Классификация социально-экономических прогнозов

Большое количество разнообразных прогнозов по различающихся между собой по множеству параметров объективно требуют проведения их классификации. Примерная классификация социально-экономических приведена на рис. 11.2.

В первую очередь прогнозы различаются по масштабам решаемых задач. Глобальные прогнозы рассматривают наиболее общие тенденции и закономерности экономики в мировом масштабе, макропрогнозы служат для прогнозирования общих тенденций на уровне страны в целом, структурные — для предсказания развития комплексов народного хозяйства в разрезе республик, регионов, их отдельных социальных и производственных сфер, региональные — предсказывают развитие отдельных регионов страны.

Составляются также прогнозы по отдельным отраслям народного хозяйства (отраслевые) и по предприятиям, видам продуктов (микропрогнозы).

Широкое применение находят комплексные прогнозы. Они составляются в виде общих прогнозов развития национальной экономики в целом, по народнохозяйственным комплексам и отраслям, регионам, развития государственного сектора.

По временному горизонту можно выделить следующие группы прогнозов:

долгосрочные (5... 15 лет), среднесрочные (1.. 5 лет), краткосрочные (от одного месяца до года), оперативные (до одного месяца).

По времени осуществления различают прогноз в реальном масштабе времени, этапный прогноз, неограниченный по времени принятия решения.

Прогнозирование в реальном масштабе времени проводится относительно объектов, которые быстро меняют свои характеристики, вследствие чего необходимо не допустить выхода объекта из области управляемых или допустимых состояний с вероятностью не менее заданной.

Этапный прогноз предполагает принятие прогнозных решений в течение одного этапа жизненного цикла, а реализацию — в течение другого этапа. В частности, решение в бизнес-плане о каналах реализации товарной продукции принимается до ее производства, а реализуется продукция по окончании определенного цикла производства.

По цели прогнозирования выделяют: поисковые, нормативные и комби­нированные. Поисковое (исследовательское) прогнозирование имеет в своей основе объективный анализ исторических закономерностей; в нем закладывается принцип развития от настоящего к будущему. Его задачей является определение возможных результатов будущего развития и выбор из множества возможных вариантов одного или нескольких положительных результатов. Это прогнозирование основывается на экстраполяции существующих тенденций и является базой для стратегического планирования.

Нормативное (нормативно-целевое) прогнозирование предполагает проведение исследований от будущего (нормативного, желаемого) состояния к настоящему. Нормативный (программный) прогноз заключается в определении возможных путей достижения желаемых и необходимых результатов; ожидаемого по времени реализации каждого из возможных варианта и степени достоверности в успешном достижении некоторого результата по тому или иному варианту.

Может быть проведено и так называемое комбинированное прогнозирование с использованием поисковых (экстраполятивных) и нормативных приемов.

По способу представления информации прогнозы подразделяются на точечные и интервальные.

Точечный прогноз предполагает единственное наиболее вероятное значение прогнозируемого показателя. Интервальный прогноз предсказывает величину показателя в определенном интервале

По характеру прогнозирования различают пассивные, активные, вариантные и инвариантные и другие прогнозы. Пассивный прогноз предполагает, что анализируемый объект не могут активно воздействовать на свое будущее, т.е. у него нет возможностей воздействовать на внешнюю среду. Активный прогноз, наоборот — самые активные воздействия предприятия, муниципального образования, региона на внешнюю среду.

Вариантный прогноз связан с неопределенностью внешней среды, а поэтому предполагает разработку нескольких вариантов развития предприятия, региона.

Инвариантный прогноз разрабатывается в одном варианте, т.е. он рассчитан на достаточно высокую степень определенности внешней среды.

Кроме того, прогнозы при дифференциации их по характеру прогнозирования могут быть частными и обобщающими, пессимистическими и оптимистическими.

Социально-экономические прогнозы всех видов являются научной базой для разработки программ и планов социально-экономического развития Российской Федерации и ее территорий. Социально-экономическое прогнозирование выполняет функции научно-вероятностного предвидения будущего с учетом максимального числа экономических и социальных факторов развития.

Прогнозирование, с одной стороны, предшествует планированию, а с другой — оно широко используется в процессе составления и выполнения планов.

Процесс прогнозирования можно подразделить на три основные стадии:

1) исследование, анализ объекта, процесса; установление основных тенденций, закономерностей его развития; подбор наиболее приемлемых методов прогнозирования;

2) обоснование прогнозных решений — разработка альтернативных вариантов развития событий, принятие организационных решений;

3) оценка вероятного хода экономических событий, отслеживание прогнозируемого объекта, корректировка прогнозных решений.

Методологические основы прогнозирования и планирования социально-экономического развития Методы социально-экономического прогнозирования. Методы социально-экономического планирования.

Каждый этап прогнозирования характеризуется, своими целями, задачами и методами. При этом под методами экономического и социального прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, внешних и внутренних связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития.

