CC BY
89
ный, в виду отсутствия в нем нейтрона, в то время как для углерода перигей орбиты валентного электрона более удален от протона ядра атома углерода, в виду присутствия в ядре его атома протона и нейтрона, поэтому его п = 2.
Вследствие того, что один квант рабочего электрона повышает температуру при ХРГ на 1 кельвин, то температура горения (ТГ) водорода равна 3217 К, а ТГ углерода равна 1609 К.
Следует также отметить, что температура ядра фотона также равна 12870 К [2], что соответствует количеству квантов, приходящихся на фотон (см. (12)).
Список литературы:
1. Марсов У.С. Самовосстанавливаемый энергетический ресурс // Сборник материалов II международный научно-практической конференции «Наука и современность - 2010». Ч. 3. 16 апреля 2010 г. / Под общ. ред. к.э.н. С.С. Чернова. - Новосибирск: ЦРНС, 2010.
2. Марсов У.С. Микромир элементарных частиц: фотона и электронного нейтрино // Сборник материалов III международный научно-практической конференции «Наука и современность - 2010». Ч. 4 / Под общ. ред. к.э.н. С.С. Чернова. - Новосибирск: ЦРНС, 2010.
3. Суорц К.Э. Необыкновенная физика обыкновенных явлений. Т. 2. -М.: «Наука», 1987. - С. 374-380.
ЭКОНОМИКО-СТАТИСТИЧЕСКИЕ МЕТОДЫ В ПРОГНОЗИРОВАНИИ
© Палфёрова С.Ш.*, Иванов О.И.*, Бабенко Н.Г.*
Тольягтинский государственный университет, г. Тольятти
Управление экономикой требует умения прогнозировать показатели её развития. Элементом обоснования основных направлений развития и размещения производительных сил является определение перспективной потребности в ресурсах. Качество плановых и предплановых расчетов по обоснованию экономических потребностей в ресурсах определяется совершенствомприменяемых методов планирования.
Территориальный и долгосрочный аспекты определения перспективной потребности в материальных ресурсах должны основываться на разработке и использовании специального методического обеспечения.
* Доцент кафедры «Высшая математика и математическое моделирование», к. п. н., доцент.
* Доцент кафедры «Высшая математика и математическое моделирование», кандидат технических наук, доцент.
" Доцент кафедры «Высшая математика и математическое моделирование», кандидат технических наук, доцент.
Принятые для решения рассматриваемой задачи методы для определения перспективной потребности в материальных ресурсах обеспечивают учёт:
- долгосрочных целей и основных параметров социально-экономического развития;
- тенденций и результатов научно-технического прогресса в сфере конечного и промежуточного потребления материальных ресурсов;
- территориальной дифференциации факторов и условий воспроизводства;
- региональной специфики процессов потребления материальных ресурсов;
- возможности проведения расчетов в условиях существенной неопределенности, отсутствия детальной технико-экономической информации.
В комплексном методологическом обеспечении решения задачи определения перспективной региональной потребности в ресурсах применимы экономико-статистические методы. Они имеют ряд преимуществ по сравнению с другими методами:
- метод межотраслевого баланса для определения перспективной потребности в материальных ресурсах может быть использован, во-первых, лишь по хозяйству региона, во-вторых, в сильно укрупненной номенклатуре (поскольку продукция выделенных в качестве межотраслевых балансов отраслей, как правило, представляет собой определенную совокупность различных видов материальных ресурсов);
- нормативный метод требует большого объема достаточно детализированной информации, получение которой на стадии предплановых расчетов бывает весьма затруднительным или вовсе невозможным. Использование большого числа показателей существенно повышает затраты времени на сбор и подготовку исходных данных и трудоемкость расчетов. Использование большого количества показателей может снижать точность перспективных расчетов из-за накапливающейся погрешности в определении значений самих исходных показателей.
Более эффективным инструментом прогнозирования региональной потребности в материальных ресурсах являются многофакторные регрессионные экономико-статистическое модели.
Включаемые во множественную регрессию факторы должны объяснить вариацию независимой переменной. Если строится модель с набором т факторов, то для нее рассчитывается показатель детерминации Я2, который фиксирует долю объясненной вариации результативного признака за счет рассматриваемых в регрессии т факторов. Влияние других, не уч-
тенных в модели факторов, оценивается как 1 - Я2 с соответствующей остаточной дисперсией £2.
При дополнительном включении в регрессию т + 1 фактора коэффициент детерминации должен возрастать, а остаточная дисперсия уменьшаться:
Я т + 1 ^ Я т и ^ т + 1 ^ ^ т
Если этого не происходит и данные показатели практически не отличаются друг от друга, то включаемый в анализ фактор хт + 1 не улучшает модель и практически является лишним фактором.
Хотя теоретически регрессионная модель позволяет учесть любое число факторов, практически в этом нет необходимости. Отбор факторов производится на основе качественного теоретико-экономического анализа.
