<<
>>

3.3. Формализованные методы прогнозирования

Формализованные методы прогнозирования базируются на математичес­кой теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет облегчить деятельность по обработке информации и оценке результатов.

В состав формализованных методов прогнозирования входят: методы экст­раполяции и методы математического моделирования.

Термин «экстраполяция» имеет несколько толкований. В широком смысле слова экстраполяция — это метод научного исследования, заключающий­ся в распространении выводов, полученных из наблюдения над одной частью явления, на другую его часть. В узком смысле слова экстраполяция — это нахождение по ряду данных функции других ее значений, находя­щихся вне этого ряда. Экстраполяция заключается в изучении сложив­шихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция (экстраполирование) применяется при изучении временных рядов и пред­ставляет собой нахождение значений функции за пределами области ее определения с использованием информации о поведении данной функ­ции в некоторых точках, принадлежащих области ее определения.

Различают перспективную и ретроспективную экстраполяцию. Перспективная экстраполяция предполагает продолжение уровней ряда динамики на будущее на основе выявленной закономерности изменения уровней в изучаемом отрезке времени. Ретроспективная экстраполяция характеризу­ется продолжением уровней ряда динамики в прошлое.

Понятием, противоположным экстраполяции, является интерполяция, интерполирование, которое предусматривает нахождение промежуточных значений функции в области се определения. При изучении временных рядов в случае необходимости может производиться интерполирование промежуточных уровней.

Разграничивают формальную и прогнозную экстраполяцию. Формаль­ная экстраполяция базируется на предположении и сохранении в будущем прошлых и настоящих тенденций развития объекта.

Прогнозная экстрапо­ляция увязывает фактическое состояние исследуемого объекта с гипотеза­ми о динамике его развития. Она предполагает необходимость учета в пер­спективе альтернативных изменений самого объекта, его сущности.

При формировании прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения тех или иных ко­личественных характеристик объекта. Экстраполируются оценочные фун­кциональные системные и структурные характеристики, например, ко­личественные характеристики экономического, научного, производствен­ного потенциала. Степень реальности такого рода прогнозов в значи­тельной мере обусловливается аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отно­шению к сущности рассматриваемого явления. Последовательность дей­ствий при статистическом анализе тенденций и экстраполировании со­стоит в следующем:

1. Четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих развитию данного объекта, определение необходимой экстраполяции и ее допустимой дальности.

2. Выбор системы параметров, унификация различных единиц измере­ния, относящихся к каждому параметру в отдельности.

3. Сбор и систематизация данных. Перед сведением их в соответствующие таблицы проверяется однородность данных и их сопоставимость.

4. Выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа и непосредственной экстраполяции данных.

В экстраполяционных прогнозах предсказание конкретных значений изучаемого объекта или параметра в какой-то определенный период вре­мени не считается основным компонентом. Особо важным здесь является своевременное фиксирование объективно намечающихся сдвигов, выяв­ление закономерных тенденций развития явления или процесса. Под тен­денцией развития понимают некоторое его общее направление, долго­временную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.

Для повышения точности экстраполяции используются различные при­емы. Например, экстраполируемая часть общей кривой развития (тренд) корректируется с учетом реального опыта функционирования отрасли — аналога исследований или объекта, опережающих в своем развитии про­гнозируемый объект.

Тренд — это изменение, определяющее общее направление развития, основную тенденцию временных рядов. Под ним понимается характеристи­ка основной закономерности движения во времени, в некоторой мере сво­бодной от случайных воздействий. Тренд — это длительная тенденция из­менения экономических показателей. При разработке моделей прогнозиро­вания тренд оказывается основной составляющей прогнозируемого вре­менного ряда, на которую уже накладываются другие составляющие.

При оценке пара­метров зависимостей наиболее распространенными являются метод наименьших квадратов и его модификаций, метод скользящей средней, метод экспоненциального сгла­живания, и другие.

