Размещено на http://www.allbest.ru/

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

"МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ОТКРЫТЫЙ УНИВЕРСИТЕТ ИМЕНИ В.С. ЧЕРНОМЫРДИНА"

(Филиал МГОУ имени В.С. Черномырдина в г.Воскресенске)

Кафедра «Прикладной математики»

КУРСОВАЯ РАБОТА

Дисциплина: «Методы социально-экономического прогнозирования»

Тема: «Применение статистических методов при прогнозировании социально-экономических процессов на примере цен на сетевой газ в Российской Федерации»

Воскресенск, 2012-2013



Содержание

Введение

1.Теоретическая часть

2.Практическая часть

2.1 Прогнозирование с помощью трендовых моделей

2.2 Адаптивные методы прогнозирования

2.2.1 Линейная модель экспоненциального сглаживания

2.3 Прогнозирование с помощью модели ARIMA в системе Statistica

Выводы

Заключение

Список использованной литературы

Приложение



Введение

Благодаря высоким потребительским свойствам, низким издержкам добычи и транспортировки, широкой гамме применения во многих сферах человеческой деятельности, природный газ занимает особое место в топливно-энергетической и сырьевой базе. В этой связи наращивание его запасов и потребления идет высокими темпами. Газ применяется в народном хозяйстве в качестве топлива в промышленности и в быту, а также и как сырье для химической промышленности. Газ в больших количествах используется в качестве топлива в металлургической, стекольной, цементной, керамической, легкой и пищевой промышленности, полностью или частично заменяя такие виды топлива, как уголь, кокс, мазут, или является сырьем в химической промышленности.

Топливно-энергетический комплекс играет особую роль в хозяйстве любой страны, без его продукции невозможно функционирование экономики. Что касается цен на сетевой газ, то они неуклонно растут из года в год. Это и определяет актуальность темы курсовой работы.

Объектом исследования в данной курсовой работе являются цены на сетевой газ в Российской Федерации, предметом - его особенности и прогноз.

Целью курсовой работы является рассмотрение цен на сетевой газ в РФ, а так же рассмотрение различных статистических методов и моделей для их прогнозирования.

Для достижения цели были поставлены следующие задачи:

1). В теоретической части рассмотреть особенности добычи, переработки и использования природного газа.

2). В практической части спрогнозировать показатель объема экспорта на несколько временных периодов на основе использования статистических методов прогнозирования.

Информационной базой курсовой работы являются литературные источники, конспекты лекций и Интернет источники.



1. Теоретическая часть

Природный газ -- смесь газов, образовавшихся в недрах Земли при анаэробном разложении органических веществ. Природный газ относится к полезным ископаемым. В осадочной оболочке земной коры сосредоточены огромные залежи природного газа. Самые большие залежи природного газа находятся недалеко от города Новый Уренгой.

Считается, что природный газ образуется в осадочной оболочке при бомльших температурах и давлениях, чем даже нефть. С этим согласуется тот факт, что месторождения газа часто расположены глубже, чем месторождения нефти. Природный газ находится в земле на глубине от 1000 метров до нескольких километров. В недрах газ находится в микроскопических пустотах (порах). Поры соединены между собой микроскопическими каналами -- трещинами, по этим каналам газ поступает из пор с высоким давлением в поры с более низким давлением до тех пор, пока не окажется в скважине. Движение газа в пласте подчиняется определённым законам.

Газ добывают из недр земли с помощью скважин. Скважины стараются разместить равномерно по всей территории месторождения. Это делается для равномерного падения пластового давления в залежи. Иначе возможны перетоки газа между областями месторождения, а также преждевременное обводнение залежи.

Газ выходит из недр вследствие того, что в пласте находится под давлением, многократно превышающем атмосферное. Таким образом, движущей силой является разность давлений в пласте и системе сбора.

