1. Основные методы прогнозирования
2. Методы социального прогнозирования
3. Методы финансового прогнозирования
4. Методы экономического прогнозирования
5. Статистические методы прогнозирования
6. Экспертные методы прогнозирования
7. Методы прогнозирования рынка
8. Методы прогнозирования банкротства
9. Математические методы прогнозирования
10. Методы прогнозирования спроса
11. Классификация методов прогнозирования
12. Количественные методы прогнозирования
13. Методы прогнозирования управленческих решений
14. Методы прогнозирования продаж
15. Методы научного прогнозирования
16. Методы прогнозирования финансовых показателей
17. Качественные методы прогнозирования
18. Методы прогнозирования пример
19. Методы прогнозирования данных
20. Методы политического прогнозирования
21. Нормативный метод прогнозирования
22. Методы криминологического прогнозирования
23. Интуитивные методы прогнозирования
24. Методы прогнозирования временных рядов
25. Выбор метода прогнозирования
26. Формализованные методы прогнозирования
27. Методы бюджетного прогнозирования

Основные методы прогнозирования

Прогнозирование – это предсказание будущего на основании накопленного опыта и текущих предположений относительно него.

Прогнозирование представляет собой сложный процесс, по ходу которого необходимо решать большое количество различных вопросов. Для его производства следует применять в сочетании различные методы прогнозирования, которых на сегодняшний день существует огромное множество, но на практике используются всего 15 – 20. На наиболее популярных из них мы и остановимся.

Метод экспертных оценок. Суть данного метода заключается в том, что в основе прогноза лежит мнение одного специалиста или группы специалистов, которое основано на профессиональном, практическом и научном опыте. Различают коллективные и индивидуальные экспертные оценки, часто используется при оценке персонала.

Метод экстраполяции. Основная идея экстраполяции – изучение сложившихся как в прошлом, так и настоящем стойких тенденций развития предприятия и перенос их на будущее. Различают прогнозную и формальную экстраполяцию. Формальная – основывается на предположении о том, что в будущем сохранятся прошлые и настоящие тенденции развития предприятия; при прогнозной – настоящее развитие увязывают с гипотезами о динамике предприятия с учетом того, что в будущем изменится влияние на него различных факторов. Следует знать, что методы экстраполяции лучше применять на начальной стадии прогнозирования, чтобы выявить тенденции изменения показателей.

Методы моделирования. Моделирование – это конструирование модели на основании предварительного изучения объекта и процессов, выделение его существенных признаков и характеристик. Прогнозирование с использованием моделей включает в себя ее разработку, экспериментальный анализ, сопоставление результатов предварительных прогнозных расчетов с фактическими данными состояния процесса или объекта, уточнение и корректировку модели.

Метод экономического прогнозирования (экономический анализ) заключается в том, что какой либо экономический процесс или явление, имеющие место на предприятии, расчленяются на части, после чего выявляется влияние и взаимосвязь этих частей на ход и развитие процесса, а также друг на друга. При помощи анализа можно раскрыть сущность такого процесса, а также определить закономерности его изменения в будущем, всесторонне оценить пути достижения поставленных целей. Поскольку экономический анализ – это необъемлемая часть и один из элементов логики прогнозирования, он должен осуществляться на макро-, мезо- и микроуровнях. Используется при планировании производства на предприятии.

Процесс экономического анализа можно подразделить на несколько стадий:

• постановка проблемы, определение критериев оценки и целей;
• подготовка необходимой для анализа информации;
• аналитическая обработка информации после ее изучения;
• разработка рекомендаций о возможных путях достижения целей;
• оформление результатов.

Балансовый метод. Данный метод основан на разработке балансов, которые представляют собой систему показателей, где первая часть, характеризующая ресурсы по источникам их поступления, равна второй, отражающей распределение их по всем направлениям расхода.

При помощи балансового метода воплощается в жизнь принцип пропорциональности и сбалансированности, который применяется при разработке прогнозов. Его суть заключается в увязке потребностей предприятия в различных видах сырьевых, материальных, финансовых и трудовых ресурсах с возможностями производства продукта и источниками ресурсов. Таким образом, система балансов, которую используют в прогнозировании, включает: финансовые, материальные и трудовые балансы. В каждую из данных групп входит еще ряд балансов.

Нормативный метод – один из основных методов прогнозирования. В настоящее время ему стало придаваться большое значение. Его сущность заключается в технико-экономических обоснованиях прогнозов с использованием нормативов и норм. Последние применяются при расчете потребности в ресурсах, а также показателей их использования.

