stor nøyaktighet. I noen tilfeller har respondentene ikke nok informasjon til å finne ut om de vil kjøpe et produkt. I andre situasjoner kan de spurte bli presset i tid og være uvillige til å vie mye omtanke til svarene.

Noen ganger kan responsen gjenspeile et ønske (enten bevisst eller ubevisst) om å sette seg i et gunstig lys eller å få godkjenning fra de som foretar undersøkelsen. På grunn av disse begrensningene, er sjelden prognoser helt avhengige av resultatene fra forbrukerundersøkelser. Snarere anses disse dataene som tilleggskilder til informasjon for beslutningstaking.

c. Sluttbruksmetode:

Sluttbruksmetoden for etterspørsel etter etterspørsel har betydelig både teoretiske og praktiske verdier. Denne metoden involverer en kartlegging av firmaer i alle bransjer som bruker produktet og prosjekterer salg av det aktuelle produktet basert på etterspørselsundersøkelse av bransjene som bruker dette produktet som et mellomprodukt. Etterspørsel etter sluttproduktet er sluttbruksbehovet til mellomproduktet som brukes i produksjonen av dette sluttproduktet.

Sluttbruksmetoden for etterspørsel etter etterspørsel består av fire forskjellige stadier av estimering:

(1) Få informasjon om potensiell bruk av det aktuelle produktet.

(2) Bestem passende tekniske 'normer' for forbruk for hver bruk av produktet som studeres.

(3) For anvendelse av normene er det nødvendig å kjenne til ønsket eller målrettet produksjonsnivå for de enkelte næringer for referanseåret, og også den sannsynlige utviklingen i andre økonomiske aktiviteter som bruker produktet og de sannsynlige outputmålene.

(4) Til slutt blir det produktmessige innholdet i varen som etterspørselen forventes prognosert, samlet, noe som gir estimat for etterspørsel etter produktet som helhet for det aktuelle terminalåret.

Dermed kan etterspørsel etter sluttbruk av et mellomprodukt involvere mange sluttvareindustrier som bruker dette produktet i inn- og utland. Når etterspørselen etter sluttforbruksvarer inkludert eksport netto av import er kjent, kan etterspørselen etter produktet som brukes som mellomgode i produksjonen av disse sluttforbruksvarene ved hjelp av input-output koeffisienter, estimeres. Input-output-tabellene som inneholder input-output-koeffisienter for bestemte perioder, blir gjort tilgjengelig i alle land, enten av regjeringen eller av forskningsorganisasjoner.

Bortsett fra for mellomprodukter, er ikke etterspørsel etter etterspørselsmetode ønskelig eller gjennomførbar. Når antallet sluttbrukere av et produkt øker, blir det mer og mer upraktisk å bruke denne metoden. Denne metoden er ganske nyttig for industrier som i stor grad er produsenters varer, som aluminium.

Å lage prognoser ved denne metoden krever at det bygges opp en tidsplan for sannsynlig samlet etterspørsel etter innspill i fremtiden av konsumerende næringer og ulike sektorer. I denne metoden blir teknologiske, strukturelle og andre endringer, som kan påvirke etterspørselen, ivaretatt i selve estimeringsprosessen. Dette aspektet av sluttbrukstilnærmingen er av spesiell betydning.

Fordeler med sluttbruksmetode:

(1) Det hjelper å estimere den fremtidige etterspørselen etter et industriprodukt i betydelig detalj etter typer og størrelse. Ved å undersøke det nåværende bruksmønsteret av produktet, gir sluttbruksmetoden enhver mulighet til å bestemme hvilke typer, kategorier og størrelser som sannsynligvis vil bli etterspurt i fremtiden.

(2) Metoden hjelper å spore og presisere når som helst i fremtiden om hvor og hvorfor det faktiske forbruket har avviket fra den estimerte etterspørselen. Egnede revisjoner kan også gjøres fra tid til annen basert på slik undersøkelse.

2. Meningsmålinger :

Metodene for meningsmåling foretar estimering av etterspørsel ved å bruke meninger fra de som har kunnskap om markedet, for eksempel profesjonelle markedsføringseksperter og konsulenter, salgsrepresentanter og ledere. Den kollektive dommen til kunnskapsrike personer kan være en viktig kilde til informasjon.

Faktisk er noen prognoser laget nesten utelukkende på bakgrunn av personlig innsikt fra sentrale beslutningstakere. Denne prosessen kan involvere ledere som konfererer for å utvikle anslag basert på deres vurdering av økonomiske forhold firmaet står overfor. I andre tilfeller kan selskapets salgspersonell bli bedt om å vurdere fremtidsutsiktene. I enda andre tilfeller kan konsulenter bli ansatt for å utvikle prognoser basert på deres kunnskap om bransjen.

