Die vorliegende Masterarbeit widmet sich der Erstellung eines Branchenindikators für den LED-Markt, der die tendenzielle Entwicklung dieses Marktes für bis zu 12 Monate im Voraus aufzeigen soll. Dieser zusammengesetzte Index besteht aus zwei gewichteten quantitativen Prognosen auf Basis marktnaher Zeitreihen.
Mit dem Wissen um die Begrenztheit quantitativer Methoden wurden anschließend zwei qualitative Indikatoren auf Basis aktueller Medienberichterstattung entwickelt, die dabei helfen sollen, die quantitativen Ergebnisse besser zu interpretieren, um unter Umständen die darauf aufbauenden Vorhersagen nachvollziehbar zu modifizieren.
Für die Erstellung der quantitativen Prognosen kamen angepasste ARIMA-Modelle zur Anwendung.
Grundlage für die Konstruktion der „Medien-Indikatoren“ war eine Anwendung der „WEB 2.0-Generation“, ein sogenanntes Mashup-Werkzeug.
Inhaltsverzeichnis
1 Einleitung
2 Vorgehensweise und Aufbau der Arbeit
3 Die Leuchtdiode (LED)
3.1 Der LED Markt
3.2 Historie und Ausblick der langfristigen Marktentwicklung
4 Prognosen und das „Business Forecasting“
4.1 Business Forecasting im betrieblichen Umfeld
4.1.1 Unternehmenssteuerung
4.1.2 Marketing
4.1.3 Controlling und Risikomanagement
5 Einteilung der Prognoseverfahren
5.1 Quantitative Verfahren
5.1.1 Zeitreihenmethoden (Time-Series Forecasting Methods)
5.1.1.1 Identifikation der Datenmuster
5.1.1.2 OMTS Methoden
5.1.1.3 FMTS Methoden
5.1.2 Regressionsmethoden
5.2 Qualitative Verfahren
6 Der Indikator
6.1 Die Indexzahl
6.2 Konjunkturindikatoren
7 Der Prognoseprozess
7.1 Die Daten
7.2 Auswahl des Prognoseverfahrens
7.2.1 Wahl der Prognosemethode in Abhängigkeit vom Produktlebenszyklus
7.2.2 Auswahl der Prognosemethode unter Berücksichtigung der Charakteristik der Prognosesituation
7.2.2.1 Charakteristik der Entscheidungssituation
7.2.2.2 Charakteristik der Prognosemethode
8 Das gewählte Verfahren: ARIMA (Box Jenkins)
8.1 Analyse der zugrundeliegenden Datenreihe (Zeitreihe)
8.1.1 Autokorrelationsfunktion (ACF)
8.1.2 Die Partielle Autokorrelationsfunktion (PACF)
8.1.3 Identifikation von Saisonalitäten
8.1.4 Prüfen auf Stationarität
8.1.4.1 Entfernen von nichtstationären Mustern
8.1.5 Das ARIMA Modell
8.1.5.1 Bestimmung der ARIMA-Modellparameter
8.1.5.2 Saisonalität und ARIMA-Modelle
8.1.5.3 Der Identifikationsprozess
8.2 Das ARIMA-Modell zum „LED-Shipment-Index“ des japanischen Wirtschaftsministeriums
8.2.1 Die japanischen LED-Produzenten
8.2.2 Die Daten
8.2.3 Stationarität
8.2.4 Bestimmung des (vorläufigen) Modells
8.2.5 Evaluation des Modells
8.2.5.1 Die Residuen-ACF
8.2.5.2 Der „Out-Of-Sample“-Test
8.2.5.3 Optimierung des vorläufigen Modells
8.3 Das ARIMA-Modell auf Grundlage taiwanesischer LED-Exporte
8.3.1 Die taiwanesischen LED-Produzenten
8.3.2 Die Daten
8.3.3 Stationarität
8.3.4 Bestimmung des (vorläufigen) Modells
8.3.5 Evaluation des Modells
8.3.5.1 Die Residuen-ACF
8.3.5.2 Der „Out-Of-Sample“-Test
8.4 Der (quantitative) Indikator zur LED-Marktentwicklung – „LEDIX“
8.5 Zusammenfassende Bewertung zum quantitativen Index bzw. den quantitativen Prognosen
9 Der Stimmungsindikator
9.1 Die Mashup-Applikation „Yahoo!Pipes“
9.2 Medienberichte als Konjunkturindikator
9.2.1 Der Indikator zur frühzeitigen Anzeige globaler Rezessionen – „RINDEX“
9.2.2 Der Indikator zur Darstellung des Branchenklimas – „CliLED“
9.2.3 Die Konstruktion der Filter
9.2.3.1 Evaluation der Filter
9.3 Das „Indikator-Cockpit“
10 Zusammenfassung und Fazit
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist die Erstellung eines objektiven Branchenindikators für den LED-Markt, um die tendenzielle Marktentwicklung für einen Zeithorizont von bis zu 12 Monaten vorherzusagen. Die Arbeit kombiniert dabei quantitative Zeitreihenanalysen mit qualitativen Stimmungsindikatoren, um Prognoseunsicherheiten zu reduzieren.
