ВСТУП

На сьогодні Україна – одна з найбільш забруднених і екологічно

напружених країн світу. Для порівняння: техногенне навантаження на
одиницю площі в нашій країні вдесятеро перевищує таке в Росії. Порівняння
з передовими країнами світу просто некоректне, оскільки в них утилізація
промислових відходів здійснюється на 65-80% поточного виходу. Надію
вселяє той факт, що ще років 15-20 тому ситуація в більшості країн була
приблизно такою самою, як сьогодні в Україні: відходи в основному
відправляли на смітники, полігони для поховання або спалювали. Людство
дійшло висновку, що потрібно принципово змінювати підхід до подальшої
долі побутового сміття як такого. Переоцінка цінностей у світі сталася на
початку 80-х років ХХ ст., коли розвинені країни зрозуміли, що постійне
заповнення сміттєзвалищ проблеми не вирішує.
Тенденція, що склалася впродовж періоду незалежності в Україні
показує, що із кожним роком проблема переробки сміття не тільки не
вирішується в потрібному масштабі, а ще більше прогресує незважаючи на її
висвітлення в медіапросторі.
В Україні – майже 7 тисяч законних і близько 35 тисяч незаконних
сміттєзвалищ, що займають більше 7% території нашої держави, створючи
ареал відходів завбільшки з Данію. Ситуація щороку погіршується. На
сьогодні в країні є чотири сміттєспалювальні заводи: у Києві,
Дніпропетровську, Харкові та окупованому Севастополі. Працюючим з них є
лише столичний завод «Енергія». Єдиний ж сміттєпереробний завод у
Рівному працює з перебоями через нечітке законодавство в галузі переробки
відходів.
В світі вже давно прийняли практику повної переробки сміття, що
включає в себе ретельне сортування ще на етапі споживання. Перероблені
відходи відправляють на повторне виробництво або ж використовують як
високоефективний енергоресурс безпесоредньо на місцях переробки. Завдяки
такому підходу міста та приміські зони не тільки надзвичайно мобільно
знаходять шляхи збуту вторинної сировинни, а ще й забезпечують свої
потреби в енергоносіях.
Великі європейські міста накшталт Стокгольма та Копенгегена майже
повністю перейшли на енергію, вироблену шляхом спалювання відходів,
створивши в цій галузі інфраструктуру, чиї потужності вже перевищують
кількість наявної сировини.
Український ринок сміттєпереробки потребує активного розвитку та
перейняття зарубіжних стратегій функціонування, що допоможе
збалансувати як загальнодержавну проблему обробки вторинної сировини
так і суміжні галузі навіть в умовах постійної економічної нестабільності.
Саме тому тема, яку я обрав для своєї дипломної роботи, є надзвичайно
актуальною та перспективною для дослідження, особливо для студенів
кафедри математичного моделювання економічних систем.
Об’єктом дослідження даної роботи є українське підприємство
сміттєпереробної галузі.
Предметом дослідження є різні типи вторинної сировини, що
підлягають переробці.
Мета роботи – поглиблення знань про прогнозування, рекомендація
щодо організації виробничої діяльності, прогнозування обсягів обробки
різних сегментів вторинної сировини та їх прибутковість.
Мета визначає наступні завдання дипломної роботи:
1) Вивчення літератури, інтернет-ресурсів для вирішення задач
прогнозування;
2) Прогнозування обсягу сегментів вторинної сировини, виручки від
реалізації продуктів пероробки;
3) Надання рекомендацій підприємству для більш ефективної
діяльності.
 Методи дослідження: регресійний аналіз, метод Хольта, метод
Вінтерса.
Актуальність теми є надзвичайо високою, адже досягнення високого
рівня прибутку сміттєпереробних підприємств забезпечить появу нових
гравців в даному сегменті ринку та подальший ріст ринку обробки вторинної
сировини. З цією метою необхідно визначити обсяги та економічну вигоду
підприємств в тій чи іншій групі сировини. За рахунок інформації, яка
показує стан розвитку у майбутньому, підприємство зможе скоригувати
розподіл своїх потужностей. Тому першочерговим завданням постає
визначення пріоритетних напрямів роботи. У зв'язку з цим актуальною і
своєчасною є побудова моделей прогнозування, що забезпечують більш
високий ступінь об’єктивності прийняття рішень про певні обсяги переробки
для подальшого успішного економічного зростання в умовах економічної
нестабільності
 РОЗДІЛ 1
Теоретична частина
1.1 Специфіка ринку сміттєпереробки

