В. Давнис Прогнозные модели экспертных предпочтений
.pdfРасчеты, полученные по первой и второй моделям, отличаются друг от друга незначительно. И все же между прогнозными тра екториями этих моделей есть различие, и есть объяснение этому различию. Суть его сводится к тому, что в экспертных оценках II учитывается возможное влияние факторов, а это равносильно использованию дополнительной информации, способствующей повышению их объективности.
У,
900
800
700
600
500
400
300
200
100
0 |
10 |
12 |
16 |
- Комбинированная траектория I |
- Комбинированная траектория II |
|
|
- Экспертная траектория |
- Экстраполяционвая траектория |
|
Рис. 4.2. Динамика ожидаемой чистой прибыли (А = 0,6)
У к
900 |
> |
|
|
|
|
|
800- |
|
|
|
|
|
|
700 |
|
|
|
|
|
|
600 - |
|
|
|
|
|
|
500 - |
|
|
|
|
|
|
400 |
|
|
|
|
|
|
300- |
|
|
|
|
|
|
200 - |
|
|
|
|
|
|
100 |
- |
|
|
|
|
X |
|
|
|
|
|
|
|
0 |
2 |
4 |
6 |
10 |
12 |
14 |
|
- Комбинированная траектория I |
Комбинированная траектория П |
|
|||
|
- Экспертная траектория |
|
А Эксграполяционная траектория |
|
Рис. 4.3. Динамика ожидаемой чистой прибыли (Я = 0,9)
Обобщая результаты проведенного вычислительного экспери мента, следует сделать ряд выводов относительно возможности
170
использования разработанных в этом параграфе моделей для по строения комбинированных прогнозных траекторий.
Во-первых, с помощью введенного в эти модели параметра Я, регулирующего степень доверия, удается достаточно эффективно управлять процессом комбинирования инерционных тенденций и тенденций экспертных ожиданий. В то же время специфическая роль этого параметра и отсутствие объективной информации, позволяющей оптимизировать выбор Я, оставляет вопрос о его определении в субъективной плоскости.
Во-вторых, несмотря на то, что обе разработанные модели дают практически одни и те же прогнозные оценки, однако ус ловия их применения различны. Первая модель (4.72)—(4.74) используется в тех ситуациях, когда удается получить экспертные оценки непосредственно в количественном виде. В отличие от первой, вторая модель (4.78)—(4.80) позволяет проводить расчеты тогда, когда исследователь располагает не количественными оцен ками, а некой параметрической моделью рациональных ожиданий относительно тенденций изменения прогнозируемого показателя. Обычно эта модель представляет собой регрессионную зависи мость, отражающую отличные от ретроспективного периода зако номерности развития моделируемого процесса.
В-третьих, адаптивность разработанных моделей позволяет эффективно реализовать процедуру получения прогнозных оценок для тех перспективных периодов, в которых ожидается смена тен денций.
Г Л А В А 5
КОМБИНИРОВАННЫЕ ПРОГНОЗЫ МНОГОМЕРНЫХ ПРОЦЕССОВ
В практике принятия прогнозных решений, как пра вило, приходится иметь дело с многомерными временными ряда ми. Причем стандартной является ситуация, когда число наблю дений столь мало, что идея построения эконометрических моде лей многомерных временных рядов в виде систем одновременных уравнений или векторной авторегрессии теряет всякий смысл. По этому возникает необходимость построения моделей, основанных на несколько иных принципах, чем эконометрические.
Взамен предположений о характере динамики для рассматри ваемого случая выдвигается гипотеза о характере структурного вза имодействия экономических показателей, которое можно описы вать косвенными темпами приростов, представляющими собой от ношения приростов каждого из рассматриваемых показателей ко всем остальным. Основная идея этой гипотезы в том, что на про тяжении достаточно длительного периода времени структура кос венных темпов приростов прогнозируемых показателей может ос таваться почти неизменной [14]. Неизменность — это как раз то свойство структуры, которое переносится из настоящего в буду щее. Модели, обеспечивающие такой перенос в различных усло виях принятия решений, описаны ниже. Причем описание начи нается с простейших вариантов этой модели, которые постепен но усложняются с целью повышения адекватности отражения многомерной динамики.
