Формализованные методы

Кабинœетные исследования как метод сбора информации

Количественные методы исследования

Кабинœетное исследование - это совокупность методов сбора и оцен­ки маркетинговой информации, содержащейся в источниках (статис­тических данных или отчетах), подготовленных для каких-либо иных целœей.

Кабинœетные методы сбора информации опираются на вторичные источники. Кабинœетные методы используются при подготовке полевого иссле­дования.

Кабинœетные методы используются и как самостоятельные методы сбора информации при исследовании рынка.

Методы анализа документов делятся на две основные группы: нефор­мализованные (традиционные) и формализованные.

Неформализованные методы не используют стандартизированных приемов выделœения единиц информации из содержания документа͵ требуют кропотливого анализа каждого источника, в связи с этим чаще используются для обработки отдельных (уникальных) документов или небольшого массива документов, когда отсутствует крайне важно сть в количественной обработке информации. Традиционный анализ мо­жет послужить предпосылкой для формализованного анализа доку­ментов.

Альтернативой неформализованным методам анализа документов стали формализованные методы, использующие унифицированные (стан­дартные) методики регистрации элементов содержания документа. Стандартизация методик сбора информации избавила исследователœей от трудоемких процедур регистрации и субъективизма при интерпре­тации данных; позволила перейти на автоматизированную регистра­цию и обработку информации с помощью специальных компьютерных программ. При этом появились другие проблемы: сложности в разработ­ке однозначных правил фиксирования нужных элементов и невозмож­ность исчерпывающего раскрытия содержания каждого отдельного документа.

При проведении кабинœетных исследований наиболее часто исполь­зуются традиционный (классический) метод анализа документов, ин­формативно-целœевой анализ и контент-анализ документов, основные характеристики которых представлены в таблице 1.

Таблица 1 Общая характеристика кабинœетных методов сбора информации

Формализованные методы - понятие и виды. Классификация и особенности категории "Формализованные методы" 2017, 2018.

Формализованные методы прогнозирования базируются на построении прогнозов формальными средствами математической теории, которые позволяют повысить достоверность и точность прогнозов, значительно сократить сроки их выполнения, облегчить обработку информации и оценки результатов.

В состав формализованных методов прогнозирования входят: методы интерполяции и экстраполяции, метод математического моделирования, методы теории вероятностей и математической статистики.

Методы интерполяции и экстраполяции.

Сущность метода интерполяции заключается в нахождении прогнозных значений функций объекта yi=f(xj), где j=0,…n , в некоторых точках внутри отрезка х0 ,…хn по известным значениям параметров в точках х 0∠х ∠хn

Основные условия, предъявляемые к функциям при интерполяции:

l функция должна быть непрерывна и аналитична;

l для конкретного вида функций или их производных указаны такие неравенства, которые должны определить применимость интерполяции к данной функции;

l функция должна быть в достаточной степени гладкой, т.е. чтобы она обладала достаточным числом не слишком быстро возрастающих производных.

В прогнозировании наиболее широко применяются интерполяционные формулы Лагранжа, Ньютона, Стирлинга и Бесселя.

Метод экстраполяция - это метод научного исследования, заключающийся в распространение тенденций, установленных в прошлом, на будущий период. Математические методы экстраполирования сводятся к определению того, какие значения будет принимать та или иная переменная величина Х=x(t1) , если известен ряд ее значений в прошлые моменты времени х1=x(t1) ,…….., x(tn-1) → x(tn)

В узком смысле слова экстраполяция - это нахождение по ряду данных функции других ее значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция применяется при изучении временных рядов и представляет собой нахождение значений функции за пределами области ее определения с использованием информации о поведении данной функции в некоторых точках, принадлежащих области ее определения.

Различают перспективную и ретроспективную экстраполяцию.

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

Существует формальная и прогнозная экстраполяции. Формальная экстраполяция базируется на предположении сохранения в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезой о динамике его развития. Она предполагает необходимость учета в перспективе альтернативных изменений самого объекта, его сущности.

При разработке прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные, функциональные, системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности таких прогнозов в значительной мере обусловливается обоснованностью выбора пределов экстраполяции и соответствие выбранных «измерителей» сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании заключается в следующем:

1. Формулирование задачи, выдвижение гипотез о возможном развитии

прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих

развитию объекта, определение экстраполяции и ее допустимой дальности.

