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.
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.
Сегодня очень часто можно встретить многим непонятный термин «формализация», причем в самых разных областях науки и техники. Тем, кто хочет своих знаний, желательно понять, что такое формализация. В статье будет рассмотрена суть этого термина и практическое применение процесса.
Что такое формализация с научной точки зрения в общем понимании?
Затронем немного научный аспект. Будем отталкиваться от того, что слово формализация происходит от слова "формальность", то есть является условным, а иногда даже абстрактным понятием, позволяющим объяснить природу несуществующего объекта или явления и спрогнозировать его свойства в определенной среде при заданных начальных условиях.
Лингвистика любого современного языка абсолютно не совпадает с выражением или природой мышления. Таким образом, логика сама по себе вынуждена использовать некие отвлеченные понятия, чтобы описать то или иное явление. Так и появляется относительное понятие формальности происходящего.
Как уже нетрудно догадаться, суть формализации сводится к тому, чтобы описать или предопределить некие свойства объекта или процесса (даже не существующего на данный момент) и спрогнозировать его применение в случае появления в реальном мире. Но это общее представление. Само понятие формализации куда шире. Для начала остановимся на компьютерных технологиях, рассмотрим, как в мире электронники применяется данное понятие.
Компьютерная формализация
Если затрагивать тему компьютеров, метод формализации такого типа является, скорее, обработкой начально заданных условий, которые позволяют с достаточно высокой степенью точности определить дальнейшее поведение объекта или процесса.
По такому принципу работают практически все метеослужбы. Имея компьютерную модель циклона, можно спрогнозировать его цикл и мощность над сушей или над водным пространством.
Вспомните фильм «Послезавтра», в котором ученый предсказал глобальное потепление, исходя именно из такой методики. У него была разработана компьютерная модель, позволявшая с определенной долей вероятности предсказать дальнейшие события.
Данные примеры доступно объясняют, что такое формализация.
Принципы моделирования объектов и процессов
Основные методы формализации - это прогнозирование и моделирование. Применяются такие технологии исключительно для получения конечных данных об объектах или процессах, которые не известны, но их можно предположить и с высокой точностью рассчитать.
Если посмотреть на виды формализации, практически все они сводятся только к логическим умозаключениям и вычислениям. Читателю не составит труда провести параллель между компьютерным моделированием, доказательством теорем и т. д. на основе аксиом и постулатов.
Посмотрите, ведь та же тоже может быть трактована как метод формализации, ведь на практике проверить доказательство не представляется возможным. В частности это касается константы распространения света, замедления времени на пороге ее достижения, увеличения гравитационной массы объекта и искривления пространства. Руками, как говорится, это не пощупаешь и глазами не увидишь.
Когда-то это были только смелые умозаключения ученого на основе простейших опытов. Сегодня все это подтверждается официальной наукой на основе все того же компьютерного моделирования.
Этапы формализации
Если рассматривать компьютерные системы, то первым этапом формализации является описание процесса. Но здесь не используются инструменты обычного языка (буквы, слова, словосочетания, предложения). Создать определенную можно только с использованием некоего алгоритма на основе выбранного языка программирования, но только после постановки общей задачи.
Иными словами, при моделировании поведения объекта или процесса суть происходящего нужно описать чисто математическими символами, применив математический алгоритм.
Результатом формализации является получение анализа действительного предсказуемого события, которое последует после того, как исследуемая технология будет применена на практике или определенный природный процесс войдет в стадию реального проявления.
Далее следует концептуализация поставленной задачи. Здесь есть два варианта: в первом случае это определение подхода в виде использования атрибутов и признаков; второй вариант подразумевает применение когнитивного анализа, не говоря уже о постановке задачи, сбора начально используемых данных, условий и т. д.
После и начальных условий изучаются существующие взаимосвязи между объектами и процессами, а также так называемые семантические отношения, подразумевающие использование методики локального представления.
Далее следует обработка начальных данных на основе выбранного алгоритма, после чего выдается результат с указанием процента погрешности. Как правило, она не превышает 5%, а в большинстве случаев результат вероятности доходит до 99%. Любой человек или машина все равно оставляют «запас прочности» на ведь абсолютно все учесть невозможно.
Зачем все это нужно?
Если разобраться, такие принципы позволяют производить анализ поведения объектов и процессов. Иными словами, можно предугадать, как будет развиваться тот или иной процесс.
Теперь уже понятно, что такое формализация. Давайте рассмотрим простейший пример.