В настоящее время, по различным оценкам, насчитывается свыше 160 различных методов прогнозирования. Однако на практике используется в качестве основных лишь около 15 - 20. Классификация методов прогнозирования приведена на рисунке.

По степени формализации методы экономического прогнозирования можно разделить на интуитивные и формализованные. Интуитивные методы прогнозирования используются в тех случаях, когда невозможно учесть влияние многих факторов из-за значительной сложности объекта прогнозирования. В этом случае используются оценки экспертов. При этом различают индивидуальные и коллективные экспертные оценки.

В состав индивидуальных экспертных оценок входят: метод «интервью», аналитический метод, метод написания сценария и метод генерации идей. Метод «интервью» основан на том, что при нем осуществляется непосредственный контакт эксперта со специалистом по схеме «вопрос — ответ». Аналитический метод осуществляет логический анализ какой-либо прогнозируемой ситуации, составляются аналитические докладные записки. Метод написания сценария основан на определении логики процесса или явления во времени при различных условиях.

Методы коллективных экспертных оценок включают в себя метод «комиссий», «коллективной генерации идей» («мозговая атака»), метод «Дельфи», матричный метод. Эта группа методов основана на том, что при коллективном мышлении, во-первых, выше точность результата и, во-вторых, при обработке индивидуальных независимых оценок, выносимых экспертами, по меньшей мере могут возникнуть продуктивные идеи.

Класс экспертных методов прогнозирования широко использует методы эвристического прогнозирования (эвристика — наука, изучающая продуктивное, творческое мышление). Суть таких методов заключается в построении и последующем усечении «дерева поиска» экспертной оценки с использованием какой-либо эвристики. При этом методе осуществляется специализированная обработка прогнозных экспертных оценок, полученных путем систематизированного опроса высококвалифицированных специалистов. Он применяется для разработки прогнозов объектов, анализ развития которых либо полностью, либо частично не поддается формализации.

В группу формализованных методов входят две подгруппы: экстраполяции и моделирования. К первой подгруппе относятся методы: наименьших квадратов, экспоненциального сглаживания, скользящих средних. Ко второй - структурное, экономико-математическое, статистическое, матричное и имитационное моделирование.

Методы прогнозной экстраполяции.

Экстраполяционные методы являются одним из самых распространенных и наиболее разработанных среди всей совокупности методов прогнозирования. При формировании прогнозов с их помощью обычно исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные функциональные, системные и структурные характеристики.

С помощью этих методов экстраполируются количественные параметры больших систем, количественные характеристики экономического, научного, производственного потенциала, данные о результативности научно-технического прогресса, характеристики соотношения отдельных подсистем, блоков, элементов в системе показателей сложных систем и др.

Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обусловливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отношению к сущности рассматриваемого явления. Следует принимать внимание и то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром.

В связи с этим выделяют определенную последовательность действий при статистическом анализе тенденций и экстраполировании, которое в частности состоит в следующем:

во-первых, должно быть четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих и препятствующих развитию данного объекта, определение необходимой экстраполяции и ее допустимой дальности;

во-вторых, выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности;

в-третьих, сбор и систематизация данных. Перед сведением их в со­ответствующие таблицы еще раз проверяется однородность данных и их сопоставимость;

в-четвертых, когда вышеперечисленные требования выполнены, задача состоит в том, чтобы в ходе статистического анализа и непосредственной экстраполяции данных выявить тенденции или симптомы изменения изучаемых величин.

В экстраполяционных прогнозах особо важным является не столько предсказание конкретных значений изучаемого объекта или параметра в таком-то году, сколько своевременное фиксирование объективно намечающихся сдвигов в назревающих тенденциях.

Для повышения точности экстраполяции используются различные приемы. Один из них состоит, например, в том, чтобы экстраполируемую часть общей кривой развития (тренда) корректировать с учетом реального опыта развития отрасли-аналога исследований или объекта, опережающих в своем развитии прогнозируемый объект. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую уже накладываются другие составляющие. Результат при этом связывается исключительно с ходом времени. Предполагается, что через время можно выразить влияние всех основных факторов.

В статистической литературе под тенденцией развития понимают некоторое его общее направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.

Однако, как правило, ни один из существующих методов не может дать достаточной точности прогнозов на 20—25 лет. Применяемый в прогнозировании метод экстраполяции не дает точных результатов на длительный срок прогноза, потому что данный метод исходит из прошлого и настоящего, и тем самым погрешность накапливается. Этот метод дает положительные результаты на ближайшую перспективу прогнозирования тех или иных объектов: на 5—7 лет.

Для нахождения параметров приближенных зависимостей между двумя или несколькими прогнозируемыми величинами по их эмпирическим значениям применяется метод наименьших квадратов. Его сущность состоит в минимизации суммы квадратических отклонений между наблюдаемыми величинами и соответствующими оценками (расчетными, величинами), вычисленными по подобранному уравнению связи. Этот метод лучше других соответствует идее усреднения как единичного влияния учтенных факторов, так и общего влияния неучтенных.