Однієї із основних проблем сучасного світу є збереження планети

екологічно чистою, без продуктів переробки, біологічних та хімічних віходів
таких, як: виробничі відходи, сміття, відходи споживання, відпрацьована
техніка, осади сучасних споруд, залишки радіонуклідів тощо. На даний час
питання сміттєпереробки чи не найдужче бентежить органи влади багатьох
країн та стає одним із основних напрямів розвитку країни, що в свою чергу
притягує до себе увагу підприємців середнього та великого бізнесу. Країни
готові не тільки власноруч інвестувати державні кошти у майбутнє
екологічного світу, але й підтримати приватних осіб у відкритті
сміттєперероблюючого підприємства.
За статистичними даними сьогодні на одну людину припадає в рік не
менше 200 кг відходів. І можливість їх вторинного використання перетворює
переробку сміття в досить прибутковий бізнес. Більш розвинені країни світу
вже давно займаються цим питанням, що підтверджує той факт, що в
європейських містах встановлюються низка спеціальних сміттєвих
контейнерів, кожен з яких призначений для певного виду сміття. Це
пояснюється тим, що такий спосіб збору відходів найбільш зручний для їх
подальшої переробки.
Насамперед, сміттєпереробка – це здійснення будь-яких технологічних
операцій, пов'язаних зі зміною фізичних, хімічних або біологічних
властивостей відходів, з метою підготовки їх до екологічно безпечного
зберігання, перевезення, утилізації чи видалення.
Сюди відповідно відносять:

1. Збір ТПО (тверді побутові відходи);

2. Транспортування;
3. Сортування сміття відповідно типу, хімічного складу та категорії
небезпеки;
4. Переробка підготовлених твердих побутових відходів в газифікаторі для
отримання з них синтез-газу, піролізного масла і побічних хімічних сполук.
5. Очищення синтез газу та інших продуктів піролізу від сполук хлору, фтору і
сірки;
6. Спалювання попередньо очищеного від домішок синтез-газу в спеціальних
котлах-утилізаторах для отримання водяної пари, гарячої води або
електроенергії;
7. Реалізація продуктів піролізу кінцевим споживачам;

1.2. Аналіз законодавчих та інституційних засад поводження з відходами

в Україні

Основними документами, що визначають принципи поводження з

відходами та пріоритети в цій сфері, є закони України «Про відходи» і «Про
охорону навколишнього природного середовища». Відповідно до змін та
доповнень до законодавчих актів, ухвалених протягом 2008—2014 років,
визначено такі стратегічні пріоритети розвитку галузі:
• необхідність розробки технологій та заходів, спрямованих на
мінімізацію утворення, переробку та очищення відходів (включаючи
комунальний і промисловий компоненти);
• надання економічних переваг компаніям, які впроваджують зазначені
технології та заходи;
• запобігання захороненню відходів, що підлягають переробці;
• покладання відповідальності за негативні наслідки для
навколишнього середовища(та усунення шкоди, якої було завдано
навколишньому середовищу) на забруднювачанавколишнього середовища;
• упровадження екологічного податку.
 Згідно із Законом України «Про відходи», до основних напрямів
державної політики у сфері поводження з відходами належать:
1) забезпечення повного збирання і своєчасного знешкодження та
видалення відходів, а також дотримання правил екологічної безпеки при
поводженні з ними;
2) зведення до мінімуму утворення відходів та зменшення їх
небезпечності;
3) забезпечення комплексного використання первинних матеріальних
ресурсів;
4) сприяння максимально можливій утилізації відходів;
5) забезпечення безпечного видалення відходів, що не підлягають
утилізації, шляхом розроблення відповідних технологій, екологічно
безпечних практик поводження з відходами.
Ці напрями відповідають нормам європейської Директиви щодо
поводження з відходами.
Відповідно до ухвалених у 2012 році змін до Закону, різні категорії
споживачів мають укладати угоди на утилізацію ТПВ, сплачувати за
відповідні послуги та забезпечувати роздільне збирання відходів. З 1 січня
2018 року вводиться в дію заборона на захоронення неперероблених відходів
на полігонах.
1.3. Аналіз закордонного досвіду поводження з ТПВ (Тверді побутові
відходи)

У країнах ЄС на вторинні матеріали щороку переробляється 61 млн

тонн ТПВ37, що вчетверо перевищує річний обсяг утворення ТПВ в Україні.
Рівень переробки побутових відходів у Європі сильно різниться залежно від
конкретної країни (рис. 1.1.).

Рис 1.1. Показники переробки ТПВ в окремих європейських

країнах у 2010 році, %
Необхідно створити збалансовану систему поводження з відходами.
Задля досягнення цієї мети потрібно визначити довгострокові стратегічні
пріоритети, які дозволять поєднати екологічну ефективність і раціональне
споживання матеріальних та енергетичних ресурсів.
На відміну від промислових відходів, обсяги яких можна значно
зменшити завдяки вико- ристанню більш ефективних технологій, досить
важко запобігти утворенню відходів у комунальному господарстві, і
відповідні заходи, спрямовані на їх зменшення, можуть виявитися не дуже
ефективними, оскільки відходи є невід’ємною частиною процесу споживання
товарів та послуг (упаковка, харчові відходи, використана побутова техніка
тощо) домогосподарствами.
Саме через це політика ЄС у сфері поводження з ТПВ спрямована не на
запобігання утво- ренню відходів, а на побудову максимально екологічно
безпечної системи поводження з їх потоками. У Директиві № 2008/98/ЄС, яка
є базовим документом у сфері поводженняз ТПВ та була ухвалена у 2008
році, пріоритетними цілями політики щодо поводження з ТПВ визначено
охорону навколишнього середовища, мінімізацію негативного впливу
утворення ТПВ і поводження з ними на навколишнє середовище та
громадське здоров’я.
Директива визначає основні принципи організації системи поводження
з ТПВ і вимоги до неї. Безпосередня структура системи встановлюється
кожною країною самостійно. Згідно із зазначеною директивою, під час
вибору методів поводження з ТПВ насамперед слід керуватися принципами
екологічної безпеки та економічної ефективності. Усі методи поводження з
відходами представлено у вигляді так званих «сходів Лансінка» (рис. 1.2.).

