Logo GenDocs.ru

Поиск по сайту:  


Загрузка...

Лекции по Методам Социально-Экономического Прогнозирования - файл МСЭП_методичка.doc


Лекции по Методам Социально-Экономического Прогнозирования
скачать (557.2 kb.)

Доступные файлы (1):

МСЭП_методичка.doc2529kb.19.01.2010 00:17скачать

содержание
Загрузка...

МСЭП_методичка.doc

  1   2   3   4   5   6   7
Реклама MarketGid:
Загрузка...
Е. В. БАБКОВА


МЕТОДЫ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО

ПРОГНОЗИРОВАНИЯ

Рекомендовано Редакционно-издательским советом университета


в качестве учебного пособия


Уфа 2007


СОДЕРЖАНИЕ

Введение . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

1. Основные понятия теории прогнозирования . . . . . .

7


1.1. Методология прогнозирования . . . . . . . . . . .

7


1.2. Системный подход в прогнозировании . . . . . . .

11


1.3. Сложные системы . . . . . . . . . . . . . . . . . .

18


1.4. Объекты прогнозирования . . . . . . . . . . . . . .

21


1.5. Показатели прогнозирования. . . . . . . . . . . . .

22

1.6. Два подхода к прогнозированию . . . . . . . . . .

26


1.7. Тренды в прогнозировании . . . . . . . . . . . . .

28

1.8. Оценка качества прогнозирования. . . . . . . . . .

30


2. Прогнозирование с привлечением коллектива экспертов . . . . . . . . . .

41

2.1. Метод Дельфы. . . . . . . . . . . . . . . . . . . . .

42

2.2. Учет фона прогнозирования . . . . . . . . . . . . .

45

2.3. Метод “Дерева целей ” . . . . . . . . . . . . . . . .

49

2.4. Метод прогнозного графа . . . . . . . . . . . . . .

50


3. Метод наименьших квадратов . . . . . . . . . . . . . .

56


3.1. Вывод формул метода наименьших квадратов . . .

56


3.2. Вывод формул для многофакторного случая . . . .

61


4. Адаптивные методы прогнозирования . . . . . . . . .

65

4.1. Экспоненциальное сглаживание . . . . . . . . . . .

66

4.2. Модели линейного роста . . . . . . . . . . . . . .

69


4.3. Сезонные модели . . . . . . . . . . . . . . . . . . .

76


4.4. Метод группового учета аргументов . . . . . . . .

80

5. Прогнозирование на основе имитационного моделирования . . . . .

89

5.1. Основные понятия имитационного моделирования

89

5.3. Имитационное моделирование фирмы, отрасли . .

110

7. Прогнозирование на основе производственных функций.

140

7.1. Производственные функции Кобба-Дугласа . . . .

141

7.2. Производственные функции Тинбергена. . . . . .

147

7.3. Многофакторные производственные функции . . .

147

Список литературы . . . . . . . . . . . . . . . . . . . . .

151




Введение


Прогнозирование во всём множестве экономико-математических методов всегда занимало особое место, вызывало активный интерес со стороны практических работников, поскольку задачи прогнозирования являются актуальными для всех иерархических уровней экономики, на любых этапах экономической динамики. Прогнозирование, предшествующее планированию, позволяет оценить конкретную ситуацию в управлении и дает практике гибкий инструмент анализа текущих ситуаций. Экономическое прогнозирование в настоящее время переживает новый этап своего развития, претерпевая существенные изменения. Отметим некоторые особенности современного прогнозирования.

Во-первых, изменились объекты прогнозирования: изучаются мега-, мезо- и микрообъекты. Если в 60-80-е годы основные исследования сосредотачивались на разработке крупных комплексных программ для народного хозяйства, задач научно-технического прогресса, изучения динамики развития крупных отраслей, то в 90-е годы народнохозяйственный аспект прогнозирования углубился до всех уровней иерархии: появились принципиально новые объекты прогноза, такие, как территориальные комплексы, социально-экономические структуры, человек. В связи с этим появилось понятие “сложные системы”. Под “сложной системой” подразумевается составной объект, обладающий следующими свойствами:

- состоит из подсистем; - подсистемы связаны отношениями; - подсистемы объединены в единое целое; - объединение в единое целое осуществляется по каким-то принципам (критериям).

Отличительными особенностями сложных систем от традиционных объектов прогнозирования являются два факта:

а) отношения и связи между подсистемами всегда сильнее, чем связи с внешней средой;

б) принципы объединения подсистем могут быть противоречивыми.

Эффективным методом изучения сложных систем является имитационное моделирование, которое позволяет исследовать их поведение в течение продолжительных периодов времени.

В рамках изучения сложных систем существенно расширился круг прогнозируемых микроэкономических показателей, например, прогнозируются такие экономические категории, как инфляция, эффективность управления, качество принимаемых решений и другие.

Во-вторых, изменились задачи прогнозирования. Теперь уже прогнозы даже на макроэкономическом уровне носят сценарный характер, разрабатываются по принципу: "что будет, если ...", - и нередко являются предварительным этапом и обоснованием крупных народнохозяйственных программ. Соответственно изменился горизонт прогнозирования. Макроэкономические прогнозы, как правило, выполняются с периодом упреждения в один год. Современная практика функционирования экономики требует краткосрочных прогнозов (полгода, месяц, декада, неделя). Предназначенных для задач обеспечения опережающей информацией отдельных участников экономики.

В-третьих, соответственно изменениям в объектах и задачах прогнозирования изменился перечень методов прогнозирования. Бурное развитие получили адаптивные методы краткосрочного прогнозирования.

В-четвертых, современное экономическое прогнозирование требует от разработчиков разносторонней специализации, владения знаниями из различных областей науки и практики. В задачи прогнозиста входят владение знаниями о научном (как правило, математическом) аппарате прогнозирования, о теоретических основах прогнозируемого процесса, об информационных потоках, о программном обеспечении, интерпретации результатов прогнозирования.


^ Основные понятия теории прогнозирования

1.1. Методология прогнозирования

Прогнозирование – разработка прогноза, т. е. специальное научное исследование перспектив (прошлых тенденций) развития каких-либо явлений (технических, социально-экономических). Методология прогнозирования связана с планированием и моделированием.

Важность прогнозирования для народного хозяйства отражается в сферах его применения как средства:

а) предпланового анализа систем, процессов, объектов с целью установления достоверных показателей функционирования;

б) расчета показателей, не принятых к утверждению как плановых, например, показателей развития социально-экономических систем;

в) исследования многомерных и многофакторных зависимостей;

г) моделирования сложных, а также трудно формализуемых и комплексных показателей;

д) решения вероятностных задач получения интервальных оценок прогнозируемых показателей.

Виды прогнозирования во времени [3, 38] :

  1. краткосрочное – 1 год;

  2. среднесрочное – 2-5 лет;

  3. долгосрочное – 5-10 лет;

  4. сверхдолгосрочное – более 10 лет.

Период (время), на который делается прогноз, называется шагом прогнозирования. Различают прогнозирование с постоянным и переменным шагом прогнозирования.

При прогнозировании используются три группы методов:

– экстраполяция (интерполяция);

– моделирование;

– опрос экспертов.

Экстраполяция изучает явление и переносит тенденции этого изученного явления на другую часть этого явления или переносит прошлые тенденции явления на будущие периоды. В научном плане примером является математическая статистика.