С помощью метода наименьших квадратов производится аналитическое выравнивание ретроспективного статистического ряда динамики. На основе этих данных получается уравнение кривой, описывающей тенденцию изменения показателя в ретроспективе. Используя полученное уравнение можно получить прогнозные значения показателя путем продолжения выявленной тенденции в будущее.

Для оценки точности прогноза используются специальные показатели, изложенные в частности в:

остаточное среднеквадратическое отклонение, определяемое как квадратный корень из среднего квадрата отклонений фактических значений ряда динамики от тренда. Чем оно меньше, тем точнее описывает выбранная кривая сложившуюся динамику;

доверительный интервал при заданной доверительной вероятности Р, показывающий, что с вероятность Р (как правило 95%) отклонения показателя от наиболее вероятного значения в прогнозном периоде не превысят величины, равной доверительному интервалу в ту или другую сторону, то есть будут лежать в диапазоне, равном удвоенному доверительному интервалу с вероятностью Р. Для линейных трендовых зависимостей существуют выражения для расчета доверительного интервала, для нелинейных зависимостей его оценка приближенна. Если в ретроспективном периоде динамика показателя не имеет выраженной тенденции, то может быть применена простая экстраполяция - экстраполяция на основе средней, когда прогнозное значение показателя оценивается как среднее в ретроспективном периоде. При этом усреднение может производиться как по абсолютным значениям, так и по темпам роста показателя. Такой метод может быть использован при обосновании краткосрочного прогноза.

Одним из наиболее эффективных методов экстраполяции является метод экспоненциального сглаживания. Экспоненциальное сглаживание - это выравнивание сильно колеблющихся динамических рядов в целях последующего прогнозирования. Достоинство данного метода в том, что он позволяет учитывать в большей степени показатели, достигнутые в последние годы. В прогнозном уравнении результаты предыдущих лет учитываются с весами, убывающими с течением времени по экспоненциальному закону.

Реализация метода основана на цепочных расчетах. Параметры уравнения, описывающего ретроспективную динамику рассчитываются последовательно для каждой точки ретроспективного ряда. При выполнении каждого шага расчета параметры уравнения уточняются с учетом складывающейся динамики. Параметры прогнозного уравнения получаются при сглаживании последнего в ретроспективном ряду значении. Параметры прогнозного уравнения зависят от специального показателя - константы сглаживания а. Подбирая ее величину возможно получить наименьшую величину отклонений фактического ряда от сглаженного, а также учитывать влияние факторов, проявляющихся в последние годы.

Часто показатели ретроспективного ряда динамики характеризуются резкими колебаниями, имеют слабую связь со временем и не имеют четко выраженной тенденции изменения. При применении методов сглаживания доверительные интервалы прогнозов оказываются соизмеримы со прогнозными значениями показателя.

В этом случае возможно использования экстраполяции на основе скользящей средней. Метод скользящей средней используется в статистике для выравнивания сильно колеблющихся рядов. Он позволяет отвлечься от случайных колебаний показателя путем замены значений внутри выбранного интервала их средним арифметическим значением на этом интервале. Величина интервала остается постоянной, а сам интервал по мере расчетов сдвигается на одно наблюдение. Обычно интервал состоится из 3-х или 5-ти значений. В результате выполнения подобного усреднения удается выявить тенденцию изменений средней составляющей ряда динамики. Особенностью является то, что выровненные значения точек внутри ряда динамики рассчитываются по формуле простой арифметической средней, а выровненные значения крайних точек рассчитываются по специальным формулам.

Прогнозирование на основе скользящей средней состоит в следующем. Вначале выполняют операцию по нахождению выровненных значений ретроспективного ряда по методу скользящей средней. Затем методом наименьших квадратов или экспоненциального сглаживания определяют прогнозные значения выровненного по скользящей средней ряда. Поскольку выровненные значения крайних точек ряда выражаются через фактические значения показателя, то используя полученные ранее прогнозные значения выровненного ряда можно определить прогнозные значения исходного ряда.

Прогнозирование по этому методу авторегрессии основано на использовании уравнений авторегрессии, выражающим прогнозируемое значение показателя через его ретроспективные значения. Этот метод используется реже и главным образом в оперативном экономическом прогнозировании.

В целом методы экстраполяции применяются в среднесрочном прогнозировании. При этом предполагается, что:

- ретроспективный период изменения показателя может быть охарактеризован плавной траекторией - трендом;

- основные условия, определяющие значения показателя в ретроспективе не претерпят существенных изменений в будущем, то есть они будут изменяться по тем же законам, что и в прошлом и настоящем;

- отклонения фактических значений показателя от линии тренда носят случайный характер.

Существенным при экстраполяции является анализ полученных прогнозных значений показателя с позиций их достоверности и коррекция с использованием экспертных и других методов, основанных на глубоком анализе происходящих процессов и влияющих факторов.