Под прогнозом понимается научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. В зависимости от объектов прогнозирования выделяют прогнозы природных ресурсов, научно-технические, экономические, социальные, демографические и политические прогнозы. [1]
Процесс разработки прогнозов называется прогнозированием и предполагает выявление ответов на два вопроса:
Что вероятнее всего ожидать в будущем?
Каким образом нужно изменить условия, чтобы достичь заданного, конечного состояния прогнозируемого объекта?
Прогнозы, отвечающие на вопросы первого типа, называются поисковыми, второго – нормативными.
Экономическое прогнозирование представляет собой систему аргументированных решений о направлениях развития и будущем состоянии экономики или отдельных ее элементов. В зависимости от масштабности объекта прогнозирования экономические прогнозы могут охватывать все уровни: от микроуровня, рассматривающего прогнозы развития отдельных предприятий, производств, до глобального уровня, где существующие закономерности рассматриваются в мировом масштабе.
По времени упреждения экономические прогнозы делятся на следующие виды: оперативные (до 1 месяца), краткосрочные (до 1 года), среднесрочные (1-5 лет) и долгосрочные (свыше 5 лет). Оптимальная длина периода упреждения определяется отдельно для каждого экономического явления с учетом статистической колеблемости изучаемых данных на основе содержательного суждения о стабильности явления. [2]
Основным содержанием экономического прогнозирования является качественный и количественный анализ реальных экономических процессов, выявление объективных условий, факторов и тенденций развития на основе трех основных принципов разработки прогнозов: системности, адекватности, альтернативности [4]. Названные принципы лежат в основе конкретных методов прогнозирования экономических процессов. Методом прогнозирования называется способ исследования объекта прогнозирования, направленный на разработку прогнозов.
Модель прогнозирования представляет собой модель исследуемого объекта, записанную в математической форме (аналитическом виде), в виде алгоритма поведения, компьютерной программы и позволяющую получить информацию о возможных состояниях объекта в будущем.
При построении модели могут использоваться несколько методов. Согласно классификации [1] все методы прогнозирования делятся на три класса: фактографические, экспертные и комбинированные. Основу фактографических методов составляет фактическая информация объекта прогнозирования о его прошлом развитии; в экспертных методах используется информация специалистов-экспертов; комбинированные методы базируются на смешанном информационном обеспечении.
Большинство используемых для прогнозирования методов исходят из следующих предположений: основные факторы, тенденции и зависимости, наблюдавшиеся в прошлом, сохранятся либо можно предвидеть направление их изменения в будущем; процессы имеют вероятностный характер и развитие исследуемого объекта определяется суммарным влиянием закономерности и случайности. Последнее свойство обусловливает целесообразность применения статистических методов прогнозирования, компьютерного моделирования, которые при необходимости могут дополняться другими методами.
Процесс прогнозирования, опирающийся на статистические методы, распадается на два основных этапа: обобщение данных, представление закономерностей в виде математических моделей либо разработка алгоритмов, компьютерных программ для моделирования процесса; собственно прогноз, расчет ожидаемых прогнозируемых показателей.
К современным статистическим методам прогнозирования относятся метод наименьших квадратов, метод скользящих средних, метод экспоненциального сглаживания, адаптивные методы прогнозирования, модели авторегрессии, модель Бокса-Дженкинса и др.
В настоящее время одним из наиболее перспективных направлений исследования и прогнозирования одномерных временных рядов считаются адаптивные методы. Адаптивными называются методы прогнозирования, позволяющие строить самокорректирующиеся экономико-математические модели, которые способны оперативно реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и учета различной информационной ценности уровней ряда. [2]
При использовании временных рядов в прогнозировании исследователю приходится решать ряд вопросов: определение длины динамического ряда как периода изучения предыстории развития; обеспечение сопоставимости уровней ряда; выбор одного или нескольких взаимосвязанных временных рядов. Различаясь по периоду упреждения, прогнозы одновременно различаются по своему содержанию, информационной базе и по методам, используемым для прогнозирования. Если в краткосрочном прогнозе могут быть использованы изолированные временные ряды и методы экстраполяции тенденций, то среднесрочный и тем более долгосрочный прогнозы требуют комплексного исследования, на основе системы рядов динамики экономической ситуации, которая может сложиться в будущем, а также учета реальных возможностей для получения того или иного количественного результата.
В зависимости от способа представления результата прогнозы подразделяются на точечные и интервальные. Точечный прогноз - это единственное значение прогнозируемого показателя. Интервальный прогноз осуществляется путем расчета доверительного интервала - интервала, относительно которого можно с заранее выбранной вероятностью утверждать, что он содержит значение прогнозируемого показателя. Ширина интервала зависит от качества модели, т.е. степени ее близости к фактическим данным, числа наблюдений, горизонта прогнозирования и выбранного уровня вероятности.
В общем случае можно выделить два подхода к оценке доверительного интервала прогноза - эвристический и формальный. Эвристический подход предполагает расчет размера доверительного интервала как разницы между двумя возможными «экстремальными» значениями прогнозов зависимой переменной, полученными при подстановке в уравнение модели определяющих их «экстремальных» значений факторов. Часто такие прогнозы называют «пессимистическим» и «оптимистическим». Формальный подход предполагает использование методов математической статистики. Основной проблемой при этом является оценка дисперсии рассчитанного прогнозного значения рассматриваемого процесса, которая различна при детерминированном и случайном прогнозном фоне. [3]
При разработке прогнозов важную роль играет процедура их верификации. Верификация предполагает обоснование достоверности прогноза, оценки его точности, и представляет собой совокупность критериев, способов и процедур, позволяющих на основе многостороннего анализа оценивать качество получаемого прогноза. Важнейшими характеристиками качества модели, выбранной для прогнозирования, являются показатели ее точности [2].
Проблему качества прогнозов чаще приходится решать, когда период упреждения еще не закончился и фактическое значение прогнозируемого показателя неизвестно. В этом случае при построении модели исследователь может придерживаться одного из двух подходов:
- прогностическая сила модели определяется на основе того же самого набора данных, который использовался для оценки параметров модели;
- выборка делится на две части, одна из которых используется для оценки параметров модели, а другая для определения прогностической силы модели.
В заключение отметим, что не может быть чисто формальных подходов к выбору методов и моделей прогнозирования. Успешное применение методов прогнозирования на практике возможно лишь при сочетании знаний в области самих методов с глубоким знанием объекта исследования, с содержательным экономическим анализом.
Литература
1. Гришин А.Ф. Статистические модели в экономике / А.Ф. Гришин, С.Ф. Котов-дарти, В.Н. Ягунов. – Ростов н/Д: «Феникс», 2005. – 344 с.
2. Дуброва Т.А. Статистические методы прогнозирования в экономике / Московский международный институт эконометрики, информатики, финансов и права. – М., 2002. – 50 с.
3. Тихомиров Н.П., Дорохина Е.Ю. Эконометрика: Учебник / Н.П. Тихомиров, Е.Ю. Дорохина – М.: Издательство «Экзамен», 2003. - 512 с.
4. Яновский Л.П. Введение в эконометрику: учебное пособие / Л.П. Яновский, А.Г. Буховец; под ред. Л.П. Яновского. – 2-е изд., доп. – М.: КНОРУС, 2007. – 256 с.