Применение формализации на практике, простейшие примеры
Допустим, какой-то специалист разработал новую конструкцию самолета. С учетом дороговизны проекта строить модель оригинального размера без предварительного прогноза ее поведения в воздухе является задачей совершенно нецелесообразной. Более того, проведение испытаний в той же аэродинамической трубе самолета размером с Boeing является абсолютно нереальной задачей.
Формализация позволяет при заранее заданных характеристиках будущего летательного аппарата (сопротивления воздуха, бокового ветра, высоты и параметров самой аэродинамической трубы и остальных характеристик) смоделировать полет без постройки модели самолета.
Еще одним примером можно назвать тестирование новых машин, проводимое автомобильными концернами. Основной метод формализации в данном случае заключается в том, что сначала все они проходят виртуальный тест, а после получения положительных результатов опытные образцы запускаются в производство для тестирования в реальных условиях.
Основные результаты
Результат математического моделирования во многом (если не на все сто процентов, то с вероятностью до 95%) может стать весомым аргументом в пользу выпуска современной техники, поможет предсказать погоду, даже спрогнозировать общественное поведение как реакцию на события в мире.
Да-да! в мире тоже подчиняется своим собственным законам. Достаточно воздействовать на него в нужнои направлении. Сегодня уже создано немало программ, позволяющих спрогнозировать реакцию общества на то или иное событие. И это далеко не все примеры формализации. Если копнуть глубже, мы с этим сталкиваемся каждый день.
Одним из самых ярких примеров формализации можно назвать и обнаружение при столкновении элементарных частиц в Большом Адронном коллайдере. А ведь раньше считалось, что существование этой частицы - чистой воды теория, причем абсолютно не доказуемая реальными опытами.
Заключение
Как видим, в понятии формализации, несмотря на научную сложность сути процесса, легко разобраться на примерах. Она в большинстве случаев сводится к использованию неких логических цепочек, предопределяющих конечный результат.
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.
Формализованные методы делятся по общему принципу действия на четыре группы: экстраполяционные (статистические), системно-структурные, ассоциативные и методы опережающей информации.
В практике прогнозирования экономических процессов преобладающими, по крайней мере до последнего времени, являются статистические методы. Это вызвано, главным образом, тем, что статистические методы опираются на аппарат анализа, развитие и практика применения которого имеют достаточно длительную историю. Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа.
Первый заключается в обобщении данных, собираемых за некоторый период времени, а также создании на основе этого обобщения модели процесса. Модель описывается в виде аналитически выраженной тенденции развития (экстраполяция тренда) или в виде функциональной зависимости от одного или нескольких факторов- аргументов (уравнения регрессии). Построение модели процесса для прогнозирования, какой бы вид она ни имела, обязательно включает выбор формы уравнения, описывающего динамику и взаимосвязь явлений, и оценивание его параметров с помощью того или иного метода.
Второй этап - сам прогноз. На этом этапе на основе найденных закономерностей определяется ожидаемое значение прогнозируемого показателя, величины или признака. Безусловно, полученные результаты не могут рассматриваться как нечто окончательное, так как при их оценке и использовании должны приниматься во внимание факторы, условия и ограничения, которые нс участвовали в описании и построении модели. Их корректировка должна осуществляться в соответствии с ожидаемым изменением обстоятельств их формирования.
Необходимо также отметить, что в ряде случаев собственно статистическая обработка экономической информации вовсе не является прогнозом, однако фигурирует как важное звено в общей системе его разработки. Мировая практика обладает обширным материалом в области перспективного анализа, и уже сейчас очевидно, что успешность прогнозов, получаемых на основе статистических моделей, существенно зависит от анализа эмпирических данных, от того, насколько такой анализ сможет выявить и обобщить закономерности поведения изучаемых процессов во времени.
Одним из наиболее распространенных методов прогнозирования является экстраполяция , т.е. продление на перспективу тенденций, наблюдавшихся в прошлом (более подробно метод экстраполяции изложен в следующей главе). Экстраполяция базируется на следующих допущениях (7, с.151):
1) развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией - трендом;
2) общие условия, определяющие тенденцию
развития в прошлом, не претерпят существенных изменений в будущем.
Экстраполяцию можно представить в виде определения значения функции:
гдеу, +/ - экстраполируемое значение уровня;
у* - уровень, принятый за базу экстраполяции;
L - период упреждения.
