Прогнозирование развития малого предпринимательства в Тюменской области

    [http://prognoz.org/lib/makroekonomicheskie-modeli-v-prognozirovanii-faktornyi-lagovyi-i-strukturnyi-aspekty-sbalansirovannosti-ekonomiki]

    Преимуществами  метода являются универсальность, получение  прогноза с высокой степенью точности, возможность получения точных количественных оценок. Наряду с ними имеются и  недостатки, в числе которых высокая  информационная емкость, необходимость  наличия вычислительных мощностей, человеческий фактор, который может  вызвать ошибку в расчетах. 
 

    1.2. Обоснование выбора метода прогнозирования  малого предпринимательства в Тюменской области 

    Перед выбором основного метода прогнозирования  необходимо учитывать недостаточно высокую надежность экономических показателей, что обусловлено следующими факторами:

    1. Стремлением предпринимателей уклониться  от предоставления отчетности  либо занизить финансово-экономические  характеристики своего бизнеса  с целью снижения налогового  бремени. 

    В результате статистические характеристики получают значительное смещение в меньшую  сторону и могут использоваться, во-первых, как оценки нижних границ значений соответствующих параметров, и, во-вторых, для сравнительного анализа  изменений параметров в динамике либо по какому-либо разрезу (в предположении, что скрываемые составляющие параметров в рамках рассматриваемой совокупности меняются мало).

    2. Ограниченным объемом исходной  выборки. 

    Погрешности, вызываемые влиянием этого фактора, в наибольшей степени влияют на оценки характеристик малых групп предприятий, в частности, МП определенной отрасли  в том или ином округе. Такие  оценки можно считать сравнительно надежными лишь в случае их подтверждения  с использованием дополнительных источников информации, например, данных за предшествующие годы.

    3. Методическими погрешностями статистического  оценивания.

    Далее проведем анализ каждого из методов, указанных в п. 1.1. В связи с  тем, что указано три метода, использованы в работе будут все, поэтому будет  приводиться более полная характеристика каждого в порядке убывания сложности.

    Метод экстраполяции является самым распространенным и наиболее разработанным среди всей совокупности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих - регулярной и случайной:

    Считается, что регулярная составляющая представляет собой гладкую функцию от аргумента (в большинстве случаев - времени), описываемую конечномерным вектором параметров, которые сохраняют свои значения на периоде упреждения прогноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией.

    Случайная составляющая обычно считается некоррелированным случайным процессом с нулевым математическим ожиданием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

    Специфическими  чертами прогнозной экстраполяции  можно назвать методы предварительной  обработки числового ряда с целью  преобразования его к виду, удобному для прогнозирования, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстраполирующей функции, так и на определение границ изменения ее параметров.

    Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя.

    Для выбранного объекта этот метод представляется наиболее оптимальным, так как временной ряд, за который можно взять динамику любого из показателей, соответствует всем условиям для применения экстраполяции. Инструменты, применимые к объекту: продление вперед, экспонециальное сглаживание, скользящее среднее, декомпозиция и другие.

      Рассмотрим  более детально инструменты скользящего среднего и экспоненциального сглаживания. Суть этих инструментов состоит в том, что фактические уровни исследуемого временного ряда заменяются их средними значениями, погашающими случайные колебания. Это позволяет более четко выделить основную тенденцию изменения исследуемого параметра. Эти относительно простые методы прогнозирования временных рядов, основанные на представлении прогноза в виде суммы m предыдущих наблюдаемых значений ( ), причем каждое из них учитывается с определенным весовым коэффициентом

.

      Использование методов скользящего среднего и  экспоненциального сглаживания  основано на следующих допущениях:

• временной ряд является устойчивым в том смысле, что его элементы являются реализациями следующего случайного процесса:

,

где b – неизвестный постоянный параметр,  – случайная ошибка.

• случайная ошибка имеет нулевое математическое ожидание и постоянную дисперсию;
• данные для различных периодов времени не коррелированны.

    Расчет  прогноза и сглаживание временного ряда методом скользящего среднего производится по формуле

    

    При этом предполагается, что все m значений за m моментов времени вносят равный вклад в прогнозируемое значение и учитываются с одинаковым весовым коэффициентом .

      В экспоненциальном  сглаживании весовые коэффициенты предыдущих наблюдаемых значений увеличиваются по мере приближения к последним (по времени) данным. Кроме того, в формировании прогнозируемого значения участвуют все n известных значений

      ( ) временного ряда

      Для расчета прогноза и для сглаживания  временного ряда методом экспоненциального  сглаживания используют формулу (2) в виде

    где  – константа сглаживания. 

  Метод наименьших квадратов основан на выявлении параметров модели, которые минимизируют суммы квадратических отклонений между наблюдаемыми величинами и расчетными. Модель, описывающая тренд, в каждом конкретном случае подбирается в соответствии с рядом статистических критериев. На практике наибольшее распространение получили такие функции, как линейная, квадратическая, экспоненциальная, степенная, показательная.

  Преимущества  метода наименьших квадратов заключаются  в том, что он прост в применении и реализуется на ЭВМ. К недостаткам  метода можно отнести жесткую  фиксацию тренда моделью, небольшой  период упреждения, сложность подбора  уравнения регрессии, который осуществляется с помощью использования типовых  компьютерных программ, например Excel. 