Рис 1.1. Методи поводження з ТПВ («Сходи Лансінка»)

Найбільша перевага віддається запобіганню утворенню відходів. Серед
способів переробки найвищий пріоритет має повторне використання
відходів, оскільки його негативний вплив на навколишнє середовище є
мінімальним (як приклад можна навести повторне використання склотари), а
найменший — захоронення відходів на звалищах і полігонах.
Спалювання відходів та їх переробка на вторинні матеріали й енергію
посідають проміжне положення в ієрархії. Передбачається, що паралельно з
розвитком системи поводження з відходами відбуватиметься поступовий рух
догори «сходами», тобто почнуть переважати більш екологічні методи
поводження з відходами.
Як показує досвід ЄС, визначення пріоритетів обумовлюється
насамперед вибором суспільства та окресленими на національному рівні
орієнтирами. Водночас для встановлення досяжних показників проектів і
програм доцільно враховувати регіональні відмінності в обсязі та струк- турі
утворення відходів, потенційний попит на вторинні матеріали й енергію,
кліматичні та сезонні чинники, доступність і якість земельних ресурсів.
З огляду на необхідність підвищення рівня переробки відходів, у
країнах ЄС пріоритет нада- ється методам, які зводять до мінімуму чисті
втрати матеріалів та енергії.
При цьому підходи до роботи для досягнення результату, типи проектів
і технологій кожна країна обирає з урахуванням місцевих особливостей.
Ключовим елементом розвитку системи поводження з відходами в
країнах ЄС став перехід від процесуального підходу, орієнтованого на
технічне й санітарне регулювання окремих процедур та етапів поводження з
відходами, до програмно-цільового, який полягає в побудові ієрархії
цільових показників та опрацюванні підходів до їх досягнення з урахуванням
місцевої специфіки.
Пріоритети у поводженні з ТПВ визначаються директивами ЄС, в яких
закріплені основні прин- ципи, вимоги та цільові показники роботи системи.
Законодавці окремих країн ухвалюють рішення щодо застосування
конкретних підходів і механізмів досягнення визначених цілей (у тому числі
відповідних стимулів). Оператори ринку визначають процедури й технології
надання послуг для досягнення цільових показників і гарантують дотримання
санітарних та екологічних вимог ЄС.
 РОЗДІЛ 2
АЛГОРИТМИ ТА ПРОГНОЗ ПО НИМ

2.1. Критерій Фостера-Стюарта

Попередній аналіз часових рядів економічних показників полягає

насамперед у перевірці однорідності ряду, тобто у виявленні й
усуненні аномальних значень рівнів ряду, а також
визначенні повноти даних, можливості їх зіставлення і стійкості.
Під аномальним рівнем розуміють окремі значення рівнів часового
ряду, які суттєво впливають на основні часові характеристики ряду
динаміки: середній рівень, середній приріст, середній темп зростання,
середній темп приросту тощо, а також на відповідну трендову модель.
Причинами аномальних спостережень можуть бути помилки технічного
характеру, або помилки першого роду, що виникають при агрегуванні або
дезагрегуванні показників чи при передаванні інформації та ін. Помилки
першого роду мають бути виявлені й усунуті.
Крім того, аномальні рівні в часових рядах можуть виникати через
впливи факторів, що мають об'єктивний характер, але можуть діяти рідко,
епізодично. Такі помилки мають назву помилки другого роду і не можуть
бути усунутими.
Критерій Фостера і Стюарта дозволяє знайти тренд часового ряду в
середніх, так і тренд в дисперсіях.
По даним ряду визначають величини ut і l t . Значення ut і l t знаходяться
шляхом попереднього порівняння рівнів. Якщо будь який рівень ряду
перевищує по своїй величині кожний із попередніх то величині ut
присвоюється 1, в інших випадках вона дорівнює 0. Таким чином:

ut =
{1, якщо t x > x , x ,…,x
t −1 t−2
0 , в інших випадках
1
 Навпаки , якщо рівень менше усіх попередніх , lt присвоюється 1, в
інших випадках 0:

lt =
{1 , якщо t x < x , x ,… , x
t −1 t −2
0 , в інших випадках
1

Потім знаходимо:

st =ut + lt ; (2.1)

d t =ut −l t ; (2.2)