Интерполяция имеет сходную с экстраполяцией методологию – ищет промежуточные значения величины (параметра) по некоторым известным ее значениям.

Каждый прогноз имеет свои цели и задачи. Прогнозы могут быть классифицированы следующим образом:

– по виду объекта;

– по масштабу объекта;

– по затратам ресурсов;

– по времени;

– по числу факторов;

– по применяемым методам;

– прочие.

Отметим, что можно было дополнить этот перечень признаком компонентного состава статистического ряда или наличием стационарности [13, 15, 17] и т.д.




Рис. 1.2. Классификация методов прогнозирования


Любая цель прогнозного исследования, отраженная в классификации, имеет тенденцию к обособлению, т. е. развиваются специальные отрасли знания, ориентированные на углубленное изучение конкретных проблем. Например, желание сравнительного анализа разнородных объектов прогнозирования привело к возникновению теории комплексного показателя оценки эффективности.

Отметим, что каждая классификация должна быть продолжена с точки зрения локальных целей исследования. В этом случае будет построена иерархия классификаций и один и тот же признак займет свое место в разных иерархиях.

Укрупненная классификация методов прогнозирования показана на рис. 1.1.

Особенностью прогнозирования является тот факт, что статистические данные (доступные к моменту времени t) об изучаемых явлениях или процессах используются для предварительного анализа и выдвижения гипотез о характере применяемых методов прогнозирования.

Прогнозирование тесно связано с планированием. В частности, их могут объединять общность целей, объекты исследования, а также факторы, показатели для которых планируются или прогнозируются.

Вместе с тем существуют принципиальные отличия прогнозирования от планирования, а именно:

1) прогнозироваться могут прошлые показатели развития явления или процесса ( если отсутствуют прошлые статистические данные, а имеются только текущие данные); планируются же, как правило, будущие показатели развития;

2) прогнозирование не имеет юридической силы, однако в последнее время при планировании социальных мероприятий некоторые корректные прогнозные показатели рекомендуются локальной администрацией к утверждению в качестве планов с назначением юридически ответственных лиц.


^ 1.2. Системный подход в прогнозировании


1.2.1. Определение системы. Любое явление реальной жизни можно отразить понятием “система”. Понятие система появилось в науке с тех пор, как человек научился осмысливать и исследовать процессы, явления, предметы в их взаимосвязи и взаимозависимости.

Определить понятие системы сложно, поэтому идут по пути определения признаков системы. Предполагается, что если признаки системы присутствуют, то можно условно говорить о системе.

Рассмотрим пять основных признаков системы [2, 3] .

^ Признак элементности – система состоит из элементов (или подсистем), которые взаимодействуют друг с другом.

Признак структурности – система имеет внутреннюю структуру, т.е. входящие в систему элементы или их свойства связаны между собой. Сила этих внутренних связей должна быть заведомо больше, чем сила внешних связей этих же элементов с другими элементами, не входящими в данную систему. Мощность, развиваемая силой внутреннего взаимодействия, порождает интегративные свойства системы, что позволяет отличать систему от простой суммы элементов и выделять ее из окружающей среды в виде единого, целостного образования.

^ Признак иерархичности - элементы системы связаны отношениями соподчинения (иногда говорят, что элементы системы упорядочены). Степень упорядочения элементов в системе может быть охарактеризована численно.

^ Признак системного качества (эффект системности) - система в целом может обладать такими качествами (свойствами), которыми не обладают отдельные элементы.

^ Признак цели – система в целом и все ее элементы подчинены целям развития (функционирования). Цели могут быть противоречивыми (глобальные и локальные цели, согласованный оптимум). Если указан срок достижения цели и даны количественные характеристики желаемого конечного результата, то цель становится задачей. В общем случае цель, как правило, достигается в результате решения ряда задач.

Все признаки равнозначны, но в зависимости от целей прогнозирования исследователь вправе делать соответствующие акценты.

Элементы системы имеют связь с внешней средой.

Каждый признак системы имеет тенденцию к обособлению при конкретном исследовании , что ведет к возникновению специальных отраслей знаний. Например, обособление признака иерархичности привело к появлению методов решения задач двухуровневой оптимизации.

Одним из наиболее важных понятий, применяемых в исследовании систем, является также внешняя среда – множество действующих вне системы процессов или элементов любой физической природы.

В научных изданиях часто понятие “система” заменяют словами “объект исследования” или другими синонимами. Аналогичная ситуация наблюдается при отождествлении понятий “прогнозирование систем”, “прогнозирование показателей развития систем ”, “прогнозирование показателей развития” и прочих.

Отметим основные допущения при прогнозировании систем и их показателей:

1) влиянием внешней среды, действующей на объект, пренебрегаем или заменяем на эквивалентное действие отдельных факторов (внешних систем);

2) не всегда будем доказывать, что изучается система: в этом случае ограничимся проверкой наличия признаков системы;

3) если прогнозируется сложный объект, состоящий из многих уровней вложенности, то в зависимости от целей исследования будем поступать следующим образом:

- некоторые признаки системы будем считать второстепенными, т. е. проведем ранжирование признаков системы в зависимости от целей прогнозирования;

- влияние второстепенных признаков системы на прогноз будем считать постоянным (в более сложном случае – изменяющимся по какому-либо закону);

- для упрощения модели исследования будем пренебрегать некоторыми внутренними связями в системе (правило отбрасывания).

Таким образом, система - это целостное упорядоченное множество стабильно взаимосвязанных и устойчиво взаимодействующих в пространстве и во времени элементов, формирующих ее некоторые интегративные свойства и функционирующих совместно для достижения определенной цели (решения задачи), стоящей перед данной системой [38].

В практике прогнозирования изучение любого явления или процесса сопровождается применением категории “подход”. Рассмотрим наиболее распространенные среди них понятия .


^ 1.2.2. Подходы к исследованию систем. Системный подход - это методология, в соответствии с которой объекты, явления и процессы исследуются как системы. Например, системный подход к изучению процессов функционирования экономических систем требует выявления как роли отдельных подсистем в формировании свойств системы в целом, так и особенностей взаимодействия системы с внешней средой [ 22, 25, 31, 33].

Динамический подход - это методология, в соответствии с которой системы, объекты, явления и процессы рассматриваются в движении (динамике), в развитии под действием внешних и внутренних факторов (сил). Динамический подход обеспечивает изучение состояния систем в зависимости от изменения ресурсов, затрат, прибыли, эффективности системы и т.д. во времени.

^ Структурный подхо - это методология научного познания, в соответствии с которой изучаются закономерности в строении систем, объектов, явлений, процессов с целью установления взаимозависимости между их структурой и свойствами.

^ Функциональный подход - это методология научного познания, в соответствии с которой жизнедеятельность сложной системы рассматривается как такое выполнение локальными подсистемами множества взаимосвязанных функций, которое обеспечивает достижение глобальной цели системы.

^ Эволюционный подход - это методология научного познания, в соответствии с которой жизнедеятельность сложной системы изучается с позиции ее происхождения (генетики) и развития.

Экономический подход - это методология, в соответствии с которой системы или объекты рассматриваются с точки зрения их роли в организации процесса производства путем распределения, обмена и потребления ресурсов.

^ Информационный подход - это методология, в соответствии с которой функционирование систем или объектов рассматривается с точки зрения преобразования, хранения, обмена, выдачи и использования информации, необходимой для достижения цели функционирования.