2. Выбор системы параметров, унификация различных единиц измерения,

относящихся к каждому параметру в отдельности.

3. Сбор и систематизация данных, проверка однородности данных и их

сопоставимости.

4. Выявление тенденций изменения изучаемых величин статистического анализа и

непосредственной экстраполяции данных.

В экстраполяционных прогнозах предсказание конкретных значений изучаемого объекта или параметра не является основным результатом. Более важным является своевременное выявление объективно намечающихся сдвигов, закономерных тенденций развития явления или процесса. Под тенденцией развития понимают некоторое его общее направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.

Для повышения точности экстраполяции тренд экстраполируемого явления корректируется с учетом опыта функционирования объекта - аналога исследований или объекта, опережающего в своем развитии прогнозируемый объект. В зависимости от того, какие принципы и какие исходные данные положены в основу прогноза, существуют следующие методы экстраполяции: среднего абсолютного прироста, среднего темпа роста и экстраполяция на основе выравнивания рядов по какой-либо аналитической формуле.

Рассмотренные способы экстраполяции тренда, будучи простейшими, в то же время являются и самыми приближенными. Поэтому наиболее распространенным методом прогнозирования является аналитическое выражение тренда.

Тренд экстраполируемого явления - это длительная тенденция изменения экономических показателей, т.е. изменение, определяющее общее направление развития, основную тенденцию временных рядов. Тренд характеризует основные закономерности движения во времени, в некоторой мере свободные от случайных воздействий. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую накладываются другие составляющие. Результат при этом связывается исключительно с ходом времени. Предполагается, что через время можно выразить влияние всех основных факторов.

Разработка прогноза заключается в определении вида экстраполирующей функции на основе исходных эмпирических данных и параметров.

Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчет параметров выбранной экстраполяционной функции.

При оценке параметров зависимостей наиболее распространенными являются

l метод наименьших квадратов, метод экспоненциального сглаживания временных рядов,

l метод скользящей средней и другие.

Сущность метода наименьших квадратов состоит в том, что функция, описывающая прогнозируемое явление, аппроксимируется более простой функцией или их комбинацией. Причем последняя подбирается с таким расчетом, чтобы среднеквадратичное отклонение фактических уровней функции в наблюдаемых точках от выровненных было наименьшим.

Например, по имеющимся данным (xiyi ) (i=1,2,….n ) строится такая кривая y=a+bx, на которой достигается минимум суммы квадратов отклонений т.е. минимизируется функция, зависящая от двух параметров: а – (отрезок на оси ординат) и b (наклон прямой).

Уравнение, дающие необходимые условия минимизации функции S(a,b), называются нормальными уравнениями. В качестве аппроксимирующих функций применяются не только линейная, но и квадратическая, параболическая, экспоненциальная и др.

Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток данного метода состоит в том, что модель тренда жестко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.е. при краткосрочном прогнозировании.

Метод экспоненциального сглаживания временных рядов – этот метод является модификацией метода наименьших квадратов для анализа временных рядов, при которой более поздним наблюдениям придается больший вес, т.е. веса точек ряда убывают экспоненциально по мере удаления в прошлое. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода и не просто экстраполирует действующие зависимости в будущее, а приспосабливает, адаптирует к изменяющимся во времени условиям. Метод экспоненциального сглаживания применяется при кратко- и среднесрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы.

Модели, описывающие динамику показателя, имеют достаточно простую математическую формулировку, а адаптивная эволюция параметров позволяет отразить неоднородность и текучесть свойств временного ряда.

Метод скользящей средней заключается в том, что вычисляется средний уровень из определенного числа первых по порядку уровней ряда, затем средний уровень из такого же числа уровней, начиная со второго, далее - начиная с третьего и т.д. Таким образом, при расчетах среднего уровня как бы «скользят» по ряду динамики от его начала к концу, каждый раз отбрасывая один уровень вначале и добавляя один следующий.

Каждое звено скользящей средней – это средний уровень за соответствующий период, который относится к середине выбранного периода, если число уровней ряда динамики нечетное.

