Формализованные методы прогнозирования и планирования. Формализованные методы
Формализованные методы прогнозирования базируются на построении прогнозов формальными средствами математической теории, которые позволяют повысить достоверность и точность прогнозов, значительно сократить сроки их выполнения, облегчить обработку информации и оценки результатов.
В состав формализованных методов прогнозирования входят: методы интерполяции и экстраполяции, метод математического моделирования, методы теории вероятностей и математической статистики.
Методы интерполяции и экстраполяции.
Сущность метода интерполяции заключается в нахождении прогнозных значений функций объекта yi=f(xj), где j=0,…n , в некоторых точках внутри отрезка х0 ,…хn по известным значениям параметров в точках х 0∠х ∠хn
Основные условия, предъявляемые к функциям при интерполяции:
l функция должна быть непрерывна и аналитична;
l для конкретного вида функций или их производных указаны такие неравенства, которые должны определить применимость интерполяции к данной функции;
l функция должна быть в достаточной степени гладкой, т.е. чтобы она обладала достаточным числом не слишком быстро возрастающих производных.
В прогнозировании наиболее широко применяются интерполяционные формулы Лагранжа, Ньютона, Стирлинга и Бесселя.
Метод экстраполяция - это метод научного исследования, заключающийся в распространение тенденций, установленных в прошлом, на будущий период. Математические методы экстраполирования сводятся к определению того, какие значения будет принимать та или иная переменная величина Х=x(t1) , если известен ряд ее значений в прошлые моменты времени х1=x(t1) ,…….., x(tn-1) → x(tn)
В узком смысле слова экстраполяция - это нахождение по ряду данных функции других ее значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция применяется при изучении временных рядов и представляет собой нахождение значений функции за пределами области ее определения с использованием информации о поведении данной функции в некоторых точках, принадлежащих области ее определения.
Различают перспективную и ретроспективную экстраполяцию.
Перспективная экстраполяция предполагает продолжение уровней ряда динамики на будущее на основе выявленной закономерности изменения уровней в изучаемом отрезке времени. Ретроспективная экстраполяция характеризуется продолжением уровней ряда динамики в прошлое.
Существует формальная и прогнозная экстраполяции. Формальная экстраполяция базируется на предположении сохранения в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезой о динамике его развития. Она предполагает необходимость учета в перспективе альтернативных изменений самого объекта, его сущности.
При разработке прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные, функциональные, системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности таких прогнозов в значительной мере обусловливается обоснованностью выбора пределов экстраполяции и соответствие выбранных «измерителей» сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании заключается в следующем:
1. Формулирование задачи, выдвижение гипотез о возможном развитии
прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих
развитию объекта, определение экстраполяции и ее допустимой дальности.
2. Выбор системы параметров, унификация различных единиц измерения,
относящихся к каждому параметру в отдельности.
3. Сбор и систематизация данных, проверка однородности данных и их
сопоставимости.
4. Выявление тенденций изменения изучаемых величин статистического анализа и
непосредственной экстраполяции данных.
В экстраполяционных прогнозах предсказание конкретных значений изучаемого объекта или параметра не является основным результатом. Более важным является своевременное выявление объективно намечающихся сдвигов, закономерных тенденций развития явления или процесса. Под тенденцией развития понимают некоторое его общее направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.
Для повышения точности экстраполяции тренд экстраполируемого явления корректируется с учетом опыта функционирования объекта - аналога исследований или объекта, опережающего в своем развитии прогнозируемый объект. В зависимости от того, какие принципы и какие исходные данные положены в основу прогноза, существуют следующие методы экстраполяции: среднего абсолютного прироста, среднего темпа роста и экстраполяция на основе выравнивания рядов по какой-либо аналитической формуле.
Рассмотренные способы экстраполяции тренда, будучи простейшими, в то же время являются и самыми приближенными. Поэтому наиболее распространенным методом прогнозирования является аналитическое выражение тренда.
Тренд экстраполируемого явления - это длительная тенденция изменения экономических показателей, т.е. изменение, определяющее общее направление развития, основную тенденцию временных рядов. Тренд характеризует основные закономерности движения во времени, в некоторой мере свободные от случайных воздействий. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую накладываются другие составляющие. Результат при этом связывается исключительно с ходом времени. Предполагается, что через время можно выразить влияние всех основных факторов.
Разработка прогноза заключается в определении вида экстраполирующей функции на основе исходных эмпирических данных и параметров.
Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчет параметров выбранной экстраполяционной функции.
При оценке параметров зависимостей наиболее распространенными являются
l метод наименьших квадратов, метод экспоненциального сглаживания временных рядов,
l метод скользящей средней и другие.
Сущность метода наименьших квадратов состоит в том, что функция, описывающая прогнозируемое явление, аппроксимируется более простой функцией или их комбинацией. Причем последняя подбирается с таким расчетом, чтобы среднеквадратичное отклонение фактических уровней функции в наблюдаемых точках от выровненных было наименьшим.
Например, по имеющимся данным (xiyi ) (i=1,2,….n ) строится такая кривая y=a+bx, на которой достигается минимум суммы квадратов отклонений т.е. минимизируется функция, зависящая от двух параметров: а – (отрезок на оси ординат) и b (наклон прямой).
