Смотреть страницы где упоминается термин методы формализованные. Формализованные методы прогнозирования и планирования

Эти методы базируются на математической теории, которая обеспечивает

повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет обеспечить деятельность по обработке информации и оценке результатов.

Формализованные методы позволяют получать количественные показатели. При разработке таких прогнозов исходят из предложения об инерционности системы, т.е. предполагают, что в будущем система будет развиваться по тем же закономерностям, которые были у неё в прошлом и есть в настоящем. Недостатком формализованных методов является ограниченная глубина упреждения, находящаяся в пределах эволюционного цикла развития системы, за пределами которого надёжность прогнозов падает.

К формализованным методам относят:

1. методы прогнозной экстраполяции,
2. метод наименьших квадратов,
3. метод экспоненциального сглаживания,
4. метод скользящих средних,
5. адаптивный метод,
6. методы моделирования (структурное, сетевое, матричное, имитационное).

Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения экономического явления в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития. Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия "измерителей" по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. Этот способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы. Кроме указанных достоинств, он имеет несколько существенных недостатков. Во-первых, все фактические наблюдения являются результатом закономерности и случайности, следовательно, основываться на последнем наблюдении неправомерно. Во-вторых, нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае. В-третьих, данный подход не позволяет сформировать интервал, в который попадает прогнозируемая величина. В связи с этим метод экстраполяции не дает точных результатов на длительных срок прогноза, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов - на 5-7 лет. Для повышения точности экстраполяции используются различные приемы. Один из них состоит, например, в том, чтобы экстраполируемую часть общей кривой развития (тренда) корректировать с учетом реального опыта развития отрасли-аналога исследований или объекта, опережающий в своем развитии прогнозируемый объект.

Метод наименьших квадратов -- один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.

Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.

Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.

Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов.

Метод экспоненциального сглаживания еще может быть использован для краткосрочных прогнозов будущей тенденции на один период вперед и автоматически корректирует любой прогноз в свете различий между фактическим и спрогнозированным результатом.

При прогнозировании с применением метода сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет проводится по следующей формуле:

f k = f k-1 + (x k-1 - f k-1),

где: f k-1 - прогноз в момент времени k-1;

f k - прогноз на момент времени t k , следующий за периодом k-1;

x k-1 - реальное значение показателя в момент времени t k-1 ;

Постоянная сглаживания (0< >1)определяет степень сглаживания.

Если при сравнении прогноза с реальными значениями сглаженные данные при выбранном значительно отличаются от исходного ряда, необходимо перейти к другому параметру сглаживания (чем больше значение, тем больше сглаживание)

Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель. Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях.

Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии. Но, если базой для прогнозируемого скользящего среднего являются всего лишь одно или два наблюдения, то такой прогноз может стать слишком упрощенным. В частности, он будет отражать тенденции в данных, на которых он строится, ничуть не лучше, чем сама базовая линия. Чтобы определить, сколько наблюдений желательно включить в скользящее среднее, нужно исходить из предыдущего опыта и имеющейся информации о наборе данных. Необходимо выдерживать равновесие между повышенным откликом скользящего среднего на несколько самых свежих наблюдений и большой изменчивостью этого среднего. Одно отклонение в наборе данных для трехкомпонентного среднего может исказить весь прогноз. А чем меньше компонентов, тем меньше скользящее среднее откликается на сигналы и больше -- на шум. В этом методе следует опираться на знания и опыт.

Методы адаптивного прогнозирования основаны на адаптации к данным или к другой информации, на базе которой строится прогноз. Основное свойство таких методов: при поступлении новых данных значение прогноза меняется, адаптируясь к вновь поступившей информации, и становится более чувствительным к ней. При небольшом изменении значений данных прогноз также будет мало изменяться.

Многочисленные адаптивные методы базируются на моделях Брауна и Хольта и модели авторегрессии, различаясь между собой алгоритмом оценки параметров, способом определения параметра адаптации, компоновкой и областью применения. На основании изучения исходных статистических данных с учетом цели исследования и логического анализа протекания изучаемого процесса отбирается наиболее приемлемый адаптивный метод (модель) прогнозирования. Окончательное решение о выборе адаптивного метода может быть принято после определения параметров модели прогнозирования и верификации прогноза по ретроспективному ряду. Поэтому для прогнозирования используют несколько адаптивных методов, чтобы после оценки точности выбрать наиболее подходящий.

Моделирование -- исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Распространенной методикой прогнозирования тех или иных процессов и явлений служит моделирование. Моделирование считается достаточно эффективным средством прогнозирования возможного явления новых или будущих технических средств и решений. Впервые для целей прогнозирования построение операционных моделей было предпринято в экономике. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования. Поэтому вопрос о качестве такого отображения - адекватности модели объекту - правомерно решать лишь относительно определенной цели. Конструирование модели на основе предварительного изучения и выделения его существенных характеристик, экспериментальный и теоретический анализ модели, сопоставление результатов с данными объекта, корректировка модели, составляют содержание метода моделирования. Одним из методов моделирования является метод математического моделирования. Под математической моделью понимается методика доведения до полного описания процесса получения, обработки исходной информации и оценки решения рассматриваемой задачи в достаточно широком классе случаев. Использование математического аппарата для описания моделей (включая алгоритмы и их действия) связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска метода их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.

Применение математических методов является необходимым условием для разработки и использования методов прогнозирования, обеспечивающим высокие требования к обоснованности, действенности и временности прогнозов.

При структурном моделировании моделируемая система задается в виде структурной схемы, в которую могут быть включены и отдельные ее реальные элементы (регуляторы, исполнительные органы и т.п.). В структурной схеме задаются параметры основных звеньев и указываются ориентировочные пределы изменения варьируемых параметров, например, коэффициентов усиления и постоянных времени звеньев. Моделирование каждого звена системы-оригинала осуществляется в отдельности, а затем из моделей звеньев составляется общая модель, точно воспроизводящая структурную схему оригинала.

Имитационное моделирование -- метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно "проиграть" во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику. Имитационное моделирование -- это метод исследования, при котором изучаемая система заменяется моделью с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация -- это постижение сути явления, не прибегая к экспериментам на реальном объекте).

На практике, для достижения наилучшего результата, целесообразно использовать сразу несколько методов. Это повысит эффективность прогноза, поможет определить "подводные камни", которые могут быть незамечены при использовании только одного метода. Так же полученные прогнозы нужно соотносить с прецедентами, если такие имели место быть. Качество прогноза зависит от качества информации. Прежде чем делать прогнозы, нужно позаботиться о полноте, своевременности и точности информации.

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

Основой формализованных методов прогнозирования является математическая теория, повышающая достоверность, точность прогнозов, облегчающая обработку информации и результатов прогноза, значительно сокращающая сроки его производства.
Формализованные методы прогнозирования можно разделить на две группы: методы экстраполяции и методы математического моделирования. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. При простой экстраполяции все действующие ранее факторы, обуславливающие исследуемую тенденцию в прошлом и настоящем, останутся неизмененными и в будущем. Однако сохранение тенденций прошлого и настоящего неизменными для будущего чаще всего маловероятно. И поэтому хотя экстраполяция лежит в основе всякого прогноза, она способна давать эффект только в очень узком диапазоне времени относительно не особенно сложного процесса.
Следует различать формальную и прогнозную экстраполяцию. Формальная базируется на предположении о сохранении в будущем прошлых и настоящих тенденций развития объекта. При прогнозной фактическое увязывается с гипотезами о динамике исследуемого объекта, учитываются в перспективе альтернативные изменения самого объекта, его сущности.
В основе экстраполяционных методов прогнозирования лежит изучение временных рядов, представляющих собой упорядоченные во времени наборы измерений различных характеристик исследуемого объекта прогнозирования. Экстраполяция в прогнозировании предполагает, что рассматриваемый процесс изменения переменной является сочетанием двух составляющих хг - регулярной (детерминированная неслучай-

ная) и ех - случайной. Временной ряд уг может быть представлен в виде
(1)

Регулярная составляющая называется трендом, тенденцией. В этих терминах заключено интуитивное представление об очищенной от помех сущности анализируемого процесса (интуитивное потому, что для большинства процессов нельзя однозначно отделить тренд от случайной составляющей). Регулярная составляющая (тренд) хг характеризует динамику развития процесса в целом, случайная составляющая е% отражает случайные колебания или шумы процесса. Обе составляющие процесса определяются функциональным механизмом, характеризующим их поведение во времени.
Задача прогноза состоит в определении вида экстраполирующих функций х% и ег на основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующий этап - расчет параметров выбранной экстраполяционной функции.
При оценке параметров зависимостей наиболее распространены метод наименьших квадратов и его модификации, метод экспоненциального сглаживания, метод адаптивного сглаживания, метод скользящей средней и др. Метод наименьших квадратов (МНК) требует найти параметры модели тренда, минимизирующие ее отклонение от точек исходного временного ряда, т.е. минимизировать сумму квадратических отклонений между наблюдаемыми и расчетными величинами.
П (А
5=1 У1~У1
А
где у1 - расчетные значения исходного ряда;
у. - фактическое значение исходного ряда; п - число наблюдений.
п

Модель тренда может иметь различный вид, ее выбор в каждом конкретном случае осуществляется по ряду статистических критериев. В практических исследованиях наиболее часто применяются:
у = ах + Ъ (линейная);

у = ах2 +Ь + с (квадратичная);
у - хп (степенная);
у = ах (показательная);
у = аех (экспоненциальная);
а
У - (логистическая).
Широко применяется линейная функция, или линеаризуемая, т.е. сводимая к линейной, как наиболее простая и отвечающая исходным данным.
Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. В реальной практике будущее поведение процесса определяется поздними наблюдениями в большей степени, чем ранними. Уменьшение ценности более ранней информации (дисконтирование) можно учесть, например, путем введения в модель (2) некоторых весов В. lt; 1. Тогда

(9)
Коэффициент может быть представлен в различном виде: числовой формой, функциональной зависимостью, но таким образом, чтобы по мере продвижения в прошлое веса убывали.

Для этого используются модификации метода наименьших квадратов.
Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток метода 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 дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения, то есть он позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода, и тем самым не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется к изменяющимся во времени условиям. Преимущества метода в том, что он не требует обширной информационной базы, а предполагает ее 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 применяется при кратко- и среднесрочном прогнозировании.
Метод скользящей средней дает возможность выравнивать динамический ряд путем его расчленения на равные части с обязательным совпадением в каждой из них сумм модельных и эмпирических значений.
К экстраполяционным относится и метод, получивший название «цепи Маркова». В основе прогноза, построенного на основе простых цепей Маркова, лежит вычисление матрицы перехода, элементами которой являются вероятности перехода прогнозируемых параметров из одного состояния в другое, от
одного значения к другому. Если мы имеем А = {т.е.
матрицу прогнозируемых показателей размерности (т х Т), где Аи - значение /-того показателя в момент времени t, и если
известна матрица перехода Р, то прогноз вычисляется следующим образом:
А+1 = рЛ;А+2 = ^2А--А+* = -р*А, lt;10)
где - вектор значений прогнозируемых показателей в момент t.
Процедура вычисления элементов матрицы перехода
р = {р1} }„ г, у = 1Гй (П)
предполагает определение суммарных изменений показателей Аи для каждого момента времени t, т.е.
,?А=т=г? lt;12gt;
(если мы прогнозируем потребности, то это и будет суммарная потребность ресурсов по годам).
Затем определяем значения цепных индексов для величин
А
Г =-4- = 1 ,Т
На основе цепных индексов определяем возможные значения прогнозируемых показателей при неизменности структуры в моменты (?+1):
5 = Ь?и_ = Ьл = ]7т,
I t
т.е. индекс умножаем на значение этого показателя в соответствующий момент (?+1).

Элементы Би образуют матрицу = } размерности (пхТ).
Рассогласование между реальным изменением показателей Аы и гипотетическим находим как их разность:
А?*, *+1 = А^ #+1 - 8и.
Эти величины рассогласования определяют изменение структуры исследуемого процесса (если это потребление, то структуры потребления ресурсов) и представляют собой образующий вектор
А?м+1 = (А?т)= * А?П,*+1) .
Затем образуется нормированный вектор, определяющий изменение значения г-того показателя в (? + 1) году по сравнению с t-м годом. Определяется он по формуле
1
х‘м - - (13)
? + 1 *=1
Полученные величины позволяют формировать?-тую строку матрицы соответствующего перехода Рт.
По аналогичной схеме рассчитываются последовательно матрицы перехода для различных моментов времени. Непосредственно прогноз реализуется по формуле (10).
Реализация прогнозов с помощью цепей Маркова позволяет по мере поступления новой информации регулярно корректировать ошибки, учитывать информационную неточность прогноза, что повышает надежность получаемых результатов. Этот метод может быть использован для прогноза множества показателей, которые меняются из года в год одновременно, но между ними непосредственно функциональные связи не установлены ввиду отсутствия информации или крайней сложности этих связей. Примером может служить прогноз потребностей отраслей народного хозяйства в ресурсах. При реализации данного прогноза устанавливаются на перспективу не только объемы, но и сама структура потребления ресурсов различными отраслями.

Методы экстраполяции, основанные на продлении тенденции прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения в 3-5 лет. При более длительных сроках прогноза они не дают точных результатов. С помощью методов экстраполяции исследуются количественные параметры больших систем, количественные характеристики экономического, научного и производственного потенциалов, данные о результативности науч- но-технического прогресса, характеристики соотношения отдельных подсистем, блоков и т.д.
Большую группу формализованных методов прогнозирования составляют методы моделирования. С их помощью конструируются модели на основе предварительного изучения объекта и выделения его существенных характеристик, проводится экспериментальный и теоретический анализ модели, сопоставляются результаты с данными объекта, корректируется модель. Моделирование широко распространено не только в прогнозировании, но и в планировании. Толчком к развитию формализованных методов, и в том числе методов моделирования, послужило применение электронно-вычислительных машин (ЭВМ). В их развитии обозначился новый этап - этап эко- номико-математических методов (ЭММ), соединивших в себе математическую теорию и возможности ЭВМ.
Основанные на методах прикладной математики и математической статистики ЭММ и ЭВМ позволили значительно расширить возможности применения и направления использования формализованных методов. Так, стало возможно глубже вскрыть взаимосвязи в народном хозяйстве, всесторонне обосновывать изменения экономических показателей, ускорить получение и обработку информации, осуществлять многовариантные расчеты планов-прогнозов, программ и выбирать оптимальный вариант по заданному критерию.
В планировании и прогнозировании выделяют различные виды (типы) моделей: оптимизационные, факторные, структурные, модели межотраслевого баланса и др. В зависимости от уровня агрегирования один и тот же тип может применяться к различным экономическим объектам, поэтому выделяют модели: макроэкономические, межотраслевые, межрайонные, от
раслевые, региональные и микроэкономические (на уровне предприятия, объединения).
Экономико-математическая модель любого вида представляет собой формализованное описание исследуемого процесса или объекта в виде математических зависимостей и отношений.
Оптимизационные модели основаны на выборе критерия оптимальности, на основе которго путем сравнения различных вариантов выбирается лучший (оптимальный) вариант. Оптимизационная экономико-математическая модель состоит из целевой функции и системы ограничений. Целевая функция описывает цель оптимизации и отражает зависимость показателя, по которому ведется оптимизация, от независимых переменных (ограничений). Система ограничений отражает объективные экономические связи и зависимости и представляет собой систему равенств и неравенств, например, между потреблением ресурсов или величинами технико-экономических показателей и установленными лимитами, а также пределами выпуска продукции. Влияние каждой из переменных на величину целевой функции выражается коэффициентом-показателем, экстремум которого выступает критерием оптимальности. Примеры оптимизационных моделей в планировании и прогнозировании: модели оптимизации развития и размещения производств, модели оптимизации структуры производства продукции отраслей промышленности, модели АПК, модели транспортных задач, с помощью которых осуществляется рациональное прикрепление поставщиков к потребителям и определяются минимальные транспортные затраты, и другие.
Примерами макроэкономических моделей могут служить статическая и динамическая модели межотраслевого баланса.
Статическая модель имеет вид:

х. - валовое производство у-й отрасли-потребителя (у = 1, п); х. - валовое производство продукции 1-и отрасли-поставщика (1=1, п);
у. - объем конечной продукции г-й отрасли.
При этом УЦ1ацх] представляет собой промежуточный продукт (количество продукции 1-й отрасли, используемой в у"-й отрасли в процессе производства).
Статистическая модель межотраслевого баланса может выражаться и таким образом:

где Ъ.. - коэффициент полных материальных затрат, отражающий величину продукции 1-й отрасли, необходимой на всех стадиях производства для получения единицы конечной продукции у-й отрасли.
Коэффициенты прямых и полных затрат отличаются тем, что первые определяются в расчете на единицу валового выпуска отрасли и являются среднеотраслевыми, а вторые рассчитываются на единицу конечной продукции и являются народнохозяйственными. Коэффициенты полных затрат превышают коэффициенты прямых на величину косвенных затрат.
Динамическая модель межотраслевого баланса характеризует производственные связи народного хозяйства за ряд лет (т.е. отражает процесс воспроизводства в динамике) и обеспечивает увязку плана-прогноза производства продукции с планом-прогнозом капитальных вложений. Упрощенная модель имеет вид

где t - индекс года; АФу - продукция *-й отрасли, направляемая как производственные капитальные вложения для расширения производства в у-ую отрасль; Z. - сумма конечной продукции /-й отрасли, за исключением продукции, направленной на расширение производства.
Корреляционно-регрессионный метод дает возможность количественно исследовать влияние разнообразных факторов на уровень параметра, характеризующего планируемое (прогнозируемое) явление или процесс, позволяет отделить мнимые связи от действительных и в математической форме (через уравнение регрессии) выразить эту связь и раскрыть действие факторов на этот параметр. Корреляционно-регрессионный метод широко распространен и решает две основные задачи:

устанавливает степень тесноты связи между планируемым (прогнозируемым) параметром и влияющими на него факторами;
определяет с помощью уравнений регрессии форму связи между планируемым (прогнозируемым) параметром и влияющими на него факторами.

Степень тесноты связи между параметром и отдельно взятым фактором показывает парный коэффициент корреляции (г), а совокупное влияние отобранных факторов планируемых (прогнозируемых) параметров - множественный коэффициент корреляции (К). Парный коэффициент корреляции может выступать одним из критериев отбора факторов. Его величина колеблется от -1 до +1, и чем выше значение г, тем теснее связь между переменными (параметром и фактором).
Мера совместного воздействия всех факторов на уровень параметра определяется на основе коэффициента множественной корреляции. Чем больше совокупное влияние отобранных факторов, тем ближе множественный коэффициент корреляции к единице.
Форму связи между планируемым параметром (у) и влияющими на него факторами (х^ х2... хп) выражает уравнение регрессии. Форма связи может быть линейной и криволинейной. Линейная форма корреляционной связи выражается уравнениями:
ух = а + Ьх
ух =а + Ъ1х1+Ъ2х2+... + Ьпхп,
где ух - значение у при заданном значении х или (х, х1... хп);
а, Ь, Ь1... Ьп - параметры уравнения; х, х1... хп - значения фактора.
Параметр уравнения «а» определяет положение начальной точки линии регрессии в системе координат. Параметры «Ъ» и «Ъ1... Ьп» характеризуют норму изменения у на единицу х,хг..хп.
Уравнение линейной регрессии имеет широкое применение, его параметры легче определить и истолковать. Но на практике чаще встречается нелинейная корреляционная зависимость, которая может быть представлена через уравнения различных типов кривых: гиперболическую форму связи (ух = а/х + Ъ), параболу второго порядка (ух = а 4- а1х1 + а2х2) и другие. Чем лучше уравнение регрессии описывает процесс, тем ближе значение коэффициента корреляции к единице.
В планировании и прогнозировании корреляционно-регрессионный метод позволяет определить возможный уровень параметра, складывающийся под влиянием различных факторов.

Формализованные методы

Эти методы базируются на математической теории, которая обеспечивает

К формализованным методам относят:

1. методы прогнозной экстраполяции,

2. метод наименьших квадратов,

3. метод экспоненциального сглаживания,

4. метод скользящих средних,

5. адаптивный метод,

6. методы моделирования (структурное, сетевое, матричное, имитационное).

f k = f k-1 + (x k-1 - f k-1),

где: f k-1 - прогноз в момент времени k-1;

f k - прогноз на момент времени t k , следующий за периодом k-1;

x k-1 - реальное значение показателя в момент времени t k-1 ;

Постоянная сглаживания (0< >1)определяет степень сглаживания.

Таким образом, в данной главе были рассмотрены наиболее часто используемые методы социального прогнозирования. На практике, для достижения наилучшего результата, целесообразно использовать сразу несколько методов. Это повысит эффективность прогноза, поможет определить "подводные камни", которые могут быть незамечены при использовании только одного метода. Так же полученные прогнозы нужно соотносить с прецедентами, если такие имели место быть. Качество прогноза зависит от качества информации. Прежде чем делать прогнозы, нужно позаботиться о полноте, своевременности и точности информации.

Формализация - это представление самых разнообразных объектов путем отображения и изображения их содержания и структуры в знаковой форме, при помощи самых разнообразных "искусственных" языков, к числу которых относится язык математики, математической логики, химии и других наук. Использование специальной символики в этих науках является одним из необходимых методов отражения действительности человеком.

Понятие "формализация" находится в тесной связи с понятием "абстрагирование". Мы уже знаем, что абстрагирование представляет собой процесс мысленного отвлечения от свойств исследуемых предметов их существенных признаков.

Явления бесконечно многообразны, их систематизация становится возможной благодаря тому, что мышление выделяет какой-то один признак и абстрагируется от остальных. Получаемое таким образом абстрактное знание становится эмпирическим понятием. Абстрагирование характерно и для эмпирического мышления, с его помощью выводятся эмпирические понятия. Теоретическое мышление также абстрагируется от качественных характеристик объекта исследования. Но специфика теоретического абстрагирования в том, что этот процесс доводится до логического завершения - до полного формализма, до получения предельной абстракции, в которой ученый отвлекается не только от того или иного качества предмета, но и от его качественности как таковой.

Формализация как метод исследования имеет, по мнению ученых, ряд достоинств :

1) обеспечивает полноту обозрения определенной области проблем, обобщенность подхода к их решению;

2) базируется на использовании специальной символики, которая обеспечивает краткость и четкость фиксации знания;

3) связана с приписыванием отдельным символам или их системам определенных значений, что позволяет избежать многозначности терминов, свойственной обычным языкам;

4) позволяет формировать знаковые модели объектов, а изучение

реальных вещей и процессов заменять изучением этих моделей.

Этим достигается упрощение объекта непосредственного исследования, что облегчает решение познавательных задач.

Формализация является неотъемлемой частью формальной логики.

Примером осуществления формализации в эвклидовой геометрии может служить тот факт, что здесь имеется небольшое число вводимых независимо понятий и символов, таких как число, прямая, точка и фундаментальные правила комбинирования этих понятий. Вместе они образуют основу для построения или определения всех упорядоченных утверждений и других понятий.

По предположению А.Я. Данилюка, первым среди отечественных педагогов, последовательно применившим процедуру формализации, был A. M. Coxop, который избирает объектом формализации учебный материал, т.е. все содержание, тем или иным образом включенное в процесс обучения. Формальными единицами выступают при этом понятия, которые определяются автором в качестве элементов логической структуры учебного материала. "Понятие" в таком представлении - чистейшая абстракция, знак, полученный путем абстрагирования от множества других составляющих учебного материала (знаний, научных понятий, текстов и т.д.). Затем автор устанавливает предельно общие правила оперирования формальными единицами, т.е. как бы отвечая на вопрос, какие связи и отношения между этими понятиями. Эти связи и отношения он определяет категориями "умозаключения", "обоснования", "решения". И более высокую ступень организации элементов логической структуры учебного материала автор представляет в виде последовательности познавательных задач.

Таким образом, процесс обучения в его содержательной части замещается однородным множеством понятий, а затем устанавливаются формы связи и отношений между ними.

Возникает вопрос, почему эмпирическое мышление (стало быть и эмпирическое исследование) не обладает потребностью в формализации?

Эмпирическое мышление и исследование ориентированы на реальный предмет и они работают с информацией, получаемой от него непосредственно. Предмет исследования предстает как событие, как действие, участвуя в нем. Исследователь может видеть и слышать, и, когда ученый, к примеру, педагог, называет свой предмет, другие педагоги совершенно определенно представляют себе, о чем идет речь. Другими словами, эмпирическое мышление отталкивается в данном случае от реалий образования. Теоретическое же мышление лишено такой возможности. Логически оно надстраивается над эмпирическим мышлением, воссоздавая предмет теоретическими (знаково-символическими) средствами так, чтобы он имел всецело объективный характер, не зависел от субъективных представлений исследователя и был полностью доступен как предмет теоретического исследования для других ученых.

Таким образом, задача объективной теоретической реконструкции предмета, т.е. его формализации в теоретическом исследовании решается посредством введения дополнительного научного языка - искусственного языка. Однако такая предельно абстрактная высота научного обозрения имеет и обратную сторону: формализация приводит, по мнению ученых (А.Я. Данилюк), к содержательной бедности самого научного мышления. Поэтому сама по себе процедура формализации, к примеру, в педагогических исследованиях, в образовании имеет смысл только как подготовка к следующему этапу теоретического исследования - созданию идеального объекта, в котором множество знаков и символов приводятся в некоторую логическую систему, определенным образом воссоздающую исследуемый объект в его качественном своеобразии.

По своей сущности формализация близка к идеализации.