Теория экономического прогнозирования

подобных мероприятий, где происходит согласование мнений экспертов.

Для метода «мозгового штурма (атаки)» характерна коллективная генерация

идей и творческое решение проблем. Мозговая атака представляет собой

свободный, неструктурированный процесс генерирования любых идей (включая

самые невероятные) по избранной теме, которые спонтанно высказываются

участниками встречи [5, 12].

Сущность метода состоит в разделении решения двух задач:

• генерирование новых идей;

• анализ и оценка предложенных идей.

Соответственно образуются две группы: группа генераторов идей и группа

аналитиков. Группа генераторов идей состоит из 4-15 человек, но может быть

и больше.

При проведении экспертизы должны соблюдаться следующие правила:

• любые критические высказывания или оценки ценности предложенной мысли,

идеи недопустимы;

• должно быть достаточное количество и многообразие высказанных идей;

• необходимо «свободное парение» мысли: чем необычнее идея, тем лучше;

• мысли, идеи должны подхватываться, развиваться, комбинироваться,

результатом должна быть лавина идей.

В завершении «мозгового штурма» производится тщательный анализ, критика

высказанных точек зрения и отбор наиболее ценных из них. Первоначально

отбрасываются предположения, явно не представляющие ценности, оставшиеся

классифицируют на группы по категориям, зависящим от сущности проблемы, а

затем производят оценку как внутри группы, так и межгрупповую.

Отделение этапа анализа от этапа генерирования идей лишь способствует

углубленно анализа, усилению критики и делает ее более объективной и

разносторонней.

Метод «мозгового штурма (атаки)» целесообразно использовать в

критических ситуациях дефицита творческих решений, новых идей, свежих

концепций в качестве одного из этапов системы поиска путей решения

поставленной проблемы [12].

Метод Дельфи был разработан известным экспертом из исследовательской

корпорации «РЭНД» Олафом Хельмером.

Суть метода - проведение анкетных опросов специалистов в выбранной

области знаний. Основными особенностями этого метода являются:

• полный отказ от личных контактов экспертов и коллективных обсуждений;

• многоуровневая процедура опроса экспертов;

• обеспечение экспертов информацией, включая и обмен информацией между

ними после каждого тура опроса, при сохранении анонимности оценок,

аргументации и критики;

• обоснование ответов экспертов по запросу организаторов.

Обычно после первого тура опроса наблюдается значительный разброс

мнений. Поэтому процедура осуществления метода Дельфи предполагает

проведение 3-4 опросов, в преддверии которых каждого из экспертов знакомят

с итогами предыдущих туров для того, чтобы эксперт мог получить

предварительную информацию о предмете опроса.

Чаще всего после третьего или четвертого тура опроса ответы экспертов

перестают изменяться; что и является сигналом к прекращению опросов.

Организация экспертизы по методу Дельфи включает следующие этапы [12]:

• предварительную ориентировку экспертов, включающую формулирование

проблемы и инструктаж экспертов;

• формулирование вопросов экспертам в виде, требующем четких

количественных и качественных оценок;

• разработку способов и порядка информационного обеспечения экспертов,

включая обмен аргументаций;

• разработку алгоритмов и порядка промежуточной и окончательной

обработки результатов.

Метод Дельфи обладает определенными недостатками: большими затратами

времени на многотуровую экспертизу, полным исключением прямого столкновения

мнений экспертов, необходимостью неоднократного пересмотра оценок.

Отмеченные недостатки могут быть устранены путем создания

автоматизированной системы сбора и обработки мнений экспертов и их

информационного обеспечения на основе ЭВМ, а также использованием различных

модификаций метода Дельфи.

Метод построения сценариев

Особое место среди экспертных оценок занимает построение сценариев, так

как помимо традиционной экспертизы этот метод включает целый ряд

параметрических подходов и тяготеет к комбинированным методам.

Впервые термин «сценарий» был употреблен футурологом Х.Каном в 1960 г.

при разработке картин будущего, необходимых для решения военных

стратегических вопросов.

Сценарий — это описание (гипотетическая картина) будущего, составленное

с учетом наиболее правдоподобных предположений.

Сценарии разрабатываются для определения рамок будущего развития

технологии, рыночных сегментов, стран, регионов, отдельных фирм и т.д.

Экономические организации со сложной структурой и разноплановой

деятельностью в меньшей степени поддаются прогнозированию в рамках

сценария.

Для прогнозируемой ситуации характерно существование определенного

количества вероятных вариантов развития системы (рис. 2.4). Поэтому прогноз

включает в себя несколько сценариев («трубку сценариев»). В большинстве

случаев это три сценария: оптимистический, пессимистический и средний -

реалистичный (наиболее вероятный).

