Тема: Экстраполяционные методы прогнозирования

ВВЕДЕНИЕ

Во всех звеньях управленческой деятельности возрастает роль специалистов, умеющих принимать оптимальные управленческие решения на основе предварительно проведенных исследований и полученных экономических прогнозов. Поэтому в деятельности менеджеров упор приходится делать на способность достаточно оперативно и правильно изменять хозяйственную ситуацию и искать подход, являющийся наиболее целесообразным в конкретных условиях.

Целью данного практикума является закрепление теоретических и практических знаний, полученных в ходе изучения дисциплины «Социальное и экономическое прогнозирование», а также приобретение практических навыков расчета прогнозных значений основных технико-экономических показателей деятельности предприятий, применения различных экономических моделей при планировании и принятии решений в сфере бизнеса.

При изучении дисциплины решаются следующие задачи:

- выявление тенденций развития экономического объекта (явления, процесса) в ретроспективном периоде;

- обоснование и выбор наилучшего метода прогнозирования развития объекта (явления, процесса);

- получение прогностических оценок развития объекта (явления, процесса) на основе определенного метода прогнозирования в перспективном периоде;

- выполнение прогнозирования технико-экономических показателей с учетом специфики отрасли;

- оценка точности и надежности полученных прогнозов.

Лабораторный практикум составлен на основе учебных изданий Бестужева-Лады И.В., Андроновой И.В., Пленкиной В.В., Осиновской И. В., раскрывающих теоретические и методические основы социально-экономического прогнозирования развития объекта (явления, процесса), в том числе с учетом отраслевой специфики ТЭК; Дубровой Т.А., подробно описывающей с практическими примерами применение статистических методов прогнозирования, и Ханка Д.Э., Уичерна Д.У., Райтса А.Дж., отражающего решение задач бизнес-прогнозирования.

Общие положения по выполнению лабораторных работ

Предлагаемый лабораторный практикум предназначен для выполнения лабораторных работ, предусмотренных рабочей программой курса «Социальное и экономическое прогнозирование», тематика лабораторных работ охватывает ключевые темы лекционного материала.

При выполнении лабораторных работ можно решать как предлагаемые варианты, так и индивидуальные задания. Студенты могут использовать самостоятельно сформированную статистическую базу по отраслевым предприятиям, являющуюся результатом прохождения учебной практики или работы с периодической литературой. Рекомендуемыми источниками для сбора информационной базы могут являться научные журналы, такие как «Проблемы прогнозирования», «Статистика», «Вопросы статистики», «Нефтегазовая вертикаль», «Нефтяное хозяйство», «Нефть России», а также данные на официальных сайтах Департамента макроэкономического прогнозирования http:// www. economy.gov.ru и Центра макроэкономического анализа и прогнозирования http:// www. forecast.ru.

По окончании выполнения лабораторных работ оформляется отчет в печатном виде в соответствии с требованиями ГОСТа в формате А4, шрифт 14, интервал 1,5. Для оформления отчета по каждой из лабораторных работ следует детально проработать предлагаемые методические рекомендации, внимательно изучить исход­ную информационную базу и провести необходимые расчеты.

Отчет по лабораторной работе должен включать:

1. Исходные данные и задание.

2. Расчётные формулы для проведения необходимых расчетов исходя из задания лабораторной работы.

3. Графическое представление полученных результатов расчета (при необходимости).

4. Результаты расчёта показателей, оформленные в виде таблиц.

5. Основные выводы.

После выполнения расчётов и оформления отчета студент показывает его преподавателю для получения оценки. Работа может быть зачтена в том случае, если студент от начала до конца знает содержание работы, последовательность её выполнения и умеет анализировать данные, полученные в процессе расчётов.

Лабораторная работа должна быть выполнена с использованием персональных компьютеров в специально оборудованной учебной аудитории. Перед началом работы на компьютере студент должен выполнить все требования, обеспечивающие безопасность работы на оборудовании.

Лабораторная работа № 1

Тема: Экстраполяционные методы прогнозирования

1. Цель и содержание лабораторной работы

Целью лабораторной работы является освоение студентами теоретических знаний, получение при изучении методов социально-экономического прогнозирования, приобретение практических навыков расчёта прогнозных значений основных технико-экономических показателей различных видов деятельности предприятий топливно-энергетического комплекса.

Экстраполяция – самый распространённый и разработанный метод среди всей совокупности методов прогнозирования. Сущность его заключается в изучении динамических (временных) рядов, описывающих изменение некоторого показателя (параметр) во времени, выявление тенденции и продление ее в будущее. Любое будущее состояние показателя прогноз рассматривает как результат предшествующих состояний. В настоящее время экстраполяционные методы широко используются в стратегическом управлении и планировании.

Принципиальная возможность прогнозирования основывается на предположении о закономерном характере изменения различных показателей и на инерционности технико-экономических процессов.

Уровни динамических рядов формируются под совокупным влиянием множества длительно и кратковременно действующих факторов, в том числе и случайных. Динамический ряд показателей может быть представлен в следующем виде:

yt = ŷt + Et ,

(1.1)

где ŷ_t - тренд (детерменирующая неслучайная компонента);

E_t - стохастическая случайная компонента (помеха), отражающая случайные колебания и имеющая нормативный закон распределения.

Специфическая черта прогнозной экстраполяции – предварительная обработка числового ряда, направленная на снижение влияния случайной составляющей (минимизация случайных отклонений точек ряда от некоторой плавной кривой предполагаемого тренда), т.е. приближение её к тренду.

Задача прогноза состоит в определении вида экстраполирующих функций ŷ_t и E_t на основе исходных данных.

Промежуток времени, на который разрабатывается прогноз, называется периодом упреждения прогнозов, а максимально возможный период упреждения – горизонтом прогнозирования.

По форме упреждения различают точечные и интервальные прогнозы. В первом случае прогноз задаётся одним числом, во втором указывается интервал, к которому с определённой вероятностью принадлежит прогнозируемая величина.

При прогнозировании ведётся наблюдение за процессом (рис. 1.1) и вычисляется его будущее значение в упреждённой точке, оценивается математическое ожидание процесса, величина интервала, в которой с заданной вероятностью попадает будущее значение прогноза.

у1

у3

у2

у4

у5

Рис 1.1. Точечный и интервальный прогнозы

В настоящей лабораторной работе используется алгоритм экстраполяции динамических рядов развития показателя прогнозируемого явления по ретроспективным данным путём статистического моделирования.

Статья I. Постановка задачи

В лабораторной работе № 1 необходимо составить прогноз величины технико-экономического показателя y_t производственной деятельности предприятия отрасли, предсказав его возможную величину на основе статистических данных о его изменении за несколько предыдущих лет.

Исходные данные для расчета даются в табл. П. 1.1 и представляют собой информацию о величине прогнозируемого показателя на интервале времени за несколько предыдущих лет [t₁; t₂ …t_n].

Совокупность числовых значений показателя y_t образует динамический ряд y_t = {y₁, y₂…y_n} на отрезки времени T = {t₁, t₂…t_n}. Количество числовых значений, необходимых для решения поставленной задачи, должно быть не менее 8.

2. Методические положения расчета перспективных технико-экономических показателей деятельности предприятия на основе экстраполяционного метода прогнозирования

Этап 1. Установление наличия и тесноты связи между величиной прогнозируемого показателя и фактором времени.

1.1. Определение точечной оценки коэффициента корреляции по формуле:

,

(1.2)

где y_ti – текущее значение показателя y_t (t = 1…n),

t_i - текущее значение показателя t (i = 1…n),

n – количество лет, за которые собраны статистические данные о значении показателя y_t.

По величине r_yt определяется сила взаимосвязи y_t и t при наличии между ними линейной связи. Чем ближе r_yt к «+1» или «–1», тем ближе связь между y_t и t к линейной. Наличие нелинейной связи определяется с помощью корреляционного отношения (расчет см. далее).

1.2. Проверка значения рассчитанного коэффициента корреляции по критерию :

(1.3)

где - коэффициент оценки достоверности гипотезы о значимости коэффициента парной корреляции (табл. П.1.1);

k = n - 2 – число степеней свободы (характеристика суммы квадратов (отклонений) показывает, сколько отклонений в сумме квадратов может изменяться "свободно”);

- вход в таблицу ;

- уровень значимости гипотезы.

При выполнении критерия (1.3) гипотеза о значимости коэффициента парной корреляции подтверждается, т. е. величина y_t зависит от фактора времени.

Этап 2.Выбор вида математической модели, описывающей взаимозависимости y_t и t.

2.1. Построение графика изменения показателя y_t на интервале [t₁, t_n].

2.2. Выбор вида математической модели, описывающей взаимозависимость y_t и t .

Наиболее простой путь выбора формы кривой, описывающей динамику показателя y_t ,визуальный – выбор формы кривой на основе графически построенного ряда динамики (этап 2.1). В табл. 1.1 приводится перечень наиболее употребляемых видов кривых, на основе которых выбирают математическую модель и анализируют данные.

