2017-10-25
4066
1. Классификация и область применения методов экономического прогнозирования: причины (факторы), влияющие на выбор метода прогнозирования; классификация методов прогнозирования (фактографические и экспертные); особенности, условия и области применения методов прогнозирования; условное представление объекта прогнозирования.
Под методами прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных (внешних) и эндогенных (внутренних) связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития. [16, с. 29]
По оценкам отечественных и зарубежных ученных, в настоящее время насчитывается свыше 20 методов прогнозирования, однако число базовых значительно меньше (15-20). Многие из этих методов относятся скорее к отдельным приемам и процедурам, учитывающим нюансы объекта прогнозирования. Другие представляют собой набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения.
Метод прогнозирования - совокупность способов и приемов мышления, что позволяют на основе анализа ретроспективных, экзогенных (внешних) и эндогенных (внутренних) данных, а также их изменения в рассматриваемом периоде времени вывести суждения определенной достоверности относительно будущего развития объекта.
Выбор метода прогнозирования, с одной стороны, должен обеспечить функциональную полноту, достоверность и точность прогноза, а с другой — уменьшить затраты времени и средств на прогнозирование. Актуальность разработки формальных, в том числе логических, процедур выбора типа или непосредственно метода прогнозирования возрастает под воздействием трех групп причин.
Первая группа причин связана с большим числом методов прогнозирования, порождаемым разнообразием практических задач прогнозирования. В настоящее время количество методов прогнозирования насчитывается свыше двух сотен. Поэтому даже краткое ознакомление с известными методами прогнозирования путем простого перебора потребует немало времени и сил.
Вторая группа причин состоит в том, что постоянно возрастает сложность как самих решаемых задач, так и объектов прогнозирования.
Третья группа связана с возрастанием динамичности (подвижности) СЭС.
Прогнозист должен в результате предпрогнозных исследований структурировать информацию об объекте прогнозирования, проанализировать ее и принять решение о том, какой из методов в большей степени соответствует конкретным условиям прогноза. При этом важно на этапе подготовки решения о выборе метода прогнозирования выделить как методы, применение которых возможно в условиях решаемой задачи, так и те, которые применять нельзя. Последние исключаются из числа рассматриваемых альтернатив.
Выбор метода прогнозирования не может быть предметом субъективных склонностей прогнозиста или группы прогнозистов и должен определяться в соответствии с объективными критериями выбора.
Критериями выбора метода являются: •
характер объекта прогнозирования, или проблемы (задачи), решаемые в процессе прогнозирования; •
уровень прогнозирования, или уровень управления (федеральный, отраслевой, региональный, муниципальный), для которого разрабатываются прогнозы; •
интервал упреждения (дальнесрочный, долгосрочный, среднесрочный, краткосрочный); •
цели прогноза.
Проблемы различаются по степени развитости и четкости связей между исследуемыми проблемами и их следствиями; выделенными факторами и результативным показателем.
Выделяют четыре класса проблем, имеющих место при решении прогнозных задач.
1. Стандартные проблемы. Связи между фактором и результатом строго детерминированы, они могут быть выражены функциональными уравнениями, простым расчетом (например, производительность труда равна отношению объема производства в неизменных ценах на численность работающих).
2. Структурированные проблемы. Связи носят вероятностный (стохастический) характер, но отличаются высокой степенью тесноты. При изменении факторов результат может определяться с некоторым интервалом «от» и «до», но может определяться и однозначно (например, определение темпов роста производительности труда в зависимости от темпов его фондовооруженности). 3.
Слабо структурированные проблемы. Они отличаются невысоким уровнем тесноты связи между фактором и результатом. Результативный показатель при этом изменяется в очень большом интервале значения «от» и «до».
Например, определение уровня урожайности сельскохозяйственных культур, который зависит от такого фактора, как погодные условия. 4.
Неструктурированные проблемы. Изменение результативного показателя от влияния фактора трудно предсказуемо. Например, развитие техники и технологии в зависимости от размеров финансирования и т. п.
Важно иметь в виду, что класс проблем зависит от объекта прогнозирования. Так, например, ясно, что прогнозирование развития науки и техники по своей сути относятся к слабо структурированным проблемам, в отличие, например, от прогнозирования развития производства. Но это в общем случае. В то же время интервал упреждения, т.е. период прогнозирования, может изменить класс проблем для одного и того же объекта. Так, прогнозирование изменения объема основных производственных фондов в зависимости от объема инвестиций в краткосрочном периоде (1 год) относится к структурированным проблемам (2 класс), а та же проблема, решаемая в долгосрочном периоде (до 10 лет), переходит в класс слабо структурированных проблем (3 класс), а в долгосрочном периоде на 20 лет и тем более в дальнесрочном периоде (свыше 20 лет) — в класс неструктурированных проблем.
