Sunteți pe pagina 1din 64

PREVIZIUNE ECONOMICĂ

1. Introducere.............................................................................................................................................2
1.1. Previziunea şi planificarea .............................................................................................................2
1.2. Necesitatea previziunii şi planificării..............................................................................................3
1.3. Organizarea activităţii de previziune .............................................................................................4
1.4. Etapele fundamentale ale elaborării previziunilor..........................................................................5
1.5. Forme şi categorii de previziune....................................................................................................5
2. Metode bazate pe extrapolarea seriilor de timp.....................................................................................8
2.1. Metoda ultimei valori înregistate...................................................................................................8
2.2. Metoda mediei aritmetice simple ..................................................................................................9
2.3. Media mobilă de ordin k................................................................................................................9
2.4. Media mobilă exponenţială de ordin k..........................................................................................10
2.5. Metoda sporului mediu.................................................................................................................10
2.6. Metoda indicelui mediu .............................................................................................................10
2.7. Metoda clasică de descompunere (Metoda de descompunere sezonieră).....................................11
2.8. Nivelare exponenţială...................................................................................................................12
2.9. Funcţii de tendinţă.........................................................................................................................14
2.10. Modelele ARIMA (k,d,m) ........................................................................................................15
2.11. Prognoza structurii unor fenomene prin Lanţuri Markov...........................................................17
3. Metode econometrice ..........................................................................................................................20
3.1. Regresia simplă.............................................................................................................................20
3.2. Regresia multiplă..........................................................................................................................21
3.3. Regresia dinamică.........................................................................................................................21
3.4. Regresia nonliniară.......................................................................................................................22
3.5. Modele autoregresive multivariate/vectoriale (VAR)..................................................................22
3.6. Modele de corecţie........................................................................................................................23
4. Inteligenţă artificială ...........................................................................................................................23
4.1. Reţele neuronale............................................................................................................................24
4.1.1. Tipuri de reţele.......................................................................................................................24
4.1.2. Reţele neuronale artificiale cu propagare inainte a semnalului.............................................24
4.2. Sisteme hibride (Reţele neuronale şi Algoritmi genetici).............................................................27
5. Metode subiective................................................................................................................................29
5.1. Grupuri de interacţiune ................................................................................................................29
5.1.1. Metoda Brainstorming...........................................................................................................29
5.1.2. Metoda Delphi.......................................................................................................................29
5.2. Metoda scenariilor .......................................................................................................................31
5.3. Ancheta statistică privind opinia unor specialişti.........................................................................32
5.4. Interpretarea unor roluri în simularea situaţiilor conflictuale („Role Playing”)...........................33
5.5. Utilizarea burselor de pariuri (“Prediction Markets”) pentru previziuni la nivel de firmă..........34
6. Previziunea ciclurilor de afaceri - Indicatori de anticipare..................................................................35
6.1. Indici de dinamică şi indici de ciclicitate.....................................................................................35
6.2. Indicatori de anticipare a cilurilor economice..............................................................................39
7. Previziuni pe piaţa valorilor mobiliare.................................................................................................41
7.1. Elemente de analiză fundamentală................................................................................................42
7.2. Metode de analiză tehnică.............................................................................................................44
7.2.1. Benzile Bollinger...................................................................................................................45
7.2.2. Intersecţia mediilor mobile....................................................................................................47
7.2.3. Oscilatorul Stocastic..............................................................................................................48
8. Previziuni de marketing.......................................................................................................................49
8.1. Previziunea produselor noi introduse pe piaţă..............................................................................49
8.1.1. Modele pentru pieţe test ........................................................................................................49
8.1.2. Modele pentru pieţe pre-test.................................................................................................52
8.2. Anchete privind intenţiile consumatorilor ...................................................................................54
8.3. Previziuni privind cota de piaţă....................................................................................................56
8.4. Analiza preferinţeleor consumatorilor (“Conjoint Analysis”)......................................................57
9. Previzionarea situaţiei financiare la nivel de întreprindere.................................................................57
9.1. Previziunea cifrei de afaceri.........................................................................................................57
9.2. Previzionarea elementelor contului de rezultate...........................................................................58
9.3. Previziunea elementelor de activ.................................................................................................59
9.4. Previziunea elementelor de pasiv..................................................................................................60
9.5. Previziunea fluxului de numerar ..............................................................................................62
10. Indicatori ai erorilor de previziune.....................................................................................................63

1. Introducere
1.1. Previziunea şi planificarea

Aşa cum menţionează John Naisbitt, “omul supravieţuieşte numai prin capacitatea sa de a acţiona
în prezent, pe baza experienţei trecute, cu consecinţe în viitor. Asumându-şi viitorul, omul îşi face
prezentul suportabil şi trecutul semnificativ. Trecutul, prezentul şi alternativele viitoare sunt
întrepătrunse în anticipaţia şi previziunea acţiunilor viitoare.”
De regulă există o diferenţă temporală între producerea unui eveniment şi semnalele ce prevestesc
şi conduc către realizarea acelui eveniment. Acesta este principalul motiv care face ca previziunea şi
planificarea sa fie două activităţi viabile pentru studierea şi respectiv acţiunea asupra viitorului
(Prezentul este însărcinat cu viitorul, Voltaire)
Problema esenţială este definirea corectă a ceea ce înseamnă previziune respectiv planificare,
pentru a putea integra corect cele două concepte. Deoarece ambele concepte se preocupă direct de
viitor este foarte important ca aceste două funcţii să fie corect integrate în cadrul firmei.
Previziunea (prognoza) economică, deşi nu se poate da o definiţie precisă, datorită părerilor
diferite existente în rândul specialiştilor, reprezintă procesul prin care sunt anticipate evenimente şi prin
care este realizată estimarea evoluţiei viitoare a unor indicatori economici privind, în general,
fenomene care nu sunt direct controlate de entitatea implicată în procesul de previziune.
Planificarea este una din funcţiile de bază ale managementului şi reprezintă o activitate ce are în
vedere stabilirea modalităţilor concrete de realizare a unor obiective prestabilite.
Previziunea precede planificarea şi oferă informaţii necesare pentru realizarea acesteia.
Previziunea reprezintă un suport al procesului decizional în timp ce planificarea reprezintă mai mult un
rezultat sau o componentă a procesului decizional. O delimitare clară între previziune, planificare şi
decizie este, de cele mai multe ori, greu de trasat, între aceste procese existând o interdependenţă

2
strânsă. Previziunea se ocupă în general cu descrierea estimativă a mediului extern viitor al unei
entităţi, în timp ce planificarea se orientează asupra acţiunilor viitoare proprii unei entităţii în contextul
mediului în care aceasta acţionează. Prin urmare, este corect să spunem că o firmă previzionează
cererea pentru un anumit bun pe piaţă şi planifică producţia pe care urmează să o realizeaze în
contextul cererii respective. Nu este corect însă, să spunem că o firmă planifică evoluţia cursului
valutar pentru o anumită monedă sau că o firmă previzionează preţul pe care ea însăşi îl va aplica unui
anumit produs. Totodată nu este mai puţin adevărat că propriile acţiuni pot influenţa mediul extern. De
exemplu, acţiunile unei firme concurente fac obiectul previziunii, însă este foarte probabil ca aceste
acţiuni să fie influenţate de planificarea realizată în propria firmă, fie prematur, datorită unei scurgeri
de informaţii, fie odată ce planificarea realizată îşi face simţite efectele pe piaţă.

1.2. Necesitatea previziunii şi planificării

Ierarhia Planificarea la un Necesitatea Orizontul de


procesului anumit nivel decizional de a previziona previziune/planificare
decizional
Stabilirea Planificarea: Previziuni privind: Pe termen lung sau
obiectivelor - unor - schimbări la nivel foarte lung (mai mulţi
strategice investiţii/dezinvestiţii politic (integrarea unor ani)
- credite pe termen lung state în anumite uniuni
- fuziuni sau alianţe internaţionale, politica
- introducerea a noi fiscală, politica băncii
produse naţionale, politica
- găsirea unor produse de privind protecţia
substituţie mediului înconjurător
- pătrunderea pe noi spaţii etc.)
geografice etc. - ciclurile de afaceri
(recesiune etc.)
- puterea de cumpărare
a consumatorilor
(salariu mediu etc.)
- disponibilitatea forţei
de muncă
- cererea la nivel de
industrie
- noi preferinţe ale
consumatorilor
- evoluţia tehnologică
- descoperirea a noi
resurse de energie
- etc.
Stabilirea Planificarea: Previziuni privind: Termen mediu (câteva
obiectivelor - producţiei/vânzărilor - cererea pentru un luni sau trimestre, până
tactice - personalui (număr de ture etc.) anumit produs la un an)
- angajării de personal sezonier - cererea sezonieră

3
- elementelor mixului de - mixul de
marketing (preţ, distribuţie, marketing al
promovare, caracteristici ale concurenţilor
produselor) - cotele de piaţă
- cre - ratele dobânzii
ditelor pe termen mediu - cursului valutar
- impactul unor
evenimente asupra
vânzărilor
(sărbători,
festivaluri, acţiuni
promoţionale etc.)
- etc.
Stabilirea Planificarea: Previziuni privind Termen scurt (zile,
obiectivelor - logistică (aprovizionare, - impactul unor săptămâni)
operaţionale transport etc.) evenimente
- creditelor de trezorerie neprevăzute
- plăţii furnizorilor asupra
- încasării creanţelor etc vânzărilor sau
aprovizionării
- previziunea
cererii zilnice
(week-end, zile
lucrătoare)
- condiţii meteo
nefavorabile (cu
impact în special
asupra activităţii
de transport şi
turistice) etc.

1.3. Organizarea activităţii de previziune

Deosebim două situaţii esenţial diferite privind organizarea activităţii de previziune şi planifiare
în cadrul unei organizaţii:
1. În primul caz (mai rar întâlnit), cei ce efectuează previziunea vor fi şi cei care vor întocmi
planul, şi/ sau vor lua decizia. Acest caz se aplică de regulă în cazul firmelor de dimensiune mică şi
mijlocie. În acest caz organizarea activităţii de previziune şi planificare este mai puţin relevantă iar
personalul nu este specializat.
2. Cazul cel mai frecvent este cel în care cel ce efectuează previziunea şi întocmeşte planul
diferă de decident. Acest caz se aplică de regulă în cazul firmelor de dimensiune mare. În acest caz
previziunea şi planificarea sunt atribuţiile:
− tuturor departamentelor funcţionale, caz în care se impune o puternică colaborare între
departamente
− unui singur departament funcţional care centralizează datele de la restul
compartimentelor. În acest caz, activitatea de previziune şi planificare este riguros organizată şi
derulată de personal specializat.

4
− activitatea de previziune este externalizată şi lăsată în seama unei firme specializate în
activitatea de previziune şi planificare.

1.4. Etapele fundamentale ale elaborării previziunilor

Se pot delimita etapele care trebuie parcurse pentru elaborarea previziunilor, indiferent de
domeniul unde se realizează acestea. Enumerându-le, aceste etape sunt:
1) Stabilirea obiectului previziunii;
2) Fixarea perioadei de timp pentru care se elaborează previziunea (orizontul prognozei), precum
şi al gradului de detaliere al acesteia (global sau pe fiecare produs în parte).
3) Colectarea şi evaluarea fondului de date necesar elaborării previziunii
4) Alegerea metodei de previziune (realizată în general în funcţie de datele disponibile)
5) Elaborarea propriu-zisă a previziunilor
6) Alegerea modalităţii de prezentare a rezultatelor previziuni (alegerea din multitudinea de
alternative a variantei cele mai probabile; prezentarea rezultatelor sub forma unor scenarii - pesimist,
realist, optimist; sau prezentarea sub formă de interval de încredere etc.)
7) Evaluarea acurateţei metodei utilizate prin compararea valorilor prognozate cu datele reale
odată ce acestea devin disponibile (etapă foarte utilă în selectarea ulterioară a metodei celei mai
potrivite).

1.5. Forme şi categorii de previziune

În funcţie de lungimea orizontului de previziune, pot exista:


• previziuni pe termen foarte lung (poat fi pe 30 de ani sau chiar mai mult – vezi compania Shell)
• previziuni pe termen lung (de obicei între 3 şi 10 ani)
• previziuni pe temen mediu (cuantificat în luni sau trimestre dar poate să ajungă şi până la 1 sau
2 ani)
• previziuni pe termen scurt ( la nivel de zile sau săptămâni)
• previziuni pe termen foarte scurt ( 1 oră, 10 minute, 5 minute etc. – specifice tranzacţiilor
bursiere)
Trebuie precizat faptul că nu se pot stabilii bariere ferme în delimitarea lungimii unui orizont de
previziune acestea depinzând foarte mult de domeniul de activitate (ceea ce pentru o companie cu
producţie industrială reprezintă un termen scurt pentru un fond de investiţii financiare poate reprezenta
un termen lung)

În funcţie de gradul de agregare a rezultatelor, putem avea:


• previziuni sintetice (globale)
• previziuni analitice (detaliate)

În funcţie de natura informaţiilor utilizate în procesul previzional sunt utilizate metode:


• cantitative
o Extrapolarea seriilor de timp
o Metode econometrice
o Inteligenţa artificială (reţele neuronale şi algoritmi genetici)
5
o Analiza tehnică (specifică tranzacţiilor bursiere)
o Indicatori de anticiparea a ciclurilor economice
o etc.
• calitative (subiective/intuitive)
o Simulare prin roluri
o Grupuri de interacţiune (Brainstorming, Delphi etc.)
o Anchete statistice

În funcţie de aria lor de acoperire pe diverse domenii există:


• metode generale de previziune
o Extrapolarea seriilor de timp
o Metode econometrice
o Inteligenţa artificială (reţele neuronale şi algoritmi genetici)
o Simulare prin roluri
o Grupuri de interacţiune
o Anchete statistice

• metode speciale de previziune


o Analiza tehnică (specifică tranzacţiilor bursiere)
o Previziunea situaţiei financiare la nivel de întreprindere (bilanţ , cont de profit şi
pierdere, flux de numerar)
o Indicatori de anticiparea a ciclurilor economice (la nivel macroeconomic)
o Previziuni de marketing (intenţiile şi preferinţele consumatorilor, pieţe test etc.)
o etc.

6
SELECTIA UNEI
METODE GENERALE
DE PREVIZIUNE

NU (metode
calitative/subiective/intuitive) DA (metode cantitative)
Există
date
istorice?

Retele
neuronale

Există DA
situatii Există
conflictuale NU interactiune
? între
variabile?

NU Simulare
prin roluri
Metode de DA
extrapolare
a seriilor de Metode
DA timp
Există econometrice
interactiune
între subiecti?

NU
Anchete Grupuri de
statistice interacţiune

7
2. Metode bazate pe extrapolarea seriilor de timp
Metodele bazate pe extrapolarea seriilor de timp pornesc de la premiza că evoluţiile istorice se
vor păstra şi în viitor şi reprezintă practic o prelungire în viitor a tendinţelor şi fluctuaţiilor observate.
De obicei modelele care presupun o continuare a evoluţiei trecute se mai numesc şi modele “cu
memorie” sau procese “cu inerţie”. De obicei fenomenele economice prezintă o astfel de inerţie (ex.:
dacă o companie a avut mai mulţi ani la rând o cifra de afaceri de ordinul a câtorva zeci de milioane
nu ne aşteptăm ca în anul următor cifra de afaceri să fie de ordinul miliardelor, ci în schimb ne
aşteptăm la o cifră de afaceri apropiată de cea din perioada istorică).

2.1. Metoda ultimei valori înregistate

Metoda ultimei valori înregistate se poate utiliza pentru evoluţii de tip “mers la întâmplare”.
Datorită faptului că astfel de procese sunt rar întâlnite în practică precum şi datorită simplităţii ei
această metodă este folosită mai mult în procesul de testare şi selecţie. O metodă oarecare (mai
complexă) este comparată cu metoda ultimei valori înregistrate (considerată ca fiind cea mai simplă)
dacă prin metoda respectivă se obţin erori mai mici se justifică efortul de a folosi o metodă mai
complexă.
Proces de tip “mers la întâmplare” este un process în care valoarea la momentul t +1 este egală
cu valoarea la momentul t plus o eroare:

y t +1 = y t + et , et este o variabilă aleatoare normal distribuită de medie 0

Exemplu de proces de tip “mers la întâmplare”:

115
110
105
100
95
90
85
80
75
70
1 101 201 301 401 501 601 701 801 901

8
În cazul în care seria de valori urmează un astfel de proces Previziunea cea mai potrivită
realizată în momentul t pentru momentul t+1 este chiar valoarea din momentul t:

yˆ t +1 = yt

2.2. Metoda mediei aritmetice simple

Metoda mediei aritmetice simple este utilizată pentru serii de timp staţionare (orizontale). Serii
de acest tip se întâlnesc în general pe perioade scurte de timp şi pentru date înregistrate cu o frecvenţă
ridicată (ex.: date zilnice, săptămânale etc.). Pe perioade mai lungi de tip fenomenele economice îşi
pierd în general caracterul staţionar şi manifestă tendinţe de creştere, descreştere şi/sau fluctuaţii ciclice
(alternanţa creştere-descreştere).

Serie de timp staţionară:


14
13
12
11
10
9
8
7
6
5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

1 n
yˆ n +1 = ∑ yt
n t =1

Media aritmetică simplă este o metodă cu “memorie lungă” în sensul că ţine cont de întreaga
perioadă istorică disponibilă de unde se degajă şi avantajul său de stabilitate (rezultatele nu sunt
perturbate de fluctuaţii întâmplătoare şi temporare. Principalul său dezavantaj este capacitatea redusă
de a se adapta la eventuale modificări care pot să apară în evoluţia recentă a datelor.

2.3. Media mobilă de ordin k

Media mobilă de ordin k. Se aplică tot pentru serii de timp staţionare la fel ca şi media simplă.
Previziunea pentru perioada următoare, n + 1, este media ultimelor k valori înregistrate.

1
∑t =n−k +1 y t
n
yˆ n +1 =
k

Media mobilă este un proces cu “memorie scurtă”, principalul avantaj al metodei fiind
capacitatea ridicată de adaptare la condiţiile cele mai recente.