^ Кибернетический подход - это методология, в соответствии с которой объекты исследования (технические, технологические, экономические, социальные, организационные, биологические и т.д.) рассматриваются с точки зрения эффективного и целенаправленного управления на основе обработки располагаемой информации.

^ Оптимизационный подходэто методология, в соответствии с которой выполнение системой или объектом тех или иных функций (планирования, управления, проектирования, контроля, конструирования, производства и т.д.) осуществляется таким образом, чтобы достигался максимальный эффект в смысле выбранного критерия.

Ситуационный подход - это методология ориентации (планирования) и принятия решения, в соответствии с которой принимается решение в условиях неопределенности и воздействия окружающей среды .

^ Социальный подход - это методология, в соответствии с которой принятие решений осуществляется с учетом влияния на систему социальных групп, а также межсоциальных и социопроизводственных отношений.

^ Экологический подход - это методология, в соответствии с которой объекты исследования рассматриваются с точки зрения эффективного и целенаправленного использования природных ресурсов (воздуха, воды, недр и других), а также с позиций юридической ответственности за нерациональное природопользование.

^ 1.2.3. Кибернетическое представление систем. Как было отмечено выше, кибернетическое представление систем отражает аспект управления объектом, и с этой точки зрения при прогнозировании целесообразно использовать основные допущения, перечисленные в разделе 1.2.1. В частности, систему можно представить в виде “черного ящика”, пренебрегая при этом внутренней структурой и связями с внешней средой.

Прогнозирование системы (или ее показателей) будет реализовываться на основе изучения входов и выходов системы, как показано на рис. 1.2. Рассмотрим наиболее распространенные способы представления систем в зависимости от способов преобразования входов.

1) Каждому входу соответствует один и единственный выход . Схема представлена на рис. 1.2, а: имеем зависимость


, (1.1)

где вход системы (или экзогенная переменная);

– выход системы (или эндогенная переменная);

– закон воздействия переменной на переменную (функция).

2) Каждому входу соответствует один и единственный выход при условии, что известна функция состояния системы .

Схема представлена на рис. 1.2, b: имеем зависимость

, (1.2)

где – состояние системы.

Таким образом, в системах второго типа учитываются изменения показателей внутреннего состояния в зависимости от изменения входов и внутреннего состояния системы.

^ 3) Системы с многовариантным представлением внутреннего состояния

Система представлена на рис. 1.2, c. Системы третьего типа связывают свойства многовариантности, обусловленные неоднозначностью как выбора внутреннего состояния в зависимости от входа, так и неоднозначность выхода при фиксированном внутреннем состоянии.

^ 4) Системы с обратной связью

Система представлена на рис. 1.2, d: блок сравнения (или блок анализа) получает информацию из выходного потока и генерирует управляющее воздействие на систему в зависимости от результатов анализа.

Очевидно, что реальные системы представляют собой комбинацию перечисленных представлений.




Рис. 1.3. Кибернетическое представление систем

Таким образом, будем рассматривать процесс прогнозирования какого-либо показателя как систему, например, систему, представленную на рис. 1.3, а, можем интерпретировать как процесс прогнозирования уровня урожайности от количества вложенных удобрений: , где - количество вложенных удобрений; - урожайность культуры; - система, отражающая процесс сеяния и сбора урожая после внесения удобрений.

При прогнозировании реальное явление заменяется математической моделью, т.е. функция аналитически “описывает” состояние системы .

Учитывая способы кибернетического представления систем, рассмотрим укрупненную схему процесса прогнозирования, как показано на рис. 1.3.

Отметим основные достоинства кибернетического подхода к прогнозированию:

1) кибернетическое представление исследуемых процессов помогает четко выделить элементы и показатели прогнозирования: каждый структурный блок – элемент системы (показатель системы);

2) выделение в анализируемых процессах входов и выходов позволяет изучить потоки информации: каждая связь в схеме – управляющее воздействие или поток информации;

3) системный подход обеспечивает различный уровень детализации в представлении изучаемого процесса.


^ 1.3. Сложные системы


Классическое определение сложной системы подразумевает, что это составной объект, части которого можно рассматривать как системы, закономерно объединенные в единое целое в соответствии с определенными принципами или связанные между собой заданными отношениями. Понятие “сложная система” используется в системном анализе в различных областях деятельности. В частности, метод имитационного моделирования является основным средством исследования сложных систем. Классическим принципом выделения сложных систем является территориальный признак (например, район, регион). Для управления процессами, происходящими на территории, выделяются соответствующие отношения на ней: производственные, юридические, социальные, влияние инфраструктур разного уровня (вспомогательные сферы, образование, здравоохранение) и другие.

Сложную систему можно декомпозировать на подсистемы разного уровня, получив, таким образом, иерархическую структуру. Принципы и цели декомпозиции могут быть различными, например,

1) по территориальному признаку – в регионах выделять области, затем в областях – районы;

2) по уровням управления – верхний уровень, являющийся держателем средств, а нижние уровни – потребители;

3) по производственным признакам – объединение и подчиненные ему предприятия и прочие.




Рис. 1.4. Укрупненная схема процесса прогнозирования


Средства прогнозирования позволяют изучать различные состояния сложной системы, а также исследовать переходы системы из одного состояние в другое под воздействием внешних и внутренних факторов. Динамика поведения элементов сложной системы проявляется в том, что состояние элемента и его выходы в каждый момент времени определяются предыдущими состояниями и входами (в текущий и прошлые моменты времени). Под внешней средой понимаются объекты (и отношения между ними), не являющиеся элементами изучаемой системы.

Элементы (подсистемы) сложной системы функционируют во взаимодействии, т.е. свойства одного элемента в общем случае зависят от условий, определяемых поведением других элементов; свойства сложной системы в целом определяются не только свойствами элементов, но и характером взаимодействия между ними. Этот факт учитывается при моделировании в виде разомкнутых обратных связей.

Социально-экономические системы являются примером сложных систем. При изучении их могут называть экономическими или социальными, подчеркивая глобальную цель исследования – производственную или социальную. Напомним, что социальную сферу образуют здравоохранение, образование, право, религия, институт наследования. Выделяя название “социально-экономический”, подчеркиваем приоритетность изучения связей, возникающих в социальных институтах, традиционно сложившихся на основе правовых норм устойчивой коллективной или индивидуальной деятельности людей с учетом производственных отношений. Таким образом, для социально-экономических систем характерно наличие социальных и экономических взаимосвязей между работниками. Например, к социальным связям можно отнести межличностные отношения; отношения по уровням управления; отношения общественных организаций к человеку и прочие. К экономическим связям относятся: отношения по поводу производства; материальное стимулирование и материальная ответственность; прожиточный уровень; льготы; привилегии и прочие. Важным является и изучение показателей развития системы в зависимости от соотношения перечисленных показателей.

Рассмотрим некоторые примеры сложных систем:

1) территориально-производственные комплексы (объединения, объекты) – совокупность производственных единиц с органом управления и социальной инфраструктурой;

2) процессы управления предприятием, отраслью, народным хозяйством – совокупность процессов сбора данных о состоянии управляемых объектов, о формировании потоков информации, ее накоплении, передаче и обработке, синтезе управляющих воздействий;

3) вычислительный комплекс как структура с соответствующим математическим, программным и техническим обеспечением: компьютерная техника, операционные системы для управления последовательностью вычислений и координации работ всех устройств комплекса, библиотеки стандартных программ, средства автоматизации программирования (алгоритмические языки, трансляторы, интерпретирующие системы), средства обслуживания и контроля вычислений;

4) система управления транспортом в городском хозяйстве - регулирование уличного движения в городе или районе с большими потоками автомобилей на автомагистралях и очередями на перекрестках средствами автоматизированного управления движением с учетом реальных ситуаций и пропускной способности улиц.

