Mô hình dự báo kinh tế: công cụ hỗ trợ ra quyết định trong doanh nghiệp
MỤC LỤC
Các thành phần của Hệ hỗ trợ ra quyết định Một Hệ hỗ trợ ra quyết định gồm có bốn thành phần chính
Phân hệ quản lý mô hình (Model Management) còn được gọi là hệ quản trị cơ sở mô hình (MBMS – Model Base Management System) là gói phần mềm gồm các thành phần về thống kê, tài chính, khoa học quản lý hay các phương pháp định lượng nhằm trang bị cho hệ thống năng lực phân tích; cũng có thể có các ngôn ngữ mô hình hóa. Hệ quản trị cơ sở dữ liệu: thường các HHTQĐ trang bị các hệ quản trị cơ sở dữ liệu tiêu chuẩn (thương mại) có khả năng hỗ trợ các tác vụ quản lý – duyệt xét các bản ghi dữ liệu, tạo lập và duy trì các quan hệ dữ liệu, tạo sinh báo cáo theo nhu cầu.
Phân loại Hệ hỗ trợ ra quyết định
Phiên bản đầu tiên được gọi là Hệ chỉ dành cho việc truy xuất dữ liệu (Retrieval-Only DSS), kho dữ liệu (DatawareHouse) là một cơ sở dữ liệu tập trung chứa thông tin từ nhiều nguồn đồng thời sẵn sang cung cấp thông tin cần thiết cho việc ra quyết định, OLAP có nhiều tính năng cao cấp vì cho phép phân tích dữ liệu nhiều chiều, ví dụ dữ liệu bán hang cần phải được phân tích theo nhiều chiều như theo vùng, theo sản phẩm, theo thời gian, theo người bán hàng. Trong một công ty, có thể có rất nhiều văn bản như chính sách, thủ tục, biên bản cuộc họp, thư tín… Internet cho phép truy xuất các kho tài liệu lớn như kho văn bản, hình ảnh, âm thanh….
Vai trò và ứng dụng của dự báo
- Dự báo thời tiết, một ứng dụng to lớn thiết thực với đời sống thường ngày, cung cấp cho chúng ta thông tin về thời tiết để lập kế hoạch thực hiện công việc giúp hạn chế được rủi ro, giúp chính quyền địa phương và người dân có kế hoạch phòng ngừa thiệt hại do thiên tai gây ra. - Dự báo tỷ lệ thành công, thất bại trong nông nghiệp trồng trọt, chăn nuôi dựa trên các yếu tố đầu vào như thời tiết, giá cây trồng, con giống, giá phân bón, kinh nghiệm .v.v để bà con nông dân có kế hoạch lựa chọn phương pháp phát triển sản xuất, giảm thiểu rủi ro, nâng cao đời sống cho bà con.
Các qui trình dự báo
• Trong nội bộ: lấy dữ liệu cụ thể từ doanh nghiệp nhập khẩu và sản xuất ô tô như tổng vốn, chi phí sản xuất, chi phí marketing, doanh số, lợi nhuận, khả năng phát triển khách hàng, v.v. • Bên ngoài: dữ liệu kiểm định ô tô của cơ quan đăng kiểm (chất lượng xe đang lưu hành và số lượng xe hết niên hạn sử dụng trong khoảng thời gian nhất định), dữ liệu từ Tổng cục thống kê (số dân ở độ tuổi trưởng thành, thu nhập bình quân đầu người/năm, v.v.) - Chuyển đổi dữ liệu phù hợp với mục đích dự báo nếu có đầy đủ cơ sở.
Các kĩ thuật dự báo
Dự báo định tính
Nhược điểm lớn nhất của phương pháp này là dựa vào ý kiến chủ quan của người ra quyết định dự báo và người trong ban điều hành có quyền lực chi phối ý kiến của những người khác. Nhà phân phối, những người trực tiếp tiếp xúc với khách hàng, họ hiểu rừ nhu cầu, thị hiếu của khỏch hàng, từ đú họ cú thể đưa ra dự đoỏn về số lượng từng loại ô tô có thể tiêu thụ trên khu vực họ phụ trách.
Dự báo định lượng
Số trung bình động (còn gọi là trung bình tr−ợt) là số trung bình cộng của một nhóm nhất định, các mức độ của dãy số đ−ợc đ−ợc tính bằng cách lần l−ợt loại dần các mức độ đầu, đồng thời thêm vào các mức độ tiếp theo, sao cho tổng số l−ợng các mức độ tham gia tính số trung bình không thay đổi. Thường sử dụng phương pháp tổng bình phương bé nhất để xác định tham số của hàm xu thế, mức độ chính xác của nó thể hiện ở chỗ tổng bình phương độ lệch giữa lý thuyết và thực tế của chuỗi thời gian là nhỏ nhất.
Dự báo bằng phương pháp chuyên gia
Tuỳ theo đặc điểm thu nhận và xử lý thong tin mà chọn những phương pháp trưng cầu cơ bản như: trưng cầu ý kiến theo nhóm và cá nhân; trưng cầu vắng mặt và có mặt và trưng cầu trực tiếp hay gián tiếp. Ví dụ: trong lĩnh vực quy hoạch phát triển công nghiệp ô tô Việt Nam…., dự báo thời gian nào giá xe ô tô của các hãng trên thế giới tăng cao và ảnh hưởng đến chính sách nhập khẩu ô tô của Việt Nam.