Газ, поступающий из скважин, необходимо подготовить к транспортировке конечному пользователю -- химический завод, котельная, ТЭЦ, городские газовые сети. Необходимость подготовки газа вызвана присутствием в нём, кроме целевых компонентов (целевыми для различных потребителей являются разные компоненты), также и примесей, вызывающих затруднения при транспортировке либо применении. Так, пары воды, содержащейся в газе, при определённых условиях могут образовывать гидраты или, конденсируясь, скапливаться в различных местах (например, изгиб трубопровода), мешая продвижению газа; сероводород вызывает сильную коррозию газового оборудования (трубы, ёмкости теплообменников и т. д.). Помимо подготовки самого газа, необходимо подготовить и трубопровод. Широкое применение здесь находят азотные установки, которые применяются для создания инертной среды в трубопроводе.

Газ подготавливают по различным схемам. Согласно одной из них, в непосредственной близости от месторождения сооружается установка комплексной подготовки газа (УКПГ), на которой производится очистка и осушка газа в абсорбционных колоннах. Такая схема реализована на Уренгойском месторождении.

Если газ содержит в большом количестве гелий либо сероводород, то газ обрабатывают на газоперерабатывающем заводе, где выделяют гелий и серу.

В экологическом отношении природный газ является самым чистым видом органического топлива. При его сгорании образуется значительно меньшее количество вредных веществ по сравнению с другими видами топлива.



2. Практическая часть

На сайте Федеральной службы государственной статистики были взяты статистические данные о средних потребительских ценах на сетевой газ за месяц с человека по Российской Федерации за 11 лет (таблица 1), которые далее будут использованы для анализа и прогнозирования.

Таблица 1

Год	Средняя цена (руб. коп.)
2001 год	6,89
2002 год	9,47
2003 год	12,34
2004 год	14,36
2005 год	18,36
2006 год	20,63
2007 год	24,3
2008 год	30,2
2009 год	37,50
2010 год	43,81
2011 год	48,32

Для этих данных построим график изменения цены (рис.1).

Рис.1

На рис.1 видно, что цены на сетевой газ монотонно повышаются год за годом, поэтому для построения прогнозов к выбранным данным будем применять трендовую модель, адаптивную модель, а именно линейную модель экспоненциально сглаживания и модель ARIMA.

Для дальнейшего анализа отбросим 2 последних года данного временного ряда (2010 и 2011 гг.) и проанализируем, какая статистическая модель прогнозирования лучше всего подстраивается под действительные данные, т.е.полученные прогнозные значения будут сравнены с исходными данными.

2.1 Прогнозирование с помощью трендовых моделей

По рис.1. видно, что для данного временного ряда лучше всего подходит линейная трендовая модель.

Рис.2

Для получения обобщающих сведений о динамике средних потребительских цен на сетевой газ определим следующие величины:

- средний абсолютный прирост;

- средний темп роста;

-средний темп прироста.

Таблица 2

Средние потребительские цены на сетевой газ за месяц с человека по Российской Федерации за 2001-2011гг.
Год	Цена (Y)	Абсолютный прирост	Темп роста, %	Темп прироста, %
		Цепной	Базисный	Цепной	Базисный	Цепной	Базисный
2001 год	6,89
2002 год	9,47	2,58	2,58	137,446	137,446	37,446	37,446
2003 год	12,34	2,87	5,45	130,306	179,100	30,306	79,100
2004 год	14,36	2,02	7,47	116,370	208,418	16,370	108,418
2005 год	18,36	4	11,47	127,855	266,473	27,855	166,473
2006 год	20,63	2,27	13,74	112,364	299,419	12,364	199,419
2007 год	24,3	3,67	17,41	117,790	352,685	17,790	252,685
2008 год	30,2	5,9	23,31	124,280	438,316	24,280	338,316
2009 год	37,50	6,84	30,15	122,649	537,591	22,649	437,591

Средний абсолютный прирост = 3,77, который говорит о том, что в среднем каждый год цены на сетевой газ повышались на 3,77 рублей.

Средний темп роста = 123,40, показывает, что в среднем ежегодно цена на сетевой газ составляла 123,40% от уровня предыдущего года.

Средний темп прироста = 23,40, показывает то, что в среднем за год цена на сетевой газ повышалась на 23,40%.

