CC BY
33
что там ждет впереди?
основные методические рекомендации
по разработке прогнозов развития отраслей АПК
МининДЛ.
аспирант
Новгородского
государственного
университета
им. Ярослава Мудрого,
Института
экономики
и управления
Для успешного функционирования любых предприятий и фирм, а на более высоком уровне - отраслей, в частности аграрно-промышленного комплекса, необходима разработка прогнозов их развития.
Актуальность данного вопроса подчеркивается тем, что для разных типов прогнозных данных, необходимо использовать различные методы, чтобы обеспечить наибольшую точность прогноза.
Прогнозирование данных, представляющих в своей простейшей форме стационарный ряд, включает в себя использование его предыстории для оценки среднего значения, которое затем становится прогнозом на будущие периоды. Более сложная техника состоит в уточнении оценки с использованием вновь поступившей информации. Эти методы полезны, когда начальные оценки ненадежны или когда постоянство среднего значения под вопросом (к примеру, начальная стадия функционирования фирмы, предприятия, новое направление в отрасли).
Стационарные методы прогнозирования рекомендуется использовать в следующих случаях1:
1. Воздействия, порождающие ряд, стабилизировались и окружающая среда, в которой ряд существует, относительно неизменна. Примерами являются число поломок в неделю на сборочной линии, имеющей постоянную производительность; число продаж продукта или услуг на стадии насыщения их жизненного цикла; число продаж продукта при постоянном уровне усилий, прилагаемых к его сбыту.
2. В силу недостатка данных либо для упроще-
ния объяснения или реализации прогноза необходимо использовать очень простую модель. Например, эта ситуация характерна тогда, когда направление деятельности или продукция являются новыми, а доступная предыстория очень мала.
3. Стабильность может быть достигнута за счет простой корректировки таких факторов, как рост населения или инфляция. Примером является переход от общих показателей к показателям, рассчитанным на душу населения. 4- Ряд представляет собой множество ошибок прогноза, полученных в результате применения метода прогнозирования, который может считаться неадекватным. Методы прогнозирования, которые могут применяться по отношению к стационарным рядам, включают в себя «наивные» методы, методы простого усреднения, скользящие средние, простое экспоненциальное сглаживание и методы авторегрессионного скользящего среднего (методы Бокса-Дженкинса). Для данных, имеющих тренд (ожидается возрастание или убывание среднего значения на то время, на которое делается прогноз), - это метод скользящих средних, метод линейного экспоненциального сглаживания Хольта, простая регрессия, возрастающие кривые, экспоненциальные модели и методы авторегрессионных интегрированных скользящих средних (методы Бокса-Дженкинса). Методы, наиболее подходящие для прогнозирования сезонных рядов, включают классическое разложение, метод Census X-12, экспоненциальное сглаживание Винтера (Winter), многомерную регрессию временного ряда и методы Бокса-Дженкинса.
Методы прогнозирования для циклических данных используются в тех случаях, когда:
1) на интересующую нас величину влияет бизнес-цикл. Примерами являются экономические и рыночные показатели, а также уровень конкуренции;
2) имеют место изменения в общественных вкусах, например, вследствие рекламы продуктов питания;
_одним из важных
_этапов
_при разработке
прогнозов является
_предпрогнозная
_верификация -
_возможность
оценить, насколько
_точным
и достоверным _будет прогноз
3) возникают изменения в народонаселении. Примерами могут служить войны, голодовки, эпидемии и стихийные бедствия;
4) происходят сдвиги в цикле производства продуктов потребления. Примерами являются введение продукта, рост и созревание спроса и насыщение рынка продуктом с последующим падением спроса.
Аппарат, который необходимо использовать для прогнозирования циклических рядов, включает в себя классическое разложение, экономические индикаторы, эконометри-ческие модели, многомерную регрессию и методы Бокса-Дженкинса. Применимость соответствующего аппарата прогнозирования, вообще говоря, устанавливается в процессе практического применения. В большинстве случаев необходим прогноз на относительно короткий промежуток времени. В этой ситуации преимущества имеют методы экспоненциального сглаживания, оценки тренда, регрессионные мо-етоды классического разложения. естно, одним из важных этапов при разработке прогнозов является предпрог-нозная верификация - возможность оценить, насколько точным и достоверным будет прогноз при применении того или иного метода прогнозирования.
