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.

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.

i=1

S = (y i - y i) 2 →min

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

n

i=1

X t i = ∑ a t ij x t i + Y t i + ∑ I t ij (i = l,n),

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 прогнозирования базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет облегчить деятельность по обработке информации и оценке результатов. В состав формализованных методов прогнозирования входят: методы экстраполяции и методы математического моделирования.

Термин «экстраполяция» имеет несколько толкований. В широком смысле слова экстраполяция - это метод научного исследования, заключающийся в распространении выводов, полученных из наблюдения над одной частью явления, на другую его часть.

В узком смысле слово экстраполяция - это нахождение по ряду данных функций других её значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития перенесение их на будущее. В прогнозировании экстраполяция (экстраполирование) применяется при изучении временных рядов и представляет собой нахождение значений функций за пределами области её определения с использованием информации о проведении данной функции в некоторых точках, принадлежащих области её 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 уровня ряда динамики в прошлое.

Понятием, противоположным экстраполяции, является интерполяция, интерполирование, которое предусматривает нахождение промежуточных значений функции в области её определения. При изучении временных рядов в необходимости может производиться интерполирование промежуточных уровней.

Разграничивают формальную и прогнозную экстраполяцию. Формальная экстраполяция базируется на предложении и сохранении в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезами его развития. Она предполагает необходимость учёта в перспективе альтернативных изменений самого объекта, его сущности.

При формировании прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения те или иных количественных характеристик объекта. Экстраполируются оценочные, функциональные, системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности такого рода прогнозов в значительной мере обусловливается аргументированностью выбора пределов «экстраполяции» по отношению к сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании состоит в следующем:

1. чёткое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих развитию данного объекта, определение необходимой экстраполяции и её допустимой дальности.

2. выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности.

3. сбор и систематизация данных. Перед сведением их в соответствующие таблицы проверяется однородность данных и их сопоставимость.

4. выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа и непосредственной данных.

В экстраполяционных прогнозах предсказание конкретных значении изучаемого объекта или параметра в какой-то определённый период времени не считается основным компонентом. Особо важным здесь является своевременное фиксирование объективно процесса. Под тенденцией развития понимают некоторое его направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.

Для повышения точности экстраполяции используются различные приёмы. Например, экстраполируемая часть общей кривой развития (тренд) корректируется с учётом реального опыта функционирования отрасли - аналога исследований или объекта, опережающих в своём развитии прогнозируемый объект.

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

Задача прогноза состоит в определении вида экстраполируемых функций на основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчёт параметров выбранной экстраполяционной функции. При оценке параметров зависимостей наиболее распространёнными являются метод наименьших квадратов и его модификаций, метод экспоненциального сглаживания, метод скользящей средней и другие.

Сущность метода наименьших квадратов состоит в отыскании параметров модели тренда, минимизирующих её отклонение от точек исходного временного ряда, т. е. минимизации суммы квадратических отклонений между наблюдаемыми и расчётными величинами. Модель тренда может различаться по виду. Её выбор в каждом конкретном случае осуществляется в соответствии с рядом статистических критериев. Наибольшее распространение в практических исследованиях получили следующие функции: линейная, квадратичная, степенная, показательная, экспоненциальная, логическая. Особенно широко применяется линейная, или линеаризуемая, т.е. сводимая к линейной форме, как наиболее и простая в достаточной степени удовлетворяющая исходными данными. Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и том, что модель тренда жёстко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.е. при краткосрочном прогнозировании.

Метод экспоненциального сглаживания даёт возможность получить оценки параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода. Он не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется 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 и предполагает её 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 скользящей средней дает возможность выравнивать динамический ряд путем его расчленения на равные части с обязательным совпадением ваозможность выравнивать динамический ряд путем его расчленения на равные части с обязятельным совпадениемдовательности., ически каждой из них сумм модельных и эмпирических значений.

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

Распространение методикой описания тех или иных процессов и явлений служитмоделирование, которое следует понимать как исследование объектов познания на их моделях. Она предполагает построение моделей реально существующих предметов и явлений: живых организмов, инженерных инструкций, общественных систем, различных процессов, в том числе и социально-экономических. Моделирование считается достаточно эффективным средством прогнозирования.

В научной литературе термин «модель» означает какой-либо условный образ объекта исследования. Модель - это схема, изображение или описание какого-либо явления или процесса в природе и обществе. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования (взаимосвязи, структурные и функциональные параметры и т.п.) Модель - один из важнейших инструментов бюджетного прогнозирования, научного познания исследуемого процесса. Поэтому вопрос об адекватности модели объекту (т.е. о качестве отображения) правомерно решать лишь относительно определённые цели.

Для описания моделей (включая алгоритмы и их действия) используется математический аппарат. Это связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска методов их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.

Средством изучения закономерностей развития социально-экономических процессов является экономико-математическая модель. Под экономическо-математческой моделью (ЭММ) понимается методика доведения до полного, исчерпывающего описания процесса получения и обработки исходной информации и правил решения рассматриваемой задачи в достаточно широком спектре конкретных случаев. ЭММ - это система формализованных соотношений, описывающих основные взаимосвязи элементов, образующих экономическую систему.

Эконометрия - наука, изучающая конкретные количественные взаимосвязи экономических процессов с помощью экономико-математических методов и моделей. Система ЭММ эконометрического типа служит для описания относительно сложных процессов экономического или социального характера. Эконометрическое моделирование основано на обработке статистической информации ретроспективного характера, оценке отдельны переменных величин, их параметров.

Этамодель показываетзависимость потребности в финансировании от двух факторов; количества потребителей бюджетных услуг и норм расходов и называется дескриптивной (описательной).

Разработка системы моделей бюджетного прогнозирования проходит три этапа. Первый предполагает разработку локальных методик бюджетного прогнозирования. Здесь прорабатываются отдельные модели и подсистемы моделей бюджетного прогнозирования. Разработанные модели должны быть взаимно увязаны и составлять единую систему для целей прогнозирования, обеспечивающую взаимодействие отдельных моделей в соответствии с определенными требованиями, которые фиксируются в программе исследований по проблеме в целом.

Второй предусматривает создание системы взаимодействующих моделей бюджетного 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 методов проверки получаемых комплексных прогнозов. Составляются соответствующие программы для решения задач на ЭВМ.

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

Отдельные модели и система моделей бюджетного прогнозирования должны отвечать определенным требованиям, предопределяющим методы, с помощью которых следует разрабатывать модели, а также методы и средства осуществления расчетов. Содержание этих требований сводится к следующим положениям. Методика должна:

Давать четкое описание последовательности правил (т.е. алгоритмы), позволяющее составить прогноз при достаточно широких предположениях о характере и значениях исходной информации;

Использовать методы и технические средства, позволяющие проводить расчеты своевременно и многократно. При этом следует исходить из неоднородной и большой по объему, меняющейся по вариантам прогноза информации;

Учитывать сложные, многофакторные связи прогнозируемых процессов и показателей. В этих условиях необходимо выявление важнейших и устойчивых закономерностей и тенденций как на исходном материале, так и в процессе анализа результатов, получаемых по данной методике, и их расчетов по комплексу связанных с ней моделей;

Содействовать согласованию отдельных прогнозах в их системе, обеспечивающей непротиворечивость и взаимную корректировку прогнозов.

Применение математических методов является необходимым условием для разработки и использования методов моделирования в прогнозировании бюджетов всех уровней, что обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов развития системы государственных финансов. При этом используют систему моделей прогнозирования бюджетов , под которой следует понимать совокупность методик и моделей, позволяющую дать согласованный и непротиворечивый прогноз налоговой базы, контингентов потребителей бюджетных услуг, основывающийся на изучении складывающихся в текущем и будущем периодах тенденций и закономерностей, на заданных целевых установках, на имеющихся источниках финансирования, выявленных потребностях бюджета и их динамике.