Рассчитаем прогнозное значение средней потребительской цены на сетевой газ за месяц с человека на 2010 и 2011 гг. с помощью среднего абсолютного прироста. прогнозирование экспорт модель трендовый

У^2010=37,50+1*3,77=40,81(руб.коп.)

Y^2011=37,50+2*3,77=51,35(руб.коп.)

Проверим данную модель на точность и адекватность. Расчетные данные представлены в таблице 3.

В таблице 3 так же приведены расчеты средних ошибок аппроксимации и стандартных ошибок модели и прогноза .

Таблица 3

t	yt	yt^	et	знак	et2	et3	et4	(et-et-1)2	А модели
2001 год	6,89	5,089	1,801	+	3,244	5,842	10,521		0,261
2002 год	9,47	8,639	0,831	-	0,691	0,574	0,477	0,941	0,088
2003 год	12,34	12,188	0,152	+	0,023	0,004	0,001	0,461	0,012
2004 год	14,36	15,738	-1,378	-	1,899	-2,617	3,606	2,341	-0,096
2005 год	18,36	19,288	-0,928	-	0,861	-0,799	0,742	0,203	-0,051
2006 год	20,63	22,837	-2,207	-	4,871	-10,750	23,725	1,636	-0,107
2007 год	24,3	26,387	-2,087	-	4,356	-9,090	18,971	0,014	-0,086
2008 год	30,2	29,937	0,263	+	0,069	0,018	0,005	5,523	0,009
2009 год	37,50	33,486	3,554	+	12,631	44,890	159,540	10,831	0,096
Сумма	173,6		0,001		28,645	28,072	217,588	21,950	0,126
Среднее	19,29				3,183	3,119	24,176		0,014
Отброшенные данные	Прогноз			Стандартная ошибка модели	1,892		А	1,400
2010 год	43,81	37,029	3,068		9,413				А прогноза
2011 год	48,32	40,578	3,431		11,772				0,070
Сумма	92,13				21,185				0,071
Среднее	46,07				Стандартная ошибка прогноза	4,603		Сумма	0,141
								Среднее	0,071
									7,100

1). Проверим независимость ряда остатков с помощью критерия серий. Расположим ряд остатков в порядке убывания и определим его медиану e_m (таблица 4).

Таблица 4

et	упор. et
1,80089	-2,20744444
0,83122	-2,08711111
0,15156	-1,37811111
-1,3781	-0,92777778	еm=
-0,9278	0,15155556	0,152
-2,2074	0,26322222
-2,0871	0,83122222
0,26322	1,80088889
3,55356	3,55355556

Сравним e_m и e_t:

Если e_t > e_m , то знак "+", если e_t < e_m , то знак "-".

н=5 - общее число серий

k_max=4 - протяженность самой длинной серии

3,3*(lg9+1)=	6,449
1/2*(9+1-1,96*v9-1)=	2,228
kmax=4	<	6,449
Общее число серий = 5	>	2,228

Неравенства выполняются =? ряд остатков признается случайным

2). Проверим нормальность закона распределения остатков. Для этого подсчитаем асимметрию и эксцесс.

АС= 3,119/3,183^(3/2)= 0,549

ЭК= (24,170/(3,183)^2)-3= -0,614

Ошибка АС= КОРЕНЬ((6*(9-2))/((9+1)*(9+3)))=0,592

Ошибка ЭК= КОРЕНЬ((9*24*(9-2)*(9-3))/((9+1)^2*(9+3)*(9+5)))=0,600

¦АС¦? 1,5* Ошибка АС

¦ЭК+6/10+1¦?1,5*Ошибка ЭК

0,549 < 0,888

0,014 > 0,900

Неравенства выполняются => остатки имеют нормальный закон распределения.

3). Проверим независимость ряда остатков с помощью критерия Дарбина - Уотсона.

DW=21,950/28,645=0,766

Воспользуемся таблицей критических точек Дарбина - Уотсона.

dн=0,82; dв=1,32

0<0,766<0,82 =>в остатках имеется положительная автокорреляция.

