- •Глава 11. Маркетинговые исследования с использованием статистических методов
- •11.1. Прогнозирование объема продаж с использованием корреляционно-регрессионного анализа в системе statistica
- •11.2. Сегментирование конечного потребителя услуг кинотеатра с использованием кластерного анализа в системе statistica Игрунова о.М., Чекрышова и.И., Манакова е.В.
- •11.3. Исследование вкусовых предпочтений потребителей шоколада с использованием методов шкалирования Игрунова о.М., Виноградова и.Ю., Лаврентьева е.В.
- •Результаты «слепого» тестирования образца №1 по критериям «внешний вид» и «запах» (бренд Alpen Gold молочный)
- •11.4. Прогнозирование тенденций изменения спроса на потребительском рынке с использованием нейросетевого подхода Игрунова о.М.
- •Глава 12. Приложения моделей и методов статистического анализа в социально-экономической среде Платонова и.В., Соловьева ю.В., Иванова а.А.
- •12.1. Выбор зарубежного партнера с использованием многомерного регрессионного анализа
- •Коэффициенты модели
- •95% Доверительные границы
- •12.2. Выбор иностранного контрагента с использованием нелинейных моделей регрессионного анализа
- •95% Доверительные границы
- •95% Доверительные границы
- •95% Доверительные границы
- •95% Доверительные границы
- •12.3. Применение кластерного анализа для классификации потребителей снековой продукции
11.4. Прогнозирование тенденций изменения спроса на потребительском рынке с использованием нейросетевого подхода Игрунова о.М.
Планирование объемов сбыта – часть стратегического планирования и потому должно гарантировать, что организация имеет и будет иметь необходимый объем спроса в соответствующий срок. Наиболее важно с практической точки зрения прогнозирование изменения спроса на потребительском рынке. Результаты прогнозирования позволяют более обоснованно разрабатывать стратегии развития рынков – в частности, рынков потребительских услуг. Продемонстрируем методику построения прогнозной модели на примере услуг по ремонту бытовой техники.
Особенность рынка услуг в том, что спрос на различные группы услуг формируется под влиянием соответствующего комплекса факторов. В силу социально–экономических, исторических и культурных особенностей рынки услуг в регионах формируются и развиваются не одинаково. Вследствие этого в различных территориальных образованиях комплекс услуг не однороден по уровню развития и имеет некоторые структурные особенности. Эти причины не могли не отразиться на уровне обеспеченности населения услугами. В результате возникает необходимость определения и исследования факторов, определяющих спрос на конкретные группы услуг в регионе. В данном случае автор рекомендует использование нейросетевых моделей.
Установление факторов, определяющих спрос на потребительские услуги, с использованием нейросетевого подхода
Нейронные сети достаточно перспективный инструментом для решения аналитических задач в различных областях [127, 143, 144]. Способность обучаться на неполных и неточных данных делает нейронные сети незаменимыми при решении прогнозных и диагностических задач. Основной недостаток нейронных сетей в том, что аналитик не имеет представления о том, как при работе нейросети проходит процесс обработки данных. Но в то же время нейросетевой подход имеет ряд преимуществ. Обученные нейросетевые модели тщательно проверяются на множестве контрольных данных, о которых сеть ничего «не знала» в процессе обучения. Только после этого модель может быть применена для проведения прогнозных и диагностических исследований. Необходимость использования нейросетей в процессе исследования спроса обусловлена тем, что взаимосвязи между факторами, оказывающими влияние на спрос населения, настолько многогранны, что практически сложно применить известные модели представления знаний к динамично меняющимся и сложным условиям функционирования рынка услуг.
Реализация нейросетевого подхода на практике включает в себя ряд этапов, которые необходимы, чтобы сеть приобрела требуемый уровень прогнозных и аналитических свойств.
Сначала отбирают данные для дальнейшего анализа. Для этого необходимо определить факторы, существенно влияющие на целевую функцию – в данном случае, на реализованный спрос населения по конкретной услуге. В качестве факторов, принятых к рассмотрению, выступают следующие: пол, возраст, социальное и семейное положение, уровень образования жителей региона, уровень ежемесячного дохода на одного человека в семье, количество денежных средств, которые потребители ежемесячно тратят в сфере услуг, показатель возможности расширения расходов семьи в сфере услуг (при условии соответствия качественных и количественных характеристик предложения услуг требованиям потребителей), показатель удовлетворенности потребителей сферой услуг в целом на уровне региона, а также уровень и структура неудовлетворенного спроса населения на конкретные услуги. Далее всю совокупность данных делят на обучающее и тестовое множества. Тестовое множество формируют на основе статистических процедур случайного отбора или на экспертных оценках.
