В чем заключаются преимущества формализованных методов. Фактографические (формализованные) методы

3.4.8 Формализованные методы

Где n – число наблюдений; – значение исходного ряда; – расчётное значение; – получив математическую зависимость (формулу), можно подставить в неё любые значения времени (в т. ч. и будущего) и вычислить для этого времени значения характеристики объекта (в т. ч. и в будущем). Сглаживание временных рядов используется как для выявления тенденций изменения, так и непосредственно для построения прогнозов. Для сглаживания рядов часто применяют метод скользящего среднего и метод экспоненциального сглаживания. Метод скользящего среднего . Пусть – стационарный, (т. е. имеющий тренда) динамический ряд. Скользящее среднее указанного ряда определяется по формуле

Или, что то же самое, . Поскольку ряд стационарен, в качестве прогноза по методу скользящего среднего берут последнее найденное значение . Скользящее среднее имеет ряд особенностей. Для того чтобы начать процесс сглаживания, необходимо иметь в наличии n – 1 предыдущих наблюдений. Поэтому прогноз не может быть построен раньше чем через n моментов времени. Данным, включённым в процесс скользящего среднего, присваивается одинаковый вес, всем остальным – нулевой. Для устранения последнего недостатка можно использовать процедуры скользящего среднего с убывающими весами, например,

Указанные недостатки метода скользящего среднего преодолены в процедуре экспоненциального сглаживания , который также используется для прогнозирования стационарных временных рядов. Общая формула экспоненциального среднего имеет вид

,

Где α – коэффициент сглаживания. В качестве прогноза берут последнее полученное значение u t . Перечислим основные особенности экспоненциального сглаживания: – для вычисления экспоненциально взвешенного среднего u t требуются всего два значения: предыдущее значение среднего u t –1 и текущее значение ряда y t ; – в экспоненциальном сглаживании нет точки, на которой веса используемых значений исходного динамического ряда обнуляются. Рекуррентно подставляя в последнюю формулу полученные на предыдущих шагах значения u t , получаем, что наблюдение с лагом k имеет вес α(1–α) k –1 . Таким образом, веса экспоненциально убывают со временем. Одним из достоинств модели экспоненциального сглаживания является то, что в её основу положена логичная и легко понимаемая концепция. Значение экспоненциального среднего состоит из взвешенной суммы текущего значения исследуемого ряда и полученного на последнем шаге экспоненциального среднего, представляющего тенденцию. Чем больше α, тем быстрее колебания исходного динамического ряда отражаются на общей тенденции. Чем меньше α, тем сильнее они подавляются и тем более гладким будет полученный ряд. Легко вывести общее правило выбора константы сглаживания α: для конъюнктурных прогнозов, где в большей степени должна учитываться свежая информация, следует использовать более высокое значение α, чем для долгосрочных прогнозов. Считается, что на практике приемлемые значения константы обычно лежат в промежутке . Методы экстраполяции, скользящего среднего, экспоненциального сглаживания не имеют ничего общего с природой объекта и его сущностью. Они описывают лишь предполагаемую тенденцию его развития на основании сложившейся тенденции. Поэтому подобные методы, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при небольших периодах упреждения и наличии устойчивых тенденций в развитии исследуемого объекта. Очевидно, что поведение прогнозируемого объекта может неожиданно и значительно измениться, чего невозможно учесть в математических зависимостях, используемых для экстраполяции. Регрессионный метод . Метод построения регрессионного уравнения используется при выполнении следующих условий: – значение прогнозируемого показателя зависит от значений других показателей (факторов), представленных в виде динамических рядов; – имеется выборка данных, каждый элемент которой содержит значение показателя и набор значений факторов; – на период, для которого строится прогноз показателя, известны значения всех факторов или их можно оценить. Пусть имеется выборка из n элементов, содержащая значения y i изучаемого показателя и значения x ij факторов, где i = 1, …, n – номер случая (элемента выборки), j = 1, …, m – номер фактора. Опишем алгоритм прогноза показателя на основе регрессии. Он состоит из четырёх шагов. Шаг 1 . Эмпирическим путём выбирается тип зависимости между показателем и факторами:

y = f (x 1 , …, x m , a 0 , a 1 , …, a k ),

Где y – изучаемый показатель (зависимая переменная); x j , j = 1, …, m , – j -й фактор (j -я независимая переменная); a s , s = 0, 1, …, k – неизвестный параметр функции. Как правило, выбирается линейная зависимость

y = a 0 + a 1 x 1 + j + a m x m ,

Но на основе визуального анализа выборки или каких-либо экономических рассуждений может быть выбрана зависимость другого типа. Шаг 2 . Подбираются такие параметры a 0 , a 1 , a k , чтобы при подстановке в функцию f значений независимых переменных x 1 , …, x m из выборки полученные значения функции наиболее точно приближали соответствующие значения переменной y . Критерием точности является сумма квадратов остатков, т. е. разностей между значениями зависимых переменных и значениями функции. Построенное уравнение называется уравнением регрессии. Шаг 3 . На место независимых переменных в функцию f подставляются значения факторов, известные или оцененные для прогнозируемого периода. Полученное значение функции считается прогнозом. Шаг 4 . На основе анализа характеристик уравнения регрессии оценивается точность прогноза и делается вывод о целесообразности его использования. Зачастую при использовании регрессионного уравнения для прогноза экономического показателя четвёртым шагом пренебрегают, ограничиваясь лишь применением коэффициента детерминации. Этот коэффициент характеризует точность подгонки исследуемой выборки. Для оценки качества построенного уравнения регрессии и точности прогноза существуют другие типы статистических характеристик. Так, статистика Дарбина–Уотсона используется в качестве критерия для проверки автокорреляции у остатков. Отсутствие последней является необходимым условием корректности регрессионного анализа. Для обоснования правомерности использования результатов регрессии проводится также проверка значимости уравнения. О точности прогноза судят по рассчитанным доверительным интервалам. Характер зависимости между показателями анализируют на основе стандартизированных коэффициентов. Расчёт перечисленных, а также многих других характеристик уравнения регрессии реализован в специализированных пакетах прикладных программ для ЭВМ. В пакетах статистического анализа реализованы также методы пошаговой регрессии, когда оптимальный набор независимых переменных формируется автоматически. При использовании методов моделирования на основе предварительного изучения объекта и выделения его существенных характеристик «конструируется» модель. Экономико-математическая модель любого вида представляет собой формализованное описание исследуемого процесса или объекта в виде математических зависимостей и отношений. После составления модели проводится её экспериментальный и теоретический анализ, сопоставление результатов прогнозных расчётов на основе модели с фактическими данными состояния объекта или процесса. Модель корректируется и дополняется. Исследуя полученную модель, можно предвидеть, каким образом поведёт себя реальный объект в определённых условиях в будущем. В прогнозировании и планировании выделяют различные виды (типы) моделей: оптимизационные, факторные, структурные, модели межотраслевого баланса и др. В зависимости от уровня агрегирования один и тот же тип может применяться к различным экономическим объектам, поэтому выделяют модели: макроэкономические, межотраслевые, межрайонные, отраслевые, региональные и микроэкономические (на уровне предприятия, объединения). Оптимизационные модели основаны на выборе критерия оптимальности , на основе которого путём сравнения различных вариантов выбирается лучший (оптимальный) вариант. Оптимизационная экономико-математическая модель состоит из целевой функции и системы ограничений. Целевая функция описывает цель оптимизации и отражает зависимость показателя, по которому ведётся оптимизация, от независимых переменных (ограничений). Система ограничений отражает объективные экономические связи и зависимости и представляет собой систему равенств и неравенств, например, между потреблением ресурсов или величинами технико-экономических показателей и установленными лимитами, а также пределами выпуска продукции. Влияние каждой из переменных на величину целевой функции выражается коэффициентом-показателем, экстремум которого выступает критерием оптимальности . Примеры оптимизационных моделей в планировании и прогнозировании: модели оптимизации развития и размещения производств, модели оптимизации структуры производства продукции отраслей промышленности, модели АПК, модели транспортных задач, с помощью которых осуществляется рациональное прикрепление поставщиков к потребителям и определяются минимальные транспортные затраты, и другие. Применение формализованных методов в прогнозировании и планировании ограничено в силу сложности и многофакторности экономических явлений и процессов и неочевидности многих экономических взаимосвязей. Жизнь нельзя выразить математической формулой.

3.4.9 Интуитивные методы (методы экспертных оценок)

3.4.10 Общенаучные методы

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

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

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

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

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

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

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

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

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

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

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

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

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

Формализованные методы базируются на использовании фактографической информации (описательна, необобщенная информация для дальнейшего анализа).

Используются в следующих случаях: если есть ретроспективная информация, то есть существует статистика; когда количество факторов и их сила будет такой же, как и в прошлом (факторы влияют на объект), тенденция развития такая же.

Суть: на основе объективных данных, глубины имеющихся данных, описывается развитие на основе математического аппарата.

Глубина – частота имеющихся данных. Необходимо убедиться в гладкости тенденции.

Результат использования может быть двояким: не только для составления прогнозов, но и для накапливания первичной информации об объекте.

Плюсы:

1. Простота в применении. Наличие готовых алгоритмов.

2. Объективность (не достоверность), доверие

3. Динамика. Формализованные методы позволяют определить динамику развития на любое будущее время.

4 возможность анализа прогнозирования при отсутствии ретроспективной информации

5 позволяет прогнозировать при высокой вероятности возникновения качественных скачков в развитии объекта

Минусы:

1 сложность процедуры сбора и обработки информации

2 индивидуальный субъективизм экспертов

3 дискретность прогноза

4. Формализованные методы можно применять, только если мы знаем предысторию развития исследования объекта.

5. Не могут учесть скачкообразные изменения, ведущие к скачкообразным изменениям в количестве.

Формализованные методы:

1) Экстраполяция

а) Метод наименьших квадратов

б) Метод экспоненциального сглаживания

в) Метод адаптированного сглаживания

2) Системено-структурные методы (основанные на выявлении структурной взаимосвязи и анализу выявленных взаимосвязей.)

а) Морфологический анализ

б) Матричный метод

в) Метод сетевого моделирования

г) Метод структурной аналогии

3) Ассоциативные (методы ассоциации, основанные на установлении зависимости, внутренней логики развития природных объектов (живых и общественных явлений), и затем модель переносится на объект прогнозирования.)

а) Вероятностное моделирование

б) Имитационное моделирование

в) Историко-логическое моделирование (анализ)

4) Опережающей информации (информация опережает практику)

а) Анализ потоков публикаций

б) Метод анализа патентной информации

в) Метод значимости открытий и изобретений

Неформализованные методы – методы, основанные на использовании интуиции и опыта лиц, принимающих решение. Обычно это не связано с использованием математического аппарата и графических изображений, хотя все зависит от конкретного метода. Так в группе неформализованных методов выделяют подкласс методов частично неформализованных, к которым относят следующие методы:
- метод экспертных оценок;
- диагностические методы;
- матричные методы;
- сетевые методы;
- метод экономического анализа;
- морфологический метод;
- метод дерева целей;
- имитационное динамическое моделирование.
Эти методы хотя и базируются на субъективных приблизительных оценках, но все же более структурированы, чем полностью неформализованные (метод мозговой атаки, метод комиссии, суда и т.д.).

Неформализованные методы ориентированы не на массовый сбор данных, а на достижение углубленного понимания исследуемых социальных явлений. отсутствие формализации делает невозможным массовый охват исследуемых объектов, в результате чего число единиц обследования снижается до минимума. Отказ от широты охвата компенсируется “глубиной” исследования, т.е. детальным изучением социального явления в его целостности и взаимосвязи с другими явлениями. набор исследуемых переменных при использовании этих методов заранее жестко не определен, поэтому они могут варьировать непосредственно где исследования как по числу, так и по набору. К неформализованным методам относятся наблюдение, свободное интервью, описания, заимствованные из прессы, а также так называемые личные документы (автобиографии, письма, дневники). По выражению социолога А.Н.Алексеева, неформализованные методы открывают перед исследователем пусть небольшой участок действительности, но зато такой, ‘какой он есть”

33. Информационный менеджмент: содержание и цели осуществления. Особенности информационного менеджмента как области социального управления.

Менеджмент - это управление в социально-экономических системах: совокупность современных принципов, методов, средств и форм управления производством с целью повышения его эффективности и увеличения прибыли.

Информационный менеджмент - технология, компонентами которой являются документная информация, персонал, технические и программные средства обеспечения информационных процессов, а также нормативно установленные процедуры формирования и использования информационных ресурсов.

Информационный менеджмент - это управление экономическими информационными системами (ЭИС) на всех стадиях их жизненного цикла.

Информационный менеджмент необходим:

• на предприятиях-производителях программных продуктов;
• на предприятиях, занимающихся реализацией программных продуктов;
• на предприятиях-потребителях информационных систем;
• на предприятиях, работающих в IT-консалтинге.

Для определения понимания сущности информационного менеджмента необходимо принимать во внимание ряд положений:

Информация - комплексное понятие, то есть:

• условие и средство делового общения;
• средство доведения до общества сведений об организации;
• источник сведений о внешней среде;
• товар.

1. Информационный менеджмент осуществляется в пределах конкретной организации.

2. Информация представляет собой самостоятельный фактор производства, который лежит в основе процесса принятия управленческого решения.

3. Информационный менеджмент имеет отношение не просто к информации, а ко всей информационной деятельности организации, при этом являясь значительно более масштабным понятием, чем управление документооборотом.

Таким образом,информационный менеджмент - управление деятельностью по созданию и использованию информации в интересах организации.

Другими словами, информационный менеджмент - процесс управления на базе компьютерных технологий обработки информации с применением управленческих информационных систем как базового инструмента для работы менеджеров на всех уровнях управления в различных предметных областях.

Цель информационного менеджмента : обеспечение эффективного развития организации посредством регулирования различных видов её информационной деятельности.

Задачи информационного менеджмента:

1. Качественно информационное обеспечение процессов управления в организации;
2. Осуществление управления информационными ресурсами;
3. Обеспечение управления обработки информации на всех уровнях;
4. Интерфейсная задача - обеспечение управления коммуникациями (общение - передача информации от человека к человеку).

Социальный менеджмент - это область управления, формирующая у будущих специалистов теор тические и практические навыки, позволяющие эффективно возде ствовать на социальные процессы, влиять на создание благ приятной для человека социальной среды, прое тировать социальные организации, что в свою очередь обеспечивает рациональное испо ьзование самого богатого и неогра иченного из всех ресурсов -- человеческого.

34. Социальная информация. Определение. Свойства. Особенности информации как товара.

Социальная информация - совокупность знаний, сведений, данных и сообщений, которые формируются и воспроизводятся в обществе и используются индивидами, группами, организациями, различными социальными институтами для регулирования социального взаимодействия, общественных отношений и процессов.

В философской и социологической литературе имеются "узкая" и "широкая" трактовки социальной информации. "Узкую" трактовку, иногда используемую социологами, характеризует следующая цитата: "К социальной информации относится не вообще вся информация, полученная человеком в процессе отражения окружающего мира, а лишь имеющая общественный интерес, служащая развитию общественной жизни, получившая признание людей... Естественно-научную и техническую информацию мы причислить к социальной не можем, т. к. последние не носят ярко выраженной классовой направленности". Это понимание сводит социальную информацию к понятию мacсовой, если не публицистической информации (см. ниже), поэтому неконструктивно.

"Широкая" трактовка представлена в следующих высказываниях. Социальная информация "представляет собой знания, сообщения, сведения о социальной форме движения материи и о всех других ее формах в той мере, в какой они используются обществом, человеком, вовлечены в орбиту общественной жизни". Б. А. Грушин к социальной информации относит "всю без исключения совокупность сообщений, вышедших из "рук" человека. Это и научный текст, и религиозная проповедь, и газетная статья, и архитектурный проект". Автор отмечает, что социальная информация "связана с жизнью общества не только своим существованием, но и самим своим содержанием, а также типом знаковой системы, избираемой для фиксирования этого содержания".

Для человека важно не столько количественная характеристика информации, сколько ее свойства связанные с познанием окружающего мира. Для человека информация может быть важной или нет, полной или нет и т.д. Другими словами, для социальной информации важно ее качество.

1. Ценность информации. Чем важнее задача, которую решает человек, тем ценнее информация, требуемая для ее решения.
2. Доступность информации. Например, если тот или иной текстовый материал есть во Всемирной паутине, а у Вас есть подключение к сети Интернет, то получить информацию проще, чем если бы текст был представлен в какой-нибудь библиотеке, до которой еще надо добраться.
3. Понятность информации. Сообщение на японском языке может быть непонятно для россиянина, даже если содержит ценную информацию.
4. Полнота информации. Достаточность информации для решения определенного спектра задач.
5. Избыточность информации.
6. Адекватность. Соответствие информации действительности.
7. Актуальность. Информация может иметь значение лишь в определенный момент времени.
8. Объективность. Чем меньше зависит содержание информации от того, кто ее получил и обработал, тем она более объективна.
9. и др.

Особенностью свойств социальной информации является их временный характер и зависимость от конкретного человека. Так одна и та же информация для кого-то может быть понятной, а для кого-то - нет. Сегодня актуальной, а завтра – нет.

Потребительские свойства информации - это не просто набор ее источников (документов) в области решаемой проблемы. Это та сумма отобранных, переработанных и представленных в соответствующих видах и формах сведений, при использовании которых потребитель (предприниматель, инженер, менеджер, руководитель) с учетом его экономических, социальных, психических возможностей и особенностей может с максимальным успехом решать стоящую перед ним проблему.

Информация – это товар особого рода: на него нельзя механически переносить все
характеристики материальных продуктов. Товарные свойства информации как
реального феномена, с одной стороны, определяются тем, что свойственно товарам
вообще, а с другой стороны – особенностями, связанными с ее природой и
возможностями использования.
Как и любой товар, информация обладает стоимостью и потребительной стоимостью.
Но, подчеркнем еще раз, что до тех пор, пока не произойдет реального обмена
между обособленными товаропроизводителями, информационный продукт стоимости не
имеет. До этого момента его потребительная стоимость (полезность) остается
только “приметой” информационного товара.

Специфика информации как товара.

1. Информационный товар уникален, поскольку обладает свойством многократного использования без потери своих потребительских качеств. В силу этого информация является единственным видом ресурсов, которому не свойственна экономия в абсолютном значении этого понятия. Напротив, чем шире и активнее ее применяют, тем богаче становится общество. В общественном производстве информация выступает не только в качестве самостоятельного ресурса, но и в качестве замены по отношению к другим традиционным ресурсам.

2.Способность к ресурсосбережению , обеспечивающая эффект от ее применения, является важнейшим потребительским качеством информации. Различные виды информации способны обеспечивать экономию времени, труда, денежных средств и материальных ресурсов за счет оптимизации и ускорения принятия решений по различным направлениям деятельности. Информация, овеществленная в средствах труда, программных продуктах, позволила сэкономить неизмеримый в своих масштабах труд человечества. Огромные возможности экономии ресурсов обеспечивает информация, используемая для организации, планирования и управления
производством. Но не исключен и обратный результат при использовании некачественной информации или дезинформации, в какой бы сфере это ни происходило. Как правило, это становится причиной удорожания, замедления, расточительства и других негативных явлений. По различным оценкам, промышленно развитые страны ежегодно теряют до 10% национального дохода из-за недостаточной информированности руководителей и специалистов народного хозяйства.

3. Потребительная стоимость информационного товара имеет и еще одну примечательную особенность, связанную с быстрым устареванием и потерей качеств отдельными видами информации. Но в определенных случаях потребительские качества не могут проявиться и быть использованными в силу невосприимчивости общественным производством из-за низкого уровня развития и отсутствия экономических стимулов. В таком случае потребительная стоимость выступает как потенциальная, с заявкой на будущее или на использование в непредусмотренных традициями сферах деятельности.

Формализация - это представление самых разнообразных объектов путем отображения и изображения их содержания и структуры в знаковой форме, при помощи самых разнообразных "искусственных" языков, к числу которых относится язык математики, математической логики, химии и других наук. Использование специальной символики в этих науках является одним из необходимых методов отражения действительности человеком.

Понятие "формализация" находится в тесной связи с понятием "абстрагирование". Мы уже знаем, что абстрагирование представляет собой процесс мысленного отвлечения от свойств исследуемых предметов их существенных признаков.