5.1. Модель с детерминированным матричным предиктором
Детерминированный матричный предиктор имеет смысл строить в тех ситуациях, когда возможность применения статистических методов моделирования полностью исключена. Примером может служить ситуация, в которой исследователь рас полагает всего двумя, тремя наблюдениями. Чтобы перейти к
172
формальному описанию модели с таким предиктором, введем обозначения:
xtj — величина /-го показателя в момент времени /;
хг_и — величина /-го показателя в момент времени (—1; Axti — величина изменения (прироста) /-го показателя.
Далее естественно предположить, что любое изменение произ вольного /-го показателя зависит от величины остальных показа телей. Это может быть функциональная или регрессионная зави симость Axti = F(x„, xa, ... , хт). Будем рассматривать случай, когда малый объем ретроспективных данных не позволяет реали зовать известные методы идентификации этой зависимости. Един ственно доступной альтернативой идентификации в подобной ситуации является подход, основанный на значительном упроще нии этой зависимости. В качестве такой упрощенной формы удобно использовать линейное представление приростов. Сразу заметим, что модель, построенная по двум наблюдениям, не может претендовать на применение для расчетов, распространя емых за рамки, очерченные краткосрочными прогнозами. Поэто му при рассмотрении краткосрочных периодов такое упрощение не приводит к значительному росту ошибки прогнозирования даже в том случае, когда истинная зависимость явно нелинейная.
Модель этой простейшей (линейной) зависимости строится в предположении, что прирост любого из показателей формируется под воздействием всех остальных, являясь как бы суммарной ве личиной, причем каждый показатель в отдельности оказывает не значительное влияние, и среди них нет доминирующих. Для ре ализации этого предположения вводится в рассмотрение харак теристика, устанавливающая степень влияния j-ro показателя на изменения, происходящие в /-м. В качестве такой характерис тики, как отмечалось выше, удобно использовать косвенный темп прироста
Если условиться, что на формирование прироста все показате ли оказывают равномерное воздействие, то, разделив vtJ на (и—1), получим ту долю в приросте /-го показателя, которая сформирована под воздействием у-го. Использование введенной меры степени влияния у'-го показателя на /-й позволяет выразить прирост Axtj через сумму произведений
173
A*/* = |
~^va V |
(5.2) |
П-1 j*i
Учитывая, что Axrj = xtj— xt_u, можно величину любого /-го показателя представить в виде суммы предшествующего значения xx_Vl и прироста Axtj (5.2):
*«• = х,-\, + |
Ъvuxv' |
1 = 1, и. |
(5.3) |
|
Для полученной системы уравнений (5.3), введя обозначения |
||||
Хц |
|
О |
"12 |
"1л |
*/2 |
V = |
1 "21 |
О |
"2л |
|
/ 1 - 1 |
|
(5.4) |
|
|
|
|
||
v |
|
v «l |
v «2 |
О |
V m |
|
|
|
|
можно использовать компактную матричную запись |
||||
|
х |
x,_,+Vx,. |
(5.5) |
|
Считая, что неизвестным вектором в этой системе является х,, |
||||
запишем его следующим образом: |
|
|
||
|
х, =(I-V)-'x,_1 , |
(5.6) |
где через I обозначена единичная матрица.
Обратную матрицу (I—V)""1 будем называть матричным предик тором. Он определяет переход из состояния, описываемого век тором значений предшествующего момента времени, в состояние, представленное вектором значений текущего момента времени. Внедиагональные элементы обратной матрицы интерпретируются как косвенные темпы роста равномерно распределенных частей прогнозируемых показателей, а диагональные — как прямые тем пы роста оставшейся части.
В предположении, что матричный предиктор перспективно го периода почти не отличается от матричного мультипликатора текущего периода, выражение (5.6) позволяет рассчитывать прогнозные оценки. Основное преимущество данного подхода заключается в том, что с его помощью можно проводить рас четы для многомерных рядов динамики даже в том случае, когда исследователь располагает наблюдениями лишь за два
174
периода. Правда, статистическая надежность таких прогнозных расчетов не проверяется и опирается, в основном, на то обсто ятельство, что даже при изменении характера динамики про гнозируемых процессов структура самого предиктора, как пра вило, изменяется незначительно. Как показывает практика прогнозных расчетов, применение этой модели предпочтитель нее обычных расчетов с использованием темпов роста, в кото рых совсем не учитывается взаимодействие между моделируемы ми показателями.
Рассмотренная модель является базовой, и ее прикладные воз можности весьма ограничены. Она предназначена, главным об разом, для того, чтобы продемонстрировать принципы построе ния матричного мультипликатора, которые ниже будут использо ваны для построения более сложных модификаций модели. Про иллюстрируем эти принципы условным числовым примером, ис ходные данные для которого представлены в табл. 5.1.
Т а б л и ц а 5.1
Динамика основных показателей, характеризующих деятельность ОА О "Консультант ", тыс. р.
Период |
Объем оказанных |
Фонд оплаты |
Затраты на переобучение, повы |
|
услуг |
труда |
шение квалификации персонала |
||
|
||||
1 |
3231,44 |
872,48 |
242,35 |
|
2 |
3755,52 |
951,01 |
271,02 |
|
3 |
4426,22 |
1036,61 |
298,62 |
|
4 |
5362,63 |
1129,89 |
331,45 |
|
5 |
6430,77 |
1171,58 |
347,93 |
Построение модели начинается с расчета приростов:
^524,08Л Ах1 78,53
28,67 J
которые используются для формирования матрицы косвенных тем пов прироста
f 0 0,2755 0,9669Л 0,0105 0 0,1449 0,0038 0,0151 0
175
На основе этой матрицы вычисляется предиктор
'1,0069 0,2928 1,0160Л A 2 =(l - V 2 )~' = 0,0111 1,0054 0,1564 0,0040 0,0163 1,0062
помощью которого рассчитываются прогнозные оценки
^4335,36^
х3 - А2х2 - 1040,27 303,25
Проведенные расчеты не только иллюстрируют алгоритм по строения базовой модели, но и предназначены для того, чтобы оценить ее точность, поскольку сами, по сути, являются пост прогнозными оценками. Кроме того, представляет интерес срав нение (см. табл. 5.2) этих результатов с оценками, полученны ми с помощью модификаций базовой модели, к описанию кото рых мы и переходим.
5.2. Модель с настраиваемым параметром матричного предиктора
Решающим фактором выбора модели с подобным пре диктором является не число наблюдений, а, скорее, ситуация, когда за рамками системы показателей, для которых строится мат ричный предиктор, остались факторы, оказывающие заметное влияние на их динамику. Природа этих факторов либо не изуче на, либо такова, что не поддается количественному измерению, и поэтому факторы не могут быть включены в модель. Но их влияние проявляется в динамике показателей, включенных в мо дель. Уловить это влияние можно, если прирост каждого показа теля разделить на две части, одна из которых формируется меха низмом, явно учитываемым моделью, а вторая — "скрытыми" факторами. В соответствии с этим делением представим прирост в виде суммы двух составляющих
Axri =Д'х,+Д*х„-. |
(5.7) |
где Ыхп — та часть прироста, которая формируется "скрытыми" факторами"; A"xtj — та часть прироста, которая формируется про порционально факторам, включенным в модель.
176
Поскольку влияние "скрытых" факторов в соответствии с на шим предположением проявляется непосредственно в динамике самих показателей, то и отразить это влияние можно через соб ственные темпы той части прироста, которая формируется "скры тыми" факторами, т.е.
/А'*,,-
V;; = ' |
(5.8) |
|
Коэффициенты косвенных темпов прироста в этом случае бу дем называть частными и вычислять по второй составляющей прироста:
|
А /г |
(5.9) |
VU = |
хо |
|
|
|
Сложение диагональной матрицы прямых темпов прироста
ОО
V' = |
"22 |
о |
|
(5.10) |
|
|
|
|
|
о о |
пп J |
элементы которой вычислены по формуле (5.8), и матрицы кос венных темпов прироста V" с элементами (5.9)
^0 |
V12 |
|
|
ft |
о |
ft |
|
V2I |
v2n |
|
|
|
|
|
(5.11) |
V„l |
V„2 |
0 |
|
приводит к матрице темпов прироста |
|
|
|
|
1 |
|
|
v = v'+л--^1-v', |
(5.12) |
||
с помощью которой можно записать |
|
|
|
x , = ( I - V ) |
-1, |
(5.13) |
|
|
|
»,-!' |
|
где (I—V) ' — матрица роста с элементами, представляющими со бой частные коэффициенты роста.
177
Существенным в формировании матрицы роста в рассматри ваемом подходе является вопрос о соотношении, в котором на ходятся две составляющие прироста. Дать абсолютно четкие ре комендации по этому поводу весьма трудно. Единственно пра вильный выход, на наш взгляд, заключается в том, чтобы вве сти в модель настраиваемый параметр, через который можно оп ределять величину этого соотношения. Такая возможность пре доставляется тогда, когда в наборе данных содержится более двух наблюдений и часть из них (хотя бы одно наблюдение) можно использовать в качестве контрольной выборки для настройки параметра.
Введение такого параметра позволяет каждую из составляющих прироста любого /-го показателя представить в виде
А'*,., = fihxu; |
A% =(1-ц)Ах„, |
(5.14) |
где 0 < jU < 1.
Если в формулах (5.8) и (5.9) используются составляющие при роста (5.14), то матрица темпов приростов V зависит от настраи ваемого параметра /л, и модель (5.13) можно переписать в виде
x ^ d - V G u ) ) - ' * , . , . |
(5.15) |
У этой модели полностью сохраняются свойства, касающиеся точности аппроксимации, и одновременно повышается точность экстраполяции.
Настройку параметра ц можно осуществлять таким образом, чтобы минимизировать выражение
Х(ц) = max|x,+1/ -xt+u\, |
(5.16) |
представляющее собой максимальную величину разности между компонентами контрольного наблюдения х,+1 и вектора прогноз ных оценок
х1+1=(1-Х(ц)Г1хг |
(5.17) |
В тех случаях, когда прогнозируемые показатели сильно отли чаются масштабом измерения, критерий в виде разности (5.16) теряет свою целесообразность. Его можно заменить относительной величиной ошибки
Ъ\ц) = max |
l-—-—:—1. |
(5 18) |
' |
\xt+u\ |
|
178
Используя набор данных табл. 5.1 и некоторые результаты пре дыдущего примера, проиллюстрируем порядок построения вышеиз ложенной модели.
Для удобства расчетов, проводимых в матричной форме, вве дем в рассмотрение матрицу М, элементы которой определяют ся настраиваемым параметром ц, и матрицу весовых коэффици ентов W:
А0,1 |
0,9 |
0,9Л |
1 |
0,5 |
0,5 |
М* 0,9 |
ОД |
0,9 |
W = 0,5 |
1 |
0,5 |
0,9 |
0,9 |
0,1 |
0,5 |
0,5 |
1 |
Затем рассчитаем комбинированную матрицу прямых и косвенных темпов прироста:
'0,1395 |
0,5511 |
1,9337N |
V,=V2' + V'= 0,0209 |
0,0826 |
0,2898 |
0,0076 |
0,0301 |
0,1058 |
v |
|
) |
Применяя операции блочного умножения (*) и обращения мат
риц, получаем предиктор |
|
|
(1,0200 |
0,2678 |
0,9323Л |
A 2 ( / i ) = ( l - M * W * V 2 ) 4 = 0,0102 |
1,0128 |
0,1424 |
0,0037 |
0,0148 |
1,0159 |
с помощью которого рассчитываем постпрогнозные оценки и от носительные ошибки
^ 4337,82^ |
|
< 2,00 |
^ |
х 3 = А , (/i)x2 = 1039,95 |
$х? |
-0,32 |
|
303,24 у |
|
1,55 |
|
Настройка параметра по критерию минимизации |
максимальной |
относительной ошибки позволила установить оптимальное значе ние параметра /л* = 0,9, при котором предиктор
(1,1437 0,0342 0,1228 A2(fi*)=k-M* *W*\2У = 0,0013 1,0804 0,0174 0,0005 0,0018 1,1053
дает прогнозные оценки с соответствующими относительными ошибками
179