Материал: Разработка полноценной методологии для прогнозирования товарооборота в торговом объекте

Также рассмотрен запуск исходной модели с разбивкой на товарные категории. Для применения модели оценки структуры расходов населения в рамках работы не удалось собрать достаточного объема информации, поэтому для нее приведены только общие сведения относительно её работы и получаемых результатов.

.2 Описание данных для построения регрессионных моделей

В ходе работы была получена информация по расположению и приблизительной величине арендуемой площади для 131 торгового центра Москвы и Московской области. Из них один объект находится в стадии проектирования, и для него требуется получить прогноз по товарообороту. Данный ТЦ далее будет обозначаться как “X”. Остальные объекты являются действующими.

Поскольку величина площадей большинства объектов была указана только приближенно, в качестве показателя привлекательности при расчете долей рынка были взяты значения, округленные с точностью до 15000 м2 и разделенные на эту же величину. Иными словами, за каждые 15 тысяч квадратных метров объекту начислялся один балл привлекательности для посетителей.

Расчеты проводились для районов, относящихся к десяти округам Москвы, существовавшим до её расширения в 2012 году. Соответственно, районы Троицкого и Новомосковского округов не были представлены данных для моделей оценки населения и долей рынка.

.3 Запуск модели расчета численности населения в зонах охвата

Было произведено несколько запусков модели оценки численности населения в зонах охвата с разными параметрами:

.        Три зоны охвата с радиусами в 3, 6 и 9 км, граница полного включения района в зону охвата ;

.        Три зоны охвата с радиусами в 4, 8 и 12 км, граница полного включения района в зону охвата ;

.        Три зоны охвата с радиусами в 5, 10 и 15 км, граница полного включения района в зону охвата ;

.        Одна зона охвата с радиусом в 12 км, граница полного включения района в зону охвата .

Суммарные численности населения для ТЦ с известным товарооборотом, а также для неизвестного объекта, полученные в ходе запусков, представлены в таблицах 4 и 5.

Табл. 4. Результаты первой и второй оценок численности, тыс. чел.

Табл. 5. Результаты третьей и четвертой оценок численности, тыс. чел.

В качестве входных данных для построения регрессионных моделей были взяты результаты последнего запуска.

.4 Запуск модели расчета конкуренции

Было проведено четыре запуска модели оценки долей рынка объектов со следующими значениями параметров:

·        количество и радиусы зон охвата, а также  идентичны значениям при оценке численности населения;

·        корректирующий коэффициент X = 1, а Y = 0 (изменение первого не повлияет на дальнейшую оценку коэффициентов регрессии, а подобрать значения второго в ходе работы не представлялось возможным в виду отсутствия данных);

·        степенной коэффициент ,  (калибровка значений также не представляется возможной из-за отсутствия данных по товарообороту большинства объектов).

Поскольку предложенный алгоритм оценивает доли рынка в отдельно взятой товарной категории, а для построения регрессий требуется усредненная доля для каждого из объектов, была создана условная категория «ТЦ». Привлекательность торговых центров по данной категории соответствовала их общим арендуемым площадям.

Полученные результаты приведены в таблицах 6 и 7.

Табл. 6. Первый и второй запуски модели оценки долей рынка

Табл. 7. Третий и четвертый запуски модели оценки долей рынка

Результаты четвертого запуска были взяты в качестве значений независимой второй из независимых переменных.

3.5 Прогнозирование товарооборота с помощью регрессионных моделей

В ходе работы было протестировано два набора экзогенных факторов при оценке товарооборота. Численность населения присутствовала в обоих наборах, тогда как в качестве второго фактора выступала общая арендуемая площадь или занимаемая доля рынка. Включение этих двух факторов в модели одновременно могло повлечь за собой возникновение мультиколлинеарности, поскольку между ними прослеживается достаточно высокая корреляция. Для полной выборки, включающей 131 объект, она имеет значение, равное 0.7.

