管理经济学麦圭根第12版,机械工业出版社

第5章企业预测与经济预测所有企业中的经理人员所关心的核心问题之一就是预测其产品的未来需求或其投入要素的生产成本。个厂商的股东价值就取决于对预期未来现金流量各个组成部分的准确预测。厂商的预测不仅取决于对价格、广告或对手的策略反而且取决于宏观经济增长率、利率水平、通胀率等。趋势分析、平滑技术、气压计技术、调查与民意测验技术及时间序列计量经济方法等。因为一但是预测是困难的。应，本章介绍几种预测技术：5.1预测技术的选择5.2确定性趋势分析*5.3平滑技术*5.4气压计法*5.5调查与民意测验技术5.6计量经济模型5.7随机的时间序列分析*5.8投入-产出表进行预测5.1预测技术的选择在特定情况下进行预测选择何种预测技术取决于一系列因素。1.预测的层级最高层次的经济总量预测是对国民经济的预测通常采用衡量整体经济活动的指标是国内生产总值值（GDP）作为衡量指标，子系统的预测更感兴趣，比如零售公司可能更关注个人可支配收入的水平和变化。但厂商可能对其中某些然后是单个厂商的销售预测。简单的方法是将产业销售估计值与单个厂商的预期市场份额联系起来，就可以得到关于单个厂商销售预测值。未来市场份额可以基于过去数据进行估计，还要考虑营销策略等因素。最后，厂商内部也存在预测的层级。估计全公司或地区的销售额；生产经理用这些预测来规划原材料的订货量、雇工需要等决策；营销经理使用销售预测来确定销售人员的安排、规划促销活动等；财务经理也需要根据销售预测进行现金需要的预测。经理人员要国民经济预测产业销售预测产业销售预测产业销售预测厂商销售预测厂商销售预测生产预测营销预测财务预测预测的层级1.costsoftheforecastingmethodcomparedwithitsgains2.complexityoftherelationshipsamongvariables3.timeperiodinvolved4.leadtimebetweenreceivinginformationandthedecisiontobemade5.accuracyneededinforecast2.选择预测技术的准则3.评估预测模型的准确性要确定一个预测模型的准确性或可靠性，需要研究实际值（Y）与预测值之间的差的大小。可以采用可决系数R2作为衡量模型中的预测值对实际数据的拟合程度，也可以采用平均预测误差（或均方根误差rootmeansquareerrorRMSE）来评估一个预测模型的精确性（n是观察数）。RMSE的数值越小，预测模型的准确性越高。4.可供选择的预测技术确定性趋势分析；平滑技术；气压计技术；调查与民意测验技术；宏观计量经济模型随机性时间序列分析5.2确定性趋势分析为了用于预测某个特定变量值而收集的数据可大体分为两大类--时间序列数据和横截面数据。时间序列数据是在不同时点对一个经济变量所取的系列观察值。横截面数据是在相同时点上对不同观察对象所取的系列观察值。5.2.1时间序列的组成部分在分析时间序列数据时，时间由横轴表示，变量值标在纵轴上。（1）长期趋势：一个时间序列经济变量的长期变化（增长或下降）。不断增长的人口数量可能导致某种商品需求序列在一定时间内增加。（2）周期变动：一个经济序列通常持续一年以上的重大扩张与收缩。住房行业通常会表现出在需求收缩之后的周期扩张。（3）季节效应：在不同季节里经济变量呈现不同变化，相同季节里呈现相同变化规律。（4）随机效应：受到到无法预见的随机因素影响而导致经济变量的无规律变化。所有的时间序列中的变动可以分为四个部分。5.2.2一些基本的时间序列模型最简单的时间序列模型认为下一期变量的预测值将与该变量当期的数值一样。下表列出了啤酒公司的销售数据，要预测每月的销售量，按上述模型可把2007年3月份的销售量作为4月份的预测值。