Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
vi ikke diskutere her. Po<strong>en</strong>get er å vise<br />
hvordan <strong>en</strong> slik optimeringsrutine virker<br />
på et datasett.<br />
Sid<strong>en</strong> vår prognosevariabel er HA/virkedag,<br />
blir prognos<strong>en</strong>e også uttrykt i<br />
HA/virkedag. Kal<strong>en</strong>der<strong>en</strong> er “deterministisk”,<br />
og bringer derfor ikke no<strong>en</strong> ytterligere<br />
usikkerhet inn i prognos<strong>en</strong>e når vi<br />
multipliserer opp med antall virkedager i<br />
hver måned for å få månedsprognos<strong>en</strong>e<br />
for HA. I tabell 8 er d<strong>en</strong>ne utregning<strong>en</strong><br />
foretatt.<br />
Av andre analyser og vurderinger som<br />
gjøres når prognos<strong>en</strong>e skal utarbeides,<br />
nevner vi kort no<strong>en</strong> ned<strong>en</strong>for.<br />
2.4 Andre metoder for kortsiktige<br />
prognoser<br />
Ov<strong>en</strong>for viste vi eksempel på Holt-Winters<br />
metode. Det finnes imidlertid flere<br />
andre metoder som er utviklet med h<strong>en</strong>blikk<br />
på kortsiktige prognoser. Av de<br />
mest anerkj<strong>en</strong>te og brukte kan nevnes<br />
Box-J<strong>en</strong>kins metode. En ann<strong>en</strong> metode<br />
som er kommet sterkt de siste år<strong>en</strong>e er<br />
Kalmanfilter-modeller, se [7]. Andre<br />
metoder finnes også, m<strong>en</strong> vi går ikke inn<br />
på disse her.<br />
Mars<br />
April<br />
52,652<br />
48,35<br />
17, 5<br />
21<br />
921<br />
1009<br />
2.5 Vurdering av d<strong>en</strong> underligg<strong>en</strong>de<br />
tr<strong>en</strong>d <strong>–</strong> glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnitt<br />
Mai 41,52 18,5 768<br />
At det kan være vanskelig å se/id<strong>en</strong>ti-<br />
Juni 51,369 20 1027 fisere hvordan utvikling<strong>en</strong> virkelig har<br />
Juli 17,504 23 403<br />
vært ved bare å betrakte et plott av data,<br />
kan figur 5 være et eksempel på. Der er<br />
August 70,267 22 1546 månedsdata for etterspørsel etter HA i<br />
September 54,675 21 1148<br />
Region Oslo for period<strong>en</strong> januar 1984 til<br />
desember 1990 plottet.<br />
Oktober 46,316 23 1065<br />
For å eliminere støy og sesongsvingninger<br />
November 61,306 21 1287 i data har vi i tillegg plottet et 12-måned-<br />
Desember 44,518 17,5 779<br />
ers glid<strong>en</strong>de gj<strong>en</strong>nomsnitt. Når støy og sesongsvingninger<br />
er eliminert, står vi til-<br />
Sum 1991 624,579 246,5 12822<br />
bake med tr<strong>en</strong>d<strong>en</strong> i data.<br />
Det glid<strong>en</strong>de 12 måneders gj<strong>en</strong>n-<br />
Hovedab0nnem<strong>en</strong>t (x 100)<br />
omsnittet er summ<strong>en</strong> av 12<br />
observasjoner, delt på 12. Når <strong>en</strong><br />
27<br />
ny observasjon bringes inn,<br />
22<br />
Månedlig etterspørsel<br />
12 mnd glid<strong>en</strong>de gj.snitt<br />
“kastes” d<strong>en</strong> eldste ut, slik at vi<br />
hele tid<strong>en</strong> operer med snittet av 12<br />
observasjoner.<br />
Vi ser av figur<strong>en</strong> at tr<strong>en</strong>d<strong>en</strong> over<br />
17<br />
d<strong>en</strong> siste period<strong>en</strong> har vært svakt<br />
negativ.<br />
12<br />
140<br />
Tabell 8 Prognose for etterspørsel etter HA, 1991<br />
7<br />
2<br />
Prognose for 1991<br />
Måned HA/ Virke- HA<br />
virkedag dager<br />
Januar 70,047 22 1541<br />
Februar 66,37 20 1327<br />
-3<br />
0 20<br />
40 60 80 100<br />
Figur 5 Månedlig netto etterspørsel etter HA og 12<br />
måneders glid<strong>en</strong>de gj<strong>en</strong>nomsnitt for Region Oslo<br />
Bortsett fra dette gir figur<strong>en</strong> et<br />
godt overblikk over utvikling<strong>en</strong> i<br />
dataperiod<strong>en</strong>: Først <strong>en</strong> relativt lang<br />
periode med svak negativ tr<strong>en</strong>d, så<br />
