Методы прогнозирования

Для понимания сущности данного вопроса необходимо предварительно дать определения некоторых понятий, в частности, таких, как: метод, методика, методология.

В широком смысле слова – метод (гр. methodos) - это: 1) способ познания, исследования явлений природы и общественной жизни; 2) прием или система приемов в какой-либо деятельности.

Применительно к экономической науке и практике - метод - это: 1) система правил и приемов подхода к изучению явлений и закономерностей природы, общества и мышления; 2) путь, способ достижения определенных результатов в познании и практике; 3) прием теоретического исследования или практического осуществления чего-нибудь, исходящий из знания закономерностей развития объективной действительности и исследуемого предмета, явления, процесса.

Методика - это: 1) совокупность методов, приемов практического выполнения чего-либо; 2) учение о методах преподавания той или иной науки.

Применительно к прогнозированию в качестве примеров (первый подход) можно привести следующие: методика прогнозирования спроса, продаж, методика прогнозирования финансового состояния предприятия и др.

Методология - это: 1) учение о методе; 2) основные принципы или совокупность приемов исследования, применяемых в какой-либо науке.

Единого, универсального, метода прогнозирования не существует. В связи с огромным разнообразием прогнозируемых ситуаций имеется и большое разнообразие методов прогнозирования (свыше 150). На рис. 1 представлен один из вариантов классификации методов прогнозирования, основанной на индуктивном и дедуктивном подходах [2].

Из рис.1 видно, что вся совокупность методов прогнозирования может быть представлена двумя группами – в зависимости от степени их однородности:

простые методы;

комплексные методы.

Группа простых методов объединяет однородные по содержанию и используемому инструментарию методы прогнозирования (например, экстраполяция тенденций, морфологический анализ и др.).

Комплексные методы отражают совокупности, комбинации методов, чаще всего реализуемые специальными прогностическими системами (например, методы прогнозного графа, система “Паттерн” и др.).

Кроме того все методы прогнозирования поделены еще на три класса:

фактографические методы;

экспертные методы;

комбинированные методы.

В основу их выделения положен характер информации, на базе которой составляется прогноз:

1) фактографические методы базируются на фактическом информационном материале о прошлом и настоящем развитии объекта прогнозирования. Чаще всего применяются при поисковом прогнозировании для эволюционных процессов;

2 ) экспертные (интуитивные) методы основаны на использовании знаний специалистов-экспертов об объекте прогнозирования и обобщении их мнений о развитии (поведении) объекта в будущем. Экспертные методы в большей мере соответствуют нормативному прогнозированию скачкообразных процессов;

3 ) комбинированные методы включают методы со смешанной информационной основой, в которых в качестве первичной информации наряду с экспертной используется и фактографическая.

В свою очередь, каждый из перечисленных классов также подразделяется на группы и подгруппы. Так, среди фактографических методов выделяются группы:

статистических (параметрических) методов;

опережающих методов.

Группа статистических методов включает методы, основанные на построении и анализе динамических рядов характеристик (параметров) объекта прогнозирования. Среди них наибольшее распространение получили экстраполяция, интерполяция, метод аналогий (модель подобия), параметрический метод и др.

Группа опережающих методов состоит из методов, основанных на использовании свойства научно-технической информации опережать реализацию научно-технических достижений. Среди методов этой группы выделяется публикационный, основанный на анализе и оценке динамики публикаций.

Среди экспертных методов выделяют группы по следующим признакам:

по количеству привлеченных экспертов;

по наличию аналитической обработки данных экспертизы (табл. 2).

Таблица 2
Классификация экспертных методов прогнозирования

Статистическое прогнозирование

Для рассмотрения выделим следующие методы статистического прогнозирования:

1. Экстраполяция по скользящей средней - может применяться для целей краткосрочного прогнозирования.

Необходимость применения скользящей средней вызывается следующими обстоятельствами. Бывают случаи, когда имеющиеся данные динамического ряда не позволяют обнаруживать какую-либо тенденцию развития (тренд) того или иного процесса (из-за случайных и периодических колебаний исходных данных). В таких случаях для лучшего выявления тенденции прибегают к методу скользящей средней.

