первых, выше точность
результата во-вторых, при обработке индивидуальных
независимых оценок,
выносимых экспертами, по меньшей мере
могут возникнуть
продуктивные идеи.
В группу формализованных
методов входят две подгруппы: экстраполяции
и
моделирования. К первой
подгруппе относятся методы: наименьших
квадратов,
экспоненциального
сглаживания, скользящих средних. Ко второй
– структурное,
сетевое и матричное
моделирование.
Рассмотренные классы
интуитивных и формализованных методов
схожи по своему
составу с экспертными
и фактографическими методами. Фактографические
методы
основаны на фактически
имеющейся информации об объекте прогнозирования
и его
прошлом развитии,
экспертные базируются на информации,
полученной по оценкам
специалистов-экспертов.
В класс экспертных
методов прогнозирования входит метод
эвристического
прогнозирования (эвристика
– наука, изучающая продуктивно творческое
мышление). Это аналитический
метод, суть которого заключается в построении
и
последующем усечении
«дерева поиска» экспертной оценки с использованием
какой-либо эвристики.
При этом методе осуществляется специализированная
обработка прогнозных
экспертных оценок, получаемых путем систематизированного
опроса высококвалифицированных
специалистов. Он применяется для разработки
прогнозов научно-технических
проблем и объектов, анализ развития которых
либо
полностью, либо частично
не поддается формализации.
Конструктивная классификация
позволяет наглядно изобразить совокупность
методов прогнозирования
в виде иерархического дерева и охарактеризовать
каждый уровень своим
классификационным признаком.
На первом уровне все
методы по признаку «информационное основание
метода»
делятся на три класса:
фактографические, комбинированные и
экспертные.
Фактографические
базируются на фактической информации
об объекте
прогнозирования и
его прошлом развитии. В экспертных методах
используется
информация, которую
доставляют специалисты-эксперты в процессе
систематизированных
процедур выявления и обобщения их мнений.
В свою очередь,
классы экспертных
и фактографических методов подразделяются
на подклассы по
методам обработки
информации.
Экспертные методы
разделяются на два подкласса. Прямые
экспертные оценки
строятся по принципу
получения и обработки независимого обобщенного
мнения
коллектива экспертов
(или одного из них) при отсутствии воздействия
на мнение
каждого эксперта мнения
другого эксперта и всегоколлектива. Экспертные
оценки
с обратной связью
в том или ином виде реализуют принцип
обратной связи на
основе воздействия
на оценку экспертной группы (одного эксперта)
мнениями,
полученными ранее
от этой группы (или от одного из экспертов)
[1, c.23].
Класс фактографических
методов объединяет следующие три подкласса:
методы
аналогий, опережающие
и статистические методы.
Методы аналогий направлены
на выявление сходства в закономерностях
развития
различных процессов.
К ним относятся методы математических
и исторических
аналогий. Методы математических
аналогий в качестве аналога для объекта
используют объекты
другой физической природы, других областей
науки и
техники, имеющие математическое
описание процесса развития, совпадающие
с
объектом 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, использующие построение
динамических
рядов на базе различных
видов такой информации анализа и прогнозирования
на
этой основе развития
соответствующего объекта (например, метод
огибающих). К
опережающим методам
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
техники.
Статистические методы
представляют собой совокупность методов
обработки
количественной информации
об объекте прогнозирования, объединенной
по
принципу выявления
содержащихся в ней математических закономерностей
изменения характеристик
данного объекта с целью получения прогнозных
моделей
[11, c.143].
Таким образом, методы
планирования и прогнозирования — это
способы, приемы, с
помощью которых обеспечивается
разработка и обоснование планов и прогнозов.
2. ФОРМАЛИЗОВАННЫЕ
МЕТОДЫ ПРОГНОЗИРОВАНИЯ
2.1. Сущность формализованных методов
прогнозирования
Эти методы базируются
на математической теории, которая обеспечивает
повышение достоверности
и точности прогнозов, значительно сокращает
сроки их
выполнения, позволяет
обеспечить деятельность по обработке
информации и
оценке результатов.
