Будь умным!


У вас вопросы?
У нас ответы:) SamZan.net

Тема 2 Методологические основы прогнозирования Этапы прогнозирования Интуитивные методы прогнозир

Работа добавлена на сайт samzan.net:

Поможем написать учебную работу

Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.

Предоплата всего

от 25%

Подписываем

договор

Выберите тип работы:

Скидка 25% при заказе до 9.11.2024

Тема 2. Методологические основы прогнозирования

  1.  Этапы прогнозирования
  2.  Интуитивные методы прогнозирования
  3.  Формализованные методы прогнозирования
  4.  Этапы прогнозирования

Примерная последовательность разработки прогноза:

  1.  Предпрогнозная ориентация – совокупность работ, включающая определение объекта прогнозирования и период упреждения (промежуток времени, на который разрабатывается прогноз);
  2.  Разработка задания на прогноз – документ, регламентирующий порядок разработки прогноза. Задание осуществляется с участием заказчика и исполнителя;
  3.  Прогнозная ретроспекция – исследование исторического развития объекта прогнозирования и прогнозного фона;
  4.  Прогнозный диагноз – выявление тенденций развития объекта и выбор метода прогнозирования;
  5.  Прогнозная проспекция – расчет прогнозируемых параметров на заданный период упреждения; синтез отдельных составляющих прогноза;
  6.  Верификация прогноза – оценка достоверности и точности прогноза.

Методы верификации:

  1.  Инверсная – оценка адекватности модели;
  2.  Оппонентная – опровержение критических замечаний по прогнозу;
  3.  Прямая – разработка прогноза прямым методом;
  4.  Косвенная – сопоставление результатов прогноза с прогнозами других разработчиков;
  5.  Корректировка прогноза;
  6.  Синтез прогноза – разработка системного прогноза.

  1.  Интуитивные методы прогнозирования

Методы прогнозирования по степени получения и обработки информации:

  1.  Статистические (обработка количественной информации);
  2.  Методы аналогии (сравнение исторических данных);
  3.  Опережающие методы (основаны на свойстве опережающей информации).

По степени формализации:

  1.  Интуитивные или методы экспертных оценок, основанные на опыте экспертных групп.
  2.  Формализованные.

Индивидуальные интуитивные методы:

1) метод интервью: вопрос-ответ;

2) аналитический.

Групповые интуитивные методы:

  1.  Мозговой штурм
  2.  Метод Делфи предполагает полную анонимность эксперта; отказ от личных контактов и коллективных обсуждений; многоуровневую процедуру опроса;
  3.  Метод 635, то есть 6  человек высказывают 3 идеи в течение 5 минут;
  4.  Метод написания сценария предполагает построение модели будущего, который освещает 3 линии поведения: - оптимистическую – развитие объекта в благоприятных условиях; - пессимистическую; рабочую - развитие объекта с учетом взаимодействия с отрицательным фактором.

Наиболее вероятный сценарий – базовый, а другие сценарии рассматриваются в случае, если развитие объекта в большей мере приближается к их содержанию.

Д/з Какие еще существуют интуитивные методы? Название – суть.

3. Формализованные методы прогнозирования

Таблица - Группы формализованных методов социально-экономического прогнозирования:

Наименование группы

Классификация методов

Экстраполяционные методы

-метод наименьших квадратов;

-экспоненциальное сглаживание;

-вероятностное моделирование;

-адаптивное сглаживание.

Системно-структурные методы

-функционально-иерархическое моделирование;

-морфологический анализ;

-сетевое моделирование;

-метод структурной аналогии;

-матричный метод

Ассоциативные методы

-имитационное моделирование;

-историко-логический анализ

Методы опережающей информации

-анализ потоков публикаций;

-метод оценки значимости открытий, изобретений, нововведений;

-анализ патентной или аналогичной информации

Имеются и другие разновидности методов всех четырех групп

Формализованные методы прогнозирования базируются на математической теории, которая обеспечивает повышение достоверности и точности прогноза и включают: 1) экстраполяцию и 2) математическое моделирование.

1. Экстраполяция бывает формальная и прогнозная. Формальная предполагает сохранение в будущем прошлых и настоящих тенденций и не учитывает изменение самого объекта, а прогнозная экстраполяция учитывает возможные изменения объекта и может представляться в виде тренда корреляционных и регрессионных зависимостей.