Затем преобразуют данные. Следует отметить, что каждая строка представленных в табличной форме и необходимых для обучения данных должна содержать все сведения по каждому наблюдению (объекту). Потом сеть конструируют, обучают и тестируют. Сначала необходимо определить архитектуру сети, то есть число слоев и число нейронов в каждом слое. Рекомендации по конструированию оптимальных структур приведены в специальной литературе, в частности, в работах профессора Ю.В. Фролова [143]. Есть различные алгоритмы обучения сети: например, с использованием конструктивного подхода обучение начинается на сети малого размера, который постепенно увеличивается до достижения (по результатам тестирования) требуемой точности. Противоположный подход называют деструктивным. Его суть в том, что из сети, имеющей заведомо избыточный объем, постепенно удаляют нейроны и примыкающие к ним связи. В результате появляется возможность исследовать влияние удаляемых связей на точность сети. Задача тестирования – оценка точности работы сети на тестовом множестве, которое не использовалось в процессе обучения. Как правило, оценка адекватности модели основывается на критерии согласия – например, на основе дисперсии, характеризующей отклонение полученных нейронной сетью расчетных значений целевой функции от фактических значений, взятых, в частности, из результатов опроса.
В заключение следует определить долю случаев неправильной диагностики и анализ результатов работы сети. В том случае, если процесс функционирования нейронной сети не дает положительных результатов, необходимо вернуться к работе по анализу факторов, влияющих на реализованный спрос населения региона на конкретную услугу.
Использование анализа чувствительности на основе нейросетевого подхода в контексте рассматриваемых научно–практических задач обусловлено следующими причинами. Во-первых, возможно получить более адекватные и простые в применении прогнозные модели. Во-вторых, идет учет взаимозависимостей между всеми факторами, включенными в обучающее множество с учетом специфики спроса на конкретные услуги. И в-третьих, полученные результаты важны для органов власти и предпринимателей, поскольку позволяют значительно повысить точность определения целевых групп потребителей. Это необходимо для разработки рекомендаций по совершенствованию существующих производств услуг, а также по инвестированию капитала в новые производства услуг.
Выявление факторов, оказывающих существенное влияние на спрос населения региона на услуги, продемонстрируем на примере услуг по ремонту бытовой техники. Для решения данной задачи использовался нейросетевой подход, который не только позволил установить влияющие факторы, но и определил силу и знак влияния каждого из них на уровень спроса населения региона в денежном выражении. Кроме того, в процессе работы нейронной сети использовались как количественные данные, так и качественные.
Данные для анализа факторов, влияющих на спрос, взяты из результатов маркетингового исследования, проведенного на территории Зеленоградского АО города Москвы в 2004–2005 годах. Использованные в исследовании факторы, оказывающие влияние на формирование спроса населения в регионе, представлены выше.
Для проведения экспериментов использовался программный продукт Brain Maker. Пакеты Brain Maker включают в себя развитые средства предварительной обработки и подготовки данных – в частности, статистические функции, которые помогают при предварительном анализе данных; операции сдвига, необходимые в процессе подготовки данных для обучения нейронной сети (для прогнозов на временных рядах). Кроме того, пакет Brain Maker Professional содержит пять мощных методов анализа данных: анализ цикличности (устанавливает периодические закономерности во входных данных); анализ корреляции данных (помогает определить степень связи между двумя входными переменными и наличие временного сдвига между ними); анализ чувствительности (показывает, в какой степени каждый из входов влияет на ответ нейросети); глобальный анализ (выдает всевозможную статистику о работе сети и позволяет судить о функционировании сети в целом); контурный анализ (графически демонстрирует, как пары входных переменных влияют на ответ нейросети).
При работе в пакете Brain Maker была применена модель нейросети, известная как многослойный персептрон. Эта модель отличается тем, что может служить в качестве имитатора любой сколь угодно сложной функции при любом числе независимых переменных. Многослойный персептрон обладает как способностью выявлять общие закономерности в базах данных, так и выступать в качестве некоей ассоциативной памяти.