Сущность метода наименьших квадратов состоит в отыскании парамет­ров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда, т. е. в минимизации суммы квадратических отклонений между наблюдаемыми и расчетными величинами. Модель тренда может различаться по виду. Ее выбор в каждом конкретном случае осуществляет­ся в соответствии с рядом статистических критериев. Наибольшее распро­странение в практических исследованиях получили следующие функции: линейная, квадратичная, степенная, показательная, экспоненциальная, логистическая. Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ.

Рассмотрим метод наименьших квадратов для получения уравнения прямой линии. Для этого нужно построить график прямой в двухмерной плоскости: по горизонтальной оси - X, по вертикальной оси – Y. Линия может быть нарисована вручную при помощи карандаша. Положение проводимой линии должно выбираться так, чтобы она проходила между точками, которые находятся на диаграмме рассеивания.

После проведения линии можно определить две ее важнейшие характеристики: наклон и точку пересечения с вертикальной осью (осью Y). Последнее значение называется Y- пересечением.

Метод наименьших квадратов и есть разработанная математическая процедура, широко используемая на практике для вычисления как Y- пересечения, так и наклона прямой. Данная процедура состоит в отыскании линии, для которой будет минимальна сумма квадратов расстояний между точками, изображающими данные, и самой линией. При этом расстояния измеряются в вертикальном направлении, т.е. в направлении оси Y.

В методе наименьших квадратов значения наклона и Y – пересечения прямой выбираются, исходя из условий минимизации суммы квадратов ошибок (расстояний) – СКО, между значениями величины Y и аппроксимирующей линией (значение уравнения 1 минимизируется).

СКО = ∑(Y -Ŷ )2 =∑ (Y – b0 – b1X)2 (1)

Здесь Y = b0 + b1X – оценивающее величину Y значение на аппроксимирующей прямой.

Выполнив некоторые преобразования, можно получить специальные алгебраические выражения для искомых величин в методе наименьших квадратов. В частности,

∑ (X - X)(Y - Y) n∑XY -∑X∑Y

b1 = ∑ (X - X)2 = n∑X2 – (∑X)2 (2)

∑ Y _ b1∑X ,

b0 = Y – b1 X = n n (3)

где b1 - наклон линии;

b0 – Y пересечение.

Например, предполагается линейная зависимость между возрастом и размером дохода. Подставляя суммы, приведенные в табл. 2, уравнения (2) и (3), получим уравнение прямой, которая наилучшим образом аппроксимирует точки, представляющие исходные данные.

Таблица 2. - Вычисление коэффициента корреляции между

возрастом и доходом

N/N Y X Y2 X2 XY
1 7800 22 60 840 000 484 171 600
2 8500 23 72 250 000 529 195 500
3 10000 26 100 000 000 676 260 000
4 15 000 27 225 000 000 729 405 000
5 16 400 35 268 960 000 1 225 574 000
Всего 57 700 133 727 050 000 3 643 1 606 100

n∑XY -∑X∑Y 5(1606100)- (133)(57700)

b1 = n∑X2 – (∑X)2 = 5 (3643) – (133)2 =

8030500 - 7674100

526 = 677,567

∑ Y _ b1∑X 57700 – 677,567(133)

b0 = n n = 5 5 = - 6483

Уравнение прямой, имеет вид Ŷ = -6483 + 678X

Недостаток данного метода состоит в том, что модель тренда жестко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.

е. при крат­косрочном прогнозировании.

Метод скользящей средней дает возможность выравнивать динамичес­кий ряд путем его расчленения на равные части с обязательным совпаде­нием в каждой из них сумм модельных и эмпирических значений.

При использовании простых средних прогнозирование выполняется на основе усреднения всех существующих данных. Но иногда аналитика интересуют самые последние наблюдения. Тогда можно фиксировать число точек данных, подлежащих усреднению, и ограничиться только последними наблюдениями. Для описания такой модели служит термин скользящее среднее. Как только новое наблюдение становиться доступным, оно включается в усреднение, а наиболее старое, соответственно, исключается. Вновь вычисленное скользящее среднее используется для создания прогноза на следующий период. Простая модель скользящего среднего имеет следующий вид:

(Y1 + Y t-1 + Y t-2 + … Y t-k+1) , (4)

Ŷ t+1 = k

где Ŷ t+1 – прогнозируемая величина на следующий период;

Y1 - значение величины в текущем периоде;

k – число членов в скользящем среднем.