Экстраполяция сложного порядка может перерасти в моделирование. Для такого вида экстраполяции как тренд характерно нахождение плавной линии, отражающей закономерности развития объекта. Экстраполяция на основе тренда включает:

  1.  Сбор информации: составление временного ряда;
  2.  Выбор оптимального вида функции (сглаживающий ряд);
  3.  Расчет параметров выбранной экстраполирующей функции;
  4.  Составление прогноза по выбранной функции.

При оценке параметра наиболее распространенными являются:

  1.  Метод скользящей средней;
  2.  Метод наименьших квадратов (МНК);
  3.  Метод экспоненциального сглаживания.

Временной ряд – упорядоченная по времени последовательность наблюдений. Уровень ряда – числовые значения того или иного статистического показателя; время – выраженное моментами (моментные ряды) или периодами (день, месяц, квартал, год и пр – интервальные ряды.), к которым относятся уровни.

Таблица – Формулы расчета показателей временного ряда

Показатель

Базисный

Цепной

Абсолютный прирост

Коэффициент роста

Темп роста

Коэффициент прироста

Темп прироста

Абсолютное значение одного процента прироста

Пункты роста

Таблица – Формулы расчета средних показателей временного ряда

Показатель

Интервальный ряд

Моментный ряд

Средний уровень ряда

 

Средний абсолютный прирост

;

Средний темп роста

Средний темп прироста

Пример расчета ряда динамики на основе имеющихся данных об объемах производства электроэнергии в РФ1.

Таблица – Динамика производства электроэнергии (млрд кВт*ч.)

Год

Абсолютный прирост

Темпы роста, %

Темпы прироста, %

А%

Пункты роста, %

1

2

3

4

5

6

7

8

9

10

1995

14,9

 

 

 

 

 

 

 

 

1996

14,6

-0,3

-0,3

97,99

97,99

-2,01

-2,01

0,149

 

1997

13,0

-1,6

-1,9

89,04

87,25

-10,96

-12,75

0,146

-10,74

1998

10,9

-2,1

-4,0

83,85

73,15

-16,15

-26,85

0,130

-14,09

1999

11,5

0,6

-3,4

105,50

77,18

5,50

-22,82

0,109

4,03

2000

10,7

-0,8

-4,2

93,04

71,81

-6,96

-28,19

0,115

-5,37

2001

15,7

5,0

0,8

146,73

105,37

46,73

5,37

0,107

33,56

 

0,8

 

 

 

 

 

 

7,38

13,04

0,13 млрд кВт*ч

100,88%

0,88%

Пример прогноза методом скользящей средней

;

Таблица – Объем инвестиций в регион в млрд. руб.

Год

Объем инвестиций

3-х летняя скользящая средняя

5-ти летняя скользящая средняя

1998

15,4

 

 

1999

14,0

15,7

 

2000

17,6

15,7

14,7

2001

15,4

14,6

15,1

2002

10,9

14,6

15,3

2003

17,5

14,5

15,5

2004

15,0

17,0

15,2

2005

18,5

15,9

16,0

2006

14,2

15,9

 

2007

14,9

 

 

Недостаток метода:

  1.  Укорачивание сглаженного ряда по сравнению с фактическим, а следовательно, потеря информации;
  2.  Метод дает возможность определить лишь общую тенденцию развития объекта, однако получить обобщающую количественную модель тренда посредством метода нельзя.

Суть МНК – нахождение параметров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда. Выбор вида модели (линейной, показательной, степенной) должен быть основан на графическом изображении. Расчет параметров упрощается, если за начало отсчета принять центральный интервал. При нечетном числе уровне ряда:

2000

2001

2002

2003

2004

-2

-1

0

1

2

При четном числе уровне ряда:

2000

2001

2002

2003

-3

-1

1

3

Линейная модель:

 

t =0:

Зная уравнение тренда и подставляя в него значения t за пределами исследованного ряда, можно рассчитать вероятностные значения на следующий период.

Для определения границ интервала:

S – остаточное среднеквадратическое отклонение от тренда, скорректированное по числу степеней свободы (n-m);

n – число уровней ряда;

m –число параметров модели тренда.