Были обучены нейронные сети, моделирующие зависимость объема спроса в денежном выражении от вышеуказанных факторов. Затем обученные нейронные сети проверены на множестве, о существовании которого многослойный персептрон ничего не знал в процессе обучения.
Важным этапом исследования было извлечение полученной информации из нейронной сети. Для этого был выполнен анализ чувствительности, который позволил определить степень влияния факторов на спрос населения региона по конкретной группе услуг. Результаты анализа чувствительности для услуг по ремонту бытовой техники приведены в таблице 11.11.
Таблица 11.11
Основные факторы, влияющие на спрос на услуги по ремонту бытовой техники
№ п/п |
Фактор |
Условное значение вклада фактора |
Факторы, увеличивающие спрос населения на услуги |
||
1 |
Возраст 18–24 года |
74 |
2 |
Специалисты государственных (муниципальных) предприятий |
43 |
3 |
Предприниматели без образования юридич. лица |
28 |
4 |
Уровень дохода 20–30 тыс. руб. на 1 человека в семье |
24 |
5 |
Мужчины |
20 |
Факторы, уменьшающие спрос населения на услуги |
||
1 |
Учителя (врачи, работники культуры) в негосударственных учреждениях |
62 |
2 |
Уровень дохода 57 тыс. руб. на 1 человека в семье |
57 |
3 |
Уровень дохода св. 30 тыс. руб. на 1 человека в семье |
38 |
4 |
Служащие в органах государственной власти и управления |
37 |
5 |
Служащие на негосударственных предприятиях |
33 |
6 |
Рабочие |
29 |
7 |
Возраст 55–65 лет |
20 |
Здесь условное значение вклада фактора – показатель, характеризующий диапазон изменения целевой функции (уровня спроса на услуги) при изменении фактора.
На основе данных таблицы можно заключить, что наиболее значимыми факторами, определяющими спрос на услуги ремонта бытовой техники, являются социально–демографические характеристики респондентов, в частности, возраст, социальный статус, уровень дохода, уровень образования и пол.
В результате анализа было установлено, что основные потребители услуг по ремонту бытовой техники – люди с доходом 20–30 тыс. руб. на человека в семье.
Жители региона с доходом свыше 30 тыс. руб. предпочитают покупать новую технику взамен старой и сломанной, требующей значительных денежных затрат на ее ремонт.
Исследование показало, что идет борьба между двумя рынками – рынком услуг по ремонту бытовой техники и товарным рынком. На товарном рынке можно выделить тенденцию к снижению цен на бытовую технику вследствие насыщения рынка, что дает основания предположить смещение целевой аудитории в нижние ценовые сегменты. Этой тенденции может способствовать достаточно высокий уровень неудовлетворенного спроса качественными параметрами ремонтных услуг, стимулирующий уход части клиентов с рынка услуг на товарный рынок.
Приведенный пример демонстрирует некоторые аналитические возможности, предоставляемые искусственными нейронными сетями.
Во-первых, в результате выполненного анализа чувствительности спроса населения региона к различным факторам определяются факторы, оказывающие наибольшее влияние на спрос, которые в дальнейшем используются в процессе формирования прогнозной модели спроса.
Во-вторых, искусственная нейронная сеть не только позволяет установить фактор влияния, но и определяет силу и знак влияния различных факторов на уровень спроса респондентов (в денежном выражении).
В-третьих, нейронная сеть не запрещает включать в совокупность обучающих факторов как количественные данные, так и качественные. Обучившись на такой неоднородной базе данных, нейронная сеть приобретает способность более точно и качественно анализировать данные, нежели традиционные методы.
Прогноз тенденции изменения спроса на услуги по ремонту бытовой техники в Московском регионе
С учетом результатов, приведенных выше и иллюстрирующих вклад наиболее важных факторов, сделан прогноз тенденции изменения спроса на услуги по ремонту бытовой техники с использованием ретроспективных данных по Московскому региону. Выбор именно данной услуги обусловлен тем, что, во-первых, наиболее значимый фактор увеличения спроса на исследуемую услугу – фактор возраста: по нему есть достаточно полные ретроспективные данные. Во-вторых, показатель «возраст» специфичен (единственный социально-демографический параметр, который абсолютно стабилен в своей изменчивости).