Disse metodene inkluderer:

Jeg. Ekspertenes mening:

Forskeren identifiserer ekspertene på varen som etterspørselsprognosen blir forsøkt, og sonderer med dem på den sannsynlige etterspørselen etter produktet i prognoseperioden. Denne metoden består i å sikre synspunkter fra selgere og / eller salgsledere. Det er mange varianter.

Det samlede synet på salgsstyrken om fremtidige salgsforventninger kan sikres ved nøye gransking på påfølgende ledernivåer og fremtidige salgsestimater innsendt av selgerne hver for seg. En annen metode vil være å bare stole på den spesialiserte kunnskapen til selskapets salgsledere når de utarbeider salgsprognoser.

Fordelene med denne metoden består av:

(a) Denne metoden bruker spesialisert kunnskap om personer som er nærmest markedet;

(b) Gir salgsstyrken større tillit til å få utviklet salgskvoter;

(c) Større stabilitet gjennom størrelsen på prøven;

(d) Plassering av ansvar for prognosene på de som forventes å gi resultater.

Ulempene som er fremskaffet er at:

(a) Selgere er dårlige estimater som er utilbørlig optimistiske;

(b) Selgere er ofte ikke klar over de brede økonomiske mønstrene og kan ikke spå langsiktige trender;

(c) Salgets tid er på denne måten begrenset for den primære jobben med å selge; og;

(d) Selgere kan med vilje undervurdere etterspørselen hvis kvoter er satt på grunnlag av denne informasjonen.

ii. Delphi-metoden:

Delphi-metoden er en tilrettelagt prosess for å få enighet i en gruppe anonyme deltakere. Fasilitatoren sender et prognosespørreskjema til hvert medlem av Delphi-gruppen. Anonymitet er kritisk i denne metoden for å forhindre at noen få gruppemedlemmer dominerer beslutningen. Når spørreskjemaet returneres, blir svarene statistisk oppsummert og deretter sendt tilbake til gruppen. Hvert Delphi-medlem har valget mellom å endre sine tidligere svar basert på svarene fra gruppen. Dette er en gjentagelsesprosess som fortsetter til en enighet er oppnådd.

Delphi-metoden brukes for nye produkter eller for veldig langdistanseprognoser. Imidlertid er det en tidkrevende prosess som er veldig avhengig av kvaliteten på spørreskjemaene. Videre kan deltakerne gi mangelfulle svar fordi det ikke er noe ansvar.

Under Delphi-metoden blir det samlet inn meninger fra eksperter og det arbeides for å matche dem. Dette gjøres ved å bringe ekspertene sammen, arrangere møter og ankomme til et trangt område for prognosen under forsøk på å gi intervallvarselet direkte og for å komme til et punktvarsel ved å tukle det med den samlede vurderingen av forskeren eller koordinatoren for prognoserøvelse.

Generelt går prognosen gjennom følgende stadier:

(i) Det blir bedt om alle produkteksperter om å gi sine individuelle estimater for den sannsynlige etterspørselen.

(ii) Hvis forskjellen i prognoser er betydelig, blir ekspertene invitert til en konferanse om emnet, presentere problemet med hensyn til forskjeller i estimatene deres. Ved å krangle, overbevise andre og bli overbevist, utveksle synspunkter med kolleger, arbeides det med å begrense rammene for sannsynlig etterspørsel.

(iii) Hvis variasjonsområdet fortsatt er stort, fortsetter øvelsen til koordinatoren kan nå et akseptabelt område.

(iv) Forklar det ankomne området som intervall etterspørselsintervall for produktet for perioden det er gjort for.

(v) Ta et enkelt gjennomsnitt av prognosenes nedre og øvre verdier og erklær poengvarslingen for variabelen under prognoser.

Bruken av Delphi-teknikk kan illustreres ved et enkelt eksempel. Anta at et panel på seks eksterne eksperter blir bedt om å spå et firma salg for det neste året. Arbeidende uavhengig spår to panelmedlemmer en økning på 8 prosent, tre medlemmer spår en økning på 5 prosent, og en person spår ingen økning i salget. Basert på svarene fra de andre individene blir hver ekspert bedt om å lage en revidert salgsprognose. Noen av dem som forventer rask salgsvekst, kan, basert på sine jevnaldrende dommer, presentere mindre optimistiske prognoser i den andre iterasjonen.

Motsatt kan noen av de som spår langsom vekst justere svarene oppover. Imidlertid kan det også være noen panelmedlemmer som bestemmer at ingen justering av deres opprinnelige prognose er garantert. Anta at et andre sett med prediksjoner fra panelet inkluderer et anslag på en salgsøkning på 2 prosent, en på 5 prosent, to på 6 prosent og to på 7 prosent.

Ekspertene får igjen vist hverandres svar og blir bedt om å vurdere deres prognoser videre. Denne prosessen fortsetter inntil en enighet er nådd eller til ytterligere iterasjoner genererer liten eller ingen endring i salgsanslagene. Delphi-metoden er ganske god, men den kan være slitsom og kostbar.

