Теория экономического прогнозирования

Построение сценариев развития системы как конечного результата прогнозирования (рис. 2.6) предполагает проведение расчетов по всем ба­зовым сценариям на системе математических моделей. Цель расчетов - проверка содержательных базовых сценариев на допустимость и реализуе­мость, уточнение исходных фоновых переменных и суммарных парамет­ров, а также количественно-качественный анализ сценариев.

Расчеты удобно начинать снизу, т.е. на моделях нижнего уровня, а по мере отработки базовых сценариев двигаться вверх по иерархии систе­мы моделей. На этом этапе прогнозирования возможно сочетание различ­ных математических методов параметрического прогнозирования и моде­лирования, методов оптимизации, экстраполяции и т.п. и эвристических методов {экспертных оценок), что позволяет получить относительно точ­ный и надежный прогноз.

Анализ схемы показывает, что построение сценариев представляет собой многошаговый процесс. Особый интерес представляют третий и четвертый шаги. Если на третьем шаге фирма определяет будущее состоя­ние среды и ее влияния, исходя из собственных целей, то на четвертом этапе возможное развитие сфер влияния определяется исходя из их совре­менного состояния и возможных изменений. На пятом этапе сопоставля­ются результаты третьего и четвертого шагов, повышенные или занижен­ные показатели состояния среды корректируются при помощи данных, по­лученных на четвертом шаге.

Введение на шестом шаге разрушительных событий объясняется тем, что в реальной ситуации могут иметь место инциденты, которые не были спрогнозированы, но при этом могли изменить направление тенден­ции. Разрушительные события могут иметь как определенный результат (катастрофы, аварии и т.п.), так и положительный (политические примире­ния, технологические прорывы, открытие месторождений и т.п.). Из воз­можных разрушительных событий выделяются те, которые оказывают наибольшее влияние и учитывают их при составлении сценариев.

На заключительных шагах сопоставляются стратегические проблемы фирмы и выбранные варианты развития среды, определяется характер и степень воздействия тех или иных вариантов развития на стратегические области действий фирмы и рекомендуются конкретные меры по преодолению возможных проблем..      

Рис. 2.6. Логическая схема построения сценариев развития объекта прогнозирования

Построение прогнозных сценариев используется в практике прогнозирования, как самостоятельный метод, так и как элемент прогнозирования с использованием других методов (т.е. может выступать элементом ком­плексной системы прогнозирования) [1].

При прогнозировании для минимизации расходов на прогноз необ­ходимо привлекать минимальное число экспертов при условии обеспече­ния ошибки прогнозирования не более Ь, где 0<Ь<1. Минимальное число экспертов определяют по формуле

                                                                                                         (2.21)

При этом должна наблюдаться стабилизация средней оценки прогно­зируемой характеристики. При подборе экспертов, входящих в состав экс­пертной группы, должны быть учтены следующие их характеристики: компетентность, креативность (способность к творчеству), отношение к экспертизе, конформизм (неустойчивость мнения), аналитичность и широ­та мышления, конструктивность мышления (прагматизм), коллективизм и самокритичность.

Для оценки согласованности мнений экспертов можно использовать дисперсионный коэффициент конкордации:

                                                                                                                                                     (2-22)

                 где                               

                                                                                                                                 (2-23)

В формулах (2.22) и (2.23) Т j — показатель связанных (одинаковых) рангов  в j-ou ранжировке, Н j - число групп равных рангов  в j-ou ранжировке; hk - число равных рангов в k-ой группе связанных рангов при ран­жировке j-ым экспертом, п - число объектов, от - число экспертов (./ = 1,...,1я; / = !,..., и).

                                                                                                                          (2.24)

где rtj - ранг, присваиваемый j-ым  экспертом i-ому объекту; г - средний ранг, равный:

                                                                                  (2.25)

Если коэффициент конкордации равен 1, то все ранжировки экспер­тов одинаковы, W = 0, если все ранжировки различны, то есть совершенно нет совпадений. Мнения экспертов согласованы, если W> 0,6.

Применение экспертных оценок позволяет решать сложные нефор­мализуемые проблемы. Знание научно обоснованного подхода к примене­нию этого метода в технологии функционального управления является не­обходимым условием эффективной работы руководителей разного уровня.