Скользящее среднее для периода t - это арифметическое среднее k последних наблюдений.

Следует отметить, что по всем наблюдениям присваиваются одинаковые весовые коэффициенты. Каждое новое наблюдение включается в среднее по мере его появления, а наиболее старые тотчас исключаются. Скорость реакции на изменения в структуре данных зависит от числа периодов k, участвующих в усреднении.

Например, прогнозирование на основе методики скользящего среднего, демонстрируется в табл. 3. Для данных компании использовано пятинедельное скользящее среднее. Прогноз для 12 недели будет следующим.

(Y11 + Y 11-1 + Y 11-2 + … Y 11-5+1)

Ŷ 11+1 = 5

(Y11 + Y 10 + Y 9 + Y 8 + Y 7)

Ŷ 12 = 5

(302 + 288 + 264 + 279 + 252) 1385

Ŷ 12 = 5 = 5 = 277.0

Таблица 3.

- Закупки бензина компанией
t Количество Ŷ t et
1 275 - -
2 291 - -
3 307 - -
4 281 - -
5 295 - -
6 268 289.8 -21.8
7 252 288.4 -36.4
8 279 280.6 -1.6
9 264 275.0 -11.0
10 288 271.6 16.4
11 302 270.2 31.8

Когда действительное значение для 12 недели станет известно, рассчитывается ошибка прогнозирования.

e12 = Y - Ŷ 12 = 287 – 277 = 10.0

По данным таблицы 3, можно построить графики изменений величины закупок наряду с прогнозами этих величин для соответствующих периодов, выполненными методом скользящего пятинедельного среднего. Для построения графиков можно воспользоваться компьютерной программой Minitab, которая также позволяет определить среднеквадратичную ошибку (MSE, а в Minitab - MSD), среднюю ошибку в процентах (MAPE) и среднее отклонение (MAD), эти программы описаны в подглаве 3.3.2.

Одним из способов построения для данных, имеющих линейный тренд, является использование методики двойных скользящих средних. Этот метод подразумевает именно то, о чем говорит его название: сначала вычисляется ряд значений методом скользящих средних, а потом уже этот набор прогнозов усредняется этим же методом.

Способ расчета двойного скользящего среднего описывается уравнениями 5 - 9. Прежде всего, для вычисления скользящего среднего используется уравнение 5.

(Y1 + Y t-1 + Y t-2 + … Y t-k+1) (5)

Mt = Ŷ t+1 = k

Затем для вычисления вторичного скользящего среднего применяется уравнение 6.

(M1 + M t-1 + M t-2 + … M t-k+1) (6)

M't = k

Для того, чтобы построить прогноз в уравнении 7 к первичному скользящему среднему прибавляется разница между первичным и вторичным скользящими средними.

at = M't + (Mt - M't) = 2 Mt - M't (7)

В уравнение 8 вводится дополнительный корректировочный фактор, сходный с коэффициентом наклона, который может меняться для различных диапазонов значений в ряду.

2 (Mt - M't) (8)

bt = k - 1

И наконец, в уравнении 9 делается прогноз на р периодов вперед.

Ŷ t+1 = а t + bt р (9)

где k – количество периодов, задействованных в скользящем

среднем;

р – количество периодов вперед, на которое делается прогноз.

Например, компания Video владеет несколькими заведениями по прокату видеофильмов. Она растет и нуждается в расширении, чтобы справиться с увеличением на ее услуги. Президент компании поручил своему сотруднику спрогнозировать доход проката видеокассет на следующий месяц. Данные о доходах от проката за последние 15 недель приведены в табл. 4.

Из таблицы 4 видно, что была применена методика двойного скользящего среднего. Чтобы пояснить полученное значение прогноза для 16 недели, ниже приводятся детальные расчеты. Для определения трехнедельного скользящего среднего (колонка 3) использовалось уравнение 5.