Уравнение, дающие необходимые условия минимизации функции S(a,b), называются нормальными уравнениями. В качестве аппроксимирующих функций применяются не только линейная, но и квадратическая, параболическая, экспоненциальная и др.
Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток данного метода состоит 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 временных рядов – этот метод является модификацией метода наименьших квадратов для анализа временных рядов, при которой более поздним наблюдениям придается больший вес, т.е. веса точек ряда убывают экспоненциально по мере удаления в прошлое. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода и не просто экстраполирует действующие зависимости в будущее, а приспосабливает, адаптирует к изменяющимся во времени условиям. Метод экспоненциального сглаживания применяется при кратко- и среднесрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы.
Модели, описывающие динамику показателя, имеют достаточно простую математическую формулировку, а адаптивная эволюция параметров позволяет отразить неоднородность и текучесть свойств временного ряда.
Метод скользящей средней заключается в том, что вычисляется средний уровень из определенного числа первых по порядку уровней ряда, затем средний уровень из такого же числа уровней, начиная со второго, далее - начиная с третьего и т.д. Таким образом, при расчетах среднего уровня как бы «скользят» по ряду динамики от его начала к концу, каждый раз отбрасывая один уровень вначале и добавляя один следующий.
Каждое звено скользящей средней – это средний уровень за соответствующий период, который относится к середине выбранного периода, если число уровней ряда динамики нечетное.
Недостаток метода простой скользящей средней состоит в том, что сглаженный ряд динамики сокращается ввиду невозможности получить сглаженные уровни для начала и конца ряда. Этот недостаток устраняется применением метода аналитического выравнивания для анализа основной тенденции.
Метод аналитического выравнивания предполагает представление уровней данного ряда динамики в виде функции времени y=f(t). Для отображения основной тенденции развития явлений во времени применяются различные функции: полиномы степени, экспоненты, логистические кривые и другие виды.
Методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения до пяти - семи лет. Важнейшим условием применения является наличие устойчиво выраженных тенденций развития социально-экономического явления или процесса. При более длительных сроках прогноза эти методы не дают точных результатов.
Метод математического моделирования основан на возможности установления определенного соответствия между знанием об объекте познания и самим объектом.
Человеческие знания об объекте представляют собой более или менее адекватное его отображение, а материализованная форма знания является моделью объекта. Таким образом, методом моделирования называется способ исследования, при котором изучаются не сами объекты, а их модели и результаты такого исследования переносятся с модели на объект.
Применение математических методов обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов. В прогностике используют различные виды моделей: оптимизационные, статические, динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегирования один и тот же тип моделей может быть применен к различным экономическим объектам, т.е. макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные и др. модели.
Моделирование является - один из важнейших и эффективнейших средств прогнозирования социально-экономических явлений, инструментом научного познания исследуемого процесса. Поэтому вопрос об адекватности модели объекту (т.е. о качестве отображения) необходимо решать исходя из определенной цели прогноза.
В процессе экспериментирования могут быть установлены такие связи, отношения или свойства элементов модели, которым не соответствует ни одна связь, отношение или свойство элементов объекта. В этом случае либо построенная модель не адекватна сущности изучаемого явления, либо построенная модель адекватна сущности изучаемого явления, однако свойства и отношения элементов прогнозируемого явления описаны не полно.
В прогнозировании социально-экономических процессов средством изучения закономерностей развития социально-экономических процессов является экономико-математическая модель (ЭММ), т.е. формализованная система, описывающая основные взаимосвязи ее элементов.
Экономико-математическая модель (ЭММ) представляет собой математическое описание экономического процесса или объекта, произведенное в целях исследования и управления. В самой общей форме модель - условный образ объекта исследования, сконструированный для упрощения этого исследования. При построении модели предполагается, что ее непосредственное изучение дает новые знания о моделируемом объекте. ЭММ является основным средством модельного исследования экономики. Во всех случаях необходимо, чтобы модель содержала достаточно детальное описание объекта, позволяющее, в частности, осуществлять измерение экономических величин и их взаимосвязей, чтобы были выделены факторы, воздействующие на исследуемые показатели.
Примером экономико-математическая модель является формула, по которой определяется потребность в материалах, исходя из норм расхода. Модель может быть сформулирована тремя способами: в результате прямого наблюдения и изучения некоторых явлений действительности (феноменологический способ), вычленения из более общей модели (дедуктивный способ), обобщения более частных моделей (индуктивный способ). Один и тот же объект может быть описан различными моделями в зависимости от исследовательской или практической потребности, возможностей математического аппарата и т.п. Поэтому всегда необходима оценка модели и области, в которой выводы из ее изучения могут быть достоверны.
Модели, в которых описывается моментное состояние экономики, называются статическими, а модели описывающие развитие объекта моделирования, - динамическими. Модели могут строиться в виде формул - аналитическое представление модели; в виде числовых примеров - численное представление; в форме таблиц -матричное представление; в форме графов - сетевое представление модели.
Соответственно различают модели числовые, аналитические, матричные, сетевые.
В экономической науке они применяются для анализа экономических процессов, прогнозирования и планирования во всех звеньях и на всех уровнях экономики, вплоть до планирования развития народного хозяйства страны в целом. Их принято подразделять на две большие группы: модели, отражающие преимущественно производственный аспект плана; модели, отражающие преимущественно социальные аспекты плана. Такое деление в значительной степени условно, поскольку в каждой из моделей в той или иной степени сочетаются производственный и социальный аспекты. Из моделей первой группы можно назвать: модели долгосрочного прогноза сводных показателей экономического развития; межотраслевые модели народнохозяйственного планирования; отраслевые модели оптимального планирования и размещения производства, а также модели оптимизации структуры производства в отраслях.
