Методы и инструменты анализа данных в экономике и управлении
Покупка
Тематика:
Теория экономического анализа
Издательство:
Дело (РАНХиГС)
Автор:
Кисляков Алексей Николаевич
Год издания: 2019
Кол-во страниц: 161
Дополнительно
Вид издания:
Учебно-методическая литература
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-907140-15-8
Артикул: 865404.01.99
В учебно-методическом пособии изложены типовые задачи оптимизационного моделирования применительно к различным сферам профессиональной деятельности. Приводятся примеры и даются пояснения по выполнению типовых заданий. Приводятся приемы выполнения вычислений с применением электронных таблиц.
Предназначено для студентов, обучающихся по программам подготовки бакалавров, магистров по направлениям «Экономика», «Государственное и муниципальное управление», «Управление персоналом», «Менеджмент», а также по специальности «Экономическая безопасность». Может быть использовано также аспирантами, слушателями профильных курсов повышения квалификации, преподавателями и специалистами.
Печатается по решению ученого совета Владимирского филиала РАНХиГС.
Тематика:
ББК:
УДК:
- 004: Информационные технологии. Вычислительная техника...
- 658: Организация производства. Экономика предприятий. Организация и техника торговли
ОКСО:
- ВО - Бакалавриат
- 38.03.01: Экономика
- 38.03.02: Менеджмент
- 38.03.03: Управление персоналом
- 38.03.04: Государственное и муниципальное управление
- ВО - Магистратура
- 38.04.01: Экономика
- 38.04.02: Менеджмент
- 38.04.03: Управление персоналом
- 38.04.04: Государственное и муниципальное управление
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
ВЛАДИМИРСКИЙ ФИЛИАЛ А. Н. Кисляков МЕТОДЫ И ИНСТРУМЕНТЫ АНАЛИЗА ДАННЫХ В ЭКОНОМИКЕ И УПРАВЛЕНИИ Учебно-методическое пособие Владимир ▪ 2019
УДК 004:658
ББК 65.050
Кис44
Рецензенты:
Гойхер О. Л. – заведующий кафедрой «Экономика и стратегическое
управление»
Института
экономики
и
менеджмента
Владимирского
государственного университета имени А. Г. и Н. Г. Столетовых, доктор
экономических наук, доцент;
Малеев А. В. – заведующий кафедрой общей и теоретической физики
Владимирского государственного университета имени А. Г. и Н. Г. Столетовых,
профессор, доктор физико-математических наук.
Работа выполнена при поддержке гранта РФФИ № 18.07.00170.
Кис44
Кисляков А. Н.
Методы и инструменты анализа данных в экономике и управлении:
учебно-методическое пособие. – Владимир : Владимирский филиал
РАНХиГС, 2019. – 161 с.
ISBN 978-5-907140-15-8
В
учебно-методическом
пособии
изложены
типовые
задачи
оптимизационного
моделирования
применительно
к
различным
сферам
профессиональной деятельности. Приводятся примеры и даются пояснения по
выполнению типовых заданий. Приводятся приемы выполнения вычислений с
применением электронных таблиц.
Предназначено для студентов, обучающихся по программам подготовки
бакалавров, магистров по направлениям «Экономика», «Государственное и
муниципальное управление», «Управление персоналом», «Менеджмент», а также
по специальности «Экономическая безопасность». Может быть использовано
также аспирантами, слушателями профильных курсов повышения квалификации,
преподавателями и специалистами.
Печатается по решению ученого совета Владимирского филиала РАНХиГС.