I situasjonene hvor antallet eksperter ikke er for stort og de samarbeider, og forskeren har det nødvendige fondet og myndighet for å utføre oppgaven, kan Delphi-metoden være passende for etterspørselsvarsling.

Verdien av Delphi-teknikken er at den hjelper de enkelte panelmedlemmene til å vurdere sine prognoser. Implisitt blir de tvunget til å vurdere hvorfor dommen deres er forskjellig fra andre sakkyndiges. Ideelt sett bør denne evalueringsprosessen generere mer presise prognoser med hver iterasjon. Nytten av ekspertuttalelse avhenger av dyktigheten og innsikten til ekspertene som er ansatt for å komme med spådommer.

Et problem med Delphi-metoden kan være kostnadene. Ofte er de mest kunnskapsrike menneskene i en bransje i stand til å beordre store gebyrer for sitt arbeid som konsulenter. De kan være ansatt i firmaet, men har andre viktige ansvarsområder, noe som betyr at det kan være en betydelig mulighetskostnad å involvere dem i planleggingsprosessen.

Videre er eksperter ikke villige til å bli påvirket av spådommer fra andre i panelet. Selv om spådommer fra eksperter ikke alltid er et produkt av "harde data", bør nytten av disse ikke undervurderes. Faktisk kan innsikten til de som er nært knyttet til en næring ha stor verdi når det gjelder prognoser

iii. Undersøkelser av ledelsesplaner:

Undersøkelser av lederplaner kan være en viktig datakilde for prognoser. Begrunnelsen for gjennomføring av slike undersøkelser er at planer generelt danner grunnlaget for fremtidige handlinger. For eksempel planlegges investeringsbudsjetter for store selskaper vanligvis i god tid. En undersøkelse av investeringsplaner fra slike selskaper bør således gi en rimelig nøyaktig prognose for fremtidig etterspørsel etter kapitalvarer.

iv. Markedseksperimenter:

Markedseksperimenter (faktiske eller simulerte) utføres for å generere etterspørselsprognoser. Et potensielt problem med undersøkelsesmetoden er at undersøkelsessvar kanskje ikke kan oversettes til faktisk forbrukeratferd. Forbrukerne gjør ikke nødvendigvis det de sier at de skal gjøre. Denne svakheten kan delvis overvinnes ved bruk av markedseksperimenter designet for å generere data før fullskala introduksjon av et produkt eller implementering av en policy.

Markedseksperiment kan utføres i to former:

(a) Testmarked:

For å sette et markedseksperiment velger firmaet først et testmarked som kan bestå av flere byer, en region i landet eller et utvalg av forbrukere hentet fra en adresseliste. Eksperimentet kan inneholde en rekke funksjoner som evaluering av forbrukernes oppfatning av et nytt produkt i testmarkedet. I andre tilfeller kan forskjellige priser for et eksisterende produkt settes i forskjellige byer for å bestemme etterspørselselastisitet. En tredje mulighet vil være en test av forbrukerreaksjon på en ny reklamekampanje.

Det er flere faktorer som ledere bør vurdere når de skal velge et testmarked. Plasseringen skal være av håndterbar størrelse. Hvis området er for stort, kan det være dyrt og vanskelig å gjennomføre eksperimentet og analysere dataene. For det andre bør innbyggerne i testmarkedet være representative for den samlede befolkningen i USA når det gjelder alder, utdanning og inntekt, ellers kan det hende at resultatene ikke er aktuelle for andre områder. Endelig skal det være mulig å kjøpe annonsering som bare er rettet mot de som testes.

(b) Laboratorietester:

En annen måte å gjennomføre markedseksperiment på er forbrukerklinikk eller kontrollert laboratorieeksperiment. Her får forbrukerne litt penger til å kjøpe i en fastsatt butikkvare med varierende priser, pakker, skjermer osv., Og forbrukernes reaksjonsevne for disse variasjonene blir studert. Dermed gir laboratorieeksperimentet de samme resultatene som feltmarkedseksperimentet.

Markedseksperimenter har en fordel i forhold til undersøkelser ved at de gjenspeiler faktisk forbrukeratferd, men de har fortsatt begrensninger. Et problem er risikoen. I testmarkeder der prisene økes, kan forbrukerne bytte til produkter fra konkurrenter. Når eksperimentet er avsluttet og prisen redusert til det opprinnelige nivået, kan det være vanskelig å gjenvinne disse kundene.