Последовательность остатков трендовой модели удовлетворяет всем свойствам случайной компоненты временного ряда, таким образом построенная модель является адекватной.

4). Проверим точность построенной модели. Для этого рассчитаем стандартную ошибку модели и аппроксимацию (см таблицу 3).

Стандартная ошибка трендовой модели = 1,892

Средняя ошибка аппроксимации = 1,400

Полученное значение средней ошибки аппроксимации говорит о достаточно высоком уровне точности построенной модели, так как в среднем расчетные по уравнению тренда значения результативного признака отличаются от фактических всего на 1,4%, что находится в допустимых пределах, не превышает 5 - 7 %.

Коэффициент детерминации построенного тренда R²=0,963 показывает, что выбранная модель тренда на 96,3% объясняет изменение величины Y во времени.

Все это говорит о том, что данная модель является достаточно точной.

5). Определим прогноз на 2 шага вперед при t=10 и t=11 на основе не адекватной и точной модели.

Прогноз осуществляется по линии тренда, а затем производится его корректировка с учетом стандартной ошибки уравнения регрессии и уровнем значимости б.

Точечные прогнозы получим, подставляя в уравнение модели значения t=10 и t=11:

У10=3,579*10+1,406=37,029 (руб.коп.)

У11=3,579*11+1,406=40,578 (руб.коп.)

?=0,95; б=1-?=1-0,95=0,05.

По таблице критических значений Стьюдента определим t-критерий:

t(0,05;9-2)=2,36;

д2010=2,339*2,36=5,520;

д2011=2,475*2,36=5,841;

у2010 ?(37,029-5,520;37,029+5,520);

y2011 ?(40,578-5,841;40,578+5,841).

Результаты расчетов представим в таблице 5:

Таблица 5

Время (t)	Точечный прогноз	Интервальный прогноз
		Нижняя граница	Верхняя граница
2010 год	37,029	31,51	42,55
2011 год	40,578	34,74	46,42

Так как модель, на основе которой осуществлялся прогноз, признана адекватной и точной, то с принятым уровнем значимости б=0,5, другими словами, с доверительной вероятностью, равной 0,95 (или 95%), можно утверждать, что при сохранении сложившихся закономерностей развития прогнозируемая величина попадет в интервал, образованный нижней и верхними границами.

Построим график средних потребительских цен на сетевой газ за месяц с человека по РФ, с учетом полученных прогнозных значений.

Рис.3

Прогнозные значения значительно отличаются от фактических. Разброс доверительного интервала прогноза слишком большой. Все это говорит о том, что модель является не точной, поскольку она не отражает динамику, сложившуюся в те годы.

2.2 Адаптивные методы прогнозирования

Адаптивные методы позволяют учесть различную информационную ценность уровней временного ряда, степень устаревания данных.

Оценивание коэффициентов адаптивной модели обычно осуществляется на основе рекуррентной формулы.

Главное достоинство адаптивных методов - построение самокорректирующихся моделей, способных учитывать результат прогноза, сделанного на предыдущем шаге. Модель постоянно впитывает новую информацию, приспосабливается к ней и поэтому отражает тенденцию развития, существующую в данный момент.

Недостаток модели состоит в том, что рассматриваемый временной ряд изолирован от других явлений, точность прогнозирования заметно падает при долгосрочном прогнозировании.

В основе адаптивных моделей прогнозирования лежит экспоненциальная средняя.

2.2.1 Линейная модель экспоненциального сглаживания

Рассмотрим для имеющихся исходных данных линейную модель экспоненциального сглаживания.

У=3,579*х+1,406

Начальные значения коэффициентов: а0=1,579; а1=1,406.

К имеющимся данным применим линейную модель экспоненциального сглаживания с уровнем значимости б=0,5; 0,7, 0,8 и 0,9 по следующим формулам:

1). Начальные значения экспоненциальных средних:

2). Экспоненциальная средняя:

3). Оценки коэффициентов:

5). Модель прогноза:

1). Уровень значимости б=0,5

Представим расчетные данные с уровнем значимости б=0,5 в таблице 6 и построим график (рис.4).