Простейшая экстраполяция может быть проведена на основе средних характеристик ряда: среднего уровня, среднего абсолютного прироста и среднего темпа роста.
Если средний уровень
ряда нс имеет тенденции к изменению или, если это изменение незначительно, то можно принять:
Если средний абсолютный прирост
сохраняется неизменным, то динамика уровней будет соответствовать арифметической прогрессии:
Если средний темп роста не имеет тенденцию к изменению, прогнозное значение можно рассчитать по формуле:
где г - средний темп роста;
у" - уровень, принятый за базу для экстраполяции.
В данном случае предполагается развитие по геометрической прогрессии или по экспоненте. Во всех случаях следует определять доверительный интервал, учитывающий неопределенность и погрешность используемых оценок.
Наиболее простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в замене фактических уровней ряда расчетными средними, в которых погашаются колебания. Метод подробно рассмотрен в курсе теории статистики .
Для целей краткосрочного прогнозирования также может использоваться метод экспоненциального сглаживания. Средний уровень ряда на момент I равен линейной комбинации фактического уровня для этого же момента у , и среднего уровня прошлых и текущего наблюдений.
где Q" - экспоненциальная средняя (сглаженное значение уровня ряда) на момент t ;
а - коэффициент, характеризующий вес текущего наблюдения при расчете экспоненциальной средней (параметр сглаживания), 0Если прогнозирование ведется на один шаг вперед, то прогнозное значение у, +| = Q: является точечной оценкой.
Экстраполяция тренда возможна, если найдена зависимость уровней ряда от фактора времени t, в этом случае зависимость имеет вид:
Виды кривых, основания выбора вида аналитической зависимости и расчет доверительного интервала рассмотрены в следующей главе.
Для многих стационарных процессов в экономике характерно наличие тесной связи между уровнями за предыдущие периоды или моменты и последующими уровнями. В таких случаях зависимость от времени проявляется через характеристики внутренней структуры процесса за прошлые периоды. Выразив в аналитической форме взаимосвязь уровней временного ряда, можно использовать полученную закономерность для прогнозирования.
Модель стационарного процесса, выражающая значение показателя у { в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии.
где а - константа, ср - параметр уравнения, е г - случайная компонента.
Рассмотренные выше методы, за исключением экстраполяции тренда, являются адаптивными, т.к. процесс их реализации заключается в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предыдущих уровней.
Морфологический метод разработан известным швейцарским астрономом Ф. Цвикки, работавшим в обсерваториях в штате Калифорния до 1942 г. Три типа проблем, которые по его мнению морфологический анализ способен разрешить:
- какое количество информации об ограниченном круге явлений может быть получено с помощью данного класса приемов?
- какова полная цепочка следствий, вытекающих из определенной причины?
- каковы все возможные методы и приемы решения данной конкретной проблемы?
Ответом на второй вопрос является построение дерева целей на основе теории графов. Ответ на третий вопрос дает изыскательское прогнозирование.
Преждевременная постановка вопроса о ценности наносит ущерб исследованию. Упорядочивание всех решений, в том числе тривиальных, позволяет уйти от стереотипов, структурирует мышление таким образом, что генерируется новая информация, ускользающая от внимания при несистематической деятельности.
В морфологическом анализе систематически исследуются все комбинации при проведении качественных изменений основных параметров концепции и посредством этого выявляются возможности новых комбинаций.
Наиболее конструктивным из прикладных направлений системных исследований считается системный анализ. "Анализ системы в целом" ("total systems analyses") впервые был разработан корпорацией "РЭНД" в 1948 году для оптимизации сложных задач военного управления. Однако независимо от того, применяется термин «системный анализ» только к определению структуры целей и функций системы, к планированию, разработке основных направлений развития отрасли, предприятия, организации, или к исследованию системы в целом, включая и цели, и оргструк- туру, работы по системному анализу отличаются тем, что в них всегда предлагается методика проведения исследования, организации процесса принятия решения, делается попытка выделить этапы исследования или принятия решения и предложить подходы к выполнению этих этапов в конкретных условиях.
Кроме того, в этих работах всегда уделяется особое внимание работе с целями системы: их возникновению, формулированию, детализации (декомпозиции, структуризации), анализу и другим вопросам преобразования (целе- полагания). Некоторые авторы даже в определении системного анализа подчеркивают, что это методология исследования целенаправленных систем. При этом разработка методики и выбор методов и приемов выполнения ее этапов базируются на системных представлениях, на использовании закономерностей, классификаций и других результатов, полученных теорией систем.