2.4. Комплексные системы прогнозирования

Практическое использование такие системы находят на высших уровнях управления крупных экономических систем: страны, отрасли, ре­гиона, холдинга, транснациональной компании и т.п.

Необходимость в создании комплексных систем возникает в связи со сложностью современных организационно-производственных систем и не­возможностью их единообразного описания и прогнозирования С исполь­зованием только одного метода.

Разработку комплексных систем прогнозирования ведут исходя из структуры прогнозируемого объекта или процесса.

При разработке и анализе комплексных систем прогнозирования к основным операциям относят определение состава и процедур сингуляр­ных (простых) методов прогнозирования, входящих в систему, а также ло­гические правила их объединения в систему. Простые процедуры исполь­зуют для прогнозирования подсистем и блоков, входящих в структуру про­гнозируемого процесса или объекта.

Примерами использования комплексных систем прогнозирования являются: метод прогнозного графа, система ПАТТЕРН и др.

Метод прогнозного графа

Разработан группой киевских специалистов института кибернетики под руководством академика В.М.Глушкова [12]. Основой метода являют­ся экспертные и формально-математические процедуры построения и ана­лиза опорного графа, отражающего обобщенное суждение широкого круга специалистов о потребностях, возможных путях и ресурсах, необходимых для достижения поставленной цели.

Комплексная система, построенная в соответствии с этим методом, реализует следующие процедуры: выбор объектов прогноза; исследование фона (среды); классификация событий; формирование задач и генеральной цели прогноза; анализ иерархии; формирование событий; принятие внут­ренней и внешней структуры объекта прогноза; анкетирование экспертов, математическая обработка данных анкетного опроса; количественная оценка структуры; верификация полученных результатов.

Опорный граф строится сверху от события, являющегося конечной целью, до самого нижнего уровня, содержащего события, свершение кото­рых обеспечивают уже имеющиеся научно-технические достижения. Такие события можно считать реализованными («заземленными»).

На каждом уровне группа экспертов формулирует события-цели и условия их достижения. Обработка информации на ЭВМ позволяет опре­делить важность различных событий для свершения конечной цели, найти оптимальные пути и оценить по разным критериям варианты решений.

Программа работы ЭВМ обеспечивает также перестройку графа, его упорядочение, в том числе и ликвидацию тупиков и петель, то есть возвра­та к уже совершенным событиям, а также перераспределение и обновление информации.

Достоинством метода является возможность работы с графом в ре­жиме диалога «человек - информационная система» для проверки некото­рых ситуаций, то есть возможность проигрывать разные ситуации.

Граф является динамической системой, и при поступлении от экс­пертов новой информации производится пере смотр-ревизия оценок, вари­антов прогноза и принятых решений.

В результате этой ревизии ЭВМ может сформулировать запросы к принимающим решение о целесообразности пересмотра тех или иных дей­ствий или обсуждения экспертами и принимающими решение вновь сло­жившейся ситуации. Такие способности прогнозного графа к совершенст­вованию и «самоанализу» открывают возможности новой методологии планирования и управления.

На рисунке 2.7. представлена структурная схема прогнозирующей подсистемы. Ее функционирование происходит следующим образом. Группа синтеза и интерпретации данных (СИД) формирует поток данных, содержащих результаты анализа и прогнозирования развития интересую­щей области.

Математическое обеспечение системы (МО) является набором стан­дартных и специальных программ, которые обеспечивают построение и перестройку прогнозного графа.

Группа задач и методов решения (ЗМР) обеспечивает прием потока задач и запросов. Эта группа тесно связана с деятельностью группы систе­матизации и координирования данных (СКД), формирующей банк данных (БД) системы и обеспечивающей его рациональное использование.

Поток новой информации в систему происходит по трем каналам. Центральное место занимают идеи и оценки коллектива экспертов (КЭ), с которым в режиме диалога работает группа экспертных оценок (ЭО). При этом КЭ анализирует компетентность и отношение каждого эксперта к ра­боте.         

Второй канал потока информации реализуется группой патентного анализа (ПА), которая анализирует материалы патентного фонда (ПФ), от­носящиеся к объекту прогнозирования.