n
S=∑ s t ; (2.3)
t −1

n
D=∑ d t . (2.4)
t −1

Відмітимо, що якщо d=0, то інтерполяція результату важка, так як

таке значення може говорити як про повній відсутності тренду, так і про його
наявність ( в останньому випаду тенденції , які присутні в різних частинах
ряду, компенсують одне одного). S i d асимптотичні нормальні і мають
незалежне розподілення. Вони суттєво залежать від порядку розташування
рівней в часі.
Показник S приміняється для знаходження тенденцій змінення
дисперсії( якщо всі рівні є рівними - нульова дисперсія -, то S=0), показник
d- для знаходження тенденції в середньому. Далі провіряється гіпотеза
приминають t- критерій Стьюдента:

s−μ
t s= ; (2.5)
δs

d −0
t d= . (2.6)
δd
 Де σ s і σ d - середньоквадратичні помилки величин S і d:

√
n n
l l
σ s= 2 ∑ −4 ∑ 2 ; (2.7)
t=2 t t=2 t

√
n
l
σ d= 2 ∑ ; (2.8)
t=2 t

Якщо t >t 0.05 ( f ), де f =2 ( n−1 )- число степенів свободи, α =5 %, то гіпотеза

про існування тренду відповідно в середній арифметичній чи в дисперсії
приймається.
Якщо тренду немає то присутня стаціонарність часового ряду.

2.2. Метод Хольта

Нехай на даних існує лінійний тренд, тоді модель Брауна не підходить

для вирішення задачі прогнозування. Щоб врахувати вплив лінійного тренду,
використовують модель Хольта.
Метод Хольта використовується для прогнозування часових рядів,
коли є тенденція до росту чи падінню значень ряду. А також для рядів коли
данні є не за повний цикл, і сезонність ще не можливо виділити (наприклад,
неповний рік).
Якщо часовий ряд має тенденцію до росту чи падіння, то разом з
оцінкою поточного рівня ряду(як і в простому експоненсійному
загладжувані) варто виділити тренд. Для управління рівнем і нахилом в
моделі Хольта вводиться 2 коефіцієнта згладжування : коефіцієнт
згладжування ряду і тренду.
Як розраховується прогноз по методу Хольта:
1. Розраховуємо експоненційно – згладжений ряд;
 2. Визначаємо значення тренду;
3. Робимо прогноз.
Розглянемо детально:
1. Розраховуємо експоненційно – згладжений ряд:
2.
Lt =k Y t + ( 1−k ) ¿). (2.9)

Де:
- Lt −згладжена величина на даний період ;

- k- коефіцієнт згладжування ряду;

- Y t - поточне значення ряду;
- Lt −1- згладжена величина за попередній період;

- T t−1- значення тренду за попередній період.

Lt ( згладжена величина на даний період ) = K(коефіцієнт згладжування

ряду)*Y t ( поточне значення ряду)+(1-К)* Lt −1(згладжена величина за

попередній період)-T t−1(значення тренду за попередній період).
Коефіцієнт згладжування ряду задається в діапазоні від 0 до 1.
Для першого періоду на початку даних експонеційно - згладжений ряд
рівний першому значення ряду.
3. З’ясовуємо значення тренду .
4.
T t=β ( Lt −Lt−1 ) + ( 1−β )∗T t −1. (2.10)

Де:
- T t - значення тренду на поточний період;
- β - коефіцієнт згладжування тренду;

- Lt - експоненсійно згладжена величина за поточний період;

- Lt −1- експоненційно згладжена величина за попередній період;

- T t−1- значення тренду за попередній період.

 T t ( значення тренду на поточний період)= β ( коефіцієнт згладжування

тренду)* Lt (експоненсійно згладжена величина за поточний період)- Lt −1

(експоненсійно згладжена величина за попередній період)+(1- β ¿*T t−1
(значення тренду за попередній період)
Коефіцієнт β знаходиться в діапазоні від 0 до 1. Значення тренду для
першого періоду рівно 0.
5. Робимо прогноз.
Прогноз на n періодів вперед рівний:

¿
Y t + p=Lt +n∗T t ,; (2.11)

Де:
- Y ¿t + p- прогноз за методом Хольта на n періодів;

- Lt - експонеційно згладжена величина за попередній період;

- n- порядковий номері періоду на який робимо прогноз;

- T t - тренд за попередній період.
¿
Y t + p( прогноз за методом Хольта на n періодів)= Lt ( експонеційно

згладжена величина за попередній період)+n(порядковий номері періоду

на який робимо прогноз)*T t(тренд за попередній період).
Після прогнозу потрібно перевірити точність моделі. Для цього
потрібно:
1. Розрахувати значення прогнозованої моделі;
2. Визначити похибку моделі;
3. Розрахувати показник точності прогнозу;
4. Підібрати оптимальні коефіцієнти згладжування ряду і тренду.

2.3. Сезонність

Періодичні коливання які спостерігаються в часових рядах носять

назву сезонність. Перед виділенням сезонних коливань необхідно вичислити
період сезонності. В більшості випадків період відомий із контексту задачі,
але якщо період не відомий раніше, то його можна найти за допомогою
автокореляційної функції. Автокореляційна функція - це характеристика
сигналу, яка допомагає найти повторювані частини сигналу і знаходити
несущу частоту сигналу, скриту через накладений шум і коливання на інших
частотах.

