Прогноз внешнеполитической Прогноз внутриполитической

Под методами прогнозирования подразумевают совокупность приемов мышления, способов, позволяющих на основе анализа информации о прогнозном объекте вынести относительно достоверное суждение о будущем развитии объекта. От типа объекта зависит тип применяемого метода.

Объекты можно классифицировать по уровням хозяйствования, производственным ресурсам, сферам деятельности.

Уровни хозяйствования: экономика Российской Федерации (РФ) в целом; экономики субъектов РФ (республик в составе РФ, краев, областей, автономных образований; районов в составе субъектов РФ, городов); отрасли народного хозяйства; предприятия (фирмы) различных форм собственности.

Производственные ресурсы: капитальные вложения (инвестиции); природные ресурсы; технологии и образование; трудовые ресурсы.

Сфера деятельности: материальное производство; торговля ( в т.ч. внешняя); нематериальное производство. В свою очередь, в обеих сферах производства можно выделить отрасли деятельности. К примеру, в материальном производстве – промышленность, строительство и сельское хозяйство. В нематериальном производстве – научную деятельность, театральную, образовательную и т.д.

Большинство российских прогнозистов совокупность прогнозных методов делят на три группы; фактографические; экспертные; комбинированные. Фактографические методы базируются на первичной информации об объекте, обычно документально зафиксированной носителе. Экспертные методы используют информацию, получаемую от специалистов – экспертов; те в свою очередь, предварительно обобщают фактографическую или иную информацию. Комбинированные методы используют смешанные информационные массивы, т.е. и фактографическую информацию и экспертную (рис. 3, рис. 4).

Рис. 3. Классификация экспертных методов прогнозирования

Экспертные методы

Прямые оценки С обратной связью

Индивидуальные Коллективные Групповые Мозговые

интервью социальные экспертные атаки

комиссии оценки

Рис. 4. Классификация фактографических методов

Фактографические методы

Наивные методы Аналогия

Экстраполяция Экстраполяция Опережающие Историко -

динамических по огибающим методы (анализ патентной логические

рядов кривым информации, цитатно –

индексный метод,

Экстраполяция публикационный Межобъектные

регрессивных метод)

зависимостей цепи Маркова

(Марковские процессы)

Наивные методы прогнозирования

Согласно приведенной на рис. 4 классификации сюда можно включить: метод прогнозирования экстраполяцией динамического ряда показателей (нередко исследователи называют его методом прогнозирования с помощью тренда): метод прогнозирования экстраполяцией регрессионных зависимостей (в литературе данный метод отождествляется с методом прогнозирования с помощью многофакторных производственных функций – регрессий); метод прогнозирования экстраполяцией кривой, соприкасающейся в некоторые моменты времени с кривыми для коротких периодов (в литературе его иногда называют методом огибающих кривых).

Экстраполяция динамических рядов (трендовый метод)

Обычно под термином “тренд” подразумевают длительную тенденцию изменения показателей временного ряда, на которую могут накладываться другие составляющие (например сезонные колебания). Временной ряд содержит результаты наблюдения за процессом на некотором участке времени. Этот участок называется участком наблюдения (рис.5). Отрезок времени от последнего наблюдения до того момента, для которого нам необходимо получить прогноз, называется участком упреждения.

Рис. 5. Прогноз экстраполяции тренда

Прогноз у=f (t)

Участок Участок

наблюдения упреждения

Сплошная линия ( см. участок наблюдения) изображает тренд. Математическая модель тренда построена на основе данных временного ряда. Пунктирная линия характеризует прогнозные значения экстраполированной линии тренда.

Точное совпадение фактических данных и прогностических оценок, получаемых путем экстраполяции трендов, маловероятно. Причина погрешностей заключается в следующем: 1) выбор формы кривой, характеризующей тренд, содержит элемент субъективизма; 2) оценивание параметров кривых (иначе говоря, оценивание тренда) производится на основе ограничений совокупности наблюдений, каждое из которых содержит случайную компоненту; 3) возможны случаи, когда форма кривой, описывающей тенденцию, выбрана неправильно или когда тенденция развития в будущем может существенно измениться и не следовать тому типу кривой, который был принят при выравнивании.

В практической работе “наивные” прогнозисты аппроксимируют (аппроксимация – от лат. approximare, т.е. приближаться) временные ряды наблюденных показателей следующими элементарными функциями: y=a+b₁*t (уравнение прямой линии); y=a+b₁*t+b₂*t² (парабола 2-го порядка); y=a+b₁*t+b₂*t²+b₃*t³(парабола 3-го порядка); y=a+b*ln(t) (логарифмическая); y=a*t^b (степенная); y=a*b^t (показательная); y=a+ b (гиперболическая);

t

y=1/(a+b*e^-t) (логистическая); y=sin t и y=cos t (тригонометрическая).

Пример расчета:

Рассмотрим прогнозирование методом экстраполяции динамических рядов. В качестве примера возьмем задачу спрогнозировать численность населения республики Удмуртия на 1999,2003,2010годы. Расчет выполняется в следующей последовательности:

1. Подготовить исходные данные о численности населения с1992 по 1998 годы в республике Удмуртия.

2. Рассчитать значения а и b₁ из уравнения y=a+b₁*t ,где переменная t-годы, для уравнения прямой линии и значения коэффициентов а, b₁, b₂ из уравнения y=a+b₁*t+b₂*t² параболы второго порядка.

3. Провести проверку моделей, сравнивая полученные в результате расчета данные с исходными данными (см. табл. 12).

Таблица 12.

4. Спрогнозировать значения показателей на 2002, 2005 и 2010годы.

5. Построить график уравнения прямой линии сравнивая с графиком построенным по исходным данным.

6. Аналогично построить график параболы второго порядка, сравнивая его с исходными данными.

7. Сделать вывод по работе.

Уравнение прямой линии: y=a+b₁*t

1996г.-1636 тыс. чел.

1997г. –1633тыс. чел.

Решая уравнение:

1636= a+b₁*96

1633= a+b₁*97

y=7624-3t

проверка: ε – относительная погрешность вычисления

y₁₉₉₂=7624-3t=1648 ε =| 1648-1634|/1634*100%=0,9%

y₁₉₉₄=7624-3t=1642 ε =| 1642-1637|/1637*100%=0,3%

y₂₀₀₀=7624-3t=1624 ε =| 1624-1629|/1629*100%=0,3%

Рассчитаем по полученной формуле прогнозные значения численности населения в 2002,2005 и 2010годах.

y₂₀₀₂ = 7624-3t=1618

y₂₀₀₅ =7624-3t=1609

y₂₀₁₀=7624-3t=1594

Изменение численности населения (линейная модель)

Проведем тот же расчет для параболической модели: y=a+b₁*t+b₂*t

1995-1637тыс. чел.

1996-1636 тыс. чел.

1997-1633 тыс. чел.

1637= a+b₁*t+b₂*t²

1636= a+b₁*t+b₂*t²

1633= a+b₁*t+b₂*t²

a=1633

b=1,5

c=-0,03

Проверка:

y₁₉₉₂= 1633+1,5*2-0,03*2²=1636 ε =| 1636-1634|/1634*100%=0,12%

y₁₉₉₄= 1633+1,5*4-0,03*4²=1639 ε =| 1639-1637|/1637*100%=0,12%

y₁₉₉₉= 1633+1,5*9-0,03*9²=1644 ε =| 1644-1633|/1633*100%=0,67%

y₂₀₀₂= 1633+1,5*12-0,03*12²=1647

y₂₀₀₅= 1633+1,5*15-0,03*15²=1649

y₂₀₁₀= 1633+1,5*20-0,03*20²=1653

Изменение численности населения (параболическая модель)

Таким образом, в данных условиях для рассмотренного примера линейная модель тренда более точно описывает характер изменения статистической кривой по сравнению с параболической моделью и позволяет сделать более достоверный прогноз численности населения.

Экстраполяция регрессионных зависимостей

В экономических исследованиях часто изучаются связи между случайными и неслучайными величинами. Такие связи называют регрессионными, а метод их изучения - регрессионным анализом.

Математическая задача формулируется следующим образом. Требуется найти аналитическое выражение зависимости экономического явления (например производительности труда) от определяющих его факторов; т.е. ищется функция y=f(x₁,x₂…x_n), отражающая в среднем зависимость, по которой, зная значения независимых факторов x_i, можно найти приближенное значение зависимого от них показателя y.

В качестве функции в регрессионном анализе принимается случайная переменная, а аргументами являются неслучайные переменные.

Примером возможного применения регрессионного анализа в экономике является исследование влияния на производительность труда и себестоимость таких факторов, как величина основных производственных фондов, заработная плата и др.

Для нахождения уравнения регрессии необходимо определить общий вид функциональной зависимости и рассчитать параметры уравнения.

Практика регрессионного анализа говорит о том, что уравнение линейной регрессии часто достаточно хорошо выражает зависимость между показателями даже тогда, когда на самом деле они оказываются более сложными. Это объясняется тем, что в пределах исследуемых величин самые сложные зависимости могут носить приближенно линейный характер.

В общей форме прямолинейное уравнение регрессии имеет вид:

y = a₀+b₁*x₁+b₂*x₂+…..+b_m*x_m,

где у- результативный признак, исследуемая переменная;

x_i – обозначение фактора (независимая переменная);

m – общее число факторов;

a₀ – постоянный (свободный) член уравнения;

b_i – коэффициент регрессии при факторе.

Частным случаем регрессионной функции является тренд (зависимость y от времени t). Поэтому рассмотренные приемы экстраполяции вполне применимы у трендовым регрессиям.

Экстраполяция по огибающим кривым.

Экстраполяционный прогноз по огибающим кривым является графоаналитическим методом и заключается в том, что получаемая в виде огибающей кривой общая тенденция (макропеременная) определяется на основе сглаживания отдельных кривых (микропеременных) эволюционного развития показателей различных классов объектов и распространяется на будущее. Огибающая кривая получается при сглаживании ломанной линии, составленной из касательных к точкам частных кривых (рис.6).

Рис. 6. Семейство частных кривых и касательных к ним.

Y

t

Опережающие методы прогнозирования

В этой группе методов используется свойство научно – технической информации опережать реализацию научно – технических достижений в общественном производстве. Если в статистических методах использовалась информация о ретроперспективном периоде, а в опережающих методах – информация о периоде упреждения.

Патентный метод – наиболее часто применяемый опережающий метод, основан на оценке изобретений и исследований, на динамике их патентования.

Цитатно – индексный метод – основан на анализе динамики цитирования авторов публикаций по проблемам, связанным с развитием объекта прогнозирования.

Публикационный метод – базируется на оценке публикаций об объекте прогнозирования и исследования динамики их опубликования.

В основу этих трех методов положены следующие предпоссылки:

а) существует неразрывная связь между динамикой объема научно - технической информации (НТИ) и научно – техническим прогрессом;

б) НТИ опережает внедрение результатов в общественную практику на некоторый отрезок времени постоянный в среднем на каждом этапе развития НТП;

в) результаты, полученные опережающими методами, тем достовернее, чем полнее исходная информация.

Основные источники информации: патенты, свидетельства, лицензии, каталоги, проспекты, рекламные сообщения.

Ретроперспективная обработка названных источников информации позволяет анализировать динамику патентования с последующим выявлением точек перегиба, пиков, спадов, зон насыщения и т.д. Результаты такого анализа используются: для прогноза периодов внедрения технических решений в производство; для оценки перспективности различных направлений науки и техники.

Марковские процессы (оценка риска).

Важная часть всякого прогнозного расчета – определение вероятности исполнения прогноза (или наоборот: риска ошибиться). Рассмотрим метод определения вероятности исполнения событий определенного класса.