(Y15 + Y14 + … Y 15-3+1)

M15 = Ŷ 15+1 = 3

(728 + 711 + 712)

M15 = Ŷ 16 = 3 = 717

Таблица 4. – Прогноз методом двойного скользящего среднего

для данных компании Video

t Yt Mt M't at bt а + b р,(p=1) et
1 2 3 4 5 6 7 8
1 654 - - - - - -
2 658 - - - - - -
3 665 659 - - - - -
4 672 665 - - - - -
5 673 670 665 675 5 - -
6 671 672 669 675 3 680 -9
7 693 679 674 684 5 678 15
8 694 686 679 693 7 689 5
9 701 696 687 705 9 700 1
10 703 699 694 704 5 714 -11
11 702 702 699 705 3 709 -7
12 710 705 702 708 3 708 2
13 712 708 705 711 3 711 1
14 711 711 708 714 3 714 -3
15 728 717 712 722 5 717 11
16 - - - - 727

Для двойного скользящего среднего (столбец 4) применяется уравнение 6.

(M15 + M15-1 + M 15-2 + … M 15-3+1)

M'15 = k

(717 + 711 + 708)

M'15 = 3 = 712

Для вычисления разницы между двумя скользящими средними (столбец 5) используется уравнение 7.

а15 = 2 M15 - M'15 = 2(717)- 712 = 722

Уравнение 8 рассчитывается наклон (столбец 6).

b15 = 2/ (3-1)х( M15 - M'15) = 2/2(717-712) = 5

Для прогноза на один период в будущее использовано уравнение 9 (столбец 7).

Ŷ 15+1 = а 15 + b15 р = 722 + 5(1) = 727

Прогноз на четыре недели вперед будет следующим:

Ŷ 15+4 = а 15 + b15 р = 722 + 5(4) = 742

В результате MSE уменьшилось с 133 до 63,7.

Это подтверждает обоснованность предположения о том, что более «свежие» наблюдения содержат больше важной информации.

Метод экспоненциального сглаживания дает возможность получить оцен­ки параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Этот метод позволяет оценить параметры модели, описывающей тенденцию, кото­рая сформировалась в конце базисного периода. Он не просто экстраполи­рует действующие зависимости в будущее, а приспосабливается, адапти­руется к изменяющимся во времени условиям.

Метод экспоненциального сглаживания применяется при кратко- и сред­несрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы и предполагает ее интенсив­ный анализ с точки зрения информационной ценности различных членов временной последовательности. Модели, описывающие динамику показа­теля, имеют простую математическую формулировку, а адаптивная эволю­ция параметров позволяет отразить неоднородность и текучесть свойств временного ряда.

Экспоненциальное сглаживание предусматривает постоянное обновление модели за счет наиболее свежих данных. Этот метод основывается на усреднении (сглаживании) временных рядов прошлых наблюдений в нисходящем (экспоненциально) направлении. Иными словами, здесь более поздним событиям присваивается больший вес. Вес присваивается следующим образом: для последнего наблюдения весом будет величина а, для предпоследнего – (1 - а), для того, которое было перед ним, - (1 - а)2 и т.д.

В сглаженном виде новый прогноз (для периода времени t + 1) можно представить как взвешенное среднее последнего наблюдения величины в момент времени t и ее прежнего прогноза на этот же период t. Причем вес а присваивается наблюдаемому значению, а вес (1 - а) – прогнозу, при чем 0 < а < 1.

Новый прогноз рассчитывается по следующей формуле:

Ŷ t+1 = aYt + (1 - a) Ŷt , (10)

где Ŷ t+1 – прогнозируемое значение на следующий период;

a – постоянная сглаживаемая (0 < а < 1);

Yt – наблюдение величины за текущий период t;

Ŷt – прежний сглаженный прогноз этой величины на

период t.