Недостаток метода простой скользящей средней состоит в том, что сглаженный ряд динамики сокращается ввиду невозможности получить сглаженные уровни для начала и конца ряда. Этот недостаток устраняется применением метода аналитического выравнивания для анализа основной тенденции.

Метод аналитического выравнивания предполагает представление уровней данного ряда динамики в виде функции времени y=f(t). Для отображения основной тенденции развития явлений во времени применяются различные функции: полиномы степени, экспоненты, логистические кривые и другие виды.

Методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения до пяти - семи лет. Важнейшим условием применения является наличие устойчиво выраженных тенденций развития социально-экономического явления или процесса. При более длительных сроках прогноза эти методы не дают точных результатов.

Метод математического моделирования основан на возможности установления определенного соответствия между знанием об объекте познания и самим объектом.

Человеческие знания об объекте представляют собой более или менее адекватное его отображение, а материализованная форма знания является моделью объекта. Таким образом, методом моделирования называется способ исследования, при котором изучаются не сами объекты, а их модели и результаты такого исследования переносятся с модели на объект.

Применение математических методов обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов. В прогностике используют различные виды моделей: оптимизационные, статические, динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегирования один и тот же тип моделей может быть применен к различным экономическим объектам, т.е. макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные и др. модели.

Моделирование является - один из важнейших и эффективнейших средств прогнозирования социально-экономических явлений, инструментом научного познания исследуемого процесса. Поэтому вопрос об адекватности модели объекту (т.е. о качестве отображения) необходимо решать исходя из определенной цели прогноза.

В процессе экспериментирования могут быть установлены такие связи, отношения или свойства элементов модели, которым не соответствует ни одна связь, отношение или свойство элементов объекта. В этом случае либо построенная модель не адекватна сущности изучаемого явления, либо построенная модель адекватна сущности изучаемого явления, однако свойства и отношения элементов прогнозируемого явления описаны не полно.

В прогнозировании социально-экономических процессов средством изучения закономерностей развития социально-экономических процессов является экономико-математическая модель (ЭММ), т.е. формализованная система, описывающая основные взаимосвязи ее элементов.

Экономико-математическая модель (ЭММ) представляет собой математическое описание экономического процесса или объекта, произведенное в целях исследования и управления. В самой общей форме модель - условный образ объекта исследования, сконструированный для упрощения этого исследования. При построении модели предполагается, что ее непосредственное изучение дает новые знания о моделируемом объекте. ЭММ является основным средством модельного исследования экономики. Во всех случаях необходимо, чтобы модель содержала достаточно детальное описание объекта, позволяющее, в частности, осуществлять измерение экономических величин и их взаимосвязей, чтобы были выделены факторы, воздействующие на исследуемые показатели.

Примером экономико-математическая модель является формула, по которой определяется потребность в материалах, исходя из норм расхода. Модель может быть сформулирована тремя способами: в результате прямого наблюдения и изучения некоторых явлений действительности (феноменологический способ), вычленения из более общей модели (дедуктивный способ), обобщения более частных моделей (индуктивный способ). Один и тот же объект может быть описан различными моделями в зависимости от исследовательской или практической потребности, возможностей математического аппарата и т.п. Поэтому всегда необходима оценка модели и области, в которой выводы из ее изучения могут быть достоверны.

Модели, в которых описывается моментное состояние экономики, называются статическими, а модели описывающие развитие объекта моделирования, - динамическими. Модели могут строиться в виде формул - аналитическое представление модели; в виде числовых примеров - численное представление; в форме таблиц -матричное представление; в форме графов - сетевое представление модели.

Соответственно различают модели числовые, аналитические, матричные, сетевые.

В экономической науке они применяются для анализа экономических процессов, прогнозирования и планирования во всех звеньях и на всех уровнях экономики, вплоть до планирования развития народного хозяйства страны в целом. Их принято подразделять на две большие группы: модели, отражающие преимущественно производственный аспект плана; модели, отражающие преимущественно социальные аспекты плана. Такое деление в значительной степени условно, поскольку в каждой из моделей в той или иной степени сочетаются производственный и социальный аспекты. Из моделей первой группы можно назвать: модели долгосрочного прогноза сводных показателей экономического развития; межотраслевые модели народнохозяйственного планирования; отраслевые модели оптимального планирования и размещения производства, а также модели оптимизации структуры производства в отраслях.