Рис. 2.7. Структурная схема прогнозируемой подсистемы

Третий канал - научно-техническая информация (НТИ). Группа ана­лиза научно-технической информации (АНТИ) собирает и анализирует об­зоры, прогнозы, выдвинутые в литературе или поступившие непосредственно от специалистов принципы и идеи. При помощи группы ЭО резуль­таты этого анализа используются так же,  как и результаты деятельности группы ПА.

Круг организаций, использующих систему, построенную по типу прогнозного графа, достаточно широк и включает официальные инстанции и органы управления, а также генеральных и главных инструкторов и дру­гих специалистов, ответственных за НИОКР и их разделов.

Система ПАТТЕРН

Разработана в США в 1964 г. для обоснования планирования и управления научными исследованиями и опытно-конструкторскими разра­ботками. Используется для обоснования прогнозов и планов посредством научно-технической оценки количественных данных.

Рис. 2.8. Структура представления метода ПАТТЕРН

Метод как элемент включает построение сценария (динамической картины будущего). Выявленная в сценарии главная цель детализируется на отдельные подцели, каждая из которых разделяется на более частные задачи (производится декомпозиция цели) и т.д.

«Дерево целей» содержит только те проблемы, которые требуют на­учно-технической разработки, остальные исключаются из рассмотрения.

Для каждого уровня дерева целей устанавливаются коэффициенты относительной важности всех его элементов, выраженные в долях едини­цы.

Важное значение имеет определение состояния и возможных сроков завершения работ, характеризуемых коэффициентами состояния разработ­ки и сроков. В основу их расчета положена следующая классификация эта­пов разработки:

•    производственная готовность - это этап разработки, когда требо­вания, предъявляемые к изделию, могут быть удовлетворены имеющимися техническими возможностями промышленности;

•    техническое проектирование соответствует случаю, когда проблема технически решена, доказана возможность изготовления изделия на имеющемся оборудовании;

•    перспективная разработка отражает этап, когда доказана принци­пиальная возможность создания изделия и изготавливается опытный обра­зец;

•    поисковая разработка - соответствует этапу, когда проводятся работы для доказательства возможности технического решения проблемы и удовлетворения условиям эксплуатации, проверяются в лабораторных ус­ловиях возможные конструктивные решения;

•    теоретические исследования являются начальным этапом разра­ботки.

Рис. 2.9. Этапы разработки

Условные обозначения:

3-1 - производственная готовность; 1-2 - техническое проектирование; 2-3 -перспективная разработка; 3-4 - поисковая разработка; 4-5 - теоретические исследования.

Определение состояния, возможных сроков реализации разработок, а также необходимых затрат производится экспертами. Эти данные используются, прежде всего, для исключения из рассмотрения тех задач, которые близки к завершению, т.е. находящихся на стадии технического проекти­рования или производственной готовности.

Материалы экспертных оценок служат для построения характери­стики изменения денежных затрат по этапам цикла разработки (рис. 2.9.).

Общая площадь под рассматриваемой кривой соответствует суммар­ным расходам и может быть разделена на две части: завершенную часть (без штриховки) и часть, подлежащую разработке (заштрихованная пло­щадка). Отношение предстоящих затрат к суммарным расходам представ­ляет собой коэффициент состояния разработки.

При разработке подсистем (задач), входящих в «дерево целей», при­нимаются во внимание возможности частичного использования результа­тов разработок одних подсистем для других, характеризуемые коэффици­ентами взаимной полезности. Эти коэффициенты экспертно оцениваются специалистами и выражают относительное снижение затрат времени и других ресурсов.

Принципы, заложенные в систему ПАТТЕРН, позволяют осущест­вить прогноз и провести анализ в любой области деятельности. Рассматри­ваемая система позволяет: выбрать объект прогноза; выявить внутренние закономерности его развития; написать сценарий; сформулировать задачи и главную цель прогноза; провести анализ иерархии и декомпозицию це­лей; понять внутреннюю и внешнюю структуры объекта прогнозирования; провести анкетирование экспертов; выполнить математическую обработку данных анкетирования; количественно оценить структуры; верифициро­вать результаты; разработать алгоритм распределения ресурсов; провести распределение ресурсов; оценить распределение ресурсов.