Программно-целевой метод (ПЦМ). В сравнении с другими методами данный метод является сравнительно новым и недостаточно разработанным. Он начал широко применяться только в последние годы. ПЦМ тесно связан с уже рассмотренными методами и предполагает разработку прогноза начиная с оценки итоговых потребностей на основании целей развития предприятия при дальнейшем определении и поиске эффективных средств и путей их достижения, а также ресурсного обеспечения.

Суть ПМЦ заключается определении основных целей развития предприятия, разработки взаимосвязанных мероприятий по их достижению в заранее определенные сроки при сбалансированном обеспечении ресурсами, а также с учетом эффективного их использования.

Кроме прогнозирования, ПМЦ применяется при создании комплексных целевых программ, которые представляют собой документ, где отражены цель и комплекс производственных, организационно-хозяйственных, социальных и других мероприятий и заданий, увязанных по исполнителям, срокам осуществления и ресурсам.

Методы социального прогнозирования

Социальное прогнозирование как исследование с широким охватом объектов анализа опирается на множество методов. При классификации методов прогнозирования выделяются основные их признаки, позволяющие их структурировать по: степени формализации; принципу действия; способу получения информации.

Степень формализации в методах прогнозирования в зависимости от объекта исследования может быть различной; способы получения прогнозной информации многозначны, к ним следует отнести: методы ассоциативного моделирования, морфологический анализ, вероятностное моделирование, анкетирование, метод интервью, методы коллективной генерации идей, методы историко-логического анализа, написания сценариев и т.д. Наиболее распространенными методами социального прогнозирования являются методы экстраполяции, моделирования и экспертизы.

Экстраполяция означает распространение выводов, касающихся одной части какого-либо явления, на другую часть, на явление в целом, на будущее. Экстраполяция основывается на гипотезе о том, что ранее выявленные закономерности будут действовать в прогнозном периоде. Например, вывод об уровне развития какой-либо социальной группы можно сделать по наблюдениям за ее отдельными представителями, а о перспективах культуры – по тенденциям прошлого.

Экстраполяционный метод отличается многообразием – насчитывает не менее пяти различных вариантов. Статистическая экстраполяция – проекция роста населения по данным прошлого – это один из важнейших методов современного социального прогнозирования.

Моделирование – это метод исследования объектов познания на их аналогах – вещественных или мысленных.

Аналогом объекта может быть, например, его макет, чертеж, схема и т.д. В социальной сфере чаще используются мысленные модели. Работа с моделями позволяет перенести экспериментирование с реального социального объекта на его мысленно сконструированный дубликат и избежать риска неудачного, тем более опасного для людей управленческого решения. Главная особенность мысленной модели и состоит в том, что она может быть подвержена каким угодно испытаниям, которые практически состоят в том, что меняются параметры ее самой и среды, в которой она (как аналог реального объекта) существует. В этом огромное достоинство модели. Она может выступить и как образец, своего рода идеальный тип, приближение к которому может быть желательно для создателей проекта.

Самый практикуемый метод прогнозирования – экспертная оценка. По мнению Е.И.Холостовой, «экспертиза есть исследование трудноформализуемой задачи, которое осуществляется путем формирования мнения (подготовки заключения) специалиста, способного восполнить недостаток или несистемность информации по исследуемому вопросу своими знаниями, интуицией, опытом решения сходных задач и опорой на «здравый смысл».

Существуют такие сферы социальной жизни, в которых невозможно использовать другие методы прогнозирования, кроме экспертных. Прежде всего, это касается тех сфер, где отсутствует необходимая и достаточная информация о прошлом.

При экспертной оценке состояния либо отдельной социальной сферы, либо ее составляющего элемента, либо ее компонентов учитывается ряд обязательных положений, методических требований.

Прежде всего – оценка исходной ситуации:

- факторы, предопределяющие неудовлетворительное состояние;
- направления, тенденции, наиболее характерные для данного состояния ситуации;
- особенности, специфика развития наиболее важных составных;
- наиболее характерные формы работы, средства, с помощью которых осуществляется деятельность.

Второй блок вопросов включает в себя анализ деятельности тех организаций и служб, которые осуществляют эту деятельность. Оценка их деятельности идет по выявлению тенденций в их развитии, их рейтинга в общественном мнении.

Экспертную оценку проводят специальные центры экспертизы, научные информационно-аналитические центры, лаборатории экспертов, экспертные группы и отдельные эксперты.

Методика экспертной работы включает в себя ряд этапов:

- определяется круг экспертов;
- выявляются проблемы;
- намечается план и время действий;
- разрабатываются критерии для экспертных оценок;
- обозначаются формы и способы, в которых будут выражены результаты экспертизы (аналитическая записка, «круглый стол», конференция, публикации, выступления экспертов).