Пример – Прогноз МНК

Год

Объем инвестиций (у)

t

t2

y*t

y^

y-y^

(y-y^)2

2001

15,40

-9,00

81,00

-138,60

15,16

0,24

0,06

2002

14,00

-7,00

49,00

-98,00

15,20

-1,20

1,44

2003

17,60

-5,00

25,00

-88,00

15,24

2,36

5,57

2004

15,40

-3,00

9,00

-46,20

15,28

0,12

0,01

2005

10,90

-1,00

1,00

-10,90

15,32

-4,42

19,54

2006

17,50

1,00

1,00

17,50

15,36

2,14

4,58

2007

15,00

3,00

9,00

45,00

15,40

-0,40

0,16

2008

18,50

5,00

25,00

92,50

15,44

3,06

9,36

2009

14,20

7,00

49,00

99,40

15,48

-1,28

1,64

2010

14,90

9,00

81,00

134,10

15,52

-0,62

0,38

2011

 

 

 

 

15,56

 

 

2012

 

 

 

 

15,60

 

 

2013

 

 

 

 

15,64

 

 

2014

 

 

 

 

15,68

 

 

Итого

153,40

0,00

330,00

6,80

153,40

0,00

42,74

а0

15,34

 

 

 

 

 

 

а1

0,02

 

 

 

 

 

 

у^=15,34+0,02t

 

 

 

 

 

 

 

s

2,31

 

 

 

 

 

 

t

3,355

 

 

 

 

 

 

 

Интервал

 

 

 

 

 

у2011

7,80

23,32

 

 

 

 

 

у2012

7,84

23,36

 

 

 

 

 

у2013

7,88

23,40

 

 

 

 

 

у2014

7,92

23,44

 

 

 

 

 

Итого

31,46

93,50

 

 

 

 

 

2011

15,51

11

121

170,6113

15,56

-0,05

0,00

2012

15,51

13

169

201,6315

15,60

-0,09

0,01

2013

15,51

15

225

232,6518

15,64

-0,13

0,02

2014

15,51

17

289

263,672

15,68

-0,17

0,03

Итого

62,04

56,00

804,00

868,57

62,48

-0,44

0,06

МНК широко используется в силу простоты. Недостаток: модель тренда жестко фиксируется, это делает возможным его применение только при небольших периодах упреждения (в краткосрочной, среднесрочной перспективе).

На изучаемом интервале времени коэффициенты уравнения, описывающего тренд, могут не оставаться неизменными, как это предполагается при применении МНК. Ценность различных уровней ряда в такой ситуации различна и больший вес надо придавать более поздним наблюдениям, вместе с тем учитывать с меньшими весами и ранние наблюдения. Этим условиям удовлетворяют так называемые адаптивные методы прогнозирования. Адаптация означает приспособление строения и функций явлений и процессов к условиям существования. Применительно к прогнозированию процесс адаптации состоит в следующем. Пусть по модели временного ряда из некоторого исходного состояния делается прогноз. После того, как пройдет одна единица времени, сравниваем результат прогнозирования с фактически реализовавшимся значением. Ошибка прогнозирования через обратную связь поступает на вход системы и используется для корректировки модели с целью большего согласования своего поведения с динамикой ряда.  Затем делается прогноз на следующий момент времени и т.д. поэтому ценность различных членов ряда в адаптивных методах неодинакова. Больший вес и информационная ценность придается наблюдениям, ближайшим к точке прогнозирования. Практическое применение адаптивных методов возможно посредством использования метода экспоненциального сглаживания.

Суть метода экспоненциального сглаживания – временной ряд сглаживается с помощью взвешенной скользящей средней, в которой веса распределяются по экспоненциальному закону (более поздним наблюдениям придается больший вес).

Рассмотрим адаптивную модель первого порядка – линейную:  

Из первоначального временного ряда  (сглаженного, выровненного) сглаженный ряд S(y) можно получить с помощью оператора сглаживания или экспоненциальной средней нулевого порядка:

- экспоненциальная средняя – взвешенная сумма всех членов ряда, с падающими экспоненциально весами в зависимости от давности наблюдений.

Оператор сглаживания можно применить к сглаженному ряду, то есть оператор сглаживания второго порядка:

– весовой коэффициент, который берется близким к единице, если надо учесть последнее наблюдение, и близким к нулю, если надо учесть большую часть имеющихся данных, 0<α<1, β=1-α.