Исходными данными для трендовых моделей прогноза спроса на услуги ремонта бытовой техники по годам являлись данные о динамике численности населения Московского региона, предоставленные Московским городским комитетом по статистике (таблица 11.13 и рисунок 11.6).
Трендовые модели представляют собой парную регрессию вида: Y = f(x).
На основе предварительных экспериментов, выполненных на наборе данных о динамике численности населения (табл. 11.13), было принято решение использовать данные за последние восемь лет. Это связано с высокой нестабильностью поведения временного ряда до 1996 года, что отрицательно сказывается на прогнозных характеристиках трендовой модели. При исследовании разных вариантов была выбрана линейная модель.
Статистические параметры модели линейной регрессии (в качестве примера) для возрастной группы 25–29 лет приведены в таблице 11.12.
В таблице приняты следующие обозначения.
R Square – мера достоверности функциональной зависимости модели. Если значение этого показателя равно нулю, то величины, для которых определяются уравнения регрессии, являются независимыми. Если R Square = 1, то имеет место функциональная, а не статистическая зависимость. Принято считать допустимым R Square более и равным 0,7.
Adjusted R Square – смещенный R Square.
Std. Error of the Estimate – стандартная ошибка оценки, определяющая меру рассеивания значений относительно регрессионной прямой.
Std. Error – стандартная ошибка оценки свободного члена.
t – критерий, используемый для проверки гипотезы о равенстве нулю свободного члена регрессии.
Sig. – уровень значимости, рекомендуемое значение менее 0,05.
B – обычные оценки параметров модели.
Beta – нормированные оценки параметров модели.
Таблица 11.12
Статистические характеристики модели
|
Model Summary(b) |
|
|
|
|
|
||
|
Model |
R |
R Square |
Adjusted R Square |
Std. Error of the Estimate |
|
||
|
1 |
0,872487 |
0,761233 |
0,721439 |
13,34829124 |
|
|
|
|
a |
Predictors: (Constant), VAR00010 |
|
|
||||
|
b |
Dependent Variable: VAR00011 |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Coefficients(a) |
|
|
|
|
|
||
255 |
Model |
|
Unstandardized Coefficients |
Standardized Coefficients |
t |
Sig. |
||
|
|
|
B |
Std. Error |
Beta |
|
|
|
|
1 |
(Constant) |
–1925,85 |
566,7123 |
|
–3,398281282 |
0,014527 |
|
|
|
VAR00010 |
4,488474 |
1,026245 |
0,872486799 |
4,373685315 |
0,0047 |
|
|
a |
Dependent Variable: VAR00011 |
|
|
|
Таким образом, исходя из данных таблицы 11.12, уравнение регрессии для прогноза значения численности возрастной группы 25–29 лет будет иметь вид:
Y = –1926 + 4,5x.
Таблица 11.13
Динамика численности населения Московского региона, в тыс. человек
|
Годы |
Все население |
Возрастные группы |
||||||||||||||
0–4 |
5–9 |
10–14 |
15–19 |
20–24 |
25–29 |
30–34 |
35 –39 |
40–44 |
45–49 |
50–54 |
55–59 |
60–64 |
65–69 |
