CAGR-basierte Prognosen in R

n diesem Beitrag liefere ich ein Beispiel für CAGR-basierte Prognosen unter Verwendung von OICA-Fahrzeugproduktionsdaten für die chinesische Automobilindustrie.

CAGR ist die zusammengesetzte durchschnittliche Wachstumsrate.

Wenn z. B. die Produktionsleistung im Jahr 2000 1.000.000 Einheiten beträgt, dann würde, wenn CAGR = 3 % erwartet wird, die Produktionsleistung nach 10 Jahren berechnet und wie folgt erwartet:

Die CAGR-basierte Prognose besteht aus einem zweistufigen Arbeitsablauf:

CAGR aus historischen Daten berechnen
Berechnen Sie zukünftige Werte unter der Annahme historischer CAGR

Wenn jährliche Werte vorhergesagt werden, muss CAGR auf der Grundlage jährlicher historischer Werte berechnet werden. Wenn monatliche Werte vorhergesagt werden, muss CAGR aus monatlichen historischen Werten berechnet werden. Usw.

Im Folgenden verwende ich die CAGR-Methode, um die zukünftige Produktion der Automobilproduktion in der Anzahl der jährlich produzierten Einheiten zu prognostizieren. Ich verwende OICA-Produktionsdaten der Automobilindustrie, um die historische jährliche CAGR zu berechnen und die zukünftige Produktionsleistung basierend auf dem berechneten CAGR-Wert vorherzusagen.

Der erste Schritt ist das Einlesen der Daten. Dieser Schritt umfasst auch das Filtern.

library(readxl)
library(dplyr)

data_df = as.data.frame(read_xls("oica.xls"))

data_df = dplyr::filter(data_df,year>=2005,country=="China")

head(data_df)

##   year country    total
## 1 2018   China 27809196
## 2 2017   China 29015434
## 3 2016   China 28118794
## 4 2015   China 24503326
## 5 2014   China 23731600
## 6 2013   China 22116825

tail(data_df)

##    year country    total
## 9  2010   China 18264761
## 10 2009   China 13790994
## 11 2008   China  9299180
## 12 2007   China  8882456
## 13 2006   China  7188708
## 14 2005   China  5717619

Als nächstes kann die historische CAGR berechnet werden. In diesem Fall für die Jahre 2005 bis 2018:

cagr = (data_df$total[1]/data_df$total[length(data_df$total)])^(1/(length(data_df$total)-1)) - 1

Unter Verwendung des historischen jährlichen CAGR-Werts prognostiziere ich die chinesische Automobilproduktionsleistung, gemessen in jährlich produzierten Einheiten, für 2030:

data_df$total[1]*(1+cagr)^(2030-2018)

## [1] 119761592

CAGR-basierte Prognosen sind eindeutig naiv. Diese Prognosemethodik funktioniert nur unter starken Annahmen, wie zB der Annahme, dass das Wachstum unbegrenzt ist. Im Fall der Automobilproduktion ist dies nicht machbar. Daher kann diese Prognosemethode nur auf einen begrenzten Zeithorizont angewendet werden. Darüber hinaus erfordert eine CAGR-basierte Prognose eine gewisse Abweichungstoleranz.