Методы прогнозной экстраполяции

Эти методы основываются на предположении, что в экономической деятельности закономерности достаточно устойчивы в течение некоторого периода времени. Их содержание состоит в распространении тенденций функционирования и развития прогнозируемого объекта, сложившихся к началу прогнозного периода, на будущее. В настоящее время методы экстраполяции являются одним из самых распространенных и наиболее разработанных методов прогнозирования. С их помощью прогнозируется развитие сложных социально-экономических систем и отдельных их элементов.

Преимуществом методов экстраполяции является использование относительно несложного инструментария для обработки данных и совмещение собственно прогнозирования с фазой сбора исходной информации об его объекте. С помощью этих методов можно выявить ресурсные и иные ограничения на развитие объекта, определить взаимосвязи между факторами и результатами этого развития.

Однако методы прогнозной экстраполяции имеют и недостатки. В их числе: отражение только односторонних связей и возможность прогнозирования лишь процессов, стабилизировавшихся во времени и имеющих четкие тенденции. Это ставит границы использованию указанных методов для долгосрочного прогнозирования.

Принято различать формальную и прогнозную экстраполяцию. Первая основывается на предположении о сохранении в перспективе сложившихся тенденций развития прогнозируемой системы. Прогнозная экстраполяция предполагает увязку этих тенденций с гипотезами о будущей динамике исследуемого объекта (процесса) и о возможности его качественных изменений.

Алгоритм действий при экстраполировании включает несколько последовательно осуществляемых этапов.

На первом этапе необходимо:

• четко сформулировать задачу прогнозирования;

• выдвинуть гипотезы о возможном развитии прогнозируемой социально-экономической системы;

• определить перечень факторов, стимулирующих или препятствующих развитию социально-экономической системы;

• определить метод экстраполяции и ее допустимую дальность.

На втором этапе производится выбор системы параметров и унифицируются различные единицы измерения, относящиеся к каждому параметру в отдельности.

Содержание третьего этапа сопряжено со сбором и систематизацией исходной информации. Для последующего анализа информация сводится в таблицы. Перед этим проверяется однородность данных и их сопоставимость.

Четвертый этап связан с проведением статистического анализа, в ходе которого выявляются тенденции или симптомы изменения изучаемых величин. Здесь осуществляется выбор оптимального вида функции, которая отражает характер изменения прогнозируемых показателей, и определяются параметры выбранной функции.

Последний, пятый этап предполагает определение на основе выбранной функции будущих значений прогнозируемых показателей. Здесь же оценивается достоверность прогноза.

Методы, используемые в прогнозировании на основе экстраполяции многообразны. Это направление прогнозирования может осуществляться на основе: средней, скользящей средней, среднего темпа, метода наименьших квадратов, экспоненциального сглаживания, вероятностного моделирования, адаптивного сглаживания и др. методов.

Метод скользящих средних является одним из наиболее старых и широко известных методов сглаживания временных рядов. Применяя этот метод, можно исключить случайные колебания и получить значения, соответствующие влиянию главных факторов. Сглаживание с помощью скользящих средних основано на том, что в средних величинах взаимно погашаются случайные отклонения. Это происходит вследствие замены первоначальных уровней временного ряда средней арифметической величиной внутри выбранного интервала времени. Полученное значение относится к середине выбранного периода. Затем период сдвигается на одно наблюдение, и расчет средней повторяется, причем периоды определения средней берутся все время одинаковыми. Таким образом, в каждом случае средняя центрирована, т.е. отнесена к серединной точке интервала сглаживания и представляет собой уровень для этой точки.

При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд.

Выбор интервала сглаживания зависит от целей исследования. При этом следует руководствоваться тем, в какой период времени происходит действие, а, следовательно, и устранение влияния случайных факторов.

Данный метод используется при краткосрочном прогнозировании.

Если наблюдается цикличность изменения показателей, интервал скольжения должен быть равен продолжительности цикла. При отсутствии цикличности в изменении показателей рекомендуется производить многовариантный расчет при изменяющемся параметре сглаживания. Лучший вариант P определяется на основании последующей оценки выровненных рядов (по коэффициентам, темпам роста и т.д.)

Метод экспоненциального сглаживания дает возможность выявить тенденцию, сложившуюся к моменту последнего наблюдения, и позволяет оценить параметры модели, описывающей тренд, который сформировался в конце базисного периода. Этот метод адаптируется к меняющимся во времени условиям, а не просто экстраполирует действующие зависимости в будущее.

Метод экспоненциального сглаживания наиболее эффективен при разработке кратко- и среднесрочных прогнозов. Его основные достоинства заключаются в простоте вычисления и учете весов исходной информации, т. е. новые данные или данные за последние периоды имеют больший вес, чем данные более отдаленных периодов.

При использовании для прогнозирования данного метода возникают следующие затруднения: а) выбор значения параметра сглаживания; б) определение начального значения экспоненциально взвешенной средней.

Метод наименьших квадратов основан на выявлении параметров модели, которые минимизируют суммы квадратических отклонений между наблюдаемыми величинами и расчетными. Модель, описывающая тренд, в каждом конкретном случае подбирается в соответствии с рядом статистических критериев. На практике наибольшее распространение получили такие функции, как линейная, квадратическая, экспоненциальная, степенная, показательная.

Преимущества метода наименьших квадратов заключаются в том, что он прост в применении и реализуется на ЭВМ. К недостаткам метода можно отнести жесткую фиксацию тренда моделью, небольшой период упреждения, сложность подбора уравнения регрессии, который осуществляется с помощью использования типовых компьютерных программ, например Excel.