Из моделей второй группы наиболее разработаны модели, связанные с прогнозированием и планированием доходов и потребления населения, демографических процессов.

В прогнозировании также применяются ЭММ эконометрического типа. В эконометрической модели синтезируются достижения теоретического анализа с достижениями математики и статистики, математической статистики. Эконометрические методы применяются для описания экономики посредством построения эконометрических систем моделей, включающих в качестве составных элементов производственную функцию, инвестиционную функцию, а также уравнения, характеризующие движения занятости, доходов, цен и процентных ставок и другие блоки. Среди наиболее известных эконометрических систем подобного рода, по которым ведутся расчеты на ЭВМ, - так называемая Брукингская модель (США), Голландская модель, Уортонская модель (США) и др.

Общая схема разработки системы моделей прогнозирования состоит из трех этапов.

На первом этапе разрабатывается локальные методики прогнозирования, прорабатываются отдельные модели и подсистемы моделей прогнозирования. Затем модели взаимоувязываются в единую систему, что позволяет обеспечить взаимодействие отдельных моделей соответствию требований, зафиксированных в программе исследования по проблеме в целом.

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

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

Система моделей прогнозирования и процедуры моделирования оформляются в виде методики моделирования, которая должны отвечать следующим требованиям:

l давать логически последовательное описание последовательности правил, т.е. алгоритма, позволяющего составить прогноз при достаточно широких предположениях о характере и значениях исходной информации;

l обосновать выбор методов и технических средств, позволяющих проводить расчеты своевременно и многократно;

l выявить существенные связи прогнозируемых явлений и процессов. Для этого необходимо выявить важнейшие и устойчивые закономерности и тенденции как на исходном материале, так и в процессе анализа результатов, получаемых по данной методике;

l обеспечить согласование отдельных прогнозов в непротиворечивую систему, также и позволяющую производить взаимную корректировку прогнозов.

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.

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.

Сегодня очень часто можно встретить многим непонятный термин «формализация», причем в самых разных областях науки и техники. Тем, кто хочет своих знаний, желательно понять, что такое формализация. В статье будет рассмотрена суть этого термина и практическое применение процесса.

Что такое формализация с научной точки зрения в общем понимании?

Затронем немного научный аспект. Будем отталкиваться от того, что слово формализация происходит от слова "формальность", то есть является условным, а иногда даже абстрактным понятием, позволяющим объяснить природу несуществующего объекта или явления и спрогнозировать его свойства в определенной среде при заданных начальных условиях.

Лингвистика любого современного языка абсолютно не совпадает с выражением или природой мышления. Таким образом, логика сама по себе вынуждена использовать некие отвлеченные понятия, чтобы описать то или иное явление. Так и появляется относительное понятие формальности происходящего.

Как уже нетрудно догадаться, суть формализации сводится к тому, чтобы описать или предопределить некие свойства объекта или процесса (даже не существующего на данный момент) и спрогнозировать его применение в случае появления в реальном мире. Но это общее представление. Само понятие формализации куда шире. Для начала остановимся на компьютерных технологиях, рассмотрим, как в мире электронники применяется данное понятие.

Компьютерная формализация

Если затрагивать тему компьютеров, метод формализации такого типа является, скорее, обработкой начально заданных условий, которые позволяют с достаточно высокой степенью точности определить дальнейшее поведение объекта или процесса.

По такому принципу работают практически все метеослужбы. Имея компьютерную модель циклона, можно спрогнозировать его цикл и мощность над сушей или над водным пространством.

Вспомните фильм «Послезавтра», в котором ученый предсказал глобальное потепление, исходя именно из такой методики. У него была разработана компьютерная модель, позволявшая с определенной долей вероятности предсказать дальнейшие события.

Данные примеры доступно объясняют, что такое формализация.

Принципы моделирования объектов и процессов

Основные методы формализации - это прогнозирование и моделирование. Применяются такие технологии исключительно для получения конечных данных об объектах или процессах, которые не известны, но их можно предположить и с высокой точностью рассчитать.

Если посмотреть на виды формализации, практически все они сводятся только к логическим умозаключениям и вычислениям. Читателю не составит труда провести параллель между компьютерным моделированием, доказательством теорем и т. д. на основе аксиом и постулатов.