9
2.4. Media mobilă exponenţială de ordin k

Media mobilă exponenţială de ordin k este o metodă foarte asemănătoare mediei mobile (are
aceleaşi avantaje principale şi se aplică în aceleaşi condiţii), cu diferenţa că ponderile valorilor cuprinse
în medie nu sunt egale, acestea descresc odată ce valorile devin mai îndepărtate în timp.

k −n +t
yˆ n +1 = ∑t =n −k +1
n
yt

k
j =1
j

Medie mobilă de ordin 4:


1 1 1 1
yˆ t +1 = y t + y t −1 + y t −2 + y t −3
4 4 4 4

Medie mobilă exponenţială de ordin 4:


4 3 2 1
yˆ t +1 = yt + y t −1 + y t −2 + y t −3
10 10 10 10

Avantajul unei medii mobile exponenţiale este acordarea unei importanţe (ponderi) mai mari
valorilor celor mai recente.

2.5. Metoda sporului mediu

Metoda sporului mediu se foloseşte pentru a previziona evoluţii non-staţionare cu tendinţă


aproximativ liniară. Această metodă poate fi văzută ca o aplicaţie a metodei mediei aritmetice simple
însă nu pe valorile iniţiale (care nu sunt staţionare) ci pe diferenţele de ordinul întâi (sporurile). În cazul
tendinţelor aproximativ liniare diferenţele de ordinul întâi sunt staţionare şi deci putem aplica oricare
din metodele specifice seriilor staţionare. Previziunea finală este realiztă prin adunarea sporului mediu
la ultima valoare înregistrată:

∑ (y − y t −1 )
n
yˆ n +p = y n + pS unde S = t =2 t
reprezintă sporul mediu de creştere iar p este
n −1
orizontul de previziune.

2.6. Metoda indicelui mediu

Metoda indicelui mediu se foloseşte pentru a previziona evoluţii non-staţionare cu tendinţă


aproximativ exponenţială. O serie de timp exponenţială poate deveni staţionară prin calcularea seriei
indicilor de dinamică.
Serie de timp exponenţială:

10
160

140

120

100

80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27

Seria indicilor de dinamică:


1,6

1,4

1,2

0,8

0,6

0,4
1 3 5 7 9 11 13 15 17 19 21 23 25 27

Previziunea propriuzisă este realizată prin înmulţirea ultimei valori cu valoarea indicelui mediu.

yˆ n+p = yn ×( I ) p

Unde
yt
I = n −1 ∏t =2
n
reprezintă indicele mediu de dinamică calculat cu ajutorul mediei
y t −1
geometrice.

2.7. Metoda clasică de descompunere (Metoda de descompunere sezonieră)

Metoda clasică de descompunere (Metoda de descompunere sezonieră) se foloseşte atunci când


pe lângă tendinţa generală a fenomenului urmărit se manifestă fluctuaţii cu periodicitate fixă (lunară,
trimestrială etc.).

a. Modelul aditiv yt = Tt + St + Et

Se foloseşte atunci când între fluctuaţia periodică (sezoniră) şi trend nu există relaţie de
proporţionalitate

11
b. Modelul multiplicativ yt = TtSt Et
Se foloseşte atunci când între fluctuaţia periodică (sezoniră) şi trend există o relaţie de
proporţionalitate.

25
sezonalitate aditiva
20 sezonalitate multiplicativa

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Etapele realizării unei previziuni prin metoda clasică de descompunere:

i. Se calculează o medie mobilă de ordin k. În general se utilizează: ordinul 4


pentru date trimestriale, ordinul 12 pentru date lunare, 5 sau 7 pentru date zilnice
etc. Dacă ordinul este par se aplică apoi o medie mobilă de ordin 2 pentru
centrarea mediei mobile. Această medie are rolul de a nivela fluctuaţiile
sezoniere, reprezentând o estimare provizorie a componentei de trend.
ii. Se face diferenţa/raportul dintre valorile observate şi valorile obţinute prin media
mobilă centrată
iii. Se calculează componenta sezonieră, St , ca o medie aritmetică/geometrică a
valorilor obţinute în etapa anterioară pentru fiecare unitate de timp care
formează ciclul sezonier (dacă datele sunt lunare este calculată o medie pentru
fiecare lună)
iv. Prin diferenţa/raportul dintre valorile observate şi componenta sezonieră se
obţine seria de timp desezonalizată.
v. Se estimează componenta de trend, Tt , printr-o metodă specifică acestei
componente (funcţii de tendinţă, spor mediu, etc.)
vi. Prin diferenţa/raportul dintre datele iniţiale observate şi suma/produsul
componentelor de sezonalitate şi trend se obţine componenta aleatoare, Et
vii. Se extrapolează componenta de trend şi cea sezonieră pe perioada aferentă
orizontului de previziune
viii. Se recompun valorile previzionate prin adunare/înmulţire.

2.8. Nivelare exponenţială

Nivelare exponenţială este o metodă care poate fi adaptată cu succes unor situaţii diverse.

a. Nivelarea exponenţială simplă (NES). Conform acestei metode valoarea previzionată se


calculează printr-o ecuaţie recursivă care ajustează previziunea realizată anterior cu eroarea de
previziune:

12
yˆ t +1 = yˆ t + α ( y t − yˆ t )

Ecuaţia anterioară este echivalentă cu ecuaţia:

yˆ t +1 = αy t + (1 − α ) yˆ t unde α este parametrul de nivelare pozitiv şi subunitar.


Altfel spus, valoarea previzionată se calculează ca o medie ponderată între ultima valoare reală
înregistrată şi previziunea care a fost realizată pentru perioada anterioară. Această ultimă variantă este
cel mai frecvent utilizată în realizarea calculelor.

Dacă dezvoltăm ultima formulă vom găsi explicaţia pentru denumirea metodei.

yˆ t +1 = αy t + α (1 − α ) y t −1 + α (1 − α ) 2 y t −2 + .... + α (1 − α ) t −1 y1

Se observă că previziunea pentru perioada t+1 este de fapt o medie ponderată a valorilor
observate până în acel moment iar ponderile descresc exponenţial pe măsură ce valorile observate
devin din ce în ce mai îndepărtate.

Alte tipuri de nivelare exponenţială sunt: NE dublă, NE adaptivă, metoda liniară a lui Holt,
metoda pentru trend şi sezonalitate Holt-Winter etc.

b. Metoda liniarizată a lui Holt

Metoda liniară se foloseşte în situaţia în care seria de date prezintă un trend liniar (crescător sau
descrescător). Prin această metodă se realizează o nivelare atât pentru nivelul înregistrat la un moment
dat cât şi pentru sporurile de creştere. Cele două componente sunt apoi agregate.

Formulele de calcul sunt:


Componenta de nivel (trendul estimat): Lt = αy t + (1 −α)( Lt −1 + bt −1 )
Sporul de creştere: bt = β ( Lt − Lt −1 ) + (1 − β )bt −1
Valoarea previzionată: yˆ t + p = Lt + bt p

c. Nivelare exponenţială cu sezonalitate şi trend (modelul Holt-Winters)

i) Modelul pentru sezonalitate multiplicativă

Acest model se aplică în cazul unor evoluţii care prezintă trend liniar şi sezonalitate multiplicativă adică,
o componentă sezonieră care se amplifică (diminuează) proporţional cu evoluţia trendului.
yt
Componenta de nivel (trendul estimat): Lt = α + (1 − α )( Lt −1 + bt −1 )
S t −s
Sporul de creştere: bt = β ( Lt − Lt −1 ) + (1 − β )bt −1
yt
Componenta sezonieră: S t = γ + (1 − γ ) S t −s
Lt
Valoarea previzionată: yˆ t + p = ( Lt + bt p ) S t −s + p

ii) Modelul pentru sezonalitate aditivă

13
Spre deosebire de modelul multiplicativ în acest caz componenta sezonieră se calculează prin
diferenţă şi se adună la componenta de nivel. Se aplică deci pentru seriile a căror componentă sezonieră
nu este proporţională faţă de nivelul de bază. Formulele de calcul sunt:

Componenta de nivel (trendul estimat): Lt = α( y t − S t −s ) + (1 −α)( Lt −1 + bt −1 )


Sporul: bt = β ( Lt − Lt −1 ) + (1 − β )bt −1
Componenta sezonieră: S t = γ ( y t − Lt ) + (1 − γ ) S t −s
Valoarea previzionată: yˆ t +p = Lt + bt p + S t −s +p

Mărimi economice care să prezinte în evoluţia lor o sezonalitate aditivă sunt mai puţin întâlnite
în realitatea economică. Din acest motiv modelul pentru sezonalitate aditivă este mai puţin folosit.

2.9. Funcţii de tendinţă

Funcţii de tendinţă:

c. Funcţia de tendinţă liniară, aşa cum îi spune şi denumirea, se utilizează în cazul


tendinţelor de tip liniar, la fel ca şi metoda sporului mediu.

Funcţia de tendinţă liniară are următorea formă:


yˆ t = a + bt

Se presupune că procesul , y t , care urmează a fi previzionat este de forma:


y t = yˆ t + et
y t = a + bt + et

unde:
t - este variabila timp
b - este panta dreptei de tendinţă (aproximează sporul mediu de creştere)
et - este o variabilă aleatoare normal distribuită de medie 0.

Dacă ultima perioadă pentru care există date este n (t = n) previziunea pentru perioada n
+ p va fi:

yˆ n + p = a + b( n + p )

Intervalul de previziune:

Limita inferioară: yˆ n + p = yˆ n + p − ∆y
inf

Limita superioară: yˆ n + p = yˆ n + p + ∆y
sup

∑ (y − yˆ t )
n
1 (n + p − t )
2 2
t
∆y = t s t =1
1+ + n
n ∑ (t − t ) 2
q/2
n−2
t =1

14
q =1 − P

Unde:
t – variabila timp
t − mijlocul perioadei de timp istorice
n +1
t =
2

n – numărul de observaţii istorice


p – perioadă aferentă orizontului de previziune
q - nivel de semnificaţie (de obicei 0,05)
P – coeficientul de încredere (probabilitatea cu care garantam ca valoarea reală
să se afle în intervalul prognozat)
tαs / 2 - valoarea statisticii t cu distribuţie Student aferentă unui nivel de
semnificaţie α /2

Pentru uşurarea calculelor se poate ţine cont de relaţia:

(∑t =1 t ) 2
n

∑ (t − t ) = ∑t =1 t +
n 2 n 2
t =1
n

d. Funcţia de tendinţă exponenţială

ŷ = abt
t

b – parametru care aproximează indicele mediu de creştere

e. Logistică se foloseşte atunci când fenomenul studiat creşte cu un spor din ce în ce mai
mic şi se apropie de o limită superioară (prag de saturaţie)

c
1. yˆ t =
(1 + ae −bt )

2. ŷ t = c - ae- b t
c – limita superioară a funcţiei şi aproximează pragul de saturaţie al vânzărilor

f. Logaritmică se foloseşte atunci când fenomenul studiat creşte cu un spor aflat în


scădere fără să existe însă o limită superioară (prag de saturaţie)

ŷ = a + b*ln(t)
t

2.10. Modelele ARIMA (k,d,m)

15
Modelele ARIMA (k,d,m) reprezintă o clasă mai largă de modele care pot fi utilizate cu succes
într-o varietate de situaţii. Aceste modele au fost dezvoltate de George Box şi Gwilym Jenkins în anii
1970 fiind cunoscute şi sub denumirea de Metodologia Box-Jenkins.

a. Autoregresia de ordin k, AR(k) sau ARIMA (k,0,0), este o variantă redusă, adaptată pentru
serii de timp staţionare:

Modelul are forma:


y t +1 = a + β1 y t + β2 y t −1  + βk y t −k +1 + et , unde 0 < β < 1

Previziunea pentru momenrul t + 1:

yˆ t +1 = a + β0 y t + β1 y t −1  + β p y t −k

k reprezintă numărul de valori anterioare înregistrate cuprinse în model (acelaşi rol ca şi k de


la media mobilă). Pentru k = 1 , se obţine un model de previziune AR (1) : Yˆt = a + β0Yt + et
Diferenţa faţă de media mobilă şi nivelarea exponenţială este că nu se face apriori nici o
supoziţie privind coeficienţii (ponderile) β . Coeficienţii nu sunt consideraţi egali şi nici descrescători
în timp, în schimb aceştia sunt estimaţi pe baza datelor istorice astfel încât eroarea de estimare să fie
minimă. Ceea ce se fixează anterior est doar numărul de parametrii k. Ordinul k se fixează pe baza unor
teste anterioare dintre care cel mai cunoscut este corelograma.
b. Modelul ARMA (k, m) sau ARIMA (k,0,m) se poate aplica atunci când există dependenţă
nu numai de valorile anterioare ci şi faţă de un număr q de erori anterior înregistrate. Valoarea
previzionată se poate determina astfel:

yˆ t +1 = a + β1 y t + β2 y t −1  + βk y t −k +1 + γ1et + γ 2 et −1 + .. + γ m et −m +1

c. Modelul extins ARIMA (k,d,m) este un model ARMA(k,m) adaptat pentru serii de timp
non staţionare (cu trend). Dacă o serie prezintă un trend aproximativ liniar, prin calcularea diferenţelor
de ordinul întâi (calcularea sporurilor) se obţine o serie staţionară. Odată seria de timp staţionarizată
se poate aplica un model ARMA(k,m). Un model care presupune mai întâi calcularea diferenţelor de
ordinul întâi (d=1) şi apoi aplicarea unui model ARMA(k,m) este un model ARIMA (k,1,m).
Previziunea pentru momentul t + 1 va arăta astfel:

∆yˆ t +1 = a + β1 ∆y t + β2 ∆y t −1  + βk ∆y t −k +1 + γ1εt + .. + γ t −m εt −m +1

∆y t = y t − y t −1 - diferenţe de ordinul 1

O serie exponenţială va deveni staţionară după calcularea diferenţelor de ordinul 2:

∆y t2 = ∆y t − ∆y t −1

Un model care implică diferenţe de ordinul 2 va fi notat: ARIMA (k,2,m). Cea mai frecvent
utilizată este însă prima diferenţă d=1.

16
d. Modele ARIMA pentru sezonalitate şi trend, SARIMA (k,d,m) (K,D,M)s

2.11. Prognoza structurii unor fenomene prin Lanţuri Markov

Marelui matematician rus Andrei Markov îi sunt datorate procesele care îi poartă numele şi
care au deschis calea spre numeroase aplicaţii ale teoriei probabilităţilor şi în special a proceselor
aleatoare. Proprietatea Markov care este aparent restrictivă, stipulând că probabilitatea unui eveniment
prezent depinde numai de trecutul cel mai recent, permite ca în memoria recentă să fie înglobată
întrega evoluţie istorică.

Elementele structurale pot fi reprezentate printr-un vector S t = s t ,... s t ,... s t , care pentru
' 1 i m
[ ]
i
fiecare t =1, n şi pentru fiecare i =1, m , s variază între 0 şi 1, iar suma elementelor structurale este
t

1, pentru orice t.

Etape:

i. Se vor calcula diferenţele de ordinul întâi ale vectorului S t astfel: ∆S t / t −1 = S t − S t −1 .


Elementele structurale ale fiecărui vector diferenţă ∆S t / t −1 au proprietatea că suma valorilor pozitive
este egală cu suma absolută a valorilor negative.

ii. În etapa a doua, matricile de trecere parţiale sunt construite pentru fiecare pereche de
perioade consecutive de timp, t/t-1. Matricele de trecere sunt matrice pătratice de forma
MTP t / t −1 ( m × m ) , unde elementele de pe diagonala principală sunt date de relaţia:
( )
mtp tii/ t −1 = min sti−1 , sti , i =1, m . Celelalte elemente, care nu se află pe diagonala principală, sunt
∆ stj/ t −1
obţinute prin relaţia: m tp ij
t / t −1 = ∆s i
t / t −1 × , unde ∆s ti / t +1 este negativă, iar ∆s tj/ t −1 este

m
i =1
+ t / t −1


m
pozitivă. În această formulă
i =1
+ t / t −1 este suma valorilor pozitive ale vectorului diferenţă

∆S t / t −1 . Sintetic, elementele matricii MTP t / t −1 ( m × m ) pot fi determinate astfel:

 m i( sni , s j ) , i f i = j
 t− 1 t
 i ∆ stj/ t− 1
m tt /pt− 1 =  ∆ st / t − 1 × m
ij
, d aăci ≠ j ş i∆ sti / t − 1 < 0 ş i∆ stj/ t− 1 > 0
 ∑ i= 2 + t / t− 1

 0, p e n tcr eu l e l ae l et em e n t e
i , j =1, m

iii. Matricea de trecere totală MTT ( m × m ) se determină prin însumarea elementelor


matricilor parţiale de trecere:

17
mtt ij = ∑t =2 mtp tij/ t −1
m

iv. Matricea probabilităţilor de trecere MP ( m ×m ) se calculează prin raportarea fiecărui


element al matricii de trecere totală la suma liniei pe care se află respectivul element:

mtt ij
mp ij =

m
j =2
mtt ij

v. În ultima etapă a algoritmului se obţine prognoza elementelor structurale pentru p perioade


viitoare prin multiplicarea transpusei matricii MP ( m ×m ) , ridicată la puterea k, cu vectorul
elementelor structurale pentru ultima perioadă: Sˆ n + p = ( MP ' ) p × S n .

