Методы – формализованные и неформализованные. Методы социального прогнозирования
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. Там, где возможно произвести формализацию связей между основными показателями развития исследуемой системы, используют фактографические, или формализованные, методы.
Преимущество фактографических методов перед интуитивными (экспертными) состоит в возрастании объективности прогноза, расширении возможности рассмотрения различных вариантов и в автоматизации процесса прогнозирования, что позволяет экономить большое количество ресурсов.
Однако при формализации многое остается за пределами анализа, и чем выше степень формализации, тем беднее в общем случае оказывается модель.
Формализованные методы делятся по общему принципу действия на четыре группы: 1.
Экстраполяционные (статистические) методы. 2.
Системно-структурные методы и модели. 3.
Ассоциативные методы. 4.
Методы опережающей информации.
Рассмотрим перечисленные методы более подробно. 2.4.1.
Методы прогнозной экстраполяции (статистические)
При прогнозировании экономических процессов наиболее востребованы статистические методы. Это вызвано главным образом тем, что статистические методы опираются на аппарат анализа, развитие и практика применения которого имеют длительную историю. В ряде случаев прибегают к построению сценариев развития, морфологическому анализу, историческим аналогиям. Новым подходом к прогнозированию развития экономических систем является, в частности, «симптоматическое» прогнозирование, суть которого состоит в выявлении «предвестников» будущих сдвигов в технике и технологии. Однако в практике экономики преобладают по-прежнему статистические методы (что обусловлено явлением инерционности). Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа.
Первый этап - собирают данные, описывающие поведение объекта прогнозирования за некоторый промежуток времени, эти данные обобщают, на основании чего создают модель процесса. Модель может быть описана 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 - непосредственный прогноз. На этом этапе на основе найденных закономерностей определяют ожидаемое значение прогнозируемого показателя, величины или признака. Полученные результаты еще не могут рассматриваться как окончательные, так как при их оценке и использовании должны приниматься во внимание факторы, условия и ограничения, которые не участвовали в описании и построении модели. Корректировка промежуточных результатов должна осуществляться в соответствии с ожидаемым изменением обстоятельств.
Как отмечено в книге по теории прогнозирования15, статистические методы основаны на построении и анализе динамических рядов либо данных случайной выборки. Авторы книги относят к ним и методы прогнозной экстраполяции, корреляционный и регрессионный анализ, отмечая, что в группу статистических методов можно включить метод максимального правдоподобия и ассоциативные методы - имитационное моделирование и логический анализ. Однако, на наш взгляд, правильно разделять экстраполяционные методы и математические.
Динамику исследуемых показателей развития хозяйственной системы можно прогнозировать при помощи двух различных групп количественных методов: однопараметрического и многопараметрического прогнозирования. Общим для обеих групп методов является прежде всего то, что применяемые для параметрического прогнозирования математические функции основываются на оценке измеряемых значений прошедшего периода (ретроспективы). Однопараметрическое прогнозирование базируется на функциональной зависимости между прогнозируемым параметром (переменной) и его прошлым значением, либо фактором времени:
У+1 = Яу? yt-v ..., yj.
При обработке таких прогнозов пользуются методом экстраполяции трендов, экспоненциальным сглаживанием или авторегрессией. В основе многопараметрических прогнозов лежит предположение о причинной взаимосвязи между прогнозируемым параметром и несколькими другими независимыми переменными:
Я+1 = f (х^ или у,+1 = f (%1, х2, ..., хп).
Однопараметрические методы следует использовать при краткосрочном (менее одного года) прогнозировании показателей, изменяющихся еженедельно или ежемесячно; многопараметрические оправдывают себя для средне- и долгосрочного прогнозирования.
Выбор конкретного параметрического метода прогнозирования, кроме того, зависит от характера исходной статистической базы. В качестве исходных данных могут быть взяты выборочные наблюдения и динамические ряды. В первом случае в качестве инструмента прогноза применяют регрессию. Значительно чаще, чем случайная выборка, информационной базой для прогноза служат динамические ряды. Тогда в качестве инструментов прогноза выступают тренды, авторегрессия, смешанная авторегрессия и т.п. Выбор адекватного подхода зависит от того, обнаружены ли экзогенные факторы, влияющие на значение зависимой переменной, или нет, влияют ли на зависимую переменную предшествующие значения этой же переменной и т.д.