Явления бесконечно многообразны, их систематизация становится возможной благодаря тому, что мышление выделяет какой-то один признак и абстрагируется от остальных. Получаемое таким образом абстрактное знание становится эмпирическим понятием. Абстрагирование характерно и для эмпирического мышления, с его помощью выводятся эмпирические понятия. Теоретическое мышление также абстрагируется от качественных характеристик объекта исследования. Но специфика теоретического абстрагирования в том, что этот процесс доводится до логического завершения - до полного формализма, до получения предельной абстракции, в которой ученый отвлекается не только от того или иного качества предмета, но и от его качественности как таковой.

Формализация как метод исследования имеет, по мнению ученых, ряд достоинств :

1) обеспечивает полноту обозрения определенной области проблем, обобщенность подхода к их решению;

2) базируется на использовании специальной символики, которая обеспечивает краткость и четкость фиксации знания;

3) связана с приписыванием отдельным символам или их системам определенных значений, что позволяет избежать многозначности терминов, свойственной обычным языкам;

4) позволяет формировать знаковые модели объектов, а изучение

реальных вещей и процессов заменять изучением этих моделей.

Этим достигается упрощение объекта непосредственного исследования, что облегчает решение познавательных задач.

Формализация является неотъемлемой частью формальной логики.

Примером осуществления формализации в эвклидовой геометрии может служить тот факт, что здесь имеется небольшое число вводимых независимо понятий и символов, таких как число, прямая, точка и фундаментальные правила комбинирования этих понятий. Вместе они образуют основу для построения или определения всех упорядоченных утверждений и других понятий.

По предположению А.Я. Данилюка, первым среди отечественных педагогов, последовательно применившим процедуру формализации, был A. M. Coxop, который избирает объектом формализации учебный материал, т.е. все содержание, тем или иным образом включенное в процесс обучения. Формальными единицами выступают при этом понятия, которые определяются автором в качестве элементов логической структуры учебного материала. "Понятие" в таком представлении - чистейшая абстракция, знак, полученный путем абстрагирования от множества других составляющих учебного материала (знаний, научных понятий, текстов и т.д.). Затем автор устанавливает предельно общие правила оперирования формальными единицами, т.е. как бы отвечая на вопрос, какие связи и отношения между этими понятиями. Эти связи и отношения он определяет категориями "умозаключения", "обоснования", "решения". И более высокую ступень организации элементов логической структуры учебного материала автор представляет в виде последовательности познавательных задач.

Таким образом, процесс обучения в его содержательной части замещается однородным множеством понятий, а затем устанавливаются формы связи и отношений между ними.

Возникает вопрос, почему эмпирическое мышление (стало быть и эмпирическое исследование) не обладает потребностью в формализации?

Эмпирическое мышление и исследование ориентированы на реальный предмет и они работают с информацией, получаемой от него непосредственно. Предмет исследования предстает как событие, как действие, участвуя в нем. Исследователь может видеть и слышать, и, когда ученый, к примеру, педагог, называет свой предмет, другие педагоги совершенно определенно представляют себе, о чем идет речь. Другими словами, эмпирическое мышление отталкивается в данном случае от реалий образования. Теоретическое же мышление лишено такой возможности. Логически оно надстраивается над эмпирическим мышлением, воссоздавая предмет теоретическими (знаково-символическими) средствами так, чтобы он имел всецело объективный характер, не зависел от субъективных представлений исследователя и был полностью доступен как предмет теоретического исследования для других ученых.

Таким образом, задача объективной теоретической реконструкции предмета, т.е. его формализации в теоретическом исследовании решается посредством введения дополнительного научного языка - искусственного языка. Однако такая предельно абстрактная высота научного обозрения имеет и обратную сторону: формализация приводит, по мнению ученых (А.Я. Данилюк), к содержательной бедности самого научного мышления. Поэтому сама по себе процедура формализации, к примеру, в педагогических исследованиях, в образовании имеет смысл только как подготовка к следующему этапу теоретического исследования - созданию идеального объекта, в котором множество знаков и символов приводятся в некоторую логическую систему, определенным образом воссоздающую исследуемый объект в его качественном своеобразии.

По своей сущности формализация близка к идеализации.

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.

Главная » Методики обучения » В чем заключаются преимущества формализованных методов. Фактографические (формализованные) методы