Exemplu:

Se dă evoluţia istorică a structurii pieţei de telefonie mobilă:

S1998 S1999
Cote de piata (% nr. utilizatori) 1998 1999 2000 2001 2002 2003
Conex (C ) 51.0 50.2 48.4 49.4 51.8 49.8
Orange (O) 47.5 45.8 45.2 40.3 43.7 47.3
Zapp (Z) 0.0 0.4 0.4 1.4 1.7 2.9
Suntel (S) 1.5 1.4 0.9 0.0 0.0 0.0
Cosmorom (M) 0.0 2.2 5.1 8.9 2.8 0.0
Total 100.0 100.0 100.0 100.0 100.0 100.0

i. Abateri: ∆S1999 / 1998 = S1999 − S1998

(C ) (O) (Z) (S) (M) suma


1999 50.2 45.8 0.4 1.4 2.2 100
1998 51 47.5 0 1.5 0 100
Abateri -0.8 -1.7 0.4 -0.1 2.2 0
Abateri + 0 0 0.4 0 2.2 2.6
Ponderi 0 0 0.153846 0 0.846154 1

(se continuă cu fiecare pereche de ani consecutivi)

ii. TR 1999 / 1998 ( m × m )

Matricea de trecere de la 1998 la 1999


(C ) (O) (Z) (S) (M)
(C ) 50.2 0 0.123077 0 0.676923
(O) 0 45.8 0.261538 0 1.438462
(Z) 0 0 0 0 0
(S) 0 0 0.015385 1.4 0.084615
(M) 0 0 0 0 0

TR 2000 / 1999 ( m × m )
(...)
18
iii. mtt = ∑t =2 trt / t −1
ij 6ij

(C ) (O) (Z) (S) (M) TOTAL


(C ) 246.1684 2.015211 0.139497 0 2.476923 250.8
(O) 0.844828 215.25 1.106366 0 5.248806 222.45
(Z) 0 0 3.9 0 0 3.9
(S) 0.155172 0 0.170557 2.3 1.174271 3.8
(M) 2.419835 5.012652 0.315801 0 11.25171 19

iv. MP ( m ×m )

Matricea probabilitatilor de trecere


(C ) (O) (Z) (S) (M) TOTAL
(C ) 98.15% 0.80% 0.06% 0.00% 0.99% 100.00%
(O) 0.38% 96.76% 0.50% 0.00% 2.36% 100.00%
(Z) 0.00% 0.00% 100.00% 0.00% 0.00% 100.00%
(S) 4.08% 0.00% 4.49% 60.53% 30.90% 100.00%
(M) 12.74% 26.38% 1.66% 0.00% 59.22% 100.00%

v. Sˆ 2004 = ( MP ' )1 × S 2003

Maricea MP transpusă
49.0291 0.981533 0.003798 0 0.040835 0.12736 49.76837
46.21711 0.008035 0.967633 0 0 0.263824 47.34977
3.145036 = 0.000556 0.004974 1 0.044883 0.016621 x 2.881858
0 0 0 0 0.605263 0 0
1.608756 0.009876 0.023595 0 0.309019 0.592195 0

Programe de previziune care se bazează pe metode de extrapolare a seriilor de timp:


• AUTOBOX, Automatic Forecasting Systems
• ForecastPro, Business Forecast Systems, Inc.
• PeerForecaster, Delphus, Inc.
• CrystalBall, Decisioneering, Inc.
• ForecastX Wizard, John Galt Solutions
• RoadMap Global Planning System, RoadMap Technlogies
• SAS Forecast Server, SAS
• Smart Forecasts, Smart Software
• SPSS, SPSS Inc.
• Vanguard Studio, Vanguard Software Corporation

19
3. Metode econometrice
Metodele econometrice presupun estimarea cantitativă a relaţiilor de cauzalitate între variabile
economice. Odată ce această relaţie este estimată se poate realiza previziunea unei variabile, numită
variabilă dependentă, în funcţie de variabilele care o determină, numite variabile independente. Pentru
prima dată un model econometric a fost utilizat în prognoză de Charles Sarle (1925) pentru a
previziona preţul unor produse agroalimentare. De atunci şi până în prezent aceste metode au cunoscut
o vastă expansiune.

3.1. Regresia simplă

Regresia simplă este o metodă cu o istorie considerabilă fiind aplicată, în primele ei forme încă
din 1877 de Francis Galton.

Se presupune că între două variabile exită o relaţie aproximativ de forma:

y t = a + bx t + et

y – variabilă dependentă care se doreşte a fi previzioată


x – variabilă independentă (variabilă cauzală, factor de influneţă)
a – arată un nivel de bază al variabilei dependente care nu depinde de variabila
independentă (dacă variabila dependentă reprezintă volumul vânzărilor iar variabila
independentă reprezintă cheltuielile de publicitate atunci “a” arată care este volumul
vânzărilor dacă de publicitatea este inexistentă)
b – în acest caz parametrul b are semnificaţia de spor marginal (modificarea variabilei
dependente y la modificarea cu o unitate a variabilei independente x). Semnul
parametrului arată sensul legăturii: directă (o creştere a variabilei independente duce la o
creştere a variabilei dependente) dacă semnul este pozitiv şi inversă (o creştere a
variabilei independente duce la o scădere a variabilei dependente) dacă semnul este
negativ.

Dacă perioada curentă este n (t = n) previziunea pentru perioada n + p va fi:

yˆ n +p = a +bxˆ n +p

Intervalul de previziune:

Limita inferioară: yˆ n + p = yˆ n + p − ∆y
inf

Limita superioară: yˆ n + p = yˆ n + p + ∆y
sup

∆y = t s ∑ (y
n
t =1 t − yˆ t )
2
1 (
1+ + n
xˆ n + p − x )
2

n ∑ ( xt − x ) 2
q/2
n−2
t =1

n – numărul de observaţii istorice

20
x - variabila independentă medie aferentă perioadei istorice
p – perioadă aferentă orizontului de previziune
q - nivel de semnificaţie (de obicei 0,05)
P – coeficientul de încredere (probabilitatea cu care garantam ca valoarea reală să se afle
în intervalul prognozat)
tαs / 2 - valoarea statisticii t cu distribuţie Student aferentă unui nivel de semnificaţie α /2

3.2. Regresia multiplă

Regresia multiplă:

yt = a + b1 x1 t + b2 x2t + ..+ bk xk t + et
Parametrii a, bk au o interpretare similară regresiei simple

Intervalul de previziune:

Limită superioară: yˆ n + p = yˆ n + p − ∆y
inf

Limită inferioară: yˆ n + p = yˆ n + p + ∆y
sup

∑ (y − yˆ t )
n 2

1 + C( X ' X ) C '
t −1
∆y = t s
q/2
t =1

n − (k + 1)

unde: C – este un vector care conţine valorile variabilelor explicative aferente


orizontului de previziune: [1 , xˆ1,n+p , xˆ 2,n +p , ..., xˆ k ,n +p ]
X – este o matrice de ordin ( n × ( k + 1) ) , care are pe prima coloană elemente de
valoare 1 , iar celelalte coloane sunt vectori formaţi din valorile istorice ale
variabilelor explicative. Fiecare coloană reprezintă o variabilă independentă iar
fiecare linie o perioadă de timp istorică.

1 x1,1 ... x k ,1 
1 x1, 2 ... xk ,2 
X = 
... 
 
1 x1,n ... x k ,n 

3.3. Regresia dinamică

Regresia dinamică:

21
yt = a + b0 xt + b1 xt − 1 + .. + bk xt − k + et
care se mai poate scrie:

y t = a +ν ( B ) xt + et unde ν (b) = bo + b1 B 1 + .. + bk B k

3.4. Regresia nonliniară

Regresia nonliniară:

y t = α ( x1t ) β1 ( x 2t ) β 2 ...( x kt ) β k

Un exemplu foarte cunoscut de regresie nonliniară este funcţia de producţie Cobb-Douglas.


Această funcţie care face legătura dintre factorii de producţie şi rezultatele obţinute (producţie,
venituri) a fost propusă de Knut Wicksell şi testată pe date reale de Charles Cobb şi Paul Douglas
(1928). Funcţia presupune următoarea relaţie:

Yˆt = AK α M β T γ

Unde:
Y– veniturile (producţia) înregistrate la momentul t
K – factorul capiat (capital fix etc.)
M - factorul muncă (nr. salariaţi, fondul de salarii etc.)
T- progresul tehnic
A, α, β - parametrii

Un astfel de model poate fi estimat în forma sa liniară (obţinută prin logaritmare):

ln Yˆt = ln A +α ln K + β ln M + γ ln T

3.5. Modele autoregresive multivariate/vectoriale (VAR)

Modele autoregresive multivariate/vectoriale (VAR) sunt datorate activităţii lui Christopher


Sims (1980) , în prezent profesor de Economie şi Finanţe bancare la Universitatea din Princeton.

y1t =φ111 y1,t −1 +φ121 y 2 ,t −1 +φ112 y1,t −2 +φ122 y 2 ,t −2 +... +φ11 k y1,t −k +φ12 k y 2,t −k +e1,t
y 2 t =φ211 y1,t −1 +φ221 y 2 ,t −1 +φ212 y1,t −2 +φ222 y 2 ,t −2 +... +φ21 k y1,t −k +φ22 k y 2 ,t −k +e 2 ,t

Sistemul poate fi scris şi sub formă matricială:

Yt = Φ1Yt −1 + Φ2Yt −2 +... + Φk Yt −k + Et

 y1,t   e1,t 
Yt =   , Et =  
 y 2 ,t  e2,t 

22
φ φ121  φ112 φ122  φ11k φ12 k 
Φ1 =  111 , Φ2 =  ,..., Φ k = 
φ211

φ221  
φ212 φ222  φ21k φ22 k 

 Y1,t 
Y 
Modelul poate fi generalizat pentru mai multe variabile: Yt = 
2 ,t 

 ... 
 
Ym ,t 

Modelul VAR mai este numit şi “ateoretic”.

3.6. Modele de corecţie

Modelele de corecţie îi sunt atribuite lui John Denis Sargan în 1964.

∆y t = a − λ( y t −1 − a − bx t −1 ) + β11 ∆y t −1 +.. + β1k ∆y t −k + β21 ∆xt −1 +... + ∆β2 −k + et

Programe de previziune care se bazează pe metode econometrice:


• AUTOBOX, Automatic Forecasting Systems
• ForecastX Wizard, John Galt Solutions
• RoadMap Global Planning System, RoadMap Technlogies
• SAS Forecast Server, SAS
• Smart Forecasts, Smart Software
• SPSS, SPSS Inc.
• Vanguard Studio, Vanguard Software Corporation

4. Inteligenţă artificială
Data de naştere a Inteligenţei Artificiale (IA) este considerată Iulie 1956 când a avut loc prima
conferinţă internaţională pe acestă temă la Colegiul Dartmouth din Hanover, New Hampshire, SUA.
IA conţine două ramuri sau curente de gândire:
• IA convenţională (numită şi IA logică sau IA simbolică) bazată pe formalizare logică şi
analiză statistică. Din acestă categorie fac parte sistemele expert.
• IA computaţională implică sisteme iterative de învăţare care urmăresc în primul rând
eficienţa din punct de vedere empiric în rezolvarea diverselor probleme şi mai puţin
corectitudinea din punctul de vedere al formalismului logic. Acest lucru nu însemnă că
aceste sisteme sunt ilogice prin definiţie ci că, pentru atingerea obiectivului propus, este
permisă renunţarea la logica sau teoria fundamnetală care stă la baza unui fenomen. Din
acestă categorie fac parte:

23
o Reţelele neuronale
o Algoritmii genetici
o Logica fuzzy etc.
Sistemele hibride sunt combinaţii a două sau mai multe sisteme din clase diferite ale IA.

4.1. Reţele neuronale

În 1943 neuropsihologul Warren McCulloch şi matematicianul Walter Pitts au publicat lucrarea


“A Logical Calculus of the Ideas Immanent in Nervous Activity” punând bazele reţelelor neuronale.
Simularea unei reţele a fost relizată cu ajutorul unor circuite electrice. În 1949 Donald Hebb a scris
“The Organization of Behavior” în care a arătat că o conexiune neuronală devine tot mai putenică pe
măsură ce este folosită, concept fundamental în procesul de învăţare al unei reţele.
În 1959, Bernard Widrow şi Marcian Hoff au dezvoltat modelele ADALINE şi MADALINE
(„Multiple ADAptive LINear Elements”). MADALINE a fost prima reţea neuronală folosită pentru a
rezolva o problemă reală şi este încă folosită pe scară largă în special în controlul traficului aerian.
Reţelele neuronale au început să fie utilizate pe scară largă odată cu introducerea algoritmului
de propagare înapoi a semnalului (“backpropagation”). Algoritmul a fos tdescris iniţial de Paul
Werbos în 1974, iar apoi dezvoltat de David E. Rumelhart, Geoffrey E. Hinton şi Ronald J. Williams
în 1986.
În 1982 John Hopfield propune legătura bidirecţională în cadrul unei reţele luând naştere
reţelele neuronale recurente. În acelaşi an a avut loc conferinţa “Cooperative/Competitive Neural
Networks” (SUA-Japonia) în care a fost lansată ideea unei noi generaţii în domeniul calculatoarelor
bazată pe inteligenţa artificială (I generaţie – bazată pe comutatoare electrice, a II -a generaţie - bazată
pe tranzistori, a III-a generaţie bazată pe circuite integrate şi limbaje de programare avansate, a IV-a
generaţie – generatori de coduri şi a V-a generaţie bazată pe inteligenţa artificială).
O reţea neuronală artificială sau, simplu, reţea neuronală reprezintă un grup de neuroni artificili
interconectaţi, care utilizează un model matematic sau computaţional pentru procesarea informaţiei. În
cele mai multe cazuri, o reţea neuronală artificială este un sistem adaptiv care îşi modifică structura în
funcţie de informaţia externă sau internă care pătrunde în reţea. În termeni mai practici, reţelele
neuronale sunt instrumente de modelare a datelor statistice non-liniare. Pot fi utilizate pentru a modela
relaţiile complexe existente între informaţiile care ies şi care intră în reţea.

4.1.1. Tipuri de reţele

Reţea neuronală cu propagare înainte a semnalului (ex.: Perceptron simplu, Perceptron multistrat),
Reţele radiale, Reţele cu autoorganizare (ex.: Reţea Kohonen), Reţele recurente (ex.: Reţea Hopfield),
Reţele neuronale stocastice (ex.: Mecanismul Boltzmann), Reţele neuronale modulare, Reţele
neuronale asociative etc.

4.1.2. Reţele neuronale artificiale cu propagare inainte a semnalului

Reţele neuronale artificiale cu propagare inainte a semnalului . Reţelele neuronale


artificiale cu propagare inainte a semnalului sunt primele şi cele mai simple tipuri de reţele neuronale
descoperite. În aceste reţele, informaţiile se mişcă doar înainte, prin intrări, neuroni ascunşi şi ieşiri, nu
există cicluri sau bucle.

24
Perceptron simplu. Primul tip de reţea neuronală este un perceptron simplu, care constă dintr-
un singur strat de neuroni de ieşire; intrările sunt conduse direct la ieşiri prin intermediul unor ponderi.
Perceptron multistrat. Această clasă de reţele constă din multiple straturi de neuroni, de obicei
interconectaţi, propagarea semnalului făcându-se într-un singur sens. Fiecare neuron dintr-un strat este
direct conectat la neuronii din stratul următor. În cele mai multe siteme de acest tip neuronii acestor
reţele aplică o funcţie sigmoidală ca funcţie de activare.
Teorema de aproximare universală pentru reţele neuronale afirmă că orice funcţie continuă
(care transformă intervale de numere reale în intervale de numere reale) poate fi aproximată printr-un
perceptron multistrat cu doar un strat de neuroni ascunşi. Acest rezultat se aplica numai pentru anumite
clase de funcţii de activare, cum sunt funcţiile sigmoidale.

Etape în elaborarea unei previziuni prin intermediul unui perceptron multistrat:

1. Determinarea structurii unei reţele se bazează într-o primă fază pe teoria


economică care oferă informaţii privind factorii de influenţă pentru variabila care se
doreşte a fi previziunată. Numărul factorilor de influenţă precum şi modul de
manifestare temporală a influenţei acestora (laguri: t-1, t-2, etc.) va determina
numărul de intrări în reţea. Totodată se va determina numărul de straturi ascunse şi
numărul de neuroni ai acestora precum şi numărul ieşirilor din reţea. Ieşirile din
reţea în general au acelaşi număr ca şi numărul de perioade pentru care se face
previziunea (orizontul de previziune).
2. Segmentarea bazei de date constă în impărţirea acesteia în două părţi: o parte din
baza de date pentru antrenarea (invăţarea) reţelei şi o parte pentru validarea acesteia.
3. Scalarea variabilelor de intrare este un procedeu aritmetic prin care datele de
intrare sunt transformate astfel încât să varieze în intervalul [0,1].

val.scalată = (val.iniţială - val.minimă)/(val. maximă - val.minimă)

4. Alegerea ponderilor iniţiale. Valorile iniţiale sunt în general fie valori alese
aleator fie valori nule.

5. Ponderarea şi însumarea valorilor de intrare. Neuronii din primul strat ascuns


vor primi valorile de intrare în reţea ponderate şi însumate. Fiecare neuron din
starturile ulterioare va primi, ca valori de intrare, valorile de ieşire ale tuturor
neuronilor din straturile anterioare ponderate şi însumate.

k
I j = ∑ wij Oi
i =1
I j −valoarea de intrare a neuronului j

6. Transformarea non liniară a valorii de intrare în fiecare pentru obţinerea valoarii


de ieşire. La nivelul fiecărui neuron are loc transformarea valorii de intrare, obţinute
prin ponderare şi însumare, prin intermediul unei funcţii sigmoidale (logistice) care
are de regulă are forma:

1
Oij =
(1 + e )
− I ij

25
7. Calcularea erorii de estimare. Procesul continuă (etapele 5 şi 6) pănă în momentul
în care se obţin valorile de ieşire din reţea adică valorile previzionaate. Aceste valori
sunt comparate cu valorile reale, din baza de date de antrenare, obţinându-se erorile
de estimare.
et = Yt −Yˆt


n 2
e
t =1 t
ES =
n
8. Ajustarea ponderilor reţelei pe baza erorilor de estimare. Înainte ca reţeaua să
fie alimentată cu noi date ponderile sunt ajustate în funcţie de erorile obţinute în
etapa anterioară.
wij ( nou ) = wij (vechi ) + ∆wij ( nou )
∆wij ( nou ) = ηδij + α∆wij (vechi )

∂S
δij = −
∂wij

η- coeficient de învăţare (între 0 şi 1)


α - coeficient de moment (între 0 şi 1)
Oj - ieşierea din neuronul j

9. Etapele 5-8 se repetă până în momentul în care se termină toate valorile din baza de
antrenare. În acest moment o primă “epocă” din procesul de învăţare este încheiată.
10. Pentru a obţine o eroare de estimare cât mai mică procesul de învăţare necesită mai
multe “epoci”, adică toate datele din baza de învăţare sunt introduse în reţea de mai
multe ori. Astfel se repetă etapele 5-9 până când se obţine o valoare a ES dorită.
11. Cu ponderile optime obţinute reţeau este folosită pentru a previziona valorile din
Ponderi
baza de validare.
Constatntă
12. Dacă rezultatele nu sunt mulţumitoare se alege o nouă arhitectură a reţelei.