В целом процесс выбора конкретного метода статистического параметрического прогнозирования показан на рис. 2.216.
Методы простой экстраполяции. Одним из наиболее распространенных методов прогнозирования является экстраполяция, т.е. продление на перспективу тенденций, наблюдавшихся в прошлом. Экстраполяция базируется на следующих допущениях. 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.
Рис. 2.2. Схема выбора статистического метода прогнозирования
Простую экстраполяцию можно представить в виде определения значения функции
У+1 = f (у*, L),
где у + - 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 не 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 тенденции к изменению, прогнозное значение можно рассчитать по формуле
где т - 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.
Метод скользящих средних. 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 статистики17.
Метод экспоненциального сглаживания принято относить к группе адаптивных методов. Стоит отметить, что деление моделей на адаптивные и неадаптивные достаточно условное. Слово «адаптация» (от лат. adaptatio) означает приспособление строения и функций явлений и процессов к условиям существования. Применительно к прогнозированию процесс адаптации состоит в следующем. Пусть по модели ряда из некоторого исходного состояния делается прогноз. Ждем, пока пройдет одна единица времени, и сравниваем результат прогнозирования с фактически реализовавшимся значением. Ошибка прогнозирования через обратную связь поступает на вход системы и используется для корректировки (подстройки) 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 информационную ценность придают наблюдениям, ближайшим к точке прогнозирования.
Метод экстраполяции трендов. Трендовая модель - это математическая модель, описывающая изменение прогнозируемого или анализируемого показателя только в зависимости от времени и имеющая вид y = f(t). Метод, использующий трендовые модели в прогнозировании, называют методом экстраполяции тренда. Это один из пассивных методов прогнозирования, именуемый «наивным» прогнозом, так как он предполагает строгую инерционность развития, которая представляется в виде проектирования прошлых тенденций в будущее, а главное - независимость показателей развития от тех или иных факторов. Ясно, что нельзя переносить тенденции, которые сформировались в прошлом, на будущее. Причины этого следующие:
а) при краткосрочном прогнозировании экстраполяция прошлых усредненных показателей приводит к тому, что пренебре- гаются (или остаются незамеченными) необычные отклонения в обе стороны от тенденций. В то же время для текущего (краткосрочного) прогноза или плана основной задачей является предвидение этих отклонений;
б) при долгосрочном прогнозировании используется такой высокий уровень агрегирования, при котором не учитываются изменения структуры производимой продукции, самой продукции, изменение технологии производства, особенностей рын ков, т.е. все то, что составляет главные задачи стратегического планирования.
авторегрессионные модели. Модель стационарного процесса, выражающая значение показателя yt в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии:
у = а + ФУ-1 + ^
где а - константа;
Ф - параметр уравнения;
єt - случайная компонента.
Рассмотренные методы, за исключением экстраполяции тренда, являются адаптивными, так как процесс их реализации состоит в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предыдущих уровней.
Метод наименьших квадратов (МНК). Создание метода наименьших квадратов восходит к трудам Карла Фридриха Гаусса в конце XVIII в. и начале ХІХ в. в области исследований по астрономии. Этот метод приобрел самую широкую известность благодаря фундаментальным трудам многих статистиков и математиков и его применению в экономико-статистических расчетах.
Ввиду важности кратко рассмотрим МНК на простом примере зависимости между двумя переменными х и у, причем у зависит от х. Если установлено, что связь между ними нелинейная и описывается параболой, т.е. полиномом второй степени
у = a0 + a1x + a2x2
с параметрами a0, a1, a2, то задача сводится к отысканию трех неизвестных параметров.
При числе наблюдений (количестве уровней в рядах) п значения величин х и у представлены двумя рядами данных: у1, у^ ..., уп и xv ^ ..., хп.
Если бы все значения, полученные по данным наблюдения, лежали строго на линии, описываемой уравнением параболы, то для каждой точки было бы справедливо равенство
у» - a0 + aX + 02xf = 0.