70 и старше |
|||
|
1991 |
8911,3 |
551,6 |
580,7 |
530,1 |
548,7 |
549,1 |
677,1 |
783,8 |
725,6 |
707,0 |
419,2 |
685,2 |
474,0 |
558,4 |
408,4 |
712,4 |
|
1992 |
8864,9 |
511,6 |
592,0 |
535,5 |
540,1 |
544,8 |
626,3 |
780,3 |
738,2 |
700,8 |
436,9 |
690,4 |
472,2 |
542,4 |
443,0 |
710,4 |
|
1993 |
8789,2 |
459,6 |
596,5 |
545,0 |
530,0 |
547,0 |
575,8 |
766,8 |
747,3 |
690,3 |
505,5 |
594,4 |
522,3 |
521,7 |
470,7 |
716,3 |
|
1994 |
8700,9 |
409,4 |
584,9 |
560,7 |
532,2 |
551,5 |
539,8 |
739,0 |
759,3 |
690,5 |
579,9 |
491,0 |
573,2 |
483,3 |
482,3 |
723,9 |
|
1995 |
8625,4 |
371,7 |
571,3 |
571,8 |
537,3 |
557,6 |
517,0 |
705,0 |
758,9 |
689,5 |
642,8 |
418,0 |
617,9 |
444,7 |
484,3 |
737,6 |
256 |
1996 |
8572,4 |
347,9 |
548,1 |
578,1 |
550,8 |
557,2 |
514,0 |
660,6 |
760,3 |
700,7 |
673,9 |
389,7 |
630,0 |
422,9 |
479,1 |
759,1 |
1997 |
8546,6 |
335,6 |
511,2 |
590,9 |
555,7 |
556,8 |
521,6 |
617,1 |
761,7 |
713,8 |
666,9 |
405,8 |
632,8 |
422,3 |
465,1 |
789,3 |
|
1998 |
8537,2 |
334,3 |
464,5 |
599,4 |
565,9 |
553,6 |
538,2 |
577,2 |
757,3 |
727,4 |
660,3 |
472,8 |
546,8 |
470,2 |
449,9 |
819,4 |
|
1999 |
8538,2 |
340,4 |
418,8 |
592,3 |
583,2 |
559,6 |
553,0 |
548,7 |
738,6 |
746,5 |
667,2 |
547,9 |
455,8 |
521,8 |
420,8 |
843,6 |
|
|
2000 |
8537,2 |
340,1 |
384,2 |
582,3 |
597,7 |
566,7 |
568,2 |
532,8 |
710,9 |
752,0 |
672,6 |
613,6 |
391,5 |
568,1 |
391,8 |
864,7 |
|
2001 |
8546,1 |
344,2 |
361,4 |
562,2 |
607,0 |
581,5 |
574,4 |
536,1 |
671,4 |
759,5 |
688,0 |
648,7 |
368,1 |
583,6 |
376,5 |
883,5 |
|
2002 |
8539,2 |
350,8 |
348,1 |
526,1 |
622,2 |
589,1 |
576,6 |
545,2 |
630,2 |
761,9 |
701,7 |
643,1 |
384,8 |
586,5 |
377,9 |
895,0 |
|
2003 |
8533,0 |
364,1 |
345,6 |
478,9 |
630,7 |
602,1 |
575,5 |
562,2 |
589,4 |
756,2 |
713,6 |
635,3 |
447,5 |
505,3 |
421,8 |
904,8 |
Рис. 11.6. Динамика численности населения Московского региона
Таблица 11.14
Прогноз численности населения Московского региона, в тыс. человек
|
Год |
Прогноз 15–19 |
Абсол. ошибка |
Прогноз 20–24 |
Абсол. ошибка |
Прогноз 25–29 |
Абсол. ошибка |
Прогноз 30–34 |
Абсол. ошибка |
Прогноз 35–39 |
Абсол. ошибка |
|
1996 |
549,216 |
1,584 |
575,424 |
–18,224 |
538,773 |
–24,773 |
657,777 |
2,823 |
769,371 |
–9,071 |
|
1997 |
555,589 |
0,111 |
564,475 |
–7,675 |
519,473 |
2,127 |
619,561 |
–2,461 |
766,447 |
–4,747 |
|
1998 |
566,801 |
–0,901 |
551,615 |
1,984 |
529,347 |
8,852 |
581,571 |
–4,371 |
755,169 |
2,131 |
|
1999 |
585,329 |
–2,129 |
554,417 |
5,183 |
549,546 |
3,454 |
554,489 |
–5,789 |
731,944 |
6,656 |
|
2000 |
598,429 |
–0,729 |
560,910 |
5,790 |
576,925 |
–8,725 |
537,337 |
–4,537 |
703,540 |
7,360 |
|
2001 |
605,864 |
1,136 |
578,098 |
3,402 |
575,130 |
–0,729 |
535,080 |
1,020 |
666,447 |
4,952 |
257 |
2002 |
620,970 |
1,230 |
584,337 |
4,763 |
573,3345 |
3,2655 |
540,798 |
4,402 |
630,107 |