2738当变化出现缓慢，或对未来相对较短时期进行预测时，该模型比较有价值。新销售数据，对时间要求较高；或者竞争对手促销活动可能对销售产生的正面或负面影响。这一模型的缺陷是，需要收集最此外该模型没有考虑厂商销售量相比去年有一定的上升趋势；并且还存在一定的季节性变动，销量在夏季月份高，冬季月份低。我们通过观察该公司以往的数据发现，每年需要估计的4月份还处于增加趋势过程中，需要对上一公式进行调整。5.2.3长期趋势经济时间序列中的长期变化会遵从几种不同类型的趋势。线性趋势固定增长率趋势增长率下降趋势线性时间趋势可以用回归分析的方法进行参数估计。一般的方程为：使用这种模型时我们先假定，销量或价格随时间的变化呈现线性增长或降低。1.线性趋势：2.比率不变的增长率趋势因为是非线性关系，所以无法直接进行回归分析，可以通过对方程两边取对数。预测值时间序列的初始值（t=0）固定不变的增长率时间单位或者3.比率下降的增长趋势5.2.4季节变动把季节变动引入时间序列预测模型，可以提高其短期的预测能力。估计季节变动可以采用：趋势比率法和虚拟变量1.趋势比率法：该方法假定趋势值要乘上季节影响。2.虚拟变量就是在两个数值中取一个（0或1）的变量，一般用于说明经济关系中某些定性因素的影响，比如性别特征、季节特征等等。是第一季度的观察值，否则为0为基期第四季度的观察值假如季节影响虚拟变量后的模型为：5.3平滑技术平滑技术是另一种形式的时间序列预测模型，它假设在被预测变量的历史值中可找到一种决定性模式。术通过对过去观察值取某种形式的平均数，力求消除由序列中的随机变动而产生的失真。当一个数据序列从一个时期到另一个时期变化缓慢且没有转折点时，平滑技术的预测效果较好。主要由两种平滑技术：移动平均数与一阶指数平滑法平滑技5.3.1移动平均数这是最简单的平滑技术。如果数据序列含有大量的随机因素，使用上一节的趋势分析预测得到的结果会在不同时期内具有很大误差。为尽量减少这种随机性的影响，可对一系列目前的观察值加以平均而得到一个预测值，这就是移动平均法。选取一定数目的观察值，计算它们的平均值，并把这个平均值作为下一期预测值。t，t-1，…，t-N+1时期Y的观察值未来一个时期的预测值移动平均数的观察值数目N越大用于平滑的数量越多，平滑的效果越好。5.3.2一阶指数平滑法用移动平均数作预测存在的一个缺陷就是，对准备用于预测的全部观察值给予相同的权重（1/N）。观察值要比更远的观察值包含更有价值的信息。指数平滑方法是为克服这一缺陷而设计。现实中最近的一般公式为这一模型给最近的观察值较大权数w（0～1），给过去的预测值的权数较小为1-w。上式还可以写成将该式带入第一个公式从上述公式中可以看出，指数平滑法的应用比较简单，只需要上一期的观察值值，上一期的预测值，加上加权因子的数值w。5.4气压计法趋势预测和指数平滑法是使用时间序列数据，根据过去的关系来预测将来。变化模式，或者没有表现出相当一致的周期变动，上述简单的预测方法是不可靠的。比如下图中战后美国经济周期的持续时间平均为69个月，但有的周期持续100多个月，有的是18个月。但如果时间序列不存在清楚的这种情况下，可以尝试找出与需要预测的数据序列数据相关的另一个数据序列，通过观察另一个数据序列的变化，就有可能预测第一个数据序列。比如，一家木材公司的销售量在过去10年每年波动都很大，但是人们发现企业的销售数据在该时期内和新建住房的数量高度相关。因此，如果能够预测新建住房的数量就可以利用这一信息来源预测木材的销售量经济学家根据这一思路，将一些领先于预测者感兴趣的时间序列（比如经济周期的高峰或谷底）作为预测器或气压计。系列1与系列2是同步指标系列1可以看作是系列2的超前（领先）指标5.4.1领先、滞后和同步指标依据相对于经济周期高峰和谷底的时间，可以把经济指标分为领先指标、同步指标和滞后指标。