Однако в действительности
У - a + a X + aj xf = A t,
которое существует вследствие ошибок измерения и случайных неучтенных факторов. Необходимо найти такие коэффициенты регрессии, чтобы ошибка была минимальной. Можно минимизировать сумму абсолютных отклонений (по модулю) или сумму кубических отклонений либо наибольшую абсолютную ошибку. Однако оптимальным подходом является минимизация квадрата отклонений
S = X A2 ^ min. t=1
Минимизация квадратов отклонений обладает тем свойством, что число нормальных уравнений равно числу неизвестных параметров. Минимизация суммы
S = X AH = Х(у - (- a1 xt - a2x2) -> min t=1 t=1
дает три уравнения для каждого из трех параметров. Для нахождения значений неизвестных параметров необходимо приравнять к нулю частные производные указанной суммы по этим параметрам:
2X (у - a0 - ajX - apx2) = 0,
2X (у - a0 - ajX - ape2) = 0,
2^(у - a0 - a1x - apx2) = 0.
Проведение простейших преобразований приводит к системе нормальных уравнений
na0 + a ? х + a2 ? х2 = ? y,
A0 ? х + a1 ? х2 + a2 ? х3 = ? ух, ao? х2 + a1 ? х3 + a2? х4 = ? ух2.
Решение системы линейных относительно неизвестных параметров уравнений любым из способов дает значения a0, a1, a2. Обычно полиномы выше третьей степени практически не используются, и система нормальных уравнений такого полинома будет состоять соответственно из четырех уравнений.
МНК даже при сравнительно небольшом числе наблюдений приводит к получению достаточных оценок. Оценки могут быть точечными и интервальными. Точечные оценки обладают свойствами несмещенности, эффективности, состоятельности.
Однако любая оценка истинного значения параметра по выборочным данным может быть произведена только с определенной степенью достоверности. Степень этой достоверности определяется построением доверительных интервалов.
МНК может быть использован и в случаях, когда имеются данные косвенных наблюдений, являющиеся функциями многих неизвестных. МНК является основой регрессионного анализа, используемого при выполнении рассмотренных предпосылок. Условием его применения является также линейность уравнений регрессии относительно параметров. Исходя из классификации видов регрессии МНК применим для линейных и нелинейных регрессий первого класса. 2.4.2.
Метод формализованного описания неопределенности - наиболее точный и сложный метод. Включает
В настоящее время имеются проверенные на практике методы прогнозирования развития научных направлений и особенно техники. Прогнозирование фундаментальных исследований производится в основном методами экспертных оценок (интуитивными методами), методы формализованные (формально-логические, фактографические) большого распространения не получили. Это связано, в частности, с отсутствием информации об объекте прогнозирования.
Одним из основополагающих принципов бизнес-планирования является принцип многовариантности, предусматривающий рассмотрение некоторого множества различных вариантов проекта при разработке бизнес-плана . В простейшем случае это три варианта оптимистический, пессимистический и наиболее вероятный. Данный принцип бизнес-планирования может быть положен в основу оценки риска проекта в целом. При этом можно воспользоваться методом формализованного описания неопределенности, включающим следующие предварительные этапы
Наиболее точным является метод формализованного описания неопределенности. Применительно к видам неопределенности, наиболее часто встречающимся при
Известен также метод формализованного описания неопределенности, который считается наиболее точным, но и наиболее сложным для проведения расчетов. При применении этого метода последовательно выполняются следующие операции.
Наиболее точным (но и наиболее сложным с технической точки зрения) является метод формализованного описания неопределенности. Применительно к видам неопределенности, наиболее часто встречающимся при оценке инвестиционных проектов , этот метод включает следующие этапы
Наиболее точным, но и наиболее сложным с технической точки зрения является метод формализованного определения неопределенности. Этот метод включает проведение следующих операций
Многообразие средств и методов проектирования, отраслевые различия объектов управления , различия в структуре, квалификационном составе и уровне профессиональной подготовки проектных коллективов, ориентация на различные комплексы технических средств обусловливают многообразие и сложность реальных технологических процессов разработки АСУ и ее ядра - СМОД. В связи с этим возникает необходимость формализованного отображения процессов с целью их оптимального планирования и эффективного регулирования. В основе метода формализованного отображения процессов проектирования лежит понятие технологической операции проектирования как базовой конструкции процесса разработки СМОД.
