2.2. Анализ статистических методов и моделей оперативного и краткосрочного прогнозирования ппхд энергетического объединения

К статистическим методам оперативного и краткосрочного прогнозирования предъявляются следующие требования [55]:

1. Адаптивность. Методы и модели должны учитывать изменение с течением времени ряда факторов, влияющих на величину прогнозируемого показателя. Такой учёт должен осуществляться автоматически по всем факторам.

2. Рекурсивность. По мере поступления новой статистической информации используемый метод анализа отражает эти изменения таким образом, чтобы в вычислительном процессе учитывались только последние значения временного ряда показателя.

3. Экономичность. Несмотря на наличие в энергообъединениях мощных вычислительных средств, вычислительные алгоритмы применяемых методов должны быть экономичны в отношении используемого машинного времени и требуемой ёмкости оперативной памяти ЭВМ.

4. Робастность (устойчивость). Модели анализа и прогнозирования должны быть устойчивы к ошибкам входных данных, для чего следует разработать средства входного контроля данных.

Процедуры, входящие в программу модели прогнозирования, должны работать в условиях неполноты входящей информации.

В основе существующих методик построения моделей анализа и прогнозирования показателей производственно-хозяйственной деятельности энергообъединений лежит принцип разложения исходного ряда на составляющие, характер поведения которых может быть достаточно просто математически формализован. Выделяют следующие основные составляющие [33]:

• основная тенденция (тренд) временного ряда;

• сезонная составляющая временного ряда (имеет ряд коротко-периодических колебаний)

• случайная составляющая, которую нужно рассматривать как реализацию случайного процесса с нулевым средним и положительной дисперсией;

• по характеру тренда:

а) линейный тренд - такой закон изменения среднего, при котором среднее возрастает или убывает со временем по линейной зависимости;

б) сезонные тренды - если среднее изменяется циклически в соответствии с некоторым временным циклом. В большинстве случаев этот временной цикл не изменяется в течении года, причём среднее за каждый месяц по сравнению со средним за весь год может и падать, и подниматься;

в) смешанные сезонно-линейные тренды, представляющие собой комбинацию из двух уже рассмотренных;

• по типу тренда:

а) аддитивные тренды - фактические значения отклоняются от среднего в положительную или отрицательную сторону приблизительно на одинаковую величину;

б) мультипликативные тренды или тренды отношений - увеличение или уменьшение фактического значения составляет приблизительно одинаковый процент относительно среднего, определяемого характером тренда;

в) комбинация аддитивных и мультипликативных трендов – соединение двух уже упомянутых.

Линейно-аддитивный тренд. Показатель с таким видом тренда имеет среднее, которое увеличивается (или убывает) приблизительно на одинаковую величину с каждым моментом времени. Среднее, как и для линейно-мультипликативного тренда, является возрастающей функцией времени. Но для линейно-аддитивного тренда разброс отклонений фактических значений вокруг тренда приблизительно постоянен, тогда как для линейно-мультипликативного тренда этот разброс увеличивается со временем.

Линейно-мультипликативный тренд. Значение показателя при таком виде тренда превзойдёт (или будет меньше) предыдущего значения примерно на один и тот же процент во всём рассматриваемом промежутке времени. При этом со временем увеличивается не только среднее, но и разброс индивидуальных значений вокруг среднего (тренда).

Комбинация линейного и сезонно-аддитивного тренда. Этот тип тренда может описывать также ситуацию чисто сезонного тренда без линейного элемента. Однако в общем случае для модели этого типа характерно присутствие сезонного тренда, который, в свою очередь, может линейно расти.

Комбинация линейного и сезонно-мультипликативного тренда также описывает случай чисто сезонно-мультипликативного тренда без линейного роста. Как и для комбинации линейного и сезонно-аддитивного трендов, аналитическое исследование этого типа трендов предполагает возможность линейного роста. Виды моделей оперативного и краткосрочного прогнозирования.