Таблица 6

t	y	S1	S2	a0	a1	y^	E	E^2	В модели
1	6,89	2,440	-1,560	6,440	4,000	5,088	1,802	3,247	0,262
2	9,47	5,955	2,198	9,712	3,757	10,440	-0,970	0,941	-0,102
3	12,34	9,148	5,673	12,623	3,475	13,469	-1,129	1,275	-0,091
4	14,36	11,754	8,714	14,794	3,040	16,098	-1,738	3,021	-0,121
5	18,36	15,057	11,886	18,228	3,171	17,834	0,526	0,277	0,029
6	20,63	17,844	14,865	20,823	2,979	21,399	-0,769	0,591	-0,037
7	24,3	21,072	17,969	24,175	3,103	23,802	0,498	0,248	0,020
8	30,2	25,636	21,803	29,469	3,833	27,278	2,922	8,538	0,097
9	37,50	31,338	26,571	36,105	4,767	33,302	3,738	13,973	0,101
							Сумма	32,111	0,158
								Среднее	0,018
						Ошибка модели	2,003	1,8
									В прогноза
10	43,81					40,872	2,938	8,632	0,067
11	48,32					45,639	2,681	7,188	0,055
							Сумма	15,820	0,122
								Среднее	0,061
						Ошибка прогноза	3,977	6,100

Рис.4

2). Уровень значимости б=0,7

Представим расчетные данные с уровнем значимости б=0,7 в таблице 7 и построим график (рис.5).

Таблица 7

t	y	S1	S2	a0	a1	y^	E	E^2	В модели
1	6,89	4,828	2,929	6,727	4,431	5,088	1,802	3,247	0,262
2	9,47	8,077	6,533	9,621	3,603	11,158	-1,688	2,849	-0,178
3	12,34	11,061	9,703	12,419	3,169	13,224	-0,884	0,781	-0,072
4	14,36	13,370	12,270	14,470	2,567	15,588	-1,228	1,508	-0,086
5	18,36	16,863	15,485	18,241	3,215	17,037	1,323	1,750	0,072
6	20,63	19,500	18,296	20,704	2,809	21,456	-0,826	0,682	-0,040
7	24,3	22,860	21,491	24,229	3,194	23,513	0,787	0,619	0,032
8	30,2	27,998	26,046	29,950	4,555	27,423	2,777	7,712	0,092
9	37,50	34,327	31,843	36,811	5,796	34,505	2,535	6,426	0,068
							Сумма	25,574	0,150
								Среднее	0,017
						Ошибка модели	1,788	1,7
									В прогноза
10	43,81					42,607	1,203	1,447	0,027
11	48,32					48,403	-0,083	0,007	-0,002
							Сумма	1,454	0,025
								Среднее	0,013
						Ошибка прогноза	1,206	1,300

Рис.5

3). Уровень значимости б=0,8

Представим расчетные данные с уровнем значимости б=0,8 в таблице 8 и построим график (рис.6).

Таблица 8

t	y	S1	S2	a0	a1	y^	E	E^2	В модели
1	6,89	5,642	4,467	6,817	4,700	5,088	1,802	3,247	0,262
2	9,47	8,704	7,857	9,551	3,388	11,517	-2,047	4,190	-0,216
3	12,34	11,613	10,862	12,364	3,004	12,939	-0,599	0,359	-0,049
4	14,36	13,811	13,221	14,401	2,360	15,368	-1,008	1,016	-0,070
5	18,36	17,450	16,604	18,296	3,384	16,761	1,599	2,557	0,087
6	20,63	19,994	19,316	20,672	2,712	21,680	-1,050	1,103	-0,051
7	24,3	23,439	22,614	24,264	3,300	23,384	0,916	0,839	0,038
8	30,2	28,848	27,601	30,095	4,988	27,564	2,636	6,948	0,087
9	37,50	35,402	33,842	36,962	6,240	35,083	1,957	3,830	0,053
							Сумма	24,089	0,141
								Среднее	0,016
						Ошибка модели	1,735	1,6
									В прогноза
10	43,81					43,202	0,608	0,370	0,014
11	48,32					49,442	-1,122	1,259	-0,023
							Сумма	1,629	-0,009
								Среднее	-0,005
						Ошибка прогноза	1,276	0,500

Рис. 6

4). Уровень значимости б=0,9

Представим расчетные данные с уровнем значимости б=0,9 в таблице 9 и построим график (рис.7).

