Фактографические (формализованные) методы. Методы социального прогнозирования. Программа поддержки многодетных семей

Метод формализованного описания неопределенности - наиболее точный и сложный метод. Включает  

В настоящее время имеются проверенные на практике методы прогнозирования развития научных направлений и особенно техники. Прогнозирование фундаментальных исследований производится в основном методами экспертных оценок (интуитивными методами), методы формализованные (формально-логические, фактографические) большого распространения не получили. Это связано, в частности, с отсутствием информации об объекте прогнозирования.  

Одним из основополагающих принципов бизнес-планирования является принцип многовариантности, предусматривающий рассмотрение некоторого множества различных вариантов проекта при разработке бизнес-плана . В простейшем случае это три варианта оптимистический, пессимистический и наиболее вероятный. Данный принцип бизнес-планирования может быть положен в основу оценки риска проекта в целом. При этом можно воспользоваться методом формализованного описания неопределенности, включающим следующие предварительные этапы  

Наиболее точным является метод формализованного описания неопределенности. Применительно к видам неопределенности, наиболее часто встречающимся при

Известен также метод формализованного описания неопределенности, который считается наиболее точным, но и наиболее сложным для проведения расчетов. При применении этого метода последовательно выполняются следующие операции.  

Наиболее точным (но и наиболее сложным с технической точки зрения) является метод формализованного описания неопределенности. Применительно к видам неопределенности, наиболее часто встречающимся при оценке инвестиционных проектов , этот метод включает следующие этапы  

Наиболее точным, но и наиболее сложным с технической точки зрения является метод формализованного определения неопределенности. Этот метод включает проведение следующих операций  

Многообразие средств и методов проектирования, отраслевые различия объектов управления , различия в структуре, квалификационном составе и уровне профессиональной подготовки проектных коллективов, ориентация на различные комплексы технических средств обусловливают многообразие и сложность реальных технологических процессов разработки АСУ и ее ядра - СМОД. В связи с этим возникает необходимость формализованного отображения процессов с целью их оптимального планирования и эффективного регулирования. В основе метода формализованного отображения процессов проектирования лежит понятие технологической операции проектирования как базовой конструкции процесса разработки СМОД.  

Метод формализованного описания неопределенности при оценке инвестиционных проектов включает следующие этапы  

Метод -диагностического определения потребительной стоимости . В данном методе опрашиваемые оценивают потребительную стоимость по нескольким показателям, например надежность, сервис, дизайн и т. д. По каждому показателю между аналогами распределяются 100 баллов. Дополнительно оцениваются весовые коэффициенты показателей. Между весовыми коэффициентами также распределяются 100 баллов. Умножая весовые коэффициенты на оценки показателей и суммируя полученные значения по каждому товару , получают оценку потребительной стоимости товара. Далее цена определяется аналогично предыдущему методу. Формализованное описание методики будет следующим  

Вторая группа - методы формализованного представления систем управления, основанные на использовании математических, экономико-математических методов и моделей исследования систем управления. Среди них можно выделить следующие классы  

В настоящее время в экономике и организации производства применяются практически все группы методов формализованного представления систем. Для удобства их выбора в реальных условиях на базе математических направлений развиваются прикладные методы и предлагаются их классификации.  

Методы формализованного представления систем  

Методы формализованного представления систем управления  

Применяемые методы формализованного описания систем управления должны способствовать в конечном итоге созданию четких организационных механизмов управления, используемых объектов.  

Выбор конкретного метода формализованного описания, системы управления зависит от того, в каких условиях осуществляется обследование, какова ответственность исполнителей за принимаемые решения и какова степень регламентации управления в обследуемой организации.  

Сетевой метод формализованного представления систем управления сводится к построению сетевой модели для решения комплексной задачи управления . Основой сетевого планирования является информационная динамическая сетевая модель , в которой весь комплекс расчленяется на отдельные, четко определенные операции  

Методы формализованного представления систем включают аналитические, статистические, теоретико-множественные, логические, лингвистические, семиотические, графические, структурно-лингвистические методы , имитационное динамическое моделирование.  

Приведите состав методов формализованного представления систем. В чем их особенности  

Цель 3. Обучить студентов методам формализованного представления результатов обследования систем управления  

Каковы методы формализованного описания работы диалоговых систем и их содержание  

Каковы методы формализованного представления состава проектных работ  

Важными качествами решений являются их научная обоснованность , четкая направленность и экономическая результативность. Для принятия решений по задачам управления производством используют метод, основанный на системном подходе , логический метод, формализованный метод.  

По степени формализации - формализованные и нефор-мализованные методы. Формализованные методы являются основными при проведении финансового анализа предприятия , они носят объективный характер, в их основе лежат строгие аналитические зависимости . Неформализованные методы (метод экспертных оценок , метод сравнения) основаны на логическом описании аналитических приемов, они субъективны, так как на результат большое влияние оказывают интуиция, опыт и знания аналитика.  

Всю совокупность методов исследования можно структуризовать на методы, основанные на использовании знаний и интуиции специалистов, методах формализованного представления систем, комплек-сированных методах и

Основой формализованных методов прогнозирования является математическая теория, повышающая достоверность, точность прогнозов, облегчающая обработку информации и результатов прогноза, значительно сокращающая сроки его производства.
Формализованные методы прогнозирования можно разделить на две группы: методы экстраполяции и методы математического моделирования. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. При простой экстраполяции все действующие ранее факторы, обуславливающие исследуемую тенденцию в прошлом и настоящем, останутся неизмененными и в будущем. Однако сохранение тенденций прошлого и настоящего неизменными для будущего чаще всего маловероятно. И поэтому хотя экстраполяция лежит в основе всякого прогноза, она способна давать эффект только в очень узком диапазоне времени относительно 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, учитываются в перспективе альтернативные изменения самого объекта, его сущности.
В основе экстраполяционных методов прогнозирования лежит изучение временных рядов, представляющих собой упорядоченные во времени наборы измерений различных характеристик исследуемого объекта прогнозирования. Экстраполяция в прогнозировании предполагает, что рассматриваемый процесс изменения переменной является сочетанием двух составляющих хг - регулярной (детерминированная неслучай-

ная) и ех - случайной. Временной ряд уг может быть представлен в виде
(1)