Формализованные методы
позволяют получать количественные показатели.
При
разработке таких прогнозов
исходят из предложения об инерционности
системы,
т.е. предполагают,
что в будущем система будет развиваться
по тем же
закономерностям, которые
были у неё в прошлом и есть в настоящем.
Недостатком
формализованных методов
является ограниченная глубина упреждения,
находящаяся
в пределах эволюционного
цикла развития системы, за пределами
которого на
надёжность прогнозов
падает [6, c.24].
2.2. Классификация
формализованных методов прогнозирования
К формализованным
методам относятся экстраполяционные
и регрессивные методы,
метод группового учёта
аргументов (МГУА), факторный анализ и
др.
Экстраполяция относится
к формализованным методам прогнозирования,
основой
которых является математическая
теория, которая повышает достоверность,
точность прогнозов,
позволяет облегчить работу по обработке
информации и
результатов прогноза,
значительно сокращает сроки его производства
[6, c.26].
Экстраполяция заключается
в изучении сложившихся в прошлом и настоящем
устойчивых тенденций
экономического развития и перенесении
их на будущее. При
простой экстраполяции
действующие ранее факторы, обуславливающее
исследуемую
тенденцию в прошлом
и настоящем, останутся неизменными и
в будущем. Однако
сохранение тенденции
прошлого и настоящего неизменными для
будущего чаще
всего мало вероятно.
И поэтому, хотя экстраполяция лежит в
основе всякого
прогноза, она способна
давать эффект только в очень узком диапазоне
не
особенно сложного
процесса.
Следует различать
формальную и прогнозную экстраполяцию.
Формальная базируется
на предположении о сохранении в будущем
прошлых и
настоящих тенденций
развития объекта. При прогнозной – фактическое
увязывается с гипотезами
о динамике исследуемого объекта, т.е.
следует
исходить из необходимости
учёта в перспективе альтернативных изменений
самого
объекта, его сущности.
Основу экстраполяционных
методов прогнозирования составляет изучение
временных рядов, представляющих
собой упорядоченные во времени наборы
измерений тех или
иных характеристик исследуемого объекта
прогнозирования.
Метод подбора функций
– один из распространённых методов экстраполяции.
Главным этапом экстраполяции
тренда является выбор оптимального вида
функции,
описывающей эмпирический
ряд. Для этого проводятся предварительная
обработка
и преобразование исходных
данных с целью облегчения выбора вида
тренда путём
сглаживания и выравнивания
временного ряда. Задача выбора функции
заключается
в подборе по фактическим
данным (xi,yi) формы зависимости (линии)
так, чтобы
отклонения данных
исходного ряда yi от соответствующих
расчётных `yi,
находящихся на линии,
были наименьшими. После чего можно продолжить
эту линию
и получить прогноз.
Классический метод
наименьших квадратов предполагает равноценность
исходной
информации в модели.
В реальной практике будущее поведение
процесса
значительно в большей
степени определяется поздними наблюдениями,
чем
ранними. Уменьшение
ценности более ранней информации (дисконтирование)
можно
учесть путём, например,
введения в модель некоторых весов.
S=Sbi(`Уi –Уi )2 ® min
(i=1,n)
Форма представления
коэффициента может быть различной: числовая
форма,
функциональная зависимость,
но таким образом, чтобы по мере продвижения
в
прошлое веса убывали.
Для этого используются различные модификации
метода
наименьших квадратов.
Метод наименьших квадратов
широко применяется в прогнозировании
в силу его
простоты и возможности
реализации на ЭВМ.
Недостаток метода
состоит в том, что модель тренда жёстко
фиксируется, а это
делает возможным его
применение только при небольших периодах
упреждения,
т.е. при краткосрочном
прогнозировании.