В случае, если проблема решается на уровне организации (фирмы) в краткосрочном периоде, она может быть отнесена к стандартным проблемам (например, расчет производственной мощности при наличии информации о вводе и выводе мощностей в прогнозируемом году). Также ее можно отнести к слабо структурированным и даже не структурированным проблемам по мере удлинения периода прогнозирования (интервала упреждения) и повышения уровня управления (например, региональный, отраслевой или федеральный). Таким образом, при переходе на более высокий уровень управления и увеличении периода упреждения степень структурированности проблемы уменьшается.
Для прогнозирования стандартных проблем используются тождества (равенства) и экономико-математической модели. Для структурированных проблем применяются эконометрические и экономико-математические модели. Для слабо структурированных проблем — методы экспертных оценок, метод сценария, возможно использование и эконометрических моделей. Для неструктурированных проблем — в основном логические методы, методы экспертных оценок с высокой степенью агрегирования переменных, а также имитационные модели.
все методы по признаку "информационная основание метода" делятся на три класса: фактографические, комбинированные, экспертные.
Фактографические - базируются на фактической информации об объекте прогнозирования и его прошлом развитии. В экспертных методах используется информация, которую предоставляют специалисты-эксперты в процессе систематизированных процедур выявления и обобщения их мнений.
Комбинированные - методы со смешанной информационной основой. В свою очередь, классы экспертных и фактографических методов подразделяются на подклассы по методам обработки информации.
Экспертные - методы, основанные на мнениях экспертов в данной области знаний с последующей обработкой полученных результатов с целью выявления основных критериев и тенденций, присущих объекту. Экспертные методы разделяются на два подкласса: прямые экспертные оценки и экспертные оценки с обратной связью.
Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов (или одного из них) при отсутствии воздействия на каждого эксперта мыслей другого эксперта и всего коллектива.
Экспертные оценки с обратной связью в том или ином виде реализуют принцип обратной связи на основе воздействия на оценку экспертной группы (одного эксперта) мыслей, полученные ранее от этой группы.
Класс фактографических методов объединяет три подкласса: методы аналогий, опережающие методы, статистические методы.
Методы аналогий направлены на выявление сходства в закономерностях развития различных процессов. К ним относятся методы математических и исторических аналогий.
Методы математических аналогий как аналог для объекта прогнозирования используют объекты другой физической природы, других отраслей науки, имеющие математическое описание процесса развития, который совпадает с объектом прогнозирования.
Методы исторических аналогий как аналог используют процессы одинаковой природы, предшествующих во времени развития объекта прогнозирования.
Опережающие методы прогнозирования основаны на определенных принципах специальной обработки научно-технической информации, учитывающих ее свойство опережать прогресс науки и техники. К ним относятся методы исследования динамики научно-технической информации, которые используют построение динамических рядов на базе различных видов такой информации, анализа и прогнозирования на этой основе развития соответствующего объекта (например, огибающий метод). К опережающего метода можно отнести также методы исследования и оценки уровня техники, основанные на использовании специальных методов анализа количественной и качественной научно-технической информации для определения характеристик уровня качества существующей и проектируемой техник и.
Статистические методы представляют собой совокупность методов обработки количественной информации об объекте прогнозирования, объединенной по принципу выявления математических закономерностей изменений, содержащихся в ней, характеристик данного объекта с целью получения прогнозных моделей.
По степени формализации методы экономического прогнозирования можно разделить на: интуитивные и формализованные.
Интуитивные методы прогнозирования используются в тех случаях, когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования. В этом случае используются оценки экспертов. При этом различают индивидуальные и коллективные экспертные оценки.
В состав индивидуальных экспертных оценок входят:
o метод "интервью", при котором осуществляется непосредственный контакт эксперта со специалистом по схеме "вопрос - ответ";
o аналитический метод, при котором осуществляется логический анализ какой-либо прогнозируемой ситуации, составляются аналитические докладные записки;
o метод написания сценария, который основан на определении логики процесса или явления во времени при различных условиях.
Методы коллективных экспертных оценок включают в себя: метод "комиссий", "коллективную генерацию идей" ("мозговая атака"), метод "Дельфи", матричный метод.
Эта группа методов основана на том, что при коллективном мышлении, во-первых, более высокая точность результата и, во-вторых, при обработке индивидуальных независимых оценок, шо выносятся экспертами, могут возникнуть продуктивные идеи.
В группу формализованных методов входят две подгруппы: экстраполяции и моделирования.
К первой подгруппе относятся методы: наименьших квадратов, экспоненциального сглаживания и скользящих средних.
К второй группе соответственно: структурное моделирование, сетевое моделирование и матричное моделирование.
Рассмотренные классы интуитивных и формализованных методов сходны по своему составу к экспертных и "фактографических" методов. Фактографические методы основаны на фактически имеющейся информации об объекте прогнозирования и его прошлом развитии, экспертные базируются на информации, полученной из оценок специалистов-экспертов.
Особое место в классификации методов экономического прогнозирования имеют так называемые комбинированные методы, шо сочетают различные другие методы. Например, коллективные экспертные оценки и методы моделирования или статистические и опроса экспертов. Как информация используется фактографическая и экспертная информация.