领先和滞后指标的主要价值就是预测经济活动未来变化的方向，但对变化的大小很难说明。需要强调，即使最好的序列也只有80%-90%的准确性。此外，判断一个序列是否更有价值不仅要看他是否能持续不断地领先（滞后）于商业周期，而且还应看它在领先（滞后）时期内有没有大的变动。最后，只有不存在很大的随机或季节波动的序列才应该被定为高等级，因为它不会提供很多的错误信号。5.5调查与民意测验技术调查和民意测验是有助于进行短期预测的工具，它既可以可用来预测经济活动的整体水平，也可用于厂商内部预测未来销售。一般来讲，对经济决策有影响的某种态度可在决策的实际实施之前确定。如果让负责制定这些决策的个人进行投票，它们就会对其倾向性行动提供看法，所以使用这种方法是有一定合理性的。比如，工商企业在实际支出之前通常要对工厂和设备的扩大进行规划；消费者要在实际购买之前对许多耐用品指出进行计划；各级政府都要准备预算，说明未来支出的顺序和数量等等。（一）预测宏观经济活动：工厂和设备支出计划库存变动计划和销售预期；消费者支出计划。比如通过对不同行业采购经理每月订单情况进行调查，形成采购经理指数（PMI），可以作为经济监测的先行指标。主要的一些调查包括：民意测验和调查技术也可以用于厂商内部微观层次上的销售预测。（1）销售人员民意测验：厂商就具体的地区和产品线的未来销售，调查该领域被本公司销售人员的预期（2）消费者意向调查：厂商对具体的消费者购买行动进行调查。比如：（二）销售预测：5.6计量经济模型基于计量经济方法的预测模型与上述时间序列分析气压计模型及调查和民意测验技术相比，具有明显优势首先，模型确定了经理人员能够操纵的某些独立变量（如价格或广告支出）；其次，模型不仅预测一个经济序列中变化的方向，还会预测这种变化的程度。计量经济模型用预测主要分单方程模型与多方程模型2.多方程模型就需要用方程组来说明他们相互关系。有时如果要研究的变量之间关系比较复杂比如国民经济模型就是结构方程是恒等式方程一旦估计出方程组的参数，预测值就会形成，方法就是把自变量的估计值带入方程组并求解预测值。最后两种方法是利用企业数据相互依赖性的预测方法5.7随机的时间序列分析前面在介绍确定性时间序列分析中，研究的是如何对数据中确定性的过去趋势（如季节效应和人口增长等时间趋势）进行外推。确定性的时间趋势，是对持续时间数据的保留方式中的随机过程进行建模、估计和复制。型是指仅用它的过去值及随机扰动项所建立起来的模型其一般形式而随机性时间序列分析力求的是排除因此随机时间序列模Xt=F(Xt-1,Xt-2,…,t)例如取线性方程、一期滞后以及白噪声随机扰动项（t=t）的模型将是一个1阶自回归过程白噪声的定义除了要求均值为零外并没有对其应当服从哪种概率分布作出任何假设，因此强调它的随机性。对于此类问题之所以采用随机时间序列模型是由于：前述最小二乘法的回归分析预测，对于一个时间序列Xt的变动进行解释或预测，不论是单方程回归模型还是联立方程回归模型，他们都是以因果关系为基础的，且具有一定的模型结构，所以也称为结构式模型。然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能。有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。在这些情况下，我们采用另一条预测途径：通过时间序列的历史数据，得出关于其过去行为的有关结论，进而对时间序列未来行为进行推断。随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。5.8投入-产出表进行预测它是利用不同中间产品和最终产品之间跨部门的相互依赖关系。投入-产出分析能够使预测者追踪一种产品需求的增加对其他产业的影响。