Методы планирования и 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=i(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:

aijxj+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=atij xjt+Yit+I 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, направляемой на расширение производства.

Оптимизационные расчёты осуществляются на основе разработанных экономико-математических моделей и исходной информации с использованием специальных пакетов программ и ЭВМ. Программно формируется матрица, в которой отражаются коэффициенты затрат, тип ограничений и вектор ограничений, а также коэффициенты целевой функции. С помощью методов оптимизации производится расчёт, в процессе которого осуществляется выбор оптимального варианта в соответствии с целевой функцией в рамках установленных ограничений.

Имитационные модели, цель которых состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами.

Модели принятия решений основываются на теории игр. Они применяются в условиях неопределённости или ситуациях, когда интересы сторон не совпадают. Каждая из сторон принимает такие решения, т.е. выбирает такую стратегию действий, которая с их точки зрения обеспечивает наибольший выигрыш или наименьший проигрыш.

Модели сетевого планирования применяются с целью сокращения сроков выполнения сложных проектов и других работ и оптимального использования предназначенных для этого ресурсов.

Нормативный метод применяется на основе расчета прогнозных показателей. Нормы и нормативы разрабатываются заранее на законодательной или ведомственной основе. Норма – это максимально допустимая величина. Норматив – соотношение элементов производственного процесса (составляющая нормы).

Нормы и нормативы подразделяются на ресурсные, экономические и социальные. При необходимости они конкретизируются и дифференцируются по отдельным направлениям, объектам, регионам. Например, используются нормативы: социального развития – потребление на душу населения, прожиточный минимум, площадь жилая и др.

2.3.     Методика прогнозирования экстраполяционными методами

Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих Xt регулярной (детерменированная неслучайная) и t  случайной. Временный ряд Уt может быть представлен в следующем виде:

Уt   = Xt  +  

Регулярная составляющая называется трендом, тенденцией. Под этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса (интуитивное потому, что для большинства процессов нельзя однозначно отделить тренд от случайной составляющей). Регулярная составляющая (тренд) Xt характеризует существующую динамику развития процесса в целом, случайная составляющая t отражает случайные колебания или шумы процесса. Обе составляющие процесса определяются какими-либо функциональным механизмом, характеризующим их поведение во времени.

Задача прогноза состоит в определении вида экстраполирующих функций Xt и t на  основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда.

Следующим этапом является расчёт параметров выбранной экстраполяционной функции.

При оценке параметров зависимостей наиболее распространёнными методами является метод наименьших квадратов (МНК) состоит в отыскании параметров модели тренда, минимизирующих её отклонение от точек исходного временного ряда, т.е.  в минимизации суммы квадратических отклонений, между наблюдаемыми и расчётными величинами.

S=(У –У )2   min (i=1,n)

Где У – расчётные значения исходного ряда; У – фактическое значение исходного ряда;n  -число наблюдений

Модель тренда может иметь различный вид. Её выбор в каждом конкретном случае осуществляется по целому ряду статистических критериев, но наибольшее распространение в практических исследованиях получили следующие функции: