Глава 3. Прогнозирование потребления

3.1 Методы прогнозирования

Процесс прогнозирования достаточно актуален в настоящее время. Сфера его применения очень широка. Прогнозирование широко используется в экономике, а именно в управлении. Статистические методы прогнозирования охватывают разработку, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных (в том числе непараметрических методов наименьших квадратов с оцениванием точности прогноза, адаптивных методов, методов авторегрессии и других); развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования, в том числе методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; разработку, изучение и применение методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей.

Научная база статистических методов прогнозирования — прикладная статистика и теория принятия решений. На основе выявленных особенностей и закономерностей изменения явлений в прошлом происходит стремление предугадать поведение ряда в будущем, то есть различные прогнозы строятся путем экстраполяции (продления) рядов. Экстраполяция рядов динамики – это распространение тенденций, установленных в прошлом, на будущий период. Применение экстраполяции в прогнозировании базируется на следующих предпосылках:

1. развитие исследуемого явления в целом описывается плавной кривой;

2. общая тенденция развития явления в прошлом и настоящем не претерпит серьезных изменений в будущем

Математические методы экстраполяции сводятся к определению значений, которые будет принимать показатель, если известен ряд значений в прошлые моменты времени. В ряде случаев используется только несколько последних точек ряда динамики. Если их две, то экстраполяция сводится к проведению через них прямой и называется линейной. Во многих случаях производится выравнивание рядов динамики в целях устранения нехарактерных для них отклонений. Среди наиболее распространенных методов решения этой задачи – метод наименьших квадратов. Модели экстраполяции успешно используются в рамках среднесрочного горизонта прогнозирования (период, для которого прогноз действителен с заданной точностью), но не обеспечивают надежных результатов на более отдаленную перспективу.

Рассмотрим следующие элементарные методы экстраполяции:

- по среднему абсолютному приросту, по среднему темпу роста на основе выявленного тренда. Данное прогнозирование может быть выполнено в случае, если есть уверенность считать общую тенденцию линейной, то есть метод основан на предположении равномерного изменения уровней.

,

Где - экстраполируемый уровень;

i+t – номер уровня (года);

i– номер последнего уровня 11 года) исследуемого периода, за который рассчитан средний абсолютный прирост;

t – срок прогноза.

- по среднему темпу роста. Прогнозирование осуществляется в том случае, когда есть основания считать, что общая тенденция ряда характеризуется показательной кривой.

- при прогнозировании на основе трендовой модели необходимо убедиться в том, что выявленная тенденция является устойчивой во времени. Для этого рассчитывается коэффициент корреляции:

Если r>0,7, то тенденция считается устойчивой, значит можно делать прогноз путем подстановки в уравнение тренда порядкового номера года, на который делается прогноз.

Таким образом, экстраполяцию ряда динамики можно осуществлять различными способами. Но любому прогнозированию в виде экстраполяции ряда должен предшествовать анализ «длительных» рядов динамики для определения тенденций. А так как в действительности тенденция развития, в свою очередь, может изменяться, то данные, полученные путем экстраполяции ряда, надо рассматривать как вероятностные оценки.