К методам нормативного технологического прогнозирования относятся матричные подходы , используемые для проверки согласования с различными горизонтально действующими факторами. Двумерные матрицы дают быстрый метод оценки первоочередности того или иного из предполагаемых вариантов. Этому принципу соответствует распространенный в менеджменте метод SWOT анализа, т.е. учет слабых и сильных сторон объекта, угроз и преимуществ во внешней среде.
С точки зрения методики к матричным методам относятся методы и модели теории игр. Они применяются в прогнозировании социально-экономических процессов при анализе ситуаций, возникающих вследствие определенных отношений между исследуемой системой и другими противоположными системами. Примером является рассмотрение предприятия (одного игрока) и природы (другого игрока), т.е. реакции и поведения покупателей.
Другой пример связан с деятельностью предприятий и экономической политикой правительства. Распределение дохода является компромиссом между необходимостью централизации доходов и обеспечения экономической самостоятельности предприятий. Стратегия предприятия формируется с учетом суммарного выигрыша, который оно получает от остающейся у него доли дохода и от дополнительных возможностей, предоставляемых ему центром. Стратегия государства состоит в определении доли централизованных доходов, нс подрывающих экономических возможностей развития предприятий и в то же время является достаточной для решения общегосударственных задач, в конечном счете имеющих значение и для самих предприятий (3, с. 188).
Основной задачей теории игр является разработка рекомендаций по выбору наиболее эффективных решений по управлению процессами в условиях действия неопределенных факторов. К неопределенным относят факторы, о которых исследователь не располагает никакой информацией, они имеют неизвестную природу.
Современный конкурентный мир характеризуется стратегической неопределенностью вследствие участия в нем множества сторон, имеющих собственные различные цели и недостаточно представляющих стратегии конкурентов. В стратегическом менеджменте конкурентная стратегия должна развиваться в направлении от конфликтных ситуаций к партнерству. При этом каждая сторона должна быть готова пойти на определенные потери и быть уверена, что ее конкурент также готов к потерям (4, с.318).
К методам статистического моделирования относятся уравнения регрессии, описывающие взаимосвязи временных рядов независимых признаков и результативных признаков. Прогнозные уровни рассчитываются посредством подстановки в уравнение регрессии прогнозных значений признаков-факторов, которые могут быть получены, например, на основе экстраполяции. Прогнозирование на основе регрессионных моделей может выполняться только после оценки значимости коэффициентов регрессии и проверки модели на адекватность. Вопросы применения регрессионного анализа для целей прогнозирования рассмотрены в главе 4.
Инструментом прогнозирования, учитывающим требования системного подхода к объекту и его количественным характеристикам, являются эконометрические модели. Областью их приложения являются макроэкономические процессы на уровне национальной экономики, ее секторов и отраслей, экономики территорий.
Эконометрические исследования берут свое начало от У.Петти, Дж.Граунта, А.Кетле и в этот список можно включить всех статистиков, внесших значительный вклад в изучение массовых экономических явлений посредством количественных измерений.
Развитию некоторых проблем эконометрического моделирования посвящены работы многих экономистов в области экономико-математического моделирования в 50- 80-е годы прошлого века.
Логика эконометрических монографий обращена прежде всего к различным приложениям, чем к решению задач, возникающих в теории. Так построены переведенные на русский язык монографии Г.Тейла и Э.Маленво , ставшие доступными широкому кругу читателей в 70-х годах прошлого века и сыгравшие большую роль в решении прикладных задач.
Систематическому изложению методов теоретической эконометрики посвящена монография Дж.Джонстона "Эконометрические методы" , изданная в 1980 году. Книга содержит многочисленные примеры и результаты, полученные вплоть до конца 70-х годов, после которых начался качественно новый этап развития рыночной экономики.
В течение последних 10 лет эконометрика вошла в учебные планы экономических специальностей вузов России, и также подготовлена необходимая учебная и методическая литература ведущими отечественными статистиками. Основными среди них являются учебники и учебные пособия, разработанные С.А. Айвазяном, В.С. Мхитаряном (1) и И.И. Елисеевой (6).
Функционально-иерархическое моделирование представляет согласование отдаленной цели с действиями (функциями), которые необходимо предпринять для ее достижения в настоящем и будущем времени. Впервые идея построения графа по принципу дерева целей была предложена группой исследователей в связи с проблемами принятия решений в промышленности (7). Деревья целей с количественными показателями используются в качестве вспомогательного средства при принятии решений и носят в этом случае название деревьев решений.
