Häufig ist es sowohl in der Wirtschaft als auch in der Politik für Führungskräfte von entscheidender Bedeutung, nicht nur auf Basis von Erfahrungswerten der Vergangenheit, sondern vielmehr unter Einbeziehung prägnanter Zukunftsprognosen Entscheidungen treffen zu können. Im Zuge dessen widmet sich die vorliegende Arbeit der Fragestellung, mithilfe welcher ökonomischen Methoden die Nachfrage der Weltbevölkerung in Bezug auf den Energieträger Erdöl valide prognostiziert werden kann.
Inhaltsverzeichnis
1 Einführung
1.1 Entwicklung der globalen Energienachfrage – Stand der Literatur
1.2 Zielsetzung der Arbeit
1.3 Aufbau der Arbeit
2 Test auf Saisonalität
3 Test auf Autokorrelation
4 Auswahlverfahren geeigneter Prognosemodelle – Ex-post-Prognosen
4.1 Gleitender Durchschnitt
4.1.1 Einfacher gleitender Durchschnitt
4.1.2 Doppelter gleitender Durchschnitt
4.2 Exponentielles Glätten
4.2.1 Einfaches exponentielles Glätten
4.2.2 Doppeltes exponentielles Glätten
4.2.3 Exponentielles Glätten nach Holt
4.2.4 Exponentielles Glätten nach Winters
4.3 Zeitreihenzerlegung
4.4 ARIMA-Modelle
4.4.1 Autoregressive Modelle (AR)
4.4.2 Moving Average Modelle (MA)
4.4.3 Autoregressive Moving Average Modelle (ARMA)
4.5 Auswertung der Ergebnisse
5 Anwendung geeigneter Prognoseverfahren zur Erstellung eines Forecasts der Erdölnachfrage – Ex-ante-Prognosen
5.1 Statische Prognosemodelle
5.1.1 Exponentielles Glätten nach Winters
5.1.2 Zeitreihenzerlegung
5.2 Dynamische Prognosemodelle
5.1.3 Exponentielles Glätten nach Winters
5.1.4 Zeitreihenzerlegung
6 Schlussfolgerungen und kritische Würdigung
Zielsetzung & Themen
Die Arbeit untersucht, welche wissenschaftlich anerkannten ökonomischen Prognoseverfahren am besten geeignet sind, um die weltweite Erdölnachfrage valide vorherzusagen. Dabei werden verschiedene Modelle evaluiert und auf ihre Genauigkeit bei Ex-post- sowie Ex-ante-Prognosen geprüft.
- Analyse der globalen Energienachfrage und Erdölabhängigkeit
- Methodische Prüfung von Zeitreihen auf Saisonalität und Autokorrelation
- Evaluation und Vergleich verschiedener Prognosemodelle (gleitende Durchschnitte, exponentielle Glättung, ARIMA, Zeitreihenzerlegung)
- Anwendung statischer und dynamischer Prognoseverfahren auf reale Zeitreihen
- Kritische Würdigung der Prognosegüte anhand des MAPE-Kriteriums
Auszug aus dem Buch
1.1 Entwicklung der globalen Energienachfrage – Stand der Literatur
Nach Prognoseergebnissen der International Energy Agency (IEA) steigt der weltweite Primärenergieverbrauch bis 2040 gegenüber dem Jahr 2013 um mehr als ein Drittel, auf insgesamt 20.566 Millionen Tonnen jährlich an (vgl. IEA (2) 2013). Während die Europäische Union, Japan sowie die USA getrieben von staatlichen Effizienzvorschriften, ihren Energiebedarf voraussichtlich senken können, gelten allen voran China und Indien als Treiber des globalen Wachstums der Energienachfrage (vgl. IEA (1) 2015, S. 1-2).