Связи между такими событиями таковы, что если известна информация об их состоянии в предыдущий момент, то аналогичная информация о более ранних состояниях же ничего нового в себе не несет.

Именно такие связи между событиями и были исследованы российским ученым А.А. Марковым. В его честь подобные процессы называются в экономической теории марковскими.

Матрица переходных вероятностей для момента t₁ (то есть через два интервала τ) есть не что иное, как результат произведения двух исходных матриц, то есть Г(τ)²; для момента t₂ – Г(τ)³ и т.д.

Доказано также, что вектор вероятностей в любой i – й момент времени (Р(t_i)) есть произведение вектора состояний в начальный момент (Р(t₀)) и для матрицы перехода Г(τ)^I:

Р(t_i)=Р(t₀)*Г(τ)ⁱ

Таким образом, можно рассчитать матрицу перходных вероятностей ситуации, которая может произойти через интервал времени τ.

Прогнозирование по аналогии.

При использовании этого метода известные в прошлом приемы и методы привлекаются для анализа исходных ситуаций, встречающихся в настоящее время.

Различаются два типа аналогий: межобъектные (их называют математическими); исторические.

Первый метод основан на установлении аналогий математических описаний процессов, протекающих в различных по природе объектах с последующим использованием более изученного или более точного математического описания одного из них для разработки прогнозов другого.

Историческая аналогия – метод, основанный на установлении и использовании аналогии объекта прогнозирования с одинаковыми по природе объектом, опережающим первый самолет в своем развитии. Одним из примеров такого рода является прогноз развития транспортных самолетов на основе сравнения с боевыми самолетами ВВС США. Было установлено, что рост основных технических характеристик транспортных самолетов, в частности, скорости полета, следует с некоторым отставанием за их ростом у боевых машин, причем величина этого отставания во времени возрастает. Анализ взаимосвязи этих двух процессов позволяет с учетом ряда ограничений прогнозировать перспективы наращивания скорости транспортных самолетов по современному состоянию боевых машин (прогноз техники по “опережающей отрасли”).

Прогнозирование методами экспертных оценок.

Сущность методов экспертных оценок заключается в сборе, обработке, анализе и использовании для различных целей сведений от достаточно представительного числа экспертов. Эксперты ( от латинского слова experus – опытный) – это лица, обладающие знаниями и способные высказать аргументированное мнение по изучаемому явлению. Процедура получения оценок от экспертов, называется экспертизой. Отвечая на поставленный вопрос, каждый эксперт исходит из собственного опыта, знаний, условий реальной жизни. С этой точки зрения его ответ представляет собой субъективное мнение. Однако если мнений много и они достаточно квалифицированны, то обобщение и усредение приводит к их объективизации, позволяет получить надежную объективную оценку состояния или развития изучаемого явления.

Принято различать два вида экспертных оценок: прямые; с обратной связью.

В первом виде наиболее простым считается экспертиза, осуществляемая посредством индивидуального интервьюирования. Более сложна коллективная экспертиза, проводимая с привлечением Проблемных (специальных) комиссий.

Во втором виде экспертиз различают: групповые; мозговые атаки (штурмы). Наличие обратной связи позволяет концентрировать внимание участников лишь на вариантах, полезных по тем или иным критериям для решения проблемной ситуации. В состав методов мозговых атак включают такой распространенный метод, как ДОО (деструктивная отнесенная оценка). В процессе ДОО вначале актуализируется творческий потенциал специалистов в форме генерации идей, затем эти идеи критикуются, разрушаются и формулируется контридеи.

В групповых экспертизах с обратной связью популярен метод “Дельфи”. Он создан американской исследовательской корпорацией и позволяет обобщать мнения отдельных специалистов. От всех других методов групповой экспертизы он отличается тремя особенностями: а) анонимностью; б) использованием результатов предыдущих туров опросов; в) статистической характеристикой группового ответа.