Регулярная составляющая называется трендом, тенденцией. В этих терминах заключено интуитивное представление об очищенной от помех сущности анализируемого процесса (интуитивное потому, что для большинства процессов нельзя однозначно отделить тренд от случайной составляющей). Регулярная составляющая (тренд) хг характеризует динамику развития процесса в целом, случайная составляющая е% отражает случайные колебания или шумы процесса. Обе составляющие процесса определяются функциональным механизмом, характеризующим их поведение во времени.
Задача прогноза состоит в определении вида экстраполирующих функций х% и ег на основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующий этап - расчет параметров выбранной экстраполяционной функции.
При оценке параметров зависимостей наиболее распространены метод наименьших квадратов и его модификации, метод экспоненциального сглаживания, метод адаптивного сглаживания, метод скользящей средней и др. Метод наименьших квадратов (МНК) требует найти параметры модели тренда, минимизирующие ее отклонение от точек исходного временного ряда, т.е. минимизировать сумму квадратических отклонений между наблюдаемыми и расчетными величинами.
П (А
5=1 У1~У1
А
где у1 - расчетные значения исходного ряда;
у. - фактическое значение исходного ряда; п - число наблюдений.
п

Модель тренда может иметь различный вид, ее выбор в каждом конкретном случае осуществляется по ряду статистических критериев. В практических исследованиях наиболее часто применяются:
у = ах + Ъ (линейная);

у = ах2 +Ь + с (квадратичная);
у - хп (степенная);
у = ах (показательная);
у = аех (экспоненциальная);
а
У - (логистическая).
Широко применяется линейная функция, или линеаризуемая, т.е. сводимая к линейной, как наиболее простая и отвечающая исходным данным.
Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. В реальной практике будущее поведение процесса определяется поздними наблюдениями в большей степени, чем ранними. Уменьшение ценности более ранней информации (дисконтирование) можно учесть, например, путем введения в модель (2) некоторых весов В. lt; 1. Тогда

(9)
Коэффициент может быть представлен в различном виде: числовой формой, функциональной зависимостью, но таким образом, чтобы по мере продвижения в прошлое веса убывали.

Для этого используются модификации метода наименьших квадратов.
Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток метода в том, что модель тренда жестко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.е. при краткосрочном прогнозировании.
Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения, то есть он позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода, и тем самым не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется к изменяющимся во времени условиям. Преимущества метода в том, что он не требует обширной информационной базы, а 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. Метод применяется при кратко- и среднесрочном 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.
К экстраполяционным относится и метод, получивший название «цепи Маркова». В основе прогноза, построенного на основе простых цепей Маркова, лежит вычисление матрицы перехода, элементами которой являются вероятности перехода прогнозируемых параметров из одного состояния в другое, от
одного значения к другому. Если мы имеем А = {т.е.
матрицу прогнозируемых показателей размерности (т х Т), где Аи - значение /-того показателя в момент времени t, и если
известна матрица перехода Р, то прогноз вычисляется следующим образом:
А+1 = рЛ;А+2 = ^2А--А+* = -р*А, lt;10)
где - вектор значений прогнозируемых показателей в момент t.
Процедура вычисления элементов матрицы перехода
р = {р1} }„ г, у = 1Гй (П)
предполагает определение суммарных изменений показателей Аи для каждого момента времени t, т.е.
,?А=т=г? lt;12gt;
(если мы прогнозируем потребности, то это и будет суммарная потребность ресурсов по годам).
Затем определяем значения цепных индексов для величин
А
Г =-4- = 1 ,Т
На основе цепных индексов определяем возможные значения прогнозируемых показателей при неизменности структуры в моменты (?+1):
5 = Ь?и_ = Ьл = ]7т,
I t
т.е. индекс умножаем на значение этого показателя в соответствующий момент (?+1).

Элементы Би образуют матрицу = } размерности (пхТ).
Рассогласование между реальным изменением показателей Аы и гипотетическим находим как их разность:
А?*, *+1 = А^ #+1 - 8и.
Эти величины рассогласования определяют изменение структуры исследуемого процесса (если это потребление, то структуры потребления ресурсов) и представляют собой образующий вектор
А?м+1 = (А?т)= * А?П,*+1) .
Затем образуется нормированный вектор, определяющий изменение значения г-того показателя в (? + 1) году по сравнению с t-м годом. Определяется он по формуле
1
х‘м - - (13)
? + 1 *=1
Полученные величины позволяют формировать?-тую строку матрицы соответствующего перехода Рт.
По аналогичной схеме рассчитываются последовательно матрицы перехода для различных моментов времени. Непосредственно прогноз реализуется по формуле (10).
Реализация прогнозов с помощью цепей Маркова позволяет по мере поступления новой информации регулярно корректировать ошибки, учитывать информационную неточность прогноза, что повышает надежность получаемых результатов. Этот метод может быть использован для прогноза множества показателей, которые меняются из года в год одновременно, но между ними непосредственно функциональные связи не установлены ввиду отсутствия информации или крайней сложности этих связей. Примером может служить прогноз потребностей отраслей народного хозяйства в ресурсах. При реализации данного прогноза устанавливаются на перспективу не только объемы, но и сама структура потребления ресурсов различными отраслями.