Als zugleich größter Produzent und Verbraucher von Kohle wird China als Gigant auf dem globalen Energiemarkt angesehen. Im Jahr 2013 liegt die Gesamtenergienachfrage Chinas bei rund 2.894 Millionen Tonnen jährlich. Dies entspricht 21% des weltweiten Energiebedarfs. Bis ins Jahr 2040 wird durch die IEA ein Wachstum von weiteren rund 2.900 Millionen Tonnen prognostiziert. Damit liegt Chinas Energienachfrage mehr als doppelt so hoch, wie der vergleichbare Prognosewerte der USA (vgl. IEA (1) 2015, S. 2; S. 30; IEA (2) 2013; IEA 2013 (1), S. 10).
Zusammenfassung der Kapitel
1 Einführung: Hinführung zur Bedeutung von Prognosen in Wirtschaft und Politik sowie Darstellung der aktuellen globalen Energienachfrage anhand der Literatur.
2 Test auf Saisonalität: Untersuchung der Zeitreihe auf saisonale Schwankungen mittels linearer Regression und saisonalen Dummies.
3 Test auf Autokorrelation: Prüfung, ob ein System in den Daten durch Zusammenhänge zwischen vergangenen und gegenwärtigen Werten existiert.
4 Auswahlverfahren geeigneter Prognosemodelle – Ex-post-Prognosen: Durchführung und Bewertung verschiedener Prognosemodelle anhand von Vergangenheitsdaten (1990-2013).
5 Anwendung geeigneter Prognoseverfahren zur Erstellung eines Forecasts der Erdölnachfrage – Ex-ante-Prognosen: Erstellung und Evaluation einjähriger Prognosen für das Jahr 2014 mittels ausgewählter statischer und dynamischer Verfahren.
6 Schlussfolgerungen und kritische Würdigung: Zusammenfassung der Ergebnisse und kritische Reflexion der gewählten Methodik sowie Limitationen der Arbeit.
Schlüsselwörter
Erdölnachfrage, Prognoseverfahren, Zeitreihenanalyse, Energiewirtschaft, Ex-post-Prognose, Ex-ante-Prognose, gleitender Durchschnitt, exponentielles Glätten, Zeitreihenzerlegung, ARIMA-Modelle, MAPE, Energienachfrage, Prognosegüte, Statistik, Ökonometrie.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Validität verschiedener ökonomischer Prognosemethoden bei der Vorhersage der globalen Nachfrage nach Erdöl.
Welche zentralen Themenfelder werden behandelt?
Die Arbeit deckt Themen der Zeitreihenanalyse, Energieökonomik, statistische Modellbildung und Evaluierung von Prognosegüte ab.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Identifikation und Anwendung der am besten geeigneten Prognosemodelle zur Vorhersage der zukünftigen Entwicklung der weltweiten Erdölnachfrage.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden Methoden wie gleitende Durchschnitte, exponentielle Glättung (einfach, doppelt, nach Holt und Winters), Zeitreihenzerlegung und ARIMA-Modelle verwendet.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine umfassende Ex-post-Evaluation verschiedener Modelle und deren anschließende Anwendung als Ex-ante-Forecasts.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Erdölnachfrage, Prognoseverfahren, Zeitreihenanalyse, MAPE-Güteindikator und Modellvergleich.
Warum wurde die Zeitreihenzerlegung als Modell hervorgehoben?
Sie erzielte in den Ex-post-Analysen eine hohe Prognosegüte, was sie zu einem der favorisierten Modelle für die weiterführenden Ex-ante-Prognosen machte.
Welche Rolle spielen die Glättungsparameter bei den Modellen?
Sie dienen dazu, jüngere Beobachtungen stärker zu gewichten, um aktuelle Markttrends besser in der Prognose abzubilden.
Was ist der Unterschied zwischen statischen und dynamischen Prognosen in dieser Studie?
Statische Modelle bleiben über den gesamten Zeitraum konstant, während dynamische Modelle ihre Prognoseergebnisse laufend in die Vorhersage kommender Perioden integrieren.
- Quote paper
- Christoph Mütschard (Author), 2016, Feststellung eines geeigneten Prognoseverfahrens für die Entwicklung der weltweiten Erdölnachfrage, Munich, GRIN Verlag, https://www.grin.com/document/508640