Et annet problem er at firmaet ikke kan kontrollere alle faktorene som påvirker etterspørselen. Resultatene fra noen markedseksperimenter kan påvirkes av dårlig vær, skiftende økonomiske forhold eller konkurrenters taktikk. Til slutt, fordi de fleste eksperimenter er av relativt kort varighet, kan det hende at forbrukere ikke er helt klar over priser eller annonseringsendringer. Dermed kan svarene deres undervurdere den sannsynlige effekten av disse endringene.

begrensninger:

Markedseksperimentmetodene har visse alvorlige begrensninger som reduserer metodens pålitelighet betydelig:

Jeg. Eksperimentelle metoder er veldig dyre, så små firmaer har ikke råd. Som en kostbar affære, blir eksperimenter vanligvis utført i en for liten skala for å tillate generalisering med høy grad av pålitelighet.

ii. Eksperimentelle metoder er basert på kortsiktige og kontrollerte forhold som kanskje ikke eksisterer i et ukontrollert marked. Derfor kan det hende at resultatene ikke kommer til anvendelse på de ukontrollerbare langsiktige forholdene i markedet.

iii. Endringer i samfunnsøkonomiske forhold som finner sted under felteksperimentene, for eksempel lokale streik eller permitteringer, reklameprogram av konkurrenter, politiske endringer, naturlige ulykker, kan ugyldiggjøre resultatene. Tinking med prisøkninger kan føre til et permanent tap av kunder til konkurrerende merker som kan ha blitt prøvd.

Til tross for disse begrensningene, brukes imidlertid markedseksperimentmetoden for å gi et alternativt estimat for etterspørsel, og også som en sjekk på resultatene oppnådd fra statistiske studier. Dessuten genererer denne metoden elastisitetskoeffisienter som er nødvendige for statistisk analyse av etterspørselsforhold.

3. Statistiske metoder :

Vi har diskutert undersøkelses- og eksperimentelle metoder for etterspørselsvarsling. Disse metodene er mer passende for å estimere etterspørselen etter et produkt på kort sikt.

I dette avsnittet er statistiske metoder som er avhengig av tidsserie- og tverrsnittsdata og som er passende for langsiktig etterspørselsprognose, blitt diskutert:

Følgende er de viktigste statistiske metodene:

Jeg. Trendprojeksjonsmetoder

ii. Barometriske metoder, og

iii. Økonometriske metoder

Jeg. Trendprojeksjonsmetoder :

Trendprojeksjon er en av de mest brukte teknikkene for etterspørselsprognoser. En trend i tidsserier for en variabel er den langsiktige endringen i den? Denne metoden krever lang og pålitelig tidsseriedata. Denne metoden forutsetter at faktorene som er ansvarlige for tidligere trender i variabelen som skal projiseres, vil fortsette å spille sin rolle i fremtiden på samme måte og i samme grad som de gjorde tidligere med å bestemme og variasjonens størrelse og retning. Det kan være lineære eller ikke-lineære trender i etterspørselen etter et produkt.

Stort sett brukes lineære trender og konstant veksttrend for å forutsi fremtidig etterspørsel. Disse metodene dispenserer fra behovet for kostbar markedsundersøkelse fordi nødvendig informasjon ofte allerede er tilgjengelig hos selskapet. Siden metoden ikke avslører forhold og årsakssammenheng, har den blitt betraktet som en 'naiv tilnærming'.

Til tross for, “Det er ingenting som er lite komplementært ved å ta i bruk en slik tilnærming. Det representerer bare et av de flere virkemidlene for å få et innblikk i hva fremtiden muligens kan være, og om anslagene som blir gjort med disse midlene blir ansett som mest hensiktsmessige, vil avhenge veldig av påliteligheten til tidligere data og av dommen som skal utøves i den endelige analysen. ”

For å spå etterspørsel gjennom trendprojeksjonsmetoder er det nødvendig med tidsseriedata om salg. Når det gjelder veletablerte firmaer med lang forretningshistorie, er slike data tilgjengelige i salgsoppføringer. Nye firmaer kan innhente nødvendige data fra eksisterende firmaer som tilhører samme bransje.

Tre viktige teknikker for trendprojeksjon basert på tidsseriedata er beskrevet nedenfor:

(i) Grafisk, inspeksjons- eller frihåndsmetode:

Under denne metoden tegnes en graf over historiske data om variabelen under prognoser, den ekstrapoleres deretter visuelt fram til prognoseperioden, og til slutt blir verdien av variabelen i prognoseperioden lest opp fra grafen for å gi den nødvendige prognosen.

I Fig.2.1 er salg i tusen enheter vist på Y-aksen og tiden fra 1994 til 2001 er vist på X-aksen. Salgsdata er plottet på grafen og de plottede punktene blir samlet gjennom en linje. Deretter tegnes en linje med minsteavstand fra punktene. Ved å utvide trendlinjen kan vi forutsi et omtrentlig salg for 2005 eller 2007.

Selv om denne metoden er enkel og økonomisk, lider likevel prognosene som er oppnådd av subjektivitet og personlig skjevhet fra analytikeren i ekstrapolering av kurven. Men siden historiske data om ingen variabel når de plottes vanligvis ligger på en jevn kurve, vil ekstrapolering aldri være unik, og metoden vil alltid lide av subjektivitet.

Den grafiske teknikken blir forklart ved hjelp av følgende illustrasjon:

Illustrasjon:

Ved hjelp av gratis hånd eller grafisk metode kan du passe en rett linje-trend til følgende tidsseriedata om salg av et selskap.