В настоящее время существует достаточно много различных параметров, позволяющих оценить качество прогнозирования. Но следует отметить, что, несмотря на кажущиеся простоту и доступность (специальная литература, статистические и математические программные пакеты), обычному человеку, не имеющему специальных знаний в области статистики и прогнозирования, достаточно сложно оценить качество прогноза. Потому что существующие методики предполагают либо использование слишком большого числа параметров, либо позволяют оценивать только какой-то один тип методов прогнозирования.
В связи с тем, что усовершенствование методик прогнозирования необходимо и востре-
бовано специалистами многих отраслей народного хозяйства, нами исследовались различные методы и подходы. В результате была разработана методика, позволяющая не только оценивать качество применения различных методов прогнозирования, но и сравнивать их эффективность, осуществляя данный процесс с наименьшими затратами. Это связано, в первую очередь с тем, что для оценки прогнозов мы применили всего 4 наиболее важных показателя2:
- среднее абсолютное отклонение (в статистических программах и зарубежной литературе обычно обозначается как МАО) ;
- среднеквадратическая ошибка (МХЕ);
- средняя абсолютная ошибка в процентах (МАРЕ);
- средняя процентная ошибка (МРЕ). (Более подробное описание данных параметров можно посмотреть в работах Афанасьева В.Н., Власова М.П. и других (см. список литературы), а также, при помощи справки в лицензионных статистических прог-раммах)2.
Установленная последовательность их применения позволяет получить наибольшую информативность, а также, если метод прогнозирования не подходит, прекратить его использование и перейти к другому методу. Это значительно сокращает трудозатраты, а потому данная методика может успешно использоваться как профессионалами, так и людьми, обладающими небольшими навыками и опытом прогнозирования. Алгоритм данной методики представлен на рисунке 1.
Резюмируя вышеизложенное, следует отметить, что стратегия прогнозирования состоит в том, что начинать работу надо с минимального количества отобранных параметров (применяя наиболее простые и требующие малой загрузки вычислительной техники методы), а более сложные добавлять в модель по мере необходимости. Если применяемые методы оказались недостаточно адекватными, то следует переходить
Литература
1. Афанасьев ВН., Юзба-шев ММ. Анализ временных рядов и прогнозирование: Учебник. - М.: Финансы и статистика, 2001. - 228 с.
2. Бокс Дж, Дженкинс Г. Анализ временных рядов. Прогноз и управление. -М: Мир, 1984- Вып. 1 -288 с; Вып. 2 -197 с.
3. Кобелев НБ. Практика применения экономико-математических методов и моделей: Учебно-практическое пособие. -М: ЗАО «Финстатин-форм», 2000. - 246 с.
4- Власов МП, Шимко ПД Моделирование экономических процессов. - Ростов н/Д: Феникс, 2005. -409 с.: ил.
5. ]E. Hanke, AG. Reitsch, D.W. Wichern Business forecasting - New Jersey: Prentice Hall, Upper Saddle River, 2003.
Рис. 1. Алгоритм оценки методов прогнозирования
к другим методам. Эмпирические исследования показывают, что точность прогноза, выполненного простыми методами, практически так же высока, как точность, полученная при использовании комплексной или статистически сложной методики.
1 Более подробное изложение можно найти в работах Бокса Дж, Дженкинса Г., Ханка Дж. и других.
2 Афанасьев ВН., Юзбашев ММ. Анализ временных рядов и прогнозирование: Учебник. - М: Финансы и статистика, 2001. - 228 с.; Власов МП., Шимко ПД.. Моделирование экономических процессов - Ростов н/Д: Феникс, 2005. - 409 с.: ил.