При построении сценариев принято отвечать на три основных вопроса [37]:

• каковы тенденции развития системы в различных условиях и какими

факторами они определяются?

• с какими проблемными ситуациями и «узкими» местами может встретиться

развитие системы в будущем и как это повлияет на прогнозирование

состояния системы?

• какие управленческие решения и в какой степени влияют на траекторию

будущего развития прогнозируемой системы, каковы последствия различных

альтернатив рассматриваемого решения?

Конкретная формулировка поставленных вопросов определяет целевую

установку исследования.

Диапазон изменений

[pic]

Пространство будущих возможностей

Разрушительные события

Текущая ситуация

Сценарии

Прогнозируемый период

Рис. 2.4. Модель сценариев

Вся совокупность причин, определяющих функционирование и развитие

исследуемого объекта, называется факторами:

• внутренние (эндогенные) факторы обусловлены закономерностями развития

отдельных элементов и системы как целого, возникают в результате

саморазвития системы;

• внешние (экзогенные) факторы определяются взаимодействием системы

между собой и внешней средой, то есть с более широкой системой, в которую

прогнозируемая система входит как один из элементов.

Влияние внешней среды называют прогнозным фоном, а параметры,

описывающие влияние фоновых факторов, - фоновыми переменными.

Факторы, с помощью которых осуществляется целенаправленное воздействие

на систему в целом и ее элементы, называются управляющими параметрами.

Факторы, значение которых объективно непредсказуемо и составляет

систему предположений об условиях будущего развития хозяйственной системы,

называются сценарными параметрами.

При построении сценариев следует учитывать воздействие двух основных

групп ограничений:

1 группа - это ограничения, накладываемые законами природы (например,

по ресурсам). Такие ограничения являются естественными, и носят постоянный

характер;

2 группа связана с процессами жизнедеятельности систем (особенно

социальных). Их называют ограничениями по состоянию системы, в реальных

системах такие ограничения принимают форму нормативных ограничений. Они

закрепляются в законодательном порядке, то есть носят праковой характер и с

помощью нормативных ограничений обеспечивается динамическое равновесие

системы.

Эти ограничения меняются с развитием системы, и одной из наиболее

сложных задач прогнозирования является предсказание этих изменений.

Одним из приемов разрешения неопределенности, связанной с неточным

знанием границ состояния прогнозируемой системы, является введение

индикаторов состояния.

Индикатор - это критический к предельным состояниям системы параметр,

который должен измеряться количественно. В качестве индикаторов обычно

выбираются объективно измеряемые параметры системы с известными предельными

значениями, выход за пределы которых вызывает неустойчивость системы и

возможность ее перехода в другое качественное состояние или ведет к гибели.

Например, цена на товар - индикатор состояния рынка; темпы инвестиций -

показатель экономической активности.

Важной и сложной проблемой является выбор методов варьирования значений

сценарных параметров. Одним из таких методов является гарантированный

прогноз. Процедура гарантируемого прогноза включает следующие шаги:

1) задаются максимально возможные значения параметров, характеризующих

факторы, положительно влияющие на развитие исследуемой системы, и

минимальные значения тех факторов, которые препятствуют ее развитию. Таким

образом, выбирается «идеальное», то есть наилучшее состояние системы;

2) для определения нижнего предела поступают наоборот;

3) получают «трубку сценариев» развития системы, которая подвергается

дальнейшему анализу.

Процесс построения сценариев можно разбить на два больших этапа:

• предсценарный предназначен для содержательного и формального

исследования и описания прогнозируемых процессов, построения моделей

системы и подготовки всей необходимой информации для синтеза сценариев;

• сценарный этап как конечный результат прогнозирования, когда проводятся

расчеты по всем базовым сценариям и даются рекомендации по результатам

прогнозирования с подробным описанием последствий реализаций каждой из

предложенных альтернатив.

На предсценарном этапе формулируется исходная гипотеза о

целенаправленном развитии рассматриваемой системы, которая оформляется в

виде рабочего документа, содержание которого максимально структурировано и

отвечает принципам системного описания объекта прогнозирования. На данном

этапе определяется объект и предмет прогнозирования.

Системное описание объекта начинается с его декомпозиции на элементы,

и строится первая матричная схема целостной системы. Далее отбираются и

фиксируются факторы, определяющие эволюцию системы, т.е. возможности

перехода из одного состояния в другие. По результатам этой работы строится

матрица «Состояния-факторы» (рис. 2.5). За каждым фактором или группой

факторов стоит конкретный объект или явление, которые являются или

элементами рассматриваемой системы, или элементами более высокого порядка

(внешней среды). Это означает, что каждому содержанию матрицы «Состояния-

факторы» соответствует определенная декомпозиция прогнозируемой системы.