Метод формализованного описания неопределенности при оценке инвестиционных проектов включает следующие этапы
Метод -диагностического определения потребительной стоимости . В данном методе опрашиваемые оценивают потребительную стоимость по нескольким показателям, например надежность, сервис, дизайн и т. д. По каждому показателю между аналогами распределяются 100 баллов. Дополнительно оцениваются весовые коэффициенты показателей. Между весовыми коэффициентами также распределяются 100 баллов. Умножая весовые коэффициенты на оценки показателей и суммируя полученные значения по каждому товару , получают оценку потребительной стоимости товара. Далее цена определяется аналогично предыдущему методу. Формализованное описание методики будет следующим
Вторая группа - методы формализованного представления систем управления, основанные на использовании математических, экономико-математических методов и моделей исследования систем управления. Среди них можно выделить следующие классы
В настоящее время в экономике и организации производства применяются практически все группы методов формализованного представления систем. Для удобства их выбора в реальных условиях на базе математических направлений развиваются прикладные методы и предлагаются их классификации.
Методы формализованного представления систем
Методы формализованного представления систем управления
Применяемые методы формализованного описания систем управления должны способствовать в конечном итоге созданию четких организационных механизмов управления, используемых объектов.
Выбор конкретного метода формализованного описания, системы управления зависит от того, в каких условиях осуществляется обследование, какова ответственность исполнителей за принимаемые решения и какова степень регламентации управления в обследуемой организации.
Сетевой метод формализованного представления систем управления сводится к построению сетевой модели для решения комплексной задачи управления . Основой сетевого планирования является информационная динамическая сетевая модель , в которой весь комплекс расчленяется на отдельные, четко определенные операции
Методы формализованного представления систем включают аналитические, статистические, теоретико-множественные, логические, лингвистические, семиотические, графические, структурно-лингвистические методы , имитационное динамическое моделирование.
Приведите состав методов формализованного представления систем. В чем их особенности
Цель 3. Обучить студентов методам формализованного представления результатов обследования систем управления
Каковы методы формализованного описания работы диалоговых систем и их содержание
Каковы методы формализованного представления состава проектных работ
Важными качествами решений являются их научная обоснованность , четкая направленность и экономическая результативность. Для принятия решений по задачам управления производством используют метод, основанный на системном подходе , логический метод, формализованный метод.
По степени формализации - формализованные и нефор-мализованные методы. Формализованные методы являются основными при проведении финансового анализа предприятия , они носят объективный характер, в их основе лежат строгие аналитические зависимости . Неформализованные методы (метод экспертных оценок , метод сравнения) основаны на логическом описании аналитических приемов, они субъективны, так как на результат большое влияние оказывают интуиция, опыт и знания аналитика.
Всю совокупность методов исследования можно структуризовать на методы, основанные на использовании знаний и интуиции специалистов, методах формализованного представления систем, комплек-сированных методах и
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.
Главная > Учебно-методическое пособие3.4.8 Формализованные методы
Некоторые экономические взаимосвязи и процессы можно описать с достаточной степенью точности при помощи формальных математических зависимостей – формул. На этой возможности основан ряд методов прогнозирования-планирования. Такие методы называются формализованные (лат. forma – образ, вид). К формализованным методам относятся методы экстраполяции, корреляционно-регрессионные методы, методы математического моделирования и др. Толчком к развитию формализованных методов, особенно методов моделирования, послужило применение электронно-вычислительной техники, позволяющей выполнять большие объёмы вычислений. В развитии формализованных методов обозначился новый этап – этап экономико-математических методов (ЭММ), соединивших в себе математическую теорию и возможности ЭВМ. ЭММ, основанные на методах прикладной математики и математической статистики, позволили значительно расширить возможности применения и направления использования формализованных методов. Появилась возможность глубже анализировать взаимосвязи в экономике, всесторонне обосновывать изменения