Реферат: Теория экономического прогнозирования

Строки этой матрицы пронумерованы от 0 до 6 и соответствуют:

1 - интуитивному представлению;

2 - предметному представлению (дескриптивные модели);

3 - функционально-декомпозиционному представлению;

4 - представлению в виде контуров обслуживания;

5 - агрегативно-декомпозиционному представлению;

6 - представлению в виде модели «параметр-поле допуска».

Столбцы этой матрицы пронумерованы в соответствии с номерами видов прогнозирования:

1 - экспертное;

2 - функционально-логическое;

3 - структурное;

4 - параметрическое;

5 - прогнозирование по аналогии;

6 - комплексные системы прогнозирования [3].

Таблица 2.2

Булева матрица наличия или отсутствия связи между типовым представ­лением объекта и группой методов прогнозирования

№п/п	1	2	3	4	5	6
1	1	0	0	0	1	0
2	1	0	0	0	1	0
3	1	1	0	0	1	1
4	1	1	1	0	1	1
5	1	1	1	0	1	1
6	1	1	1	1	1	1

Прогнозист в процессе исследования выбирает вид методов прогно­зирования, а затем в рамках этой группы отбирает наиболее подходящий, адаптирует его к особенностям объекта, при необходимости модифицирует или разрабатывает свой метод. Подбор адекватного метода позволяет обеспечить функциональную полноту, достоверность и точность прогноза, уменьшить затраты времени и ресурсов на прогнозирование.

2.2. Фактографические методы прогнозирования

Как было ранее показано (см. п. 2.1.), фактографические методы про­гнозирования можно условно разделить на две большие группы: статисти­ческие и методы аналогий.

Статистические методы прогнозирования

Статистические методы изучены лучше всего, однако не являются единственно возможными. В ряде случаев прибегают к построению сцена­риев развития, морфологическому анализу, историческим аналогиям. Но­вым подходом к прогнозированию НТП является, в частности, «симптома­тическое» прогнозирование, суть которого заключается в выявлении «предвестников» будущих сдвигов в технике и технологии. Однако в прак­тике экономики преобладающими по-прежнему являются статистические методы (что связано с наличием инерционности). Немаловажным является и то, что статистические методы опираются на аппарат анализа, развитие и практика которого имеют достаточно длительную историю.

Процесс статистического прогнозирования распадается на 2 этапа:

• Индуктивный, заключающийся в обобщении данных, наблюдаемых за более или менее продолжительный период времени, и в представлении соответствующих статистических закономерностей в виде модели. Про­цесс построения модели включает: выбор формы уравнения, описывающе­го динамику или взаимосвязь явлений; оценивание его параметров.

• Дедуктивный — собственно прогноз. На этом этапе определяют ожидаемое значение прогнозируемого показателя.

Не всегда статистические методы используются в чистом виде. Часто их включают в виде важных элементов в комплексные методики, преду­сматривающие сочетание статистических методов с другими, например, экспертными оценками.

Статистические методы основаны на построении и анализе динами­ческих рядов, либо данных случайной выборки. К ним относятся методы прогнозной экстраполяции, корреляционный и регрессионный анализ. В группу статистических методов можно включить метод максимального правдоподобия и ассоциативные методы — имитационное моделирование и логический анализ.

Динамику исследуемых показателей развития хозяйственной систе­мы можно прогнозировать при помощи двух различных групп количест­венных методов: методов однопараметрического и многопараметрического прогнозирования. Общим для обеих групп методов является, прежде всего, то, что применяемые для параметрического прогнозирования математиче­ские функции, основываются на оценке измеряемых значений прошедшего периода (ретроспективы). Однопараметрическое прогнозирование базиру­ется на функциональной зависимости между прогнозируемым параметрам (переменной) и его прошлым значением, либо фактором времени.

ŷt+1=ſ(yt,yt-1,…,yt-n).                                                                            (2.1)

При обработке таких прогнозов пользуются методом экстраполяции трендов, экспоненциальным сглаживанием или авторегрессией.

В основе многопараметрических прогнозов лежит предположение о причинной взаимосвязи между прогнозируемым параметром и нескольки­ми другими независимыми переменными:

ŷt+1=f(x),  или;                                                                                        (2.2)

ŷt+1=f(x1, x2,…, xn).

Однопараметрические методы следует использовать при кратко­срочном (менее одного года) прогнозирования показателей, изменяющихся еженедельно или ежемесячно. Многопараметрические оправдывают себя для средне- и долгосрочного прогнозирования.

   да                                                  нет                                              да                                 нет 

Нет                           

Инструмент прогноза Скользящие и экспоненциаль- ные средние, ав- торегрессия

                                              да                                  нет                                             да

Рис.2.2.Схема выбора статистического метода прогнозирования

Выбор конкретного параметрического метода прогнозирования, кроме того, зависит от характера исходной статистической базы. В качест­ве исходных данных могут быть взяты выборочные наблюдения и динами­ческие ряды. В первом случае в качестве инструмента прогноза применя­ется регрессия. Значительно чаще, чем случайная выборка, информацион­ной базой для прогноза являются динамические ряды.

Тогда в качестве инструментов прогноза выступают тренды, авто­регрессия, смешанная авторегрессия и т.п. Выбор адекватного подхода за­висит от того, обнаружены ли экзогенные факторы, влияющие на значение зависимой переменной или нет, влияют ли на зависимую переменную предшествующие значения этой же переменной и т.д. В целом процесс вы­бора конкретного метода статистического параметрического прогнозиро­вания показан на рис. 2.2. [39].

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21