По теореме Брауна-Майера получаем систему из двух уравнений, связывающую оценки коэффициентов  с экспоненциальными средними

Где  и  - оценки коэффициентов

Из системы получим:

-

Для линейной модели прогноз рассчитывается по формуле:

глубина прогноза; 1ый год, φ=1, 2ой год φ= 2…

При этом ошибка прогноза определяется так:

,

Где среднеквадратическая ошибка отклонений от линейного тренда вычисляется по формуле:

Т. о. алгоритм прогнозирования с использованием моделей экспоненциального сглаживания состоит из следующих шагов:

1. Выбирается модель экспоненциального сглаживания.

2. Определяется параметр

3. Вычисляются начальные условия.

4. Рассчитываются экспоненциальные средние.

5. Определяются оценки коэффициентов модели прогноза.

6. Осуществляется прогноз на один шаг вперед.

7. находится отклонение фактического значения ряда от прогнозируемого – ошибка прогноза.

8. Вычисляются по рекуррентным формулам2 новые экспоненциальные средние и оценки коэффициентов модели прогноза.

9. Осуществляется прогноз на два шага вперед и т.д.

Плюсы моделей экспоненциального сглаживания:

-логичная, ясная концепция;

-оптимальное значение единственного параметра можно найти эмпирическим путем;

-коэффициенты модели прогнозирования оцениваются совместно таким образом, чтобы уменьшить автокорреляцию в остатках.

Недостатки моделей экспоненциального сглаживания:

-рассматривают временной ряд изолированно от других явлений, и если даже имеется дополнительная информация, она может быть использована лишь путем регулирования скорости адаптации;

-специфика ряда должна быть отражена в единственным параметре α, что ограничивает класс моделей, допустимых в рамках метода экспоненциального сглаживания.

Пример – составить прогноз налогового поступления в региональный бюджет на 3 последующих года:

t

y

y^

S1

S2

 

 

 

 

2004

 

 

7,29

4,00

10,57

0,82

1

11,39

2005

7

8,11

7,45

4,69

10,21

0,69

2

11,59

2006

10

8,93

7,75

5,30

10,19

0,61

3

12,03

2007

10

9,75

8,15

5,87

10,42

0,57

4

12,70

2008

11

10,57

8,63

6,42

10,84

0,55

5

13,60

2009

11

11,39

9,18

6,97

11,39

0,55

6

14,70

2010

12

12,21

9,79

7,54

12,04

0,56

7

15,98

2011

13

13,04

10,44

8,12

12,76

0,58

8

17,40

Итого

74

74

61,39

44,92

 

 

 

 

α

0,2

Найдем у^ МНК

Год

Объем инвестиций (у)

t

t2

y*t

y^

2005

7,00

-3,00

9,00

-21,00

8,11

2006

10,00

-2,00

4,00

-20,00

8,93

2007

10,00

-1,00

1,00

-10,00

9,75

2008

11,00

0,00

0,00

0,00

10,57

2009

11,00

1,00

1,00

11,00

11,39

2010

12,00

2,00

4,00

24,00

12,21

2011

13,00

3,00

9,00

39,00

13,04

Итого

74,00

0,00

28,00

23,00

74,00

а0

10,57

 

 

 

 

а1

0,82

 

 

 

 

Посчитать базисные и цепные показатели темпы роста и прироста:  =87,35; =88,88%; =92,25%.   -0,11; .  =87,25;  =101,76;  =103,80. -0,13;

Вывод: Объем инвестиций в последующие три года (с 2012 по 2014) сократится. Если 2011 год – базисный, то  2012 году уменьшится на 12,7%, в 2013 – на 11,1%, в 2014 – на 7,7. При цепном показателе, в 2012 уменьшится на 12,7%, в 2013 – возрастет на 1,8%; в 2014 – возрастет на 3,8%. Таким образом объем инвестиций после спада в 2012 по 2013 годы, в 2014 году должен достигнуть уровень 2010 года с параметром сглаживания α=0,2.

2. Математические моделирование.