После формирования матрицы выбирается минимальное число параметров,

характеризующих состояние системы относительно целей прогнозирования.

Параметры могут быть как количественными, так и качественными. Качественные

параметры можно представить шкалой качественных значений (баллов). Если

число параметров велико, то из них выбирают индикаторы, доминирующие

показатели, по которым судят о состоянии системы.

|Состояния |Внешние факторы |Внутренние факторы |

| |Экономические |Политические | |

| |Факторы |

| | | | | | | |

| | |Параметры |

|Прямая верификация |Разработка модели того же объекта с |

| |использованием иного метода |

| |прогнозирования |

|Косвенная верификация |Сопоставление результатов, полученных с|

| |использованием данной модели, с |

| |данными, полученными из других |

| |источников |

|Консеквентная верификация |Верификация результатов моделирования |

| |путем аналитического или логического |

| |выведения прогноза из ранее полученных |

| |прогнозов |

|Верификация оппонентом |Верификация путем опровержения |

| |критических замечаний оппонента по |

| |прогнозу |

|Верификация экспертом |Сравнение результатов прогноза с |

| |мнением эксперта |

|Инверсная верификация |Проверка адекватности прогнозной модели|

| |и объекта в ретроспективном периоде |

|Частичная целевая верификация |Построение условных подмоделей, |

| |эквивалентных полной модели, в типовых |

| |для проектируемой системы ситуациях |

|Структурная верификация |Сопоставление структур без |

| |экспериментальной проверки |

| |сопоставления в целом |

Верификация модели - оценка ее функциональной полноты, точности и

достоверности с использованием всей доступной информации в тех случаях,

когда проверка адекватности по тем или иным причинам невозможна.

В прогнозировании чаще используют верификацию, так как в большинстве

случаев реальный объект отсутствует или разрабатываются новые (еще не

существующие) функции объекта прогнозирования. В таблице 3.1 представлены

наиболее часто используемые методы верификации.

В прогнозировании случай совершенного прогноза достигается крайне

редко, поэтому проблема верификации прогнозной модели является одной из

важнейших в прогностике. Степень совершенства прогнозов выражают через

различные измерители точности прогнозирования. Точность точечного прогноза

в момент f, определяется разностью между прогнозом Р, и фактическим

значением Fh прогнозируемого показателя в этот момент времени. Отдельный

точечный прогноз не определяет точность конкретной процедуры

прогнозирования в целом, то есть потребуется некоторая выборка {(Pj, fj)},

на основе которой рассчитывается значение некоторого измерителя точности

прогнозирования.

Важность проблемы точности прогнозирования определяет важность анализа

различных ее измерителей. В настоящее время нет достаточно полного

исследования всевозможных критериев точности, что затрудняет оценивание

возможностей различных моделей и опыта их применения в прикладных работах

по прогнозированию конкретных процессов [10].

Для измерения точности прогнозирования можно использовать любой

коэффициент парной корреляции между последовательностями прогнозных и

фактических значений. Классический критерий точности прогнозирования -

коэффициент корреляции Пирсона.

Максимальное значение r = 1 достигается при наличии линейной связи

[pic]

(3.1)

между Р и F, т.е. когда существуют такие а0 и а/>0, что Р = oq + at F.

Однако при а0 Ј 0 и а, = 1 прогноз не будет совершенным, хотя корреляция

полная и положительная; только при Р = F коэффициент корреляции может

характеризовать совершенный прогноз.

Коэффициент ранговой корреляции Спирмэна также может быть использован в

качестве измерителя точности прогнозирования. Для этого вычисляются ранги

{x} и {у} элементов соответствующих последовательностей {PJ и {Ft}.

Очевидно, что

[pic] (3.2)

Если несколько элементов из Pi или Ft имеют одинаковые ранги, то им

определяется ранг, равный среднему арифметическому значений мест элементов

в данной ранжировке. В этом случае последнее соотношение останется верным.

Вычисляются корректирующие множители для связей соответственно для

последовательностей xi и уi :

[pic] (3.3)

где г,- и /, равно числу повторений i-го ранга в соответствующих

последовательностях. Вычисляют сумму квадратов разностей рангов

[pic]

(3.4)

Если Tf или Ту равно нулю, то коэффициент ранговой корреляции Спирмэна

равен:

[pic]

(3.5)

Коэффициент ранговой корреляции р позволяет характеризовать

качественную сторону последовательности прогнозов {Р/j, а именно

способность предсказывать точки поворота. Коэффициент ранговой корреляции

можно рассматривать как дополнительный измеритель точности прогнозирования

при Pi=Fi и г, близким к 1, так как критерий р инвариантен относительно

линейной вариации, причем р=1 прогноз может быть далеко не совершенным, так

как для этого достаточно лишь совпадения рангов.