- Erstellung eines kombinierten LED-Branchenindikators (quantitativ und qualitativ)
- Einsatz von ARIMA-Modellen (Box-Jenkins) zur quantitativen Prognose auf Basis internationaler Marktdaten
- Entwicklung qualitativer Stimmungsindikatoren mittels Web-2.0-Mashup-Technologien
- Systematische Analyse von Medienberichten als Konjunktur- und Branchenklima-Indikator
- Konstruktion eines "Indikator-Cockpits" zur Unterstützung strategischer Unternehmensentscheidungen
Auszug aus dem Buch
8.1.1 Autokorrelationsfunktion (ACF)
Die Schlüsselfunktion im Rahmen der Zeitreihenanalyse ist, wie in Kapitel 5.1.1.1 dargestellt, die Autokorrelationsfunktion (ACF). Sie ergibt sich durch Aneinanderreihung der quantifizierten Autokorrelationskoeffizienten r_k in Abhängigkeit von der Verzögerung. Besteht zwischen der Ursprungsdatenreihe Y_t und der um k verzögerten Datenreihe Y_{t-k} keine Beziehung (die beiden Datenreihen korrelieren nicht), so liegen die Werte für r_k bei „Null“; nähert sich dieser Wert der „Eins“, so steigt damit die Wahrscheinlichkeit, dass zwischen den beiden Zeitreihen eine Beziehung besteht. Besteht keine Korrelation zwischen der Ursprungszeitreihe und den um k verzögerten Zeitreihen, so liegt „weißes Rauschen“ vor. Die Autokorrelationskoeffizienten sind damit normalverteilt mit (näherungsweise) „Null“ als Mittelwert und einem Standardfehler von 1/sqrt(n) wobei n die Anzahl der Beobachtungen einer Zeitreihe quantifiziert. Diese Aussage ist deshalb wichtig, da jetzt an einem Vertrauensintervall gekoppelte hypothetische Aussagen getroffen werden können. Beispielsweise müssen 95% der betrachteten Autokorrelationskoeffizienten in einem Bereich liegen, der vom Mittelwert um plus oder minus 1.96-mal den Standardfehler (d.h. ± 1.96 / sqrt(n)) begrenzt wird. Ist das nicht der Fall, so handelt es sich bei der vorliegenden Zeitreihe wahrscheinlich nicht um „Weißes Rauschen“ (d.h. Muster wie: Trend, Saisonalitäten, Zyklizitäten prägen die Zeitreihe in irgendeiner Form). Um diesen Raum grafisch hervorzuheben, wird im ACF-Diagramm der Bereich ± 1.96 / sqrt(n) durch 2 Linien markiert. Diese Grenzen quantifizieren die sog. „kritischen Werte“.
Zusammenfassung der Kapitel
1 Einleitung: Vorstellung des Ziels der Arbeit, einen Branchenindikator für den LED-Markt zur Vorhersage der Umsatzentwicklung zu entwickeln.