Reţea
W1,7multistratificată: C
NI1
N7
W7,12
N12
NI2
N8

NI3 N13 NO16


N9

NI4 N14 NO17


N10

NI5
N15
N11
Ieşirile din reţea
NI6

Straturi de neuroni
26 ascunşi
Intrările în reţea
Neuronul N7:

I 7 = w1, 7 NI 1 + w2, 7 NI 2 + w3, 7 NI 3 + w4, 7 NI 4 +


+ w5, 7 NI 5 + w6, 7 NI 6

I7 N7
1 O7
O7 =
(1+ e−I7 )

4.2. Sisteme hibride (Reţele neuronale şi Algoritmi genetici)

Simulări privind procesele biologice evolutive au fost iniţiate de Nils Aall Barricelli în 1954.
Deşi Barricelli a folosit procesele evolutive ca metode de optimizare, algoritmii genetici au devenit
metode de optimizare unanim recunoscute în mediul academic abia la începutul anilor ’70 datorită
activităţii lui John Holland. Prima conferinţă internaţională ţinută pe tema Algoritmilor Genetici, la
Universitatea din Illinois, a avut rolul de a deschide porţile aplicaţiilor practice, care au devenit posibile
datorită expansiunii utilizării calculatorarelor de birou în mijlocul anilor ‘80. Prima aplicaţie
comercială bazată pe algoritmi genetici a fost Evolver(1989) realizat de compania Axcelis Inc. dar care
se află acum în proprietatea companie Palisade. În prezent algoritmii genetici sunt folosiţi în foarte
multe companii pentru a rezolva diferite probleme de optimizare legate de logistică, bugetare, estimări
de tendinţe etc.
Algoritmii genetici imită procesele evolutive biologice pentru a rezolva probleme complexe de
optimizare. Un exemplu de problemă care poate fi soluţinată în acest fel este găsirea unei arhitecturi
optime pentru o reţea neuronală. Exită programe informatice care combină reţelele neuronale cu

27
algoritmii genetici rezultând sisteme hibride care au capacitatea de a crea reţele şi de a găsi cea mai
bună arhitectură de reţea pentru previzionarea unui fenomen.
Populaţia iniţială de reţele este reprezentată de reţelele de la care se porneşte încrucişarea.
Reţelele sunt evaluate cu ajutorul unei funcţii obiectiv, în acest caz ES. Doar un procent din reţelele
iniţiale vor fi păstrate pentru o încrucişare ulterioră. Procentul care este păstrat pentru încrucişare
ulterioară se numeşte rată de încrucişare. Mutaţia implică pe lângă schimbul reciproc al unor gene şi
o modificare a acestora cu o anumită cantitate sau anumit procent care se numeşte rata mutaţiei. Prin
încrucişări sucesive se obţin noi generaţii până când se ajunge la o reţea cu o arhitectură optimă.

Generaţia 0. Populaţia iniţială de reţele este reprezentată de reţelele de la care se porneşte încrucişarea.
În acest caz vor fi păstrate doar primele două (rata de încrucişare = 50%) cu ES cea mai mică.

Nr.intrări Nr.neuroni Nr. Neuroni Nr.ieşiri Constantă ES


Startul 1 Startul 2
7 6 5 2 1 95
3 4 4 1 0 80
15 14 14 1 0 90
20 17 0 2 1 81

Generaţia 1 Noile reţele vor fi obţinute prin încrucişarea reţelelor selectate adică prin schimbarea unor
gene (proprietăţi) ale acestora.

a) Fără mutaţie
Nr.intrări Nr.neuroni Nr. Neuroni Nr.ieşi Constan ES
Strat ascuns 1 Strat ascuns 2 ri tă
3 4 4 1 0 80 Reţea
părinte
20 17 0 2 1 81 Reţea
părinte
20 4 4 1 0 75 Reţea
nouă
3 17 0 2 1 85 Reţea
nouă

b) Mutaţia implică pe lângă schimbul reciproc al unor gene şi o modificare a acestora cu o


anumită cantitate. De obicei mutaţia se utilizează pentru a obţine posibilităţi mai numeroase şi
pentru a nu se reajunge la populaţia iniţială.

Nr.intrări Nr.neuroni Nr. Neuroni Nr.ieşiri Constantă ES


Stratul 1 Stratul 2
3 4 4 1 0 80 Reţea
părinte
20 17 0 2 1 81 Reţea
părinte
21 4 4 1 0 78 Reţea
nouă

28
4 17 0 2 1 83 Reţea
nouă

Se continuă cu încrucişarea celorlalte gene (nr.neuroni ai strartului ascuns 1 etc.) Trebuie


precizat că în aplicaţiile reale se porneşte de la populaţii mult mai numeroase. Datorită numărului
imens de calcule şi iteraţii algoritmii specifici inteligenţei artificiale nu pot fi utilizaţi în mod practic
fără calculatoare cu viteză mare de calcul şi programe software adecvate.
Programe software comerciale bazate pe reţele neuronale şi algoritmi genetici:
• GenetiCore şi Synapse realizate de PELTARION (Suedia)
• NeuroSolutions, TradingSolutions, Genetic Server realizate de NeuroDimension, Inc.
(Florida)
• NeuralTools, Evolver, RISKOptimizer realizate de PALISADE (SUA)
• NeuroIntelligence, Tradecision, Forcaster XL, Forecaster realizate de NeoDigital, Inc.
(ALYUDA – California)
• etc.

5. Metode subiective

5.1. Grupuri de interacţiune

5.1.1. Metoda Brainstorming

Metoda Brainstorming constă în organizarea unei şedinţe sau reuniuni cu un număr restrâns de
specialişti. În funcţie de complexitatea problemelor abordate durata acestor şedinţe poate să varieze,
desfăşurându-se, de la caz la caz, în mai multe runde, sub conducerea competentă a unui coordonator
al cărui rol este să direcţioneze şi să stimuleze discuţia pe o anumită temă.

5.1.2. Metoda Delphi

Această metodă presupune utilizarea gândirii intuitive a unui grup de specialişti supuşi unor
interviuri repetate, în scopul obţinerii unui consens. Principala diferenţa faţă de metoda Brainstorming
este că specialiştii nu se întâlnesc în mod direct. Se evita astfel posibile influenţe negative în cadrul
grupului (teama în faţa unui superior etc.).
Metoda Delphi a fost dezvoltată de Corporaţia RAND la începutul razboiului rece pentru
previziunea impactului dezvoltării tehnologice asupra producţiei de armament. În anul 1944 generalul
Henry H. Arnold a ordonat realizarea unui raport pentru Forţele Aeriene ale Statelor Unite asupra
capacităţilor tehnologice viitoare care ar putea fi folosite de armată. Pentru realizarea raportului, doi ani
mai târziu, în 1946, a fost contractată compania Douglas Aircraft, care a început astfel proiectul RAND
dedicat studiului acestor capacităţi. După încă doi ani proiectul RAND a fost separat de Douglas
Aircraft devenind organizaţia non-profit RAND (Research And Development). În prezent organizaţia
şi-a extins aria de activitate şi în alte domenii: educaţie, justiţie, securitate internaţională etc.
Membri şi colaboratori marcanţi ai organizaţiei RAND:
• Herry Markowitz (Premiul acordat de Banca Suediei în ştiinţe economice în memoria lui
Alfred Nobel – Premiul Nobel, 1990, Optimizarea portofoliului)

29
• Kennet Joseph Arrow (Premiul Nobel, 1972, Teoria alegerii colective)
• George Bernard Dantzig (părintele programării liniare, a introdus algoritmul Simplex).
Preocuparea pentru problemele de programarea liniară au apărut în timpul războiului acesta
deţinând funcţia de Director al direcţiei “Combat Analysis Branch” din cadrul Forţelor
Aeriene.
• Herbert Alexander Simon (Premiul Nobel, 1978, pentru contribuţii în domeniul
proceselor decizionale în cadrul organizaţiilor eonomice)
• John Von Neumannn (contribuţii în analiză funcţională, teoria mulţimilor, analiză
numerică, Alegebre Von Neuman, participant în cadrul Proiectului Manhattan, consultant
pentru IBM, CIA, Standard Oil etc.)
• John Forbes Nash (Premiul Nobel, 1994, Teoria jocurilor)
• Samuel Cohen (participant în cadrul Proiectului Manhattan, inventatorul bombei cu
neutron)
• Herman Kahn (iniţiatorul utilizării scenariilor în planificare)
• Thomas C. Schelling (Premiul Nobel, 2005, Teoria jocurilor)
Pentru a-şi atinge obiectivul de a realize predicţii în domeniul dezvoltării tehnologice în cadrul
RAND fost luate în considerare diferite metode tradiţionale. Deficienţele metodelor clasice
(extrapolare etc.) pentru a previziona evenimente noi, care urmau să aibă loc în premieră, au devenit
repede evidente. Pentru a combate aceste deficienţe, a fost dezvoltată metoda Delphi între anii 1950-
1960, de Olaf Helmer şi Nicholas Rescher. Metoda Delphi a fost folosită de experţii RAND pentru a-şi
exprima opinia cu privire la probabilitatea, frecvenţa şi intensitatea posibilelor atacuri şi a devzoltării a
noi tipuri de arme.
Metoda Delphi a fost apoi popularizată şi preluată de alte domenii, printre care şi domeniul
economic. Metoda Delphi este recomandată pentru a prognoza evenimente majore, cu impact
semnificativ asupra strategiei pe termen lung a unei companii, mai ales în situaţia în care nu există date
istorice privind situaţia respectivă. De obicei experţilor li se cere să facă o estimare numerică pentru o
anumită variabilă economică sau să aprecieze probabilitatea de apariţie a unui eveniment.

Principalele etape ale acestei proceduri sunt:

1.) Definirea temei ce constitue obiectul studiului previzional


2.) Alcătuirea grupului de conducere. Spre deosebire de metoda Brainstorming unde
specialiştii comunică direct (coordonatorul având mai mult rolul de a stimula discuţiile), în
cazul metodei Delphi legătura între participanţi se face prin intermediul unui grup de
conducere.
3.) Întocmirea listei participanţilor . Alegerea specialiştilor are un rol crucial în exactitatea
previziunii realizate. Specialiştii participanţi trebuie să fie persoane cu nivel ridicat de
pregătire de preferinţă selectaţi atât din mediul academic cât şi practicanţi ai domeniului
respectiv.
4.) Informarea specialiştilor privind problema supusă atenţiei
5.) Trimiterea specialiştilor participanţi la anchetă a primului chestionar şi a instrucţiunilor
de completare a acestuia. Specialiştii îşi exprimă opinia prin completarea chestionarului
care apoi este remis grupului de conducere a anchetei. Acesta din urmă, procedează la
prelucrarea chestionarelor. În această fază existe diferite metode de prelucrare a opiniei
specialiştilor cu diferite grade de complexiatate:
• Ponderarea răspunsului fiecărui specialist în funcţie de competenţa acestuia
stabilită de grupul de conducere al anchetei
30
• Ponderarea răspunsurilor din punctul de vederea al fiecărui specialist privind
competenţa proprie (self ratings)
• Calcularea valorii medii, a valorii mediane precumdar şi aplicarea unor metode
mai complexe.
6.) Întocmirea unui nou chestionar de către grupul de conducere a anchetei. Acest
chestionar va cuprinde atât unele întrebări suplimentare, necesare lămuririi în detaliu a unor
aspecte ce se impun a fi soluţionate, cât şi sinteza răspunsurilor la primul chestionar.
Cunoscând opinia tuturor specialiştilor, fiecare specialist, în funcţie de caz, poate să-şi
reconstituie în contextul acestei sinteze o parte din răspunsurile date sau să-şi completeze
răspunsurile la primul chestionar. De asemenea, se solicită specialiştilor a căror răspunsuri
s-au abătut substanţial de la părerea majorităţii, să-şi argumenteze răspunsurile sau să le
modifice (opinion feed-back), exprimând-şi acordul sau dezacordul cu răspunsurile date de
ceilalţi specialişti.
7.) Repetarea operaţiunii de întocmire, completare şi prelucrare a chestionarului. Această
operaţiune se repetă de mai multe ori, fiecare nou chestionar cuprinzând întrebări
suplimentare şi sinteza răspunsurilor la chestionarul anterior. Consultarea specialiştilor cu
ajutorul chestionarului se consideră încheiată atunci când răspunsurile arată o relativă
stabilitate, adică opinia specialiştilor nu se mai modifică după o nouă rundă de completare a
chestionarelor. Previziunea finală este o medie a opiniilor exprimate de participanţi.

5.2. Metoda scenariilor

Deşi metoda a fost utilizată mai devreme, conceptul sub denumirea actuală de „scenarii” a
fost introdus de Herman Kahn în 1965. La începutul anilor 1980 metoda a fost dezvoltată
transformându-se dintr-o simplă metodă într-o cadru complex de abordare care permite integrarea mai
multor metode de natură subiectivă (inclusiv Delphi şi Brainstorming). Întru-un studiu realizat la acea
vreme Metoda scenariilor ocupa locul trei în topul celor mai utilizate metode de previziune (J.
Diffenbach, 1983) în cadrul marilor corporaţii. Datorită costurilor ridicate şi dificultăţilor de
implementare în ultima perioadă popularitatea acestei metode a scăzut considerabil rămânând un număr
redus de companii disponibile să dedice resurse necesare pentru utilizarea cu succes a acestei metode.
Printre companiile care folosesc în mod curent metoda scenariilor, contribuind totodată la dezvoltarea
acesteia prin resursele investite se numără grupul Royal Duch Shell. Motivaţia utilizării acestei metode
a apărut la începutul anilor 1970 când datorită activităţii puternice a diverselor grupări ecologice
orientate pe promovarea protecţiei mediului înconjurător dar şi datorită apariţiei şi întăririi cartelului
OPEC foarte multe companii petroliere au suferit pierderi majore. Începând cu acea perioadă şi până în
prezent compania Shell şi-a bazat procesul de planificare strategică pe metoda scenariilor. Această
abordare este considerată de mulţi specialişti cheia succesului companiei cu toate că în acelaşi timp îi
sunt adresate şi multe critici.

Etape:
1) Identificarea factorilor de influenţă şi a ipotezelor alternative de lucru. În alegerea factorilor de
influenţă este importantă impunerea unui orizont de previziune suficient de lung, de regulă mai
mare de 10 ani. Atunci când orizontul de previziune este sub 10 ani există tendinţa din partea
participanţilor de a extrapola tendinţele curente în loc de a găsi factori care să poată afecta în
mod semnificativ activitatea companiei pe termen lung. În acest stadiu se poate face apel la
diferite metode şi tehnici cum ar fi de ex. Brainstorming pentru colectarea unui număr cât mai

31
mare de factori iar apoi utilizarea unor coeficienţi de importanţă pentru a selecta factorii cu
adevărat importanţi etc.
2) Gruparea factorilor de influenţă pe categorii şi analiza interacţiunii dintre aceştia. Foarte mulţi
factori sunt conectaţi între ei, de ex. o inovaţie tehnologică poate cauza schimbări majore în
volumul vânzărilor însă pot exista constrângeri de natură legislativă care să limiteze
comercializarea respectivului produs. Se încearcă astfel gruparea factorilor în funcţie de
interacţiunea dintre aceştia şi alocarea unor probabilităţi petru fiecare şir logic de
interdependenţe.
3) Realizarea unui număr de 7-9 scenarii iniţiale. O consecinţă firească a etapei precedente este ca
grupurile de factori de influenţă să genereze succesiuni de evenimente care vor lua forma unor
scenarii alternative.
4) Reducerea numărului de scenarii la 2-3. S-a constatat că este inutilă realizarea unui număr prea
ridicat de scenarii datorită capacităţii reduse de a operare şi asimilarea din partea factorului de
decizie. În general, beneficiarul final al scenariilor, reprezentat de managementul companiei se
concentrează în final asupra a 2-3 scenarii care par mai relevante indiferent de numărul
scenariilor care le este prezentat. Prin urmare este recomandată concentrarea situaţiilor viitoare
alternative pe un număr redus de scenarii complementare. Scenariile sunt supuse dezbaterii în
mai multe runde, etapele 1-4 fiind parcurse de mai multe ori fiind posibilă utilizarea unor
metode iterative gen Delphi.
5) Transpunerea scenariilor într-o formă scrisă şi uşor accesibilă unor persoane care nu sunt
neapărat de specialitate. S-a constatat că prezentarea scenariilor în formele binecunoscute:
pesimist, realist şi optimist nu este cea mai fericită optiune. Există riscul ca managerii să se
concentreze asupra unui singur scenariu care pare a fi cel mai preferat pentru compania în
cauza. Pentru a evita selectarea unui singur scenariu ca fiind pozitiv (ex. cel realist sau cel
optimist) şi respingerea celorlalte scenarii ca fiind negative există varianta prezentării unor
scenarii complementare la fel de probabile. Scopul scenariilor, în cele din urmă este acela de a
asigura stabilitatea firmei în orice fel de situaţia şi nu neapărat de a obţine câştiguri uriaşe într-o
situaţie favorabilă. Prin urmare prin elaborarea unor scenarii complementare urmate de strategii
adecvate o companie trebuie să facă faţă oricare ar fi schimbările survenite în mediul extern.
Prin urmare scenariile nu vor fi concepute ca bune sau rele (pesimiste sau optimiste) şi ca
oportunităţi alternative pentru care compania are pregătiti un răspuns.

5.3. Ancheta statistică privind opinia unor specialişti

Sondajele sau anchetele de opinie presupun chestionarea unui eşantion reprezentativ de indivizi
(grup statistic) asupra situaţiei a cărei evoluţie se doreşte a se estima. Spre deosebire de metodele
anterioare se doreşte estimarea unei opinii/intenţii generale şi nu a unui grup restrâns de specialişti.
Este esenţial ca eşantionul să fie extras în mod aleator fără ca să existe o legătură directă sau indirectă
între indivizii care-l compun. Alegerea eşantionului şi extinderea rezultatelor asupra întregii populaţii
statistice se realizează prin tehnici specifice provenite din teoria sondajului statistic.
Anchetele de conjunctură realizate de Institutul naţional de Statistică (INS) sunt realizate
în colaborare cu Comisia Europeană şi reprezntă o estimarea a evoluţiei viitorare (creştere, stabilitate,
scădere) pe un orizont de aprox. 3 luni privind principalele sectoare ale activităţii economice (industrie,
construcţii, comerţ cu amănuntul şi servicii).
Rezultatele sunt obţinute în urma estimărilor făcute de managerii întreprinderilor referitor la
tendinţele de evoluţie ale activităţii economice. Acestea sunt efectuate pe baza unor eşantioane
reprezentative în domeniile mai sus amintite (în luna octombrie 2006 volumul eşantioanelor arăta
32
astfel: industrie prelucrătoare - 1533 agenţi economici, construcţii - 1108, comerţ cu amănuntul - 2296
şi servicii - 1967). Mărimea eşantioanelor este stabilită astfel încât eroarea de estimare maximă să fie
de aprox. ±5% la nivel de sector. S-a utilizat sondajul stratificat simplu aleator, iar variabilele de
stratificare sunt activitatea şi mărimea întreprinderii. Pentru obţinerea rezultatelor agregate,
răspunsurile întreprinderilor sunt ponderate cu variabila de selecţie, respectiv numărul de salariaţi la
industrie şi construcţii şi cifra de afaceri la comerţul cu amănuntul şi servicii. Proporţia alternativelor
de evoluţie (creştere, stabilitate, scădere) reprezintă ponderea întreprinderilor (care au ales alternativa
respectivă) în volumul de activitate al sectorului. Diferenţa procentuală între alternativele extreme (%
creştere - % scădere) constituie soldul conjunctural, care exprimă tendinţa de evoluţie a indicatorilor
faţă de perioada anterioară.