R ( t , s )=∑ ¿ ¿¿ ; (2.12)

Де Е - це математичне очікування. Це не є завжди коректним оскільки

знаменник може дорівнювати нулю. Якщо це вираження коректне, то його
значення лежить в інтервалі від -1 до 1. Причому 1 воно приймає у випадку
повного спів падіння, а 0 у випадку , якщо кореляція не знайшлась.

2.4. Метод Хольта-Вінтерса

Вінтерс розвив модель експоненсійного згладжування з трендом

Хольта і додав в неї сезонність. Перевагою методу є можливість робити
прогноз наприклад, на 1 рік, вам знадобиться данні мінімум за 2 роки, а
краще 3-5 років.
Метод Хольта-Вінтерса використовується для прогнозування часових
рядів, коли в структурі даних є тренд і сезонність. Дана модель це 3-х
параметрична модель прогнозу, яка враховує:
1. Складений експоненційний ряд;
2. Тренд;
3. Сезонність.
Як розрахувати прогноз по методу Хольта – Вінтерса?
1. Розраховуємо експонеційно – згладжений ряд:
2.
 αYt
Lt = + ( 1−α ) ( Lt−1 +T t−1 ). (2.13)
S t −s

3. З’ясовуємо значення тренду:

T t=β ( Lt −Lt−1 ) + ( 1−β ) T t −1. (2.14)

4. Оцінюємо сезонність:

γ∗Y t
St = +( 1+ γ ) S t− s; (2.15)
Lt

5. Робимо прогноз:

Y ¿t + p=( Lt +n T t )S t−s +n; (2.16)

Розглянемо детальніше:
1. Формула 2.13, де
Lt - згладжена величина на поточний період;

α - коефіцієнт згладжування ряду;

St −s- коефіцієнт сезонності попереднього періоду;

Y t - поточне значення ряду;

Lt −1 - згладжена величина ряду;

T t−1- значення тренду за попередній період.

2. Формула 2.14, де
T t - значення тренду на поточний період;

β - коефіцієнт згладжування ряду;

Lt -експоненційно згладжена величина за поточний період;

Lt −1 -експоненційно згладжена величина за попередній період;

T t−1- значення тренду за поточний період.

 3. Формула 2.15, де
St - коефіцієнт сезонності для поточного періоду;

γ - коефіцієнт згладжування сезонності;

Y t - поточне значення ряду;

Lt -експоненційно згладжена величина за поточний період;

St −s- коефіцієнт сезонності попереднього періоду.

4. Формула 2.16, де
¿
Y t + p- прогноз по методу Хольта-Вінтерса;

Lt -експоненційно згладжена величина за поточний період;

n- Порядковий номер періода, на який робимо прогноз;

T t - значення тренду на поточний період;

St −s+n - коефіцієнт сезонності .

Після прогнозу потрібно перевірити точність моделі. Для цього

потрібно:
1. Розрахувати значення прогнозованої моделі;
2. Визначити похибку моделі;
3. Розрахувати показник точності прогнозу;
4. Підібрати оптимальні коефіцієнти згладжування ряду і тренду,
сезонності.
Також для усунення аномій використовується медіанний фільтр. Він
обирає середнє значення із 3 і залишає його. Це потрібно, бо часом
виникають аномалії які не дають змогу нормально спрогнозувати ряд.

2.5. Критерій Дарбіна-Уотсона

Вивчаючи послідовність остатків можна побудувати графік їх

залежності від часу. Відповідно з перед посиланнями найменших квадратів
залишки повинні бути випадковими. Але при моделюванні часових рядів
часом зустрічаються ситуація коли залишки містять тенденцію або циклічні
коливання. Це говорить про те, що кожне наступне значення остатків
залежить від попередніх. В даному випадку маємо автокореляцію залишків.
Причини автокореляції залишків.
По-перше, інколи автокореляція пов’язана із вхідними даними і
викликана наявністю помилок вимірювання значень У. По-друге , інколи
причину автокореляції залишків потрібно шукати у формулюванні моделі. В
моделі не може бути включений фактор, який впливає суттєво на результат,
але вплив якого відображається в останках, що потім призводить до останки
можуть бути автокорельованими. Часто цим фактором є фактор часу.
Одним із методів є розрахунок критерію Дарбіна-Уотсона :

∑ (ε t −ε t−1)2
D= t =2 n ; (2.17)
∑ε 2

t=1

Він визначається як відношення суми квадратів різниці послідовних

значень залишків до суми квадратів залишків.
Якщо значення коефіцієнта ДВ менше критичного значення, то
приймається гіпотеза про наявність автокореляції залишків даних.