Итак, социальное прогнозирование опирается на различные методы исследования, основными из которых являются экстраполяция, моделирование и экспертиза.

Методы финансового прогнозирования

Финансовое прогнозирование по методу бюджетирования

Процесс бюджетирования является составной частью финансового планирования - процесса определения будущих действий по формированию и использованию финансовых ресурсов.

Бюджетирование - процесс построения и исполнения бюджета предприятия на основе бюджетов отдельных подразделений.

Бюджет - детализированный план деятельности предприятия на ближайший период, который охватывает доход от продаж, производственные и финансовые расходы, движение денежных средств, формирование прибыли предприятия.

Бюджеты подразделяются на два основных вида:

- операционный бюджет, отражающий текущую (производственную) деятельность предприятия;
- финансовый бюджет, представляющий собой прогноз финансовой отчетности.

План прибылей и убытков - основной документ операционного бюджета. Содержит данные о величине и структуре выручки от продаж, себестоимости реализованной продукции и конечных финансовых результатах.

Финансовый бюджет составляется с учетом информации, содержащейся в бюджете о прибылях и убытках.

Одним из основных этапов бюджетирования является прогнозирование движения денежных средств.

Бюджет движения денежных средств - это план денежных поступлений и платежей. При расчете бюджета движения денежных средств принципиально важно определить время поступлений и платежей, а не время исполнения хозяйственных операций.

Значение общего бюджета для предприятия раскрывается через следующие его функции:

- планирование операций, обеспечивающих достижение целей предприятия;
- координация различных видов деятельности и отдельных подразделений. Согласование интересов отдельных работников и групп в целом по предприятию;
- стимулирование руководителей всех рангов на достижение целей своих центров ответственности;
- контроль текущей деятельности, обеспечение плановой дисциплины;
- основа для оценки выполнения плана центрами ответственности и их руководителей;
- средство обучения менеджеров.

В отличие от формализованных отчетах о прибылях и убытках или бухгалтерского баланса, бюджет не имеет стандартизированной формы, которая должна строго соблюдаться. Бюджет может иметь бесконечное количество видов и форм. Форма и структура бюджета зависят от многих факторов: масштаба деятельности предприятия; достаточности и доступности исходной информации; состояния нормативной базы предприятия; от квалификации и опыта разработчика.

Финансовое прогнозирование по методу « процента от продаж

Существует два основных метода финансового прогнозирования. Один из них - метод бюджетирования - представлен в разделе 3 методических указаний. Напомним, что он основан на концепции денежных потоков и его аналогом служит расчет финансовой части бизнес-плана.

Второй метод называется метод «процента от продаж» (первая модификация) или метод «формулы» (вторая модификация). Его преимущества - простота и лаконичность. Применяется для ориентировочных расчетов потребности во внешнем финансировании.

Факторы, оказывающие влияние на величину потребности в дополнительном финансировании:

- планируемый темп роста объема реализации;
- исходный уровень использования основных средств;
- капиталоемкость (ресурсоемкость) продукции;
- рентабельность продукции;
- дивидендная политика.

Метод «процента от продаж» - метод пропорциональной зависимости показателей деятельности предприятия от объема реализации.

Все вычисления по методу «процента от продаж» (методу «формулы») делаются на основе следующих предположений:

1. Переменные затраты, текущие активы и текущие обязательства при наращивании объема продаж на определенное количество процентов увеличиваются, в среднем, на столько же процентов. Это означает, что и текущие активы, и текущие пассивы будут составлять в плановом периоде прежний процент от выручки;
2. Процент увеличения стоимости основных средств рассчитывается под заданный процент наращивания оборота в соответствие с:
а) технологическими условиями бизнеса;
б) учетом наличия недогруженных основных средств на начало периода прогнозирования;
в) в соответствие со степенью материального и морального износа наличных основных средств и т.п.;
3. Долгосрочные обязательства и акционерный капитал берутся в прогноз неизменными;
4. Нераспределенная прибыль прогнозируется с учетом нормы распределения чистой прибыли на дивиденды и чистой рентабельности реализованной продукции.

Для прогнозирования нераспределенной прибыли к нераспределенной прибыли базового периода прибавляют прогнозируемую чистую прибыль и вычитают дивиденды.

Методы экономического прогнозирования

Особое место в классификации методов экономического прогнозирования занимают так называемые комбинированные методы, которые объединяют различные другие методы. Например, коллективные экспертные оценки и методы моделирования или статистические и опрос экспертов.

