30.Классификация формализованных методов прогнозирования.
Формализованные методы прогн-ия:
1.м-ды экстраполяции
- м-д подбора функции
- м-д скользящей средней
- м-д экспоненциального сглаживания
- м-д адаптивного сглаживания
2. м-ды моделирования
-матричные модели
- экономико-статистические
- модели принятия решения
- оптимизационные модели
- имитационные модели
- сетевые
Методы экстраполяции основаны на опред. тенденции его развития и продолжения этой тенденции для будущего периода.
Основу метода экстраполяции составляет изучение эмпирических рядов.
Этапы экстраполяции:
1.ретроспекция- получение и анализ истории объектов прогнозирования с целью выявления сложившихся тенденций в прошлом.
2.выбор существующих или создание новых методов подхода к объекту.
3.проспекция- разработка прогноза.
Моделирование – это конструирование модели на основе предварит. изучения объекта, выделения его существенных хар-тик или признаков.
Прогнозир-ние экон. и соц. процессов с исп-нием модели влючает:
1.разработку модели
2.её экспериментальный анализ
3.сопоставуление прогнозных расчётов с фактическими данными состояния модели
4.корректировка модели
В зависимости от ур-ня упр-ния экон. и соц. про-цесссами различают модели: макроэкон., межот-раслевые, межрайонные, отраслевые, региональ-ные, модели микроур-ня.
31. Общая характеристика методов экстраполяции.
Методы экстраполяции основаны на опред. тенденции его развития и продолжения этой тенденции для будущего периода.
Основу метода экстраполяции составляет изучение эмпирических рядов.
Этапы экстраполяции:
1.ретроспекция- получение и анализ истории объектов прогнозирования с целью выявления сложившихся тенденций в прошлом.
2.выбор существующих или создание новых методов подхода к объекту.
3.проспекция- разработка прогноза.
32.Метод подбора ф-ций и скользящей средней и экспоненциального сглаживания.
Метод подбора функции
суть сост. в выборе оптимального вида функции описывающей эмпирический ряд.
Задача закл. в подборе по фактическим данным формы зависимости так, чтобы отклонение исходного ряда от соотв. расчетных были наименьшими. После этого можно продолжить линию и получить прогноз.
у=ах+в (линейная)
Метод наименьших квадратов
Сущность- отыскание параметров модели тренда минимизирующих отклонения расчетных значений от соотв. значений исходного ряда т.е.
S=Σ(y.i –yi)2 -> min
Метод скользящей средней- следующая во времени величина по своему значению равна средней величине, рассчитанной за последние 3 периода, т.е. :
K1ср=(К1+К2+К3)/3
K2ср=(К2+К3+К4)/3
K3ср=(К3+К4+К5)/3 и т.д.
Полученный выравненый ряд скользящих средних позволяет определить среднее изменение:
∆К=(Кnср-К1ср)/(n-1)
Кnср – завершающий показатель в ряду выраженных средних.
К1ср – первый показатель в ряду выравненых средних.
(n-1) – кол-во показателей выравненого ряда.
Метод экспоненциального сглаживания- прогноз показателя на будущ. период в виде суммы фактич. показателя за данный период взвешенных при помощи спец. коэффициентов.
F(t+1)=a*Xt+(1-a)*Ft
F(t+1) – прогноз на следующий месяц
Xt – фактическое значение в месяц t
а – коэффициент; опред-ся статистическим путем, хар-ет скорость ускарения данных.
0<a<1 0.05≤a≤0,3
Значение а зависит от срока прогнозирования. Чем меньше срок, тем больше значение коэффициента.
Методы экстраполяции, основанные на продлении тенденций прошлого и настоящего на будущ. период могут использоваться в прогнозировании лишь на 3-5 лет. При более длительных сроках они не дают точных результатов.