Прогнозирование экономических процессов

Методы сглаживания можно условно  разделить на два класса, опирающиесяна различные подходы:

1). Аналитический подход;

2). Алгоритмический подход.

 

К последнему относятся методы сглаживания  временных рядов с помощью  скользящих средних. Скользящие средние  позволяют сгладить как случайные, так и периодические колебания, выявить имеющуюся тенденцию в развитии процесса, и поэтому служат важным инструментом при фильтрации компонент временного ряда. [3]

Алгоритм сглаживания по простой  скользящей средней может быть представлен  в виде следующей последовательности шагов:

1). Определяют длину интервала  сглаживания l , включающего в  себя l последовательных уровней  ряда (l < n). При этом надо иметь  в виду, что чем шире интервал  сглаживания, тем в большей  степени взаимопогашаются колебания,  и тенденция развития носит  более плавный, сглаженный характер. Чем сильнее колебания, тем шире должен быть интервал сглаживания.

2). Разбивают весь период наблюдения  на участки.

3). Рассчитывают средние арифметические  из уровней ряда, образующих каждый  участок.

4). Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующие средние значения. [3]

• Применение моделей кривых роста в экономическом прогнозировании

 

Для описания тенденции развития явления  широко используются модели кривых роста, представляющие собой различные функции времени y = f(t). При таком подходе изменение исследуемого показателя связывают лишь с течением времени; считается, что влияние других факторов несущественно или косвенно сказывается через фактор времени.

Правильно выбранная модель кривой роста должна соответствовать характеру изменения тенденции исследуемого явления. Кривая роста позволяет получить выровненные или теоретические значения уровней динамического ряда. Это те уровни, которые наблюдались бы в случае полного совпадения динамики явления с кривой.

Прогнозирование на основе модели кривой роста базируется на экстраполяции, т. е. на продлении в будущее тенденции, наблюдавшейся в прошлом.

При этом предполагается, что во временном  ряду присутствует тренд, характер развития показателя обладает свойством инерционности, сложившаяся тенденция не должна претерпевать существенных изменений в течение периода упреждения.

Процедура разработки прогноза с использованием кривых роста включает в себя следующие  этапы:

1). Выбор одной или нескольких  кривых, форма которых соответствует характеру изменения временного ряда;

2. Оценка параметров выбранных  кривых;

3). Проверка адекватности выбранных  кривых прогнозируемому процессу, оценка точности моделей и  окончательный выбор кривой роста;

4). Расчет точечного и интервального прогнозов. [3]

• Классы кривых роста

Кривые роста условно могут  быть разделены на три класса в  зависимости от того, какой тип  динамики развития они хорошо описывают.

К I типу относятся функции, используемые для описания процессов с монотонным характером тенденции развития и отсутствием пределов роста. Ко II классу относятся кривые, описывающие процесс, который имеет предел роста в исследуемом периоде. Функции, относящиеся ко II классу, называются кривыми насыщения. Если кривые насыщения имеют точки перегиба, то они относятся к III типу кривых роста — к S-образным кривым. Эти кривые описывают как бы два последовательных лавинообразных процесса (когда прирост зависит от уже достигнутого уровня): один с ускорением развития, другой — с замедлением. [3]

• Характеристики точности моделей

 

Важнейшими характеристиками качества модели, выбранной для прогнозирования, являются показатели ее точности. Они  описывают величины случайных ошибок, полученных при использовании модели. Таким образом, чтобы судить о качестве выбранной модели, необходимо проанализировать систему показателей, характеризующих как адекватность модели, так и ее точность.

О точности прогноза можно судить по величине ошибки (погрешности) прогноза. Ошибка прогноза — величина, характеризующая расхождение между фактическим и прогнозным значением показателя.

Абсолютная ошибка прогноза определяется по формуле:

=

где — прогнозное значение показателя;

— фактическое значение.

Эта характеристика имеет ту же размерность, что и прогнозируемый показатель, и зависит от масштаба измерения уровней временного ряда.

На практике широко используется относительная  ошибка прогноза, выраженная в процентах  относительно фактического значения показателя:

 

Очевидно, что все указанные  характеристики могут быть вычислены после того, как период упреждения уже закончился, и имеются фактические данные о прогнозируемом показателе или при рассмотрении показателя на ретроспективном участке.

Тем не менее, о точности модели нельзя судить по одному значению ошибки прогноза. Надо учитывать, что единичный хороший прогноз может быть получен и по плохой модели, и наоборот.

Следовательно, о качестве применяемых  моделей можно судить лишь по совокупности сопоставлений прогнозных значений с фактическими.

Простой мерой качества прогнозов может стать µ — относительное число случаев, когда фактическое значение охватывалось интервальным прогнозом:

 

где р — число прогнозов, подтвержденных фактическими данными;

q — число прогнозов, не подтвержденных  фактическими данными.

Когда все прогнозы подтверждаются, то q = 0 и µ = 1.

Если же все прогнозы не подтвердились, то р = 0 и µ = 0. [4]

• Использование адаптивных методов

В настоящее время одним из наиболее перспективных направлений исследования и

прогнозирования одномерных временных  рядов считается применение адаптивных методов.

При обработке временных рядов, как правило, наиболее ценной является информация последнего периода, т.к. необходимо знать, как будет развиваться  тенденция, существующая в данный момент, а не тенденция, сложившаяся в  среднем на всем рассматриваемом периоде. Адаптивные методы позволяют учесть различную информационную ценность уровней временного ряда, степень «устаревания» данных.