Сравнение методов прогнозного графа и метода ПАТТЕРН показы­вает, что основное преимущество последнего состоит в наличии механизма реализации прогноза.

Метод ПАТТЕРН можно назвать комбинацией методов прогнозиро­вания и стратегического планирования.

3. ПРОВЕРКА АДЕКВАТНОСТИ И СРЕДСТВА ВЕРИФИКАЦИИ ПРОГНОЗНЫХ МОДЕЛЕЙ

Для обеспечения точности и достоверности результатов прогнозиро­вания необходима проверка адекватности или верификация прогнозной модели.

Проверка адекватности модели выполняется с использованием формальных статистических критериев. Однако такая проверка возможна при наличии надежных статистических параметров как оригинала (объекта прогнозирования), так и модели. Если по каким-то причинам такие оценки отсутствуют, то осуществляют сравнение отдельных свойств оригинала и модели. При этом первоначально должна проверяться истинность реали­зуемых функций, затем истинность структуры и, наконец, истинность дос­тигаемых при этом значений параметров. Для этого помимо модели необ­ходимо иметь функционирующий оригинал, то есть проводить сопровож­дающее моделирование.

Таблица 3.1. Методы верификации прогнозных моделей

Верификация модели - оценка ее функциональной полноты, точно­сти и достоверности с использованием всей доступной информации в тех случаях, когда проверка адекватности по тем или иным причинам невоз­можна.

В прогнозировании чаще используют верификацию, так как в боль­шинстве случаев реальный объект отсутствует или разрабатываются новые (еще не существующие) функции объекта прогнозирования. В таблице 3.1 представлены наиболее часто используемые методы верификации.

В прогнозировании случай совершенного прогноза достигается крайне редко, поэтому проблема верификации прогнозной модели является одной из важнейших в прогностике. Степень совершенства прогнозов вы­ражают через различные измерители точности прогнозирования. Точность точечного прогноза в момент f, определяется разностью между прогнозом Р, и фактическим значением Fh прогнозируемого показателя в этот момент времени. Отдельный точечный прогноз не определяет точность конкрет­ной процедуры прогнозирования в целом, то есть потребуется некоторая выборка {(Pj, fj)}, на основе которой рассчитывается значение некоторого измерителя точности прогнозирования.

Важность проблемы точности прогнозирования определяет важность анализа различных ее измерителей. В настоящее время нет достаточно полного исследования всевозможных критериев точности, что затрудняет оценивание возможностей различных моделей и опыта их применения в прикладных работах по прогнозированию конкретных процессов [10].

Для измерения точности прогнозирования можно использовать лю­бой коэффициент парной корреляции между последовательностями про­гнозных и фактических значений. Классический критерий точности про­гнозирования - коэффициент корреляции Пирсона.

Максимальное значение r = 1 достигается при наличии линейной связи

               (3.1)

между Р и F, т.е. когда существуют такие а0 и а/>0, что Р = oq + at F.

Однако при а0 £ 0 и а, = 1 прогноз не будет совершенным, хотя кор­реляция полная и положительная; только при Р = F коэффициент корреля­ции может характеризовать совершенный прогноз.

Коэффициент ранговой корреляции Спирмэна также может быть ис­пользован в качестве измерителя точности прогнозирования. Для этого вычисляются ранги {x} и {у} элементов соответствующих последователь­ностей {PJ и {Ft}. Очевидно, что

                                                   (3.2)     

Если несколько элементов из Pi или Ft имеют одинаковые ранги, то им определяется ранг, равный среднему арифметическому значений мест элементов в данной ранжировке. В этом случае последнее соотношение останется верным. Вычисляются корректирующие множители для связей соответственно для последовательностей xi и уi :

                                                 (3.3)

где г,- и /, равно числу повторений i-го ранга в соответствующих по­следовательностях. Вычисляют сумму квадратов разностей рангов

                                                                       (3.4)

Если Tf или Ту равно нулю, то коэффициент ранговой корреляции Спирмэна равен:

                                                                                      (3.5)

Коэффициент ранговой корреляции р позволяет характеризовать ка­чественную сторону последовательности прогнозов {Р/j, а именно способ­ность предсказывать точки поворота. Коэффициент ранговой корреляции можно рассматривать как дополнительный измеритель точности прогнози­рования при Pi=Fi и г, близким к 1, так как критерий р инвариантен отно­сительно линейной вариации, причем р=1 прогноз может быть далеко не совершенным, так как для этого достаточно лишь совпадения рангов.