0,093 |
2003 |
631,002 |
–0,302 |
597,324 |
4,776 |
558,971 |
16,529 |
553,285 |
8,914 |
596,774 |
–7,374 |
|
|
2004 |
622,623 |
|
619,350 |
|
585,902 |
|
564,419 |
|
572,964 |
|
|
2005 |
610,821 |
|
637,811 |
|
617,770 |
|
575,854 |
|
559,681 |
|
|
2006 |
587,099 |
|
649,652 |
|
684,120 |
|
580,518 |
|
562,438 |
|
|
2007 |
544,495 |
|
669,005 |
|
718,312 |
|
582,173 |
|
570,040 |
|
|
2008 |
488,791 |
|
679,827 |
|
776,662 |
|
581,346 |
|
584,242 |
|
|
2009 |
445,269 |
|
669,543 |
|
854,089 |
|
589,171 |
|
586,096 |
|
|
2010 |
409,073 |
|
654,517 |
|
936,953 |
|
613,145 |
|
595,649 |
|
|
2011 |
385,220 |
|
624,315 |
|
990,100 |
|
663,118 |
|
599,546 |
|
|
2012 |
371,306 |
|
570,071 |
|
1076,964 |
|
688,781 |
|
600,928 |
|
|
2013 |
368,691 |
|
499,148 |
|
1125,539 |
|
732,676 |
|
600,237 |
|
|
2014 |
364,043 |
|
443,736 |
|
1079,379 |
|
790,923 |
|
606,774 |
|
Продолжение табл. 11.14
Прогноз численности населения Московского региона, в тыс. человек
|
Год |
Прогноз 40–44 |
Абсол. ошибка |
Прогноз 45–49 |
Абсол. ошибка |
Прогноз 50–54 |
Абсол. ошибка |
Прогноз 55–59 |
Абсол. ошибка |
Прогноз 60–64 |
Абсол. ошибка |
|
1996 |
696,101 |
4,597 |
686,177 |
–12,277 |
387,100 |
2,5600 |
628,674 |
1,326 |
423,815 |
–0,915 |
|
1997 |
717,690 |
–3,890 |
678,390 |
–11,490 |
405,207 |
0,593 |
633,242 |
–0,442 |
421,981 |
0,319 |
|
1998 |
733,282 |
–5,882 |
665,201 |
–4,901 |
475,383 |
–2,583 |
548,912 |
–2,112 |
473,041 |
–2,841 |
|
1999 |
753,843 |
–7,343 |
665,452 |
1,748 |
551,492 |
–3,592 |
458,082 |
–2,282 |
524,916 |
–3,116 |
|
2000 |
753,157 |
–1,157 |
664,196 |
8,404 |
615,837 |
–2,237 |
393,957 |
–2,457 |
570,473 |
–2,373 |
|
2001 |
755,556 |
3,944 |
678,264 |
9,736 |
647,651 |
1,049 |
369,097 |
–0,997 |
582,805 |
0,795 |
|
2002 |
757,955 |
3,945 |
694,719 |
6,981 |
640,491 |
2,609 |
383,240 |
1,560 |
585,658 |
0,842 |
258 |
2003 |
750,416 |
5,784 |
711,801 |
1,799 |
633,739 |
1,561 |
442,095 |
5,405 |
498,010 |
7,230 |
2004 |
718,375 |
|
735,792 |
|
640,797 |
|
508,065 |
|
405,267 |
|
|
|
2005 |
670,915 |
|
742,701 |
|
646,321 |
|
565,778 |
|
339,734 |
|
|
2006 |
603,236 |
|
752,121 |
|
662,075 |
|
596,611 |
|
315,886 |
|
|
2007 |
532,644 |
|
755,136 |
|
676,090 |
|
591,692 |
|
332,906 |
|
|
2008 |
462,738 |
|
747,976 |
|
688,263 |
|
584,840 |
|
396,808 |
|
|
2009 |
434,577 |
|
700,466 |
|
710,965 |
|
589,669 |
|
458,533 |
|
|
2010 |
411,818 |
|
640,851 |
|
718,033 |
|
594,522 |
|
517,352 |
|
|
2011 |
416,541 |
|
555,841 |
|
727,670 |
|
608,361 |
|
548,776 |
|
|
2012 |
429,567 |
|
467,173 |
|
730,753 |
|
620,672 |
|
543,763 |
|
|
2013 |
453,901 |
|
379,365 |
|
723,429 |
|
631,365 |
|
536,780 |
|
|
2014 |
457,0775 |
|
343,9933 |
|
674,8274 |
|
651,3074 |
|
541,7014 |
|
Окончание таблицы 11.14
Прогноз численности населения Московского региона, в тыс. человек
Год |
Прогноз 65–69 |