УДК 004:658
ББК 65.050
ISBN 978-5-907140-15-8
© А. Н. Кисляков, 2019
© Владимирский филиал РАНХиГС, 2019
Содержание Введение Глава 1. ТРЕНДОВЫЕ МОДЕЛИ 5 1.1. Оценка линейных зависимостей 5 1.2. Модели экспоненциального роста 17 1.3. Модели, описываемые степенной кривой 21 Глава 2. КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ 29 2.1. Представление зависимостей с помощью корреляции 29 2.2. Множественная регрессия 37 2.3. Включение качественных факторов во множественную регрессию 46 2.4. Моделирование нелинейных характеристик и взаимосвязей 53 Глава 3. ДИСПЕРСИОННЫЙ АНАЛИЗ 60 3.1. Однофакторный дисперсионный анализ в маркетинге 60 3.2. Двухфакторный дисперсионный анализ 66 Глава 4. МЕТОДЫ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ РЕТРОСПЕКТИВНОГО АНАЛИЗА 77 4.1. Сглаживание временных рядов и скользящее среднее 77 4.2. Прогнозирование по методу Винтерса 83 4.3. Метод прогнозирования «по отношению к скользящему среднему» 90 4.4. Параметры прогнозирования 94 Глава 5. ПРОГНОЗИРОВАНИЕ В УСЛОВИЯХ РИСКА И НЕОПРЕДЕЛЕННОСТИ 103 5.1. Биномиальные, гипергеометрические и отрицательные биномиальные случайные величины 103 5.2. Нормальная случайная величина 110 5.3. Пуассоновская и экспоненциальная случайные величины 119 5.4. Распределение Вейбулла и бета-распределение: моделирование надежности механизмов и продолжительности работы 123 5.5. Логарифмически нормальная случайная величина в моделировании курса акций 130 5.6. Создание вероятностных высказываний на основе прогнозов 134 5.7. Введение в моделирование по методу Монте-Карло 138 5.8. Анализ данных с помощью повторной выборки 154 Заключение 159 Список литературы 160
Введение Многие хозяйствующие субъекты считают: если они генерируют множество отчетов или у них много данных, значит, они относятся к категории компаний с управлением на основе данных. Хотя эти виды деятельности и составляют часть того, чем занимается компания, обычно они ретроспективны, то есть часто лишь представляют прошлые или настоящие факты без обеспечения достаточного контекста, без объяснения причинно-следственных связей, а также без рекомендаций, какие шаги предпринять. Иными словами, они фиксируют произошедшее, но ничего не предписывают. В этом отношении их потенциал роста ограничен. Для принятия окончательного решения необходимо собрать данные для каждого набора показателей, которые тревожат или интересуют компанию, и определить их значимость. Рис. 1. Аналитическая цепочка данных В противовес следует рассматривать типы перспективного анализа, такие как прогнозные модели, которые способствуют оптимизации расходов на рекламу, пополнению цепочки поставок или снижению оттока покупателей. Они отвечают на вопросы «кто», «что», «когда», «почему» и «где». На основе моделей люди дают рекомендации, делают прогнозы и интерпретируют полученные данные. Часто все это становится ключевым фактором роста в организациях с управлением на основе данных. Сформулированные на основе данных выводы и рекомендации, если их правильно использовать, оказывают огромное потенциальное влияние на эффективность деятельности компании.