экономических показателей, ускорять получение и обработку информации, осуществлять многовариантные расчёты планов, прогнозов, программ и выбирать оптимальный вариант по заданному критерию. Экстраполяция (лат. extra – сверх, вне; polio – приглаживаю, изменяю) – заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В математическом смысле экстраполяция означает распространение закона изменения функции из области её наблюдения на область, лежащую вне отрезка наблюдения. Тенденция, описанная некоторой функцией от времени, называется трендом. Функция представляет собой простейшую математико-статистическую (трендовую) модель изучаемого явления. В общем виде экстраполяция осуществляется следующим образом: – сначала собираются данные об изменении во времени какой-либо характеристики (нескольких характеристик) исследуемого объекта прогнозирования. Упорядоченные по времени наборы таких данных называются динамическими (временными) рядами ; – далее, на основе собранных данных (временных рядов) подбирается математическая зависимость (формула), которая наиболее близко описывала бы изменение во времени характеристики объекта прогнозирования. В практических исследованиях наиболее часто применяются зависимости (формулы): y = ax + b (линейная); y = ax 2 + bx + c (квадратичная); y = x n (степенная); y = a x (показательная); y = ae x (экспоненциальная). Для определения числовых значений параметров зависимости наиболее часто используется метод наименьших квадратов (МНК) и его модификации. Суть МНК состоит в отыскании параметров математической зависимости (модели тренда), минимизирующих отклонения расчётных значений от соответствующих значений исходного ряда, т. е. искомые параметры должны удовлетворять условиюГде n
– число наблюдений; 
– значение исходного ряда; 
– расчётное значение; – получив математическую зависимость (формулу), можно подставить в неё любые значения времени (в т. ч. и будущего) и вычислить для этого времени значения характеристики объекта (в т. ч. и в будущем). Сглаживание временных рядов
используется как для выявления тенденций изменения, так и непосредственно для построения прогнозов. Для сглаживания рядов часто применяют метод скользящего среднего и метод экспоненциального сглаживания. Метод скользящего среднего
. Пусть – стационарный, (т. е. имеющий тренда) динамический ряд. Скользящее среднее указанного ряда определяется по формуле
Или, что то же самое, . Поскольку ряд стационарен, в качестве прогноза по методу скользящего среднего берут последнее найденное значение 
. Скользящее среднее имеет ряд особенностей. Для того чтобы начать процесс сглаживания, необходимо иметь в наличии n
– 1 предыдущих наблюдений. Поэтому прогноз не может быть построен раньше чем через n
моментов времени. Данным, включённым в процесс скользящего среднего, присваивается одинаковый вес, всем остальным – нулевой. Для устранения последнего недостатка можно использовать процедуры скользящего среднего с убывающими весами, например,
Указанные недостатки метода скользящего среднего преодолены в процедуре экспоненциального сглаживания , который также используется для прогнозирования стационарных временных рядов. Общая формула экспоненциального среднего имеет вид
,
Где α – коэффициент сглаживания. В качестве прогноза берут последнее полученное значение u t . Перечислим основные особенности экспоненциального сглаживания: – для вычисления экспоненциально взвешенного среднего u t требуются всего два значения: предыдущее значение среднего u t –1 и текущее значение ряда y t ; – в экспоненциальном сглаживании нет точки, на которой веса используемых значений исходного динамического ряда обнуляются. Рекуррентно подставляя в последнюю формулу полученные на предыдущих шагах значения u t , получаем, что наблюдение с лагом k имеет вес α(1–α) k –1 . Таким образом, веса экспоненциально убывают со временем. Одним из достоинств модели экспоненциального сглаживания является то, что в её основу положена логичная и легко понимаемая концепция. Значение экспоненциального среднего состоит из взвешенной суммы текущего значения исследуемого ряда и полученного на последнем шаге экспоненциального среднего, представляющего тенденцию. Чем больше α, тем быстрее колебания исходного динамического ряда отражаются на общей тенденции. Чем меньше α, тем сильнее они подавляются и тем более гладким будет полученный ряд. Легко вывести общее правило выбора константы сглаживания α: для конъюнктурных прогнозов, где в большей степени должна учитываться свежая информация, следует использовать более высокое значение α, чем для долгосрочных прогнозов. Считается, что на практике приемлемые значения константы обычно лежат в промежутке . Методы экстраполяции, скользящего среднего, экспоненциального сглаживания не имеют ничего общего с природой объекта и его сущностью. Они описывают лишь предполагаемую тенденцию его развития на