Методы экстраполяции, основанные на продлении тенденции прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения в 3-5 лет. При более длительных сроках прогноза они не дают точных результатов. С помощью методов экстраполяции исследуются количественные параметры больших систем, количественные характеристики экономического, научного и производственного потенциалов, данные о результативности науч- но-технического прогресса, характеристики соотношения отдельных подсистем, блоков и т.д.
Большую группу формализованных методов прогнозирования составляют методы моделирования. С их помощью конструируются модели на основе предварительного изучения объекта и выделения его существенных характеристик, проводится экспериментальный и теоретический анализ модели, сопоставляются результаты с данными объекта, корректируется модель. Моделирование широко распространено не только в прогнозировании, но и в планировании. Толчком к развитию формализованных методов, и в том числе методов моделирования, послужило применение электронно-вычислительных машин (ЭВМ). В их развитии обозначился новый этап - этап эко- номико-математических методов (ЭММ), соединивших в себе математическую теорию и возможности ЭВМ.
Основанные на методах прикладной математики и математической статистики ЭММ и ЭВМ позволили значительно расширить возможности применения и направления использования формализованных методов. Так, стало возможно глубже вскрыть взаимосвязи в народном хозяйстве, всесторонне обосновывать изменения экономических показателей, ускорить получение и обработку информации, осуществлять многовариантные расчеты планов-прогнозов, программ и выбирать оптимальный вариант по заданному критерию.
В планировании и прогнозировании выделяют различные виды (типы) моделей: оптимизационные, факторные, структурные, модели межотраслевого баланса и др. В зависимости от уровня агрегирования один и тот же тип может применяться к различным экономическим объектам, поэтому выделяют модели: макроэкономические, межотраслевые, межрайонные, от
раслевые, региональные и микроэкономические (на уровне предприятия, объединения).
Экономико-математическая модель любого вида представляет собой формализованное описание исследуемого процесса или объекта в виде математических зависимостей и отношений.
Оптимизационные модели основаны на выборе критерия оптимальности, на основе которго путем сравнения различных вариантов выбирается лучший (оптимальный) вариант. Оптимизационная экономико-математическая модель состоит из целевой функции и системы ограничений. Целевая функция описывает цель оптимизации и отражает зависимость показателя, по которому ведется оптимизация, от независимых переменных (ограничений). Система ограничений отражает объективные экономические связи и зависимости и представляет собой систему равенств и неравенств, например, между потреблением ресурсов или величинами технико-экономических показателей и установленными лимитами, а также пределами выпуска продукции. Влияние каждой из переменных на величину целевой функции выражается коэффициентом-показателем, экстремум которого выступает критерием оптимальности. Примеры оптимизационных моделей в планировании и прогнозировании: модели оптимизации развития и размещения производств, модели оптимизации структуры производства продукции отраслей промышленности, модели АПК, модели транспортных задач, с помощью которых осуществляется рациональное прикрепление поставщиков к потребителям и определяются минимальные транспортные затраты, и другие.
Примерами макроэкономических моделей могут служить статическая и динамическая модели межотраслевого баланса.
Статическая модель имеет вид:

х. - валовое производство у-й отрасли-потребителя (у = 1, п); х. - валовое производство продукции 1-и отрасли-поставщика (1=1, п);
у. - объем конечной продукции г-й отрасли.
При этом УЦ1ацх] представляет собой промежуточный продукт (количество продукции 1-й отрасли, используемой в у"-й отрасли в процессе производства).
Статистическая модель межотраслевого баланса может выражаться и таким образом:

где Ъ.. - коэффициент полных материальных затрат, отражающий величину продукции 1-й отрасли, необходимой на всех стадиях производства для получения единицы конечной продукции у-й отрасли.
Коэффициенты прямых и полных затрат отличаются тем, что первые определяются в расчете на единицу валового выпуска отрасли и являются среднеотраслевыми, а вторые рассчитываются на единицу конечной продукции и являются народнохозяйственными. Коэффициенты полных затрат превышают коэффициенты прямых на величину косвенных затрат.
Динамическая модель межотраслевого баланса характеризует производственные связи народного хозяйства за ряд лет (т.е. отражает процесс воспроизводства в динамике) и обеспечивает увязку плана-прогноза производства продукции с планом-прогнозом капитальных вложений. Упрощенная модель имеет вид

где t - индекс года; АФу - продукция *-й отрасли, направляемая как производственные капитальные вложения для расширения производства в у-ую отрасль; Z. - сумма конечной продукции /-й отрасли, за исключением продукции, направленной на расширение производства.
Корреляционно-регрессионный метод дает возможность количественно исследовать влияние разнообразных факторов на уровень параметра, характеризующего планируемое (прогнозируемое) явление или процесс, позволяет отделить мнимые связи от действительных и в математической форме (через уравнение регрессии) выразить эту связь и раскрыть действие факторов на этот параметр. Корреляционно-регрессионный метод широко распространен и решает две основные задачи:

• устанавливает степень тесноты связи между планируемым (прогнозируемым) параметром и влияющими на него факторами;
• определяет с помощью уравнений регрессии форму связи между планируемым (прогнозируемым) параметром и влияющими на него факторами.

Формализованные методы делятся по общему принципу действия на четыре группы: экстраполяционные (статистические), системно-структурные, ассоциативные и методы опережающей информации.

В практике прогнозирования экономических процессов преобладающими, по крайней мере до последнего времени, являются статистические методы. Это вызвано, главным образом, тем, что статистические методы опираются на аппарат анализа, развитие и практика применения которого имеют достаточно длительную историю. Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа.

Первый заключается в обобщении данных, собираемых за некоторый период времени, а также создании на основе этого обобщения модели процесса. Модель описывается в виде аналитически выраженной тенденции развития (экстраполяция тренда) или в виде функциональной зависимости от одного или нескольких факторов- аргументов (уравнения регрессии). Построение модели процесса для прогнозирования, какой бы вид она ни имела, обязательно включает выбор формы уравнения, описывающего динамику и взаимосвязь явлений, и оценивание его параметров с помощью того или иного метода.

Второй этап - сам прогноз. На этом этапе на основе найденных закономерностей определяется ожидаемое значение прогнозируемого показателя, величины или признака. Безусловно, полученные результаты не могут рассматриваться как нечто окончательное, так как при их оценке и использовании должны приниматься во внимание факторы, условия и ограничения, которые нс участвовали в описании и построении модели. Их корректировка должна осуществляться в соответствии с ожидаемым изменением обстоятельств их формирования.

Необходимо также отметить, что в ряде случаев собственно статистическая обработка экономической информации вовсе не является прогнозом, однако фигурирует как важное звено в общей системе его разработки. Мировая практика обладает обширным материалом в области перспективного анализа, и уже сейчас очевидно, что успешность прогнозов, получаемых на основе статистических моделей, существенно зависит от анализа эмпирических данных, от того, насколько такой анализ сможет выявить и обобщить закономерности поведения изучаемых процессов во времени.

Одним из наиболее распространенных методов прогнозирования является экстраполяция , т.е. продление на перспективу тенденций, наблюдавшихся в прошлом (более подробно метод экстраполяции изложен в следующей главе). Экстраполяция базируется на следующих допущениях (7, с.151):

1) развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией - трендом;

2) общие условия, определяющие тенденцию

развития в прошлом, не претерпят существенных изменений в будущем.

Экстраполяцию можно представить в виде определения значения функции:

гдеу, +/ - экстраполируемое значение уровня;

у* - уровень, принятый за базу экстраполяции;

L - период упреждения.

Простейшая экстраполяция может быть проведена на основе средних характеристик ряда: среднего уровня, среднего абсолютного прироста и среднего темпа роста.

