Знаймо

Додати знання

приховати рекламу

Цей текст може містити помилки.

Прогноз



План:


Введення

Прогноз (від греч. πρόγνωσις - Передбачення, пророкування) - передбачення майбутнього за допомогою наукових методів, а також сам результат пророкування.

Прогноз - це ймовірнісна судження про майбутній стан об'єкта дослідження (останнє наукове визначення).


Прогноз - це наукова модель майбутнього події, явищ і т.п.

Прогноз - це розрахунок невідомого економічного показника за заданими факторам на основі моделі.

Прогнозування, розробка прогнозу; у вузькому значенні - спеціальне наукове дослідження конкретних перспектив розвитку якого-небудь процесу.

Прогнози діляться

  • за термінами: короткострокові, середньострокові, довгострокові, далекостроковій.
  • за масштабом: особисті, на рівні підприємства (організації), місцеві, регіональні, галузеві, країнові, світові (глобальні).

До основних методів прогнозування ставляться


1. Основні поняття прогностики

Прогностика - наукова дисципліна, що вивчає загальні принципи і методи прогнозування розвитку об'єктів будь-якої природи, закономірності процесу розробки прогнозів. Як наука прогностика сформувалася в 70 - 80 роки ХХ століття. Крім поняття "прогностика", в літературі використовують термін футурологія. Як будь-яка наука прогностика має набір своїх термінів, що вживаються для позначення певних понять. Визначення понять прогностики були зафіксовані в 1978 році.

Прогноз - обгрунтоване судження про можливий стан об'єкта в майбутньому або альтернативні шляхи і терміни досягнення цих станів. Прогнозування - процес розробки прогнозу. Етап прогнозування - частина процесу розробки прогнозів, характеризується своїми завданнями, методами і результатами. Поділ на етапи пов'язано зі специфікою побудови систематизованого опису об'єкта прогнозування, збору даних, з побудовою моделі, верифікацією прогнозу.

Прийом прогнозування - одна або кілька математичних або логічних операцій, спрямованих на отримання конкретного результату в процесі розробки прогнозу. Як прийому можуть виступати згладжування динамічного ряду, визначення компетентності експерта, обчислення середньозваженого значення оцінок експертів і т. д.

Модель прогнозування - модель об'єкта прогнозування, дослідження якої дозволяє отримати інформацію про можливі стани об'єкта прогнозування в майбутньому і (або) шляхи і терміни їх здійснення.

Метод прогнозування - спосіб дослідження об'єкта прогнозування, спрямований на розробку прогнозу. Методи прогнозування є підставою для методик прогнозування.

Методика прогнозування - сукупність спеціальних правил і прийомів (одного або декількох методів) розробки прогнозів.

Прогнозуюча система - система методів і засобів їх реалізації, функціонуюча відповідно до основних принципів прогнозування. Засобами реалізації є експертна група, сукупність програм і т. д. прогнозуючі системи можуть бути автоматизованими і неавтоматизованими.

Прогнозний варіант - один з прогнозів, складових групу можливих прогнозів.

Об'єкт прогнозування - процес, система, чи явище, про стан якого дається прогноз.

Характеристика об'єкта прогнозування - якісне чи кількісне відображення якої-небудь властивості об'єкта прогнозування.

Мінлива об'єкта прогнозування - кількісна характеристика об'єкта прогнозування, яка є або приймається за змінювану протягом періоду заснування і (або) періоду попередження прогнозу.

Складність об'єкта прогнозування - характеристика об'єкта прогнозування, визначає різноманітність його елементів, властивостей і відносин.

Період підстави прогнозу - проміжок часу, за який використовують інформацію для розробки прогнозу. Цей проміжок часу називають також періодом передісторії.

Період попередження прогнозу - проміжок часу, на який розробляється прогноз.

Прогнозний горизонт - максимально можливий період попередження прогнозу заданої точності.

Точність прогнозу - оцінка довірчого інтервалу прогнозу для заданої ймовірності його здійснення.

Достовірність прогнозу - оцінка вірогідності здійснення прогнозу для заданого довірчого інтервалу.

Помилка прогнозу - апостеріорна величина відхилення прогнозу від дійсного стану об'єкта.

Джерело помилки прогнозу - чинник, здатний привести до появи помилки прогнозу. Розрізняють джерела регулярних та нерегулярних помилок.

Верифікація прогнозу - оцінка достовірності і точності або обгрунтованості прогнозу.

Експерт - кваліфікований фахівець з конкретної проблеми, який притягається для винесення оцінки по поставленому завданню прогнозу.

При розробці соціальних прогнозів у ряді випадків проводиться виявлення думки представників різних груп населення, умовно прирівнюваних до експертів.

Компетентність експерта - здатність експерта виносити на базі професійних знань, інтуїції і досвіду достовірні судження про об'єкт прогнозування. Кількісна міра компетентності експерта називається коефіцієнтом компетентності.

Експертна група - колектив експертів, сформований за певними правилами для вирішення поставленого завдання прогнозу. Окремим випадком експертної групи виступає експертна комісія.

Компетентність групи експертів - здатність експертної групи виносити судження про об'єкт прогнозування, адекватні думку генеральної сукупності експертів. Компетентність експертної групи визначається різними методиками.

Експертна оцінка - судження експерта або експертної групи щодо поставленого завдання прогнозу. У першому випадку використовується термін "індивідуальна експертна оцінка", у другому - "колективна експертна оцінка".


2. Статистичні методи прогнозування

Статистичні методи прогнозування - наукова і навчальна дисципліна, до основних завдань якої відносяться розробка, вивчення і застосування сучасних математико-статистичних методів прогнозування на основі об'єктивних даних, розвиток теорії та практики ймовірнісно-статистичного моделювання експертних методів прогнозування; методів прогнозування в умовах ризику і комбінованих методів прогнозування з використанням спільно економіко-математичних та економетричних (як математико-статистичних, так і експертних) моделей. Науковою базою статистичних методів прогнозування є прикладна статистика і теорія прийняття рішень.

Найпростіші методи відновлення використовуваних для прогнозування залежностей виходять із заданого тимчасового ряду, тобто функції, визначеної в кінцевому числі крапок на осі часу. Часовий ряд при цьому часто розглядається в рамках тієї чи іншої ймовірнісної моделі, вводяться інші чинники (незалежні змінні), крім часу, наприклад, обсяг грошової маси. Часовий ряд може бути багатовимірним. Основні розв'язувані задачі - інтерполяція і екстраполяція. Метод найменших квадратів у найпростішому випадку (лінійна функція від одного фактора) був розроблений К. Гауссом в 1794-1795 рр.. Можуть виявитися корисними попередні перетворення змінних, наприклад, логарифмування. Найбільш часто використовується метод найменших квадратів при декількох факторах. Метод найменших модулів, сплайни та інші методи екстраполяції застосовуються рідше, хоча їх статистичні властивості часто краще.

Оцінювання точності прогнозу (зокрема, за допомогою довірчих інтервалів) - необхідна частина процедури прогнозування. Зазвичай використовують ймовірнісно-статистичні моделі відновлення залежності, наприклад, будують найкращий прогноз за методом максимальної правдоподібності. Розроблено параметричні (зазвичай на основі моделі нормальних помилок) і непараметричні оцінки точності прогнозу і довірчі границі для нього (на основі Центральної Граничною Теореми теорії ймовірностей). Застосовуються також евристичні прийоми, не засновані на ймовірнісно-статистичної теорії: метод ковзних середніх, метод експоненційного згладжування.

Багатовимірна регресія, у тому числі з використанням непараметричних оцінок щільності розподілу - основний на даний момент статистичний апарат прогнозування. Нереалістичне припущення про нормальність похибок вимірювань і відхилень від лінії (поверхні) регресії використовувати не обов'язково, а проте для відмови від припущення нормальності необхідно спертися на інший математичний апарат, заснований на багатовимірної Центральної Граничною Теоремі теорії ймовірностей, технології лінеаризації і наслідування збіжності [4]. Він дозволяє проводити точкове і інтервальне оцінювання параметрів, перевіряти значимість їх відмінності від 0 у непараметричної постановці, будувати довірчі межі для прогнозу.

Дуже важлива проблема перевірки адекватності моделі, а також проблема відбору факторів. Апріорний список факторів, що впливають на відгук, зазвичай дуже великий, бажано його скоротити, і велике напрям сучасних досліджень присвячено методам відбору "інформативного безлічі ознак". Однак ця проблема поки ще остаточно не вирішена. Виявляються незвичайні ефекти. Так, встановлено, що зазвичай використовуються оцінки ступеня полінома мають у асимптотиці геометричне розподіл [1, 3]. Перспективні непараметричні методи оцінювання щільності ймовірності та їх застосування для відновлення регресійної залежності довільного виду. Найбільш загальні результати в цій області отримано за допомогою підходів статистики нечислових даних.

До сучасних статистичних методів прогнозування належать також моделі авторегресії, модель Бокса-Дженкінса, системи економетричних рівнянь, засновані як на параметричних, так і на непараметричних підходах.

Для встановлення можливості застосування асимптотичних результатів при кінцевих (т. зв. "Малих") обсягах вибірок корисні комп'ютерні статистичні технології. Вони дозволяють також будувати різні імітаційні моделі. Зазначимо корисність методів розмноження даних (бутстреп-методів). Системи прогнозування з інтенсивним використанням комп'ютерів об'єднують різні методи прогнозування в рамках єдиного автоматизованого робочого місця прогнозиста.