Классическим методом исследования сложных систем является моделирование, в частности, имитационное моделирование (см. главу 5 настоящего пособия), которое позволяет:

1) изучить системы, для которых не известны аналитические зависимости между показателями функционирования;

2) учесть в имитационном эксперименте воздействие случайных внешних и внутренних факторов системы на результирующие показатели;

3) решить классические задачи прогнозирования показателей развития системы, используя моделирование как средство прогноза.

^ 1.4. Объекты прогнозирования


Изучая объекты прогнозирования, необходимо учитывать, какое место они занимают в исследуемой системе, т.е. являются ли мега-, мезо- или микрообъектами. С другой стороны, желательно учитывать классическое деление объектов на технические, экономические, экологические, социальные и другие.

Рассмотрим некоторые объекты прогнозирования, которые так или иначе используются с точки зрения решения практических прогнозных задач:

1) Район - а) это территориально-административная единица, которая используется в составе городов, областей, краев;

б) это территория (акваторияучасток водной поверхности), которая выделяется по совокупности каких-либо признаков, например, район экологического бедствия.

2) Регион – территория, очень значительная по размерам, например, Азиатский регион, эколого-экономический регион и другие.

3) Территориально-производственный комплекс (ТПК) – взаимосвязанное и взаимообусловленное сочетание промышленных объектов (предприятий), объектов производства и социальной инфраструктуры на определенной территории.

ТПК являются прогрессивной формой организации производительных сил в России, например, сырьевые и топливно-энергетические ТПК: Западно-Сибирский ТПК, Южно-Якутский ТПК и др.

4) Целевая комплексная программа (ЦКП)это совокупность управленческих и организационных мероприятий, связанных единой программой действий, направленных на решение крупных народнохозяйственных задач социально-экономического развития, значительных научно-технических проблем и проблем развития регионов.

5) Социально-экономические объекты – объекты, связанные с деятельностью человека.

6) Человек - биологическая система, субъект общественно-экономической и культурной жизни.

7) Прочие.

Все перечисленные объекты могут изучаться с точки зрения как состояния техники и основного производства, так и инфраструктуры. Отметим, что под инфраструктурой понимаются вспомогательные отрасли, обслуживающие основное производство и обеспечивающие жизнедеятельность общества. Перечислим составные части инфраструктуры:

  1. отрасли, обслуживающие основное производство:

  • водохранилища;

  • каналы;

  • дороги;

  • мосты;

  • аэрофлот;

  • связь;

  • транспорт;

  • склады;

2) отрасли, обеспечивающие жизнедеятельность общества:

  • образование;

  • наука;

  • здравоохранение.

Одним из важнейших аспектов прогнозирования является исследование социально-экономического состояния объектов, т.е. социальной инфраструктуры. Это крайне важно для изучения перспектив развития общества в единстве с гармоническим развитием основного его элемента – человека.


^ 1.5. Показатели прогнозирования


Прогнозирование экономических показателей основывается на некоторой сумме профессиональных знаний об объекте исследования. В задачу предпрогнозного анализа входит решение следующих основных вопросов:

1) определение набора переменных, описывающих процесс функционирования исследуемых объектов;

2) анализ структурных связей между отдельными переменными;

3) установление перечня допустимых операций над переменными и связями, т.е., другими словами, выбор рационального типа экономико-статистической модели.

Вопрос выбора прогнозируемых результативных признаков (экономических показателей) решается относительно просто. Они часто заданы самой формулировкой цели исследования [37, 42, 43, 45].

Выбор независимых переменных (признаков–факторов) представляет собой процесс последовательного уточнения первоначальных предположений о прогнозируемых показателях. В этом процессе можно выделить следующие этапы: формирование первичной гипотезы о наборе независимых переменных; экспертная оценка сформированного набора; анализ структурных связей; отбор существенных для прогноза переменных.

В основе формирования первичной гипотезы о наборе переменных лежит общая схема функционирования изучаемого объекта. На перечень переменных, включаемых в первичный набор, накладывают отпечаток назначение модели прогнозирования , тип исследования и т. п. В частности, в модели прогнозирования желательно включать переменные, известные к началу периода прогнозирования или легко поддающиеся оценке.

Рассмотрим некоторые виды признаков, которые рекомендуется выбирать в качестве показателей прогнозирования.

Номинальные признаки—признаки, определяющие качественные неупорядоченные отличия объектов совокупности. Измерение этих признаков производится по шкале наименований, которая обладает весьма слабыми числовыми свойствами. Для этих шкал допустима лишь операция равенство–неравенство. Градации номинальных признаков в форме номера или наименования просто отличают один объект (группу объектов) от другого. При исследовании можно лишь отмечать наличие или отсутствие данной градации признака у единиц совокупности – “да” или “нет” .

Ранговые признаки это признаки, порождающие упорядоченное разбиение совокупности на классы. Измерение этих признаков производится по шкале порядка, допускающей операции равенство–неравенство и больше–меньше. В этой шкале возможно также любое монотонное преобразование. Например, типичный ранговый признак - сортность продукции. Она характеризует улучшение качества от низшего сорта к высшему. Ответы экспертов обычно также выражаются в виде ранговых признаков (баллов).

Признак называется количественным, если его значения характеризуются числами и он может быть измерен по каждой единице совокупности. Они дают числовую характеристику степени проявления свойств явления. Измерение количественных признаков производится по шкалам двух типов: шкале интервалов и шкале отношений.

Отличительная особенность количественных признаков - возможность жесткого упорядочения значений по числовой шкале. Количественные признаки могут быть дискретными или непрерывными.

К особой разновидности количественных признаков относится набор величин, характеризующих структуру экономических процессов (сортамент продукции, структура производственных фондов и др.). Характерным для этой разновидности признаков является использование комплекса взаимосвязанных измерителей для описания одного явления: например, сортамент продукции описывается удельным весом отдельных видов изделий в общем объеме производства. При использовании в статистическом анализе признаков такого типа необходимо учитывать то, что их сумма для каждого объекта равна постоянному числу (например, единице или 100%). При построении регрессионных моделей прогнозирования, по крайней мере, одна из составляющих структуры должна быть исключена, чтобы избежать искажения коэффициентов регрессии вследствие функциональной взаимосвязи признаков (явление мультиколлинеарности).

Поскольку описание объектов экономико-статистического исследования часто включает признаки разных типов, а статистические методы рассчитаны на обработку информации определенных видов шкал, преимущественно метрических, то перед экономистами-исследователями возникает серьезная проблема соизмерения признаков различной природы.

Можно выделить два подхода к соизмерению разнотипных признаков.

Первый основывается на приведении признаков с более развитой шкалой измерений к наименее развитой. Например, если в описание единицы совокупности входят количественные и ранговые признаки, то количественные приводятся к ранговым, а если описание состоит из номинальных, ранговых и количественных, то все признаки сводятся к номинальным.

Для совместного анализа количественных и качественных (номинальных и ранговых) признаков при отсутствии «количественных» соотношений между ними количественные признаки тоже рассматриваются как качественные.