Постоянная сглаживания а является взвешивающим фактором. Ее реальное значение определяется тем, в какой мере текущее наблюдение должно влиять на прогнозируемую величину. Если а близко к 1, то в прогнозе существенно учитывается величина ошибки последнего прогнозирования. И наоборот, при малых значениях а прогнозируемая величина наиболее близка к предыдущему прогнозу.

Методика выполнения экспоненциального сглаживания демонстрируется в табл.5 и 6. Известны данных компании за 1994-2000гг. постоянная сглаживания взята равной 0,1 и 0,6. Для экспоненциального сглаживания рядов начальное значение Yt берется равным 500. Ниже приведены этапы вычисления прогноза для периода 3.

1. Прогноз ан период 3 определяется следующим образом.

Ŷ t+1 = aYt + (1 - a) Ŷt

Ŷ2+1 = aY2 + (1 - a) Ŷ2

Ŷ3 = 0,1(350) + (1-0,1)500 = 485

2. Ошибка прогнозирования будет следующей.

e3 = Y3 – Ŷ3 = 250 - 485 = -235

3. Прогноз для периода 4 таков.

Ŷ3 = 0,1(250) + 0,9(485) = 461,5

4. Для постоянной сглаживания, равной 0,1, прогнозируемая

величина для первого квартала 2000 года равна 469. При постоянной сглаживания, равной 0,6 – прогноз дает 576.

Сглаженные значения данных при постоянной сглаживания равной 0,1, стабильны. Но если исходить из минимизации среднеквадратической ошибки MSE (в Minitab она обозначается как MSD), то значение а, равное 0,6, дает лучший результат. Сравнение прогнозов при каждом значении постоянной сглаживания с действительными объемами продаж за первый квартал 2000 года показывает, что значение постоянной, равное 0,6, также оказывается наиболее эффективным.

Из выше сказанного, можно сделать вывод, что методы экстраполяции основаны на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в про­гнозировании лишь при периоде упреждения до пяти или семи лет. Важ­нейшим условием является наличие устойчиво выраженных тенденций развития какого-либо явления или процесса социально-экономической действительности. При более длительных сроках прогноза эти методы не дают точных результатов.

Таблица 5. - Сравнение влияния разных значений постоянных

сглаживания

Период а = 0,1 а = 0,6
Расчет Вес Расчет Вес
t 0,100 0,600
t-1 0,9 х 0,1 0,090 0,4 х 0,6 0,240
t-2 0,9 х 0,9 х 0,1 0,081 0,4 х 0,4 х 0,6 0,096
t-3 0,9 х 0,9 х 0,9 х 0,1 0,073 0,4 х 0,4 х 0,4 х 0,6 0,038
t-4 0,9 х 0,9 х 0,9 х 0,9 х 0,1 0,066 0,4 х 0,4 х 0,4 х 0,4 х 0,6 0,015
Остальные 0,590 0,011
Всего 1,000 1,000

Распространенной методикой описания тех или иных процессов и яв­лений служит моделирование, которое следует понимать как исследова­ние объектов познания на их моделях. Моделирование предполагает построение реально существующих предметов и явлений: живых организмов, инженерных конструкций, общественных систем, различных процессов, в том числе и социально-экономических. Моделирование считается доста­точно эффективным средством прогнозирования.

Таблица 6. - Экспоненциально сглаженные значения объемов

продаж для компании

год Квартал Действи-тельное значение Yt Сглаженное значение Ŷt

(а = 0,1)