Estimări făcute în luna octombrie 2006 pentru perioada octombrie-decembrie 2006:

Să presupunem că soldul conjunctural pentru contracte şi comenzi în industrie pentru două


perioade de timp succesive se prezintă astfel:

• Perioada I (creştere - 60%, scădere - 20%, stagnare- 20%) → sold conjunctural 40%
• Perioada II (creştere - 50%, scădere - 20%, stagnare- 30%) → sold conjunctural 30%

Pentru ambele perioade de timp este prevăzută o creştere însă pentru a doua perioadă creşterea
este probabil să fie mai puţin intensă soldul conjunctural fiind mai mic.

5.4. Interpretarea unor roluri în simularea situaţiilor conflictuale („Role Playing”)

Se utilizează atunci când există situaţii conflictuale între mai mulţi factori de decizie cu puteri
aproximativ egale (ex.: negocierile pentru încheierea diferitelor contracte comerciale; fuziuni şi alianţe
strategice; negocierile dintre patronate şi sindicate etc.) Aceasta tehnică constă în asumarea unor roluri
de către cei implicaţi în procesul predictiv care să reprezinte în mod cât mai realist părţile adverse
însoţită de simularea situaţiei conflictuale şi evaluarea rezultatelor. Această metodă necesită o bună
cunoaştere a profilului persoanelor implicate în confictul real şi a obiectivelor urmărite de acestea.
Distribuirea persoanelor în diferite roluri trebuie să fie cât mai realistă, în sensul că trebuie să
existe o anumită similitudine între personajele reale şi cele care le interpreteză rolul. Cei care
interpretează rolurile trebuie să primească informaţiile necesare. Informaţiile primite trebuie să fie
concise şi trebuie să conţină:
• o descriere a fiecărui participant , a obiectivului urmărit de acesta şi a poziţiei ocupate în
cadrul firmei;
• o istorie scurtă a relaţiilor dintre participanţi;
33
• obiectivul întâlnirii şi eventual rezultate alternative posibile sau moduri alternative de a
acţiona.
Informaţiile primite trebuie reţinute uşor de toţi participanţii şi deci se recomandă concentrarea
lor (în jur de o pagină).
Unii specilişti recomandă realizarea simulărilor într-un mediu ambiant cât mai apropiat de cel
real, însă acest lucru poate fi destul de costisitor.
Datorită faptului că persoanele implicate pot percepe în mod diferit rezultatul unei confruntări
este recomandată scrierea rezultatelor/deciziilor de fiecare grup în parte dar şi de terţe persoane care au
rolul de observatori. În final acestea sunt confruntate.
Numărul sesiunilor de simulare joacă un rol important în obţinerea unei predicţii finale (ex.:
dacă au fost efectuate 5 simulări iar pentru 4 dintre acestea rezultatul final a fost declanşarea unei greve
predicţia este că o grevă va avea loc cu o probabilitate de 80%). Mai multe sesiuni de simulare pot fi
obţinute fie prin schimbarea rolurilor între participanţi, fie prin folosirea unor informaţii sau premise
alternative.
Simulările prin interpretarea unor roluri sunt recomandate atunci când:
• există o interacţiune/conflict între grupuri de interese
• numărul grupurilor de interese este mic (ideal 2 părţi opozante)
• situaţia conflictuală implică schimbări majore
• nu există situaţii comparabile în trecut

5.5. Utilizarea burselor de pariuri (“Prediction Markets”) pentru previziuni la nivel de


firmă

Bursele de pariuri sunt pieţe speculative utilizate pentru a previziona anumite evenimente sau
valorile anumitor parametri în care cei care dovedesc o putere ridicată de anticipare câştigă iar ceilalţi
pierd. Exită burse internaţionale de pariuri pentru aproape orice tip de evenimente: politice, sportive,
artistice (ex. nominalizări pentru Oscar), economice etc. Câteva dintre cele mai cunoscute burse, cu
facilităţi de participare on-line sunt: TradeSports, Hollywood Stock Exchange, NewsFutures etc.
Utilizarea acestei metode în previziunile economice este relativ nouă şi a fost popularizată în
urma apariţiei cărţii “The Wisdom of Crowds: Why the Many Are Smarter Than the Few and How
Collective Wisdom Shapes Business, Economies, Societies and Nations” (2004) scrisă de James
Surowiecki dar şi datorită intensificării cercetărilor în domeniul economiei experimentale (Vernon
Lomax Smith – Premiul nobel în 2003). Conform cărţii amintite există patru condiţii esenţiale pentru ca
un număr mare de persoană să realizeze predicţii valide:
• Diversitatea opiniilor - informaţii şi raţiuni diversificate în rândul persoanelor
• Independenţa – persoanele să nu se influenţeze reciproc
• Descentralizarea - persoanele sunt libere să se specilizeze şi să acţioneze pe cont propriu
• Agregare – necesitatea existenţei unui mecanism de extargere a unei opinii generale

Iniţiative în ceea ce priveşte utilizarea burselor de pariuri pentru previzionarea unor variabile la
nivel microeconomic:

• În cadrul companiei Hewlett-Packard au fost create mici burse în care angajaţii sunt
încurajaţi să parieze pentru un anumit nivel al vânzărilor sau al veniturilor companiei.

34
• Compania InovateUs este specializată pe previzionarea succesului inovaţiilor în
introducerea a noi produse pe piaţă bazându-se pe opinia unui număr mare de angajaţi.
Are ca şi clienţi alte companii
• Inkling este o companie specilizată pe asemenea predicţii şi oferă consulatanţă în acest
domeniu
• Google foloseşte această metodă în interes propriu pentru diverse predicţii de importanţă
strategică pentru companie: data de lansare a unor produse, apariţia a noi companii etc.
• Etc.

La fel ca şi acheta statistică bursele de pariuri se bazează pe un număr mare de participanţi


însă în acest caz aceştia nu sunt neapărat specialişti iar concluziile finale nu se bazează pe inferenţa
statistică.

6. Previziunea ciclurilor de afaceri - Indicatori de anticipare

6.1. Indici de dinamică şi indici de ciclicitate

Indicatori relativi de dinamică:

• Indici de dinamică (indicele de creştere):

o Cu bază fixă:
Y Y
I t / 1 = t sau I t / 1 = t 100
Y1 Y1

o Cu bază în lanţ:
Yt Yt
I t / t −1 = sau I t / t −1 = 100
Yt −1 Yt −1

PIB-ul României în miliarde lei (preţuri constante):

35
160
150
140
130
120
110
100
90
80

1980

1982

1992

1994

1998

2004
1984

1986

1988

1990

1996

2000

2002

2006
PIB-ul României, indici cu bază fixă:
1.3
1.2
1.1
1
0.9
0.8
0.7
0.6
1980

1982

1984

1986

1988

1990

1992

1994

1998

2000

2004

2006
1996

2002
Se observă că din punctul de vedere al dinamicii şi deci al fluctuaţiilor ciclice indicele
cu bază fixă are o formă identică cu seria iniţială neexistând decât o diferenţă de scală.

Indici cu bază fixă şi indici cu bază în lanţ pentru PIB-ul României:


1.3
1.2
1.1
1
0.9
0.8 indicele cu baza fixa
0.7 indicele cu baza in lant
0.6
1982

1984

1986

1996

1998
1980

1988

1990

1992

1994

2000

2002

2004

2006

Se observă că indicele cu bază în lanţ anticipează punctele de întoarcere (schimbare de


trend) din seria indicilor cu bază fixă şi deci şi din seria iniţială.

Ritmul de dinamică (ritmul modificării relative, ritmul sporului, sporul relativ):

Yt − Yt −1 Yt
Rt / t −1 = ⇔ Rt / t −1 = −1 ⇔ Rt / t −1 = I t / t −1 −1
Yt −1 Yt −1
sau în procente:

36
Yt − Yt −1
Rt / t −1 = 100 ⇔ Rt / t −1 = I t / t −1 −100
Yt −1
De obicei ritmul de dinamică se calculează cu bază în lanţ.

Ritm (bază în lanţ):


0.2
0.1
0
-0.1
-0.2
-0.3
1980

1982

1984

1986

1988

1994

2000

2006
1990

1992

1996

1998

2002

2004
Indici (bază în lanţ):
1.2
1.1
1
0.9
0.8
0.7
1980

1982

1986

1988

1992

1994

1998

2000

2004

2006
1984

1990

1996

2002

Se observă că între indicele şi ritmul de dinamică (bază în lanţ) nu este decâ o diferenţă de nivel
(o constantă egală cu 1 sau 100) ambii având aceiaşi putere informativă. Indicele are însă avantajul că
valorile sale sunt pozitive (în acest context valorile iniţiale ale variabilelor economice sunt pozitive) iar
fluctuaţia este în jurul valorii 1 (100) l la fel şi în cazul indicelui de ciclicitate.
Indicii de cilicitate se calculează ca raport dintre valorea iniţială a variabilei observate şi
conponenta de trend. Calcularea lui se justifică atunci când fenomenul analizat prezintă un trend
general crescător.
Date obtinute prin simulare (seria observata nu reprezinta date reale ci reprezinta valorile unei
funcţii de tip sinusoidal):

37
35

30

25

20

15
serie observata
10
componenta de trend
5

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Pornind de la exemplul anterior se calculează indicii de ciclicitate. Indicii de dinamică au


capacitatea de a anticipa punctele de întoarecere în indicii de ciclicitate. De asemenea trebuie remarcat
faptul că indicii de cilicitate, la rândul lor, au capacitatea de a anticipa punctele de maxim din seria
observată atunci când există un trend ascendent sau descendent.

1.3
1.2

1.1
1
0.9
0.8
Indici de ciclicitate
0.7 Indici de dinamica
0.6
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Considerând un exemplu real lucrurile nu mai sunt atât de evidente. Datorită măsurilor aticiclice
(temperare în periodele de boom şi stimulare în periodele de recesiune) în cazul ţărilor dezvoltate (de
ex. Italia) ciclurile economice nu mai sunt atât de pregnante şi deci sunt mai puţin evidente în urma
unei simple reprezentări grafice.

38
PIB-ul Italiei în miliarede euro (preţuri constante):

1400
1300
1200
1100
1000
900
800
700
600
500
1984

1986

1996

2004

2006
1980

1982

1988

1990

1992

1994

1998

2000

2002
Se observă că indicii au un caracter destul de instabil (mişcări puternice de la o perioadă la alta)
ceea ce face ca puterea de anticipaţie să fie mult redusă faţă de modelul teoretic anterior. Practic putem
vorbi de două situaţii clare în care indicele de dinamică anticipează indicele de ciclicitate

1.06
1.04
1.02
1
0.98
Indici de ciclicitate
0.96
Indici de dinamica
0.94
0.92
1984

1992

1994

2000
1980

1982

1986

1988

1990

1996

1998

2002

2004

2006

1) Puctul de maxim atins de indicele de dinamică în 1988 este urmat de un punct de maxim în
seria indicilor de ciclicitate în 1990 care este urmat de un punct de maxim local în seria iniţială în
anul1992. 2) Puctul de maxim atins de indicele de dinamică în 2000 este urmat de un punct de maxim
în seria indicilor de ciclicitate în anul 2001 care este urmat de un punct de maxim local în seria
iniţială în anul 2002. Noţiunea de maxim local semnifică o valoare mai mare comparativ cu valorile
aflate în imediata ei vecinătate şi nu neapărat un maxim al întregii perioade de înregistrare. Punctele de
maxim local marchează o schimbare de tendinţă şi începutul unor faze de recesiune.

6.2. Indicatori de anticipare a cilurilor economice

39
Indicatorii de anticipare a ciclurilor economice (Composite Leading Indicators) sunt
indicatori agregaţi care includ în componenţa lor diferite variabile economice care determină sau
anticipează fluctuaţiile înregistrate de activitatea economică de ansamblu (exprimată printr-un indicator
al producţie globale în general PIB sau Producţia Industrială).
Componenţa unui indicator de anticipare diferă atât în plan teritorial (de la o ţară la alta) cât şi
în plan temporal (în cadrul aceleaşi ţări variabilele incluse în indicator pot fi diferite de la o perioadă la
alta). Există câteva reguli pentru selectarea variabilelor economice care formează un indicator de
anticipare:
• Să existe o explicaţie fundamentată din punct de vedere economic pentru relaţia dintre
variabila de anticipare şi activitatea economică de ansamblu a cărei fluctuaţii ciclice se
doresc a fi previzionate.
• Relaţia trebuie să aibă loc cu un anumit decalaj temporal. Pentru a reprezenta un semnal
de anticipare este necesar ca modificările variabilelor incluse în indice să aibă loc
înaintea modificărilor care apar în PIB sau Producţia Industrială.
• Trebuie să existe date statistice de calitate, de preferinţă înregistrate lunar, pe o perioadă
suficient de lungă. Această contrângere privind calitatea datelor este în special
importantă pentru realizarea unor predicţii de calitate.

Variabile economice aflate în componenţa indicatorilor de anticipare:


• Tendinţa viitoare estimată prin anchete statistice în mediu de afaceri
o Tendinţa viitoare în domeniul producţiei de bunuri (un orizont de 3-6 luni - creştere,
menţinere, descreştere)
o Tendinţa de creştere a preţurilor de vânzare a bunurilor
o Tendinţa de creştere a comenzilor primite pentru producţia internă, export etc.
• Anchete privind opinia consumatorilor:
o Indicatori de încredere ai consumatorilor
o Tendinţa viitoare a preţurilor de consum
o Tendinţa viitoare a situaţiei economice de ansamblu
• Creşterea vânzărilor lunare în comerţul cu amănuntul
• Producţia de cărbune
• Stocul de produse finite
• Numărul de comenzi lunare primite în diferite ramuri ale economei: industrie, minerit etc.
• Indicatori privind ocuparea forţei de muncă
o Numărul de şomeri înregistrat lunar la Oficiul Forţelor de Muncă
o Numărul de locuri de muncă vacante înregitrat la Oficiul Forţelor de Muncă
o Numărul mediu de ore lucrate pe lună de muncitorii în industrie colectat de institutele
naţionle de statistică
• Indicatori ai masei monetare. O masă monetară mai mare însemană în general o lichiditate mai
mare (mai mulţi bani în economie) care influenţează pozitiv activitatea economică în sensul
creşterii acesteia.
o Masa monetară M1 (reprezentată din bancnote, monezi şi banii aflaţi în conturi curente)
o Masa monetară M2
• Indicii bursieri
• Rate ale dobânzii
o Rata medie a dobânzii (rata medie la 3 luni sau 6 luni pentru bonuri de trezorerie etc.).
În general o rată medie a dobânzii mai mică însemnă un cost al împrumutului mai mic şi
deci o încurajare a activităţii economice viitoare.
40
o Diferenţa dintre rata dobânzii pe termen lung şi rata dobânzii pe termen scurt
• Rata reală efectivă de schimb
• Importuri totale (preţuri c.i.f.). Dacă o ţară este preponderent importatoare de materie primă o
creştere a importurilor acesteia arată o creştere viitoare a producţiei la nivel naţional.
• Indicele raportului de schimb net

Etape în construirea unui indicator de anticipare:


• Se selectează variabilele care intră în componenţa indicatorului de anticipare (în general nr.
acestora variază între 5 şi 11)
• Dacă datele prezintă fluctuaţii sezoniere seriile de date sunt desezonalizate printr-o metodă
adecvată
• Se estimează trendul general al fenomenului (din nou se pot folosii diferite tehnici de genul
celor prezentate sau alte metode de ex: metoda PAT- Phase Average Trend etc.)
• Se calculează indicii de ciclicitate ca raport dintre seria iniţială şi trend
• Seriile de indici obţinute pentru fiecare componentă sunt nivelate pentru a reduce fluctuaţia
acestora (pentru nivelare se folosesc tehnici de genul mediei mobile, nivelării exponenţiale sau
alte metode specifice)
• Pornind de la indicii de ciclicitate aferenţi seriilor componente, nivelaţi în etapa anterioară, se
calculează o medie a acestora (ponderi egale, în general) obţinându-se astfel un indice de
ciclicitate mediu care reprezintă practic indicele de anticipaţie compozit
• Opţional indicele de ciclicitate mediu se înmulţeşte cu componenta de trend a fenomenului care
se doreşte a se previziona (PIB, indicele producţiei industriale etc.) cu scopul de a obţine o
reprezentare grafică comparabilă pentru cele două variabile.

7. Previziuni pe piaţa valorilor mobiliare


Valorile mobiliare (titlurile financiare) cunoscând o foarte mare diversitate sunt
tranzacţionate pe pieţe specilizate organizate sub forma burselor de valori. Dintre cele mai
cunoscute pieţe de valori mobiliare putem aminti:
• Piaţa acţiunilor
• Piaţa obligaţiunilor
• Piaţa valutară
• Piaţa de mărfuri
• Piaţa produselor derivate: contracte futures şi opţiuni

În încercarea de a estima care va fi evoluţia preţului unui titlu în viitor există disponibile
două abordări alternative:
1) Analiză fundamentală implică studiul impactului factorilor de natură
economică care pot influenţa evoluţia unui titlu. De multe ori investitori
sofisticaţi încep cu analiza indicatorilor macroeconomici naţionali şi
internaţionali (PIB, inflaţie, curs valutar, productivitate) continuă apoi cu
analiza de ramură sau industrie (competitivitate etc.) pentru ca faza finală să fie
orientată pe analizată situaţiei fianciare la nivel de companie.