В качестве информации используется фактографическая и экспертная информация.

При классификации методов прогнозирования необходимо иметь в виду, что содержательная систематизация методов прогнозирования должна определяться самим объектом прогнозирования, экономическими процессами развития и их закономерностями.

С точки зрения оценки возможных результатов и путей прогнозного научно-технического развития прогнозы можно классифицировать по трем этапам: исследовательскому, программному и организационному.

Задачей исследовательского прогноза является определение возможных результатов будущего развития и выбор из множества возможных вариантов одного или нескольких положительных результатов. Так, например, развитие средств вычислительной техники можно отразить в росте их быстродействия, увеличении объема памяти и диапазона логических возможностей.

Основная цель этого этапа состоит в раскрытии широкой гаммы принципиально возможных перспектив в виде одной или ряда научно-технических проблем, подлежащих решению в течение прогнозируемого периода.

Программный аспект прогноза заключается в определении возможных путей достижения желаемых и необходимых результатов; ожидаемого по времени реализации каждого из возможных варианта и степени достоверности в успешном достижении некоторого результата по тому или иному варианту.

Организационная сторона прогноза включает в себя комплекс организационно-технических мероприятий, обеспечивающих достижение определенного результата по тому или иному варианту. В организационном аспекте исходят из представления о наличных экономических ресурсах и накопленном научном потенциале. Здесь должна быть сформулирована обоснованная гипотеза развития комплекса организационных параметров науки, дана вероятностная оценка рекомендуемой схеме распределения ресурсов и перспективам роста научного потенциала на прогнозируемый период.

Рассмотренные этапы научно-технического развития, как правило, выступают комплексно и находятся во взаимосвязи.

Статистические методы прогнозирования

Статистические методы прогнозирования охватывают разработку, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных (в том числе непараметрических методов наименьших квадратов с оцениванием точности прогноза, адаптивных методов, методов авторегрессии и других); развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования, в том числе методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; разработку, изучение и применение методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей. Научная база статистических методов прогнозирования — прикладная статистика и теория принятия решений. Простейшие методы восстановления используемых для прогнозирования зависимостей исходят из заданного временного ряда, то есть функции, определенной в конечном числе точек на оси времени. При этом временной ряд часто рассматривается в рамках той или иной вероятностной модели, вводятся другие факторы (независимые переменные) помимо времени, напр., объем денежной массы. Временной ряд может быть многомерным. Основные решаемые задачи — интерполяция и экстраполяция.

Метод наименьших квадратов в простейшем случае (линейная функция от одного фактора) был разработан К. Гауссом в 1794—1795 гг. Могут оказаться полезными предварительные преобразования переменных, например, логарифмирование. Наиболее часто используется метод наименьших квадратов при нескольких факторах.

Метод наименьших модулей, сплайны и другие методы экстраполяции применяются реже, хотя их статистические свойства зачастую лучше. Накоплен опыт прогнозирования индекса инфляции и стоимости потребительской корзины. Оказалось полезным преобразование (логарифмирование) переменной — текущего индекса инфляции. Оценивание точности прогноза (в частности, с помощью доверительных интервалов) — необходимая часть процедуры прогнозирования. Обычно используют вероятностно-статистические модели восстановления зависимости, напр., строят наилучший прогноз по методу максимального правдоподобия. Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной Предельной Теоремы теории вероятностей). Так, предложены непараметрические методы доверительного оценивания точки наложения (встречи) двух временных рядов для оценки динамики технического уровня собственной продукции и продукции конкурентов, представленной на мировом рынке. Применяются также эвристические приемы, не основанные на вероятностно статистической теории: метод скользящих средних, метод экспоненциального сглаживания.