Ошибка прогноза

et

Сглаженное значение Ŷt (а = 0,6) Ошибка прогноза

et

1994 1

2

3

4

500

350

250

400

500.0

500.0

485.0

461.5

0.0

-150.0

-235.0

-61.5

500.0

500.0

410.0

314.0

0.0

-150.0

-160.0

86.0

1995 5

6

7

8

450

350

200

300

455.4

454.8

444.3

419.9

-5.4

-104.8

-244.3

-119.9

365.0

416.2

376.5

270.6

84.4

-66.2

-176.5

29.4

1996 9

10

11

12

350

200

150

400

407,9

402,1

381,9

358,7

-57,9

-202,1

-231,9

41,3

2888,2

325,3

250,1

190,0

61,8

-125,3

-100,1

210

1997 13

14

15

16

550

350

250

550

362,8

381,6

378,4

365,6

187,2

-31,5

-128,4

184,4

316,0

456,0

392,6

307,0

234,0

-106,4

-142,6

243

1998 17

18

19

20

550

400

350

600

384,0

400,6

400,5

395,5

166,0

-0,6

-50,5

204,5

452,8

511,1

444,5

387,8

97,2

-111,1

-94,5

212,2

1999 21

22

23

24

750

500

400

650

415,9

449,3

454,4

449,0

334,1

-50,7

-54,4

201,0

515,1

656,0

562,4

465,0

234,9

-156,0

-162,4

185

2000 25 850 469,0 576,0

Слово модель, от лат. «modulus» означает мера, образец – копия или аналог изучаемого процесса, предмета или явления, отображающая существенные свойства моделируемого объекта, с точки зрения цели исследования. Модель — это схема, изображение или опи­сание какого-либо явления или процесса в природе и обществе. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования (взаимо­связи, структурные и функциональные параметры и т. п.). Модель - один из важнейших инструментов социально-экономического прогнозирова­ния, научного познания исследуемого процесса. Поэтому вопрос об адек­ватности модели объекту правомерно ре­шать лишь относительно определенной цели.

Содержанием процесса моделирования являются: конструирование мо­дели на основе предварительного изучения объекта или процесса, выде­ление его существенных характеристик или признаков; теоретический и экспериментальный анализ модели; сопоставление результатов модели­рования с фактическими данными об объекте или процессе; корректи­ровка и уточнение модели.

Для описания моделей (включая алгоритмы и их действия) использу­ется математический аппарат. Это связано с преимуществами математи­ческого подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска мето­дов их решения, фиксации этих методов и их преобразования в програм­мы, рассчитанные на применение средств вычислительной техники.

Средством изучения закономерностей развития социально-экономичес­ких процессов является экономико-математическая модель. Под экономи­ко-математической моделью (ЭММ) понимается методика доведения до полного, исчерпывающего описания процесса получения и обработки ис­ходной информации и правил решения рассматриваемой задачи в доста­точно широком спектре конкретных случаев. ЭММ — это система форма­лизованных соотношений, описывающих основные взаимосвязи элемен­тов, образующих экономическую систему.

Эконометрия — наука, изучающая конкретные количественные взаи­мосвязи экономических процессов, с помощью экономико-математичес­ких методов и моделей. Система ЭММ экономометрического типа служит для описания относительно сложных процессов экономического или социального характера. Эконометрическое моделирование основано на обработке статистической информации ретроспективного характера, оценке отдельных переменных величин, их параметров. Простейшая ЭММ может быть представлена, например, в следующем виде:

Z = А х X, (11)

где Z — общая потребность в материалах; А — норма расхода материала на одно изделие; X — количество изделий.

Эта модель может быть использована, предположим, для прогнозной потребности в материалах, требующихся для изготовления какого-либо изделия.

ЭММ приобретает более сложный вид, если определяется потребность в материалах для изготовления нескольких видов изделий:

или Z = А1 x X1 + … + Аn x Xn , (12)

где n = 1,2, ..., n.

Эта модель показывает зависимость потребности в материалах от двух факторов: количества изделий и норм расхода материалов и называется дескриптивной или описательной [24, с.31].

Разработка системы моделей прогнозирования проходит три этапа. Пер­вый предполагает разработку локальных методик прогнозирования. На этом этапе прорабатываются отдельные модели и подсистемы моделей прогнозиро­вания. Разработанные модели должны быть взаимно увязаны и составлять, единую систему для целей прогнозирования, обеспечивающую взаимо­действие отдельных моделей в соответствии с определенными требовани­ями, которые фиксируются в программе исследований по проблеме в це­лом.