Прогнозування на основі даних, що мають нечислової природу, зокрема, прогнозування якісних ознак грунтується на результатах статистики нечислових даних. Вельми перспективними для прогнозування представляються регресійний аналіз на основі інтервальних даних, що включає, зокрема, визначення і розрахунок нотних та раціонального обсягу вибірки, а також регресійний аналіз нечітких даних, розроблений в [5]. Загальна постановка [1] регресійного аналізу в рамках статистики нечислових даних та її окремі випадки - дисперсійний аналіз і дискримінантний аналіз (розпізнавання образів з учителем), даючи єдиний підхід до формально різним методам, корисна при програмної реалізації сучасних статистичних методів прогнозування.

Основними процедурами обробки прогностичних експертних оцінок є перевірка узгодженості, кластер-аналіз і знаходження групової думки. Перевірка узгодженості думок експертів, виражених ранжировками, проводиться за допомогою коефіцієнтів рангової кореляції Кендалла і Спірмена, коефіцієнта рангової конкордації Кендалла і Бебінгтона Сміта. Використовуються параметричні моделі парних порівнянь - Терстоуна, Бредлі-Террі-Льюс - і непараметричні моделі теорії люсіанов [1, 3]. Корисна процедура узгодження ранжировок і класифікацій шляхом побудови узгоджувальних бінарних відносин. При відсутності узгодженості розбиття думок експертів на групи схожих між собою проводять методом найближчого сусіда або іншими методами кластерного аналізу (автоматичної побудови класифікацій, розпізнавання образів без вчителя). Класифікація люсіанов здійснюється на основі ймовірнісно-статистичної моделі.

Використовують різні методи побудови підсумкового думки комісії експертів. Своєю простотою виділяються методи середніх арифметичних і медіан рангів. Комп'ютерне моделювання [3] дозволило встановити ряд властивостей медіани Кемени, часто рекомендованої для використання в якості підсумкового (узагальненого, середнього) думки комісії експертів. Інтерпретація закону великих чисел для нечислових даних в термінах теорії експертного опитування така: підсумкове думка стійко, тобто мало змінюється при зміні складу експертної комісії, і при зростанні числа експертів наближається до "істини". При цьому відповідно до прийнятого в [4] підходом передбачається, що відповіді експертів можна розглядати як результати вимірювань з помилками, всі вони - незалежні однаково розподілені випадкові елементи, імовірність прийняття певного значення зменшується в міру віддалення від деякого центру - "істини", а загальне число експертів досить велике.

Численні приклади ситуацій, пов'язаних із соціальними, технологічними, економічними, політичними, екологічними та іншими ризиками. Саме в таких ситуаціях зазвичай і необхідно прогнозування. Відомі різні види критеріїв, які використовуються в теорії прийняття рішень [2] в умовах невизначеності (ризику). Через суперечливості рішень, одержуваних за різними критеріями, очевидна необхідність застосування оцінок експертів.

У конкретних задачах прогнозування необхідно провести класифікацію ризиків, поставити завдання оцінювання конкретного ризику, провести структуризацію ризику, зокрема, побудувати дерева причин (в іншій термінології, дерева відмов) і дерева наслідків (дерева подій). Центральним завданням є побудова групових і узагальнених показників, наприклад, показників конкурентоспроможності і якості. Ризики необхідно враховувати при прогнозуванні економічних наслідків прийнятих рішень, поведінки споживачів і конкурентного оточення, зовнішньоекономічних умов і макроекономічного розвитку Росії, екологічного стану навколишнього середовища, безпеки технологій, екологічної небезпеки промислових та інших об'єктів.

Сучасні комп'ютерні технології прогнозування засновані на інтерактивних методах статистичних прогнозування з використанням баз даних економетричних, імітаційних (у тому числі на основі застосування методу статистичних випробувань) та економіко-математичних моделей динамічних, що поєднують експертні, математико-статистичні, моделювальні блоки.


3. Додатки (комп'ютерні) для прогнозування

Для прогнозування з тимчасового ряду використовують комп'ютерні програми - інструменти прогнозування. Це дозволяє автоматизувати велику частину операцій при побудові прогнозу, а також дозволяє уникнути помилок, пов'язаних з введенням даних. Такі програми можуть бути як локальними (для використання на одному комп'ютері), так і інтернет-додатками (доступними у вигляді веб-сайту, наприклад). Як локальних програм слід виділити такі програми, як SPSS, Statistica, Forecast Expert.


4. Цитована література

1. Орлов А. І. Прикладна статистика. - М.: Іспит, 2006. - 671 с.

2. Орлов А. І. Теорія прийняття рішень. - М.: Іспит, 2006. - 576 с.

3. Орлов А. І. Економетрика .- М.: Іспит, 2004 (3-е изд.). - 576 с.

4. Орлов А. І. Стійкість у соціально-економічних моделях. - М.: Наука, 1979. - 296 с.

5. Орлов А. І. Задачі оптимізації і нечіткі змінні. - М.: Знание, 1980. - 64 с.


Література


Цей текст може містити помилки.

Схожі роботи | скачати

Схожі роботи:
Прогноз погоди
Демографічний прогноз
Чисельний прогноз погоди
© Усі права захищені
написати до нас
Рейтинг@Mail.ru