Из моделей второй группы наиболее разработаны модели, связанные с прогнозированием и планированием доходов и потребления населения, демографических процессов.
В прогнозировании также применяются ЭММ эконометрического типа. В эконометрической модели синтезируются достижения теоретического анализа с достижениями математики и статистики, математической статистики. Эконометрические методы применяются для описания экономики посредством построения эконометрических систем моделей, включающих в качестве составных элементов производственную функцию, инвестиционную функцию, а также уравнения, характеризующие движения занятости, доходов, цен и процентных ставок и другие блоки. Среди наиболее известных эконометрических систем подобного рода, по которым ведутся расчеты на ЭВМ, - так называемая Брукингская модель (США), Голландская модель, Уортонская модель (США) и др.
Общая схема разработки системы моделей прогнозирования состоит из трех этапов.
На первом этапе разрабатывается локальные методики прогнозирования, прорабатываются отдельные модели и подсистемы моделей прогнозирования. Затем модели взаимоувязываются в единую систему, что позволяет обеспечить взаимодействие отдельных моделей соответствию требований, зафиксированных в программе исследования по проблеме в целом.
Второй этап предусматривает создание системы взаимодействующих моделей прогнозирования на базе разработки локальных методик прогнозирования. Здесь уточняются и согласовываются подсистемы моделей, проверяется их взаимодействие, определяется последовательность использования отдельных моделей, а также приемов оценки и методов проверки получаемых комплексных прогнозов. Составляются соответствующие программы для решения задач на ЭВМ.
Третий этап включает уточнение и развитие отдельных локальных систем и методик в ходе создания системы моделей прогнозирования и практического их использования.
Система моделей прогнозирования и процедуры моделирования оформляются в виде методики моделирования, которая должны отвечать следующим требованиям:
l давать логически последовательное описание последовательности правил, т.е. алгоритма, позволяющего составить прогноз при достаточно широких предположениях о характере и значениях исходной информации;
l обосновать выбор методов и технических средств, позволяющих проводить расчеты своевременно и многократно;
l выявить существенные связи прогнозируемых явлений и процессов. Для этого необходимо выявить важнейшие и устойчивые закономерности и тенденции как на исходном материале, так и в процессе анализа результатов, получаемых по данной методике;
l обеспечить согласование отдельных прогнозов в непротиворечивую систему, также и позволяющую производить взаимную корректировку прогнозов.
Формализованные методы прогнозирования базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет облегчить деятельность по обработке информации и оценке результатов. В состав формализованных методов прогнозирования входят: методы экстраполяции и методы математического моделирования.
Термин «экстраполяция» имеет несколько толкований. В широком смысле слова экстраполяция - это метод научного исследования, заключающийся в распространении выводов, полученных из наблюдения над одной частью явления, на другую его часть.
В узком смысле слово экстраполяция - это нахождение по ряду данных функций других её значений, находящихся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития перенесение их на будущее. В прогнозировании экстраполяция (экстраполирование) применяется при изучении временных рядов и представляет собой нахождение значений функций за пределами области её определения с использованием информации о проведении данной функции в некоторых точках, принадлежащих области её определения.
Различают перспективную и ретроспективную экстраполяцию. Перспективная экстраполяция предполагает продолжение уровней ряда динамики на будущее на основе выявленной закономерности изменения уровней в изучаемом отрезке времени. Ретроспективная экстраполяция характеризуется продолжением уровня ряда динамики в прошлое.
Понятием, противоположным экстраполяции, является интерполяция, интерполирование, которое предусматривает нахождение промежуточных значений функции в области её определения. При изучении временных рядов в необходимости может производиться интерполирование промежуточных уровней.
Разграничивают формальную и прогнозную экстраполяцию. Формальная экстраполяция базируется на предложении и сохранении в будущем прошлых и настоящих тенденций развития объекта. Прогнозная экстраполяция увязывает фактическое состояние исследуемого объекта с гипотезами его развития. Она предполагает необходимость учёта в перспективе альтернативных изменений самого объекта, его сущности.
При формировании прогнозов с помощью экстраполяции исходят из статистически складывающихся тенденций изменения те или иных количественных характеристик объекта. Экстраполируются оценочные, функциональные, системные и структурные характеристики, например, количественные характеристики экономического, научного, производственного потенциала. Степень реальности такого рода прогнозов в значительной мере обусловливается аргументированностью выбора пределов «экстраполяции» по отношению к сущности рассматриваемого явления. Последовательность действий при статистическом анализе тенденций и экстраполировании состоит в следующем:
1. чёткое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, обсуждение факторов, стимулирующих или препятствующих развитию данного объекта, определение необходимой экстраполяции и её допустимой дальности.
2. выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности.
3. сбор и систематизация данных. Перед сведением их в соответствующие таблицы проверяется однородность данных и их сопоставимость.
4. выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа и непосредственной данных.
В экстраполяционных прогнозах предсказание конкретных значении изучаемого объекта или параметра в какой-то определённый период времени не считается основным компонентом. Особо важным здесь является своевременное фиксирование объективно процесса. Под тенденцией развития понимают некоторое его направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.