Velge en passende skala, år markeres langs x-aksen og tilsvarende salgsverdier markeres langs y-aksen. Poengene som er oppnådd blir deretter forbundet med en rett linje som viser oppførselen til salgsverdier over den gitte perioden. Så tegner vi en fri hånd rett linje gjennom punktene med faktiske data for å jevne ut tidsseriedataene for å få trenden. Oppførselen til faktiske data og trendlinjen er vist i Fig.2.1.

(ii) Trend Fit eller Least Square Method:

Under denne metoden forsøkes ekstrapolering av historiske data gjennom estimering av alternative trendlikninger.

En trendligning er en der variabelen under prognose er laget ganske enkelt som en funksjon av tiden:

Denne teknikken bruker statistiske formler for å finne trendlinjen som 'best passer' til tilgjengelige data. ' Trendlinjen er estimeringsligningen som kan brukes til å spå etterspørsel ved å ekstrapolere linjen for fremtiden og lese de tilsvarende verdiene for salg på grafen.

Lineær trend:

Den estimerende lineære trendlikningen for salg er skrevet som:

Salg = a + b (årstall)

Eller S = a + bT.…… (2.3)

hvor, a og b blir beregnet ut fra tidligere data og

T er årstall som prognosen er nødvendig for.

Illustrasjonen nedenfor forklarer hvordan etterspørselsprognoser gjøres ved hjelp av Least Square Method.

Illustrasjon:

Salgspostene til et hypotetisk selskap avslører følgende data

Anslå salg for årene 2003 og 2005.

Løsning- For å finne verdiene til a og b i trendligningen S = a + b

vi må løse de to normale likningene, dvs.

Ved å erstatte verdiene ovenfor i de to normale likningene, får vi

270 = 6a + 36b

1 784 = 30a + 286b

Å løse disse ligningene for a og b, får vi.

a = 1, 53 og

b = 6, 8.

Dermed blir trendligningen S = 1, 53 + 6, 8T.

År 2003 og 2005 tar årstallene 14 og 16. Ved å erstatte disse verdiene for T. får vi salget for disse årene som Rs. 96, 73 crores og Rs. Henholdsvis 110, 33 crores.

Trendmetoden er i utgangspunktet en objektiv metode. Trendligningen ovenfor antar at det er en lineær (eller proporsjonal) endring i salg over tid. Faktisk kan trendligningen ta en lineær eller en ikke-lineær form.

Ikke-lineær trend:

Mange tidsseriedata angående forretnings- og økonomiske aktiviteter som viser konstant initial vekst og ikke nærmer seg noen øvre grense, kan best beskrives ved eksponentiell funksjon.

Den eksponentielle form for ligning kan være av følgende former:

Nå kan vi bruke den vanlige prosedyren for å tilpasse den lineære trenden. Endelig kan verdiene til a og b bestemmes ved å ta antilogaritmer av henholdsvis a og b, dvs.

a = antilog a og b = antilog b

Sette disse estimerte verdiene av a og b i ligning (2.4). vi får den nødvendige eksponentielle trenden.

Illustrasjon:

Overskuddet av en bekymring i fem år som slutter i 2001:

Finn trendverdiene for 1997 - 2001 ved å bruke en ligning av skjemaet

Y = abX

Løsning:

Ligningen som skal monteres er Y = abX

eller Logg Y = logg a + T log b

y = A + BX

der Y = log Y, A = log a og B = log b

Verdiene av a og b kan oppnås fra følgende normale ligninger:

Sy = Na + bS X

SXy = aSX + bSX2… (2.7)

Fitting of Exponential Trend:

Sette verdiene fra tabellen i 2.2

5.06803 = 6A A = 1.1397 a = antilog (1.1397) = 13.79

4.7366 = 10A B = 0, 4737 b = antilog (0, 4737) = 2, 977

Når du setter verdiene på a og b i (2.2), er den tilpassede trenden

Y = (13, 79) (2, 997) x, hvor X = (x - 1999)

For beregning av trendverdier benytter vi oss av ligning 2.6

y = 1, 1397 + 0, 4737 X

I tabellen ovenfor er derfor trendverdiene fra 1997 til 2001 beregnet. Dobbeltloggtrend av skjemaet.

Dobbeltloggtrenden av ligningen brukes når veksttakten øker.

Ligningen er skrevet som:

Y = aTb ... (2.8)

Eller dets doble logaritmiske form

Logg Y = log a + b log T… (2.9)

Polynomisk trend av formen

Y = a + bT + cT2 ... (2.10)

I disse ligningene er Y variabel (kan være salg), T er tid, a, b og c er konstanter og e = 2, 718. Når parametrene for ligningen er estimert, blir det lett å forutsi etterspørsel i tiden som kommer.