2 Vorgehensweise und Aufbau der Arbeit: Erläuterung der dreiteiligen Struktur der Arbeit: theoretische Grundlagen, quantitative Modellentwicklung und qualitative Stimmungsindikatoren.
3 Die Leuchtdiode (LED): Beschreibung der technischen Grundlagen von LEDs und Segmentierung des Marktes in sechs Anwendungsbereiche.
4 Prognosen und das „Business Forecasting“: Einführung in das Business Forecasting, seine Bedeutung für Unternehmenssteuerung und Marketing sowie die Herausforderungen von Prognosen.
5 Einteilung der Prognoseverfahren: Differenzierung zwischen quantitativen (Zeitreihen- und Regressionsmodelle) und qualitativen (exploratorischen und normativen) Prognosemethoden.
6 Der Indikator: Erläuterung der Definition von Indikatoren, Indizes und die Einteilung in führende, gleichlaufende und nachlaufende Konjunkturindikatoren.
7 Der Prognoseprozess: Detaillierte Darstellung der fünf Schritte des Prognoseprozesses, von der Problemformulierung bis zur Evaluation.
8 Das gewählte Verfahren: ARIMA (Box Jenkins): Fokus auf die theoretischen Grundlagen des Box-Jenkins-Ansatzes, Anwendung auf japanische und taiwanesische Marktdaten und Konstruktion des „LEDIX“.
9 Der Stimmungsindikator: Vorstellung der Nutzung von Mashup-Werkzeugen zur automatisierten Auswertung von Online-Medienberichten zur Erstellung von „RINDEX“ und „CliLED“.
10 Zusammenfassung und Fazit: Zusammenfassende Bewertung der Ergebnisse und Diskussion der Notwendigkeit einer Kombination quantitativer und qualitativer Verfahren.
Schlüsselwörter
Business Forecasting, LED-Markt, ARIMA, Box-Jenkins, Branchenindikator, Zeitreihenanalyse, Stimmungsindikator, Web 2.0, Mashup, Yahoo!Pipes, Konjunkturindikator, Prognosegenauigkeit, LEDIX, CliLED, RINDEX.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung eines Branchenindikators für den LED-Markt, um die zukünftige Marktentwicklung präziser vorhersagen zu können.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf dem Business Forecasting, der statistischen Zeitreihenanalyse (ARIMA-Modelle) und dem Einsatz qualitativer Stimmungsindikatoren durch automatisierte Datenanalyse im Web 2.0.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist eine objektive Prognose über die tendenzielle Entwicklung des LED-Marktvolumens mit einem Vorlauf von 3 bis 12 Monaten zu erstellen.
Welche wissenschaftliche Methode wird verwendet?
Es wird primär das statistische Box-Jenkins-Verfahren (ARIMA) für quantitative Zeitreihen angewandt, ergänzt durch eine qualitative Inhaltsanalyse von Medienberichten.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung des Business Forecasting, die methodische Analyse der ARIMA-Modelle anhand konkreter Exportdaten sowie die Konstruktion des Stimmungsindikators "CliLED".
Welche Schlüsselwörter charakterisieren die Arbeit?
Business Forecasting, LED-Markt, ARIMA, Zeitreihenanalyse, Stimmungsindikator, Mashup, Prognosegenauigkeit.
Wie werden die "Medien-Indikatoren" konstruiert?
Durch den Einsatz des Mashup-Werkzeugs "Yahoo!Pipes" werden RSS-Feeds aus internationalen Online-Quellen gefiltert, aggregiert und quantifiziert, um Stimmungstrends im Markt abzubilden.
Warum ist eine Kombination aus quantitativen und qualitativen Modellen notwendig?
Da rein quantitative Modelle exogene Schocks (wie die Finanzkrise 2009) nicht erfassen können, helfen qualitative Stimmungsindikatoren dabei, die quantitativen Ergebnisse besser zu interpretieren und modifizieren.
- Citar trabajo
- Volker Waelther (Autor), 2010, Erstellung eines Branchenindikators für den LED-Markt, Múnich, GRIN Verlag, https://www.grin.com/document/169506