Глава 1. ТРЕНДОВЫЕ МОДЕЛИ 1.1. Оценка линейных зависимостей Основой перспективного анализа, несомненно, является экономико-математическое моделирование социально-экономических процессов. Модели позволяют установить наличие или отсутствие, а также вид функциональной зависимости между факторами, влияющими на хозяйствующий субъект, и показателями эффективности деятельности субъекта. Так, например, зачастую хозяйствующие субъекты задаются вопросом определения зависимости между ежемесячным производством и ежемесячными эксплуатационными расходами. При этом требуется установить, насколько точно эта зависимость объясняет ежемесячные колебания эксплуатационных расходов, предприятия построив трендовую модель. Основная цель создания трендовых моделей экономической динамики – на их основе сделать прогноз о развитии изучаемого процесса на предстоящий промежуток времени. Прогнозирование на основе временного ряда экономических показателей относится к одномерным методам прогнозирования, базирующимся на экстраполяции, т.е. на продлении на будущее тенденции, наблюдавшейся в прошлом. При таком подходе предполагается, что прогнозируемый показатель формируется под воздействием большого количества факторов, выделить которые либо невозможно, либо по ним отсутствует информация. В этом случае ход изменения данного показателя связывают не с факторами, а с течением времени, что проявляется в образовании одномерных временных рядов. Прогнозное значение параметра на основе экстраполяции по сложившемуся среднегодовому темпу роста определяется по формуле: Kn+1 = KnТср.г., где Kn+1 – прогнозное значение параметра; Kn – значение параметра в отчетном периоде; Тср.г. – среднегодовой темп роста параметра. Среднегодовой темп роста является показателем интенсивности изменения уровней ряда динамики и определяется по формуле средней геометрической простой: где Тц1, Тц2, …, Тцn – цепные темпы роста параметра по периодам; n – количество периодов. Цепной темп роста представляют собой отношение каждого следующего уровня ряда динамики к предыдущему и рассчитывается по формуле:
n цn n K T K . Цепные темпы роста, как и среднегодовые, могут быть представлены как в форме коэффициента, так и в процентном выражении. Однако экстраполировать можно и небольшое количество отчетов уровней временного ряда, зная его тенденцию. Кроме того, существуют методы интерполяции. Интерполяция – это способ нахождения промежуточных значений величины по имеющемуся дискретному набору известных значений. Для этого уже необходимо построить регрессионную модель. Пример. Предположим, что завод производит небольшие холодильники. Головной офис диктует, сколько холодильников необходимо производить каждый месяц. Для составления бюджета требуется спрогнозировать ежемесячные эксплуатационные расходы. Любой бизнес-аналитик должен иметь возможность оценить зависимость между важными бизнес-переменными. В Microsoft Excel простейшим инструментом, позволяющим определить отношение между двумя переменными, является линия тренда. Переменная, значения которой пытаются прогнозировать аналитики, называется зависимой переменной. Переменная, используемая для прогноза, называется независимой переменной. В таблице 1 приводятся примеры зависимых и независимых переменных в бизнес-отношениях, которые можно оценить. Таблица 1 Независимая переменная Зависимая переменная Количество продукции, произведенное заводом в месяц Ежемесячные эксплуатационные расходы завода Сумма, затраченная на рекламу в месяц Продажи за месяц Количество сотрудников Ежегодные командировочные расходы Доход компании Количество сотрудников (численность) Ежемесячный доход на фондовом рынке Доход от акции Площадь дома Стоимость дома Первым шагом в определении зависимости между двумя переменными является составление графика для точек данных (точечной диаграммы) с независимой переменной по оси X и зависимой переменной по оси Y. Затем следует выделить график, щелкнуть по точке данных (все точки данных отображаются синим цветом по умолчанию), на вкладке КОНСТРУКТОР в группе Макеты диаграмм
выбрать в списке Линия тренда и затем Дополнительные параметры линии тренда или щелкнуть правой кнопкой мыши и выбрать Добавить линию тренда. Появится диалоговое окно Формат линии тренда (рисунок 2). Рис. 2. Диалоговое окно Формат линии тренда Если на диаграмме видно, что прямая линия соответствует точкам данных в достаточной степени, необходимо установить переключатель в положение Линейная. Если диаграмма показывает, что зависимая переменная возрастает более быстрыми темпами, возможно, переключатель стоит установить в положение Экспоненциальная или Степенная. Если из диаграммы следует, что зависимая переменная возрастает с уменьшающейся скоростью или уменьшается с уменьшающейся скоростью, вероятно, положение Степенная окажется наиболее подходящим. В этой части рассматривается линейная сглаживающая кривая. На рисунке 3 изображены данные о количестве произведенной продукции и ежемесячных эксплуатационных расходах завода для периода в 14 месяцев. Необходимо спрогнозировать ежемесячные эксплуатационные расходы на основе количества произведенной продукции, что позволит руководителю предприятия определить текущий бюджет и получить более четкое представление о стоимости производства холодильников.