Один из важных этапов процесса формирования исходных данных прогнозно-статистического исследования состоит в выборе или конструировании для каждого признака соответствующих измерителей, которые будут выступать затем как переменные будущей модели. Подавляющее большинство признаков обладает сложной внутренней структурой и описывается набором, комплексом измерителей, о сравнительной важности которых априори судить трудно.

Наличие комплекса измерителей для одного признака объясняется рядом обстоятельств. Во-первых, некоторые признаки по своей сущности представляют собой многомерные характеристики процесса. Например, сортамент продукции представляет собой совокупность долей отдельных видов продукции. Во-вторых, каждое экономическое явление может быть разложено до некоторых первичных элементов, его составляющих. Третья причина возникновения многомерности признака состоит в объективном существовании нескольких единиц измерения. К примеру, мощность пластов при добыче руд измеряется тремя показателями, каждый из которых имеет свой содержательный смысл: горно-геологическая, средневынимаемая и среднединамическая мощность пластов.

Выбор измерителя для данного признака является ответственным моментом исследования. Измерители должны обеспечивать выполнение требований статистического исследования, а именно:

1) сопоставимость характеристик исследуемого процесса в пространстве, времени и по уровню объекта;

2) полноту описания;

3) предпочтительность количественных оценок перед качественными, натуральных перед стоимостными и т. п.

Одна из сложных проблем подготовки информации - обеспечение сопоставимости данных в пространстве и во времени для выбранной единицы совокупности. Необходимо обеспечить соблюдение этого важного требования экономико-статистического исследования.


^ 1.6. Два подхода к прогнозированию


В практике экономических исследований различают два подхода к прогнозированию с точки зрения использования ресурсов. Рассмотрим их на примере предприятия. Во-первых, каждое предприятие заинтересовано в изучении текущего состояния своего функционирования в зависимости от наличных ресурсов. Такой подход к изучению возможностей развития предприятия называется исследовательским (или генетическим) прогнозированием [38].

С другой стороны, каждое предприятие планирует перспективы своего развития, в частности, производство новых изделий с требуемыми техническими и экономическими показателями в требуемых объемах. В этом случае основой для прогноза являются предполагаемая цель и ее будущие параметры, на основании которых исследуются долговременные перспективы развития. При этом определяются объемы финансирования, которые обеспечат достижение заданной цели развития. Такой подход к прогнозированию называется нормативным ( или целевым).

Связь двух подходов к прогнозированию показана на рис. 1.4.

В прогнозах, которые разрабатываются на предприятиях, предусматривается, как правило, использование нормативного подхода, т.е. ориентация на удовлетворение потребностей владельца и решение стоящих перед предприятием социальных, экономических, технических, производственных и прочих задач, позволяющих определить и экономически обосновать его перспективную политику.

При этом не исключается параллельное использование и исследовательского подхода, на основе которого возможно получение более объективной картины будущего, чем с помощью нормативного.

Составление и согласование прогнозов на базе указанных двух подходов способствует получению наиболее полного материала для определения политики предприятия.

Отметим, что обсуждаемая в этом разделе цель исследования может быть отражена как “цель исследования по затратам ресурсов”.

^ 1.7. Тренды в прогнозировании

При прогнозировании показателей, зависящих от времени, опираются на тот факт, что статистические ряды, используемые для анализа, включают в себя пять компонентов [3]:

1) тенденции, характеризующие долговременную основную закономерность развития исследуемого явления;

2) периодическую или сезонную компоненту, связанную с влиянием сезонности развития изучаемого явления;

3) циклическую компоненту, характеризующую циклические колебания, свойственные любому воспроизводству (например, циклы обновления, связанные с чисто техническими проблемами);

4) случайную компоненту;

5) случайную несистематическую компоненту, вызванную неточностями сбора статистических данных.

Для выделения этих компонент используют различные методы.

^ 1.7.1. Определение тренда. Под тенденцией понимают некоторое общее направление развития, долговременную эволюцию. Тенденцию ряда динамики представляют в виде гладкой кривой (траектории), которая аналитически выражается некоторой функцией времени, называемой трендом. Тренд, как правило, характеризует основную закономерность движения во времени и представляется следующим образом:

, (1.3)

где – текущий член временного ряда в момент времени t ;

– случайная величина, которая генерируется детерминированной функцией или стохастическим процессом;

– случайная величина, которая генерируется случайным неавтокоррелированным процессом с математическим ожиданием и постоянной дисперсией.





Рис. 1.4. Связь двух подходов к прогнозированию

Тренды могут быть детерминированными, случайными и комбинированными. Они записываются следующим образом:

, (1.4)

, (1.5)

, (1.6)

где , , – детерминированный, случайный и комбинированный тренды соответственно;

t время;

, ,, b, q, – коэффициенты ( действительные числа);

– случайные переменные.

Для выделения тренда используют различные методы, например, скользящих или экспоненциальных средних [3, 38]. Рассмотрим один из них.

^ 1.7.2. Выделение тренда с помощью метода скользящих средних. Если уровни ряда (конкретные статистические значения ряда)имеют резкие колебания (возможно, периодические), то наиболее простым методом определения тренда является сглаживание динамического временного ряда методом скользящих средних. Для этого фактические уровни ряда заменяются скользящими средними при условии, что выбран период скольжения: 3, 5, 7 или другое нечетное число. Скользящие средние представляют собой средние уровни за определенные периоды времени (3, 5, 7) путем последовательного передвижения начала периода на единицу времени. Рассмотрим пример, исходные данные для которого приведены в табл. 1.1.

Таблица 1.1


t

1

2

3

4

5

6

7

8

9

10

11

Объем производства (тонн)

35

31

40

34

18

30

34

40

29

40

42



Рассчитаем 3-членную скользящую среднюю. Правый сглаженный уровень получим для t =2: . Последовательно сдвигая на t =1 начало периода скольжения, находим сглаженные уровни для других t . Так, для t =3 скользящая средняя составит: и так далее. Результаты сглаживания представлены в табл. 1.2. Так как скользящая средняя относится к середине интервала , за который она рассчитана, то сглаженный ряд сокращается на (n-1) уровень при нечетном скольжении и на n уровней - при четном периоде скольжения.

Таблица 1.2


t

Фактический

уровень ряда,

Сглаженные уровни

3-членная

5-членная

1

35

-

-

2

41

35,3

-

3

40

35,0

31,6

4

34

30,7

30,6

5

18

27,3

31,2

6

30

27,3

31,2

7

34

34,7

30,2

8

40

34,3

34,6

9

29

36,3

37,0

10

40

37,0

-

11

42

-

-


^ 1.8. Оценка качества прогнозирования


Качество прогнозирования, прежде всего, характеризуется ошибкой прогноза (математическое определение качества прогноза): предполагается, что чем меньше ошибка прогноза, тем выше качество прогноза.

Все существующие методики оценки качества прогнозирования можно условно разделить на три группы показателей:

1) абсолютные;

2) сравнительные;

3) качественные.

Абсолютные показатели оценки качества прогноза позволяют количественно определить величину ошибки прогноза в единицах измерения прогнозируемого объекта или в процентах. Это среднеквадратическая ошибка t, абсолютная ошибка , средняя абсолютная ошибка , относительная ошибка пр и средняя относительная ошибка . Рассмотрим эти показатели.

Абсолютная ошибка прогноза может быть определена как разность между фактическим значением (xi) и прогнозом (x*i), значит,


; (1.7)

среднее абсолютное значение ошибки

. (1.8)

Среднее абсолютное значение всегда неотрицательно, так как неотрицательно (и когда отрицательно, т.е. ). Среднеквадратическая ошибка прогноза рассчитывается по формуле

, (1.9)

где n — период упреждения.