Таблица 1.1

Визуальный выбор формы взаимосвязи

График функции	Вид зависимости	Уравнение тренда
	Прямая
	Парабола 2-го порядка
t t Уt Уt	Парабола 3-го порядка
	Показательная кривая (экспонента)

В большинстве случаев практически приемлемым является метод характеристик прироста, который основывается на сравнении характеристик изменения приростов исследуемого динамического ряда с соответствующими характеристиками кривых роста [4]. Расчет количественных оценок приростов показателя, дополненный визуальным выбором формы взаимосвязи, уменьшает риск неправильного выбора модели для прогнозирования.

2.3. Расчет параметров тренда .

1. Расчет параметров тренда, выбранного для экстраполяции, осуществляется по методу наименьших квадратов (МНК), сущность которого сводится к минимизации суммы квадратов отклонений фактических значений от расчетных (формула 1.4).

. (1.4)

На основе МНК параметры уравнения тренда определяются с помощью системы нормальных уравнений.

Нормальные уравнения для расчета параметров прямой имеют вид

(1.5)

Для параболических зависимостей параметры уравнения находят, решая соответствующие системы алгебраических уравнений [2, с. 27-29], или используя встроенные функции Ехсеl.

При выполнении данной лабораторной работы следует учитывать, что в практических исследованиях в основном используются следующие функции: линейная, показательная (экспонента), параболическая (2-го и 3-го порядка), гипербола. Поэтому при форме связи следует отдавать предпочтение именно этим зависимостям (для упрощения расчетов). При выполнении вычислений на компьютере на практике осуществляется перебор всех поддающихся вычислению моделей и производится выбор наилучшей из них. Лучшей считается та модель, для которой приведенные критерии оценки точности принимают наименьшее значение.

2. Параметры тренда также можно определить в Excel по следующей последовательности действий:

1. Данные заносятся в таблицу.

2. Выбирается меню «Вставка» – «Диаграмма» – «Точечная».

3. Правой кнопкой мыши щелкните на точки графика, в появившемся окне выберите «Добавить линию тренда».

4. Открывшееся диалоговое окно представлено на рис. 1.2.

5. Далее выбирается наиболее подходящий тип зависимости для вашей кривой (линейная, логарифмическая и т. д.).

6. Перейдите ко вкладке «Параметры».

7. Отметьте флажком «Показать уравнение на диаграмме», нажмите ОК.

Рис. 1.2. Построение линии тренда и параметров уравнения тренда

Полученное уравнение можно в дальнейшем использовать для прогноза и получения его точечного значения.

Этап 3. Расчет критериев точности математической модели.

3.1. Определение расчетных значений моделируемого показателя , подставляя значения аргументов (t) в полученное уравнение тренда.

3.2. Расчет отклонения фактических значений y_t от расчетных по формуле:

.

(1.6)

3.3. Расчет среднего квадратического отклонения.

,

(1.7)

где n - число наблюдений,

р – количество расчетных коэффициентов в уравнении тренда.

3.4. Расчет средней относительной ошибки

.

(1.8)

Критерии (1.7) и (1.8) показывают степень точности воспроизведения моделью реального изменения моделируемого показателя.

3.5. Важным критерием надежности модели является эмпирическое корреляционное отклонение

,

(1.9)

где S2– общая дисперсия,

- остаточная дисперсия.

S2= ,

(1.10)

где - математическое ожидание показателя (среднее значение), вычисленное по заданному динамическому ряду.

Корреляционное отношение характеризует тесноту связи между y_t и t при нелинейных зависимостях, его значения находятся в пределах от 0 до 1. Если зависимость линейна, то .

Поскольку можно утверждать, что если r_yt = 0, 0, то в совокупности с графическим анализом зависимости y_t и t с помощью коэффициента парной корреляции можно оценивать наличие взаимосвязи как при линейной, так и нелинейной корреляционной зависимости.

Это условие может быть использовано в качестве критерия линейности модели. Если условие выполняется, то линейность регрессии подтверждается.

Этап 4. Прогнозирование показателя y_t.

1. Расчет точечной оценки прогноза показателя осуществляется подстановкой величины t_i = n+1 в полученное уравнение тренда.

2. Расчет интервальной оценки прогноза осуществляется по зависимости

(1.11)

, (1.12)

где t_{gk –} статистика Стьюдента, определяемая (приложение 2, табл. П. 2.1) по выходам k= n-2 и p = 1- /2;

n -число наблюдений в динамическом ряду;

t _n+1 - величина t для прогноза года;

- математическое ожидание t;

- среднее квадратическое отклонение фактических наблюдений y_t от расчетных (см. формулу 1.7).