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.