В качестве измерителей точности прогнозирования могут быть ис­пользованы и другие коэффициенты парной корреляции, например коэф­фициент ранговой корреляции Кендэлла. Однако для характеристики ко­эффициентов парной корреляции как некоторого класса измерителей точ­ности прогнозирования достаточно провести анализ этих двух наиболее часто используемых коэффициентов, чтобы выделить общие для этого класса свойства. Во-первых, инвариантность относительно линейной ва­риации, а во-вторых, полная корреляция еще fie определяют совершенный прогноз. Еще одним важным свойством коэффициентов парной корреля­ции является возможность проверки их на значимость, так как определены соответствующие законы распределения этих статистик. Например, для коэффициента ранговой корреляции Спирмэна значимость проверяется с п-2 степенями свободы по следующей t-статистике:

                                                                                  (3.6)        

Наиболее распространенными оценками точности прогнозирования также являются средняя ошибка аппроксимации

                                                            (3.7)

и средняя квадратическая ошибка прогнозов

                                                                     (3.8)

Точность прогнозирования тем выше, чем меньше значения е или S соответственно. Совершенный прогноз достигается при e=S=0.

Одним из исследователей проблем экономического прогнозирова­ния, Г. Тейлом [10], предложен в качестве меры качества прогнозов коэф­фициент расхождения V (или коэффициент несоответствия), числителем которого является среднеквадратическая ошибка прогноза, а знаменатель равен квадратному корню из среднего квадрата реализации:

(3.9)

Если У=0, то прогноз абсолютно точен (случай «идеального» прогнозирования). Если F=l, то это означает, что прогноз близок к простой (и наивной) экстраполяции. Если У>1, то прогноз дает худший результат, чем предположение о неизменности тенденций исследуемого явления.

Коэффициент расхождения может быть использован при сопостав­лении качества прогнозов, получаемых на основе различных методов и моделей. В этом его несомненное достоинство. Величина V поддается разложению на составляющие (частные коэффициенты расхождения), харак­теризующие влияние ряда факторов (это достигается разложением числи­теля, представляющего собой средний квадрат ошибки прогноза).

В некоторых случаях более важное значение имеют распознающие способности моделей прогнозирования, особенно при краткосрочном про­гнозировании. Например, при прогнозировании выполнения месячных планов предприятий отрасли по особо учитываемой номенклатуре в начале месяца в первую очередь интерес представляет более точная оценка воз­можности выполнения плана, чем прогнозная информация о величине от­клонения от плана. В данном случае целесообразно использовать следую­щую меру точности прогнозирования:

                                                          (3.10)

где q - число подтвержденных прогнозов; р - число неподтвержденных прогнозов.

Если £~\, то имеет место случай «идеального» прогнозирования.

Таким образом, измерители точности прогнозирования по отноше­нию к инвариантности относительно линейной вариации делятся на инва­риантные и не инвариантные. Инвариантные измерители (S и коэффициен­ты парной корреляции), хотя и не позволяют сравнивать точность прогно­зирования различных процессов, могут использоваться для определения точности прогнозирования различных последовательностей прогнозных значений {Pi} при фиксированной последовательности {Ft}. Например, по­добная ситуация возникает при моделировании, когда необходимо выби­рать между несколькими моделями прогнозирования, генерирующими со­ответствующие последовательности {Ft}. Инвариантные измерители могут быть проверены на статистическую значимость, то есть с определенной доверительной вероятностью конкретное значение измерителя является обоснованным. Однако особый интерес при построении моделей прогно­зирования имеет критерий Г. Тейла, так как позволяет определить, в чем состоит расхождение: имеет место дрейф среднего или дрейф дисперсии. С другой стороны, критерий У не является инвариантным, и есть возмож­ность оценивать применимость модели для совокупности различных про­гнозируемых процессов в целом. Например, для прогнозирования по одной модели поведения отдельных предприятий или отрасли в целом.

Средняя ошибка аппроксимации е является наиболее наглядным из­мерителем точности прогнозирования, что вместе с неинвариантностью приводит к тому, что требование к точности задач прогнозирования фор­мулируется по этому критерию.

