- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
В настоящее время разработана большая группа экстраполяционных методов прогнозирования отдельных экономических показателей. В данной группе методов можно выделить:
-
Методы, основанные на построении многофакторных корреляционно-регрессионных моделей.
-
Методы авторегрессии, учитывающие взаимосвязь членов временного ряда.
-
Методы, основанные на разложении временного ряда на компоненты: главная тенденция (тренд), сезонные колебания и случайная составляющая.
-
Методы, позволяющие учесть неравнозначность исходных данных.
-
Методы прямой экстраполяции, при этом используются разные трендовые модели.
Коротко охарактеризуем эти методы. При прогнозировании методом корреляционно-регрессионного анализа строится модель, включающая набор переменных, от которых зависит поведение функции. Основным недостатком этого подхода является то, что необходимы сбор и обработка больших массивов информации по группе однородных предприятий и прогнозирование самих объясняющих переменных. При этом остается открытым вопрос о прогнозировании показателей работы предприятий, не вошедших в группу однородных.
Для данных методов характерна невысокая точность прогноза для конкретного, отдельного предприятия.
Авторегрессионные модели чаще всего используются для прогнозирования тех экономических процессов, для которых внешний механизм их формирования четко не определен, и практически невозможно выделить стабильные во времени причинно-следственные связи. Применение этих моделей целесообразно и для сильно автокоррелированных динамических рядов.
Главная идея методов авторегрессии состоит в том, что будущие значения временного ряда не могут произвольно отклоняться в большую или меньшую сторону от предшествующих значений временного ряда, какими бы причинами ни были вызваны эти отклонения. Во временных рядах экономических показателей существует связь между недавно реализованными значениями и значением, реализующимся в близком будущем. Смысл этой связи таков, что если между близкими значениями временного ряда существует корреляция, то можно построить прогноз показателя. Модель авторегрессии имеет вид:
(7.2)
Считают, что при расчете необходимо проводить элиминирование мультиколлинеарности в матрице входных параметров (yt-1,yt-2,…,yt-m). Для улучшения прогнозирующих свойств модели (7.2) в нее можно ввести фактор времени в виде самостоятельной переменной. Подобный подход в ряде случаев существенно увеличивает точность прогноза, что объясняется учетом линейного тренда.
Методы, основанные на разложении временного ряда на компоненты — главная тенденция, сезонные колебания и случайная составляющая, — позволяют описать почти любой экономический процесс, независимо от его характера.
При аддитивной связи между компонентами модель имеет вид:
(7.3)
где — составляющая, описывающая тренд.
Составляющая определяется по формуле:
(7.4)
и может быть разложена в ряд Фурье:
Формулы для определения параметров уравнения (7.5) приведены в работах Л. Г. Лабскера, Л. О. Бабешко «Теория массового обслуживания в экономической сфере» и А. А. Френкеля «Математические методы анализа динамики и прогнозирования производительности труда».
Модель «гармонический фильтр» с учетом статистически значимых гармоник аналогична выше описанной модели. Оценка значимости i-й гармоники рассчитывается по следующей формуле:
(7.5)
где - дисперсия знаков.
Несмещенная оценка рассчитывается так:
(6.7)
и подчиняется примерно F-распределению Фишера с v1 = 2 и v2 = п - 5 степенями свободы.
Проведенные расчеты показали, что при использовании моделей гармонического фильтра необходимо с осторожностью подходить к выбору величины предпрогнозного периода, так как величина предпрогнозного периода в значительной степени определяет точность прогноза.
Рассмотренные выше методы не позволяют в достаточной степени учесть неравнозначность исходных данных. К числу методов, учитывающих неравнозначность данных, можно отнести:
-
метод авторегрессии с последующей адаптацией коэффициентов уравнения;
-
метод взвешенных отклонений.
Для адаптации коэффициентов модели авторегрессии может быть использован метод наискорейшего спуска. Согласно данному методу, процедура пересчета коэффициентов уравнения авторегрессии осуществляется следующим образом:
где А — вектор новых коэффициентов;
Ас — вектор старых коэффициентов;
k — коэффициент, к > 0;
— ошибка прогноза в точке ().
После дифференцирования (6.8) по коэффициентам аi- и соответствующих преобразований получим
(7.9)
где xt, — вектор значений входных переменных в точке t
Таким образом, откорректированные оценки коэффициентов определяются по формуле
(7.10)
В уравнении (7.10) неизвестным является коэффициент k, который может быть идентифицирован как коэффициент, определяющий скорость движения в направлении, обратном градиенту. Для определения значения коэффициента k используется итеративная процедура, описанная в работе В. С. Лукинского, Е. И. Зайцева, В. И. Бережного «Модели и алгоритмы управления обслуживанием и ремонтом автотранспортных средств». Заметим, что адаптация производится либо по последнему эмпирическому значению, либо по предыдущему производному значению.
Метод взвешенных отклонений достаточно подробно изложен в работе Л. Г. Лабскера, Л. О. Бабешко «Теория массового обслуживания в экономической сфере». Для сравнения точности прогнозных оценок, получаемых с использованием рассмотренных выше методов, был произведен ретроспективный прогноз показателей работы подвижного состава десяти транспортных предприятий. Объем выборки составил более 857 вариантов расчетов. Средние ошибки приведены в табл. 7.1.
Таблица 7.1.
Модели прогнозирования показателей работы автомобилей
№ п/п |
Наименование модели прогнозирования |
Средняя ошибка прогноза, % |
1 2 3 4 5 6
7 |
Авторегрессия без учета времени Авторегрессия с учетом времени «Гармонический фильтр» без учета значимости «Гармонический фильтр» с учетом значимости Метод взвешенных отклонений Авторегрессия без учета времени и с последующей адаптацией параметров модели Авторегрессия с учетом времени и последующей адаптацией параметров модели |
1,89 2,94 1,9 2.34 2,24
1,82
1,94 |
Анализ ошибок (табл. 7.1) позволяет сделать следующие выводы.
Все модели прогнозирования обладают достаточно высокой точностью. Наиболее точным методом прогнозирования показателей работы транспортных предприятий является авторегрессия без учета фактора времени и с последующей адаптацией коэффициентов данной модели (=1,82%).
Модель авторегрессии без учета фактора времени и с последующей адаптацией коэффициентов данной модели в отдельных случаях может значительно уступать по точности другим моделям прогнозирования. Например, при прогнозировании показателя балансовой прибыли ошибка прогноза оказалась в 2,61 раза больше, чем ошибка прогноза, полученного с использованием метода взвешенных отклонений. Общее число случаев, когда модель авторегрессии без учета времени и с последующей адаптацией коэффициентов данной модели оказалась лучшей по точности, составило 67%. Поэтому для прогнозирования экономических показателей работы предприятий необходимо использовать комплекс моделей прогнозирования, приведенных в табл. 6.1.
Сложность математического аппарата моделей прогнозирования, представленных в табл. 7.1, не оправдывает себя. Для получения точных оценок прогнозирования в каждом случае необходимо использовать эти модели прогнозирования в комплексе, что значительно увеличивает время на получение прогноза.
Проведенные исследования показали, что при краткосрочном прогнозировании (на один год) показателей работы предприятий целесообразно использовать комплекс трендовых моделей табл. 7.2, который позволяет с достаточной точностью описать динамику показателей.
Таблица 7.2
Таблица кодов и моделей прогноза
№ п/п |
Модель прогнозирования |
№ п/п |
Модель прогнозирования |
1 |
|
9 |
|
2 |
|
10 |
|
3 |
|
11 |
|
4 |
|
12 |
|
5 |
|
13 |
|
6 |
|
14 |
|
7 |
|
15 |
|
8 |
|
16 |
|
В связи с вышеизложенным остановимся более детально на процедуре прогнозирования с помощью прямой экстраполяции.