Первое крупное применение методики дерева целей к количественным расчетам в области принятия решений было осуществлено отделом военных и космических наук компании "Хониуэлл". Схема ПАТТЕРН, первоначально использованная для проблем аэронавтики и космоса, была превращена в универсальную схему, охватывающую все военные и космические сферы деятельности.
Сетевое моделирование широко используется в нормативном технологическом прогнозировании. Наибольшую известность приобрел метод критического пути, основанный на использовании сетевых графиков, отражающих различные стадии каждой части проекта, и анализирующий их с целью выбора оптимального пути между начальной и конечной стадиями. В качестве критерия выступают издержки или сроки. Сетевое моделирование использует в качестве вспомогательного инструмента дерево целей.
В основе метода имитационного моделирования лежит идея максимального использования всей имеющейся информации о системе. Целью является анализ и прогноз поведения сложной системы со множеством функций, не все из которых количественно выражены.
Имитационное моделирование нашло широкое применение в прогнозировании процессов, анализ которых невозможен на основе прямого эксперимента.
Возможность систематизированного использования подобия в развитии различных объектов лежит в основе метода исторических аналогий. Как отмечено Э.Янчем (8, с.221), историческая аналогия всегда играла некоторую осознанную или неосознанную роль при прогнозировании. Впервые результаты систематического использования исторической аналогии к "главным социальным изобретениям XX века, проведенного под эгидой Американской академии искусств и наук, были представлены в книге "Железнодорожная и космическая программы - исследование с позиций исторической аналогии".
При использовании исторических аналогий необходимо иметь в виду:
- - успех зависит от правильного выбора объектов сопоставления;
- - имеет место историческая обусловленность процессов и явлений;
- - нововведения в социально-экономических процессах несут отпечаток национального "стиля".
В прошлом О.Шпенглер и позднее А.Тойнби стремились переосмыслить общественно-историческое развитие человечества в духе теории круговорота локальных цивилизаций. Конец XX века с его гигантскими изменениями привел к столкновению цивилизаций и глобализации.
Метод исторических аналогий достаточно условно можно отнести к формализованным методам, т.к. на стадии выбора он содержит достаточную долю субъективизма, характерную для экспертных методов. Исторические аналогии позволяют решать задачи научно-технического прогнозирования. При этом в качестве источника опережающей информации используются показатели качества аналога, сдвинутые относительно объекта по оси времени. Метод ориентирован на прогноз развития объектов одной природы, поэтому могут использоваться классификации или методы распознавания образов.
Группа методов опережающей информации относится к технологическому прогнозированию и связана с мониторингом новейших исследований, результатов и прорывов в различных областях знаний и оценкой накопленных достижений. Методы основаны на свойстве научно-технической информации опережать реализацию достижений в производстве. Для осуществления такой деятельности имеются большие возможности в связи с высоким уровнем развития информационных технологий.
Основным источником информации является патентная и патснтно-ассоциирусмая информация: патенты, авторские свидетельства, лицензии, каталоги, коммерческая информация. Тенденцией современного мира является сокращение "жизненного цикла" нововведений.
- 1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. - М.: ЮНИТИ, 1998.
- 2. Рабочая книга по прогнозированию / Отв.ред. И.В. Бестужев-Лада. -М.: Мысль, 1982.
- 3. Статистическое моделирование и
прогнозирование. Учебное пособие / Под рсд. А.Г.Гранберга. М., Финансы статистика, 1990.
- 4. Минцберг Г., Куинн Дж.Б., Гошал С. Стратегический процесс/ Пер.с англ, под ред. Ю.Н. Каптурев- ского. - СПб: Питер, 2001. - 688 с., ил.
- 5. Тихомиров Н.П., Попов В.А. Методы социально-экономического прогнозирования. - М.: Изд-во ВЗПИ, A/О "Росвузнаука", 1992.
- 6. Эконометрика: Учебник/Под ред. И.И. Елисеевой. - М.: Финансы и статистика, 2002. - 344 с.,ил.
- 7. Четыркин Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. - М.: "Статистика", 1977,- 200 с., ил.
- 8. Янч Э. Прогнозирование научно- технического прогресса. - М.: Прогресс, 1974.
- См., напримср:Тсория статистики / Под рсд. Р.А. Шмойловой. - М.:Финансы и статистика, 1996. С. 313.
- Тейл Г. Экономические прогнозы и принятие решений - М., Статистика, 1971; Малснво Э. Статистические методы эконометрии - М.,Статистика, 1975, вып.1; 1976, вып.2.
- Джонстон Дж. Эконометрические методы / Пер. с англ, и предисл.А.А. Рывкина. - М.: Статистика, 1980. - 444 с., ил.
- Тойнби А. Постижение истории. М, 1991, с. 19.
Формализованные методы прогнозирования базируются на построении прогнозов формальными средствами математической теории, которые позволяют повысить достоверность и точность прогнозов, значительно сократить сроки их выполнения, облегчить обработку информации и оценки результатов.
В состав формализованных методов прогнозирования входят: методы интерполяции и экстраполяции, метод математического моделирования, методы теории вероятностей и математической статистики.
Методы интерполяции и экстраполяции.
Сущность метода интерполяции заключается в нахождении прогнозных значений функций объекта yi=f(xj), где j=0,…n , в некоторых точках внутри отрезка х0 ,…хn по известным значениям параметров в точках х 0∠х ∠хn
Основные условия, предъявляемые к функциям при интерполяции:
l функция должна быть непрерывна и аналитична;
l для конкретного вида функций или их производных указаны такие неравенства, которые должны определить применимость интерполяции к данной функции;
l функция должна быть в достаточной степени гладкой, т.е. чтобы она обладала достаточным числом не слишком быстро возрастающих производных.
В прогнозировании наиболее широко применяются интерполяционные формулы Лагранжа, Ньютона, Стирлинга и Бесселя.
Метод экстраполяция - это метод научного исследования, заключающийся в распространение тенденций, установленных в прошлом, на будущий период. Математические методы экстраполирования сводятся к определению того, какие значения будет принимать та или иная переменная величина Х=x(t1) , если известен ряд ее значений в прошлые моменты времени х1=x(t1) ,…….., x(tn-1) → x(tn)
В узком смысле слова экстраполяция - это нахождение по ряду данных функции других ее значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция применяется при изучении временных рядов и представляет собой нахождение значений функции за пределами области ее определения с использованием информации о поведении данной функции в некоторых точках, принадлежащих области ее 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 уровней ряда динамики в прошлое.
Существует формальная и прогнозная экстраполяции. Формальная экстраполяция базируется на предположении сохранения в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезой о динамике его развития. Она предполагает необходимость учета в перспективе альтернативных изменений самого объекта, его сущности.
При разработке прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные, функциональные, системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности таких прогнозов в значительной мере обусловливается обоснованностью выбора пределов экстраполяции и соответствие выбранных «измерителей» сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании заключается в следующем:
1. Формулирование задачи, выдвижение гипотез о возможном развитии
прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих
развитию объекта, определение экстраполяции и ее допустимой дальности.
2. Выбор системы параметров, унификация различных единиц измерения,
относящихся к каждому параметру в отдельности.
3. Сбор и систематизация данных, проверка однородности данных и их
сопоставимости.
4. Выявление тенденций изменения изучаемых величин статистического анализа и
непосредственной экстраполяции данных.
В экстраполяционных прогнозах предсказание конкретных значений изучаемого объекта или параметра не является основным результатом. Более важным является своевременное выявление объективно намечающихся сдвигов, закономерных тенденций развития явления или процесса. Под тенденцией развития понимают некоторое его общее направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.
Для повышения точности экстраполяции тренд экстраполируемого явления корректируется с учетом опыта функционирования объекта - аналога исследований или объекта, опережающего в своем развитии прогнозируемый объект. В зависимости от того, какие принципы и какие исходные данные положены в основу прогноза, существуют следующие методы экстраполяции: среднего абсолютного прироста, среднего темпа роста и экстраполяция на основе выравнивания рядов по какой-либо аналитической формуле.
Рассмотренные способы экстраполяции тренда, будучи простейшими, в то же время являются и самыми приближенными. Поэтому наиболее распространенным методом прогнозирования является аналитическое выражение тренда.
Тренд экстраполируемого явления - это длительная тенденция изменения экономических показателей, т.е. изменение, определяющее общее направление развития, основную тенденцию временных рядов. Тренд характеризует основные закономерности движения во времени, в некоторой мере свободные от случайных воздействий. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую накладываются другие составляющие. Результат при этом связывается исключительно с ходом времени. Предполагается, что через время можно выразить влияние всех основных факторов.