Абсолютная ошибка |
Прогноз 70 и старше |
Абсолютная ошибка |
1996 |
478,413 |
0,687 |
778,507 |
–19,407 |
1997 |
466,587 |
–1,487 |
822,743 |
–33,443 |
1998 |
451,289 |
–1,389 |
858,157 |
–38,757 |
1999 |
422,909 |
–2,109 |
872,988 |
–29,388 |
2000 |
394,381 |
–2,581 |
875,5450 |
–10,845 |
2001 |
378,269 |
–1,769 |
868,897 |
14,603 |
2002 |
377,826 |
0,074 |
850,998 |
44,002 |
2003 |
413,227 |
8,573 |
831,565 |
73,235 |
2004 |
451,363 |
|
794,360 |
|
2005 |
485,582 |
|
757,284 |
|
2006 |
497,037 |
|
737,723 |
|
2007 |
499,180 |
|
739,513 |
|
2008 |
439,168 |
|
795,639 |
|
2009 |
365,237 |
|
833,435 |
|
2010 |
316,804 |
|
877,183 |
|
2011 |
299,179 |
|
891,829 |
|
2012 |
311,758 |
|
894,569 |
|
2013 |
358,985 |
|
817,844 |
|
2014 |
404,605 |
|
723,323 |
|
Таблица 11.15
Прогноз численности населения на период 2004–2014 гг., в тыс. человек
Год |
18–24 лет |
25–34 лет |
35–44 лет |
45–54 лет |
55–65 лет |
Старше 65 лет |
Все население |
2004 |
868,399 |
1150,321 |
1291,334 |
1376,590 |
1003,604 |
1335,996 |
7026,250 |
2005 |
882,140 |
1193,624 |
1230,596 |
1389,022 |
1002,629 |
1339,982 |
7037,993 |
2006 |
884,492 |
1264,718 |
1165,674 |
1414,197 |
1011,905 |
1334,167 |
7075,153 |
2007 |
886,803 |
1300,485 |
1102,684 |
1431,226 |
1024,434 |
1338,529 |
7084,162 |
2008 |
875,344 |
1358,008 |
1046,980 |
1436,240 |
1069,487 |
1322,641 |
7108,694 |
2009 |
847,651 |
1443,256 |
1020,673 |
1411,431 |
1121,250 |
1271,719 |
7115,985 |
2010 |
818,146 |
1550,097 |
1007,467 |
1358,884 |
1175,235 |
1257,348 |
7167,178 |
2011 |
778,403 |
1653,218 |
1016,087 |
1283,511 |
1216,973 |
1250,844 |
7199,036 |
2012 |
718,594 |
1765,745 |
1030,495 |
1197,926 |
1226,786 |
1268,679 |
7208,225 |
2013 |
646,625 |
1858,216 |
1054,138 |
1102,795 |
1239,942 |
1248,626 |
7150,341 |
2014 |
589,353 |
1870,302 |
1063,852 |
1018,821 |
1273,930 |
1208,848 |
7025,106 |
В таблице 11.15 представлены результаты прогноза численности населения на 2004–2014 гг. в соответствии с возрастной градацией, принятой для исследования на этапе сбора первичной информации.
На основе статистических данных был осуществлен прогноз численности населения с использованием линейной регрессии по каждой из возрастных групп. В результате прогнозные значения численности населения представлены в таблице 11.13 (также см. таблицы 11.14 и 11.15).
На основе прогнозных данных о численности населения Московского региона, полученных с помощью метода линейной регрессии и вторичных ретроспективных данных, а также результатов маркетинговых исследований спроса населения региона на услуги ремонта бытовой техники были определены прогнозные тенденции изменения спроса на период 2004–2014 гг. (табл. 11.16, рис. 11.7).
Таблица 11.16
Прогноз тенденции изменения спроса населения Московского региона на услуги ремонта бытовой техники на период 2004–2014 гг., в тыс. руб.