Для повышения точности экстраполяции используются различные приёмы. Например, экстраполируемая часть общей кривой развития (тренд) корректируется с учётом реального опыта функционирования отрасли - аналога исследований или объекта, опережающих в своём развитии прогнозируемый объект.
Тренд - это изменение, определяющее общее направление развития, основную тенденцию временных рядов. Под ним понимается характеристика основной закономерности движения во времени, в некоторой мере свободной от случайных воздействий. Тренд - это длительная тенденция изменения экономических показателей. 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.
Задача прогноза состоит в определении вида экстраполируемых функций на основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчёт параметров выбранной экстраполяционной функции. При оценке параметров зависимостей наиболее распространёнными являются метод наименьших квадратов и его модификаций, метод экспоненциального сглаживания, метод скользящей средней и другие.
Сущность метода наименьших квадратов состоит в отыскании параметров модели тренда, минимизирующих её отклонение от точек исходного временного ряда, т. е. минимизации суммы квадратических отклонений между наблюдаемыми и расчётными величинами. Модель тренда может различаться по виду. Её выбор в каждом конкретном случае осуществляется в соответствии с рядом статистических критериев. Наибольшее распространение в практических исследованиях получили следующие функции: линейная, квадратичная, степенная, показательная, экспоненциальная, логическая. Особенно широко применяется линейная, или линеаризуемая, т.е. сводимая к линейной форме, как наиболее и простая в достаточной степени удовлетворяющая исходными данными. Метод наименьших квадратов широко применяется в прогнозировании в силу его простоты и том, что модель тренда жёстко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.е. при краткосрочном прогнозировании.
Метод экспоненциального сглаживания даёт возможность получить оценки параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода. Он не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется к изменяющимся во времени условиям.
Метод экспоненциального сглаживания применяется при кратко- и среднесрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы и предполагает её 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 скользящей средней дает возможность выравнивать динамический ряд путем его расчленения на равные части с обязательным совпадением ваозможность выравнивать динамический ряд путем его расчленения на равные части с обязятельным совпадениемдовательности., ически каждой из них сумм модельных и эмпирических значений.
В целом методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущий период, могут использоваться в прогнозировании лишь при периоде упреждения до пяти или семи лет. Важнейшим условием является наличие устойчиво выраженных тенденций развития какого-либо явления или процесса социально- экономической действительности. При более длительных сроках прогноза эти методы не дают точных результатов.
Распространение методикой описания тех или иных процессов и явлений служитмоделирование, которое следует понимать как исследование объектов познания на их моделях. Она предполагает построение моделей реально существующих предметов и явлений: живых организмов, инженерных инструкций, общественных систем, различных процессов, в том числе и социально-экономических. Моделирование считается достаточно эффективным средством прогнозирования.
В научной литературе термин «модель» означает какой-либо условный образ объекта исследования. Модель - это схема, изображение или описание какого-либо явления или процесса в природе и обществе. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования (взаимосвязи, структурные и функциональные параметры и т.п.) Модель - один из важнейших инструментов бюджетного прогнозирования, научного познания исследуемого процесса. Поэтому вопрос об адекватности модели объекту (т.е. о качестве отображения) правомерно решать лишь относительно определённые цели.
Для описания моделей (включая алгоритмы и их действия) используется математический аппарат. Это связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска методов их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.
Средством изучения закономерностей развития социально-экономических процессов является экономико-математическая модель. Под экономическо-математческой моделью (ЭММ) понимается методика доведения до полного, исчерпывающего описания процесса получения и обработки исходной информации и правил решения рассматриваемой задачи в достаточно широком спектре конкретных случаев. ЭММ - это система формализованных соотношений, описывающих основные взаимосвязи элементов, образующих экономическую систему.
Эконометрия - наука, изучающая конкретные количественные взаимосвязи экономических процессов с помощью экономико-математических методов и моделей. Система ЭММ эконометрического типа служит для описания относительно сложных процессов экономического или социального характера. Эконометрическое моделирование основано на обработке статистической информации ретроспективного характера, оценке отдельны переменных величин, их параметров.
Этамодель показываетзависимость потребности в финансировании от двух факторов; количества потребителей бюджетных услуг и норм расходов и называется дескриптивной (описательной).
Разработка системы моделей бюджетного прогнозирования проходит три этапа. Первый предполагает разработку локальных методик бюджетного прогнозирования. Здесь прорабатываются отдельные модели и подсистемы моделей бюджетного прогнозирования. Разработанные модели должны быть взаимно увязаны и составлять единую систему для целей прогнозирования, обеспечивающую взаимодействие отдельных моделей в соответствии с определенными требованиями, которые фиксируются в программе исследований по проблеме в целом.
Второй предусматривает создание системы взаимодействующих моделей бюджетного прогнозирования на базе разработки локальных методик прогнозирования. Здесь уточняются и согласовываются подсистемы моделей, проверяется их взаимодействие, определяется последовательность использования отдельных моделей, а также приемов оценки методов проверки получаемых комплексных прогнозов. Составляются соответствующие программы для решения задач на ЭВМ.
Третий включает уточнение и развитие отдельных локальных систем и методик в ходе создания системы моделей прогнозирования и практического их использования.