Nghiên cứu một số phương pháp định lượng
Phương pháp dự báo dựa trên mô hình hồi qui tuyến tính bội 1. Mô hình cơ bản
Phương pháp này thường được gọi là bình phương tối thiểu thông thường (OLS – Original Least Square), để phân biệt với những phương pháp bình phương tối thiểu khác. Tiêu chuẩn tối ưu được sử dụng bởi phương pháp bình phương tối thiểu là cực tiểu hóa hàm mục tiêu:. ESS là tổng các phần dư bình phương và phương pháp OLS cực tiểu tổng các phần dư bình phương. Chú ý rằng ESS là khoảng cách bình phương được đo lường từ đường hồi qui. Sử dụng khoảng cách đo lường này, có thể nói rằng phương pháp OLS là tìm đường thẳng gần nhất với dữ liệu trên đồ thị. Sau đó bình phương giá trị này và cộng tất cả các giá trị bình phương của toàn bộ mẫu quan sát. Tổng các phần dư bình phương của các trị quan sát do đó sẽ bằng ∑u)t2. Như vậy, TSS là tổng biến thiên của Y, có thể phân thành hai thành phần: (1) RSS, là thành phần giải thích được theo X; và (2) ESS, là thành phần không giải thích được. Giá trị R2 nhỏ nghĩa là có sự biến thiên ở Y không thẻ giải thích được bằng X. Ta cần phải thêm vào những biến khác có ảnh hưởng đến Y. Ngoài ý nghĩa là một tỷ lệ của tổng biến thiên của Y được giải thích qua mô hình, R2 còn có một ý nghĩa khác. Đó là thông số đo lường mối tương quan giữa giá trị quan sát Yt và giá trị dự báo Y)t( )rYtY)t. ) (2.15) Như vậy, bình phương hệ số tương quan giữa giá trị quan sát Yt và giá trị dự báo Y)t bằng phương trình hồi qui thì sẽ cho ra kết quả bằng với giá trị R2. Nếu một biến độc lập có giá trị hệ số hồi qui thật bằng không (nghĩa là biến này là thừa) được đưa vào mô hình, các giá trị ước lượng của tất cả các hệ số hồi qui khác vẫn sẽ không thiên lệch và nhất quán. Tuy nhiên phương sai của chúng sẽ cao hơn các giá trị khi không có biến không liên quan, và vì vậy các hệ số sẽ không hiệu quả. Vì các phương sai ước lượng của các hệ số hồi qui là không thiên lệch, các kiểu định quả thuyết vẫn có hiệu lực. Như vậy hậu quả của việc đưa vào mô hình một biến không liên quan là ít nghiêm trọng hơn so với trường hợp bỏ sót một biến quan trọng. Các tiêu chuẩn chung để chọn mô hình. Chúng ta đã chứng minh trước đây bằng cách tăng số biến trong một mô hình, tổng bình phương phần dư ∑u)t2 sẽ giảm và R2 sẽ tăng, nhưng đổi lại bậc tự do sẽ giảm.
Phương pháp dự báo chuỗi thời gian
Tuy nhiên, trong khoảng 2 thập niên gần đây, các phương pháp chuỗi thời gian đã được sử dụng khá rộng rãi trong kinh tế học, trong việc nghiên cứu sự biến đổi các thành phần trong sự phát triển đời sống xã hội, đặc biệt với các dự báo ngắn hạn, trong đó các mô hình chuỗi thời gian đã chứng tỏ là thích hợp hơn so với các mô hình kinh tế lượng. Ta xét trường hợp hàm tự tương quan r(s) là độc lập với t, thời đoạn mà các tương quan của phần dư hiện tại và quá khứ được đo, và chỉ phụ thuộc vào khoảng cách (s) giữa thời đoạn t và thời đoạn (t-s) để tính tương quan.
Kiểm tra chẩn đoán, bao gồm việc áp dụng các kiểm định khác nhau để xem mô hình ước lượng có thích hợp với dữ liệu một cách thoả đáng hay
Trong trường hợp này quá trình tạo ra chuỗi Yt được gọi là tự hồi qui tích hợp trung bình trượt, và mô hình đó là mô hình ARIMA, kí hiệu ARIMA (p, d, q). George Box và Gwilym Jenkins (1976) đã nghiên cứu mô hình ARIMA và tên của họ thường được dùng để gọi tên các quá trình ARIMA tổng quát, áp dụng vào việc phân tích và dự báo các chuỗi thời gian.
Dự báo, thực hiện việc dự báo theo mô hình đã chọn
Đánh giá các mô hình
Thông thường, tình trạng tài chính của toàn bộ quá trình hoạt động đều dựa vào độ chính xác của dự báo vì những thông tin này sẽ được sử dụng để tạo ra ngân sách tương quan và các quyết định mang tính chất hệ thống trong các lĩnh vực quản lý nhân sự, lợi tức, thị trường và quảng cáo, vốn tài chính, v.v…. Cả dự đoán giá trị tương lai dựa trên phân tích các yếu tố tin cậy ảnh hưởng đến giá trị tương lai, ví dụ như phương pháp giải thích, đến dự đoán dựa trên một phương pháp học suy luận của dữ liệu đã có trong quá khứ qua thời gian, ví dụ phương pháp ngoại suy.