Метод скользящей средней состоит в замене фактических уровней динамического ряда расчетными, имеющими значительно меньшую колеблемость, чем исходные данные. При этом средняя рассчитывается по группам данных за определенный интервал времени, причем каждая последующая группа образуется со сдвигом на один год (месяц). В результате подобной операции первоначальные колебания динамического ряда сглаживаются, поэтому и операция называется сглаживанием рядов динамики (основная тенденция развития выражается при этом уже в виде некоторой плавной линии).

Метод скользящей средней называется так потому, что при вычислении средние как бы скользят от одного периода к другому; с каждым новым шагом средняя как бы обновляется, впитывая в себя новую информацию о фактически реализуемом процессе.

Таким образом, при прогнозировании исходят из простого предположения, что следующий во времени показатель по своей величине будет равен средней, рассчитанной за последний интервал времени.

2. Экспоненциальная средняя. При рассмотрении скользящей средней было отмечено, что чем “старше” наблюдение, тем меньше оно должно оказывать влияние на величину скользящей средней. То есть влияние прошлых наблюдений должно затухать по мере удаления от момента, для которого определяется средняя.

Одним из простейших приемов сглаживания динамического ряда с учетом “устаревания” является расчет специальных показателей, получивших название экспоненциальных средних, которые широко применяются в краткосрочном прогнозировании. Основная идея метода состоит в использовании в качестве прогноза линейной комбинации прошлых и текущих наблюдений. Экспоненциальная средняя рассчитывается по формуле:

Q _t =  y_t + (1 - ) Q_t-1 (1)

где Q_t - экспоненциальная средняя (сглаженное значение уровня ряда) на момент t;

 - коэффициент, характеризующий вес текущего наблюдения при расчете экспоненциальной средней (параметр сглаживания), причем 0 <   1.

Из уравнения следует, что средний уровень ряда на момент t равен линейной комбинации двух величин: фактического уровня для этого же момента и среднего уровня, рассчитанного для предыдущего периода.

3. Прогнозирование на основе сезонных колебаний.

Одним из статистических методов прогнозирования является расчет прогнозов на основе сезонных колебаний уровней динамического ряда. При этом под сезонными колебаниями понимаются такие изменения уровня динамического ряда, которые вызываются влияниями времени года. Проявляются они с различной интенсивностью во всех сферах жизни общества: производстве, обращении и потреблении. Их роль очень велика в агропромышленном комплексе, в торговле многими товарами, в строительстве, на транспорте, в заболеваемости и др. Сезонные колебания строго цикличны – повторяются через каждый год, хотя сама длительность времен года имеет колебания. Для изучения сезонных колебаний необходимо иметь уровни за каждый квартал, а лучше за каждый месяц, иногда даже за декады, хотя декадные уровни могут уже сильно исказиться мелкомасштабной случайной колеблемостью.

Методика статистического прогноза по сезонным колебаниям основана на их экстраполяции, т.е. на предположении, что параметры сезонных колебаний сохраняются до прогнозируемого периода.

Для измерения сезонных колебаний обычно исчисляются индексы сезонности (I_s).

В общем виде индексы сезонности определяются отношением исходных (эмпирических) уровней ряда динамики y_i, к теоретическим (расчетным) уровням y_ti, выступающим в качестве базы сравнения:

I_si = y_i : y_ti (2)

Именно в результате того, что в приведенной выше формуле измерение сезонных колебаний производится на базе соответствующих теоретических уровней тренда y_ti, в исчисляемых при этом индивидуальных индексах сезонности влияние основной тенденции развития элиминируется (устраняется). И поскольку на сезонные колебания могут накладываться случайные отклонения, для их устранения производится усреднение индивидуальных индексов одноименных внутригодовых периодов анализируемого ряда динамики. Поэтому для каждого периода годового цикла определяются обобщенные показатели в виде средних индексов сезонности (I_s):  I_si

4. Прогнозирование методом линейной регрессии - является одним из наиболее широко применяемых методов статистического прогнозирования. Метод базируется на анализе взаимосвязи двух переменных (метод парной корреляции) - влияние вариации факторного показателя Х (например, расходов на рекламу) на результативный показатель У (например, на объем продаж):

у_х = а + bx (6)

с использованиеv метода наименьших квадратов. В основу данного метода положено требование минимальности сумм квадратов отклонений эмперических данных у_i от выравненных у_хi:

 (y_i - y_xi)² = min (7)