Отдельные модели и система моделей бюджетного прогнозирования должны отвечать определенным требованиям, предопределяющим методы, с помощью которых следует разрабатывать модели, а также методы и средства осуществления расчетов. Содержание этих требований сводится к следующим положениям. Методика должна:
Давать четкое описание последовательности правил (т.е. алгоритмы), позволяющее составить прогноз при достаточно широких предположениях о характере и значениях исходной информации;
Использовать методы и технические средства, позволяющие проводить расчеты своевременно и многократно. При этом следует исходить из неоднородной и большой по объему, меняющейся по вариантам прогноза информации;
Учитывать сложные, многофакторные связи прогнозируемых процессов и показателей. В этих условиях необходимо выявление важнейших и устойчивых закономерностей и тенденций как на исходном материале, так и в процессе анализа результатов, получаемых по данной методике, и их расчетов по комплексу связанных с ней моделей;
Содействовать согласованию отдельных прогнозах в их системе, обеспечивающей непротиворечивость и взаимную корректировку прогнозов.
Применение математических методов является необходимым условием для разработки и использования методов моделирования в прогнозировании бюджетов всех уровней, что обеспечивает высокую степень обоснованности, действенности и своевременности прогнозов развития системы государственных финансов. При этом используют систему моделей прогнозирования бюджетов , под которой следует понимать совокупность методик и моделей, позволяющую дать согласованный и непротиворечивый прогноз налоговой базы, контингентов потребителей бюджетных услуг, основывающийся на изучении складывающихся в текущем и будущем периодах тенденций и закономерностей, на заданных целевых установках, на имеющихся источниках финансирования, выявленных потребностях бюджета и их динамике.
В прогностике выделяют различные виды моделей: оптимизационная, статистические (с учетом фактора времени) и динамические, факторные, структурные, комбинированные и др. В зависимости от уровня агрегирования один и тот же тип моделей может быть применен к различным экономическим объектам. Отсюда выделяют модели макроэкономические, межотраслевые, межрегиональные, отраслевые, региональные. Моделирование применяется не только в прогнозировании бюджетов, но и в планировании. Наиболее распространенными методами математического моделирования являются корреляционно-регрессионный метод, модель межотраслевого баланса, оптимизационные модели.
Тема 12. Государственный финансовый контроль как функция управления государственными и территориальными финансами. Основные направления, принципы и пути формирования эффективной системы государственного финансового контроля в регионах РФ
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.
Эти методы базируются на математической теории, которая обеспечивает
повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет обеспечить деятельность по обработке информации и оценке результатов.
Формализованные методы позволяют получать количественные показатели. При разработке таких прогнозов исходят из предложения об инерционности системы, т.е. предполагают, что в будущем система будет развиваться по тем же закономерностям, которые были у неё в прошлом и есть в настоящем. Недостатком формализованных методов является ограниченная глубина упреждения, находящаяся в пределах эволюционного цикла развития системы, за пределами которого надёжность прогнозов падает.
К формализованным методам относят:
- 1. методы прогнозной экстраполяции,
- 2. метод наименьших квадратов,
- 3. метод экспоненциального сглаживания,
- 4. метод скользящих средних,
- 5. адаптивный метод,
- 6. методы моделирования (структурное, сетевое, матричное, имитационное).
Сущность методов прогнозной экстраполяции заключается в изучении динамики изменения экономического явления в предпрогнозном периоде и перенесения найденной закономерности на некоторый период будущего. Обязательным условием применения экстраполяционного подхода в прогнозировании следует считать познание и объективное понимание природы исследуемого процесса, а также наличие устойчивых тенденций в механизме развития. Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обуславливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия "измерителей" по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. Этот способ обладает определенными достоинствами, среди которых незначительна трудоемкость вычислительного алгоритма, универсальные расчетные схемы. Кроме указанных достоинств, он имеет несколько существенных недостатков. Во-первых, все фактические наблюдения являются результатом закономерности и случайности, следовательно, основываться на последнем наблюдении неправомерно. Во-вторых, нет возможности оценить правомерность использования среднего прироста в каждом конкретном случае. В-третьих, данный подход не позволяет сформировать интервал, в который попадает прогнозируемая величина. В связи с этим метод экстраполяции не дает точных результатов на длительных 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 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, опережающий в своем развитии прогнозируемый объект.
Метод наименьших квадратов -- один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.
Метод наименьших квадратов применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.
Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.
Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Наибольшее применение метод нашел для реализации среднесрочных прогнозов.
Метод экспоненциального сглаживания еще может быть использован для краткосрочных прогнозов будущей тенденции на один период вперед и автоматически корректирует любой прогноз в свете различий между фактическим и спрогнозированным результатом.
При прогнозировании с применением метода сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет проводится по следующей формуле:
f k = f k-1 + (x k-1 - f k-1),
где: f k-1 - прогноз в момент времени k-1;
f k - прогноз на момент времени t k , следующий за периодом k-1;
x k-1 - реальное значение показателя в момент времени t k-1 ;
Постоянная сглаживания (0< >1)определяет степень сглаживания.
Если при сравнении прогноза с реальными значениями сглаженные данные при выбранном значительно отличаются от исходного ряда, необходимо перейти к другому параметру сглаживания (чем больше значение, тем больше сглаживание)
Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель. Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях.
Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии. Но, если базой для прогнозируемого скользящего среднего являются всего лишь одно или два наблюдения, то такой прогноз может стать слишком упрощенным. В частности, он будет отражать тенденции в данных, на которых он строится, ничуть не лучше, чем сама базовая линия. Чтобы определить, сколько наблюдений желательно включить в скользящее среднее, нужно исходить из предыдущего опыта и имеющейся информации о наборе данных. Необходимо выдерживать равновесие между повышенным откликом скользящего среднего на несколько самых свежих наблюдений и большой изменчивостью этого среднего. Одно отклонение в наборе данных для трехкомпонентного среднего может исказить весь прогноз. А чем меньше компонентов, тем меньше скользящее среднее откликается на сигналы и больше -- на шум. В этом методе следует опираться на знания и опыт.
Методы адаптивного прогнозирования основаны на адаптации к данным или к другой информации, на базе которой строится прогноз. Основное свойство таких методов: при поступлении новых данных значение прогноза меняется, адаптируясь к вновь поступившей информации, и становится более чувствительным к ней. При небольшом изменении значений данных прогноз также будет мало изменяться.
Многочисленные адаптивные методы базируются на моделях Брауна и Хольта и модели авторегрессии, различаясь между собой алгоритмом оценки параметров, способом определения параметра адаптации, компоновкой и областью применения. На основании изучения исходных статистических данных с учетом цели исследования и логического анализа протекания изучаемого процесса отбирается наиболее приемлемый адаптивный метод (модель) прогнозирования. Окончательное решение о выборе адаптивного метода может быть принято после определения параметров модели прогнозирования и верификации прогноза по ретроспективному ряду. Поэтому для прогнозирования используют несколько адаптивных методов, чтобы после оценки точности выбрать наиболее подходящий.
Моделирование -- исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя. Распространенной методикой прогнозирования тех или иных процессов и явлений служит моделирование. Моделирование считается достаточно эффективным средством прогнозирования возможного явления новых или будущих технических средств и решений. Впервые для целей прогнозирования построение операционных моделей было предпринято в экономике. Модель конструируется субъектом исследования так, чтобы операции отображали характеристики объекта, существенные для цели исследования. Поэтому вопрос о качестве такого отображения - адекватности модели объекту - правомерно решать лишь относительно определенной цели. Конструирование модели на основе предварительного изучения и выделения его существенных характеристик, экспериментальный и теоретический анализ модели, сопоставление результатов с данными объекта, корректировка модели, составляют содержание метода моделирования. Одним из методов моделирования является метод математического моделирования. Под математической моделью понимается методика доведения до полного описания процесса получения, обработки исходной информации и оценки решения рассматриваемой задачи в достаточно широком классе случаев. Использование математического аппарата для описания моделей (включая алгоритмы и их действия) связано с преимуществами математического подхода к многостадийным процессам обработки информации, использованием идентичных средств формирования задач, поиска метода их решения, фиксации этих методов и их преобразования в программы, рассчитанные на применение средств вычислительной техники.
Применение математических методов является необходимым условием для разработки и использования методов прогнозирования, обеспечивающим высокие требования к обоснованности, действенности и временности прогнозов.
При структурном моделировании моделируемая система задается в виде структурной схемы, в которую могут быть включены и отдельные ее реальные элементы (регуляторы, исполнительные органы и т.п.). В структурной схеме задаются параметры основных звеньев и указываются ориентировочные пределы изменения варьируемых параметров, например, коэффициентов усиления и постоянных времени звеньев. Моделирование каждого звена системы-оригинала осуществляется в отдельности, а затем из моделей звеньев составляется общая модель, точно воспроизводящая структурную схему оригинала.
Имитационное моделирование -- метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно "проиграть" во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику. Имитационное моделирование -- это метод исследования, при котором изучаемая система заменяется моделью с достаточной точностью описывающей реальную систему и с ней проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация -- это постижение сути явления, не прибегая к экспериментам на реальном объекте).
На практике, для достижения наилучшего результата, целесообразно использовать сразу несколько методов. Это повысит эффективность прогноза, поможет определить "подводные камни", которые могут быть незамечены при использовании только одного метода. Так же полученные прогнозы нужно соотносить с прецедентами, если такие имели место быть. Качество прогноза зависит от качества информации. Прежде чем делать прогнозы, нужно позаботиться о полноте, своевременности и точности информации.
Формализованные методы базируются на использовании фактографической информации (описательна, необобщенная информация для дальнейшего анализа).
Используются в следующих случаях: если есть ретроспективная информация, то есть существует статистика; когда количество факторов и их сила будет такой же, как и в прошлом (факторы влияют на объект), тенденция развития такая же.
Суть: на основе объективных данных, глубины имеющихся данных, описывается развитие на основе математического аппарата.
Глубина – частота имеющихся данных. Необходимо убедиться в гладкости тенденции.
Результат использования может быть двояким: не только для составления прогнозов, но и для накапливания первичной информации об объекте.
Плюсы:
1. Простота в применении. Наличие готовых алгоритмов.
2. Объективность (не достоверность), доверие
3. Динамика. Формализованные методы позволяют определить динамику развития на любое будущее время.
4 возможность анализа прогнозирования при отсутствии ретроспективной информации
5 позволяет прогнозировать при высокой вероятности возникновения качественных скачков в развитии объекта
Минусы:
1 сложность процедуры сбора и обработки информации
2 индивидуальный субъективизм экспертов
3 дискретность прогноза
4. Формализованные методы можно применять, только если мы знаем предысторию развития исследования объекта.