основании сложившейся тенденции. Поэтому подобные методы, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при небольших периодах упреждения и наличии устойчивых тенденций в развитии исследуемого объекта. Очевидно, что поведение прогнозируемого объекта может неожиданно и значительно измениться, чего невозможно учесть в математических зависимостях, используемых для экстраполяции. Регрессионный метод . Метод построения регрессионного уравнения используется при выполнении следующих условий: – значение прогнозируемого показателя зависит от значений других показателей (факторов), представленных в виде динамических рядов; – имеется выборка данных, каждый элемент которой содержит значение показателя и набор значений факторов; – на период, для которого строится прогноз показателя, известны значения всех факторов или их можно оценить. Пусть имеется выборка из n элементов, содержащая значения y i изучаемого показателя и значения x ij факторов, где i = 1, …, n – номер случая (элемента выборки), j = 1, …, m – номер фактора. Опишем алгоритм прогноза показателя на основе регрессии. Он состоит из четырёх шагов. Шаг 1 . Эмпирическим путём выбирается тип зависимости между показателем и факторами:
y = f (x 1 , …, x m , a 0 , a 1 , …, a k ),
Где y – изучаемый показатель (зависимая переменная); x j , j = 1, …, m , – j -й фактор (j -я независимая переменная); a s , s = 0, 1, …, k – неизвестный параметр функции. Как правило, выбирается линейная зависимость
y = a 0 + a 1 x 1 + j + a m x m ,
Но на основе визуального анализа выборки или каких-либо экономических рассуждений может быть выбрана зависимость другого типа. Шаг 2 . Подбираются такие параметры a 0 , a 1 , a k , чтобы при подстановке в функцию f значений независимых переменных x 1 , …, x m из выборки полученные значения функции наиболее точно приближали соответствующие значения переменной y . Критерием точности является сумма квадратов остатков, т. е. разностей между значениями зависимых переменных и значениями функции. Построенное уравнение называется уравнением регрессии. Шаг 3 . На место независимых переменных в функцию f подставляются значения факторов, известные или оцененные для прогнозируемого периода. Полученное значение функции считается прогнозом. Шаг 4 . На основе анализа характеристик уравнения регрессии оценивается точность прогноза и делается вывод о целесообразности его использования. Зачастую при использовании регрессионного уравнения для прогноза экономического показателя четвёртым шагом пренебрегают, ограничиваясь лишь применением коэффициента детерминации. Этот коэффициент характеризует точность подгонки исследуемой выборки. Для оценки качества построенного уравнения регрессии и точности прогноза существуют другие типы статистических характеристик. Так, статистика Дарбина–Уотсона используется в качестве критерия для проверки автокорреляции у остатков. Отсутствие последней является необходимым условием корректности регрессионного анализа. Для обоснования правомерности использования результатов регрессии проводится также проверка значимости уравнения. О точности прогноза судят по рассчитанным доверительным интервалам. Характер зависимости между показателями анализируют на основе стандартизированных коэффициентов. Расчёт перечисленных, а также многих других характеристик уравнения регрессии реализован в специализированных пакетах прикладных программ для ЭВМ. В пакетах статистического анализа реализованы также методы пошаговой регрессии, когда оптимальный набор независимых переменных формируется автоматически. При использовании методов моделирования на основе предварительного изучения объекта и выделения его существенных характеристик «конструируется» модель. Экономико-математическая модель любого вида представляет собой формализованное описание исследуемого процесса или объекта в виде математических зависимостей и отношений. После составления модели проводится её экспериментальный и теоретический анализ, сопоставление результатов прогнозных расчётов на основе модели с фактическими данными состояния объекта или процесса. Модель корректируется и дополняется. Исследуя полученную модель, можно предвидеть, каким образом поведёт себя реальный объект в определённых условиях в будущем. В прогнозировании и планировании 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, отраслевые, региональные и микроэкономические (на уровне предприятия, объединения). Оптимизационные модели основаны на выборе критерия оптимальности , на основе которого путём 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 ведётся 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. Применение формализованных методов в прогнозировании и планировании ограничено в силу сложности и многофакторности экономических явлений и процессов и неочевидности многих экономических взаимосвязей. Жизнь нельзя выразить математической формулой.