Если средний уровень ряда нс имеет тенденции к изменению или, если это изменение незначительно, то можно принять:

Если средний абсолютный прирост сохраняется неизменным, то динамика уровней будет соответствовать арифметической прогрессии:

Если средний темп роста не имеет тенденцию к изменению, прогнозное значение можно рассчитать по формуле:

где г - средний темп роста;

у" - уровень, принятый за базу для экстраполяции.

В данном случае предполагается развитие по геометрической прогрессии или по экспоненте. Во всех случаях следует определять доверительный интервал, учитывающий неопределенность и погрешность используемых оценок.

Наиболее простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в замене фактических уровней ряда расчетными средними, в которых погашаются колебания. Метод подробно рассмотрен в курсе теории статистики .

Для целей краткосрочного прогнозирования также может использоваться метод экспоненциального сглаживания. Средний уровень ряда на момент I равен линейной комбинации фактического уровня для этого же момента у , и среднего уровня прошлых и текущего наблюдений.

где Q" - экспоненциальная средняя (сглаженное значение уровня ряда) на момент t ;

а - коэффициент, характеризующий вес текущего наблюдения при расчете экспоненциальной средней (параметр сглаживания), 0Если прогнозирование ведется на один шаг вперед, то прогнозное значение у, +| = Q: является точечной оценкой.

Экстраполяция тренда возможна, если найдена зависимость уровней ряда от фактора времени t, в этом случае зависимость имеет вид:

Виды кривых, основания выбора вида аналитической зависимости и расчет доверительного интервала рассмотрены в следующей главе.

Для многих стационарных процессов в экономике характерно наличие тесной связи между уровнями за предыдущие периоды или моменты и последующими уровнями. В таких случаях зависимость от времени проявляется через характеристики внутренней структуры процесса за прошлые периоды. Выразив в аналитической форме взаимосвязь уровней временного ряда, можно использовать полученную закономерность для прогнозирования.

Модель стационарного процесса, выражающая значение показателя у { в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии.

где а - константа, ср - параметр уравнения, е г - случайная компонента.

Рассмотренные выше методы, за исключением экстраполяции тренда, являются адаптивными, т.к. процесс их реализации заключается в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предыдущих уровней.

Морфологический метод разработан известным швейцарским астрономом Ф. Цвикки, работавшим в обсерваториях в штате Калифорния до 1942 г. Три типа проблем, которые по его мнению морфологический анализ способен разрешить:

• какое количество информации об ограниченном круге явлений может быть получено с помощью данного класса приемов?
• какова полная цепочка следствий, вытекающих из определенной причины?
• каковы все возможные методы и приемы решения данной конкретной проблемы?

Ответом на второй вопрос является построение дерева целей на основе теории графов. Ответ на третий вопрос дает изыскательское прогнозирование.

Преждевременная постановка вопроса о ценности наносит ущерб исследованию. Упорядочивание всех решений, в том числе тривиальных, позволяет уйти от стереотипов, структурирует мышление таким образом, что генерируется новая информация, ускользающая от внимания при несистематической деятельности.

В морфологическом анализе систематически исследуются все комбинации при проведении качественных изменений основных параметров концепции и посредством этого выявляются возможности новых комбинаций.

Наиболее конструктивным из прикладных направлений системных исследований считается системный анализ. "Анализ системы в целом" ("total systems analyses") впервые был разработан корпорацией "РЭНД" в 1948 году для оптимизации сложных задач военного управления. Однако независимо от того, применяется термин «системный анализ» только к определению структуры целей и функций системы, к планированию, разработке основных направлений развития отрасли, предприятия, организации, или к исследованию системы в целом, включая и цели, и оргструк- туру, работы по системному анализу отличаются тем, что в них всегда предлагается методика проведения исследования, организации процесса принятия решения, делается попытка выделить этапы исследования или принятия решения и предложить подходы к выполнению этих этапов в конкретных условиях.

Кроме того, в этих работах всегда уделяется особое внимание работе с целями системы: их возникновению, формулированию, детализации (декомпозиции, структуризации), анализу и другим вопросам преобразования (целе- полагания). Некоторые авторы даже в определении системного анализа подчеркивают, что это методология исследования целенаправленных систем. При этом разработка методики и выбор методов и приемов выполнения ее этапов базируются на системных представлениях, на использовании закономерностей, классификаций и других результатов, полученных теорией систем.

К методам нормативного технологического прогнозирования относятся матричные подходы , используемые для проверки согласования с различными горизонтально действующими факторами. Двумерные матрицы дают быстрый метод оценки первоочередности того или иного из предполагаемых вариантов. Этому принципу соответствует распространенный в менеджменте метод SWOT анализа, т.е. учет слабых и сильных сторон объекта, угроз и преимуществ во внешней среде.

С точки зрения методики к матричным методам относятся методы и модели теории игр. Они применяются в прогнозировании социально-экономических процессов при анализе ситуаций, возникающих вследствие определенных отношений между исследуемой системой и другими противоположными системами. Примером является рассмотрение предприятия (одного игрока) и природы (другого игрока), т.е. реакции и поведения покупателей.

Другой пример связан с деятельностью предприятий и экономической политикой правительства. Распределение дохода является компромиссом между необходимостью централизации доходов и обеспечения экономической самостоятельности предприятий. Стратегия предприятия формируется с учетом суммарного выигрыша, который оно получает от остающейся у него доли дохода и от дополнительных возможностей, предоставляемых ему центром. Стратегия государства состоит в определении доли централизованных доходов, нс подрывающих экономических возможностей развития предприятий и в то же время является достаточной для решения общегосударственных задач, в конечном счете имеющих значение и для самих предприятий (3, с. 188).

Основной задачей теории игр является разработка рекомендаций по выбору наиболее эффективных решений по управлению процессами в условиях действия неопределенных факторов. К неопределенным относят факторы, о которых исследователь не располагает никакой информацией, они имеют неизвестную природу.

Современный конкурентный мир характеризуется стратегической неопределенностью вследствие участия в нем множества сторон, имеющих собственные различные цели и недостаточно представляющих стратегии конкурентов. В стратегическом менеджменте конкурентная стратегия должна развиваться в направлении от конфликтных ситуаций к партнерству. При этом каждая сторона должна быть готова пойти на определенные потери и быть уверена, что ее конкурент также готов к потерям (4, с.318).