<strong>en</strong> periode med sterk negativ tr<strong>en</strong>d<br />
(som skyldes oppsigelsesopprydding<br />
i Region Oslo), som så snus til<br />
<strong>en</strong> periode med sterk positiv tr<strong>en</strong>d<br />
(oppsigelsesopprydding<strong>en</strong> er over,<br />
og vi returnerer til et mer “normalt”<br />
nivå). Til slutt får vi <strong>en</strong> periode<br />
som likner mer på d<strong>en</strong> første,<br />
m<strong>en</strong> tr<strong>en</strong>d<strong>en</strong> er nå mindre negativ<br />
<strong>en</strong>n i d<strong>en</strong> første.<br />
“Motstykket” til 12-måneders glid<strong>en</strong>de<br />
gj<strong>en</strong>nomsnitt er årsdata: Vi forsøker jo å<br />
se hvordan utvikling<strong>en</strong> (kontinuerlig) har<br />
vært over 12 måneder. Årstr<strong>en</strong>d<strong>en</strong><br />
estimerte vi i regresjonsmodell<strong>en</strong> i<br />
kapittel 2.1.<br />
Inn<strong>en</strong> et år kan tr<strong>en</strong>d<strong>en</strong> godt ha skiftet. Et<br />
eksempel på dette er 1989: D<strong>en</strong> negative<br />
tr<strong>en</strong>d i 1. halvår ble snudd til positiv for 2.<br />
halvår. Det er da naturlig å spørre om det<br />
er normalt med <strong>en</strong> svak utvikling i første<br />
halvår og <strong>en</strong> sterk utvikling i andre. På det<br />
tidspunkt prognos<strong>en</strong>e lages, er det derfor<br />
viktig å merke seg hva slags utvikling <strong>en</strong><br />
er inne i og hvor l<strong>en</strong>ge d<strong>en</strong>ne har vart.<br />
Dette er til støtte når <strong>en</strong> gjør antakelser om<br />
de komm<strong>en</strong>de perioder og vil dessut<strong>en</strong><br />
forklare noe av månedsmodell<strong>en</strong>es prognoseresultat<br />
mht hvor godt har modell<strong>en</strong><br />
fanget opp tr<strong>en</strong>dskiftet.<br />
2.6 Periodisert månedsandel<br />
Både på det tidspunkt som prognos<strong>en</strong>e<br />
utarbeides og i d<strong>en</strong> månedlige oppfølging<br />
gir “etterspørsel hittil i år, som periodisert<br />
pros<strong>en</strong>tvis andel av d<strong>en</strong> totale<br />
årsetterspørsel” <strong>en</strong> pekepinn på hva årsprognos<strong>en</strong><br />
kan bli. Eksempel: Vi har data<br />
for etterspørsel<strong>en</strong> de to første måned<strong>en</strong>e i<br />
året. Tidligere periodisering av januar og<br />
februar har vist at disse måned<strong>en</strong>e i<br />
gj<strong>en</strong>nomsnitt utgjør h<strong>en</strong>holdsvis 11,3 %<br />
og 10,4 % av d<strong>en</strong> totale etterspørsel<strong>en</strong><br />
over året. Til samm<strong>en</strong> utgjør disse<br />
måned<strong>en</strong>e 21,7 % av årsetterspørsel<strong>en</strong>.<br />
Det er da ikke vanskelig å finne hvor<br />
mye 100 % (etterspørsel<strong>en</strong> for hele året)<br />
vil være. Etter hvert som måned<strong>en</strong>e går,<br />
sier dette også hvor stor d<strong>en</strong> rester<strong>en</strong>de<br />
månedlige etterspørsel må være for at vi<br />
skal nå prognos<strong>en</strong>.<br />
2.7 Vurdering av samfunnsøkonomisk<br />
utvikling<br />
Konjunkturanalyser og prognoser for<br />
viktige samfunnsøkonomiske nøkkelvariabler<br />
som f eks privat konsum, realinvesteringer,<br />
boligbygging m fl følges<br />
opp, og modellframskrivning<strong>en</strong>e holdes<br />
opp mot disse. De viktigste kild<strong>en</strong>e er:<br />
Nasjonalbudsjettet (St. meld. nr 1), Langtidsprogrammet<br />
(St. meld. nr 4), P<strong>en</strong>ger<br />
og Kreditt (Norges Bank) og Økonomiske<br />
Analyser (SSB). I tillegg kommer<br />
prognoser/ konjunkturanalyser fra de<br />
største bank<strong>en</strong>e, Byggearealstatistikk,<br />
Foretaks-/konkursstatistikk, m m.<br />
Et problem med de aller fleste slike<br />
dokum<strong>en</strong>ter er at de analyserer og gir<br />
prognoser for hvordan landet totalt