Vi kan på lignende måte bygge opp trendligninger for polynomer på grader høyere enn tre, men de blir sjelden brukt i virksomhetsprognoser i praksis. I tilfelle av andregrads polynomstrend, endrer skråningen dS / dT retning (fra positiv til negativ, eller omvendt) bare en gang. Tilsvarende når det gjelder den tredje gradens polynomtrend, endrer helningen bare retning to ganger.

Valg av den beste trendlinjen av de forskjellige lineære og ikke-lineære trendlikningene avhenger av teoretiske betraktninger og empiriske egnethet. Når beslutningen er tatt om den mest passende ligningen for en gitt salgsdata, kan prognosen tas ved å tilpasse ligningen til dataene.

(iii) Eksponentiell utjevning:

Hvis variabelen under prognose ikke følger noen spesifikk trend, er trendmetoden upassende. Utjevningsmetoden ville være mer nyttig. Det finnes versjoner av utjevningsmetoden - enkel utjevning (gjennomsnitt) og vektet utjevning. Et kjennetegn ved denne metoden er at hver observasjon har lik vekt.

I den enkle utjevningen blir det tatt et enkelt gjennomsnitt av det spesifikke antall observasjoner (kalt 'rekkefølgen'), mens i sistnevnte tas det ut et vektet gjennomsnitt. Siden nyere observasjoner vil inneholde mer nøyaktig informasjon om fremtiden enn i begynnelsen av serien for å estimere fremtiden, foretrekkes den vektede fremfor den enkle utjevningen, og vektene blir tilordnet i synkende rekkefølge når man går fra dagens observasjoner til fortidens. For eksempel kan salgshistorien for de siste tre månedene være mer relevant når det gjelder prognoser om fremtidig salg enn data for salg ti år tidligere.

Eksponentiell utjevning er en teknikk for tidsserieprognoser som gir større vekt på nyere observasjoner.

Det første trinnet er å velge en utjevningskonstant, ±, der 0 <± <1, 0.

Hvis det er n observasjoner i en tidsserie, beregnes prognosen for neste periode n + 1 som et veid gjennomsnitt av den observerte verdien av serien i periode n og den prognoserte verdien for den samme perioden.

Formelen for vektet gjennomsnitt kan skrives som:

Hvor,

F n + 1 er prognoseverdien for neste periode,

X n er den observerte verdien for den siste observasjonen, og

F n er en prognose for verdien for den siste perioden i tidsserien.

Prognoseverdiene for F og alle de tidligere periodene beregnes på samme måte. Nærmere bestemt,

For andre observasjon t = 2 og går til den siste.

Den valgte eksponentielle utjevningskonstanten bestemmer vekten gitt til forskjellige observasjoner i tidsserien. Når ± nærmer seg 1.0, tillegges nyere observasjoner større vekt. For eksempel, hvis ± = 1, 0, så (1- ±) = 0. I kontrast gir lavere verdier for ± større vekt på observasjoner fra tidligere perioder.

Hvis for eksempel salget av et firma de siste ti ukene er gitt nedenfor:

Forutsatt at F 2 = F 1 = X 1 . Hvis ± = 0, 20, da

F 3 = 0, 20 (430) + 0, 80 (400) = 406, 0 og

F 4 = 0, 20 (420) + 0, 80 (406) = 408, 8

De prognoserte verdiene for forskjellige verdier på ± kan beregnes.

Det skal bemerkes at de glatte dataene viser mye mindre svingninger enn de opprinnelige salgsdataene. Legg også merke til at når ± øker, øker svingningene i F, fordi prognosene gir mer vekt på den sist observerte verdien i tidsserien.

Enhver verdi på ± kan brukes som utjevningskonstanten. Kriteriene for å velge konstanten kan være analytikernes intuitive vurdering av vekten som bør tillegges nyere datapunkter. Men det er også et empirisk grunnlag for å velge verdien på ±.

Dermed tillater metoden for eksponentiell utjevning at nyere data tillegges større vekt ved analyse av tidsseriedata. Etter hvert som ytterligere observasjoner blir tilgjengelige, er det enkelt å oppdatere prognosene. Det er ikke nødvendig å estimere likningene på nytt, slik det vil være nødvendig med trendlikningen. Imidlertid gir denne metoden ikke veldig nøyaktige prognoser hvis det er en betydelig trend i dataene. Hvis tidstrenden er positiv, vil prognoser basert på eksponentiell utjevning sannsynligvis være for lave, mens en negativ tidsutvikling vil resultere i for høye estimater. Enkel eksponentiell utjevning fungerer best når det ikke er noen tydelig tidsutvikling i dataene.

ii. Barometrisk prognose :

Trend projection and exponential smoothing use time series data for forecasting the future. In the absence of a clear pattern in a time series, the data are of no avail for forecasting. An alternative approach is to find a second series of data that is correlated with the first. A time-series that is correlated with another time-series is called an indicator of the second series. As meteorologists use barometer to forecast weather, economists use economic indicators as a barometer to forecast trends in business activities.