К методам статистического моделирования относятся уравнения регрессии, описывающие взаимосвязи временных рядов независимых признаков и результативных признаков. Прогнозные уровни рассчитываются посредством подстановки в уравнение регрессии прогнозных значений признаков-факторов, которые могут быть получены, например, на основе экстраполяции. Прогнозирование на основе регрессионных моделей может выполняться только после оценки значимости коэффициентов регрессии и проверки модели на адекватность. Вопросы применения регрессионного анализа для целей прогнозирования рассмотрены в главе 4.

Инструментом прогнозирования, учитывающим требования системного подхода к объекту и его количественным характеристикам, являются эконометрические модели. Областью их приложения являются макроэкономические процессы на уровне национальной экономики, ее секторов и отраслей, экономики территорий.

Эконометрические исследования берут свое начало от У.Петти, Дж.Граунта, А.Кетле и в этот список можно включить всех статистиков, внесших значительный вклад в изучение массовых экономических явлений посредством количественных измерений.

Развитию некоторых проблем эконометрического моделирования посвящены работы многих экономистов в области экономико-математического моделирования в 50- 80-е годы прошлого века.

Логика эконометрических монографий обращена прежде всего к различным приложениям, чем к решению задач, возникающих в теории. Так построены переведенные на русский язык монографии Г.Тейла и Э.Маленво , ставшие доступными широкому кругу читателей в 70-х годах прошлого века и сыгравшие большую роль в решении прикладных задач.

Систематическому изложению методов теоретической эконометрики посвящена монография Дж.Джонстона "Эконометрические методы" , изданная в 1980 году. Книга содержит многочисленные примеры и результаты, полученные вплоть до конца 70-х годов, после которых начался качественно новый этап развития рыночной экономики.

В течение последних 10 лет эконометрика вошла в учебные планы экономических специальностей вузов России, и также подготовлена необходимая учебная и методическая литература ведущими отечественными статистиками. Основными среди них являются учебники и учебные пособия, разработанные С.А. Айвазяном, В.С. Мхитаряном (1) и И.И. Елисеевой (6).

Функционально-иерархическое моделирование представляет согласование отдаленной цели с действиями (функциями), которые необходимо предпринять для ее достижения в настоящем и будущем времени. Впервые идея построения графа по принципу дерева целей была предложена группой исследователей в связи с проблемами принятия решений в промышленности (7). Деревья целей с количественными показателями используются в качестве вспомогательного средства при принятии решений и носят в этом случае название деревьев решений.

Первое крупное применение методики дерева целей к количественным расчетам в области принятия решений было осуществлено отделом военных и космических наук компании "Хониуэлл". Схема ПАТТЕРН, первоначально использованная для проблем аэронавтики и космоса, была превращена в универсальную схему, охватывающую все военные и космические сферы деятельности.

Сетевое моделирование широко используется в нормативном технологическом прогнозировании. Наибольшую известность приобрел метод критического пути, основанный на использовании сетевых графиков, отражающих различные стадии каждой части проекта, и анализирующий их с целью выбора оптимального пути между начальной и конечной стадиями. В качестве критерия выступают издержки или сроки. Сетевое моделирование использует в качестве вспомогательного инструмента дерево целей.

В основе метода имитационного моделирования лежит идея максимального использования всей имеющейся информации о системе. Целью является анализ и прогноз поведения сложной системы со множеством функций, не все из которых количественно выражены.

Имитационное моделирование нашло широкое применение в прогнозировании процессов, анализ которых невозможен на основе прямого эксперимента.

Возможность систематизированного использования подобия в развитии различных объектов лежит в основе метода исторических аналогий. Как отмечено Э.Янчем (8, с.221), историческая аналогия всегда играла некоторую осознанную или неосознанную роль при прогнозировании. Впервые результаты систематического использования исторической аналогии к "главным социальным изобретениям XX века, проведенного под эгидой Американской академии искусств и наук, были представлены в книге "Железнодорожная и космическая программы - исследование с позиций исторической аналогии".

При использовании исторических аналогий необходимо иметь в виду:

• - успех зависит от правильного выбора объектов сопоставления;
• - имеет место историческая обусловленность процессов и явлений;
• - нововведения в социально-экономических процессах несут отпечаток национального "стиля".

В прошлом О.Шпенглер и позднее А.Тойнби стремились переосмыслить общественно-историческое развитие человечества в духе теории круговорота локальных цивилизаций. Конец XX века с его гигантскими изменениями привел к столкновению цивилизаций и глобализации.

Метод исторических аналогий достаточно условно можно отнести к формализованным методам, т.к. на стадии выбора он содержит достаточную долю субъективизма, характерную для экспертных методов. Исторические аналогии позволяют решать задачи научно-технического прогнозирования. При этом в качестве источника опережающей информации используются показатели качества аналога, сдвинутые относительно объекта по оси времени. Метод ориентирован на прогноз развития объектов одной природы, поэтому могут использоваться классификации или методы распознавания образов.

Группа методов опережающей информации относится к технологическому прогнозированию и связана с мониторингом новейших исследований, результатов и прорывов в различных областях знаний и оценкой накопленных достижений. Методы основаны на свойстве научно-технической информации опережать реализацию достижений в производстве. Для осуществления такой деятельности имеются большие возможности в связи с высоким уровнем развития информационных технологий.

Основным источником информации является патентная и патснтно-ассоциирусмая информация: патенты, авторские свидетельства, лицензии, каталоги, коммерческая информация. Тенденцией современного мира является сокращение "жизненного цикла" нововведений.

• 1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. - М.: ЮНИТИ, 1998.
• 2. Рабочая книга по прогнозированию / Отв.ред. И.В. Бестужев-Лада. -М.: Мысль, 1982.
• 3. Статистическое моделирование и

прогнозирование. Учебное пособие / Под рсд. А.Г.Гранберга. М., Финансы статистика, 1990.

• 4. Минцберг Г., Куинн Дж.Б., Гошал С. Стратегический процесс/ Пер.с англ, под ред. Ю.Н. Каптурев- ского. - СПб: Питер, 2001. - 688 с., ил.
• 5. Тихомиров Н.П., Попов В.А. Методы социально-экономического прогнозирования. - М.: Изд-во ВЗПИ, A/О "Росвузнаука", 1992.
• 6. Эконометрика: Учебник/Под ред. И.И. Елисеевой. - М.: Финансы и статистика, 2002. - 344 с.,ил.
• 7. Четыркин Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. - М.: "Статистика", 1977,- 200 с., ил.
• 8. Янч Э. Прогнозирование научно- технического прогресса. - М.: Прогресс, 1974.