В прогностике выделяют различные виды моделей: оптимизационная, статистические (с учетом фактора времени) и динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегирования один и тот же тип моделей может быть применен к различным экономическим объектам. Отсюда выделяют модели макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные. Моделирование применяется не только в прогнозировании бюджетов, но и в планировании. Наиболее распространенными методами математического моделирования являются корреляционно-регрессионный метод, модель межотраслевого баланса, оптимизационные модели.

Тема 12. Государственный финансовый контроль как функция управления государственными и территориальными финансами. Основные направления, принципы и пути формирования эффективной системы государственного финансового контроля в регионах РФ

Там, где возможно произвести формализацию связей между основными показателями развития исследуемой системы, используют фактографические, или формализованные, методы.

Преимущество фактографических методов перед интуитивными (экспертными) состоит в возрастании объективности прогноза, расширении возможности рассмотрения различных вариантов и в автоматизации процесса прогнозирования, что позволяет экономить большое количество ресурсов.

Однако при формализации многое остается за пределами анализа, и чем выше степень формализации, тем беднее в общем случае оказывается модель.

Формализованные методы делятся по общему принципу действия на четыре группы: 1.

Экстраполяционные (статистические) методы. 2.

Системно-структурные методы и модели. 3.

Ассоциативные методы. 4.

Методы опережающей информации.

Рассмотрим перечисленные методы более подробно. 2.4.1.

Методы прогнозной экстраполяции (статистические)

При прогнозировании экономических процессов наиболее востребованы статистические методы. Это вызвано главным образом тем, что статистические методы опираются на аппарат анализа, развитие и практика применения которого имеют длительную историю. В ряде случаев прибегают к построению сценариев развития, морфологическому анализу, историческим аналогиям. Новым подходом к прогнозированию развития экономических систем является, в частности, «симптоматическое» прогнозирование, суть которого состоит в выявлении «предвестников» будущих сдвигов в технике и технологии. Однако в практике экономики преобладают по-прежнему статистические методы (что обусловлено явлением инерционности). Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа.

Первый этап - собирают данные, описывающие поведение объекта прогнозирования за некоторый промежуток времени, эти данные обобщают, на основании чего создают модель процесса. Модель может быть описана в виде аналитически выраженной тенденции развития (экстраполяция тренда) или в виде функциональной зависимости от одного или нескольких факторов-аргументов (уравнения регрессии). Построение модели процесса для прогнозирования, какой бы вид она ни имела, обязательно включает выбор формы уравнения, описывающего динамику и взаимосвязь явлений, и оценивание его параметров с помощью того или иного метода.

Второй этап - непосредственный прогноз. На этом этапе на основе найденных закономерностей определяют ожидаемое значение прогнозируемого показателя, величины или признака. Полученные результаты еще не могут рассматриваться как окончательные, так как при их оценке и использовании должны приниматься во внимание факторы, условия и ограничения, которые не участвовали в описании и построении модели. Корректировка промежуточных результатов должна осуществляться в соответствии с ожидаемым изменением обстоятельств.

Как отмечено в книге по теории прогнозирования15, статистические методы основаны на построении и анализе динамических рядов либо данных случайной выборки. Авторы книги относят к ним и методы прогнозной экстраполяции, корреляционный и регрессионный анализ, отмечая, что в группу статистических методов можно включить метод максимального правдоподобия и ассоциативные методы - имитационное моделирование и логический анализ. Однако, на наш взгляд, правильно разделять экстраполяционные методы и математические.

Динамику исследуемых показателей развития хозяйственной системы можно прогнозировать при помощи двух различных групп количественных 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 параметром (переменной) и его прошлым значением, либо фактором времени:

У+1 = Яу? yt-v ..., yj.

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:

Я+1 = f (х^ или у,+1 = f (%1, х2, ..., хп).

Однопараметрические методы следует использовать при краткосрочном (менее одного года) прогнозировании показателей, изменяющихся еженедельно или ежемесячно; многопараметрические оправдывают себя для средне- и долгосрочного 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 применяют регрессию. Значительно чаще, чем случайная выборка, информационной базой для прогноза служат 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. 2.216.

Методы простой экстраполяции. Одним из наиболее распространенных методов прогнозирования является экстраполяция, т.е. продление на перспективу тенденций, наблюдавшихся в прошлом. Экстраполяция базируется на следующих допущениях. 1.

Развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией - трендом. 2.

Общие условия, определяющие тенденцию развития в прошлом, не претерпят существенных изменений в будущем.

Рис. 2.2. Схема выбора статистического метода прогнозирования

Простую экстраполяцию можно представить в виде определения значения функции

У+1 = f (у*, L),

где у + - экстраполируемое значение уровня;

у** - уровень, принятый за базу экстраполяции;

L - период упреждения.

Простейшая экстраполяция может быть проведена на основе средних характеристик ряда: среднего уровня, среднего абсолютного прироста и среднего темпа роста.

Если средний уровень ряда не имеет тенденции к изменению или если это изменение незначительно, то можно принять

Если средний абсолютный прирост сохраняется неизменным, то динамика уровней будет соответствовать арифметической прогрессии

Если средний темп роста не имеет тенденции к изменению, прогнозное значение можно рассчитать по формуле

где т - средний темп роста;

У* - уровень, принятый за базу для экстраполяции.

В данном случае предполагается развитие по геометрической прогрессии или по экспоненте.

Во всех случаях следует определять доверительный интервал, учитывающий неопределенность и погрешность используемых оценок.

Метод скользящих средних. Наиболее простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в замене фактических уровней ряда расчетными средними, в которых погашаются колебания. Метод подробно рассмотрен в курсе теории статистики17.

Метод экспоненциального сглаживания принято относить к группе адаптивных методов. Стоит отметить, что деление моделей на адаптивные и неадаптивные достаточно условное. Слово «адаптация» (от лат. adaptatio) означает приспособление строения и функций явлений и процессов к условиям существования. Применительно к прогнозированию процесс адаптации состоит в следующем. Пусть по модели ряда из некоторого исходного состояния делается прогноз. Ждем, пока пройдет одна единица времени, и сравниваем результат прогнозирования с фактически реализовавшимся значением. Ошибка прогнозирования через обратную связь поступает на вход системы и используется для корректировки (подстройки) модели с целью большего согласования своего поведения с динамикой ряда. Затем делается прогноз на следующий момент времени и т.д. Поэтому ценность различных членов ряда в адаптивных методах неодинакова. Больший вес и информационную ценность придают наблюдениям, ближайшим к точке прогнозирования.

Метод экстраполяции трендов. Трендовая модель - это математическая модель, описывающая изменение прогнозируемого или анализируемого показателя только в зависимости от времени и имеющая вид y = f(t). Метод, использующий трендовые модели в прогнозировании, называют методом экстраполяции тренда. Это один из пассивных методов прогнозирования, именуемый «наивным» прогнозом, так как он предполагает строгую инерционность развития, которая представляется в виде проектирования прошлых тенденций в будущее, а главное - независимость показателей развития от тех или иных факторов. Ясно, что нельзя переносить тенденции, которые сформировались в прошлом, на будущее. Причины этого следующие:

а) при краткосрочном прогнозировании экстраполяция прошлых усредненных показателей приводит к тому, что пренебре- гаются (или остаются незамеченными) необычные отклонения в обе стороны от тенденций. В то же время для текущего (краткосрочного) прогноза или плана основной задачей является предвидение этих отклонений;

б) при долгосрочном прогнозировании используется такой высокий уровень агрегирования, при котором не учитываются изменения структуры производимой продукции, самой продукции, изменение технологии производства, особенностей рын ков, т.е. все то, что составляет главные задачи стратегического планирования.

авторегрессионные модели. Модель стационарного процесса, выражающая значение показателя yt в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии:

у = а + ФУ-1 + ^

где а - константа;

Ф - параметр уравнения;

єt - случайная компонента.

Рассмотренные методы, за исключением экстраполяции тренда, являются адаптивными, так как процесс их реализации состоит в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предыдущих уровней.

Метод наименьших квадратов (МНК). Создание метода наименьших квадратов восходит к трудам Карла Фридриха Гаусса в конце XVIII в. и начале ХІХ в. в области исследований по астрономии. Этот метод приобрел самую широкую известность благодаря фундаментальным трудам многих статистиков и математиков и его применению в экономико-статистических расчетах.

Ввиду важности кратко рассмотрим МНК на простом примере зависимости между двумя переменными х и у, причем у зависит от х. Если установлено, что связь между ними нелинейная и описывается параболой, т.е. полиномом второй степени

у = a0 + a1x + a2x2

с параметрами a0, a1, a2, то задача сводится к отысканию трех неизвестных параметров.

При числе наблюдений (количестве уровней в рядах) п значения величин х и у представлены двумя рядами данных: у1, у^ ..., уп и xv ^ ..., хп.

Если бы все значения, полученные по данным наблюдения, лежали строго на линии, описываемой уравнением параболы, то для каждой точки было бы справедливо равенство

у» - a0 + aX + 02xf = 0.

Однако в действительности

У - a + a X + aj xf = A t,

которое существует вследствие ошибок измерения и случайных неучтенных факторов. Необходимо найти такие коэффициенты регрессии, чтобы ошибка была минимальной. Можно минимизировать сумму абсолютных отклонений (по модулю) или сумму кубических отклонений либо наибольшую абсолютную ошибку. Однако оптимальным подходом является минимизация квадрата отклонений

S = X A2 ^ min. t=1

Минимизация квадратов отклонений обладает тем свойством, что число нормальных уравнений равно числу неизвестных параметров. Минимизация суммы

S = X AH = Х(у - (- a1 xt - a2x2) -> min t=1 t=1

дает три уравнения для каждого из трех параметров. Для нахождения значений неизвестных параметров необходимо приравнять к нулю частные производные указанной суммы по этим параметрам:

2X (у - a0 - ajX - apx2) = 0,

2X (у - a0 - ajX - ape2) = 0,

2^(у - a0 - a1x - apx2) = 0.

Проведение простейших преобразований приводит к системе нормальных уравнений

na0 + a ? х + a2 ? х2 = ? y,

A0 ? х + a1 ? х2 + a2 ? х3 = ? ух, ao? х2 + a1 ? х3 + a2? х4 = ? ух2.

Решение системы линейных относительно неизвестных параметров уравнений любым из способов дает значения a0, a1, a2. Обычно полиномы выше третьей степени практически не используются, и система нормальных уравнений такого полинома будет состоять соответственно из четырех уравнений.

МНК даже при сравнительно небольшом числе наблюдений приводит к получению достаточных оценок. Оценки могут быть точечными и интервальными. Точечные оценки обладают свойствами несмещенности, эффективности, состоятельности.

Однако любая оценка истинного значения параметра по выборочным данным может быть произведена только с определенной степенью достоверности. Степень этой достоверности определяется построением доверительных интервалов.

МНК может быть использован и в случаях, когда имеются данные косвенных наблюдений, являющиеся функциями многих неизвестных. МНК является основой регрессионного анализа, используемого при выполнении рассмотренных предпосылок. Условием его применения является также линейность уравнений регрессии относительно параметров. Исходя из классификации видов регрессии МНК применим для линейных и нелинейных регрессий первого класса. 2.4.2.