Таблица 9

t	y	S1	S2	a0	a1	y^	E	E^2	В модели
1	6,89	6,315	5,759	6,871	5,004	5,088	1,802	3,247	0,262
2	9,47	9,155	8,815	9,495	3,060	11,875	-2,405	5,784	-0,254
3	12,34	12,022	11,701	12,343	2,889	12,555	-0,215	0,046	-0,017
4	14,36	14,126	13,884	14,368	2,178	15,232	-0,872	0,760	-0,061
5	18,36	17,937	17,532	18,342	3,645	16,546	1,814	3,291	0,099
6	20,63	20,361	20,078	20,644	2,547	21,987	-1,357	1,841	-0,066
7	24,3	23,906	23,523	24,289	3,447	23,191	1,109	1,230	0,046
8	30,2	29,571	28,966	30,176	5,445	27,736	2,464	6,071	0,082
9	37,50	36,293	35,560	37,026	6,597	35,621	1,419	2,014	0,038
							Сумма	24,284	0,129
								Среднее	0,014
						Ошибка модели	1,742	1,4
									В прогноза
10	43,81					43,623	0,187	0,035	0,004
11	48,32					50,220	-1,900	3,610	-0,039
							Сумма	3,645	-0,035
								Среднее	-0,018
						Ошибка прогноза	1,909	1,800

Рис. 7

2.3 Прогнозирование с помощью модели ARIMA в системе Statistica

Это общая модель, предложенная Боксом и Дженкинсом в 1976 году включает в себя, как параметры авторегрессии, так и параметры скользящего среднего.

Имеется три типа параметров модели: параметры авторегрессии (p), порядок разности (d), параметры скользящего среднего (q).

Модель АРПСС используется для описания временных рядов, обладающих следующими свойствами:

1. Ряд включает аддитивную, неслучайную составляющую f(t), имеющую вид алгебраического полинома yt=f(t)+Et.

2. Ряд, получившийся после применения к нему процедур последовательных разностей может быть описан моделью ARIMA(p,q).

Этапы построения модели:

· Диагностика, то есть проверка ряда на стационарность, анализ АКФ и ЧАКФ.

· Идентификация модели.

· Оценка параметров модели.

· Проверка качества модели.

· Построение точечного и интервального прогнозов на основе выбранной модели.

1). Визуализация ряда.

Рис.8

На графике видно, что ряд не является стационарным: цены на сетевой газ по РФ имею тенденцию к росту.

2). Удаление тренда.

Рис.9

Программа оценила параметры линейного тренда и вычла его из ряда. Формула тренда указана в заголовке графика: T=1,406+3,58*t

3). Оценка АКФ и ЧАКФ и их графики.

АКФ:

Рис.10

АКФ не имеет явной тенденции к затуханию.

Посмотрим значения коэффициентов автокорреляционной функции и их стандартные ошибки на рис.11.

Рис.11

ЧАКФ:

Рис.12

Посмотрим значения коэффициентов автокорреляционной функции и их стандартные ошибки на рис.11.

Рис.12

Вывод: На графиках АКФ и ЧАКФ видно, что АКФ не имеет тенденции к затуханию, а ЧАКФ не имеет выбросов. Все это дает основания установить, что ряд остатков, получаемый после исключения тренда, нельзя описать с помощью модели ARIMA.



Выводы

Чтобы подвести итоги нашей работы и определить какая из выбранных статистических моделей прогнозирования лучше всего подстраивается под действительные данные, сравним все полученные прогнозные значения с ранее отброшенными данными за 2010 и 2011 гг.