Прогнозирование методом экстраполяции  на основе кривых роста в какой-то мере тоже содержит элемент адаптации, поскольку с получением «свежих» фактических данных параметры кривых пересчитываются заново. Поступление новых данных может привести и к замене выбранной ранее кривой на другую модель. Однако степень адаптации в данном случае весьма незначительна, кроме того, она падает с ростом длины временного ряда, т.к. при этом уменьшается «весомость» каждой новой точки. В адаптивных методах различную ценность уровней в зависимости от их «возраста» можно учесть с помощью системы весов, придаваемых этим уровням. [3]

• Основные показатели динамики экономических явлений

 

На практике для количественной оценки динамики явлений широко применяются  следующие основные аналитические  показатели:

1). Абсолютные приросты;

2). Темпы роста;

3). Темпы прироста.

 

Причем каждый из указанных показателей может быть трех видов:

1). Цепной;

2). Базисный;

3). Средний.

 

В основе расчета этих показателей  динамики лежит сравнение уровней  временного ряда. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу сравнения, то эти показатели называются базисными. В качестве базы сравнения выбирается либо начальный уровень динамического ряда, либо уровень, с которого начинается новый этап развития. [4]

Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные таким образом показатели называются цепными.

Абсолютный прирост равен разности двух сравниваемых уровней.

Темп роста характеризует отношение  двух сравниваемых уровней ряда, выраженное в процентах.

Темп прироста характеризует абсолютный прирост в относительных величинах. Определенный в процентах темп прироста показывает, на сколько процентов изменился сравниваемый уровень по отношению к уровню, принятому за базу сравнения.

Для получения обобщающих показателей динамики развития определяются средние величины: средний абсолютный прирост, средний темп роста и средний темп прироста. Эти обобщающие характеристики динамики представляют наибольший интерес для статистического анализа. С их помощью можно строить прогнозы исследуемых показателей.

К недостаткам среднего абсолютного  прироста и среднего темпа роста (среднего темпа прироста) следует  отнести то, что они учитывают  лишь конечный и начальный уровни ряда, исключают влияния промежуточных  уровней. Тем не менее, эти показатели имеют весьма широкую область применения, что объясняется чрезвычайной простотой их вычисления. Они могут быть использованы как приближенные, простейшие способы прогнозирования, предшествующие более глубокому количественному и качественному анализу. [4]

• Риски

 

Любая сфера человеческой деятельности, в особенности экономика или  бизнес, связана с принятием решений  в условиях неполноты информации. Источники неопределенности могут  быть самые разнообразные: нестабильность экономической и/или политической ситуации, неопределенность действий партнеров по бизнесу, случайные факторы, т.е. большое число обстоятельств, учесть которые не представляется возможным (например, погодные условия, неопределенность спроса на товары, не абсолютная надежность процессов производства, неточность информации и др.). Экономические решения с учетом перечисленных и множества других неопределенных факторов принимаются в рамках так называемой теории принятия решений — аналитического подхода к выбору наилучшего действия (альтернативы) или последовательности действий. В зависимости от степени определенности возможных исходов или последствий различных действий, с которыми сталкивается лицо, принимающее решение (ЛПР), в теории принятия решений рассматриваются три типа моделей:

1). Выбор решений в условиях определенности, если относительно каждого действия известно, что оно неизменно приводит к некоторому конкретному исходу;

2). Выбор решения при риске,  если каждое действие приводит  к одному из множества возможных  частных исходов, причем каждый исход имеет вычисляемую или экспертно оцениваемую вероятность появления. Предполагается, что ЛПР эти вероятности известны или их можно определить путем экспертных оценок;

3). Выбор решений при неопределенности, когда то или иное действие  или несколько действий имеют своим следствием множество частных исходов, но их вероятности совершенно не известны или не имеют смысла. [2]

 

Проблема риска и прибыли  — одна из ключевых в экономической  деятельности, в частности, в управлении производством и финансами.

Под риском принято понимать вероятность (угрозу) потери лицом или организацией части своих ресурсов, недополучения  доходов или появления дополнительных расходов в результате осуществления  определенной производственной и финансовой политики.

• Виды рисков

Различают следующие виды рисков:

1). Производственный, связанный с  возможностью невыполнения фирмой  своих обязательств перед заказчиком;

2). Кредитный, обусловленный возможностью  невыполнения фирмой своих финансовых  обязательств перед инвестором;

3). Процентный, возникающий вследствие непредвиденного изменения процентных ставок;

4). Риск ликвидности, обусловленный  неожиданным изменением кредитных  и депозитных потоков;

5). Инвестиционный, вызванный возможным  обесцениванием инвестиционно-финансового  портфеля, состоящего из собственных и приобретенных ценных бумаг;

6). Рыночный, связанный с вероятным  колебанием рыночных процентных  ставок как собственной национальной  денежной единицы, так и зарубежных  курсов валют.

 

Риск подразделяется на динамический и статический. Динамический риск связан с возникновением непредвиденных изменений стоимости основного капитала вследствие принятия управленческих решений, а также рыночных или политических обстоятельств. Такие изменения могут привести как к потерям, так и к дополнительным доходам. Статический риск обусловлен возможностью потерь реальных активов вследствие нанесения ущерба собственности и потерь дохода из-за недееспособности организации. Все участники проекта заинтересованы в том, чтобы не допустить возможность полного провала проекта или хотя бы избежать убытка. В условиях нестабильной, быстро меняющейся ситуации необходимо учитывать все возможные последствия от принятия тех или иных решений. Высокая степень риска проекта приводит к необходимости поиска путей его искусственного снижения и минимизации возможных негативных последствий. [2]