Barometric method of forecasting was first developed and used in the 1920s by the Harvard Economic Service, failed to predict the Great Depression of the 1930s, but revived, refined and developed further in the late 1930s in the US by the National Bureau of Economic Research (NBER). Initially, the technique was developed to forecast the general trend in overall economic activities, but it can be applied to forecast prospects of demand for a product. The technique identifies relevant economic indicators on the movement of which future trends are forecast.

The barometric forecasting technique identifies the relevant economic indicators, constructs an index of these indicators and observing movements of the index forecasts future trends.

Two techniques are discussed for barometric forecasting:

1. Leading Indicators, and

2. Composite and Diffusion Indices

1. Leading Indicators Method :

This method involves three steps:

Jeg. Identification of the leading indicator for the variable under forecasting.

ii. Estimation of the relationship between the variable under forecasting and its leading indicator.

iii. Derivation of forecasts

Three types of economic indicators are identified for constructing the index:

en. Leading Indicators,

b. Co-Incidental Indicators

c. Lagging Indicators.

en. Leading Indicators:

If changes in one series consistently occur prior to changes in another series, a leading indicator has been identified. The leading indicators move up or down ahead of some other indicators. Leading indicators are of primary interest for the purposes of forecasting.

As a meteorologist makes use of changes in barometric pressure for weather forecast, leading indicators can be used to predict variations in general economic conditions. Movement in the capital formation, new orders for durable goods, new building permits, corporate profits after tax, index of the prices of input, change in the value of inventories, requests for loans from financial institutions and change in bank rate are examples of leading indicators.

b. Co-Incidental Indicators:

If two data series increase or decrease at the same time, one series may be regarded as a coincident indicator of the other series. In other words, the co-incidental economic indicators move up or down simultaneously with the level of economic activity.

Gross national product at constant prices, rate of employment, sales by different sectors, the rates at which commercial banks accept deposits from and lend to the private sector are more or less the coincident series with regard to the Bank rate, rate of employment in non-agricultural sectors are the examples of co-incidental series.

c. Lagging Indicators:

The lagging indicators follow a change after some time lag. NBER identified some of the lagging indices such as rate for short-term loans, outstanding loans, labour cost per unit of manufactured output and the rate at which private money lenders accept deposits and lend to individuals is lagging series with reference to both the Bank rate and commercial banks' deposit and lending rates.

It is not that for every variable there is a leading variable but for some they do exist. Thus, through this kind of search, one may be able to find an appropriate leading variable for the variable. If no such variable is available, this method of forecasting is also not available. Leading indicators can be used as inputs for forecasting aggregate economic variables such as GNP, aggregate consumers' expenditure, aggregate capital expenditure, etc.

The value of leading indicators method depends on the accuracy of the indicator, adequacy and constancy of lead- time, the reason as to why one series predicts another and the cost and time necessary for data collection

2. Diffusion Indices:

The construction of an index improves the barometric forecasting. Such indices represent a single time series made up of a number of individual leading indicators. The purpose of combining the data is to smooth out the random fluctuations in each individual series and the resulting index provides more accurate forecasts.

The index is a measure of the proportion of the individual times series that increase from one month to the next. For example, if eight of the indicators increased from June to July, the diffusion index for July would be 8/11 or 72.7 percent. When the index is over 50 percent for several months, it can be forecast that economic conditions have begun to improve. As the index approaches 100 percent, the likelihood of improvement increases. On the other hand, if less than 50 percent of the indicators exhibit an increase, a downturn is indicated.

However, the technique suffers from several weaknesses:

en. The prediction record of this technique is far from perfect.

b. On several occasions indices have forecast recessions that have not occurred. The lead- time also varies from variable to variable.

c. While this approach signals the likely direction of changes in economic conditions, it says little about the magnitude of such change. As such it provides only a qualitative forecast.

d. Also strenuous efforts have been made to identify indicators of general economic conditions the managers of individual firms may find it difficult to identify leading indicators that provide accurate forecasts for their specific needs.

Despite these limitations, the use of indices improves the accuracy of barometric forecasting.

iii. Econometric Methods :

The most popular method of demand estimation among economists is perhaps the regression method that employs both the principles of economic theory and appropriate statistical methods of estimation. It requires historical data (time series and/or cross section) on the variable under forecasting and its determinants.

In other words regression analysis denotes methods by which the relationship between quantity demanded and one or more independent variables (like income, price of the commodity, prices of related goods, advertisement expenditure) is estimated. It includes measurement of error that is inherent in the estimation process.

This method involves four steps:

(a) Identification of the variables that influence the demand for the good whose function is under estimation.

(b) Collection of historical/cross section data on all the relevant variables.

(c) Choosing an appropriate form for the function.

(d) Estimation of the function.