41
2) Analiza tehnică reprezintă studiul evoluţiei preţului unui titlu de valoare, cu
scopul de a previziona cât mai exact oscilaţiile şi trendul acestuia. Analiza
tehnică se bazează în special pe analiza grafică şi pe utilizarea unor indicatori de
natură statistică (tehnică) şi nu include analiza relaţiilor de cauzalitate dintre
preţul respectivului titlu şi diferiţi factori de influenţă. Premisa de la care
porneşte analiza tehnică este că istoria tinde să se repete şi că toate informaţiile
necesare sunt incluse în evoluţia preţului. Factorul psiholog tinde să aibă un rol
important. Se consideră că participanţii pe piaţă tind să aibă o reacţie similară
la fluctuaţiile legate de preţ, reacţie care este observată statistic.

7.1. Elemente de analiză fundamentală

În esenţă preţul este guvernat de legea fundamantală a raportului dintre cererea şi oferta
pentru un anumit bun sau titlu de valoare. Prin urmare factorii de influenţă ai preţurilor sunt de fapt
semnale din mediul economic care înclină balanţa cereri sau ofertei într-un sens sau altul.
Evoluţia preţului unei companii este determinată în principal de următoarele elemente:
1. Creşterea profiturilor/vânzărilor
2. Mărimea dividentelor acordate
3. Evenimente favorabile: un produs nou cu potenţial pe piaţă, restructurare,
preluare de către o companie mai putenică etc.
4. Rata dobânzilor. Rata dobânzilor acţionează asupra preţurilor unei acţiuni în
dublă direcţie:
a. Pe de o parte se consideră că o rată ridicată a dobânzii duce la încetinirea
creşterii economice (acces mai greu la credite) ceea ce se reflectă în
vânzări şi profituri mai scăzute realizate de companii şi deci preţuri mai
mici pentru acţiunile care nu mai pot oferii dividente atât de atractive
b. Pe de altă parte o rată mare a dobânzii face ca randamentul unor investiţii
alternative să crească (obligaţiuni, certificate de depozit etc.) în
defavoarea randamenutlui acţiunilor care devin mai puţin atractive. Prin
urmare investitorii îşi vor îndrepta lichidităţile către alte titluri ceea ce
conduce la o cerere mai redusă pentru acţiuni şi deci o diminuare de preţ.
Uneori nu este nevoie ca rata dobânzii să crească efectiv, este suficientă o
anticiparea a acestei creşteri pentru ca efectul să se facă resimţit în preţ
5. Evoluţia pieţei în ansamblu (vizibilă în evoluţia indicilor bursieri). Dacă piaţa
în ansamblul ei scade, spre exemplu, datorită unei perspective proaste a sănătăţii
economiei în ansamblu sau datorită unui panici generale pe bursă nici chiar cea
mai bună companie nu va face faţă trendului general descendent al pieţei. Este de
aşteptat totuşi, cel puţin din punct de vedere teoretic, ca o companie mai bună să
înregistreze scăderi ma mici ale preţurilor acţiunilor sale decât scăderea medie a
pieţei.

Unul dintre indicatorii cei mai utilizaţi pentru evaluarea potenţialului oferit de o anumită
acţiune este raportul Preţ/Profit (engl. PER – Price/Earnigs Ratio):

Pr etul actiunii
PER =
Pr ofit pe actiune

42
Profit pe acţiune = profitul înregistrat / nr. de acţiuni

Un alt indicator important este raportul: preţ curent/ valoare contabilă.

Cerera şi oferta observate pe termen scurt:

cerere de actiuni oferta de actiuni


pret bid (pret pret ask (pret
cantitate oferit) cerut) cantitate
253,400 0.58 0.595 55,900
525,800 0.575 0.6 75,800
428,400 0.57 0.605 28,400
10,200 0.565 0.61 32,100
10,500 0.56 0.615 42,800
82,000 0.55 0.62 92,800
7,000 0.545 0.63 46,000
297,000 0.54 0.635 100
250,000 0.535 0.64 8,500
24,700 0.53 0.65 353,500
1,889,000 TOTAL CANTITATE 735,900

Obligaţiunile sunt instrumente financiare de credit, purtătoare de dobanda sau cu discont, care
reprezinta o datorie pe termen lung, emisa de autoritatile publice sau de corporatii. Emitentul plateste
dobanda la intervale de timp specificate (de regula semestrial) şi rascumpara obligatiunile atunci cand
imprumutul este programat sa fie rambursat, adica la data scadentei (maturity date) sau mai devreme, la
data răscumpărării (call date).

Obligaţiunile sunt la rândul lor titluri financiare care pot fi tranzacţionate. Rata dobânzii influenţează
preţurile acestor titluri. Relaţia este inversă (la fel ca şi în cazul acţiunilor):
• Dacă rata dobânzii creşte preţurile obligaţiunile exisitente la tranzacţionare vor înregistra o
scadere
• Dacă rata donânzii scade preţurile obligaţiunilor tranzacţionate vor creşte

Factori de influenţă fundamentali în evoluţia cursului valutar:


• Diferenţa dintre inflaţia înregistrată de cele două economii naţionale
• Diferenţa dintre ratele dobânzilor reale. O rată mare a dobânzii pentru o anumită monedă este
mai atractivă şi deci creşte cererea pentru moneda respectivă iar moneda respectivă se apreciază
pe termen scurt. Această creştere a ratei dobânzii poate să afecteze performanţa economică de
ansamblu
• Deficitul de cont curent. Importuri mai mari decţt exporturi fac ca oferata de valută să fie mai
mare ceea ce înseamnă o depreciere a monedie naţionale
• Datoria publică (deficitul bugetar)
• Performanţa economică a respectivei ţări

Factori de influenţă ai ratei dobânzii:

43
• Cererea/Oferta de creditare. În perioade de expansiune
o cererea puternică de credite conduce la creşterea ratei dobânzii
o randamentele mai atractive oferite de companiile private (dividente, obligaţiuni) obligă
guvernul să ofere randamente mai ridicate la titlurile de stat
• Politica monetară. Prin operaţiunile de open market, facilităţi acordate băncilor, manevrarea
ratei dobânzii de politică monetară şi impunerea unor rezerve minime obligatorii Banca
naţională influenţează nivelul ratei dobânzii
• Deficitul bugetar – emiterea de titluri guvernamentale pe termen lung pentru acoperirea
deficitului cea ce însemnă o absorbţie de monedă din economie şi o creştere a ratei dobânzilor
la titlurile pe termen lung
• Inflaţia – presupune o creştere a ratei nominale a dobânzii

7.2. Metode de analiză tehnică

Analiza tehnică nu îşi propune să analizeze datele financiare ale unei companii, cum ar fi de
exemplu cashflow-ul (fluxul de numerar) sau estimarea dividendelor viitoare. Metodele analizei tehnice
sunt derivate din studierea pieţei financiare de-a lungul a sute de ani. Poate că cea mai timpurie ramură
a analizei tehnice o reprezintă tehnicile “candlestick” folosite de speculatorii japonezi din secolul al
XVIII-lea şi populare încă în zilele noastre.
Teoria Dow, introdusă de Charles Dow, cofondator al companiei Dow Jones & Company (în
1882, împreună cu Edward Jones) şi editor al Wall Street Journal, a inspirat la sfarşitul secolului al
XIX-lea folosirea şi dezvoltarea analizei tehnice.
Ca orice teorie, analiza tehnică a dat naştere la numeroase discuţii pro şi contra. Una dintre
teoriile formulate de opozanţii analizei tehnice este ipoteza de piaţă eficientă, care susţine că o piaţă
eficientă are o evoluţie de tip “mers la întâmplare” şi că pe o astfel de piaţă activităţile de tip
speculativ, prin utilizarea analizei tehnice, sunt practic imposibile.

44
Reprezentarea grafică ce mai comună este prin bare de preţ. O bară de preţ coincide unei
anumite frecvenţe temporale (1 min., 5 min., 10 min., 15 min., 30 min., 1 h, 1 zi, 1 săptămână, 1 lună)
şi conţine preţul de deschidere (preţul iniţial), preţul minim, preţul maxim şi preţul de închidere.

7.2.1. Benzile Bollinger

Benzile Bollinger reprezintă un sistem de generare a semnalelor de tranzacţionare


(vânzare/cumpărare) bazate pe principiul reversibilităţii evoluţiei preţurilor. Cu alte cuvinte se
porneşte de la ipoteza că o creştere a preţurilor peste valoarea reală, fundamentată din punct de vedere
economic, va fi urmată de o scădere a acestora, adică de o revenire căre valoarea reală. Principiul este
simetric, fiind valabil atât în condiţiile unei supraevaluări cât şi al unei subevaluări, aceasta din urmă
fiind urmată de o revenire în sensul creşterii cotei respectivului activ.

45
Din punct de vedere tehnic Benzile Bollinger sunt formate dintr-o valoare medie centrală şi
două frontiere (benzi) care încadrează valoarea centrală.
Etape în construirea unui sistem de tranzacţionare bazat pe Benzi Bollinger:
1. Valoarea medie centrală poate fi calculată prin diferite metode de nivelare:

• Medie mobilă

1

n
yn = y
t =n −k +1 t
k

• Nivelare exponenţială

yˆ t = αyt + (1 − α ) yˆ t −1

• Medie mobilă exponenţială

k −n +t
y n = ∑t =n −k +1
n
yt

k
j =1
j

• Etc.

y t - preţul de închidere înregistrat la sfîrşitul unei perioade de timp (zi, oră, 30 min etc.)

ATENŢIE !!!

Spre deosebire de media mobilă, nivelarea exponenţială şi media mobilă exponenţială folosite
direct în previziune (cap.2), valorile calculate în acest context corespund perioadei curente adică,
reprezintă valori medii care înlocuiesc valoarea curentă şi nu reprezintă previziuni pentru perioada
viitoare.

2. Se calculează deviaţiile preţului de închidere faţă de preţul mediu:

Dt = yt − yt

3. Se aplică o metodă de nivelare a deviaţiilor la fel ca şi în cazul calculării tendinţei centrale,


de regulă pe acelaşi interval de timp, obţinându-se o deviaţie medie aferentă perioadei, D
4. La valoare medie centrală se adaugă/scade un număr de deviaţii medii:
• Frontiera superioară
y s = y + nr * D
• Frontiera inferioară

y i = y − nr * D

Distanţa dintre frontiere este direct proporţională cu volatilitatea preţului datorită unei deviaţii
mai mari faţă de medie.

46
19

1 8.5

18

1 7.5

17

1 6.5

16
8
2
6
0
4
8

2
6
0
4
8
2
0
4

2
6
0
4
8

6
0
4
8
2
6
00
90
90
90
91
91
92
92
92
93
93
94
94
94
95
95
96
96
96
97
97
98
98
98
99
99
10
Semnale de vânzare/cumpărare:
Atunci când preţul intersectează frontiera superioară se previzionează o scădere de preţ şi deci se dă un
ordin de vânzare iar când preţul de vânzare intersectează frontiera inferioară se dă un ordin de
cumpărare aticipându-se o creştere a preţurilor.

7.2.2. Intersecţia mediilor mobile

Sistemele bazate pe mediile mobile pornesc de la premisa că o creştere semnificativă a


preţurilor observată la un moment dat va continua şi în viitor. A tranzacţiona cu ajutorul unui astfel de
sistem este echivalent cu a tranzacţiona conform principiului “ cumpără ceea creşte şi vinde ceea ce
scade”.
Cele mai utilizate medii mobile sunt calculate pe ferestre de 20, 30, 50, 100 sau 200 zile.
Fiecare medie mobilă furnizează o interpretare diferită cu privire la evoluţia preţului unui tiltlu de
valoare. Cu cât perioada pe care se calculează media mobilă este mai scurtă, cu atât sta va fi mai
sensibilă la modificările preţului. Mediile sunt calculate în general cu ajutorul mediilor mobile sau al
mediilor mobile exponenţiale, termenul fereastră de lungime k, în acest context, fiind echivalent cu cel
de ordin k (cap.2), însemnând numărul de valori cuprinse în medie.

47
80

75 V

70

65

60

MM exp. 100 zile


55

MM exp. 20 zile
50
C
45

40
1800
1817
1834

1868
1885
1902
1919
1936
1953
1970
1987
2004
2021

2072
2089
2106

2123
2140
2157

2191
2208
2225
1851

2038
2055

2174
Semnale de vânzare/cumpărare:
Astfel, se consideră a fi un moment optim de cumpărare momentul în care media mobilă
calculată pe o fereastră scurtă (ex. 20 zile) devine mai mare decât media mobilă calculată pe o fereastră
mai lungă (ex. 100 zile), deoarece acest moment este considerat începutul unui trend crescător de
durată. Momentul este optim pentru vânzare atunci când media mobilă calculată pe o fereastră mai
scurtă devine mai mică decât media mobilă calculată pe o fereastră mai lungă, această situaţie indicând
începutul unui trend descendent.

7.2.3. Oscilatorul Stocastic

Oscilatorul stocastic se calculează astfel:


:

1. Se decide asupra numărului de perioade, K, incluse în calcul (5 zile, 20 zile etc.) Aceste
perioade reprezentând bare de preţ cu preţul de deschidere, preţul minim, preţul maxim şi
preţul de închidere. Înfiecare moment t se alege cel mai mic preţ minim şi cel mai mare preţ
maxim pe o fereastră de k bare în urmă.
2. Se calculează la fiecare moment (bară) t următoarele valori:
CL = Preţul de închidere [t] - Cel mai mic preţ minim [pe fereastra de N bare]
HL = Cel mai mare preţ maxim [pe fereastra deK bare] – Cel mai mic preţul minim [pe fereastra de K bare]
OS = CL / HL *100

48
3. Valoarea OS este nivelată printr-o medie mobilă obţinându-se un oscilator stocastic mediu OS

În partea de jos a graficului este reprezentat OS împreună cu pragurile de 80% şi 20%

Semnale de vânzare/cumpărare:
Semnal de vânzare:
Atunci când OS depăşeşte un prag superior (de regulă 80%)
Semnal de cumpărare:
Atunci când OS coboară sub un prag inferior (de regulă 20%)

8. Previziuni de marketing

8.1. Previziunea produselor noi introduse pe piaţă

Una dintre cele mai importante aplicaţii comerciale ale previziunii poate fi găsite în ultimele
faze ale procesului de dezvoltare a noilor produse moment în care managerii au nevoie de estimări cât
mai exacte privind în special rate de penetrare a pieţei, volumul vânzărilor şi cota de piaţă. În cele ce
urmează va f tratată problematica bunurilor de larg consum.

8.1.1. Modele pentru pieţe test

49
Crearea unui nou produs (concept sau prototip) implică costuri ridicate însă lansarea unui
produs pe piaţă poate fi mult mai costisitoare (ex.: realizarea produsului Gillette Ultramax a costat 1,9
milioane USD iar lansarea pe piaţă 19 milioane USD). Pentru a decide dacă un produs merită sau nu să
fie lansat pe piaţă la scară largă, companiile producătoare au nevoie de previziuni detaliate privind
evoluţia vânzărilor ulterioară lansării produslui.
În ultimele decenii producătorii de bunuri de larg consum folosesc pieţe test înainte de
lansarea unui produs la scară naţională sau internaţională. Pieţele test sunt pieţe restrânse care includ un
număr limitat de puncte de desfacere sau zone geografice şi au rolul de a evalua performanţa unui
produs în condiţii reale de piaţă precum şi a unor planuri alternative de marketing. Utilizarea unor
pieţe test implică, la rândul lor, costuri care cresc odată cu durata perioadei de testare a produselor dar
şi odată cu creşterea costului de oportunitate de a nu lansa produsul pe scară naţională mai devreme.
Perioadele lungi de testare dau competitorilor posibilitatea de a evalua produsele care sunt pe punctul
de a fi lansate şi de lansa mai rapid produse similare care pot fi mai competitive. Pentru a veni în
întâmpinarea acestei probleme au fost create modele specifice pieţelor test care au rolul de a face
predicţia volumului vânzărilor pe baza primelor rezultate provenite din pieţele de testare reducând
astfel, în mod semnificativ, durata necesară testării.
Unul dintre cele mai utilizate modele presupune descompunera vînzărilor observate în perioada
de testare în achiziţii care reprezintă încercări ale produslui şi achiziţii repetate. Acest tip de modele (
“depth of repeat models”) la dezvoltarea cărora au contribuit Fourt şi Woodlock (1960), Eskin (1973),
Kalwani şi Silk (1980) iar mai recent Fader şi Hardie (1999) sunt utilizate în prezent de companii în
domeniul cercetărilor şi previziunilor de marketing (ex. BASES1). De obicei datele observate reprezintă
vânzări săptămânale. Astfel vânzările cumulate (vânzările care au fost relizate până în săptămâna t),
S(t), pentru un anumit produs pot fi descompuse în:
a. Numărul de achiziţii care reprezintă încercarea produsului (prima achiziţie realizată de
un cumpărător), T(t)
b. Numărul de achiziţii care reprezintă prima repetiţie (achiziţii realizate de cumpărători
care cumpără un produs a doua oară, după ce l-au încercat), FR(t)
c. Numărul de repetiţii ulterioare, AR(t)

S(t) = T(t) + FR(t) + AR(t)

Descompunerea în aceste componente şi realizarea previziunilor pentru fiecare componentă în


parte este deosebit de utilă pentru a cunoaşte natura şi cauzele succesului/insuccesului unui produs şi
pentru adoptarea unor măsuri corespunzătoare. De exemplu vânzări realizate sub nivelul aşteptat pentru
un anumit produs pot fi explicate prin următoarele două scenarii posibile:
a. Deşi mulţi consumatori încearcă produsul foarte puţini fac o nou achiziţie pentru
că produsul nu corespunde preferinţelor consumatorilor. Deci produsul trebuie
îmbunătăţit pentru a atinge cel puţin nivelul de satisfacţie asteptat de consumatori.
b. Foarte puţini consumatori încearcă produsul dar totuşi cei care o fac sunt
încântaţi şi achiziţiile ulterioare sunt ridicate. Deci produsul trebuie mai bine promovat
pentru a fi încercat de mai mulţi consumatori.
De asemenea descompunerea are şi rolul realizării unei previziuni mai exacte. Dacă urmărim
figura de mai jos, unde se încearcă realizarea unei previziuni pornind doar de la vânzările globale S(t)
observate până în momentul t0 utilizând o funvţie de tendinţă, evoluţia viitoare poate fi una din
variantele (a), (b) sau (c). Alegerea uneia din cele 3 variante se face prin alegerea formei funcţiei de
tendinţă utilizată în previziune care reprezintă o decizie făcută a priori momentului t0 şi deci presupune
un risc. Este adevărat faptul că alegerea funcţiei se face astfel încât această funcţie să estimeze cât mai
1
BASES a fost fondată la mijlocul anilor 1970. În 1998 a fost cumpărată de ACNielsen care la rândul ei a fost cumpărată
în 2001 de VNU.

