7. Основные формализованные методы в качестве примера на рис. 5 представлено дерево целей по максимизации чистой прибыли.
Прогнозирования:
экономическая сущность и классификация формализованных методов;
экономическая сущность методов экстраполяции и их применение в прогнозировании;
основные этапы и возможности использования аналитического выравнивания динамических рядов;
сущность и условия применения метода экспоненциального сглаживания;
сущность и условия применения метода скользящих средних;
экономическая сущность и классификация методов моделирования в прогнозировании;
сущность и особенности применения в прогнозировании экономического моделирования;
сущность и особенности применения в прогнозировании статистического моделирования;
сущность и особенности применения экономико-математического моделирования.
В настоящее время в нашей стране и за рубежом становятся наиболее распространенными статистические методы прогнозирования технико-экономических показателей. Урожайность сельскохозяйственных культур, продуктивность животных с определенной вероятностью можно рассматривать как функцию одной переменной, то есть функцию времени.
Y = f (t),
где Y - технико-экономический показатель, t - время.
Сущность метода экстраполяции состоит в анализе изменений объектов исследования во времени и распространении выявленных закономерностей на будущее. Цель такого прогноза показать, к каким результатам можно прийти в будущем, если двигаться к нему с той же скоростью или ускорением что и в прошлом.
При экстраполяции предполагается, что в текущий период изменение показателей может быть охарактеризовано плавной траекторией - трендом. Основные условия, определяющие состояние объекта в текущем периоде не претерпят существенных изменений в будущем, то есть в будущем показатели будут изменяться по тем же показателям, что в прошлом и настоящем.
Отклонение фактических значений показателей от линии тренда носят случайный характер и распределение по нормальному закону. Основу экстраполяционных методов прогнозирования составляет изучение временных рядов, представляющих собой упорядоченные во времени наборы изменений тех или иных характеристик исследуемого объекта.
Экстраполяцию в общем виде можно представить в виде определения значения функции: Yt = f(a0, t, Xy),
где Yt - прогнозированное значение временного ряда, xiy - уровень ряда, принятый за базу экстраполяции, aiy - параметр уравнения тренда, t - время.
Экстраполяция тренда может быть применена только в том случае, если развитие явления достаточно хорошо описывается построенной моделью и условия, определяющие тенденцию развития в прошлом не претерпят изменений в будущем.
Прогнозирование на основе экстраполяции включает ряд этапов:
первый этап - анализ и обработку исходящей информации;
второй этап - выбор вида функций, описывающих временный ряд;
третий этап - определение параметров прогнозируемой функции;
четвертый этап - расчет точечных и интервальных прогнозов.
Для выбора вида функции, описывающей временный ряд, проводится обработка и преобразование исходных данных с целью облегчения выбора вида тренда путем сглаживания и выравнивания временного ряда. Установлено, что при тесной связи изменения объекта прогнозирования во времени, когда коэффициент корреляции 0,7 и больше, большую достоверность прогнозов обеспечивает аналитическое выравнивание временных рядов - метод наименьших квадратов. При умеренной связи, коэффициент корреляции 0,3-0,7 - метод экспоненциального сглаживания с применением вариантных расчетов. А при слабой связи коэффициент корреляции 0,3 и меньше, выравнивание по скользящим средним для дальнейшего прогнозирования.
Аналитическое выравнивание при прогнозировании -это нахождение математической функции, которая наиболее точно описывает тенденцию изменений.
Наиболее ответственными этапами аналитического выравнивания является:
выбор формы кривой, отражающей тенденцию;
определение показателей, дающих количественную характеристику тенденций изменений;
- оценка достоверности прогнозируемых расчетов. Выбор формы кривой можно осуществить на основе
построения графика. Определение показателей, дающих количественную характеристику, надо начинать с определения параметров уравнения связи, для нахождения которых лучше всего воспользоваться методом наименьших квадратов. Выравнивающая функция в этом случае будет занимать такое положение среди точек фактических значений показателей, при котором суммарное отклонение точек от функций будет минимальным. Если фактическое значение рассматриваемых показателей обозначить как Yt, а вычисленные по выравнивающему уравнению Yt, то сформулированное требование можно записать в виде:
±(Y- Y)2 ® min,
i=1
где п - число лет в динамике.
Важным моментом получения прогноза с помощью метода наименьших квадратов является оценка достоверности получения результата. Для этой цели используется целый ряд статистических характеристик:
оценка стандартной ошибки;
средняя относительная ошибка оценки;
среднее линейное отклонение.
Важным критерием надежности модели является корреляционное отношение. Близость коэффициента множественной корреляции к 1 позволяет судить о надежности модели и существенности связи между переменными.
При использовании любых функций надо найти предельную ошибку прогноза: А = ta-G,
где ta- доверительный коэффициент (при 68% статистической достоверности результата он приблизительно равен 1).
G - средне-квадратическое отклонение.
Если предельная ошибка прогноза (D) велика, следует тщательно изучить техническую оснащенность, технологию и организацию производства, вскрыть причины большой вариации показателей.
Метод наименьших квадратов применяется для получения конкретных прогнозов, что объясняется его простотой и легкостью реализации на ЭВМ. Недостаток метода в том, что модель тренда жестко фиксируется и с помощью этого метода можно получить прогноз на небольшой период упреждения.
Чтобы продемонстрировать метод прогнозирования в зависимости от времени, эскизно покажем здесь только два подхода:
экспоненциальное сглаживание (EXPO);
метод прогноза Бокса и Дженкинса.
В методе экспоненциального сглаживания исходят из того, что регулярно составляются прогнозы у1**, t = 1, 2, ..., причем нижний индекс указывает момент времени прогноза, а верхний индекс - временное пространство, к которому относится прогнозное предсказание. Кроме того, наблюдается реализация yt. В принципе это предполагает, что временной ряд стационарен, т.е. не имеет тренда.
Далее, исходят из того, что:
где 0 < а < 1 представляет собой коэффициент сглаживания. Как правило, t = 1. Отсюда получают:
Заменяя в правой части этого экспоненциального сглаживания первого порядка yt-1 соответствующим выражением и повторяя аналогичную постановку, получим:
%+1 =a ^^Г(1 -a)k • yt-k + (1 -a)t • y0.
k=0
Поскольку lim(1 -a)t = 0, t ®°° , величина % зачастую практически не играет роли. Таким образом, прогноз в этом случае выводится только из временного ряда наблюдений. Чем дальше отстоят наблюдения, тем с меньшей степенью значимости они входят в прогноз. Использование метода отличается простотой, он требует определения только единственного параметра. Коэффициент сглаживания a обладает следующим свойством: чем меньше значение а, тем сильнее он сглаживает временной ряд; чем он больше, тем меньше эффект сглаживания. В первом случае,
в частности, фактическая динамика %t имеет очень малое значение, в последнем случае - большое значение при определении %!+т. На рис. 6 показан этот эффект.
Сплошной линией изображен условный экспорт товаров широкого потребления. Начиная с периода 24, составляется соответственно прогноз ex post при t = 1, причем используются три различных значения коэффициента сглаживания. Эффект сглаживания четко выражен. Воздействие вариации параметра на качество прогноза может оцениваться с помощью мер ошибки и ^/-коэффициентов Тейла (табл. 1).
В графах таблицы 1 даны эти меры для трех значений а. Лучшие значения получены для а= 0,8.
Вследствие простоты метода прогнозы нередко оказываются неудовлетворительными. Поэтому неоднократно предпринимались попытки усовершенствования метода, из которых назовем следующие:
Таблица 1 - Статистические показатели прогноза ex
адаптация, т.е. возобновляемое с каждым наблюдением оптимальное определение параметра a, при этом сохраняется предположение, что временной ряд в принципе "стационарен";
учет сезонных компонент в сглаживании;
• экспоненциальное сглаживание высшего порядка, чтобы учесть тренд во временном ряду по так называемой фундаментальной теореме экспоненциального сглаживания;
комбинация учета эффекта тренда и сезонных проявлений во временном ряду.
Суждение о том, что экспоненциальное сглаживание не может стать практической основой для метода прогнозирования, не всегда верно. Фактически метод зачастую используется там, где составляется большое количество краткосрочных прогнозов, имеющих каждый сам по себе небольшое значение для окончательного результата.
Модель (лат. modulus) означает меру, образец. В настоящее время экономическая модель представляет собой условный образ объекта исследования социальных и экономических процессов. Она предполагает выделение существенных характеристик (компонент) объекта и детальную формализацию его элементов, то есть экономическая модель является некоторым подобием (адекватностью) исследуемого объекта.
Сложились основные требования к экономическим моделям: полнота адаптивности, ограниченность времени решения, ориентация для последующей формализации и использования имеющихся программных средств, обеспечение проверки адекватности или варификации, сравнительная устойчивость к ошибкам в исходных данных. Экономическая модель после ее математической формализации становится экономико-математической.
Структурные модели строятся на основе метрик, мер близости. Последние используют такие математические понятия, как расстояния Евклидово, Хемингово, Махаланоби-са и т. д. С помощью мер близости можно выделять качественно однородные группы на основе большого числа признаков. В структурном прогнозировании широко используются методы прогнозного графа и дерева целей.
Сетевое моделирование. Начало разработок этого метода относится к 1958 году, когда делались попытки его использовать в оперативном прогнозировании. В основу метода положено построение сетевого графика, который имеет много разновидностей. На сетевых графиках каждый вид работы изображается стрелкой (дугой), которая соединяет начальное и конечное события (рис. 7). События изображаются кружками. При построении сетевых графиков соблюдаются следующие условия: нумерацию событий делают так, чтобы стрелки (дуги) имели направление от события с меньшим номером к событию с большим номером; должна быть единственная начальная и единственная конечная вершины; дуги (стрелки) должны иметь направление слева направо; любая пара событий соединяется только одной стрелкой.
На графике каждая работа, соединяющая два события, обозначается двумя числами, соответствующими начальному и конечному событиям: (1, 2); (2,4); (4,6); (1,3); (3,5); (5,6). В нашем примере работа (1, 2) обозначена работа (1,3) - А2. Предположим, что событие 3 фиксирует окончание работ А1 и А2. В этом случае фиктивную работу, которая соединит события 2 и 3, обозначим пунктирной стрелкой. Каждая работа характеризуется только двумя параметрами: продолжительностью выполнения и количеством ресурсов. Это важнейший недостаток сетевого моделирования при системном прогнозировании.
Важнейшим элементом сетевого графика является путь - непрерывная последовательность работ. Он обычно определяется по направлению стрелок. Длина пути равна сумме продолжительностей составляющих его работ. Различают следующие виды путей: предшествующий событию, полный и критический. Путь, предшествующий событию, - это последовательность работ от исходного события до данного события. Критический путь - это путь от исходного до завершающего события, имеющий наибольшую длину. Любой другой путь от исходного до завершающего события есть полный путь. Различают минимальную и максимальную продолжительность пути.
Множество экономических объектов в силу своей внутренней структурной сложности не могут быть адекватно описаны с помощью статистических или экономико-математических моделей. В связи с этим в прогнозировании используются имитационные модели, которые наряду со статистическими, математическими моделями включают и словесное описание объекта, графические зависимости, сетевые модели и т.д. При описании имитационной модели прогнозист по своему усмотрению произвольно выбирает методы прогнозирования.
В прогнозировании широко используются статистические модели взаимосвязи: на основе одного уравнения регрессии и на основе системы уравнений регрессии. Варианты прогнозов можно рассматривать по одному уравнению, а можно - и по множеству. Однако известно, что увеличение количества уравнений не сопровождается повышением качества прогнозов.
Следует особо подчеркнуть, что корреляционные и регрессионные приемы анализа и прогнозирования не вскрывают специфические причины изучаемых явлений, а только дают возможность определить количественную величину связей между ними. Причины могут быть вскрыты только при тщательном изучении технической, технологической и организационной сторон процесса производства и экономических отношений.
Урожайность сельскохозяйственных культур (у1): сортность, показатели качества почв (баллы оценок, дифференциальный доход на 1 га, окупаемость затрат и др.); сумма осадков по критическим периодам роста и развития растений, сумма температур, гидротермические коэффициенты; фондообеспеченность, фондоемкость, энерговооруженность, уровень механизации производства и труда, формы организации труда и производства, количество вносимых минеральных и органических удобрений (по видам или всего NPK), уровень орошения; коэффициент специализации подразделений; коэффициенты, характеризующие степень освоения системы ведения хозяйства (систем земледелия, севооборотов, защиты растений и др.).
Продуктивность сельскохозяйственных животных (у2): показатели уровня кормления и оплаты корма, породный состав животных; качество кормов, их структура, обеспеченность основными ингредиентами питания; кормовая площадь на одну голову; показатели структуры стада и его воспроизводства; плотность поголовья; обеспеченность помещениями на одну голову; затраты труда на одну голову, коэффициенты применения прогрессивных зоотехнических мероприятий; показатели заболеваемости, летальности, затраты на ветеринарные мероприятия.
Производительность труда (у3): фондооснащенность, фондовооруженность, энерго- и электровооруженность, уровень механизации производства и труда, показатели уровня специализации, кооперации и интеграции производства; показатели социальной инфраструктуры (структура кадров по возрасту, профессиям, образованию; оплата труда; формы организации труда и производства; материальное и моральное стимулирование, условия труда, обеспеченность объектами социальной инфраструктуры); коэффициент насыщенности прогрессивными технологическими приемами; состояние транспортной сети, связи и др.
Себестоимость продукции (у4): урожайность сельскохозяйственных культур (или связанная с ней совокупность независимых переменных), продуктивность сельскохозяйственных животных (или связанная с ней совокупность независимых переменных); доля отдельных статей затрат (%); показатели качества продукции в соответствие с ГОСТом; доли механизированного труда и производства, характеризующие внедрение достижений научно-технического прогресса в соответствующие системы ведения хозяйства.
Экономико-математическое моделирование достаточно глубоко и полно излагается в специализированных курсах и учебниках по моделированию экономических процессов в сельском хозяйстве. Наиболее разработанными являются детерминированные (определенные) экономико-математические модели, решаемые с помощью симплекс-метода. Линейно-динамические модели строятся на базе линейных моделей и имеют блочно-диагональную структуру. В отличие от вышеприведенных моделей, где условия задач описываются только в виде линейных отношений, в нелинейных моделях используются как линейные отношения, так и зависимости любого вида.
Стохастические (вероятностные) модели не являются детерминированными, то есть в этих моделях часть или все параметры задаются случайными величинами. Существуют приемы сведения экономических задач стохастического программирования к детерминированным задачам линейного программирования.
Специфическая особенность задач линейного программирования заключается в том, что множество допустимых решений (или допустимая область решения) представляет собой выпуклый многогранник, а наибольшее значение целевой функции принимается в одной из его вершин.
Прогнозирование с использованием теории распознавания образов, или прогнозирование по аналогии, достаточно полно освещено в работах В.В.Глущенко и И.И.Глушенко.
В настоящее время выделяют три основные типа задач распознавания образов: обучение распознаванию образов, сокращение (минимизация) описания, таксономия (самообучение).
Структурная схема задачи первого типа представлена на рис. 8. Здесь на основе решающего правила (некоторых критериев) необходимо определить, к какому классу относятся рассматриваемые объекты. Критерии и ошибки прогноза задаются заранее.
Задача второго типа ставит целью из большой совокупности признаков выбрать наиболее информативные, но функция потерь экономической информации не должна существенно увеличиваться.
Задача третьего типа (самообучение) заключается в выделении с помощью заданного правила отдельных классов одинаковых (однородных) объектов, то есть необходимо доказать аналогию и идентификацию состояния объекта прогнозирования. Это осуществляется с помощью логики предложений, которая дает схему и способы проведения правильных умозаключений.
Вьщеление признаков класс и фикации |
|
Обнаружение признаков классиф и каци и |
|
Фор м и рован и г-решающего правила |
|
Процедура классификации и объектов |
||
|
|
|
Рис. 8. Структурная схема решения задачи распознавания образов (по В.В.Глушенко и И.И.Глущенко).
Логика предложений имеет свои правила и символику. Символика логики предложений достаточно освещена в работах Шредера-Пирса, Пеано-Рассела, Гильберта, Луко-севича и др. Логические правила, или директивы логики, базируются на соответствующих законах.
Таким образом, процедура прогнозирования на основе теории распознавания образов состоит в выборе классов состояний объектов, которые могут быть заданы качественными и количественными характеристиками.
В математическом понимании теория катастроф, или теория бифуркации, обычно связывается с хорошо разработанным аппаратом дифференциальных уравнений.
В экономическом понимании катастрофами называют скачкообразные изменения, возникающие в виде внезапного ответа системы на плавное изменение внешних условий. В настоящее время существуют математические модели этой теории применительно к экономическим задачам. В последних при большом числе переменных могут возникнуть проблемы с применением теории дифференциального исчисления.
Теория нейросетей используется в прогнозировании экономических явлений. Она является своеобразным алгоритмическим базисом развития нейрокомпьютеров.
Нейросеть - это сеть с конечным числом слоев из однородных элементов - аналогов нейронов и различными типами связей между слоями нейронов. Нейросети применяются для прогнозирования экономических показателей в плохо формализуемых и неформализуемых задачах. В первую очередь к ним относятся задачи аппроксимации частного вида функций, которые принимают дискретное множество значений, то есть задачи решаются в основном с помощью теории распознавания образов. В основе нейросе-тей лежат не прежние статистические и линейные модели, а гибкие нелинейные нейросетевые модели. С помощью ней-росетей возможно решение систем линейных и нелинейных алгебраических уравнений, систем нелинейных дифференциальных уравнений, оптимизационных экономических задач (линейных, нелинейных, стохастических и т. д.), то есть в перспективе на основе использования нейросетей возможно решение множества экономических задач и получение достоверных прогнозов.