(i) Simple Linear Regression:

Simple regression analysis is used when the quantity demanded is estimated a function of a single independent variable such as price. In case of linear trend in the dependent variable, we can fit a straight line to the data, whose general form would be, for example,

Sales = a + b. Pris

Fitting of the straight -line regression equation can be done either graphically or by least squares method.

In the least squares method of estimating regression line,

S = a + bP, … (2.13)

We have to find the values of the constants, a and b by solving the two linear equations:

SS= na + Sb P

SPS = SPa+ bS P2 … (2.14)

The table 4.4 provides sales data at different price levels for a hypothetical company:

Substituting the values of in the two least square equations, and solving the equations we get the values of terms a and b.

a=64.94

b=1.53

The regression equation can therefore be written as

S= 64.94 +1.53 P … (2.16)

If we assign the values to P, we can get the corresponding estimated sales.

(ii) Multivariate Regression:

Multiple linear regression generates a forecast by linking two or more independent variables to the demand for a product. For example, sales of ice cream may be dependent on the price that is charged for the product, the temperature, and the number of hours of daylight. A model would be developed which described this relationship. Given a specific price, a temperature, and a number of daylight hours, a demand forecast for ice cream will be generated.

Estimation of the parameters of an equation with more than one independent variable is called multiple regressions. In principle, the concept of estimation with multiple regression is the same as with simple linear regression, but the necessary computations can be much more complicated. For an equation with three or more independent variables, the time required to calculate the values and likelihood of an arithmetic error make manual computation impractical. Consequently, virtually all regression analysis involving multivariate equations uses computers.

Because most economic relationships involve more than a simple relationship between a dependent and a single independent variable, multiple regression techniques are widely used in economics. For example, the demand for a product usually depends on more than just the price of the good. Other variables, such as income and prices of other goods can also have an influence.

Thus, a simple regression equation involving only quantity and price would be incomplete and probably would result in an incorrect estimation of the relationship between quantity and price. This is because the effects of other variables omitted from the equation are not taken into account. Similarly, a regression equation that included only the rate of output as the determinant of costs could generate inaccurate results because other factors, such as input prices, also affect costs.

With multiple regression, it is important that the user understands how to interpret the estimated coefficients of the equation. For example, it is assumed that costs are a function of output and price of labor. Thus the multiple regression equation can be written as:

Y = A + bX + cZ, … (2.17)

Where Y is the total cost

X is output,

Z is the price of labor

a, b, c, are the coefficients to be estimated.

The coefficients of X and Z indicate the effect on total cost of a one-unit change in each variable, holding the influence of the other variable constant. For example, b shows the change in total costs for a one-unit change in output, assuming that the price of labor stays the same. The coefficient of Z estimates the effect of a unit change in labor price, assuming that the rate of output is unchanged.

The multi-variable regression equation is used where demand for a commodity is deemed to be the function of many variables or in cases in which number of explanatory variables is greater than one.

The procedure of multiple regression analysis may be described as follows:

Jeg. Specify the independent variables that are supposed to explain the variations in the dependent variable. For example the demand for the product will be explained by the variables that are generally taken to be the determinants of demand viz., price of the product, prices of related good, consumer's income and their tastes and preference.

For estimating the demand for durable consumer goods, (eg refrigerators, house, scooters), the other variables which are considered are availability of credit and prevailing rate of interest. For estimating demand for capital goods, the relevant variables are additional corporate investment, rate of depreciation, cost of capital goods, cost of other inputs, market rate of interest etc. These variables are treated as independent variables.

ii. The second step is to collect time-series data on the independent variables.

iii. Specify the form of equation that can appropriately describe the nature and extent of relationship between the dependent and independent variables.

iv. The final step is to estimate the parameters in the chosen equations with the help of statistical techniques.

The form of equation and the degree of consistency of the explanatory variable in the estimated demand function determines the reliability of the demand. The greater the degree of consistency, the higher is the reliability of the estimated demand and vice versa.

Linear Function:

When the relationship between demand and its determinants is' linear the most common form of equation for estimating demand is as follows:

Dx = a + bPx + cPy + dY+ jA … (2.18)

where Dx = quantity demanded of commodity x; P= price of commodity X, Y= consumer's income; P= price of the substitute; A= advertisement expenditure; a is constant (the intercept), and b, c, d, and j are the parameters expressing the relationship between demand and Px, , Py, Y and A respectively.

In a linear function, quantity demanded changes at a constant rate with respect to change in independent variables Px, Y, Py and A. The regression coefficients are estimated by using the least square method and then, the demand can be easily forecast.

Simultaneous Equations:

The simultaneous equations method, also called the complete system approach to forecasting, is the most sophisticated econometric method of forecasting. It involves specification of a number of economic relations, one each for behavioral variable- estimation and solution of which yield the forecasting equations similar to the estimated regression equation.

One outstanding advantage of this method is that in this method we estimate the future values only predetermined variables, unlike regression equation where the value of both exogenous and endogenous variables have to be predicted. The method suffers from the demerit of complexity.

 

Legg Igjen Din Kommentar