50
bine vânzările observate (pâna la momentul t0) însă, aşa cum a fost precizat anterior, se doreşte ca
perioada de observare, adică perioada în care produsul să fie testat pe piaţă să fie cât mai mică.
Alegerea unei funcţii potrivite pentru vânzările totale reprezintă deci un demers dificil în aceste
condiţii.
Dacă vânzările sunt descompuse în încercări şi repetiţii atunci varianta (a) corespunde situaţiei
în care nivelul de repetiţii este ridicat, varianta (b) corespunde unui nivel al repetiţiilor mai scăzut iar
varianta (c) corespunde unui nivel nul al vânzărilor repetate. Dacă vânzările repetate ar fi observate
înainte de momentul t0 nivelul acestora ar duce, fără îndoială, informaţii importante pentru perioada de
previziune.

PIAŢĂ TEST

(a)

Vânzări

(b)

(c)

Perioadă de t0 Previziune t
observare

1. Model pentru numărul total cumulat al primei încercări pentru un anumit produs până în
momentul t:

T (t ) = N × P (t )
N – număr de consumatori potenţiali

P(t) – probabilitatea ca un cumpărător să facă prima încercare până în momentul t.

P(t ) = ρ 0 (1 − e −θT t )

t – variabila timp, în general săptămâni

2. Model pentru prima achiziţie repetată:


51
F (t)= ∑ t = 1{R ( ttP 0 × tT 0)([)/ − (tT 0 − 1) ] }
t− 1

0
P (t / t0 ) = ρ1 (1 − e −θ FR ( t −t0 ) )

P (t / t 0 ) - probabilitatea de a face prima achiziţie repetată în momentul t condiţionată de încercarea


produsului în momentul t0 (probabilitatea de face prima achiziţie repetată după o periodă de
t-t0 săptămâni de la încercarea produsului)
t - momentul primei repetiţii
t0 - momentul încercării produsului
T(t0)-T(t0-1) – cu cât a crescut numărul de consumatori care au făcut prima încercare faţă de perioada
anterioară (numărul de consumatori care au făcut prima încercare în săptămâna t0)

3. Model pentru repetiţiile ulterioare:

AR (t ) = ∑j >1 R j (t )

Rj(t) = ∑ t = 1{ tP j /( tj− 1)× [Rj− 1(tj− 1) − Rj− 1(tj− 1 − 1) ] }


t− 1

0
−θ AR ( t −t j −1 )
P (t j / t j −1 ) = ρ j (1 − e )
ρ j = ρ∞ (1 − e −γj ) , j ≥ 2

8.1.2. Modele pentru pieţe pre-test

Pentru că testarea unui produs pe o piaţă, aşa cum a fot deja precizat, implică costuri
considerabile dar şi un anumit risc din partea companiilor concurente au fost create modele care să
permită evaluarea succesului unui produs înainte ca acesta să fie testat pe o piaţă. Spre deosebire de
pieţele test unde produsul, în volum limitat, este disponibil pentru a fi achiziţionat în mod real, pieţele
pre-test presupun o fază incipientă în care produsul este în fază de prototip, nu a fost lansat în mod real
pe nici o piaţă şi este posibil chiar ca produsul să nu aibă încă o denumire şi un ambalaj final în vederea
comercializării.
52
Modelele care generează previziuni privind volumul vânzărilor sau cota de piaţă a unui produs
înainte ca acesta să fie testat pe piaţă se bazează în mare măsură pe intenţiile exprimate de potenţialii
consumatori. Un eşantion selectat din potenţialii consumatori sunt confruntaţi cu produsul aflat în fază
de prototip într-un spaţiu special amenajat. Consumatorii sunt chestionaţi cu privire la propriile lor
intenţii de acumpăra produsul respective dar şi în ceea ce priveşte opinia acestora faţă de aumite
caracteristici ale produslui. Consumatorii interesaţi sunt încurajaţi să testeze produsul respective sau le
este oferit produsul pentru a fi testat ulterior, la domiciliu. După o anumită perioadă de timp optimă
(timp mediu estimat între achiziţii successive) consumatorii chestionaţi sunt contactaţi din nou, de
obicei telefonic, pentru a se obţine informaţii privind gradul de satisfacţie al acestora în urma utilizării
produsului dar şi privind noile intenţii ale consumatorilor faţă de produsul respectiv. Uneori produsul le
este oferit consumatorilor de mai multe ori.
O altă categorie de modele face apel la analogia dintre produse. Foarte multe companii
specializate pe cercetări de marketing (BASES, Novaction ets.) crează baze de date cu informaţii
referitoare la mii de produse lansate. Caracteristicile (reclamă, poziţionare, distribuţie etc.) produsului
care urmează a fi lansat este comparat cu caracteristicile produselor lansate anterior din categoria
respectivă. Legătura dintre performanţa produsului şi caracteristicile sale este formalizată prin funcţii
de mai mulţi parametrii. Prametrii estimaţi pe diferite categorii de produse lansate anterior sunt
utilizaţi pentru a previziona performanţa noilor produse.
În cele ce urmează vor fi prezentate foarte succint etapele esenţiale ale modelului ASSESSOR1
(Urban, Slk 1977) aflat în prezent în proprietatea companiei M/A/R/C (Marketing and Research
Counselors)2. Etapele acestui model prin care se estimează cota de piaţă a unui nou produs ce urmează
a fi lansat pe piaţă sunt:
1) Potenţiali consumatori (subiecţi) din segmentul de piaţă sunt interceptaţi în timp ce fac
cumpărături, cei disponibili sunt conduşi într-un spaţiu special amenajat unde l-i se
administrează un chestionar iniţial în vederea identificării setului de produse familiar
(setul de produse pe care o persoană le are în vedere atunci când face o alegere).
2) Subiecţilor l-i se administrează un al doilea chestionar (care este adaptat în funcţie de
răspunsurile la primul chestionar adică în funcţie de produsele cu care subiectul este
familiar). Produsele sunt grupate 2 câte 2 iar subiectul trebuie să aloce 11 între cele 2
produse ale fiecarei perechi. În funcţie de numărul de puncte alocat fiecare produs va
primi un scor V ( j ) .
3) Într-un magazin fictiv subiecţior l-i se oferă ocazia să facă cumpărături gratuit până la o
anumită limită peste care trebuie să plătească. Subiecţilor care nu cumpără din proprie
iniţiativă noul produs acesta le este oferit gratuit.
4) Probabilitatea ca un consumator să cumpere produsul j este exprimată în funcţie de
scorul obţinut pentru produsul j prin următoarea relaţie:

V ( j) β
P( j ) =

m
j =1
V ( j) β

m - numărul de produse aflat în setul de produse familiar fiecărui respondent


V ( j ) - scorul obţinut de produsul j
P(j) – probabilitatea ca un consumator să cumpere produsul j (procentul de
cumpărători care cumpără produsul j)

1
Trebuie menţionat faptul că procedura este prezentată doar parţial şi în mod simplificat estimările reale
implicând şi calcule mai complexe
2
M/A/R/C a fost cumpărată de compania Omnicom în 1999 fiind în prezent controlată de aceasta.
53
Rolul acestei etape este estimarea parametrului β. Preferinţele consumatorilor sunt
cunoscute în etapa 2) iar procentul de cumpărători în etapa 3) problema care rămâne
fiind în ce măsură preferinţele exprimate ale cumpărătorilor reprezintă un bun predictor
pentru procentul efectiv de achiziţii. Parametrul β face legătura dintre preferinţele
consumatorilor (exprimate prin punctele acordate de subiecţi fiecărui produs - scoruri) şi
procentul de cumpărători (probabilitatea ca un anumit produs să fie cumpărat) acţionând
ca un corector pentru o posibilă subevaluare sau o supraevaluare făcută de consumatori
în chestionar.
5) După o perioadă de timp subiecţii sunt contactaţi din nou iar cei care între timp au
încercat noul produs sunt supuşi din nou unui interviu. Chestionarul este similar celui
din etapa 2) cu diferenţa că subiecţii trebuie să acorde puncte şi noului produs pe care
au avut deja ocazia să-l încerce.
6) Cu ajutorul parametrului β estimat în etapa 4) se previzionează probabilitatea cu care
un cumpărător va achiziţiona noul produs i.
~
~ V (i ) β
P (i ) = m ~
V (i ) β + ∑j =1V ( j ) β
~
P (i ) - probabilitatea ca un consumator să cumpere noul produs i
~
V ( j ) - scorul obţinut de produsul j din setul de produse familiare după ce a fost
încercat şi noul produs i
V (i ) - scorul obţinut de noul produs i
În această etapă se porneşte de la ipoteza că parametrul β este aproximativ acelaşi şi
pentru noul produs i
7) Cota de piaţă previzionată pentru noul produs i este calculată după formula:
~
ˆ (i ) = E (i ) P
M (i )
ˆ
M (i ) - cota de piaţă estimată pentru noul produs i care urmează a fi lansat
E (i ) - proporţia consumatorilor care vor include bunul i în setul de produse
familiare
~
Se observă că probbailitatea P (i ) a fost calculată pornind de la scoruri acordate unor
produse cu care cumpărătorii potenţiali sunt familiarizaţi adică fie au auzit de ele fie le-
~
au încercat. Prin urmare probbailitatea P (i ) este de fapt probabilitatea ca un
consumator să cumpere noul produs i dacă cunoşte acest produs. Prin urmare este
necesară estimarea lui E (i ) care se realizează în principal în funcţie de impactul
promovării produsului (chestionare prin care se verifică în ce măsură consumatorii
cunosc un produs, îşi amintesc reclama produsului etc.).
În urma previziunilor făcute cu modele specifice fazei de pre-test se poate lua decizia de a
renunţa la produs, de a introduce produsul într-o piaţă test sau de a lansa produsul la scară naţională.

8.2. Anchete privind intenţiile consumatorilor

Anchetele privind intenţiile consumatorilor reprezintă o metotă specifică activităţii de


previzionare a vânzărilor. Din punct de vedere tehnic este orecum similară anchetei aupra opiniei
specialiştilor cu diferenţa că respondenţii sunt chestionaţi în legătură cu propriile lor intenţii de a
cumpăra sau nu un anumit produs ceea ce implică o seamă de particularităţi. Anchetele privind
intenţiile consumatorilor sunt folosite în general pentru produse deja existente pe piaţă fiind în special
eficiente în cazul bunurilor de folosinţă îndelungată acestea implicând un proces decizional mai
complex din partea cumpărătorului (Ex: Este relevant ca o persoană să fie întrebată în legătură cu
54
achiziţia unei maşini în anul următor însă dacă este întrebată în legătura cu achiziţia unor obiecte de
papetărie spre exemplu este foarte probabil ca persoana respectivă să nu ştie ce va face privind astfel
de lucruri nesemnificative)

Exemplu de întrebări posibile în cadrul unui chestionar privind intenţiile consumatorilor:

Care din următorele alternative descrie cel mai bine probabilitatea achiziţionării produsului X în
următoarele 12 luni de către d-vs.?

1. Voi cumpăra cu siguranţă (4)


2. Probabil că voi cumpăra (3)
3. Sunt indecis (2)
4. Probabil că nu voi cumpăra (1)
5. Nu voi cumpăra cu siguranţă (0)

Acestor alternative l-i se pot atribui probabilităţi :

1. 4/4 = 1
2. ¾ = 0,75
3. 2/4 = 0,5
4. ¼= 0,25
5. 0

O previziune simplă a procentului de persoane care vor achiziţiona produsul respectiv în


perioada precizată este probabilitatea medie obţinută pentru eşantionul de respondenţi (dacă
probabilitatea medie exprimată de respondenţi este 0,30 în semană că 30% dintre respondenţi vor
cumpăra produsul respectiv). Valaorea medie poate fi calculată astfel:

Procentul celor care vor cumpăra =


procentul celor care au spus că vor cumpăra cu siguranţă* 1
+ procentul celor care au spus că probabil vor cumpăra * 0,75
+ procentul celor indecişi* 0,5
+ procentul celor care au spus că nu vor cumpăra* 0

De obicei însă intenţiile exprimate de cumpărători în cadrul unui sondaj diferă în mod
sistematic de acţiunile reale ale acestora. Printre cauze putem aminti:
• consumatorul poate să facă o evaluare greşită a propriilor intenţii
• tentaţia de a da un răspuns care să-l mulţumească pe operator (persoana care
administrează chestionarul)
• tentaţia de a-şi crea o imagine proprie favorabilă (ex. imboldul de nu recunoaşte că nu
va cumpăra un produs prea scump)
• înţelegerea greşită a întrebării
• chiar dacă consumatorul îşi exprimă în mod corect intenţia, în intervalul dintre
momentul exprimării intenţiei şi momentul achiziţionării propriu-zise pot interveni o
serie de evenimente care pot schimba intenţiile reale ale consumatorului.

55
O previziune mai realistă va ţine cont însă şi de abaterea acţiunilor respondenţilor de la
propriile intenţii exprimate. O posibilă modalitate de calcul ar fi următoarea:

Procentul celor care vor cumpăra =


procentul celor care au spus că vor cumpăra cu siguranţă* procentul celor care au spus că vor
cumpăra cu siguranţă şi au cumpărat
+ procentul celor care au spus că probabil vor cumpăra * procentul celor care au spus că probabil vor
cumpăra şi au cumpărat
+ procentul celor indecişi* procentul celor indecişi care au cumpărat
+ procentul celor care au spus că nu vor cumpăra* procentul celor care au spus că nu vor cumpăra şi au
cumpărat

Se remarcă că această evaluare a abaterii de la intenţiile afirmate poate fi evaluată numai printr-
un studiu derulat anterior care să compare achiziţiile efective ale fiecărui grup de respondenţi cu
intenţiile exprimate de aceştia.
Unele companii specilizate (ex. BASES) crează baze de date cu coeficienţi de corecţie estimaţi
din studii anterioare privind diferite categorii de bunuri dar şi diferite zone geografice. Se porneşte de
la premisa că populaţia anumitor ţări denaturează mai mult sau mai puţin realitatea în răspunsurile
exprimate într-un mod specific. Prin urmare răspunsurile provenite dintr-un un studiu desfăşurat într-o
anumită ţară (latină, asiatică, anglo-saxonă etc.) vor fi corectate cu coeficienţii corespunzători.

8.3. Previziuni privind cota de piaţă

Într-un sistem competitiv de marketing pentru bunuri de consum existente pe piaţă companiile
pot desfăşura activităţi de marketing orientate către consumator sau activităţi de marketing orientate
către distribuţie.
Acrivităţi le de marketing orientate către consumator sunt adresate direct acestuia şi privesc
calitatea produsului, ambalarea, varietatea sortimentelor, nivelul preţului, publicitate, promoţii etc.
Marketingul orientat către consumator se foloseşte în cazul bunurilor cu un brand bine diferenţiat.
Activităţile de marketing orientate către distribuţie se referă la activitatea personalului direct
implicat în vânzări, poziţionarea pe raft a bunurilor, reduceri de preţ, reduceri de preţ legate de
cantitate, negocierea altor condiţii favorabile cu distribuitorii etc. Aceste tehnici de marketing se
folosesc pentru produse care nu au un brand bine diferenţiat (Ex. Un cumpărător nu va căuta o anumită
marcă de şerveţele ci le va lua pe cele care sunt la îndemănă, adică bine poziţionate, sau eventual pe
cele mai ieftine)
Un al treilea set de factori care influenţează vânzările conţine elemente legate de variaţia
sezonieră, modificările demografice, veniturile populaţiei, cultură şi stil de viaţă, dezvoltare
tehnologică etc. În timp ce variabilele implicate de activităţile de marketing orientate către consumator
sau distribuţie influenţează cota de piaţă a unui produs, ultimul set de variabile influenţează volumul
vânzărilor în ansamblu, expansiunea sau contracţia acestora per global.
În domeniul previziunilor de marketing au fost folosite diferite metode de previziune a cotei de
piaţă pornind de la variabilele mai sus amintite care au un impact semnificativ asupra cotei de piaţă.
Frecvent utlizate sunt metode generale de previziune cum ar fi regresia multiplă şi reţelele neuronale
care permit introducerea diferitelor variabille independente.
Pe lângă metodelele generale de previziune un model specific previziunilor de marketing
privind cotele de piaţă este modelul de atracţie:

56
∏ (x )
boj n bkj u jt
e kjt e
c jt = k =1

∑ e ∏ (x
m b0 j n b u jt
j =1 k =1 kjt ) kj e

c jt - cota de piaţă a produslui j la momentul t


x hjt - factorul de influenţă k al produsului j la momentul t
boj - termen liber pentru bunul j
bkj - parametrul factorului de influenţă k al bunului j
u jt - eroarea de estimare a bunului j la momentul t
n – numărul factorilor de influenţă
m – numărul de bunuri

Acest model porneşte de la premisa că cota de piaţă a unui produs se poate calcula ca raport
dintre efortul de marketing pentru acel produs şi efortul de marketing al tuturor produselor de pe piaţă (
± o eroare de estimare).
Acest model are dezavantajul că efortul de marketing privind produsele concurente este mai
greu de estimat pentru perioada aferentă orizontului de previziune, acţiunile concurenţilor pe piaţă pot
fi dificil de prognozat..

8.4. Analiza preferinţeleor consumatorilor (“Conjoint Analysis”)

9. Previzionarea situaţiei financiare la nivel de întreprindere

Metoda raportării la cifra de afaceri (cunoscută sub denumirea procent din vânzări) este
metoda cea mai simplă de previziune financiară, care satisface eficient nevoile informaţionale ale unei
organizaţii (firme). Motivul pentru care această metodă are o mare aplicabilitate în ghidarea
managerilor este faptul că porneşte de la o ipoteză viabilă şi anume că majoritatea posturilor bilanţiere
variază o dată cu vânzările.

9.1. Previziunea cifrei de afaceri


Punctul de plecare a tuturor previziunilor financiare este previziunea vânzărilor. Pe baza estimării
cifrei de afaceri pe perioada următoare se poate determina necesarul de active circulante şi fixe, respectiv
fondurile permanente şi curente necesare pentru acoperirea finanţării lor.