5. Не могут учесть скачкообразные изменения, ведущие к скачкообразным изменениям в количестве.
Формализованные методы:
1) Экстраполяция
а) Метод наименьших квадратов
б) Метод экспоненциального сглаживания
в) Метод адаптированного сглаживания
2) Системено-структурные методы (основанные на выявлении структурной взаимосвязи и анализу выявленных взаимосвязей.)
а) Морфологический анализ
б) Матричный метод
в) Метод сетевого моделирования
г) Метод структурной аналогии
3) Ассоциативные (методы ассоциации, основанные на установлении зависимости, внутренней логики развития природных объектов (живых и общественных явлений), и затем модель переносится на объект прогнозирования.)
а) Вероятностное моделирование
б) Имитационное моделирование
в) Историко-логическое моделирование (анализ)
4) Опережающей информации (информация опережает практику)
а) Анализ потоков публикаций
б) Метод анализа патентной информации
в) Метод значимости открытий и изобретений
Неформализованные методы
– методы, основанные на использовании интуиции и опыта лиц, принимающих решение. Обычно это не связано с использованием математического аппарата и графических изображений, хотя все зависит от конкретного метода. Так в группе неформализованных методов выделяют подкласс методов частично неформализованных, к которым относят следующие методы:
- метод экспертных оценок;
- диагностические методы;
- матричные методы;
- сетевые методы;
- метод экономического анализа;
- морфологический метод;
- метод дерева целей;
- имитационное динамическое моделирование.
Эти методы хотя и базируются на субъективных приблизительных оценках, но все же более структурированы, чем полностью неформализованные (метод мозговой атаки, метод комиссии, суда и т.д.).
Неформализованные методы ориентированы не на массовый сбор данных, а на достижение углубленного понимания исследуемых социальных явлений. отсутствие формализации делает невозможным массовый охват исследуемых объектов, в результате чего число единиц обследования снижается до минимума. Отказ от широты охвата компенсируется “глубиной” исследования, т.е. детальным изучением социального явления в его целостности и взаимосвязи с другими явлениями. набор исследуемых переменных при использовании этих методов заранее жестко не определен, поэтому они могут варьировать непосредственно где исследования как по числу, так и по набору. К неформализованным методам относятся наблюдение, свободное интервью, описания, заимствованные из прессы, а также так называемые личные документы (автобиографии, письма, дневники). По выражению социолога А.Н.Алексеева, неформализованные методы открывают перед исследователем пусть небольшой участок действительности, но зато такой, ‘какой он есть”
33. Информационный менеджмент: содержание и цели осуществления. Особенности информационного менеджмента как области социального управления.
Менеджмент - это управление в социально-экономических системах: совокупность современных принципов, методов, средств и форм управления производством с целью повышения его эффективности и увеличения прибыли.
Информационный менеджмент - технология, компонентами которой являются документная информация, персонал, технические и программные средства обеспечения информационных процессов, а также нормативно установленные процедуры формирования и использования информационных ресурсов.
Информационный менеджмент - это управление экономическими информационными системами (ЭИС) на всех стадиях их жизненного цикла.
Информационный менеджмент необходим:
- на предприятиях-производителях программных продуктов;
- на предприятиях, занимающихся реализацией программных продуктов;
- на предприятиях-потребителях информационных систем;
- на предприятиях, работающих в IT-консалтинге.
Для определения понимания сущности информационного менеджмента необходимо принимать во внимание ряд положений:
Информация - комплексное понятие, то есть:
- условие и средство делового общения;
- средство доведения до общества сведений об организации;
- источник сведений о внешней среде;
- товар.
1. Информационный менеджмент осуществляется в пределах конкретной организации.
2. Информация представляет собой самостоятельный фактор производства, который лежит в основе процесса принятия управленческого решения.
3. Информационный менеджмент имеет отношение не просто к информации, а ко всей информационной деятельности организации, при этом являясь значительно более масштабным понятием, чем управление документооборотом.
Таким образом,информационный менеджмент - управление деятельностью по созданию и использованию информации в интересах организации.
Другими словами, информационный менеджмент - процесс управления на базе компьютерных технологий обработки информации с применением управленческих информационных систем как базового инструмента для работы менеджеров на всех уровнях управления в различных предметных областях.
Цель информационного менеджмента : обеспечение эффективного развития организации посредством регулирования различных видов её информационной деятельности.
Задачи информационного менеджмента:
- Качественно информационное обеспечение процессов управления в организации;
- Осуществление управления информационными ресурсами;
- Обеспечение управления обработки информации на всех уровнях;
- Интерфейсная задача - обеспечение управления коммуникациями (общение - передача информации от человека к человеку).
Социальный менеджмент - это область управления, формирующая у будущих специалистов теор тические и практические навыки, позволяющие эффективно возде ствовать на социальные процессы, влиять на создание благ приятной для человека социальной среды, прое тировать социальные организации, что в свою очередь обеспечивает рациональное испо ьзование самого богатого и неогра иченного из всех ресурсов -- человеческого.
34. Социальная информация. Определение. Свойства. Особенности информации как товара.