2.6. Регресійний прогноз

Рівняння регресії приміняється для прогнозування можливих

очікуваних значень результативного признаку. Обмеженням прогнозування
на основі регресійного рівняння , тим більше парного, слугує умова
стабільності або по крайній мірі малою зміною інших факторів і умов
вивчаємого процесу , не зв’язаних з ними. Якщо різко зміниться зовнішнє
середовище протікаю чого процесу, попереднє рівняння регресії
результативного признаку на факторний втратить сенс. Прогноз, отриманий
підстановкою в рівняння регресії очікуваного фактора, називають точеним
прогнозом. Ймовірність точної реалізації такого прогнозу дуже мала.
Необхідно провести його розрахунком значення середньої похибки пронозу:

√
n

∑ e2i ; (2.18)
i=1
Se =
n−k−1

Також для прогнозу регресії потрібно враховувати попереднє

значення часового ряду. Точність прогнозу визначається за допомогою
коефіцієнта R-квадрат. Чим більший він, тим точніший прогноз.

2.7. Модель ковзаної середньої

Прогнозування дає можливість передбачити якісні та кількісні

характеристики явища в майбутньому на основі аналізу його минулого і
сучасного. Внаслідок прогнозування можна приблизно продумати план дій
у тій чи іншій ситуації пов'язаній з явищем, яке прогнозується.
Для початку потрібно знайти лінію тренду і його рівняння:

y=a+bx ; (2.19)

Потім потрібно виділити тренд, відлити коефіцієнт сезонності,

потім побудувати мультиплікативну модель Y=T*E*S. Де T – трендова
компонента, S – сезонна компонента, E – випадкова компонента.
2.8.1. Постановка задачі

В переробці вторинної сировини є свої долі ринку . Набори відходів за

специфікою переробки утворюють сегмент. В розглянутій компанії з
сміттєпереробки наявні такі сегменти:
- Макулатура;
 - Текстильні відходи;
- Металобрухт;
- Пластмаси;
- Будівельні відходи;
- Скло;
- Нафтопродукти;
- Хімічні відходи.
Маючи данні я спрогнозував кожен сегмент і готовий зробити
висновки.
Данні які я використовував будуть вказані в додатку.

2.8.2. Прогнозування сегменту: макулатура

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис. 2.1. Значення тренду для: макулатура

Дивлячись на таблицю 2.1 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
присутність сезонності.
Для прогнозу цього сегменту я обрав модель ковзаної середньої який
описаний в пункті 2.7. За допомогою MS Excel пакету аналіз даних я вивів
регресійну статистику для подальшої роботи із моделлю.
 Рис 2.2. Регресійна статистика для: макулатура

Для побудови прогнозу потрібно використати таку модель як:

Модель = (у-перетин + змінна х1*сезонна складова(середнє значення
коефіцієнтів сезонності))*номер періоду. В результаті я отримав такий
прогноз який зображений на рисунку 2.3.

2500000

2000000

1500000
прогноз
1000000 факт

500000

0
0 10 20 30 40 50 60
Рис.2.3. Прогноз сегменту макулатура

Прогноз на 12 місяців виглядає так:

Рис. 2.4. Прогнозі значення сегменту макулатура

Для точності і адекватності в цій моделі застосовують регресійну

статистику, а саме значення множинного R який є на рисунку 2.2.
За аналізом прибутку по представленим даним, результати свідчать
про те, що за 2017 рік сегмент принесе 5265872656 гривень. Для аналізу за
2018 було використано мій прогноз, з якого я отримав, що сегмент принесе
4769664358 гривень, що на 9,4 % менше чим в попередньому періоді.

2.8.3. Прогнозування сегменту: текстильні відходи

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис.2.5. Значення тренду для: текстильні відходи

Дивлячись на таблицю 2.5 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
відсутність сезонності.
Для прогнозу я обрав метод Хольта який описаний в пункті 2.2.
1. Розраховуємо експоненційно – згладжений ряд:

Lt =α Y t + ( 1−α ) ¿ ); (2.20)

2. З’ясовуємо значення тренду:

T t=β ( Lt −Lt−1 ) + ( 1−β )∗T t −1; (2.21)

3. Робимо прогноз:

Y ¿t + p=Lt +n∗T t .(2.22)

Для прогнозу потрібно знати коефіцієнти α=0,69 і β=0,3.

12000000.00 Ряд з моделью прогнозу

загально
10000000.00 Незглажені

8000000.00

6000000.00

4000000.00

2000000.00

0.00
0 10 20 30 40 50 60

Рис.2.6. Прогноз сегменту текстильні відходи

Прогноз на 12 місяців виглядає:

 Рис.2.7. Прогнозні значення сегменту текстильні відходи

Для точності використовують відхилення і для цього випадку точність

складає 98,915%. Адекватність моделі визначається за допомогою критерію
Дарбіна – Уотсона який описаний в пункті 2.5. В цьому випадку DW=1,3154
що є більшим за 1 , тобто адекватність висока.
Для аналізу прибутку мені представили дані результати яких свідчать
про те, що за 2017 рік сегмент принесе 111133922128 гривень. Для аналізу за
2018 було використано мій прогноз, з якого я отримав, що сегмент принесе
87204282505 гривень, що на 21,53 % менше чим в попередньому періоді.