Следует отметить, что существует связь среднего абсолютного отклонения со стандартным отклонением t .

Для большого класса статистических распределений значение стандартного отклонения несколько больше значения среднего абсолютного отклонения и строго пропорционально ему. Константа пропорциональности для различных распределений колеблется между 1.2 и 1.3. Чаще всего на практике берется значение 1.25, поэтому

. (1.10)

Недостатком рассматриваемых показателей является то, что значение этих характеристик существенно зависит от масштаба измерения уровней исследуемых явлений.

Поэтому абсолютная ошибка прогноза может быть выражена в процентах относительно фактических значений показателя следующим образом:

(%), (1.11)

а средняя относительная ошибка рассчитывается как


(%). (1.12)

Данный показатель, как правило, используется при сравнении точности прогнозов разнородных объектов прогнозирования, поскольку этот показатель характеризует относительную точность прогноза.

Если на практике xt >0, то становится бесконечной величиной. Поэтому при экономическом прогнозировании для случаев, когда данные не могут принимать нулевые значения, вычисляется . Если же xt=0, целесообразно пропустить соответствующие вычисления, уменьшая при этом и число n на единицу.

Средняя абсолютная и среднеквадратическая ошибки фиксируют среднее значение ошибки на каждом шаге прогноза без учета этой ошибки. Средняя ошибка позволяет определить, какой вид ошибки является наиболее типичным — недооценка или переоценка прогнозируемого показателя. Необходимо иметь в виду, что и пр равны нулю только тогда, когда xt=x*t для каждого t, т. е. в случае совершенного прогноза. Аналогичное утверждение несправедливо для абсолютной ошибки , поскольку здесь может иметь место взаимопогашение ошибок. Для расчета этих показателей могут быть использованы как абсолютные величины переменных, так и их приросты или темпы приростов.

Сравнительные показатели оценки качества прогноза основаны на сравнении ошибки рассматриваемого прогноза с эталонными прогнозами определенного вида [3, 10, 18, 19, 24, 39, 52].

Один из типов таких показателей (k) может быть представлен следующим образом:

, (1.13)

где p*t — прогнозируемое значение величины эталонного прогноза.

В качестве эталонного прогноза может быть выбрана простая экстраполяция, постоянный темп прироста и т.п. Частным случаем показателей такого типа является коэффициент несоответствия (), в котором p*t = 0 для всех t:

, (1.14)

где в случае совершенного прогноза.

не имеет верхней конечной границы. В случае необходимости можно построить различные модификации коэффициента несоответствия.

К сравнительным показателям следует отнести и коэффициент корреляции (R) между прогнозируемыми и фактическими значениями переменной:

. (1.15)

Одним из недостатков использования коэффициента корреляции в качестве измерителя точности прогнозов является то, что полная положительная корреляция не предполагает совершенного прогноза. Например, если R=l, то это означает, что существует линейная зависимость между рядами прогнозных и фактических величин, т.е. можно подобрать такие константы и (>0), что . При этом для совершенного прогноза необходимо, чтобы = 0 и = 1. Вследствие этого коэффициент корреляции наиболее пригоден для анализа прогнозов циклически развивающихся переменных.

Качественные показатели позволяют провести некоторый анализ видов ошибок прогнозов, разложить их на какие-либо составляющие. Особенно такой анализ важен для циклически изменяющихся переменных, когда необходимо прогнозировать не только общее направление развития, но и поворотные точки цикла, в которых меняются коэффициенты адаптации прогнозной модели.

Одним из методов такого анализа является построение диаграмм (или графиков) в одних координатных осях для реальных и прогнозных данных.

Использование диаграмм позволяет содержательно оценить качество различных прогнозов, рассчитать некоторые коэффициенты, анализирующие качество прогнозирования, а также позволяет выделить наиболее типичные ошибки (недооценки или переоценки изменений) прогнозирования.

Все рассмотренные выше показатели точности прогноза используются при проверке точности прогноза, полученного в виде точечных оценок. Если же при прогнозировании получен интервальный прогноз, то мерой точности прогноза может быть относительное число случаев к общему числу случаев, предложенное Е.М. Четыркиным [3] :

, (1.16)

где р – число прогнозов, подтвержденных фактическими данными;

q – число прогнозов, не подтвержденных фактическими данными.

Если =1, то все прогнозы подтверждаются, и =0, если прогнозы не подтверждаются (p=0).

Рассмотренные выше показатели точности прогноза могут быть использованы только при наличии информации о фактических значениях исследуемого показателя. Все они имеют большую ценность при сопоставлении различных методик прогнозирования.

Если же статистических данных о прогнозируемом показателе нет, то проблема точности рассматривается как проблема сопоставления априорных качеств или свойств, присущих альтернативным прогностическим моделям. Причем при прогнозировании статистическими методами понятия априорной точности прогноза связывают с размером доверительного интервала. В этом случае модель-прогноз считается более точной, если при одной и той же доверительной вероятности она дает более узкий доверительный интервал по сравнению с другой моделью.

Выбор показателей точности прогнозов зависит от задач, которые ставит перед собой исследователь при анализе точности прогноза. При этом необходимо помнить о фоне прогнозирования.

Важным критерием правильности применения прогнозной модели является проверка на адекватность. Адекватными моделями считаются такие, для которых остаточная компонента имеет свойства независимости, случайности и нормальности распределения [3, 38].

Для проверки корреляции внутри ряда применяется критерий ДарбинаУотсона [3, 38]. В соответствии с этим критерием, если величина близка к 2, то можно считать модель регрессии достаточно адекватной:

, (1.17)

где – длина временного ряда;

– ошибка прогноза: .


^ 2. Прогнозирование с привлечением коллектива экспертов


Когда нет возможности определить значения тех или иных показателей экспериментально или из ранее зарегистрированных данных, приходится полагаться на субъективные оценки. В подобных случаях чаще всего желательно воспользоваться мнением коллектива экспертов, а не отдельного лица. Такой коллектив должен состоять из специалистов, обладающих глубокими знаниями прогнозируемого процесса и по возможности облеченных правом принимать ответственные решения. Выявление индивидуальных точек зрения и формирование на их основе единого мнения коллектива экспертов могут осуществляться различными методами, например, могут быть рассчитаны ранговые коэффициенты корреляции для различных вариантов экспертных групп.

Особое внимание при использовании экспертных оценок в прогнозировании следует уделять вопросам точности и надежности получаемых прогнозов. Точность и надежность прогнозов на основе экспертных оценок достигаются [3, 34, 59] следующими способами:

а) тщательным подбором членов экспертной группы, как правило, ведущих ученых и практиков в данной области знаний, проверкой их компетентности;

б) методом экспериментальных проверок компетенции всей привлекаемой к экспертизе группы, т. е. организацией серий опытов, при которых экспериментатор знает ответ, а члены экспертной группы не знают. Если на основе нескольких итераций получают вполне удовлетворительный ответ, то прогнозы данной экспертной группы считаются вполне надежными;

в) возможностью организации проверки полученного прогноза другими методами (моделированием, прогнозированием на основе трендовых моделей и т. д.);

г) простотой опросной анкеты и четкостью очертаний прогнозируемого явления (технического объекта);

д) сокращением по возможности числа прогнозируемых показателей;

в) определением наиболее оптимальных промежутков между турами опросов.

