ПРИМЕР 9

Для другого примера оценки линии тренда и сезонного регулирования мы заимствовали сведения из госпиталя, которые использовали 66-месячные данные о взрослых стационарных больных, и получили следующее уравнение:

Y = 8091+21,5 x;

где Y – пациенто-дни; x – время, мес.

На базе этой модели госпиталь прогнозирует пациенто-дни для следующего месяца (период 67):

Пациенто-дни = 8091 + 21.5 (67) = 9530 (только используя тренд).

Так как эта модель определяет линию возрастающего тренда в спросе на обслуживание пациентов, она игнорирует сезонность, которая на сегодня известна администрации. Таблица, приведенная ниже, содержит текущие сезонные индек­сы, базирующиеся на тех же 66 месяцах. Такие сезонные данные, как эти, являются типичными для госпиталей. Заметим, что в январе, марте, июле и августе прояв­ляются особенно высокие в среднем количества пациенто-дней, а февраль, сен­тябрь, ноябрь и декабрь показывают снижение количества пациенто-дней.

Корректируя временные серии экстраполяцией с учетом сезонности, госпи­таль умножает месячный прогноз на соответствующий сезонный индекс. Так, для периода 67, которым был январь,

Пациенто-дни = (9530) (1.0436) = 9946 (тренд с учетом сезонности).

Используя этот метод, были спрогнозированы пациенто-дни с января по июнь (периоды с 67 по 72) как 9946, 9236, 9768, 9678, 9554 и 9547. В этом примере лучше прогнозируются пациенто-дни, так же как более точно прогнозируются бюджет­ные расходы.