Социальная информация - совокупность знаний, сведений, данных и сообщений, которые формируются и воспроизводятся в обществе и используются индивидами, группами, организациями, различными социальными институтами для регулирования социального взаимодействия, общественных отношений и процессов.
В философской и социологической литературе имеются "узкая" и "широкая" трактовки социальной информации. "Узкую" трактовку, иногда используемую социологами, характеризует следующая цитата: "К социальной информации относится не вообще вся информация, полученная человеком в процессе отражения окружающего мира, а лишь имеющая общественный интерес, служащая развитию общественной жизни, получившая признание людей... Естественно-научную и техническую информацию мы причислить к социальной не можем, т. к. последние не носят ярко выраженной классовой направленности". Это понимание сводит социальную информацию к понятию мacсовой, если не публицистической информации (см. ниже), поэтому неконструктивно.
"Широкая" трактовка представлена в следующих высказываниях. Социальная информация "представляет собой знания, сообщения, сведения о социальной форме движения материи и о всех других ее формах в той мере, в какой они используются обществом, человеком, вовлечены в орбиту общественной жизни". Б. А. Грушин к социальной информации относит "всю без исключения совокупность сообщений, вышедших из "рук" человека. Это и научный текст, и религиозная проповедь, и газетная статья, и архитектурный проект". Автор отмечает, что социальная информация "связана с жизнью общества не только своим существованием, но и самим своим содержанием, а также типом знаковой системы, избираемой для фиксирования этого содержания".
Для человека важно не столько количественная характеристика информации, сколько ее свойства связанные с познанием окружающего мира. Для человека информация может быть важной или нет, полной или нет и т.д. Другими словами, для социальной информации важно ее качество.
- Ценность информации. Чем важнее задача, которую решает человек, тем ценнее информация, требуемая для ее решения.
- Доступность информации. Например, если тот или иной текстовый материал есть во Всемирной паутине, а у Вас есть подключение к сети Интернет, то получить информацию проще, чем если бы текст был представлен в какой-нибудь библиотеке, до которой еще надо добраться.
- Понятность информации. Сообщение на японском языке может быть непонятно для россиянина, даже если содержит ценную информацию.
- Полнота информации. Достаточность информации для решения определенного спектра задач.
- Избыточность информации.
- Адекватность. Соответствие информации действительности.
- Актуальность. Информация может иметь значение лишь в определенный момент времени.
- Объективность. Чем меньше зависит содержание информации от того, кто ее получил и обработал, тем она более объективна.
- и др.
Особенностью свойств социальной информации является их временный характер и зависимость от конкретного человека. Так одна и та же информация для кого-то может быть понятной, а для кого-то - нет. Сегодня актуальной, а завтра – нет.
Потребительские свойства информации - это не просто набор ее источников (документов) в области решаемой проблемы. Это та сумма отобранных, переработанных и представленных в соответствующих видах и формах сведений, при использовании которых потребитель (предприниматель, инженер, менеджер, руководитель) с учетом его экономических, социальных, психических возможностей и особенностей может с максимальным успехом решать стоящую перед ним проблему.
Информация
– это товар
особого рода: на него нельзя механически переносить все
характеристики материальных продуктов. Товарные свойства информации как
реального феномена, с одной стороны, определяются тем, что свойственно товарам
вообще, а с другой стороны – особенностями, связанными с ее природой и
возможностями использования.
Как и любой товар, информация обладает стоимостью и потребительной стоимостью.
Но, подчеркнем еще раз, что до тех пор, пока не произойдет реального обмена
между обособленными товаропроизводителями, информационный продукт стоимости не
имеет. До этого момента его потребительная стоимость (полезность) остается
только “приметой” информационного товара.
Специфика информации как товара.
1. Информационный товар
уникален, поскольку обладает свойством многократного использования без потери своих потребительских качеств. В силу этого информация является единственным видом ресурсов, которому не свойственна экономия в абсолютном значении этого понятия. Напротив, чем шире и активнее ее применяют, тем богаче становится общество. В общественном производстве информация выступает не только в качестве самостоятельного ресурса, но и в качестве замены по отношению к другим традиционным ресурсам.
2.Способность к ресурсосбережению
, обеспечивающая эффект от ее применения, является важнейшим потребительским качеством информации. Различные виды информации способны обеспечивать экономию времени, труда, денежных средств и материальных ресурсов за счет оптимизации и ускорения принятия решений по различным направлениям деятельности. Информация, овеществленная в средствах труда, программных продуктах, позволила сэкономить неизмеримый в своих масштабах труд человечества. Огромные возможности экономии ресурсов обеспечивает информация, используемая для организации, планирования и управления
производством. Но не исключен и обратный результат при использовании некачественной информации или дезинформации, в какой бы сфере это ни происходило. Как правило, это становится причиной удорожания, замедления, расточительства и других негативных явлений. По различным оценкам, промышленно развитые страны ежегодно теряют до 10% национального дохода из-за недостаточной информированности руководителей и специалистов народного хозяйства.
3. Потребительная стоимость информационного товара имеет и еще одну примечательную особенность, связанную с быстрым устареванием и потерей качеств отдельными видами информации. Но в определенных случаях потребительские качества не могут проявиться и быть использованными в силу невосприимчивости общественным производством из-за низкого уровня развития и отсутствия экономических стимулов. В таком случае потребительная стоимость выступает как потенциальная, с заявкой на будущее или на использование в непредусмотренных традициями сферах деятельности.