Рис. 3. Оперативные данные завода Начнем строить диаграмму XY (или точечную диаграмму), представляющую независимую переменную (количество произведенной продукции) по оси X и зависимую переменную (ежемесячные эксплуатационные расходы) по оси Y. Столбец данных, представляемых на оси X, должен располагаться слева от столбца данных, показываемых на оси Y. Для создания диаграммы выделите данные в диапазоне C2:D16 (включая метки в ячейках C2 и D2). На вкладке ВСТАВКА в группе Диаграммы выберите Точечная, первый вариант. Появится диаграмма, представленная на рисунке 4. Рис. 4. Точечная диаграмма эксплуатационных расходов на основе количества произведенной продукции
Как видно из точечной диаграммы, вполне вероятно, что зависимость между количеством произведенной продукции и ежемесячными эксплуатационными расходами можно представить в виде прямой линии (линейная зависимость). Если добавить в диаграмму линию тренда, то на ней появится прямая линия, наиболее точно соответствующая точкам данных. Для этого щелкните в пределах диаграммы и выберите какую-либо точку данных. Все точки данных отображаются синим цветом. Щелкните по точке правой кнопкой мыши и выберите Добавить линию тренда. В диалоговом окне Формат линии тренда установите переключатель в положение Линейная и затем установите флажки показывать уравнение на диаграмме и поместить на диаграмму величину достоверности аппроксимации (R^2) – рисунок 5. Рис. 5. Линия тренда и выбор параметров линии тренда Закройте диалоговое окно и добавьте такие элементы диаграммы, как названия осей и название диаграммы. Результат представлен на рисунке 5. Названия диаграммы и осей можно добавить, если щелкнуть по крестику справа от диаграммы или на вкладке КОНСТРУКТОР для работы с диаграммами выбрать Добавить элемент диаграммы. Если для значений в уравнении необходимо добавить больше знаков после запятой, выберите уравнение линии тренда и на вкладке ФОРМАТ для работы с диаграммами выберите Формат выделенного. Щелкните на параметре ЧИСЛО и укажите для числового формата параметр Число десятичных знаков. Каким же образом в Excel определяется наиболее подходящая линия тренда? Выбирается линия (среди множества линий, которые могут быть проведены) с минимальной суммой квадратов расстояний
по вертикали от каждой точки до линии. Расстояние по вертикали от каждой точки до линии называется ошибкой или остатком. Линия, создаваемая в Excel, называется линией наименьших квадратов. Минимизируется, как правило, сумма квадратичных ошибок, а не сумма ошибок, поскольку при простом суммировании ошибок положительные и отрицательные ошибки могут компенсировать друг друга. Например, при сложении ошибок точка на 100 единиц выше линии и точка на 100 единиц ниже линии компенсируют друг друга. Но если используются квадратичные ошибки, то при поиске наиболее подходящей линии в Excel будут учтены ошибки для обеих этих точек. Таким образом, в Excel наиболее подходящая прямая линия для прогнозируемых ежемесячных эксплуатационных расходов на основе ежемесячного количества производимой продукции вычисляется по формуле: прогнозируемые ежемесячные эксплуатационные расходы = = 37894,0956 + 64,2687 × (количество произведенной продукции). Эта зависимость имеет линейный характер и описывается уравнением вида y = ax+b. Теперь вычислите прогнозируемые расходы для каждой точки наблюдения данных, скопировав формулу =64,2687*C3+37894,0956 из ячейки E3 в диапазон ячеек E4:E16. Например, для 1260 единиц произведенной продукции прогнозируемые эксплуатационные расходы составят 118 872,66 условной денежной единицы (у.д.е.) (рисунок 6). Рис. 6. Вычисление ошибки