Модель – всякое условное, упрощенное для удобства исследования, схематическое представление об объекте прогноза – упорядоченная совокупность показателей, сценарий возможного или желательного развития событий и т.д. вплоть до строго формализованных математических моделей. Моделирование – построение поисковых и нормативных моделей су четом вероятного или желательного изменения прогнозируемого явления на период упреждения прогноза по имеющимся прямым или косвенным данным о масштабах и направлении изменений. Наиболее эффективная прогнозная модель – система уравнений. Однако имеют значение все возможные виды моделей в широком смысле этого термина: сценарии, имитации, графы, матрицы, подборки показателей, графические изображения и т.д.

Требования к построению модели:

  1.  Полнота совокупности показателей;
  2.  Адаптивность;
  3.  Эволюционность;
  4.  Возможность получения информации за ограниченное время;
  5.  Техническая реализуемость.

Таблица - Классификация моделей:

Классификационный признак

Виды

Общее целевое назначение

-Теоретико-аналитические

-Прикладные

По степени агрегирования объекта

-Макроэкономические

-Межотраслевые

-Отраслевые

-Региональные

-Модель развития фирмы

По конкретному предназначению

-Балансовые

-Трендовые

-Оптимизационные

По учету фактора времени

-Статистические

-Динамические

По учету фактора неопределенности

-Детерминированные (однозначные)

-Стохастические (вероятностные) как вы думаете, какие модели наиболее часто встречаются по этому признаку?

По типу подхода к изучаемым социально-экономическим процессам

-Дескриптивные: для описания и объяснения наблюдаемых фактов или прогноза поведения объектов (в отличие от нормативных моделей, предназначенных для нахождения желательного, напр., оптимального состояния объекта)

-Нормативные: рассматривают, как должна действовать система и когда должны быть достигнуты требуемые показатели

По типу математического аппарата

-Матричные модели (межотраслевого баланса)

-Корреляционно-регрессионные модели;

-Эконометрические модели  

Д/з

1.В таблице представлены данные о среднегодовой численности занятых в экономике, тыс. чел. Рассчитать цепные, базисные и средние: абсолютные приросты, темпы роста, темпы прироста. В качестве базисного следует взять уровень 1995 г. Дать экономическую интерпретацию полученных результатов:

Год

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

Числен-ность

66409

65950

64693

63812

63963

64327

64710

65359

65666

66407

66792

67017

1 Ниворожкина Л.И., Чернова Т.В. Теория статистики (с задачами и примерами по региональной экономике). – Ростов н/Д: Мини Тайп, Феникс, 2005. – С. 113-119.

2 Рекуррентная формула — формула вида ,     выражающая каждый член последовательности  (n  через p предыдущих членов, то есть формула, сводящая вычисление n-го члена какой-либо последовательности (чаще всего числовой) к вычислению нескольких предыдущих её членов. Обычно эти члены находятся в рассматриваемой последовательности «недалеко» от её n-го члена, число их от n не зависит, а n-й член выражается через них достаточно просто.




1. Микрофлора воздуха
2. О дивный новый мир
3. Политиздат 1990 Пер
4. Реферат- Меры обеспечения производства по делам об административных правонарушениях как вид административного принуждения
5.  Левый комплекс- спирали левая правая сальто заднее спирали левая правая сальто заднее
6. Предмет культурології як науки про культуру
7. Расходы будущих периодов и отчет о движении денежных средств
8. Пектиавтобуса Красноярск Горный Регистрация 03
9. Сидоровская средняя общеобразовательная школа Романовского района Алтайского края Поэтич
10. Тема 12 11 Понятие информатики2 1
11. ОЦЕНКА ЭФФЕКТИВНОСТИ ИНВЕСТИЦИОННОГО ПРОЕКТА Исходные данные
12. Тема 14 Тестовий контроль
13. Правознавство для студентів 1 курсу ННІ права заочної форми навчання на базі молодшого спеціаліста
14. Тема 2 Эволюция управленческой мысли 1
15. 14 г БАССЕЙН ДНИ НЕДЕЛИ ЧАСЫ ЗАНЯ
16. Спасибо
17. Горе от ума В своей комедии Горе от ума А.html
18. Статья- Системокванты жизнедеятельности
19. ТЕМАТИЧЕСКИЙ ПЛАН ЛЕКЦИЙ на весенний 20132014 учебного года
20. тематическое содержание новелл