    Экспертный  метод. Существует две категории экспертов - это узкие специалисты и специалисты широкого профиля, обеспечивающие формулирование крупных проблем и построение моделей. Выбор экспертов для прогноза производится на основе их репутации среди определенной категории специалистов. Однако не следует забывать и того обстоятельства, что первоклассный специалист не всегда может достаточно квалифицированно рассмотреть и понять общие, глобальные, вопросы. Для этой цели нужно привлекать экспертов хотя и недостаточно узко информированных, но обладающих способностью к дерзанию и воображению.

    «Эксперт» в дословном переводе с латинского языка означает «опытный». Поэтому и в формализованном, и в неформализованном способах определения эксперта значительное место занимают профессиональный опыт и развитая на его основе интуиция. Условия необходимости и достаточности отнесения специалиста к категории экспертов вводятся следующим образом.

    Важно установить не абсолютную степень надежности экспертной оценки, а степень надежности по сравнению с оценкой среднего специалиста, а также корреляцию между вероятностью его прогнозной оценки и надежностью класса тех гипотез, которыми оперирует эксперт. В общем, нужно определить, что такое эксперт. Перечислим некоторые требования, которым должен удовлетворять эксперт:

    1) оценки эксперта должны быть стабильны во времени и транзитивны;

    2) наличие дополнительной информации  о прогнозируемых признаках лишь  улучшает оценку эксперта;

    3) эксперт должен быть признанным  специалистом в данной области  знаний;

    4) эксперт должен обладать некоторым  опытом успешных прогнозов в данной области знаний.

    Характеризуя  экспертов, следует иметь в виду, что в результате выработки оценок могут иметь место ошибки двух видов. Ошибки первого вида известны в технике измерений как систематические, ошибки второго вида - как случайные. Эксперт, склонный к ошибкам первого вида, выдает значения, которые устойчиво отличаются от истинного в сторону увеличения или уменьшения. Полагают, что ошибки этого вида связаны со складом ума экспертов. Для коррекции систематических ошибок можно применять поправочные коэффициенты или же использовать специально разработанные тренировочные игры. Ошибки второго вида характеризуются величиной дисперсии. Исходя из анализа основных видов ошибок при вынесении экспертных суждений, можно добавить к рассмотренному ранее перечню требований к экспертам еще одно. Смысл его состоит в том, что следует предпочесть эксперта, оценки которого имеют малую дисперсию и систематическое отклонение средней ошибки от нуля, эксперту со средней ошибкой, равной нулю, но с большей дисперсией. К сожалению, априори определить способность человека делать правильные экспертные оценки невозможно. Важным средством подготовки экспертов являются специальные тренировочные игры.

    Организация стимуляции работы эксперта состоит  в разработке:

    - эвристических приемов и способов, облегчающих поиск прогнозной экспертной оценки; правовых норм, гарантирующих эксперту оформление приоритета и авторства, а также неразглашения всех научно-технических идей, выдвигаемых им в процессе экспертизы;

    - форм моральной, профессиональной и материальной заинтересованности эксперта в экспертных оценках; организационных форм работы эксперта (включение в план работы и т. п.).

    Исходя  из полученной в результате анализа  модели объекта прогнозирования, определяются научные и технические направления, по которым необходимо привлечь эксперта, выделяются группы экспертов по принадлежности вопроса к области фундаментальных, прикладных наук или к стыковым научным направлениям. [Баранов В.А. Общие вопросы методологии и научного прогнозирования. Хрестоматия:1992. 230 с.]

    Каждый  из этих видов экспертного оценивания обладает своими преимуществами и недостатками, определяющими рациональную область  применения. Во многих случаях наибольший эффект дает комплексное применение нескольких видов экспертизы.

    Анкетирование и сценарий предполагают индивидуальную работу эксперта. Для экспертного оценивания развития малого бизнеса они наиболее рациональны.

    Интервьюирование  может осуществляться как индивидуально, так и с группой экспертов. Остальные виды экспертизы предполагают коллективное участие экспертов, в  работе. Независимо от индивидуального  или группового участия экспертов в работе целесообразно получать информацию от множества экспертов. Это позволяет получить на основе обработки данных более достоверные результаты, а также новую информацию о зависимости явлений, событий, фактов, суждений экспертов, не содержащуюся в явном виде в высказываниях экспертов.

    Экономико – математическое моделирование.

    Кратко  рассмотрим несколько предлагаемых нами новых типов экономико-математических моделей, описывающих развитие малых  предприятий и их совокупностей (популяций) в течение их жизненного цикла.

1. Моделирование потока проектов, выполняемых малыми организациями

          При построении математических моделей данного типа будем считать, что малое предприятие ассоциируется  с последовательностью выполняемых  им проектов. Новые малые предприятия  порождаются в соответствии с  пуассоновским процессом переменной интенсивности (аналогично потоку заявок в теории массового обслуживания [18]). Каждое новое малое предприятие  выполняет вначале один проект, величина (стоимость) и продолжительность  которого - случайные величины с  заданными (в модели) распределениями.