• См., напримср:Тсория статистики / Под рсд. Р.А. Шмойловой. - М.:Финансы и статистика, 1996. С. 313.
• Тейл Г. Экономические прогнозы и принятие решений - М., Статистика, 1971; Малснво Э. Статистические методы эконометрии - М.,Статистика, 1975, вып.1; 1976, вып.2.
• Джонстон Дж. Эконометрические методы / Пер. с англ, и предисл.А.А. Рывкина. - М.: Статистика, 1980. - 444 с., ил.
• Тойнби А. Постижение истории. М, 1991, с. 19.

Формализованные методы

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 надёжность прогнозов падает.

К формализованным методам относят:

1. методы прогнозной экстраполяции,

2. метод наименьших квадратов,

3. метод экспоненциального сглаживания,

4. метод скользящих средних,

5. адаптивный метод,

6. методы моделирования (структурное, сетевое, матричное, имитационное).

Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения экономического явления в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития. Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия "измерителей" по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. Этот способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы. Кроме указанных достоинств, он имеет несколько существенных недостатков. Во-первых, все фактические наблюдения являются результатом закономерности и случайности, следовательно, основываться на последнем наблюдении неправомерно. Во-вторых, нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае. В-третьих, данный подход не позволяет сформировать интервал, в который попадает прогнозируемая величина. В связи с этим метод экстраполяции не дает точных результатов на длительных срок прогноза, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов - на 5-7 лет. Для повышения точности экстраполяции используются различные приемы. Один из них состоит, например, в том, чтобы экстраполируемую часть общей кривой развития (тренда) корректировать с учетом реального опыта развития отрасли-аналога исследований или объекта, опережающий в своем развитии прогнозируемый объект.

Метод наименьших квадратов -- один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.

Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.

Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.

Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов.

Метод экспоненциального сглаживания еще может быть использован для краткосрочных прогнозов будущей тенденции на один период вперед и автоматически корректирует любой прогноз в свете различий между фактическим и спрогнозированным результатом.

При прогнозировании с применением метода сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет проводится по следующей формуле:

f k = f k-1 + (x k-1 - f k-1),

где: f k-1 - прогноз в момент времени k-1;

f k - прогноз на момент времени t k , следующий за периодом k-1;

x k-1 - реальное значение показателя в момент времени t k-1 ;

Постоянная сглаживания (0< >1)определяет степень сглаживания.

Если при сравнении прогноза с реальными значениями сглаженные данные при выбранном значительно отличаются от исходного ряда, необходимо перейти к другому параметру сглаживания (чем больше значение, тем больше сглаживание)

Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель. Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях.

Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии. Но, если базой для прогнозируемого скользящего среднего являются всего лишь одно или два наблюдения, то такой прогноз может стать слишком упрощенным. В частности, он будет отражать тенденции в данных, на которых он строится, ничуть не лучше, чем сама базовая линия. Чтобы определить, сколько наблюдений желательно включить в скользящее среднее, нужно исходить из предыдущего опыта и имеющейся информации о наборе данных. Необходимо выдерживать равновесие между повышенным откликом скользящего среднего на несколько самых свежих наблюдений и большой изменчивостью этого среднего. Одно отклонение в наборе данных для трехкомпонентного среднего может исказить весь прогноз. А чем меньше компонентов, тем меньше скользящее среднее откликается на сигналы и больше -- на шум. В этом методе следует опираться на знания и опыт.

Методы адаптивного прогнозирования основаны на адаптации к данным или к другой информации, на базе которой строится прогноз. Основное свойство таких методов: при поступлении новых данных значение прогноза меняется, адаптируясь к вновь поступившей информации, и становится более чувствительным к ней. При небольшом изменении значений данных прогноз также будет мало изменяться.

Многочисленные адаптивные методы базируются на моделях Брауна и Хольта и модели авторегрессии, различаясь между собой алгоритмом оценки параметров, способом определения параметра адаптации, компоновкой и областью применения. На основании изучения исходных статистических данных с учетом цели исследования и логического анализа протекания изучаемого процесса отбирается наиболее приемлемый адаптивный метод (модель) прогнозирования. Окончательное решение о выборе адаптивного метода может быть принято после определения параметров модели прогнозирования и верификации прогноза по ретроспективному ряду. Поэтому для прогнозирования используют несколько адаптивных методов, чтобы после оценки точности выбрать наиболее подходящий.

Моделирование -- исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Распространенной методикой прогнозирования тех или иных процессов и явлений служит моделирование. Моделирование считается достаточно эффективным средством прогнозирования возможного явления новых или будущих технических средств и решений. Впервые для целей прогнозирования построение операционных моделей было предпринято в экономике. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования. Поэтому вопрос о качестве такого отображения - адекватности модели объекту - правомерно решать лишь относительно определенной цели. Конструирование модели на основе предварительного изучения и выделения его существенных характеристик, экспериментальный и теоретический анализ модели, сопоставление результатов с данными объекта, корректировка модели, составляют содержание метода моделирования. Одним из методов моделирования является метод математического моделирования. Под математической моделью понимается методика доведения до полного описания процесса получения, обработки исходной информации и оценки решения рассматриваемой задачи в достаточно широком классе случаев. Использование математического аппарата для описания моделей (включая алгоритмы и их действия) связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска метода их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.

Применение математических методов является необходимым условием для разработки и использования методов прогнозирования, обеспечивающим высокие требования к обоснованности, действенности и временности прогнозов.

При структурном моделировании моделируемая система задается в виде структурной схемы, в которую могут быть включены и отдельные ее реальные элементы (регуляторы, исполнительные органы и т.п.). В структурной схеме задаются параметры основных звеньев и указываются ориентировочные пределы изменения варьируемых параметров, например, коэффициентов усиления и постоянных времени звеньев. Моделирование каждого звена системы-оригинала осуществляется в отдельности, а затем из моделей звеньев составляется общая модель, точно воспроизводящая структурную схему оригинала.

Имитационное моделирование -- метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно "проиграть" во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику. Имитационное моделирование -- это метод исследования, при котором изучаемая система заменяется моделью с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация -- это постижение сути явления, не прибегая к экспериментам на реальном объекте).