2. Фактографические методы прогнозирования: статистические методы прогнозирования, их типология и классификация; экстраполяция трендов (выбор оптимального вида функции, расчет параметров выбранной функции); экономико-математическое моделирование (корреляционно-регрессионное моделирование, построение регрессионных и авторегрессионных моделей и т.п.); структурное прогнозирование (теория графов, построение дерева целей); прогнозирование по аналогии (логика предположений, методы распознавания образов).
Статистические методы объединяют совокупность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математических взаимосвязей характеристик с целью получения прогнозных моделей.
Методы экстраполяции тенденций являются самыми распространенными и наиболее разработанными среди всей совокупности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих – регулярной и случайной. Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки исходного числового ряда с целью преобразования его к виду, удобному для прогнозирования. предварительная обработка исходного числового ряда направлена на решение следующих задач: снизить влияние случайной составляющей в исходном числовом ряду, снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда. Метод непосредственной экстраполяции – наиболее простой способ прогноза. Основан на изучении динамики изменения экономического явления в определенном периоде и перенесения выявленной закономерности на будущее. Достоинство метода состоит в его универсальности, а недостаток – в необходимости проведения большего числа наблюдений, что ведет к снижению достоверности прогноза. Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса. Наиболее распространен способ осреднения уровня от некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем называется скользящей средней. Сглаживание даже в простом линейном варианте является во многих случаях эффективным средством выявления тренда при наложении на эмпирический ряд случайных помех и ошибок измерения. Для рядов со значительной амплитудой помехи имеется возможность проводить многократное сглаживание исходного числового ряда. Эффективность этой процедуры быстро уменьшается, поэтому целесообразно повторять ее от одного до трех раз. Если сглаживание направлено на первичную обработку числового ряда для исключения колебаний и выявления тренда, то выравнивание служит целям более удобного представления исходного числового ряда, оставляя прежними его значения. Можно рассматривать выравнивание неизвестен, выравнивание следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и приемов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд. и как метод непосредственного приближенного определения параметров функции, аппроксимирующей исходный числовой ряд. В том случае. Если вид функции Достоинством метода наименьших квадратов является относительная простота, метод сглаживает случайные шумы при описании тренда, позволяет получить реализации несмещенные и состоятельные оценки всех параметров. Две случайные величины являются корреляционно связанными, если математическое ожидание одной из них меняется в зависимости от изменения другой.
По степени комплексности статистические исследования делятся на двумерные и многомерные. Первые касаются рассмотрения парных взаимосвязей между элементами, называются парная корреляция и парная регрессия. И направлены прогнозные исследования на решение следующих задач:
· Установление количественной меры тесноты связи между двумя случайными величинами.
· Установление близости этой связи к линейной.
· Оценка достоверности.
· Оценка точности прогноза и проверка по факту.
Многомерные методы статистического анализа направлены на решение задач системного анализа многомерных стохастических объектов прогнозирования.
Целью такого анализа является выявление внутренних взаимосвязей между переменными, построение многомерных функций связи переменных, выделение минимального числа характеристик описывающих объект с достаточной степенью точности.
Таким образом, статистические методы используются в основном для подготовки данных, приведения их к виду, пригодному для производства прогноза.
Уравнение регрессии. Это математическая формула, применяемая к независимым переменным, чтобы лучше спрогнозировать зависимую переменную, которуюнеобходимо смоделировать.
Зависимая переменная (Y) — это переменная, описывающая процесс, который мы пытаемся предсказать или понять.
Независимые переменные (X) это переменные, используемые для моделирования или прогнозирования значений зависимых переменных. В уравнении регрессии они располагаются справа от знака равенства и часто называются объяснительными переменными.
Зависимая переменная - это функция независимых переменных.
Коэффициенты регрессии(β) — это коэффициенты, которые рассчитываются в результате выполнения регрессионного анализа. Вычисляются величины для каждой независимой переменной, которые представляют силу и тип взаимосвязи независимой переменной по отношению к зависимой.
Создание регрессионной модели представляет собой итерационный процесс, направленный на поиск эффективных независимых переменных, чтобы объяснить зависимые переменные, которые мы пытаемся смоделировать или понять, запуская инструмент регрессии, чтобы определить, какие величины являются эффективными предсказателями.
Затем пошаговое удаление и/или добавление переменных до тех пор, пока вы не найдете наилучшим образом подходящую регрессионную модель. Т.к. процесс создания модели часто исследовательский, он никогда не должен становиться простым "подгоном" данных. Процесс построения регрессионной модели должен учитывать теоретические аспекты, мнение экспертов в этой области и здравый смысл.
Виды регрессионного анализа
Различают линейные и нелинейные регрессии.
Нелинейные регрессии делятся на два класса: регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам, и регрессии, нелинейные по оцениваемым параметрам.
Регрессии, нелинейные по объясняющим переменным:
Полином разных степеней 
Равносторонняя гипербола 
Линейный регрессионный анализ
Построение уравнения регрессии сводится к оценке ее параметров. Для оценки параметров регрессий, линейных по параметрам, используют метод наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака у от теоретических
минимальна.