Previziunea cifrei de afaceri se poate realiza prin două metode de abordare:


• Abordarea globală (sintetică) care presupune previzionarea directă a cifrei de afaceri totale

57
• Abordarea analitică presupune împărţirea vânzărilor firmei pe categorii principale de produse
previziunea realizându-se pe fiecare categorie în parte după care având loc reagregarea
acestora.
Una din recomandările specialiştilor este realizarea previziunii cifrei de afaceri per global după
care având loc compararea acesteia cu cifra de afaceri previzionată analitic şi alegerea variantei cele
mai pesimiste (celei mai mici).
Dacă previziunea cifrei de afaceri are o valoare nejustificat de ridicată consecinţele pot fi
deosebit de grave, deoarece firma ar putea să ajungă fie în situaţia să producă pe stoc, fie să nu-şi utilizeze
corespunzător capacităţile de producţie, ducând la scăderea vitezelor de rotaţie, costuri mai mari şi
deprecierea rentabilităţii şi a lichidităţilor.
Previziunea cifrei de afaceri, atât global cât şi analitic, din punctul de vederea al metodelor de
realizare se poate face prin:
• Metode de extrapolare a seriilor de timp caz în care se ţine cont doar de tendinţa
fenomenului;
• Funcţii de regresie caz în care se ţine cont de variabilele explicative cum ar fi:
cheltuielei de publicitate, preţ, număr de concurenţi etc.
• Metode combinate. Una dintre metodele recomandate de specialişti este previzionarea
producţiei la nivel de industrie prin extrapolarea tendinţei iar apoi previzionarea cotei de
piaţă deţinute de firma în cauză. Previziunea finală se face prin înmulţirea cotei de piaţă
previzionate aferentă unei firmei sau unui produs cu cifra de afaceri previzionată la
nivel de industrie.

9.2. Previzionarea elementelor contului de rezultate

În estimarea contului de rezultate se va ţine cont de următoarele principii:


- separarea elementelor de venituri şi cheltuieli pe categorii: din exploatare, financiare,
excepţionale.
- separarea elementelor în funcţie de variaţia faţă de cifra de afaceri: variabile şi fixe.
- corelaţii cu alte situaţii pro-forma: bilanţul, situaţia fluxului de numerar.

Estimarea veniturilor din exploatare


Are la bază cifra de afaceri estimată în etapa anterioară. Structura acesteia pe producţie vândută
şi vânzări de mărfuri se va considera stabilă. Restul veniturilor din exploatare, de natura producţiei
exerciţiului, se vor considera că variază odată cu cifra de afaceri la un nivel mediu (calculat ca medie a
anilor anteriori). Veniturile din subvenţii, provizioane şi alte venituri se vor neglija, din motive de
prudenţă.

Estimarea cheltuielilor din exploatare


Cheltuielile de exploatare se consideră că vor varia proporţional cu cifra de afaceri. Excepţie de la
această regulă vor face cheltuielile cu amortizarea (în general planurile de afaceri utilizează metoda de
amortizare liniară), care se vor stabili ţinând cont de valoarea mijloacelor fixe şi investiţiile noi,
respectiv gradul mediu de amortizare. Nu toate cheltuielile de exploatare sunt variabile, însă atunci când se
sporeşte cifra de afaceri, tot din motive de prudenţă se creşte şi ansamblul lor. Alte cheltuieli din exploatare şi
din provizioane se neglijează din motivele anterior menţionate.

Estimarea veniturilor financiare

58
Veniturile financiare vor fi estimate pe categorii. Veniturile din dobânzi se vor obţine prin aplicarea
dobânzilor pe cont curent asupra sumelor rezultate din situaţia fluxului de numerar. Veniturile din diferenţe de
curs valutar se vor considera la un nivel minim al anilor precedenţi. Alte venituri financiare, din provizioane se
vor ignora din motive de prudenţă.

Estimarea cheltuielilor financiare


Cheltuielile financiare se vor previziona pe categorii. Cheltuielile din dobânzi se obţin prin aplicarea
dobânzilor la creditele bancare contractate. Realiazarea progrsmului de rambursare a creditului este deosebit de
utilă pentru calcularea bazei asupra căreia se va plaica rata dobânzii, calculându-se astfel nivelul cheltuielilor cu
dobânda.
În general rata dobânzii aferentă împrumuturilor contractate de firmele mici esta mai mare decât cea a
creditelor contractate de firmele mari. În cadrul firmelor mici cu cât este mai nouă firma cu atât rata dobânzii
este mai mare. Acesta este un lucru normal ddatorită faptului că pentru afacerile mai mici şi mai noi riscul de
nerambursare a creditului este mai mare decît în cazul firmelor mari.
Alte cheltuieli financiare, din motive de prudenţă se vor considera la raportul mediu faţă de cifra de
afaceri.

Estimarea veniturilor şi cheltuielilor excepţionale


Aceste elemente de regulă se vor neglija, având în vedere faptul că ele nu ar trebui să facă parte
din activitatea normală, curentă a activităţii organizaţiei (firmei).

Estimarea impozitului pe profit


Se va face pe baza cotei de impunere în vigoare, aplicat asupra profitului brut, cumulat din
etapele anterioare. Dacă este inevitabilă existenţa unor cheltuieli nedeductibile, atunci se vor face corecţii
asupra profitului brut în vederea obţinerii profitului impozabil. Veniturile nedeductibile fiscal se vor ignora
din motive de prudenţă.

Estimarea profitului net


Se realizează prin deducerea impozitului din profitul impozabil şi va fi preluată în pasivul
bilanţului financiar la capitolul de capitaluri proprii.

9.3. Previziunea elementelor de activ

Într-o primă fază se raportează elementele patrimoniale din bilanţ la cifra de afaceri. Se
identifică elementele care variază odată cu cifra de afaceri.

Nivelul estimat al lor va fi în general:


A(P) t
A(P) t +1 = Ca t +1 ⋅
Ca t
Previziunea elementelor de active circulante
Există două cazuri:
a) când nivelul activelor curente (creanţe şi stocuri) sunt considerate cel puţin la un nivel normal
dacă nu optim, ele vor creşte odată cu cifra de afaceri. Această metodă presupune previzionarea
lor în funcţie de viteza de rotaţie.
b) când în trecut au înregistrat valori anormale, ca durate de rotaţie, atunci ele trebuie corectate
pentru a se înscrie în limite normale de eficienţă.
 Ac 
Ac t +1 = Cat +1 ⋅  t  ⋅ k
 Cat 

59
unde: Act - active curente în momentul instoric t;
Act+1 - active curente estimate pentru momentul t + 1;
Cat - cifra de afaceri realizată pe perioada istorică t;
Cat+1 - cifra de afaceri estimată pe perioada t + 1.
k - coeficient de corecţie;
Notă: Elementele de disponibilităţi vor rezulta pe baza situaţiei fluxului de numerar.

Previziunea disponibilităţilor

Se procedează la determinarea nivelului de disponibilităţi necesare, prin raportare la cifra de afaceri.


Acesta se va compara cu cel obţinut prin corectarea soldului de disponibilităţi cu fluxurile de numerar.
a) Dacă soldul final rezultat prin luarea în considerare a fluxului de numerar va fi mai mare decât
cel obţinut prin raportarea la cifra de afaceri, atunci se va căuta plasarea excedentului.
b) Dacă soldul final va fi mai mic, atunci se va proceda la recalcularea necesarului suplimentar de
fonduri, iar restul rămas neacoperit se va acoperi din credite bancare pe termen scurt.

Previziunea elementelor de active imobilizate

Sunt două situaţii:


a) când nivelul activelor imobilizate sunt considerate cel puţin la un nivel normal dacă nu optim, înseamnă
că firma a avut un grad maxim de utilizare a capacităţii de producţie. Un nou nivel se poate realiza doar cu o
investiţie suplimentară. Investiţiile se pot realiza în două feluri:
- relativ constant în raport cu cifra de afaceri, când nu sunt necesare investiţii considerabile pentru
extinderea capacităţilor.
- în salturi, când din considerente de natură tehnologică, investiţiile presupun valori mari ale activelor
fixe, deoarece este necesară o unitate completă de prelucrare. În acest caz şi sporul doar cu 1% a cifrei de
afaceri poate determina un salt considerabil în valoarea investiţiilor, făcând ca pentru sporuri mici ale cifrei de
afaceri aceste investiţi să fie ineficiente, generând grade reduse de utilizare a capacităţilor şi cheltuieli ridicate
cu amortizarea deci riscuri de exploatare sporite.
b) când în trecut capacitatea efectiv utilizată a fost mai mică, se poate determina sintetic nivelul cifrei de
afaceri până la care firma nu este nevoită să realizeze investiţii.
Peste acest nivel va trebui să realizeze investiţii.
Ca t
Camax =
Guc t
unde: Guct -grad de utilizare a capacităţii de producţie pe perioada istorică t;
Camax - cifra de afaceri maxim posibilă;
Cat - cifra de afaceri realizată pe perioada istorică t.

9.4. Previziunea elementelor de pasiv

Creşterea elementelor de activ trebuie să genereze, pe baza egalităţii fundamentale între activ şi pasiv, a
surselor de finanţare. În cadrul sporului acestor surse trebuie însă să se aibă în vedere următoarele principii
fundamentale:
- elemente de active imobilizate trebuie în principiu finanţate din resurse permanente;
- trebuie păstrat un nivel normal de îndatorare fără a periclita considerabil riscul financiar şi de
faliment;
- trebuie să existe un echilibru financiar între utilizări şi resurse;
- costul capitalului trebuie să se încadreze în limite normale.

60
Previziunea elementelor de pasive curente nonfinanciare
Se au în vedere două situaţii ce pot exista:
a) dacă nivelul pasivelor curente (de regulă din exploatare şi nonfinanciare) sunt considerate cel puţin la un
nivel normal dacă nu optim, ele vor creşte odată cu cifra de afaceri. Această metodă presupune previzionarea
lor în funcţie de viteza de rotaţie, iar acest fenomen se numeşte creştere spontană, naturală;
b) dacă în trecut au înregistrat valori anormale, ca durate de rotaţie, şi sunt nefavorabile în raport cu
rotaţia creanţelor, atunci ele trebuie corectate pentru a se înscrie în limite normale de eficienţă.
Principala restricţie de creştere a lor este legată de menţinerea unei cote sănătoase de lichiditate
curentă.
Ac
Pc max =
Lc
unde: Pcmax - pasive curente maxim admisibile;
Lc - lichiditate curentă;
Ac - active curente.

Previziunea necesarului suplimentar de fonduri


După determinarea elementelor de active curente şi imobilizate necesare, cu excepţia
disponibilităţilor, acestea se totalizează şi se compară cu pasivul recalculat cu nivelul existent al
capitalurilor permanente şi cel recalculat al datoriilor curente (nonfinanciare) diferenţa reprezentând-o
necesarul suplimentar de fonduri.
Necesarul suplimentar de fonduri va fi acoperit pe seama a trei surse:
- capitaluri proprii;
- credite bancare pe termen mediu sau lung;
- credite bancare pe termen scurt.

Previziunea creditelor bancare pe termen scurt

După determinarea fondurilor suplimentare acoperite din resurse permanente, diferenţa se va


acoperi în principiu din credite bancare pe termen scurt, cu aceeaşi menţiune de păstrare a unui nivel de
îndatorare rezonabil şi de lichiditate acceptabil.
Ibtml + Cbts + Pc St + Cr + Db
Rig = ≤ 0,5 şi Lc = ≥2
Pt Cbts + Pc
unde: Rig - rata îndatorării globale;
Cbts - credite bancare pe termen scurt;
Ibtml - împrumuturi bancare pe termen mediu şi lung;
Pt - total pasiv;
St - stocuri totale;
Cr- creanţe curente;
Db - disponibilităţi băneşti şi plasamente.
Dacă aceste condiţii nu sunt îndeplinite, se apelează în continuare la suplimentarea fondurilor din capitaluri
proprii, indiferent de costul acestora. Există o strânsă dependenţă între nivelul estimat al cifrei de afaceri şi
necesarul suplimentar de fonduri (NSF):
( Ac t + Aint ) Pc t Rnt
NSF = ⋅ ∆Ca − ⋅ ∆Ca − ⋅ (1 − d) ⋅ Cat +1
Ca t Cat Cat
unde: Rn - rezultatul net;
d - coeficient de distribuire a dividendelor.

61
Când NSF = 0, firma nu este nevoită să apeleze la surse externe de finanţare. Valoarea ratei de creştere a
cifrei de afaceri care satisface această egalitate se numeşte rata de creştere internă (autonomă, sustenabilă prin
eforturi proprii). Peste acest nivel firma are nevoie de surse externe de finanţare.

Previziunea surselor de finanţare permanente

Capitalurile proprii şi creditele bancare pe termen mediu şi lung nu variază în mod spontan cu
cifra de afaceri. Ele se achiziţionează pe termene mai îndelungate şi în valori mai mari.
Se apelează la aceste surse numai când are loc şi o sporire a activelor imobilizate. Alegerea între resursele
permanente se face de regulă pe baza următoarelor criterii:
• costurile resurselor permanente:
- pentru capitaluri proprii: nivel minim de rentabilitate a acţiunilor sau prin dividende actualizate;
- pentru împrumuturi: nivelul dobânzi, sau costul pe baza anuităţilor actualizate;

• menţinerea unui raport sănătos de îndatorare la termen:


Itml 1
Rit = ≤ 0,5 ⇒ Itml max = Cp
Cp 2
• menţinerea unui echilibru dintre resursele şi utilizările permanente de cel puţin 25%.
Cpm
Rfr = ≈ 1,25
Ain
unde: Rit - rata îndatorării la termen;
Rfr - rata fondului de rulment;
Îtml - împrumuturi pe termen mediu şi lung;
Cp - capitaluri proprii;
Ain - active imobilizate la valoare netă.

9.5. Previziunea fluxului de numerar

Previziunea fluxului de numerar se face în paralel cu estimările din contul de rezultate şi cele din bilanţ
fiind strict corelate. În estimarea fluxului de numerar trebuie ţinute cont de cel puţin următoarele aspecte:
a) delimitarea încasărilor şi plăţilor, deoarece nu toate cheltuielile sunt plătibile şi nici toate
veniturile încasabile, respectiv existenţa unor decalaje între facturarea şi efectiv încasarea şi plata
lor;
b) delimitarea încasărilor şi plăţilor pe activităţi generatoare:
- activităţi de învestiţii;
- activităţi de finanţare;
- activităţi de exploatare;
c) corelarea elementelor cu alte situaţii pro-forma:
- cu contul de rezultate;
- cu bilanţul contabil;
d) echilibrarea trezoreriei:
- prin plasarea excedentului de lichidităţi;
- prin acoperirea deficitului pe seama creditelor de trezorerie.
Principiul de elaborare a acestora este prezentată în tabelul care urmează.

62
10. Indicatori ai erorilor de previziune
Rolul indicatorilor erorilor de previziune este acela de a cuantifica erorile de previziune
devenind astfel criterii de selecţie în alegerea diferitelor metode. Considerăm eroarea de previziune la
momentul t ca fiind diferenţa dintre valoarea previzionată pentru momentul t şi valoarea reală
înregistrată în momentul t:
et = Yt − Pt
Principalii indicatori ai erorilor de previziune sunt:
1 n
1. Eroarea medie (EM): EM = ∑ et
n t =1
Dacă eroarea este cauzată de factori pur aleatori atunci erorile sunt simetric distribuite în jurul
valorii 0 iar prin adunare se anulează. Prin urmare o valoare negativă sau pozitivă mare a EM arată o
eroare sistematică de previziune, adică valorile previzionate fie supraestimează fie subestimează în
mod constant valorile observate.
1 n
2. Eroarea medie absolută (EMA): EMA = ∑ et
n t =1
EMA arată care este abaterea medie a previziunilor în valoare absolută de la valorile observate.
Poate fi folosită pentru a compara diferite metode bazate pe aceiaşi serie de date însă nu poate fi
folosită pentru a compara previziuni bazate pe serii diferite. O eroare de câteva milioane poate fi
considerată mică dacă este vorba de un indicator agregat la nivel de ţară dar poate fi dezastruoasă la
nivel microeconomic. Acest neajuns este valabil şi pentru EMP şi ES.
1 n 2
3. Eroarea medie pătratică (EMP): EMP = ∑ et
n t =1
Acest indicator prezintă avantaje care îl fac mai ales utilizat în calculele matematice. Specific
EMP este că acordă importanţă accentuată erorilor mari de previziune. Nu are o semnificaţie reală
accesibilă.
1 n 2
4. Eroarea standard (ES): ES = EMP = ∑ et
n t =1
Se utilizează în determinarea intervalelor de încredere atunci când erorile au o distribuţie
normală de medie 0. În această situaţie se ştie de exemplu că valoarea reală se află, cu o probabilitate
de 95%, Valoarea previzionată: în intervalul ±1,96 ES de la valoarea previzionată.
1 n et
5. Eroarea procentuală medie (EPM): EPM = ∑ ( ×100)
n t =1 Yt
Arată cât la sută reprezintă, în medie, eroarea faţă de valoarea observată. La fel ca şi în cazul
EM valorile de semn opus se anulează şi prin urmare o valoare apropiată de 0 nu înseamnă neapărat
erori mici de previziune ci doar simetria acestora.
1 n e
6. Eroarea procentuală medie absolută (EPMA): EPMA = ∑ t ×100
n t =1 Yt
Pentru că ia în calcul valori relative, la fel ca şi EPM, poate fi folosită pentru a compara
aplicarea aceleiaşi metode la serii de date diferite sau a unor metode diferite la serii de date diferite.
Spre deosebire de EPM calculează care este în medie procentul absolut al erorii faţă de valoarea
observată. Cu cât acest procent este mai mic cu atât previziunea este mai exactă.

63
2
 Pt +1 − Yt +1 
n −1


t =1 

Yt


7. Testul U al lui Theil : Theil ' s U = 2
n −1
 Yt − Yt +1 
∑ 
t =1  Yt 

Acest indicator compară eroarea metodei de previziune care se utilizează cu eroarea care s-ar
obţine dacă s-ar folosi ultima valoare ca şi valoare prognozată. Compară, practic o metodă de
previziune cu metoda valorii anterioare. Dacă:
- Theil’s U < 1 metoda utilizată este mai exactă decât metoda valorii anterioare
- Theil’s U >1 metoda utilizată dă erori mai mari decât metoda valorii anterioare
- Theil’s U =1 metoda utilizată este la fel de exactă ca şi metoda valorii anterioare deci nu se
justifică a fi utilizată.

64