Таким образом, в данной главе были рассмотрены наиболее часто используемые методы социального прогнозирования. На практике, для достижения наилучшего результата, целесообразно использовать сразу несколько методов. Это повысит эффективность прогноза, поможет определить "подводные камни", которые могут быть незамечены при использовании только одного метода. Так же полученные прогнозы нужно соотносить с прецедентами, если такие имели место быть. Качество прогноза зависит от качества информации. Прежде чем делать прогнозы, нужно позаботиться о полноте, своевременности и точности информации.

Формализованные методы прогнозирования

Прогнозирование с помощью формализованных методов осуществляется по строго определенному алгоритму, форме.

Формализованные методы базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, сокращает сроки их выполнения и облегчает обработку информации и оценку результатов. К формализованным методам прогнозирования относятся методы экстраполяции и методы моделирования (рис. 4).

Рис. 4. Формализованные методы прогнозирования.

Сущность экстрапо­ляции заключается в изучении сложившихся в прошлом и нас­тоящем устойчивых тенденций развития объекта прогноза и переносе их на будущее.

Различают формальную и прогнозную экстраполяцию. Формальная базируется на предположении о сохранении в бу­дущем прошлых и настоящих тенденций развития объекта про­гноза; при прогнозной фактическое развитие увязывается с ги­потезами о динамике исследуемого процесса с учетом изменений влияния различных факторов в перспективе.

Методы экстраполяции являются наиболее распространенными и проработанными. Основу экстраполяционных методов прогнозирования составляет изучение динамических рядов. Динамический ряд - это множество наблюдений, полученных последовательно во времени.

В экономическом прогнозировании широко применяется метод математической экстраполяции, в математическом смысле означающий распространение закона изменения фун­кции из области ее наблюдения на область, лежащую вне отрезка наблюдения. Тенденция, описанная некоторой функцией от времени, называется трендом. Тренд - это длительная тенден­ция изменения экономических показателей. Функция пред­ставляет собой простейшую математико-статистическую (трендовую) модель изучаемого явления.

Следует отметить, что методы экстраполяции необходимо применять на начальном этапе прогнозирования для выявле­ния тенденций изменения показателей.

Метод подбора функций - один из распространенных 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 путем сглаживания и выравнива­ния временного ряда. Задача выбора функции заключается в подборе по фактическим данным (x i , y i ) формы зависимости (линии) так, чтобы отклонения (∆ i) данных исходного ряда y i от соответствующих расчетных y i , находящихся на линии, бы­ли наименьшими. После этого можно продолжить эту линию и получить прогноз.

где n – число наблюдений.

Выбор модели осуществляется с помощью специально раз­работанных программ. Есть программы, предусматривающие возможность моделирования экономических рядов по 16-ти функциям: линейной (у = а + bх), гиперболической различных типов (у = а + b/х), экспоненциальной, степенной, логарифмической и др. Каждая из них может иметь свою, специфическую область применения при прогнозировании экономических явлений.

Так, линейная функция (у = а + bх) применяется для описания процессов, равномерно развивающихся во времени. Параметр b (коэффициент регрессии) показывает скорость изменения прогнозируемого у при изменении х.

Гиперболы хорошо описывают процессы, характеризующиеся насыщением, когда существует фактор, сдерживающий рост прогнозируемого показателя.

Модель выбирается, во-первых, визуально, на основе сопоставления вида кривой, ее специфических свойств и качественной характеристики тенденции экономического явления; во-вторых, исходя из значения критерия. В качестве критерия чаще всего используется сумма квадратов отклонений S. Из со­вокупности функций выбирается та, которой соответствует минимальное значение S.

Прогноз предполагает продление тенденции прошлого, вы­ражаемой выбранной функцией, в будущее, т.е. экстраполяцию динамического ряда. Программным путем на ЭВМ определяется значение прогнозируемого показателя. Для этого в формулу, описывающую процесс, подставляется величина периода, на который необходимо получить прогноз.

В связи с тем, что этот метод исходит из инерционности экономических явлений и предпосылок, что общие условия, определяющие развитие в прошлом, не претерпят существен­ных изменений в будущем, его целесообразно использовать при разработке краткосрочных прогнозов обязательно в соче­тании с методами экспертных оценок. Причем динамический ряд может строиться на основании данных не по годам, а по месяцам, кварталам.

Экстраполяция методом подбора функций учитывает все данные исходного ряда с одинаковым «весом». Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. Однако, как показывает опыт, экономические показатели имеют тенденцию «старе­ния». Влияние более поздних наблюдений на развитие про­цесса в будущем существеннее, чем более ранних. Проблему «старения» данных динамических рядов решает метод экспо­ненциального сглаживания с регулируемым трендом. Он поз­воляет построить такое описание процесса (динамического ряда), при котором более поздним наблюдениям придаются большие «веса» по сравнению с более ранними, причем «веса» наблюдений убывают по экспоненте. В результате создается возможность получить оценку параметров тренда, характери­зующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения.

Скорость старения данных характеризует параметр сглажи­вания а. Он изменяется в пределах 0 < а < 1.

В зависимости от величины параметра прогнозные оценки по-разному учитывают влияние исходного ряда наблюдений: чем больше а, тем больше вклад последних наблюдений в фор­мирование тренда, а влияние начальных условий быстро убы­вает.

При малом а прогнозные оценки учитывают все наблюде­ния, при этом уменьшение влияния более «старой» информации происходит медленно, т.е. чем меньше а, тем дан­ные более стабильны, и наоборот.

В области экономического прогнозирования наиболее употребимы пределы
0,05 < а < 0,3 . Значение а в общем случае должно зависеть от срока прогнозирования: чем меньше срок, тем большим должно быть значение параметра.

Этот метод реализуется на ЭВМ с помощью специально раз­работанных программ в блоке «временные ряды», который яв­ляется составной частью пакета экономических расчетов.

Моделирование предполагает конструирование модели на основе предварительного изучения объекта или процесса, выделения его существенных характеристик или признаков. Прогнозирование экономических и социальных процессов с использованием моделей включает разработку модели, ее эк­спериментальный анализ, сопоставление результатов про­гнозных расчетов на основе модели с фактическими данными состояния объекта или процесса, корректировку и уточнение модели.

В зависимости от уровня управления экономическими и со­циальными процессами различают макроэкономические, ме­жотраслевые, межрайонные, отраслевые, региональные модели и модели микроуровня (модели развития фирмы).

По аспектам развития экономики выделяют модели прогнозирования воспроизводства основных фондов, трудовых ресурсов, цен и др. Существует ряд других признаков классификации моделей: временной, факторный, транспортный, производственный.