Определить точность точечного прогноза по данным формулам можно при ретроспективности прогнозирования, когда апробируется мо­дель, а также для прогнозов с малым периодом упреждения {краткосроч­ные прогнозы).

Точность и надежность прогнозов - широко распространенные в прогностической литературе термины, смысл которых, как это представля­ется на первый взгляд, вполне очевиден. Однако содержание этих терми­нов часто толкуется достаточно субъективно. Нередки случаи, когда одно понятие подменяется другим ввиду отсутствия строгого определения дан­ных категорий [39].

О точности прогноза принято судить по величине погрешности (ошибки) прогноза - разности между прогнозируемым и фактическим зна­чением (реализацией) исследуемой переменной. Однако такой подход к оценке точности возможен только в двух случаях. Во-первых, когда пери­од упреждения уже окончился и исследователь имеет фактические значе­ния переменной. При краткосрочном прогнозировании это вполне реально. Во-вторых, когда прогноз разрабатывается ретроспективно, то есть про­гнозирование осуществляется для некоторого момента времени в про­шлом, для которого уже имеются фактические данные. Так поступают в тех случаях, когда проверяется разработанная методика прогноза.

При этом имеющаяся информация делится на две части. Одна из них, охватывающая более ранние данные, служит для оценивания пара­метров прогностической модели, а более поздние данные рассматриваются как реализации соответствующих прогностических оценок. Полученные ретроспективно ошибки прогноза в какой-то мере характеризуют точность примененной методики прогнозирования и могут оказаться полезными при сопоставлении нескольких методов. В то же время величину ошибки рет­роспективного прогноза нельзя рассматривать как окончательное доказа­тельство пригодности или, наоборот, непригодности применяемого метода прогнозирования. К ней следует относиться с известной осторожностью и при ее применении в качестве меры точности необходимо учитывать, что она получена при использовании лишь части имеющихся данных. Однако эта мера точности обладает большей наглядностью и уж во всяком случае, более надежна, чем погрешность прогноза, исчисленная для периода, ха­рактеристики которого уже были использованы при оценивании парамет­ров модели. В последнем случае погрешности, как правило, будут незна­чительны и мало зависимы от теоретической обоснованности примененной для прогнозирования модели. Точность же прогнозов будет преувеличен­ной и в известном смысле иллюзорной.

Если для ретроспективного прогнозирования применяется модель, содержащая одну или несколько экзогенных переменных, то точность про­гноза будет в значительной мере зависеть от того, насколько точно опреде­лены значения этих переменных на период упреждения. При этом возможны два пути: воспользоваться фактическими значениями экзогенных пере­менных (так называемый прогноз ex post) и ожидаемыми их значениями (так называемый прогноз ex ante). Естественно, что точность прогноза ех post будет выше, чем прогноза ex ante, так как в первом случае будет ис­ключено искажающее влияние погрешности в значении экзогенных пере­менных. О степени погрешности прогноза можно судить по относительной ошибке - отношению абсолютной погрешности прогноза к ожидаемому (или фактическому) значению признака. Проверка точности единичного прогноза, как правило, мало,  что может сказать исследователю. В самом деле, на формирование исследуемого явления влияет множество разнооб­разных факторов, поэтому полное совпадение или значительное расхожде­ние прогноза и его реализации может быть следствием просто особо благо­приятных (или неблагоприятных) стечении обстоятельств. Хороший единичный прогноз может быть получен и по плохой модели, и наоборот. От­сюда следует, что о качестве прогнозов применяемых методик и моделей можно судить лишь по совокупности сопоставлений прогнозов и их реали­зации.

Измерители качества прогнозов (их точности) рассматривались вы­ше при условии, что исследователь располагает информацией об истинных значениях величин, которые он оценивал в ходе разработки прогнозов. Та­кие меры качества, несомненно, представляют ценность при изучении раз­личных методик прогнозирования. Однако в практической работе пробле­му точности прогноза надо решать тогда, когда период упреждения еще не прошел и истинное значение прогнозируемой переменной неизвестно. В этом случае проблема точности может рассматриваться в плане сопостав­ления априорных качеств, свойств, присущих альтернативным прогности­ческим моделям. Так, если прогнозирование осуществляется статистиче­скими методами, то, вероятно, понятие точности прогноза можно сделать более узким, а именно связав априорную точность прогноза с размером доверительного интервала. Модель, дающая более узкий доверительный интервал при одной и той же доверительной вероятности, и является более точной (при этом теоретическая обоснованность сравниваемых моделей является примерно равной).