Метод экспоненциального
сглаживания даёт возможность получить
оценки
параметров тренда,
характеризующих не средний уровень процесса,
а тенденцию,
сложившуюся к моменту
последнего наблюдения, т.е. позволяет
оценить параметры
модели, описывающей
тенденцию, которая сформировалась в конце
базисного
периода, и тем самым
не просто экстраполирует действующие
зависимости в
будущее, а приспосабливается
к изменяющимся во времени условиям (иначе
адаптируется). Преимущества
метода состоят в том, что он не требует
обширной
информационной базы
и предполагает её интенсивный анализ
с точки зрения
информационной ценности
различных членов временной последовательности.
Модели, которые описывают
динамику показателя, имеют простую математическую
формулировку, а адаптивная
эволюция параметров позволяет отразить
неоднородность и текучесть
свойств временного ряда.
Метод применяется
при кратко- и среднесрочном прогнозировании.
Метод скользящей средней
даёт возможность выравнивать динамический
ряд путём
его расчленения на
равные части с обязательным совпадением
в каждой из них
сумм модельных и эмпирических
значений.
Методы экстраполяции,
основанные на продлении тенденции прошлого
и настоящего
на будущий период,
могут использоваться в прогнозировании
лишь при периоде
упреждения в 5-7 лет.
При более длительных сроках прогноза
они не дают
точных результатов.
Большую группу формализованных
методов прогнозирования составляют методы
моделирования. Содержание
методов моделирования состоит в конструировании
модели на основе предварительного
изучения объекта и выделения его
существенных характеристик,
в экспериментальном и теоретическом
анализе
модели, сопоставлении
результатов с данными объекта, корректировке
модели.
В прогностике выделяют
различные виды моделей : оптимизационные,
статические
(с учётом фактора
времени) и динамические, факторные,
структурные,
комбинированные и
другие.
В зависимости от уровня
агрегирования один и тот же тип моделей
может быть
применён к различным
экономическим объектам. Отсюда выделяют
модели:
макроэкономические,
межотраслевые, межрайонные, отраслевые,
региональные.
Моделирование получило
широкое применение не только в прогнозировании,
но и в
планировании. Наиболее
распространёнными методами математического
моделирования являются
хорошо всем известные корреляционно-регрессионный
метод, модель межотраслевого
баланса (МОБ), оптимизационные модели.
Сущность корреляционно-регрессионного
метода заключается в определении
зависимости показателя
от различных факторов. Для прогнозирования
экономических и социальных
процессов с применением корреляционно-
регрессионного метода
необходимо установить наличие корреляционной
связи
между прогнозируемым
показателем и влияющими на него факторами,
определить
форму связи, вывести
формулу (уравнение) и осуществить прогноз
показателя на
её основе. Форма связи
характеризует изменение значений одного
признака от
изменений другого.
Она может быть линейной и нелинейной.
Линейная форма корреляционной
связи выражается уравнениями:
У(Х)=А+ВХ, У(Х)=А+ВХ+СZ
где У(Х) – значение
У при данном значении (Х) или (Х и Z);А,В,С
– параметры
уравнения; X,Z-значения
факторов.
Статическая модель
МОБ предназначена для проведения прогнозных
макроэкономических
расчётов на краткосрочный период (год,
квартал, месяц).
Она имеет следующий
вид:
Saijxj+Yi=Xi(i=1,n),(j=1,n)
где aij – коэффициенты
прямых затрат (среднеотраслевые нормативы
расхода
продукции отрасли
i, используемой в качестве средств производства
для
выпуска единицы продукции
отрасли j); xj –объём производства продукции
j-й
отрасли-потребителя;
Xi – валовое производство продукции (услуг)
i-й отрасли-
производителя; Yi- объём
конечного продукта i-й отрасли-производителя.
Динамическая модель
МОБ используется для расчётов развития
экономики станы на
перспективу, она отражает
процесс воспроизводства в динамике и
обеспечивает
увязку прогноза производства
продукции (услуг) с инвестициями.
Упрощённая динамическая
модель имеет вид:
Xit=Satij xjt+Yit+SI tij,(i=1,n)
где t- индекс года;
I tij- продукция отрасли i, направленная
в качестве
производственных
инвестиций в t-году для расширения производства
в отрасль j;
Yit- объём конечного
продукта i-й отрасли в t-году за исключением
продукции,