Методы социально-экономического прогнозирования

Данный цикл является ничем иным, как движением информации, где переход от одной функции к другой есть передача потока информации, а сами функции — это обработка информации с помощью различных способов и методов; документирование; принятие функциональных решений; возникновение новой информации. При этом поток информации, идущий от таких функций, как прогнозирование (планирование), организация, мотивация, координация и регулирование, несет в себе воздействие управляющей системы на управляемую, то есть аппарата управления на производственные и функциональные подразделения предприятия.

Информация, обрабатываемая на стадиях учета, контроля и анализа, дает аппарату управления сведения о результативности этих воздействий.

Приведенная модель процесса управления представляет собой идеальную
конструкцию. Однако в реальной практике такая модель не всегда реализуется полностью. Некоторые функции могут не включаться в цикл управления или включаться изредка. Некоторые выполняются лишь поверхностно. Иногда функции между собой не имеют четкого разделения и реализуются параллельно.

Следует иметь в виду, что эффективность реализации функций зависит не от того, в каком объеме они выполняются, а от того, насколько оптимальным будет принято решение, основанное на результатах реализации той или иной функции, и насколько точно оно будет исполнено.

Все управленческие решения, в чем бы ни заключался их смысл, и на реализацию какой функции управления они бы ни были направлены, всегда связаны с целью приведения объекта управления в желаемое состояние. Это состояние можно оценить качественно и количественно.

Для формирования системы этих показателей первоначально необходимо четко
сформулировать цель развития хозяйственной структуры. Определение целей развития экономических объектов следует начинать уже с процесса прогнозирования (а не в ходе планирования, как это обычно делают, превращая прогнозирование лишь в метод поиска основных тенденций, в то время как оно должно являться инструментом управления и принятия решений). Первоначально необходимо сформулировать глобальную (главную, основную) цель, а затем осуществить ее декомпозицию на подцели.

Декомпозиция целей во времени и пространстве в соответствии с организационной структурой предприятия образует иерархическую структуру задач, последовательное и параллельное решение которых должно обеспечить достижение цели (иерархию целей).

Глобальная цель может быть представлена как иерархическая совокупность  множества взаимосогласованных и взаимодействующих целей локальных уровней.

Типовое представление объекта прогнозирования в дальнейшем поможет подобрать адекватный метод разработки прогноза. Как ранее было отмечено, процедуре прогнозирования
предшествует подготовительный исследовательский этап. На этом этапе осознаются, структурируются и четко формируются цели прогноза, то есть из прогнозной среды выделяется объект прогнозирования как целостная система, фиксируется соответствующий цели аспект ее функционирования и развития, проводится структурная декомпозиция и строится многоуровневое описание. Описание исходного состояния (анализ) исследуемой системы отражает
степень информированности к началу прогнозирования и содержит исходную гипотезу о механизме ее функционирования и развития.

Таким образом, на подготовительном этапе создаётся информационная (в
широком смысле) база для проведения прогнозных исследований.

Процесс прогнозирования может быть представлен как некоторое операторное преобразование(П) исходной информации об исследуемом объекте в виде её отображения на будущее, ограниченное глубинной прогноза.

При разработке прогнозов следует иметь в виду, что каждое управленческое
решение по своей природе является прогнозным. Эффективность принимаемых решений может быть обеспечена системным единством процессов прогнозирования и планирования, осуществляемых в определенной последовательности: «поисковый прогноз - нормативный прогноз- стратегическое планирование — бизнес-планирование - перспективное планирование - текущее планирование - оперативное планирование» .

Соблюдение системного единства и последовательности этапов позволяет раскрывать неопределенности, связанные с внешней средой и состоянием самого объекта прогнозирования. Игнорирование отдельных элементов данной системы может привести: к снижению точности прогнозирования-планирования и эффективности принимаемых управленческих решений; к повышению риска при принятии решений.

Таким образом, квалифицированный, профессионально подготовленный
экономист-менеджер должен обладать системными знаниями о науке прогнозирования, что поможет ему при разработке обоснованных управленческих решений.

2.3. Инерционность экономических  процессов как основа экономического прогнозирования

Принципиальная возможность экономического прогнозирования основывается  на закономерном (детерминированном) характере изменения различных показателей и на инерционности технико-экономических процессов.

Инерционность в развитии хозяйственных структур проявляется двояким
образом:

-как инерционность взаимосвязей, т.е. как сохранение в основных чертах
механизма формирования явления (инерционность первого рода);

-как инерционность в развитии отдельных сторон процессов, т.е. как
некоторая степень сохранения их характера (темпов, направления, колеблемости основных количественных показателей) на протяжении сравнительно длинных хронологических отрезков (инерционность второго рода).

Степень инерционности зависит от такого фактора, как размер или масштаб
изучаемой хозяйственной структуры или процесса. Если рассматривать производственную систему, то чем ниже уровень в иерархии «предприятие отрасль - народное хозяйство», тем менее инерционными оказываются соответствующие характеристики.

Последнее обстоятельство можно объяснить тем, что влияние отдельного
фактора (например, внедрение инноваций) на низовом уровне часто оказывается доминирующим.

На макроуровне показатели более устойчивы, поскольку на их значение оказывает воздействие уже гораздо большее число факторов.

Изменение действия ряда из них (иногда оказывающих противоположное влияние) приводит к меньшей потере инерционности, чем на микроуровне.

