Государственное регулирование национальной экономики Республики Беларусь

Методы коллективных экспертных оценок основываются на принципах выявления коллективного мнения экспертов о перспективах развития объектов прогнозирования. При коллективном мышлении, во-первых, выше точность результата и, во-вторых, при обработке индивидуальных независимых оценок, выносимых экспертами, могут возникать продуктивные идеи. Разновидностями этого метода являются: метод комиссии, метод Дельфи, метод коллективной генерации идей (мозговая атака), метод прогнозного графа, матричные методы и др.

Метод комиссии основан на работе специальных комиссий: группа экспертов за «круглым столом» обсуждает проблему с целью согласования и выработки единого мнения. Может использоваться и другая форма опроса – дискуссия, но она имеет недостаток – давление со стороны более компетентных экспертов.

Метод Дельфи – один из наиболее распространенных методов экспертных оценок. Он разработан американской исследовательской корпорацией РЭНД для решения крупных военных проблем. По результатам их исследования в 1964 г. было опубликовано «Исследование возможностей долгосрочного прогнозирования». Основными особенностями этого метода являются:

• анонимность экспертов, полный отказ от личных контактов экспер

тов и коллективных обсуждений;

• многотуровая процедура опроса экспертов;
• обеспечение экспертов информацией, включая и обмен информаци-

ей между экспертами, после каждого тура опроса при сохранении анонимности оценок, аргументации и без критики;

• обоснование ответов экспертов по запросу организаторов.

Опрос по методу Дельфи заключается  в анкетировании экспертов с  помощью опросных листов или внешних устройств ЭВМ в несколько туров, с обработкой результатов анкетирования после каждого тура и информированием экспертов об этих результатах. Используются и статистические характеристики ответов, отражающих мнение всей группы, что дает возможность представить групповой ответ в виде медианы и двух квартелей, т. е. в виде такого числа, оценки которого одной половиной членов группы были больше этого числа, а другой половиной – меньше.

Метод коллективной генерации идей состоит из двух формально не связанных между собой элементов: выявления вероятностных вариантов развития объекта прогнозирования и их оценки. Сначала активизируется творческий потенциал специалистов – генерируется идея. Затем следует процесс деструирования (разрушения, критики) этой идеи и формулируется контридея. Этот метод позволяет за короткий промежуток времени путем вовлечения всех экспертов в активный творческий процесс получить продуктивные результаты. В зависимости от форм активизации работы экспертов и их взаимодействия между собой и с организаторами прогноза могут использоваться различные модификации этого метода: метод ПИГ (психоинтеллектуальная генерация идей), метод «мозговых атак» и др.

Особое место в системе  интуитивных методов прогнозирования  занимает метод морфологического анализа, представляющий собой упорядоченный способ рассмотрения объекта и получения систематизированной информации по всем возможным вариантам его развития. С помощью морфологического анализа удается упорядочить входную информацию об объекте, а также получить качественно новую. Его требования – полное исключение предвзятого мнения, суждения об объекте прогнозирования, использование исчерпывающих знаний о нем.

Морфологический анализ включает ряд приемов, но принцип  действия у них один: систематизированное  рассмотрение характеристик объекта, стремление не пропустить ни одной из них, ничего не отбрасывать без предварительного комплексного исследования. Этой цели служит прием систематизированного охвата информации с последующим исследованием ее по методу «морфологического ящика». Последний строится в виде дерева или матрицы, в клетках которых помещены характеристики объекта. Последовательное соединение одного из параметров первого уровня с параметром последующего уровня представляет собой одно из возможных состояний объекта, либо решение проблемы. При помощи этого метода создается новая информация об изучаемом объекте и вырабатывается оценка всех возможных альтернатив его состояния. Метод морфологического анализа чаще всего применяется при прогнозировании в области науки и техники.

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, обусловливающие 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 x_t - регулярной (детерминированная неслучайная) и e_t – cлучайной. Временной ряд y_t 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) х_t, характеризует динамику развития процесса в целом, случайная составляющая е_t, 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 е 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.

                                                                         (2)

где Vi – расчетные значения исходного ряда;

y_t – фактическое значение исходного ряда;

 п – число наблюдений.

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 + Ь (линейная);                                                                                   (3)

у = ах² + Ь + с (квадратичная);                                                                    (4)

у**х^п (степенная);                                                                                         (5)

у = а* (показательная);                                                                                (6)

у = ае* (экспоненциальная);                                                                      (7)

 (логистическая),                                                                  (8)

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, < 1. Тогда

─ min                                                                               (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  Л = \Aijf„ т. е.

матрицу прогнозируемых показателей размерности (m x T), где А_и - значение i-того показателя в момент времени t,

и если известна матрица перехода Р, то прогноз вычисляется следующим образом:

                                            (10)           

где A_t – вектор значений прогнозируемых показателей в момент t.

Процедура вычисления элементов  матрицы перехода

                                                                                 (11)

предполагает определение  суммарных изменений показателей A_lt для каждого момента времени t, т.е.

                                                                                     (12)

(если мы прогнозируем  потребности, то это и будет  суммарная потребность ресурсов по годам).

Затем определяем значения цепных индексов для величин

                                                                                     (13)

На основе цепных индексов определяем возможные значения прогнозируемых показателей при неизменности структуры в моменты

                                                                         (14)

т.е. индекс умножаем на значение этого показателя в соответствующий  момент (*⁺¹)*

Элементы S_u образуют матрицу размерности (юсТ).

Рассогласование между реальным изменением показателей A_lt и гипотетическим S_(t находим как их разность:

 •                                                                              (15)

Эти величины рассогласования определяют изменение структуры исследуемого процесса (если это потребление, то структуры потребления ресурсов) и представляют собой образующий вектор

                                               (16)