Второй предусматривает создание системы взаимодействующих моде­лей прогнозирования на базе разработки локальных методик прогнозиро­вания. Здесь уточняются и согласовываются подсистемы моделей, прове­ряется их взаимодействие, определяется последовательность использова­ния отдельных моделей, а также приемов оценки и методов проверки получаемых комплексных прогнозов. Составляются соответствующие про­граммы для решения задач на ЭВМ.

Третий включает уточнение и развитие отдельных локальных систем и методик в ходе создания системы моделей прогнозирования и практичес­кого их использования.

Для решения задач прогнозирования национальной экономики используются компьютерные пакеты. Разработка таких пакетов программного обеспечения, специально предназначенных для применения различных методов прогнозирования, оказала огромное влияние на развитие прогнозирования в последние несколько лет. Для специалистов, занимающихся прогнозированием, представляют интерес два типа компьютерных пакетов. Во-первых, это статистические пакеты, позволяющие проводить регрессионный анализ, анализ временных рядов и другие виды математического анализа, часто применяемые статистами. Во-вторых, это пакеты для прогнозирования, специально созданные для подобных целей.

Для универсальных ЭВМ (мэйнфреймов) и микрокомпьютеров (ПК – персональных компьютеров) были разработаны сотни статистических пакетов и пакетов для решения задач прогнозирования. На сегодняшний день, менеджеры, знающие аппарат прогнозирования и умеющие пользоваться ПК, уже не зависят от прогнозов своих штатных сотрудников. Современный руководитель активно использует самые совершенные методы прогнозирования, предоставляемые ему персональными компьютерами.

Использование пакетов программного обеспечения для прогнозирования национальной экономики является актуальным, т.к. данная процедура неизбежно связана с большими вычислениями. Более известны две компьютерные программы – Minitab 13, Microsoft Excel 2000.

Приложение Minitab – это сложная статистическая программа, которая совершенствуется с каждым выпуском ее новой версии. Диалоговое окно приложения Minitab имеет четыре основных элемента:

- панель меню, на которой выбираются команды;

- панель инструментов, которая содержит кнопки инструментов наиболее часто используемых функцией программы;

- окно данных, в котором вводятся, редактируются и просматриваются столбцы данных для каждой таблицы;

- окно сеанса, которое содержит сообщения и результаты, выдаваемые программой.

Приложение Microsoft Excel – популярная программа обработки электронных таблиц, часто используется для целей прогнозирования. Excel 2000 в строки и столбы таблицы вводятся данные, а затем команды, выполняющие различные операции над введенными данными. Например, в столбец 1 могут быть введены данные о годовом доходе работников. Затем Excel сможет вычислить среднее значение этих величин. В качестве второго примера можно предложить ввести в столбец 2 данные о возрасте работников, в результате чего можно будет исследовать взаимосвязь между возрастом и доходом.

Использование настройки приложения Excel позволяет более эффективно справиться со статистическими вычислениями, необходимыми для вычисления математического аппарата прогнозирования национальной экономики.

Отдельные модели и система моделей прогнозирования национальной экономики должны отве­чать определенным требованиям, предопределяющим методы, с помо­щью которых следует разрабатывать модели, а также методы и средства осуществления расчетов. Содержание этих требований сводится к следую­щим положениям. Методика должна:

- давать четкое описание последовательности правил (т. е. алгоритма), позволяющее составить прогноз при достаточно широких предположени­ях о характере и значениях исходной информации;

- использовать методы и технические средства, позволяющие проводить расчеты своевременно и многократно. При этом следует исходить из не­однородной и большой по объему, меняющейся по вариантам прогноза информации;

- учитывать сложные, многофакторные связи прогнозируемых процес­сов и показателей. В этих условиях необходимо выявление важнейших и устойчивых закономерностей и тенденций как на исходном материале, так и в процессе анализа результатов, получаемых поданной методике, и их расчетов по комплексу связанных с ней моделей;

- содействовать согласованию отдельных прогнозов в их системе, обес­печивающей непротиворечивость и взаимную корректировку прогнозов.