В современных условиях развитию моделирования и практическому применению моделей стала придаваться особая значимость в связи с усилением роли прогнозирования и переходом к индикативному планированию.

Рассмотрим некоторые из наиболее разработанных экономико-математических моделей, получивших широкое применение в практике прогнозирования экономики,

К матричным моделям относятся модели межотраслевого баланса (МОБ): статические и динамические. Первые предназ­начены для проведения прогнозных макроэкономических рас­четов на краткосрочный период (год, квартал, месяц), вторые - для расчетов развития экономики страны на перспективу. Они отражают процесс воспроизводства в динамике и обеспечивают увязку прогноза производства продукции (услуг) с инвестициями.

Статическая модель МОБ в системе баланса народного хо­зяйства имеет вид

где t - индекс года; I t ij - продукция отрасли i , направляемая в качестве производственных инвестиций в t- м году для расши­рения производства в отрасль j ; Y t i - объем конечного продукта i -и отрасли в t-м году за исключением продукции, направляе­мой на расширение производства.

Сформированный на основе моделей межотраслевой ба­ланс может использоваться для решения многих задач: про­гнозирования макроэкономических показателей, межотрас­левых связей и потоков (поставок), структуры экономики, отраслевых издержек, динамики цен, показателей эффектив­ности производства (материало-, энерго-, металло-, химико- и фондоемкости).

Экономико-статистические модели используются для установления количественной характеристики связи зависи­мости и взаимообусловленности экономических показателей. Система такого рода моделей включает: одно-, многофактор­ные и эконометрические модели.

Примеры однофакторных мо­делей: y = a + bx; y = a + b/x, у = а + b lg x u др.,

где у - значение прогнозируемого показателя; а - свободный член, определяющий положение начальной точки линии регрессии в системе координат; х - значение фактора, b - пара­метр, характеризующий норму изменения у на единицу х.

Многофакторные модели позволяют одновременно учиты­вать воздействие нескольких факторов на уровень прогнозиру­емого показателя. При этом последний выступает как функция от факторов:

y = f (x 1 , x 2 , x 3 , …, x n)

где x 1 , x 2 , x 3 , …, x n - факторы.

При линейной зависимости многофакторные модели могут быть представлены следующим уравнением:

y = a 0 + a i x i + a 2 x 2 + ... + a a x a ,

где а 0 - свободный член; а a 1 , a 2 , …, а п - коэффициенты регрессии, показывающие степень влияния соответствующего фактора на прогнозируемый показатель при фиксированном значении ос­тальных факторов.

При нелинейной зависимости многофакторная модель мо­жет иметь вид

у = а x a 1 * x a 2 2 * … * x an n .

Многофакторные модели используются при прогнозирова­нии макроэкономических показателей, показателей спроса на продукцию, себестоимости, цен, прибыли и др.

Эконометрической моделью называют систему регресси­онных уравнений и тождеств, описывающих взаимосвязи и зависимости основных показателей развития экономики. Система экономико-математических моделей эконометрического типа служит для описания сложных социально-эко­номических процессов. Факторы (переменные) эконометрической модели подразделяются на экзогенные (внешние) и эндогенные (внутренние). Экзогенные переменные выбира­ются так, чтобы они оказывали влияние на моделируемую систему, а сами ее влиянию не подвергались. Они могут вво­диться в модель на основе экспертных оценок. Эндогенные пе­ременные определяются путем решения стохастических и тождественных уравнений. Для каждой эндогенной перемен­ной методом наименьших квадратов оценивается несколько вариантов регрессионных уравнений и выбирается лучший для включения в модель. Например, инвестиции производ­ственного назначения зависят от суммы прибыли (эндогенный фактор) и индекса цен на инвестиционные товары (экзо­генный фактор).

Органичной частью эконометрической модели может быть и межотраслевой баланс. Обычно коли­чество уравнений модели равно количеству эндогенных пере­менных.

Эконометрические модели позволяют прогнозировать широкий круг показателей (ВНП, доходы населения, потребление товаров и услуг и др.). В условиях автоматизации расчетов соз­дается возможность разработки альтернативных вариантов развития экономики с учетом изменений внешних и внутрен­них условий (факторов). Следует отметить, что использование эконометрических моделей требует создания банков данных и подготовки высококвалифицированных специалистов по раз­работке и реализации этих моделей.

Контрольные вопросы

1. Назовите основные методы прогнозирования и дайте им краткую характеристику?

2. Дайте характеристику основным методам индивидуальных экспертных оценок («интервью», аналитический метод) и метода написания сценария?

3. Дайте характеристику основным методам коллективных экспертных оценок (генерация идей, метод «635», метод «Дельфи», метод комиссий)?

4. Раскройте сущность методов экстраполяции и дайте им краткую характеристику?

5. Сущность методов моделирования в прогнозировании?

6. Дайте характеристику основным видам прогнозных моделей (матричных, экономико-статистических, эконометрических)?

Информационные источники

1. Алексеева М.М. Планирование деятельности фирмы: Учебно-методическое пособие. – М.: Финансы и статистика, 1999

2. Басовский Л.Е. Прогнозирование и планирование в условиях рынка. Учебное пособие. – М.: ИНФРА-М, 1999. 260 с.

3. Горемыкин В.А. и др. Планирование на предприятии: Учеб./ В.А. Горемыкин, Э.Р. Бугулов, А.Ю. Богомолов. – 2-е изд. - М.: Колос, 2000

4. Организация сельскохозяйственного производства/ Ф.К. Шакиров, В.А. Удалов, С.И. Грядов и др.: Под ред. Ф.К. Шакирова. - М.

5. Прогнозирование и планирование в условиях рынка. Под ред. Т.Г. Морозовой, А.В. Пикулькина. Учебное пособие. - М.: ЮНИТИ-ДАНА, 199.-318 с.

6. Черныш Е.А., Молчанова Н.П., Новикова А.А., Салтанова Т.А. Прогнозирование и планирование. Учебное пособие. – М.: 1999. – 174 с.

7. Серков А. Ф. Индикативное планирование в сельском хозяйстве. М.: Информагробизнес, 1996. 161с.

8. Экономическая энциклопедия / Науч.-ред. Совет изд-ва «Экономика», Ин-т экономики РАН; Гл. ред. Л.И. Абалкин. Москва: ОАО «Изд-во «Экономика», 1999.