С целью валидации моделей, элементы общей выборки, включающей в себя объекты с известным товарооборотом, а также неизвестный объект, были разбиты на две группы, представленные в таблицах 8 и 9.

Табл. 8. Данные обучающей выборки

Табл. 9. Данные проверочной выборки

Построенные на обучающей выборке модели и их характеристики приведены на рисунках 3 и 4.

Табл. 10. Регрессионные модели с населением и площадями в качестве независимых переменных.

Наибольший вклад в объясняющую способность полученных моделей вносит площадь объектов (коэффициент a2 в таблицах 11 и 12). Замена площади на долю рынке приводит к ухудшению качества моделей. Вместе с тем, параметр численности населения внутри зон охвата характеризуется низкими значениями t-статистики во всех моделях.

Табл. 11. Регрессионные модели с населением и долями в качестве независимых переменных.

Табл. 12. Среднее отклонение прогнозных значений от фактических

После получения коэффициентов моделей были сделаны прогнозы для объектов из проверочной выборки. Среднее отклонение прогнозных значений от фактических представлено в таблице 10.

Качество прогноза также падает при замене площадей объектов их долями на рынке. Как видно из приведенных выше данных, наиболее точный прогноз для проверочной выборки делают степенная и логарифмическая модели с площадью в качестве второго регрессора. При этом, стоит учитывать, что коэффициенты регрессий строились всего по 5 наблюдениям, а в обучающей и проверочной выборках содержится всего 7 объектов, 2 из которых сильно выделяются по значениям («Метрополис» имеет больший сравнительно высокий сравнительно высокий оборот на м2 площади, а «Авиапарк - значительно большую, чем с других объектов, GLA).

Расхождения между прогнозными и фактическими значениями для моделей с площадью показаны на рисунке 5.

Табл. 13. Прогнозные и фактические значения для моделей с площадью.

.6 Запуск исходной модели оценки товарооборота

В рамках работы было проведено два запуска исходной модели оценки оборота для «Метрополиса» и «Филиона». Часть входных данных при этом была взята из тех же источников, что и в курсовой работе. В качестве базового года также был взят 2012. Численность населения в Москве в 2012 году, коэффициенты прироста и её прогноз представлены в таблице 11[12],[13].

Табл. 14. Текущая и прогнозная численность населения Москвы, тыс. чел.

Оборот розничной торговли в Москве в 2012 году составил 3,64 трлн рублей[14]. В рамках курсовой работы было выбрано пять товарных категорий, соответствующих одной или более позиции в структуре розничного оборота:

·        еда и товары быстрого потребления;

·        одежда и обувь;

·        электроника;

·        товары для дома;

·        косметика и товары для здоровья.

Общий их вес в структуре расходов составляет 70,4%.

Компанией Knight Frank была представлена доля расходов, приходящаяся на арендаторов одного профиля, приблизительно одинаковая для ряда крупных торговых центров Москвы, что дало возможность взять её в качестве структуры потребительских расходов, характерной для посетителей ТЦ.

Табл. 15. Новая структура расходов потребителей

В новой структуре расходов, приведенной в таблице 12, присутствует несколько категорий, не соответствующих данным ФСГС. В частности, объем рынка общественного питания в Москве составляет порядка 150 млрд рублей в год[15]. Совокупные кассовые сборы в России в 2012 году составили 1,2 млрд. долларов США[16], т.е. порядка 40 млрд. рублей; кинотеатры, в свою очередь, формируют большую часть оборота среди арендаторов из категории «услуги и развлечение».

Было сделано предположение, что совокупный объем расходов потребителей в Москве, приходящийся на объекты данного профиля, составляет 2,73 триллиона рублей, т.е. 75% от величины розничного оборота.

Коэффициенты роста рынка розничной торговли взяты из прогноза Минэкономразвития[17].

Табл. 16. Общее конечное потребление, млн. руб.