Опыт свидетельствует о том, что чем «моложе» изучаемая система
(хозяйственная структура, экономическое явление, процесс) и, соответственно, чем меньше имелось времени для формирования более или менее устойчивых взаимосвязей и основных тенденций в ее развитии, тем меньшей инерционностью она обладает.

Наличие инерционности не означает, что экономическая система в своем
развитии будет жестко следовать уже наметившейся тенденции. Различные факторы будут в большей или меньшей степени воздействовать на систему, приводя к отклонениям от тенденции.

Прогнозирование инерционных систем осуществляется через анализ области
возможного, то есть того, что возможно в будущем. Теория прогнозирования
рассматривает понятие возможности как форму детерминации. Различают два типа детерминации:

-внутренняя детерминация, свойственная целостным сложным системам,
обладающим внутренним источником саморазвития (социальные системы);

-внешняя детерминация, предполагающая выделение устойчивых,
относительно неизменных отношений, когда исследуемая система рассматривается как нечто постоянное, устойчивое. Это более простая форма детерминации.

Принцип внешней детерминации предполагает проверку изучаемой системы на устойчивость. Это означает, что не любая комбинация свойств и состояний элементов, образующих целостную социально- экономическую систему, возможна в будущем, а только та, которая образует определенную устойчивую форму, отражающую сущность этой системы.

Критерий устойчивости позволяет проводить отбор только тех вариантов
будущего, которые могут реально существовать.

Для определения типа инерционности экономической системы необходимо
выяснить, присутствует ли в динамических рядах технико-экономических показателей тенденция (тренд). Выяснение типа инерционности позволяет в дальнейшем подобрать адекватный метод прогнозирования (например, при инерционности первого рода это могут быть регрессионные модели, носящие стационарный характер, а при инерционности второго рода - экстаполяционные модели или авторегрессия).

Основная задача анализа временных рядов состоит в выделении
детерминированной составляющей (тренда) и случайной составляющей, а также в оценке их характеристик.

Глава 3. Адаптивные методы прогнозирования экономических процессов

Построение самонастраивающихся рекуррентных моделей, способных отражать изменяющиеся во времени динамические свойства временного ряда и учитывать информационную ценность его членов. При прогнозировании обычно выдвигается гипотеза о том, что основные взаимосвязи и тенденции сохранятся на период прогноза, или что можно обосновать и учесть направление их изменений в рассматриваемой перспективе. Надежды возлагаются здесь на инерционность экономических и финансовых систем.

Между тем в большинстве случаев подвижность этих систем постоянно возрастает, наблюдаются структурная перестройка экономики и неравномерность развития научно-технического прогресса в различных отраслях, мгновенно меняется реакция фондовых и товарно-сырьевых рынков на текущую конъюнктуру, правительственные решения и новые социально) политические условия.

Наибольшей инерционностью обладают макроэкономические характеристики, но и они становятся весьма подвижными. Требование статистических подходов увеличить объем выборки для получения более точных оценок приходит в противоречие с требованием гомогенности (однородности) данных, ибо чем больше период наблюдений, тем выше вероятность того, что объект претерпел коренные изменения. Таким образом, необходим компромисс. Один из наиболее перспективных путей достижения такого компромисса — применение адаптивного метода прогнозирования.

Цель этих методов — построение самокорректирующихся рекуррентных моделей, которые, отражая изменяющиеся во времени динамические свойства временного ряда и учитывая информационную ценность его ретроспективных членов, способны давать достаточно точные оценки будущих членов. Такие модели предназначаются, прежде всего, для краткосрочного прогнозирования.

Реальный процесс протекает в изменяющихся условиях. На временной ряд, представляющий этот процесс, воздействуют в разное время различные факторы внешней среды: одни из них по тем или иным причинам ослабляют свое влияние, другие — увеличивают. Модель должна адаптироваться к ряду. Поскольку чаще всего рассматриваются нестационарные ряды, то есть ряды, характеристики которых (уровень, скорость роста, дисперсия колебаний и прочие) не остаются постоянными во времени, модель всегда будет находиться в движении. Образно говоря, процесс адаптации модели к ряду можно было бы назвать «гонкой за лидером». Адаптация в таких моделях обеспечивается небольшими дискретными сдвигами. В основе процедуры адаптации лежит метод проб и ошибок. Пусть модель находится в некотором исходном состоянии, то есть определены текущие значения ее параметров, и по ним делается прогноз на один шаг вперед. По истечении одной единицы времени (шаг моделирования) определяют, насколько далек прогноз, сделанный по модели, от фактического значения ряда.

Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отреагировать «компенсирующими» изменениями. Затем делается прогноз на следующий момент времени, и процедура повторяется. Таким образом, адаптация осуществляется рекуррентно с получением каждой новой точки ряда. Быстроту реакции модели на изменения ряда характеризует т.н. параметр адаптации.

Процесс «обучения» модели состоит в выборе наилучшего параметра адаптации на основе пробных прогнозов на ретроспективном статистическом материале. При наличии тенденции в движении исследуемого временного ряда наилучшая реакция модели — определенный компромисс между двумя крайними ситуациями, обеспечивающий отражение основной закономерности в движении ряда и одновременно фильтрацию случайных отклонений от нее. По тому, насколько хорошо модель поддается «обучению», можно судить о ее способности адекватно отражать закономерности данного временного ряда.

После выбора параметра адаптации модель самообучается в процессе переработки новых статистических данных. В силу специфичности каждой отдельно взятой модели, а также ограниченности исходной (входной)информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель подходит для прогнозирования любого ряда, любых вариаций поведения.