Очевидно, что надежность прогноза определяется вероятностью на­ступления прогнозируемого события, - т. е. реализации соответствующей прогностической оценки. Чем она выше, тем выше  надежность. Вероят­ность реализации может быть оценена субъективно (экспертное прогнози­рование) или может быть связана с доверительными интервалами прогно­за, если последний основывается на статистической модели.

Рассмотренные понятия априорной точности и надежности прогно­зов, связанные с доверительными интервалами, являются в значительной мере условными показателями. Они могут использоваться в практической работе лишь при условии, что принятая для получения прогнозов модель имеет серьезное теоретическое обоснование и спецификация модели кор­ректна. В противном случае полученные доверительные интервалы лишь создают иллюзию точности. Практика разработки экономических прогно­зов опирается на целую систему методов, среди которых статистические методы прогнозирования занимают важное место. Решающую роль при статистическом подходе к прогнозированию играет выбор соответствую­щей модели, которая, будучи наполненной числовыми параметрами, ста­новится непосредственным инструментом прогнозирования - так называе­мым предиктором. Располагая предиктором, можно получить варианты прогноза, отвечающие определенным условиям и гипотезам, учтенным при его построении. Вместе с тем необходимо помнить, что механическое ис­пользование предиктора может стать причиной серьезных погрешностей.

Экономическое прогнозирование слишком ответственное дело, для того чтобы можно было ограничиться одними формальными построениями и расчетами. Цель модели - не заменить суждения и опыт специалиста, а дать ему в руки инструмент, позволяющий более глубоко проникнуть в существо исследуемых явлений, инструмент, в котором специфическим образом обобщена и приведена в систему разнообразная статистическая информация. Получаемые на основе предикторов прогнозы имеют смысл только в рамках тех условий, гипотез и предположений, которые были уч­тены при разработке соответствующих статистических моделей и при их применении для прогнозирования. Таким образом, разработка и примене­ние моделей в прогностических целях предполагают углубленный эконо­мический и экономико-статистический анализ.

4. ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ

Для реализации прогнозных моделей необходимо не только распола­гать своевременной и точной информацией, но и уметь осмысливать ее, делать выводы и результативно воплощать в принимаемых управленче­ских решениях. Необходимость присутствия информационной составляю­щей в процессе прогнозирования очевидна, поскольку она является осно­вой всего управленческого процесса. Реализация любой цели в процессе деятельности всегда связана с проблемой выбора из имеющихся прогноз­ных альтернатив наиболее оптимальных и рациональных, что вносит эле­мент неопределенности в прогнозную модель. Снижение неопределенно­сти возможно на базе использования информации, обеспечивающей менеджеров определенными сведениями.

Информация - это совокупность сведений, сообщений, данных, ма­териалов, определяющих меру потенциальных знаний менеджера об опре­деленных процессах, происходящих на предприятии в их взаимосвязи. Суть информации составляют только те сведения, которые уменьшают не­определенность интересующих менеджера событий.

Информация в менеджменте и, следовательно, в процессе разработки и реализации прогнозов - сумма нужных, воспринятых и осознанных све­дений, необходимых для анализа конкретной ситуации, дающая возмож­ность комплексной оценки причин ее возникновения и развития, позво­ляющая определить ряд альтернативных прогнозных решений, из которых реально (исходя из конкретной ситуации) найти оптимальное управленче­ское решение, осуществить контроль за его исполнением.

На характеристики информации влияет целый ряд факторов: объем, способы приема и методы обработки информации, скорость обработки первичных данных и их предоставления менеджеру, степень устаревания данных, актуальность информации в определенный момент времени, дос­товерность состояния отражаемого объекта, полнота данных, комплект­ность информации. Особую роль играют используемые средства обработки информации и информационные технологии, применяемые в работе ме­неджера.

Страницы: 1, 2, 3, 4, 5