Посмотрите, ведь та же тоже может быть трактована как метод формализации, ведь на практике проверить доказательство не представляется возможным. В частности это касается константы распространения света, замедления времени на пороге ее достижения, увеличения гравитационной массы объекта и искривления пространства. Руками, как говорится, это не пощупаешь и глазами не увидишь.

Когда-то это были только смелые умозаключения ученого на основе простейших опытов. Сегодня все это подтверждается официальной наукой на основе все того же компьютерного моделирования.

Этапы формализации

Если рассматривать компьютерные системы, то первым этапом формализации является описание процесса. Но здесь не используются инструменты обычного языка (буквы, слова, словосочетания, предложения). Создать определенную можно только с использованием некоего алгоритма на основе выбранного языка программирования, но только после постановки общей задачи.

Иными словами, при моделировании поведения объекта или процесса суть происходящего нужно описать чисто математическими символами, применив математический алгоритм.

Результатом формализации является получение анализа действительного предсказуемого события, которое последует после того, как исследуемая технология будет применена на практике или определенный природный процесс войдет в стадию реального проявления.

Далее следует концептуализация поставленной задачи. Здесь есть два варианта: в первом случае это определение подхода в виде использования атрибутов и признаков; второй вариант подразумевает применение когнитивного анализа, не говоря уже о постановке задачи, сбора начально используемых данных, условий и т. д.

После и начальных условий изучаются существующие взаимосвязи между объектами и процессами, а также так называемые семантические отношения, подразумевающие использование методики локального представления.

Далее следует обработка начальных данных на основе выбранного алгоритма, после чего выдается результат с указанием процента погрешности. Как правило, она не превышает 5%, а в большинстве случаев результат вероятности доходит до 99%. Любой человек или машина все равно оставляют «запас прочности» на ведь абсолютно все учесть невозможно.

Зачем все это нужно?

Если разобраться, такие принципы позволяют производить анализ поведения объектов и процессов. Иными словами, можно предугадать, как будет развиваться тот или иной процесс.

Теперь уже понятно, что такое формализация. Давайте рассмотрим простейший пример.

Применение формализации на практике, простейшие примеры

Допустим, какой-то специалист разработал новую конструкцию самолета. С учетом дороговизны проекта строить модель оригинального размера без предварительного прогноза ее поведения в воздухе является задачей совершенно нецелесообразной. Более того, проведение испытаний в той же аэродинамической трубе самолета размером с Boeing является абсолютно нереальной задачей.

Формализация позволяет при заранее заданных характеристиках будущего летательного аппарата (сопротивления воздуха, бокового ветра, высоты и параметров самой аэродинамической трубы и остальных характеристик) смоделировать полет без постройки модели самолета.

Еще одним примером можно назвать тестирование новых машин, проводимое автомобильными концернами. Основной метод формализации в данном случае заключается в том, что сначала все они проходят виртуальный тест, а после получения положительных результатов опытные образцы запускаются в производство для тестирования в реальных условиях.

Основные результаты

Результат математического моделирования во многом (если не на все сто процентов, то с вероятностью до 95%) может стать весомым аргументом в пользу выпуска современной техники, поможет предсказать погоду, даже спрогнозировать общественное поведение как реакцию на события в мире.

Да-да! в мире тоже подчиняется своим собственным законам. Достаточно воздействовать на него в нужнои направлении. Сегодня уже создано немало программ, позволяющих спрогнозировать реакцию общества на то или иное событие. И это далеко не все примеры формализации. Если копнуть глубже, мы с этим сталкиваемся каждый день.

Одним из самых ярких примеров формализации можно назвать и обнаружение при столкновении элементарных частиц в Большом Адронном коллайдере. А ведь раньше считалось, что существование этой частицы - чистой воды теория, причем абсолютно не доказуемая реальными опытами.

Заключение

Как видим, в понятии формализации, несмотря на научную сложность сути процесса, легко разобраться на примерах. Она в большинстве случаев сводится к использованию неких логических цепочек, предопределяющих конечный результат.

Главная » Методики обучения » Формализованные методы прогнозирования и планирования. Фактографические (формализованные) методы