Напомним, что в 2010 году цены на сетевой газ за месяц с человека в РФ составили 43,81 руб., в 2011 году - 48,32 руб.

Для удобства и выбора наилучшей модели для прогнозирования сведем все результаты в одну таблицу.

Таблица 10. Обобщённые данные по построенным моделям

R	Прогноз	В модели	В прогноза	Стандартная ошибка модели	Стандартная ошибка прогноза
Трендовая модель:
0,963	2010 г.	37,029	1,400	7,100	1,892	4,603
	2011 г.	40,578
Адаптивные модели:
б=0,5
0,963	2010 г.	40,872	1,800	6,100	2,003	3,977
	2011 г.	45,639
б=0,7
0,963	2010 г.	42,607	1,700	1,300	1,788	1,206
	2011 г.	48,403
б=0,8
0,963	2010 г.	43,202	1,600	0,500	1,735	1,276
	2011 г.	49,442
б=0,9
0,963	2010 г.	43,623	1,400	1,800	1,742	1,909
	2011 г.	50,22

Как видно из таблицы лучше всего подстраивается под фактические данные адаптивные модели прогнозирования, а именно линейная модель экспоненциального сглаживания с уровнем значимости б=0,8.

Средние ошибки аппроксимации модели и прогноза достаточно малы, не превышают допустимой нормы и составляют соответственно В модели =1,6%, В прогноза = 0,5%.

Стандартные ошибки модели и прогноза так же малы:

S модели=1,735, S прогноза на 2010 и 2011 гг. = 1,276.

Полученные прогнозные значения с помощью линейной модели экспоненциального сглаживания на чуть-чуть отличаются от фактических. Прогноз на 2010 год практически точный - 43,202 руб., разница с фактическим составляет всего (-0,61)руб., а прогноз на 2011 год составил - 49,442 руб. разница - 1,12 руб.

На основе полученных данных можно сделать вывод о том, что для прогнозирования цен на сетевой газ в РФ наиболее точной является линейная модель экспоненциального сглаживания с уровнем значимости б=0,8.



Заключение

В настоящее время важное значение имеют прогнозы социально-экономического развития общества, обоснование основных направлений экономической политики, предвидение последствий принимаемых решений.

Итак, подводя итог курсовой работы, можно сделать вывод о том, что все поставленные в начале данной работы цели и задачи выполнены. А именно, в теоретической части рассмотрен сетевой газ, его добыча, переработка и использование, а в практической части - методы и модели, которые наиболее подходят для прогнозирования цен на сетевой газ в РФ, сделаны прогнозы с помощью трендовой и адаптивной моделей, а так же с помощью модели ARIMA.

На основе применения различных методов прогнозирования была выбрана модель, которая наиболее всех близка к фактическим данным, а именно линейная модель экспоненциального сглаживания с уровнем значимости б=0,8.



Список использованной литературы

1. http://www.gks.ru/ - федеральная служба государственной статистики

2. Конспекты лекций

3. Практикум по эконометрике: учеб. пособие/И. И. Елисеева, С. В. Курышева; Н. М. Гордеенко и др.; под ред. И. И. Елисеевой. - М.: Финансы и статистика, 2007.

4. Эконометрика: учебник/И. И. Елисеева, С. В. Курышева, Т. В. Костеева и др.; под ред. И. И. Елисеевой. - М.: Финансы и статистика, 2007.

5. Прогнозирование социально-экономических процессов. Статистические методы и модели: учеб. пособие/Т. А. Дуброва. - М.: Маркет ДС, 2007.

6. Социальное и экономическое прогнозирование. Романенко И.В. Издательство Михайлова В.А., 2000 г.-64с.

7. Рябушев Б.Т. Применение статистических методов в экономическом анализе и прогнозировании. - М.: Финансы и статистика, 2003. - 75 с.

8. Статистичнское моделирование и прогнозирование: под редакцией А.Г. Гранберга. - М.: Финансы и статистика, 2003, - 382 с.



Приложение

Размещено на Allbest.ru