Год |
18–24 лет |
25–34 лет |
35–44 лет |
45–54 лет |
55–65 лет |
Старше 65 лет |
Итого |
2004 |
27615 |
30682 |
46834 |
60320 |
16598 |
14727 |
196776 |
2005 |
28052 |
31837 |
44630 |
60865 |
16582 |
14771 |
196737 |
2006 |
28127 |
33733 |
42276 |
61968 |
16735 |
14707 |
197546 |
2007 |
28200 |
34687 |
39991 |
62714 |
16943 |
14755 |
197291 |
2008 |
27836 |
36221 |
37971 |
62934 |
17688 |
14580 |
197230 |
2009 |
26955 |
38495 |
37017 |
61847 |
18544 |
14019 |
196877 |
2010 |
26017 |
41344 |
36538 |
59544 |
19437 |
13860 |
196741 |
2011 |
24753 |
44095 |
36851 |
56242 |
20127 |
13789 |
195856 |
2012 |
22851 |
47096 |
37373 |
52491 |
20289 |
13985 |
194087 |
2013 |
20563 |
49563 |
38231 |
48323 |
20507 |
13764 |
190950 |
2014 |
18741 |
49885 |
38583 |
44643 |
21069 |
13326 |
186247 |
Рис. 11.7. Прогноз изменения спроса на услуги ремонта бытовой техники в Московском регионе в период 2004–2014 гг.
Полученные выше результаты не только позволяют определять тенденции изменения спроса населения региона на услуги ремонта бытовой техники, но и помогают выделить ключевые показатели, главным образом влияющие на целевую функцию – спрос населения на исследуемую услугу. Рисунок 11.7 показывает, что спрос на рынке ремонта бытовой техники после 2011 года предположительно снизится, поскольку снизится доля целевой группы в возрасте 18–24 года в общей совокупности населения г. Москвы. Можно предположить, что данной тенденции способствуют: отсутствие ремонта на дому (в отличие от западных компаний); низкий уровень сервисных услуг, что подтверждено высоким уровнем неудовлетворенности населения региона качественными параметрами оказываемых услуг; слабое развитие вторичного рынка бытовой техники.
Вышеуказанные факторы свидетельствуют о том, что рынок услуг по ремонту бытовой техники еще слабо развит. Кроме того, российские компании ориентированы на производство и торговлю, а зарубежные их аналоги концентрируют внимание на послепродажном сервисе, способствуют созданию собственных сервисных центров либо передаче права проведения гарантийных ремонтных работ другим компаниям. Это, в свою очередь, снижает интерес к российской бытовой технике и, как следствие, снижает уровень востребованности ремонтных услуг на рынке.
На рисунке 11.8 представлен прогноз изменения численности населения некоторых возрастных групп, а также спроса на услуги по ремонту бытовой техники в Московском регионе в 2004–2014 гг. На основании данного рисунка можно заключить, что численность населения в возрастной группе 18–24 года, от которой в наибольшей степени зависит спрос на исследуемые услуги (как показал анализ наиболее значимых факторов, влияющих на спрос, таблица 11.11), уменьшается, что соответствующим образом отражается на изменении спроса. В то же время, численность населения в возрасте 55–65 лет в исследуемом периоде увеличивается, однако данная возрастная группа меньше (по сравнению с доходной группой 18–24 года) влияет на снижение спроса населения на услуги по ремонту бытовой техники. Таким образом, в соответствии с изменениями факторов, определяющих спрос населения на услуги, изменяется (снижается) и сам спрос.
Рис. 11.8. Прогноз изменения численности населения некоторых возрастных групп и спроса на услуги по ремонту бытовой техники в Московском регионе в 2004–2014 гг.
В заключение хотелось бы отметить, что целью данной публикации является не формирование прогноза изменения спроса населения на услуги с высокой точностью, а демонстрация авторского подхода к прогнозированию спроса с использованием традиционных статистических методов, реализованных в программном пакете STATISTICA, а также нейронных сетей, реализованных в программе Brain Maker. В рамках данного раздела показана технология осуществления прогноза лишь по одному фактору. Следует подчеркнуть, что описанный выше алгоритм не ограничивает возможный перечень факторов. Аналогично, в прогнозную модель можно включать и другие факторы, которые существенно влияют на уровень спроса населения региона на услуги.