2.8.4. Прогнозування сегменту: металобрухт

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис.2.8. Значення тренду для: металобрухт

Дивлячись на таблицю 2.8 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
відсутність сезонності.
Для прогнозу я обрав регресійний прогноз який описаний в пункті 2.6.
За допомогою MS Excel пакету аналіз даних я вивів регресійну
статистику для подальшої роботи із моделлю.

Рис.2.9. Регресійна статистика для: металобрухт

Для побудови прогнозу потрібно використати таку модель як:

Модель = (у–перетин + змінна х1*номер періоду)
В результаті я отримав такий прогноз який зображений на рисунку 2.9.

3500000
3000000
2500000
2000000
Прогноз
1500000 загально
1000000
500000
0
0 10 20 30 40 50 60
Рис.2.10. Прогноз сегменту: металобрухт

Прогноз на 12 місяців виглядає:

 Рис.2.11. Прогнозні значення сегменту металобрухт

Для точності і адекватності в цій моделі застосовують регресійну

статистику, а саме значення множинного R який є на рисунку 2.8.
Для аналізу прибутку мені представили дані результати яких свідчать
про те, що за 2017 рік сегмент принесе 5798534501 гривень. Для аналізу за
2018 було використано мій прогноз, з якого я отримав, що сегмент принесе
6759082068 гривень, що на 16,56 % більше чим в попередньому періоді.

2.8.5. Прогнозування сегменту: пластмаси

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис. 2.12. Значення тренду для: пластмаси

Дивлячись на таблицю 2.12 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
присутність сезонності.
Для прогнозу цього сегменту я обрав модель ковзаної середньої який
описаний в пункті 2.7. За допомогою MS Excel пакету аналіз даних я вивів
регресійну статистику для подальшої роботи із моделлю.

Рис 2.13. Регресійна статистика для: пластмаси

Для побудови прогнозу потрібно використати таку модель як:

Модель = (у-перетин + змінна х1*сезонна складова(середнє значення
коефіцієнтів сезонності))*номер періоду. В результаті я отримав такий
прогноз який зображений на рисунку 2.14.

25000000.00

20000000.00

15000000.00
Прогноз
Зглажений
10000000.00 незглажений

5000000.00

0.00
0 10 20 30 40 50 60
Рис.2.14. Прогноз сегменту пластмаси
Прогноз на 12 місяців виглядає так:
Рис. 2.15. Прогнозі значення сегменту пластмаси

Для точності і адекватності в цій моделі застосовують регресійну

статистику, а саме значення множинного R який є на рисунку 2.13.
Для аналізу прибутку мені представили дані результати яких свідчать про те,
що за 2017 рік сегмент принесе 36997632000 гривень. Для аналізу за 2018
було використано мій прогноз, з якого я отримав, що сегмент принесе
46577504398 гривень, що на 25,87 % більше чим в попередньому періоді.

2.8.6. Прогнозування сегменту: будівельні відходи

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис. 2.16. Значення тренду для: будівельні відходи

Дивлячись на таблицю 2.16 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
присутність сезонності.
Для прогнозу цього сегменту я обрав модель ковзаної середньої який
описаний в пункті 2.7. За допомогою MS Excel пакету аналіз даних я вивів
регресійну статистику для подальшої роботи із моделлю.

Рис 2.17. Регресійна статистика для: будівельні відходи

Для побудови прогнозу потрібно використати таку модель як:

Модель = (у-перетин + змінна х1*сезонна складова(середнє значення
коефіцієнтів сезонності))*номер періоду. В результаті я отримав такий
прогноз який зображений на рисунку 2.18.

12.00
10.00
8.00
6.00 Прогноз
Незгладжений
4.00
2.00
0.00
0 2 4 6 8 10 12
Рис.2.18. Прогноз сегменту будівельні відходи

Прогноз на 12 місяців виглядає так:

Рис. 2.19. Прогнозі значення сегменту будівельні відходи

Для точності і адекватності в цій моделі застосовують регресійну

статистику, а саме значення множинного R який є на рисунку 2.17.
Для аналізу прибутку мені представили дані результати яких свідчать
про те, що за 2017 рік сегмент принесе 11687520000 гривень. Для аналізу за
2018 було використано мій прогноз, з якого я отримав, що сегмент принесе
15149188032 гривень, що на 29,61 % більше чим в попередньому періоді.

2.8.7. Прогнозування сегменту: скло

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис. 2.20. Значення тренду для: скло

Дивлячись на таблицю 2.20 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
присутність сезонності.
 Для прогнозу я обрав метод Хольта-Вінтерса, алгоритм якого детально
описаний в пункті 2.4.
1. Розраховуємо експонеційно – згладжений ряд:

αYt
Lt = + ( 1−α ) (Lt−1 +T t−1 ). (2.24)
S t −s

2. З’ясовуємо значення тренду:

T t=β ( Lt −Lt−1 ) + ( 1−β ) T t −1. (2.25)

3. Оцінюємо сезонність:

γ∗Y t
St = +(1+ γ ) S t− s. (2.26)
Lt

4. Робимо прогноз:

¿
Y t + p=( Lt +n T t )S t−s +n. (2.27)

Де коефіцієнти α=0,5; β=0,9; γ=0,5.