Разработка прогноза заключается в определении вида экстраполирующей функции на основе исходных эмпирических данных и параметров.
Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчет параметров выбранной экстраполяционной функции.
При оценке параметров зависимостей наиболее распространенными являются
l метод наименьших квадратов, метод экспоненциального сглаживания временных рядов,
l метод скользящей средней и другие.
Сущность метода наименьших квадратов состоит в том, что функция, описывающая прогнозируемое явление, аппроксимируется более простой функцией или их комбинацией. Причем последняя подбирается с таким расчетом, чтобы среднеквадратичное отклонение фактических уровней функции в наблюдаемых точках от выровненных было наименьшим.
Например, по имеющимся данным (xiyi ) (i=1,2,….n ) строится такая кривая y=a+bx, на которой достигается минимум суммы квадратов отклонений т.е. минимизируется функция, зависящая от двух параметров: а – (отрезок на оси ординат) и b (наклон прямой).
Уравнение, дающие необходимые условия минимизации функции S(a,b), называются нормальными уравнениями. В качестве аппроксимирующих функций применяются не только линейная, но и квадратическая, параболическая, экспоненциальная и др.
Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток данного метода состоит 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 временных рядов – этот метод является модификацией метода наименьших квадратов для анализа временных рядов, при которой более поздним наблюдениям придается больший вес, т.е. веса точек ряда убывают экспоненциально по мере удаления в прошлое. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода и не просто экстраполирует действующие зависимости в будущее, а приспосабливает, адаптирует 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.
Модели, описывающие динамику показателя, имеют достаточно простую математическую формулировку, а адаптивная эволюция параметров позволяет отразить неоднородность и текучесть свойств временного ряда.
Метод скользящей средней заключается в том, что вычисляется средний уровень из определенного числа первых по порядку уровней ряда, затем средний уровень из такого же числа уровней, начиная со второго, далее - начиная с третьего и т.д. Таким образом, при расчетах среднего уровня как бы «скользят» по ряду динамики от его начала к концу, каждый раз отбрасывая один уровень вначале и добавляя один следующий.
Каждое звено скользящей средней – это средний уровень за соответствующий период, который относится к середине выбранного периода, если число уровней ряда динамики нечетное.
Недостаток метода простой скользящей средней состоит в том, что сглаженный ряд динамики сокращается ввиду невозможности получить сглаженные уровни для начала и конца ряда. Этот недостаток устраняется применением метода аналитического выравнивания для анализа основной тенденции.
Метод аналитического выравнивания предполагает представление уровней данного ряда динамики в виде функции времени y=f(t). Для отображения основной тенденции развития явлений во времени применяются различные функции: полиномы степени, экспоненты, логистические кривые и другие виды.
Методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения до пяти - семи лет. Важнейшим условием применения является наличие устойчиво выраженных тенденций развития социально-экономического явления или процесса. При более длительных сроках прогноза эти методы не дают точных результатов.
Метод математического моделирования основан на возможности установления определенного соответствия между знанием об объекте познания и самим объектом.
Человеческие знания об объекте представляют собой более или менее адекватное его отображение, а материализованная форма знания является моделью объекта. Таким образом, методом моделирования называется способ исследования, при котором изучаются не сами объекты, а их модели и результаты такого исследования переносятся с модели на объект.
Применение математических методов обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов. В прогностике используют различные виды моделей: оптимизационные, статические, динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегирования один и тот же тип моделей может быть применен к различным экономическим объектам, т.е. макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные и др. модели.
Моделирование является - один из важнейших и эффективнейших средств прогнозирования социально-экономических явлений, инструментом научного познания исследуемого процесса. Поэтому вопрос об адекватности модели объекту (т.е. о качестве отображения) необходимо решать исходя из определенной цели прогноза.
В процессе экспериментирования могут быть установлены такие связи, отношения или свойства элементов модели, которым не соответствует ни одна связь, отношение или свойство элементов объекта. В этом случае либо построенная модель не адекватна сущности изучаемого явления, либо построенная модель адекватна сущности изучаемого явления, однако свойства и отношения элементов прогнозируемого явления описаны не полно.
В прогнозировании социально-экономических процессов средством изучения закономерностей развития социально-экономических процессов является экономико-математическая модель (ЭММ), т.е. формализованная система, описывающая основные взаимосвязи ее элементов.