Теоретический анализ часто не позволяет однозначно ответить на вопрос о количественной взаимосвязи рассматриваемых признаков и целе-сообразности включения фактора в модель. Поэтому отбор факторов обычно осуществляется в две стадии: на первой подбираются факторы исходя из сущности проблемы; на второй - на основе матрицы показателей корреляции определяют статистики для параметров регрессии.
Коэффициенты интеркорреляции (т.е. корреляции между объясняющими переменными) позволяют исключать из модели дублирующие факторы. Считается, что две переменные явно коллинеарны, т.е. находятся ме^ду собой в линейной зависимости, если гхщ > 0,7.
Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из регрессии. Предпочтение отдается не фактору, более тесно связанному с результатом, а тому фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту связи с другими факторами. В этом требовании проявляется специфика множественной регрессии как метода исследования комплексного воздействия факторов в условиях их независимости друг от друга.
Преимущества модельных прогнозов потребности в материальных ре -сурсах заключаются в непротиворечивости системы прогностических оценок, прямом выражении связи прогнозируемого показателя с основными влияющими факторами, а также в возможности получения обоснованных вариантов прогноза для различных значений определяющих факторов и гипотез развития экономики. Использование экономико-статистических моделей расширяет прогнозно-аналитические возможности, связанные с реализацией нормативного метода, позволяет осуществлять аналитические расчеты в условиях неопределенности, с меньшим объемом исходной информации и в более короткие сроки.
Для прогнозирования перспективной потребности в материальных ресурсах целесообразно использование двух различных подходов, которые могут быть определены как макро- и микроэкономический. В первом случае прогнозирование осуществляется исходя из целевых установок (пока-
зателей) развития экономики в целом или агрегированных отраслей, во втором случае - путем раздельного прогнозирования и последующего суммирования частных показателей.
Начальные этапы предплановых расчетов характеризуются, с одной стороны, наличием укрупненных показателей, с другой стороны, отсутствием детальной информации о развитии отдельных отраслей и сфер экономики.
Укрупненный макроэкономический подход обеспечивает возможность проведения расчетов при существенной неопределенности, отсутствии детальной технико-экономической информации.
В качестве инструментов макро- и микроэкономического прогнозирования могут быть применены статистические регрессионные модели двух типов:
1. модели, использующие в качестве исходной информации временные ряды темпов роста соответствующих показателей;
2. модели, использующие в качестве исходной информации значение показателей экономического и социального развития по различным регионам в определенный фиксированный момент времени (пространственные).
В экономической литературе хорошо разработаны вопросы построения и использования для прогнозирования региональной потребности в материальных ресурсах моделей регрессии на динамических рядах. Модели пространственного типа еще не получили ни должной разработки в экономической литературе, ни практического применения в сфере территориальных предплановых расчетов.
Пространственные регрессивные модели могут быть весьма эффективным инструментом прогнозирования региональной потребности в материальных ресурсах на уровне экономики региона. Экономико-статистические модели пространственного типа имеют ряд преимуществ, которые заключаются в возможности использования в модели значительно большего числа независимых переменных (факторов), в возможности использования для построения многофакторных динамических моделей коротких временных рядов, в возможности фиксации взаимосвязей исследуемых переменных только на последние годы (год) ретроспективного периода, а также в удобстве их практического использования.
Правосторонняя асимметрия распределений показателей территориального потребления материальных ресурсов в экономике России и различных характеристик регионального экономического развития, а также наличие сильно выделяющихся единиц в совокупности регионов, обусловливают эффективность применения при построении пространственных моделей потребления материальных ресурсов логарифмически линейных форм связи. Это позволяет приблизить эмпирические распределения значений признаков к нормальному и смягчить влияние на результаты моделирования сильно выделяющихся единиц совокупности, так как в
этом случае при применении метода наименьших квадратов они не получают столь больших удельных весов, как в случае линейной регрессии.
Примеры пространственных прогнозно-аналитических моделей регионального потребления материальных ресурсов: модель регионального потребления котельно-печного топлива в экономике России и модель регионального потребления котельно-печного топлива на коммунально-бытовые нужды.
Построение модели осуществлялось с помощью процедуры многошагового регрессионного анализа. В качестве исходного использовалось де-вятифакторное регрессионное уравнение вида:
9
1п у = а0 + ^ + а1 ■ 1п х1
I=1
где у - общий объем потребления котельно-печного топлива в регионе; а0 - свободный член уравнения регрессии;
аг, ..., ад — коэффициенты эластичности, каждый из которых показывает средний процент изменения общей величины потребности при изменении значения 1-го фактора на 1%; X] - объем производства товарной продукции электроэнергетики; х2 - объем производства товарной продукции черной металлургии; х3 - объем производства товарной продукции топливной промышленности;
х4 - объем производства товарной продукции промышленности строительных материалов; х5 - объем производства товарной продукции химической и нефтехимической промышленности; х6 - объем производства товарной продукции машиностроения и
металлообработки; х7 - объем производства товарной продукции остальных отраслей
промышленности; х8 - объем строительно-монтажных работ;
хд - объем производства валовой продукции сельского хозяйства.
Результаты проведенного многошагового регрессивного анализа пока -зали, что все коэффициенты регрессии становятся значимыми ухе на второй итерации (после исключения из уравнения фактора х5). В то же время последовательное исключение из уравнения регрессии факторов, имеющих минимальное значение /-критерия, позволяет без существенных потерь в аппроксимирующей способности получить более простые модели, требующие относительно меньшего объема экзогенно задаваемой информации.
Проведенный анализ позволил выделить четыре основных показателя, достаточно полно описывающих общую вариацию зависимой переменной, а именно показателя производства товарной продукции электроэнер-
гетики, черной металлургии, топливнои промышленности и промышленности строительных материалов. Существенность данных факторов подтверждается экономическим анализом, так как перечисленные показатели характеризуют развитие четырех наиболее крупных отраслей-потребителей котельно-печного топлива в экономике России.
Таким образом, в результате многошагового регрессионного анализа было получено следующее уравнение:
1пу = 4,9390 + 0,2152 • 1пх, + 0,1037 • 1пх2 +0,0724 • 1пх3 +0,4585 • 1пх4 Я = 0,9441; Я2 = 0,8913; Е = 2,79
где Я - множественный коэффициент корреляции;
Я2 - коэффициент множественной детерминации;
Е - средняя ошибка аппроксимации.
Полученное сравнение имеет достаточно высокие статистические характеристики, соответствует данным качественного (теоретико-экономического) анализа и является достаточно общим с точки зрения степени детализации используемых независимых переменных. Перечисленные свойства позволяют использовать приведенную форму модели в прогнозно-аналитических расчетах по определению общих объемов потребности в котельно-печной топливе экономики областей, краев и автономных республик России.
Описанная модель позволяет на основе достаточно общих данных определять потребность в котельно-печном топливе по экономике в целом того или иного региона.
Для определения потребности в материальных ресурсах по различным направлениям их расхода необходимы разработка и использование более детализированных моделей, учитывающих параметры технического и экономического развития отдельных отраслей (сфер) народного хозяйства регионов республики.
Необходимой предпосылкой обеспечения достоверности и качества прогноза должно выступать обеспечение адаптации статистических моделей к изменяющимся условиям развития. Прогнозирование требует учета не столько ретроспективных, сколько перспективных направлений развития материального производства и непроизводственной сферы.
Придание статистическим моделям свойства адаптации, приспособления к изменяющимся условиям развития может быть осуществлено путем использования при построении моделей прогнозируемых на перспективу значений исследуемых показателей, т.е. путем статистического описания взаимосвязей ме^ду наиболее вероятными в перспективе значениями основных влияющих факторов и показателями перспективной потребности в материальных ресурсах. При этом для определения показателей перспективной потребности может быть использован негативный метод, позво-
ляющий учесть влияние на ее величину основных параметров социально-экономического развития и результатов научно-технического прогресса.
Построение обобщенных, адаптированных экономико-статистических моделей пространственного типа может быть осуществлено на основе динамизации параметров регрессионного уравнения, т.е. путем включения в модель фактора времени, отражающего структурные изменения в общественном производстве и потреблении материальных ресурсов, а также влияние факторов научно-технического прогресса. Так описание тенденций изменения параметров модели потребления котельно-печного топлива на коммунально-бытовые нужды областей, краев и других регионов России с помощью уравнений полиномов первой степени позволило перейти от статической к динамической форме модели.
Следует отметить, что для динамической пространственной модели потребления материальных ресурсов имеется возможность получения дополнительных, уточненных вариантов прогноза на основе учета систематических отклонений фактических (плановых, прогнозных) значений результативного признака от теоретических (расчетных), определенных по построенным (статистическим) уравнениям регрессии. Для этого достаточно использовать средние отклонения фактических (плановых, прогнозных) значений потребности от расчетных, вычисленные по отклонениям тех дат, по данным которых построена динамическая модель.
При решении задачи увязки прогнозов региональной потребности, полученных с использованием различных статистических методов и моделей, наиболее подходящим является подход, при котором для всех прогнозов рассчитываются доверительные интервалы и на основе анализа последних принимается окончательное решение. При этом прогнозы можно считать тождественными, если доверительные интервалы совпадают или входят один в другой. Если же доверительные интервалы перекрываются, то можно считать, что прогнозы непротиворечивы в том случае, когда зона перекрытия превышает половину доверительного интервала. Сопоставление результатов, получаемых различными методами, дает возможность скорректировать границы зоны неопределенности значения прогнозируемого показателя и отдельные управляемые параметры системы, обосновать с учетом привлечения дополнительных экспертных оценок выбор наиболее вероятного варианта реализации показателя потребности в прогнозном периоде.
Список литературы:
1. Экономико-статистические методы в прогнозировании. - М.: Наука, 1994.
2. Статистическое моделирование и прогнозирование: учебное пособие для ВУЗов / Г.М. Гамбаров и др.; под. ред. А.Г. Гранберга. - М.: Финансы и статистика, 1990.