 40000000.00

35000000.00

30000000.00

25000000.00

20000000.00 Фактичний ряд

Експоненсіно згладжений
15000000.00 прогноз

10000000.00

5000000.00

0.00
12345678911111111112222222222333333333344444444445
01234567890123456789012345678901234567890

Рис.2.21. Прогноз сегменту скло

Прогноз на 12 місяців виглядає:

Рис.2.22. Прогнозні значення сегменту скло

Для точності використовують відхилення і для цього випадку точність

складає 98,65%. Адекватність моделі визначається за допомогою критерію
Дарбіна – Уотсона який описаний в пункті 2.5. В цьому випадку DW=1,84 що
є більшим за 1 , тобто адекватність висока.
Для аналізу прибутку мені представили дані результати яких свідчать
про те, що за 2017 рік сегмент принесе 58258761521 гривень. Для аналізу за
2018 було використано мій прогноз, з якого я отримав, що сегмент принесе
48465170518 гривень, що на 17 % менше чим в попередньому періоді.
 2.8.8. Прогнозування сегменту: нафтопродукти

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис.2.23. Значення тренду для: нафтопродукти

Дивлячись на таблицю 2.23 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
відсутність сезонності.
Для прогнозу я обрав метод Хольта який описаний в пункті 2.2.
1. Розраховуємо експоненційно – згладжений ряд:

Lt =α Y t + ( 1−α ) ¿ ). (2.28)

2. З’ясовуємо значення тренду:

T t=β ( Lt −Lt−1 ) + ( 1−β )∗T t −1. (2.29)

3. Робимо прогноз:

Y ¿t + p=Lt +n∗T t . (2.30)

Для прогнозу потрібно знати коефіцієнти α=0,7 і β=0,3.

 1200000.00

1000000.00

800000.00

Ряд з моделью прогнозу

600000.00
загально
фактично
400000.00

200000.00

0.00
0 10 20 30 40 50 60

Рис.2.24. Прогноз сегменту нафтопродукти

Прогноз на 12 місяців виглядає:

Рис.2.25. Прогнозні значення сегменту нафтопродукти

Для точності використовують відхилення і для цього випадку точність

складає 99,98%. Адекватність моделі визначається за допомогою критерію
Дарбіна – Уотсона який описаний в пункті 2.5. В цьому випадку DW=1,29 що
є більшим за 1 , тобто адекватність висока.
Для аналізу прибутку мені представили дані результати яких свідчать
про те, що за 2017 рік сегмент принесе 127898697 гривень. Для аналізу за
20178 було використано мій прогноз, з якого я отримав, що сегмент принесе
114677868 гривень, що на 10,4 % менше чим в попередньому періоді.
 2.8.9. Прогнозування сегменту: хімічні відходи

Для точного прогнозу потрібно оцінити дані які є і обрати найбільш

точний метод для вирішення задачі. Скориставшись критерієм Фостера –
Стюарта можна визначити наявність тренду, відповідно до пункту 2.1:

Рис.2.26. Значення тренду для: хімічні відходи

Дивлячись на таблицю 2.26 можна зробити висновки, що тренд

присутній. Для подальшого вибору моделі, потрібно визначити чи існує
сезонність в ряду даних. Скориставшись пунктом 2.3 підставивши значення
ряду в існуючий алгоритм можна спостерігати і зробити висновок про
відсутність сезонності.
Для прогнозу я обрав метод Хольта який описаний в пункті 2.2.
1. Розраховуємо експоненційно – згладжений ряд:

Lt =α Y t + ( 1−α ) ¿ ); (2.31)

2. З’ясовуємо значення тренду:

T t=β ( Lt −Lt−1 ) + ( 1−β )∗T t −1; (2.32)

3. Робимо прогноз:

¿
Y t + p=Lt +n∗T t . (2.33)

Для прогнозу потрібно знати коефіцієнти α=0,7 і β=0,3.

 2500000.00 Ряд з моделью прогнозу
загально
2000000.00 фактично

1500000.00

1000000.00

500000.00

0.00
0 10 20 30 40 50 60

Рис.2.27. Прогноз сегменту хімічні відходи

Прогноз на 12 місяців виглядає:

Рис.2.28. Прогнозні значення сегменту хімічні відходи

Для точності використовують відхилення і для цього випадку точність

складає 99,96%. Адекватність моделі визначається за допомогою критерію
Дарбіна – Уотсона який описаний в пункті 2.5. В цьому випадку DW=1,54 що
є більшим за 1 , тобто адекватність висока.
Для аналізу прибутку мені представили дані результати яких
свідчать про те, що за 2017 рік сегмент принесе 1105708069 гривень. Для
аналізу за 2018 було використано мій прогноз, з якого я отримав, що
сегмент принесе 1624722180 гривень, що на 49,3 % більше чим в
попередньому періоді.