Экономико-математическая модель (ЭММ) представляет собой математическое описание экономического процесса или объекта, произведенное в целях исследования и управления. В самой общей форме модель - условный образ объекта исследования, сконструированный для упрощения этого исследования. При построении модели предполагается, что ее непосредственное изучение дает новые знания о моделируемом объекте. ЭММ является основным средством модельного исследования экономики. Во всех случаях необходимо, чтобы модель содержала достаточно детальное описание объекта, позволяющее, в частности, осуществлять измерение экономических величин и их взаимосвязей, чтобы были выделены факторы, воздействующие на исследуемые показатели.
Примером экономико-математическая модель является формула, по которой определяется потребность в материалах, исходя из норм расхода. Модель может быть сформулирована тремя способами: в результате прямого наблюдения и изучения некоторых явлений действительности (феноменологический способ), вычленения из более общей модели (дедуктивный способ), обобщения более частных моделей (индуктивный способ). Один и тот же объект может быть описан различными моделями в зависимости от исследовательской или практической потребности, возможностей математического аппарата и т.п. Поэтому всегда необходима оценка модели и области, в которой выводы из ее изучения могут быть достоверны.
Модели, в которых описывается моментное состояние экономики, называются статическими, а модели описывающие развитие объекта моделирования, - динамическими. Модели могут строиться в виде формул - аналитическое представление модели; в виде числовых примеров - численное представление; в форме таблиц -матричное представление; в форме графов - сетевое представление модели.
Соответственно различают модели числовые, аналитические, матричные, сетевые.
В экономической науке они применяются для анализа экономических процессов, прогнозирования и планирования во всех звеньях и на всех уровнях экономики, вплоть до планирования развития народного хозяйства страны в целом. Их принято подразделять на две большие группы: модели, отражающие преимущественно производственный аспект плана; модели, отражающие преимущественно социальные аспекты плана. Такое деление в значительной степени условно, поскольку в каждой из моделей в той или иной степени сочетаются производственный и социальный аспекты. Из моделей первой группы можно назвать: модели долгосрочного прогноза сводных показателей экономического развития; межотраслевые модели народнохозяйственного планирования; отраслевые модели оптимального планирования и размещения производства, а также модели оптимизации структуры производства в отраслях.
Из моделей второй группы наиболее разработаны модели, связанные с прогнозированием и планированием доходов и потребления населения, демографических процессов.
В прогнозировании также применяются ЭММ эконометрического типа. В эконометрической модели синтезируются достижения теоретического анализа с достижениями математики и статистики, математической статистики. Эконометрические методы применяются для описания экономики посредством построения эконометрических систем моделей, включающих в качестве составных элементов производственную функцию, инвестиционную функцию, а также уравнения, характеризующие движения занятости, доходов, цен и процентных ставок и другие блоки. Среди наиболее известных эконометрических систем подобного рода, по которым ведутся расчеты на ЭВМ, - так называемая Брукингская модель (США), Голландская модель, Уортонская модель (США) и др.
Общая схема разработки системы моделей прогнозирования состоит из трех этапов.
На первом этапе разрабатывается локальные методики прогнозирования, прорабатываются отдельные модели и подсистемы моделей прогнозирования. Затем модели взаимоувязываются в единую систему, что позволяет обеспечить взаимодействие отдельных моделей соответствию требований, зафиксированных в программе исследования по проблеме в целом.
Второй этап предусматривает создание системы взаимодействующих моделей 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 и методов проверки получаемых комплексных прогнозов. Составляются соответствующие программы для решения задач на ЭВМ.
Третий этап включает уточнение и развитие отдельных локальных систем и методик в ходе создания системы моделей прогнозирования и практического их использования.
Система моделей прогнозирования и процедуры моделирования оформляются в виде методики моделирования, которая должны отвечать следующим требованиям:
l давать логически последовательное описание последовательности правил, т.е. алгоритма, позволяющего составить прогноз при достаточно широких предположениях о характере и значениях исходной информации;
l обосновать выбор методов и технических средств, позволяющих проводить расчеты своевременно и многократно;
l выявить существенные связи прогнозируемых явлений и процессов. Для этого необходимо выявить важнейшие и устойчивые закономерности и тенденции как на исходном материале, так и в процессе анализа результатов, получаемых по данной методике;
l обеспечить согласование отдельных прогнозов в непротиворечивую систему, также и позволяющую производить взаимную корректировку прогнозов.