Метод экспертных оценок как способ получения прогнозов имеет определенные недостатки:

а) часть специалистов экспертной группы или даже один наиболее активный член группы могут оказывать давление на всех членов, и, если такое мнение ошибочно, может быть получен неправильный прогноз;

б) в отдельных случаях на решения членов экспертной группы может оказать отрицательное влияние не глубина доводов, а количество замечаний «за» или «против»;

в) возможно также, что проблема достижения соглашения между членами экспертной группы будет иметь более важное значение, чем тщательно разработанный прогноз.

Несмотря на отмеченные недостатки, методы экспертных оценок остаются важнейшим и наиболее надежным способом прогнозирования во многих сферах народного хозяйства, в частности, при прогнозировании научно-технического прогресса.

Рассмотрим некоторые из групповых методов проведения экспертизы.

^ 2.1. Метод Дельфы


Метод Дельфы был разработан в корпорации РЭНД Хелмером и Далки [38] и назван в честь греческого города Дельфы, где проживал древний оракул, славившийся своими пророческими предсказаниями.

Метод Дельфы - итерационная процедура, которая позволяет подвергать мнение каждого эксперта критике со стороны всех остальных, не заставляя их фактически сталкиваться лицом к лицу. Идея метода заключается в том, чтобы создать механизм, обеспечивающий сохранение анонимности точек зрения отдельных лиц и тем самым свести к минимуму влияние красноречивых и обладающих даром убеждать личностей на поведение группы в целом. Все взаимодействия между членами группы находятся под контролем со стороны координатора или руководящего звена, направляющего всю деятельность группы. Координатор регулирует процедуру анализа мнений и сохраняет их анонимность. Групповая оценка вычисляется им путем некоторого усреднения (обычно посредством нахождения среднего значения, или медианы) и доводится до сведения всех членов группы.

Рассмотрим в качестве примера распространенную задачу определения значения некоторого числа . Пусть в группе экспертов будет 12 членов. Метод Дельфы имеет несколько вариантов, и мы могли бы выбрать следующий способ действий:

1. Опросить каждого члена группы по отдельности, какова его оценка числа .

2. Расположить ответы на общей шкале в порядке возрастания значений и определить квартили , и таким образом, чтобы в каждом из четырех отрезков шкалы содержалась четвертая часть всех оценок. Результат при 12 членах группы будет выглядеть так, как это показано на рис. 2.1.




Рис. 2.1. Схема метода Дельфы


3. Сообщить каждому из членов группы значения ,, и попросить его пересмотреть свою оценку, а если его новая оценка выше или ниже , попросить его четко обосновать свое мнение.

4. Подсчитать результаты второго тура и сообщить членам группы новые значения , и (обычно эти значения будут иметь меньшую дисперсию, чем после первого тура) вместе с письменными обоснованиями предельных значений (обязательно сохраняя анонимность мнений). Попросить каждого из представивших письменные ответы учесть новые данные и аргументацию и при желании пересмотреть свою предыдущую оценку. Если в этом третьем туре пересмотренная оценка у данного члена группы будет выше или ниже , попросить его кратко обосновать, почему он счел не заслуживающими внимания аргументы, которые могли бы заставить его сместить свою оценку ближе к средней.

5. Повторять эту процедуру столько раз, сколько представляется желательным координатору или пока промежуток между и сузится до некоторой заранее установленной величины. Для этого обычно требуется всего три или четыре тура, поскольку аргументы скоро начинают повторяться. Далее берется медиана как представляющая групповое мнение относительно того, каким должно быть значение .

Как отмечалось ранее, возможны некоторые варианты метода Дельфы. Например, вместо использования медианы и квартилей можно брать среднее значение и среднеквадратическое отклонение. В этом случае координатор сообщает членам группы в каждом туре среднее значение и среднеквадратическое отклонение и просит их кратко обосновать все оценки, отличающиеся от среднего значения больше, чем на среднеквадратическое отклонение (в любую сторону). Разумеется, предполагается, что полученные от экспертов данные будут иметь нормальное распределение относительно среднего значения, но это допущение не обязательно справедливо. Опросы можно повторять до тех пор, пока среднеквадратическое отклонение не уменьшится до заданной величины или пока не станет ясно, что дальнейшего уменьшения дисперсии оценок не будет. Необязательно стремиться во что бы то ни стало к полному единству оценок: разброс мнений – нормальное явление даже в последнем туре.

Цель метода Дельфы – уменьшить психологическое давление, испытываемое некоторыми людьми при личном контакте, и, следовательно, исключить влияние на конечный результат особо красноречивой или сильной личности. Однако метод нельзя считать полностью надежным. Например, неизвестно, какое влияние на расхождение мнений оказывает желание участников приспособиться к общему мнению группы или устранение основных причин разногласий. Возложение на членов группы ответственности за обоснование своих мнений явно влечет за собой стремление экспертов располагать оценки ближе к медиане без особой аргументации. Кроме того, те участники, которые первоначально были уверены, что обладают сильными аргументами в пользу своего мнения, легко могут отказаться от своих позиций, когда видят, что им не удалось сразу же убедить остальных членов группы. Это может усилить «эффект толпы» вместо того, чтобы уменьшить его, как ожидалось.

Метод Дельфы, предполагающий анонимность мнений, итеративную процедуру обработки результатов, управляемую обратную связь, числовые оценки и статистическое определение групповой оценки, является ценным инструментом исследования для разработчиков имитационных моделей. По данным Куэйда [38], проведенные эксперименты показали следующее:

1) личные дискуссии не дают столь же эффективных результатов, как метод Дельфы;

2) точность оценки улучшается с ростом числа членов группы и увеличением количества итераций;

3) точность оценки падает с увеличением интервала времени между ответами членов группы.

При использовании метода Дельфы достигается бо́льшее согласие между групповым мнением и мнениями отдельных членов группы, чем при методах, требующих личных контактов. Эта сторона дела, очевидно, особенно важна, если некоторые из членов группы являются руководящими работниками, ответственными за внедрение результатов имитационного моделирования.


^ 2.2. Учет фона прогнозирования


Прежде чем приступить к разработке прогноза на каком-либо объекте , необходимо дать всестороннюю оценку экономического, политического, технического и т.д. состояния среды, в которой функционирует объект или протекает социально-экономический процесс, в масштабах района, региона или страны в целом. Среду в прогнозировании называют фоном. Состояние фона оказывает определенное влияние на реализацию прогноза, степень его достоверности и надежности. Правильная оценка фона способствует ускорению реализации мероприятий на объекте прогнозирования. Если состояние фона не учтено или будет оценено неправильно, это может привести к неправильным прогнозам.

При прогнозировании необходимо учитывать и оценивать влияние следующих основных видов фона: политического, экономического, социального, научно-технического, организационного, экологического, демографического [2, 3].

Оценка политического фона должна дать всесторонний ответ о соответствии прогноза политической стратегии развития объекта, включая его внешнее и внутреннее положение. Характерной чертой политического фона является его активное воздействие на все этапы реализации прогнозов. Политический фон обусловлен многими объективными факторами. Сложный характер его делает особенно актуальной задачу его учета при прогнозировании .

Чтобы правильно оценить экономический фон, также необходимо учитывать законы развития общества, знать законы развития народного хозяйства, методы повышения эффективности общественного производства. В оценку экономического фона следует включать и безусловное знание основных народнохозяйственных показателей: национального дохода, фондов накопления и потребления, материалоемкости, валовой продукции по важнейшим отраслям народного хозяйства, объемов капитальных вложений, стоимости основных производственных фондов, проблем повышения производительности труда и т. д.