Применение математических методов является необходимым условием для разработки и использования методов моделирования в прогнозирова­нии национальной экономики, что обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов. Особенно широко методы математического моделирования применяются в прогнозировании научно-технического прогресса (НТП). При этом используют систему моделей прогнозирования НТП, под которой следует понимать совокупность методик и моделей, позволяющую дать согласованный и непротиворечивый прогноз научно-технического развития, основывающийся на изучении складывающихся в текущем и будущем периодах технико-экономических тенденций и за­кономерностей, на заданных целевых установках, на имеющихся ресур­сах, выявленных потребностях народного хозяйства и их динамике.

Начиная с 30-х гг. потребности регулирования экономики и стремление увеличить уровень ВВП привели к формированию инструментов (моделей) макроэкономического прогнозирования уже примерно в том виде, в каком используются по сей день.

Первые известные модели – модели роста Р. Харрода, Е. Домара, М. Калецкого. Первая модель эконометрического типа – разработка Я. Тинбергена (1936г.), непосредственно призванная описать возможности различных направлений экономической политики.

В прогнозировании национальной экономики выделяют различные виды моделей: оптимизационные, статические (с учетом фактора времени) и динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегиро­вания один и тот же тип моделей может быть применен к различным экономическим объектам. Отсюда выделяют модели макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные. Модели­рование получило широкое применение не только в прогнозировании, но и в планировании. Наиболее распространенными методами математического моделирования являются корреляционно-регрессионный метод, мо­дель межотраслевого баланса, оптимизационные модели.

<< | >>
Источник: Н.В. Капитонова. Прогнозирование национальной экономики. 2008

Еще по теме 3.3. Формализованные методы прогнозирования:

  1. 3.3. Фактографические, или формализованные, методы
  2. Глава9 ФОРМАЛИЗОВАННЫЕ МЕТОДЫ РАЦИОНАЛЬНОГО ВЫБОРА РЕШЕНИЙ
  3. Классификация методов прогнозирования.
  4. 1 МЕТОДЫ ПРОГНОЗИРОВАНИЯ
  5. Методы прогнозирования в стратегическом менеджменте
  6. 2.8. Выбор метода прогнозирования
  7. Экстраполяционные методы прогнозирования
  8. ДРУГИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ
  9. Достоинства и недостатки экспертных методов прогнозирования
  10. Методы прогнозирования
  11. МЕТОДЫ ПРОГНОЗИРОВАНИЯ В МАРКЕТИНГОВОЙ ДЕЯТЕЛЬНОСТИ
  12. Методы прогнозирования
  13. МЕТОДЫ ПРОГНОЗИРОВАНИЯ НАЦИОНАЛЬНОЙ ЭКОНОМИКИ
  14. Методы прогнозирования денежных потоков
- Бюджетная система - Внешнеэкономическая деятельность - Государственное регулирование экономики - Инновационная экономика - Институциональная экономика - Институциональная экономическая теория - Информационные системы в экономике - Информационные технологии в экономике - История мировой экономики - История экономических учений - Кризисная экономика - Логистика - Макроэкономика (учебник) - Математические методы и моделирование в экономике - Международные экономические отношения - Микроэкономика - Мировая экономика - Налоги и налолгообложение - Основы коммерческой деятельности - Отраслевая экономика - Оценочная деятельность - Планирование и контроль на предприятии - Политэкономия - Региональная и национальная экономика - Российская экономика - Системы технологий - Страхование - Товароведение - Торговое дело - Философия экономики - Финансовое планирование и прогнозирование - Ценообразование - Экономика зарубежных стран - Экономика и управление народным хозяйством - Экономика машиностроения - Экономика общественного сектора - Экономика отраслевых рынков - Экономика полезных ископаемых - Экономика предприятий - Экономика природных ресурсов - Экономика природопользования - Экономика сельского хозяйства - Экономика таможенного дел - Экономика транспорта - Экономика труда - Экономика туризма - Экономическая история - Экономическая публицистика - Экономическая социология - Экономическая статистика - Экономическая теория - Экономический анализ - Эффективность производства -