В качестве измерителей точности прогнозирования могут быть использованы и

другие коэффициенты парной корреляции, например коэффициент ранговой

корреляции Кендэлла. Однако для характеристики коэффициентов парной

корреляции как некоторого класса измерителей точности прогнозирования

достаточно провести анализ этих двух наиболее часто используемых

коэффициентов, чтобы выделить общие для этого класса свойства. Во-первых,

инвариантность относительно линейной вариации, а во-вторых, полная

корреляция еще fie определяют совершенный прогноз. Еще одним важным

свойством коэффициентов парной корреляции является возможность проверки их

на значимость, так как определены соответствующие законы распределения этих

статистик. Например, для коэффициента ранговой корреляции Спирмэна

значимость проверяется с п-2 степенями свободы по следующей t-статистике:

[pic]

(3.6)

Наиболее распространенными оценками точности прогнозирования также

являются средняя ошибка аппроксимации

[pic] (3.7)

и средняя квадратическая ошибка прогнозов

[pic]

(3.8)

Точность прогнозирования тем выше, чем меньше значения е или S

соответственно. Совершенный прогноз достигается при e=S=0.

Одним из исследователей проблем экономического прогнозирования, Г.

Тейлом [10], предложен в качестве меры качества прогнозов коэффициент

расхождения V (или коэффициент несоответствия), числителем которого

является среднеквадратическая ошибка прогноза, а знаменатель равен

квадратному корню из среднего квадрата реализации:

[pic]

(3.9)

Если У=0, то прогноз абсолютно точен (случай «идеального»

прогнозирования). Если F=l, то это означает, что прогноз близок к простой

(и наивной) экстраполяции. Если У>1, то прогноз дает худший результат, чем

предположение о неизменности тенденций исследуемого явления.

Коэффициент расхождения может быть использован при сопоставлении качества

прогнозов, получаемых на основе различных методов и моделей. В этом его

несомненное достоинство. Величина V поддается разложению на составляющие

(частные коэффициенты расхождения), характеризующие влияние ряда факторов

(это достигается разложением числителя, представляющего собой средний

квадрат ошибки прогноза).

В некоторых случаях более важное значение имеют распознающие

способности моделей прогнозирования, особенно при краткосрочном

прогнозировании. Например, при прогнозировании выполнения месячных планов

предприятий отрасли по особо учитываемой номенклатуре в начале месяца в

первую очередь интерес представляет более точная оценка возможности

выполнения плана, чем прогнозная информация о величине отклонения от плана.

В данном случае целесообразно использовать следующую меру точности

прогнозирования:

[pic][pic]

(3.10)

где q - число подтвержденных прогнозов; р - число неподтвержденных

прогнозов.

Если Ј~\, то имеет место случай «идеального» прогнозирования.

Таким образом, измерители точности прогнозирования по отношению к

инвариантности относительно линейной вариации делятся на инвариантные и не

инвариантные. Инвариантные измерители (S и коэффициенты парной корреляции),

хотя и не позволяют сравнивать точность прогнозирования различных

процессов, могут использоваться для определения точности прогнозирования

различных последовательностей прогнозных значений {Pi} при фиксированной

последовательности {Ft}. Например, подобная ситуация возникает при

моделировании, когда необходимо выбирать между несколькими моделями

прогнозирования, генерирующими соответствующие последовательности {Ft}.

Инвариантные измерители могут быть проверены на статистическую значимость,

то есть с определенной доверительной вероятностью конкретное значение

измерителя является обоснованным. Однако особый интерес при построении

моделей прогнозирования имеет критерий Г. Тейла, так как позволяет

определить, в чем состоит расхождение: имеет место дрейф среднего или дрейф

дисперсии. С другой стороны, критерий У не является инвариантным, и есть

возможность оценивать применимость модели для совокупности различных

прогнозируемых процессов в целом. Например, для прогнозирования по одной

модели поведения отдельных предприятий или отрасли в целом.

Средняя ошибка аппроксимации е является наиболее наглядным измерителем

точности прогнозирования, что вместе с неинвариантностью приводит к тому,

что требование к точности задач прогнозирования формулируется по этому

критерию.

Определить точность точечного прогноза по данным формулам можно при

ретроспективности прогнозирования, когда апробируется модель, а также для

прогнозов с малым периодом упреждения {краткосрочные прогнозы).

Страницы: 1, 2, 3, 4, 5, 6, 7