予測の世界へようこそ！

こんにちは！P1の学習の中で、最も実用的なセクションへようこそ。企業がクリスマスに向けてどれくらい在庫を確保するか、夏のセールでどれくらいスタッフを雇うか、どうやって決めているのか不思議に思ったことはありませんか？彼らはただの勘で決めているわけではありません。予測（Forecasting）という手法を使っているのです。

この章では、CIMAの学習範囲である「予算管理と予算統制」に足を踏み入れます。予算（計画）を立てる前に、まずは予測（見通し）が必要です。イメージとしては、予測は「雨が降るかもしれない」という天気予報であり、予算は「それなら傘を持ってコートを着よう」というあなたの意思決定です。それでは、さっそく始めていきましょう！

1. 予測（Forecasting）とは何か？

予測とは、過去および現在のデータに基づいて将来の出来事を推測するプロセスです。管理会計では、通常、売上数量、原材料の価格、労働時間などを予測します。

最初は難しく感じるかもしれませんが、大丈夫です！ 予測の多くは、単なるパターンの分析です。例えば、「7月よりも1月の方がいつもコーヒーが売れる」と知っているなら、あなたはすでに予測を始めているのです。

2. 時系列分析

時系列（Time Series）とは、一定の時間間隔で収集されたデータポイントの集まりです（例：3年分の月次売上データ）。時系列データを見るとき、私たちはそのデータを構成する主に4つの「要素」を探します。

A. トレンド（傾向変動）

トレンドとは、データに見られる長期的な動きのことです。全体として上昇しているのか、下降しているのか、それとも横ばいなのかを見ます。例：あるテック企業が、5年間でスマートフォンの売上が着実に上昇しているトレンドを見つけるなど。

B. 季節変動（Seasonal Variations: SV）

これは、定期的に繰り返される短期的な変動です。長期的なトレンドに関わらず、1年の中で山や谷が発生します。
例：おもちゃ屋さんが毎年12月（クリスマス）に大きなピークを迎え、2月に売上が落ち込むこと。

C. 循環変動

これは、景気（好況や不況など）によって引き起こされる長期的な「波」です。季節変動とは異なり、通常は数年単位で続きます。

D. 不規則変動（残差）

これは予測できない「一回限り」の出来事です。
例：突然の猛吹雪で、2日間すべての店舗が営業停止になった場合。

クイックレビュー：
• トレンド：長期的な方向性。
• 季節変動：日次、週次、月次などで繰り返される短期的なパターン。
• 不規則変動：予測不可能な「ノイズ」。

3. トレンドを見つける：移動平均

生のデータは、グラフにすると非常に「ギザギザ」していることがあります。トレンドという根底にある動きを見るために、移動平均を使って季節的なギザギザを「平滑化（スムージング）」します。

手順：
1. 一定の期間（例：4四半期）をグループ化します。
2. その平均を計算します。
3. 1期間ずらして、次のグループの平均を計算します。
4. 期間が偶数の場合（4四半期など）、平均が特定の期間と正確に一致するように「中心化（centering）」の処理を行う必要があります。

重要なポイント： 移動平均は、季節による上下という「ノイズ」を取り除き、企業が長期的には成長しているのか縮小しているのかを見極めるのに役立ちます。

4. 季節変動への対応

トレンドを把握したら、次は「季節」が数値にどれくらい影響を与えているかを知る必要があります。以下の2つのモデルを知っておくことが大切です。

加法モデル（Additive Model）

季節変動は固定額であると仮定します。
式：\(Actual = Trend + Seasonal Variation\)
例えば、12月のトレンドが1,000単位で、季節変動が+200なら、予測値は1,200になります。1月の変動が-100なら、予測値は900になります。

乗法モデル（Multiplicative Model）

季節変動はトレンドに対するパーセンテージであると仮定します。ビジネスが成長するにつれて季節的なピークも大きくなることが多いため、こちらの方がより現実的なモデルです。
式：\(Actual = Trend \times Seasonal Variation Factor\)
例えば、トレンドが1,000で係数が1.2（つまり120%）なら、予測値は1,200です。後にトレンドが2,000に成長すれば、同じ係数を使って予測値は2,400となります。

大事なヒント： 試験で、トレンドの増加に伴って季節変動の幅も大きくなっているように見える場合、それは乗法モデルである可能性が高いです。

5. 線形回帰（最小二乗法）

回帰分析は、「適合線（最も当てはまりの良い直線）」を見つけるための数学的な方法です。直線の式を使います。

\(y = a + bx\)

ここで：
• \(y\) = 予測したい合計値（例：総コスト）
• \(a\) = 直線がy軸と交わる点（固定費）
• \(b\) = 直線の傾き（1単位あたりの変動費）
• \(x\) = 独立変数（例：生産数量）

知っていましたか？ P1試験では、通常、長い計算式を使って \(a\) や \(b\) をゼロから計算する必要はありません（公式シートに記載されています）。それよりも、結果を解釈したり、与えられた \(a\) と \(b\) を使って将来の \(y\) を予測したりすることが求められます。

避けるべきよくあるミス：

データを外挿（Extrapolation）しすぎないでください！「外挿」とは、データの範囲を大きく超えて将来を予測することです。10〜100単位のデータしかない状態で、1,000,000単位のコストを回帰分析で予測するのは危険です。なぜなら、その規模になるとビジネスの「ルール」が変わってしまう可能性があるからです！

6. 相関関係：予測の信頼性はどれくらい？

直線を引いたからといって、それが良い予測だとは限りません。\(x\) と \(y\) の関係がどれくらい強いかを測るために、2つの指標を使います。

相関係数（\(r\)）

これは関係の強さと方向を測ります。
• \(r = +1\)：完全な正の相関（両者が完全に同じ方向に動く）。
• \(r = -1\)：完全な負の相関（一方が上がれば、もう一方は下がる）。
• \(r = 0\)：相関なし（データがランダムに散らばっている）。

決定係数（\(r^2\)）

これはとても説明しやすいため、私のお気に入りです。\(r\) を2乗すると \(r^2\) になります。これは、\(y\) の変化の何パーセントが \(x\) の変化によって説明できるかを示しています。

例：もし \(r = 0.9\) なら、\(r^2 = 0.81\)（つまり81%）。これは、コストの変化の81%が生産数量の変化によって説明できることを意味します。残りの19%は他の要因によるものです。

クイックレビュー：
• \(r^2\) が高い = 非常に信頼できる予測。
• \(r^2\) が低い = あまり信頼できない。参考程度にとどめましょう！

7. 重要用語まとめ

予測（Forecasting）：過去のデータを使って将来を見通すこと。
トレンド（Trend）：根底にある長期的な軌跡。
季節変動（Seasonal Variation）：短期的で繰り返されるパターン。
回帰分析（Regression）：\(y = a + bx\) という関係を見つけるための数学的ツール。
相関係数（\(r\)）：2つのものの関係の強さ。
決定係数（\(r^2\)）：モデルによって変動のどれだけが説明できているか。

最後にエールを！

予測というと数学が大変そうに見えるかもしれませんが、P1試験では、何よりも概念を理解することが重要です。思い出してください：トレンドは大きな全体像、季節変動はそのトレンドの周りの「揺れ」、そして回帰分析はそれらすべてを通る線を引くためのちょっと気の利いた道具です。あなたならきっと大丈夫です！