Для оценки социального фона анализируется состояние социальной инфраструктуры: высшее и среднее специальное образование, выпуск специалистов по различным специальностям; школьное образование, наличие производственно-технических комплексов по повышению квалификации и переподготовке кадров и др.; наличие, состояние и использование культурно-просветительных учреждений, библиотек; состояние здравоохранения и физической культуры: наличие клиник, больниц, спортивных сооружений, объектов по восстановлению и реабилитации здоровья работников и т. д. Особое значение придается оценке состояния торговли, в том числе кооперативной, факторам роста товарооборота. К оценке социального фона можно отнести также наличие и состояние дорог, развитие транспортных средств.

При оценке научно-технического фона нужно ответить на вопрос о научно-техническом обеспечении целевой программы прогнозирования. Прежде всего, оцениваются наличие и планируемые поставки машин, конструкций, оборудования, программного обеспечения, интеллектуальной собственности и т.д.

Оценка организационного фона заключается в подробной характеристике организаций и подразделений, которые прямо или косвенно связаны с реализацией прогнозов. Рассматриваются мероприятия по взаимной увязке работы всех подразделений. Особое внимание уделяется вопросам материально-технического обеспечения, выполнению заказов с соблюдением сроков поставки всех видов ресурсов. Рассматриваются вопросы координации работы.

Оценка экологического фона заключается в характеристике природных ресурсов и анализе их использования в процессе реализации прогнозов. Определяются основные направления и мероприятия по борьбе с загрязнением окружающей среды и рационализации природопользования. Оценка экологического фона органически связана с оценкой научно-технического фона и его социально-экономических последствий.

Для учета демографического фона определяются общая численность населения, его структура по полу, возрасту, социальному и профессиональному составу, размерам семьи, образованию и т.д., если таковые факторы влияют на прогноз.

Большое значение в прогнозировании имеет выявление темпов естественного и механического движения, определение численности населения в трудовом возрасте, средней продолжительности жизни и т. д. Особое значение приобретают прогнозы будущей численности населения, так как это связано с развитием инфраструктуры, обеспечивающей функционирование общества.

Для определения степени влияния отдельных факторов, составляющих фон, в практике прогнозирования используют матрицу коэффициентов, показанную для трех фонов в табл. 2.1 [3].

В данной таблице:

,, - экспертные оценки политического, экономического и социального фонов соответственно;

, , - показатели степени влияния элементов фона (например, - отсутствует, - слабое, - сильное);

,, – степени влияния отдельных видов фона;

- общее влияние фона.

Сумма всех оценок для каждого вида фона заключается в пределах:

,

где - число элементов фона в зависимости от степени влияния.

Если , то данный фон можно не учитывать.


^ 2.3. Метод «Дерева целей»

Развитие сценарного прогнозирования привело к разработке двух взаимосвязанных между собой методов: прогнозного графа и «дерева целей». Как известно, графом называют геометрическую фигуру, состоящую из вершин – точек, соединенных отрезками – ребрами. Графы могут содержать или не содержать циклы (петли), быть связными или несвязными, ориентированными или неориентированными. Если связный граф не содержит петель и ориентирован, то такой граф называют деревом целей, т. е. дерево – это связный граф, выражающий взаимосвязи и соподчиненность элементов.

«Дерево целей» и метод прогнозного графа являются методами прогнозирования сложных систем или процессов, в которых возможно выделение многих структурных или иерархических уровней. Дерево целей [38] строится на основе последовательного выделения все менее значительных уровней и событий. Пример построения дерева целей показан на рис. 2.2.

Как видно из рис. 2.2, каждая ветвь на более низком уровне разделяется на два еще более низких следующих уровня. Ветви, исходящие из одной вершины, должны быть взаимоисключающими и образовывать замкнутые множества с перечислением всех элементов конечного множества. Дерево целей строится для решения каждой отдельной проблемы. Когда на одном иерархическом уровне достигнуты все цели, то достигнуты поставленные цели и на следующем, более высоком уровне. Когда достигнуты все подцели, то будет достигнута и общая цель. Вместо перечисленных альтернативных целей путем построения дерева целей возможно представление в таблице списка альтернативных решений.




Рис. 2.2. Пример построения дерева целей


Для оценки значимости подходов можно приписать каждому из них коэффициент относительной важности. При присвоении коэффициентов следует учитывать, что их сумма должна быть равна единице. Это условие называют нормированием. Рассмотрим это с помощью рис. 2.2.

Следуя по всевозможным цепочкам от вершины до основания дерева, можно вычислить коэффициенты относительной важности по каждой ветви дерева целей.


^ 2.4. Метод прогнозного графа


Наряду с деревом целей на тех же принципах основано прогнозирование крупных целевых программ методом прогнозного графа. Исторически впервые этот метод был применен в 70-х годах к прогнозированию научных и технических работ, необходимых для создания технических средств обработки информации, а также при оценке развития вычислительной техники. В основу этой методики также положено первоначальное осуществление подцелей и событий, лежащих на низких уровнях иерархии. Рассмотрим основные этапы этого метода [38].

Подготовительный этап. Первая группа экспертов четко формулирует глобальную цель исследования. Каждый эксперт в отдельности разрабатывает матрицу “цель – средства”, указывая промежуточные цели и средства их достижения. Делаются ориентировочные количественные оценки средств, необходимых для достижения подцелей. Затем выполняются уточняющие этапы метода.

Первый этап. Каждый эксперт делает уточненный список промежуточных целей с указанием:

а) отношений подчиненности;

б) имен специалистов, которые могут осуществить эти цели;

в) списка целей второго этапа.

Второй этап. Цель этого этапа – анализ промежуточных целей первого этапа. Второй этап выполняется второй группой экспертов, которая полностью отличается по составу от первой группы. Каждый эксперт выполняет следующие действия:

а) строятся графы, связанные с достижением промежуточных целей;

б) на основании графов пункта а) корректируются цели второго этапа;

в) графы детализируются до промежуточных графов, и выполняется их проверка на отсутствие циклов и тупиков.

Результаты работы экспертов второго этапа требуют циклической корректировки действий по согласованию промежуточных целей с экспертами первого этапа. Если промежуточные цели второго этапа достаточно сложны, то необходимо переходить на новый уровень детализации подграфов.

Третий этап. Прогнозный граф, полученный в результате полной реализации первого и второго этапа, анализируется третьей группой экспертов с точки зрения количественных оценок каждой вершины и работы (вершина – цель, дуги – работы).

На рис. 2.3 приведена условная схема построения прогнозного графа. Для прогнозного графа рассчитываются следующие числовые характеристики:

1) время выполнения каждой подцели всего комплекса работ по формуле

, (2.1)

где – время выполнения цели ;

– время свершения - го события по оценке –го эксперта;

– относительный вес авторитета –го эксперта;

– число экспертов в группе;

2) вероятность осуществления глобальной цели

, (2.2)

где – вероятность достижения глобальной цели, по мнению -го эксперта;

– вероятность осуществления условия , по мнению -го эксперта;

3) вероятности выполнения всех событий (целей) графа по формулам теории вероятностей. Близость к единице указывает на высокую вероятность достижения глобальной цели.


  1   2   3   4   5   6   7



Скачать файл (557.2 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru