Анализ динамики социально-экономических явлений и процессов, выявление и характеристика основных тенденций развития дают основание для моделирования и прогнозирования – определения будущих размеров уровня экономического явления.
Высокий динамизм происходящих социально-экономических процессов приводит к тому, что наши знания о результатах рыночных отношений переходного периода всегда будут отставать от потребностей управления. В этой связи статистическая деятельность должна содержать прогнозтическую составляющую, способную заранее сигнализировать о появлении тех или иных «особых» (в том числе и кризисных) ситуаций, если в системе управления не произойдут изменения.
Существует большое число методов статистического анализа и моделирования социально-экономических процессов и явлений, к которым возможно отнести следующие:
- традиционные (статистическое наблюдение и обобщение показателей; средние и относительные величины, индексы, динамические ряды распределения, графические приемы и т.д.);
- классические (цепных постановок, балансов, процентных чисел, дифференциальный, интегральный, метод дисконтирования и др.);
- формализованные и неформализованные (экспертных оценок, морфологические, сценариев, сравнения, логических построений и др.);
- математические (корреляционный, регрессивный, дисперсный, факторный, кластерный и др.);
- методы и модели анализа динамики и прогнозирования (трендовый, экстраполяция и др.);
- экономические (балансовый, матричный, спектральный, гармонический и др.);
- кибернетические и оптимального программирования (системного анализа, машинной имитации, линейного и динамического программирования и т.д.);
|
|
- исследования операций и теорий принятия решений (теория графов, сетевого планирования и управления, метод деревьев, теории игр и т.д.).
Статистические наблюдения в общественных исследованиях обычно проводятся регулярно через равные отрезки времени и представляются в виде временных рядов Xt, t = 1,2,…n. В качестве инструмента прогнозирования временных рядов служат трендовые регрессивные модели, параметры которых оцениваются по имеющейся статистической базе, а затем основные тенденции (тренды) экстраполируются на заданный интервал времени.
Методология прогнозирования предполагает построение и испытание многих моделей для каждого временного ряда, сравнение их на основе статистических критериев и отбор наилучших из них для прогнозирования.
При моделировании сезонных колебаний явлений в исследованиях различают два типа: мультипликативные и аддитивные колебания. В мультипликативном случае размах сезонных колебаний изменяется во времени пропорционально уровню тренда и отражается в статистической модели множителем. При аддитивной сезонности предполагается, что амплитуда сезонных отклонений постоянна и не зависит от уровня тренда, а сами колебания представлены в модели слагаемым.
Основой большинства методов прогнозирования является экстраполяция, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы или – в более широком смысле слова – это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему.
|
|
В практике исследования явлений широко применяются трендовые и адаптивные методы прогнозирования, а также методы авторегрессии и скользящей средней (Бокса-Дженкинса и адаптивной фильтрации), методы экспоненциального сглаживания (двойного квадрата, модели Брауна и экспоненциальной средней) и др.
Для оценки качества исследуемой модели прогноза используется несколько статистических критерия: расчет относительной ошибки аппроксимации, средняя квадратическая ошибка и т.д.
В практике прогнозирования имеется большое число математико-статистических моделей для адекватного описания разнообразных тенденций временных рядов. При использовании трендовых моделей в прогнозировании обычно предполагается, что основные факторы и тенденции прошлого периода сохраняются на период прогноза или что можно обосновать и учесть направление их изменений в перспективе.
Однако в настоящее время, когда происходят структурные изменения в экономике и формируется принципиально новая система рыночных отношений между бизнесом и государством, общественные процессы становятся динамичными. В этой связи исследователь часто имеет дело с совершенно новыми явлениями и с короткими временными рядами, устаревшие данные при моделировании часто оказываются бесполезными и даже вредными. Поэтому возникает необходимость строить модели, опираясь в основном на малое количество самых свежих данных, наделяя модели адаптивными свойствами.
Цель применения адаптивных моделей заключается в построении самонастраивающихся моделей, которые способны учитывать информационную ценность различных членов временного ряда и давать достаточно точные оценки будущих членов данного ряда. Адаптивные модели достаточно гибкие, однако на их универсальность, пригодность для любого временного ряда рассчитывать не приходится.
|
|
При построении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реальной жизнедеятельности населения и предприятий, а также социально-экономических процессов и явлений, происходящих в обществе. Статистик-эксперт должен закладывать в модель только те адаптивные свойства, которые необходимы для слежения за реальным процессом с заданной точностью.
В основе адаптивного направления лежит простая модель экспоненциального сглаживания, обобщение которой привело к появлению целого семейства адаптивных моделей. Простейшая адаптивная модель основывается на вычислении экспоненциально взвешенной скользящей средней.
На практике применяются несколько видов адаптивных моделей, которые позволяют учесть наличие временного ряда Хt тенденции и сезонные колебания.
Контрольные вопросы
1. Для какой цели осуществляется моделирование процессов?
2. Расскажите об известных вам моделях прогнозирования?
3. Что такое трендовый метод изучения динамики показателей?
4. В чем состоит особенность адаптивных методов прогнозирования?
5. Каким образом осуществляется экспоненциальное сглаживание временного ряда?