Многомерная регрессия, в том числе с использованием непараметрических оценок плотности распределения, — основной на настоящий момент статистический аппарат прогнозирования. Подчеркнем, что нереалистическое предположение о нормальности погрешностей измерений и отклонений от линии (поверхности) регрессии использовать не обязательно. Однако для отказа от предположения нормальности необходимо опереться на иной математический аппарат, основанный на многомерной Центральной Предельной Теореме теории вероятностей, технологии линеаризации и наследования сходимости. Он позволяет проводить точечное и интервальное оценивание параметров, проверять значимость их отличия от ноля в непараметрической постановке, строить доверительные границы для прогноза. Весьма важна проблема проверки адекватности модели, а также проблема отбора факторов. Априорный список факторов, оказывающих влияние на отклик, обычно весьма обширен. Его желательно сократить, и отдельное направление современных исследований посвящено методам отбора «информативного множества признаков». Однако эта проблема пока еще окончательно нерешена. Проявляются необычные эффекты. Так, установлено, что обычно используемые оценки степени полинома имеют в асимптотике геометрическое распределение. Перспективны непараметрические методы оценивания плотности вероятности и их применение для восстановления регрессионной зависимости произвольного вида. Наиболее общие результаты в этой области получены с помощью подходов статистики нечисловых данных. К современным статистическим методам прогнозирования относятся также модели авторегрессии, модель Бокса Дженкинса, системы эконометрических уравнений, основанные как на параметрических, так и на непараметрических подходах. Для установления возможности применения асимптотических результатов при конечных (т.н. «малых») объемах выборок полезны компьютерные статистические технологии. Они позволяют также строить различные имитационные модели. Отметим полезность методов размножения данных (бутстрепметодов). Системы прогнозирования с интенсивным использованием компьютеров объединяют различные методы прогнозирования в рамках единого автоматизированного рабочего места прогнозиста.

Прогнозирование на основе данных, имеющих нечисловую природу, например, прогнозирование качественных признаков основано на результатах статистики нечисловых данных. Весьма перспективными для прогнозирования представляются регрессионный анализ на основе интервальных данных, включающий, в частности, определение и расчет рационального объема выборки, а также регрессионный анализ нечетких данных. Общая постановка регрессионного анализа в рамках статистики нечисловых данных и ее частные случаи — дисперсионный анализ и дискриминантный анализ (распознавание образов с учителем), — давая единый подход к формально различным методам, полезны при программной реализации современных статистических методах прогнозирования. Основные процедуры обработки прогностических экспертных оценок — проверка согласованности, кластер анализ и нахождение группового мнения.

Проверка согласованности мнений экспертов, выраженных ранжировками, проводится с помощью коэффициентов ранговой корреляции Кендалла и Спирмена, коэффициента ранговой конкордации Кендалла и Смита. Используются параметрические модели парных сравнений — Терстоуна, БредлиТерриЛьюса — и непараметрические модели теории люсианов. Полезна процедура согласования ранжировок и классификаций путем построения согласующих бинарных отношений. При отсутствии согласованности разбиение мнений экспертов на группы сходных между собой проводят методом ближайшего соседа или другими методами кластерного анализа (автоматического построения классификаций, распознавания образов без учителя). Классификация люсианов осуществляется на основе вероятностно-статистической модели. Используют также различные методы построения итогового мнения комиссии экспертов. Своей простотой выделяются методы средних арифметических и медиан рангов. Компьютерное моделирование позволило установить ряд свойств медианы Кемени, часто рекомендуемой для использования в качестве итогового (обобщенного, среднего) мнения комиссии экспертов в случае, когда их оценки даны в виде ранжировки.

Интерпретация закона больших чисел для нечисловых данных в терминах теории экспертного опроса такова: итоговое мнение устойчиво, т.е. мало меняется при изменении состава экспертной комиссии, и при росте числа экспертов приближается к «истине». При этом предполагается, что ответы экспертов можно рассматривать как результаты измерений с ошибками, все они — независимые одинаково распределенные случайные элементы, вероятность принятия определенного значения убывает по мере удаления от некоторого центра — «истины», а общее количество экспертов достаточно велико. В конкретных задачах прогнозирования необходимо провести классификацию рисков, поставить задачу оценивания конкретного риска, провести структуризацию риска, в частности, построить деревья причин (в другой терминологии, деревья отказов) и деревья последствий (деревья событий).

Центральной задачей является построение групповых и обобщенных показателей, например, показателей конкурентоспособности и качества. Риски необходимо учитывать при прогнозировании экономических последствий принимаемых решений, поведения потребителей и конкурентного окружения, внешнеэкономических условий и макроэкономического развития России, экологического состояния окружающей среды, безопасности технологий, экологической опасности промышленных и иных объектов. Современные компьютерные технологии прогнозирования основаны на интерактивных Статистические методы прогнозирования и использовании баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, математико-статистические и моделирующие блоки.

Экспертные методы прогнозирования

Эксперт – квалифицированный специалист, привлекаемый для формирования оценок относительно объекта прогнозирования. Экспертная группа – коллектив экспертов, сформированный по определенным правилам. Суждение эксперта или экспертной группы относительно поставленной задачи прогноза называется экспертной оценкой; в первом случае используется термин «индивидуальная экспертная (прогнозная) оценка», а во втором – «коллективная экспертная (прогнозная) оценка». Способность эксперта создавать на базе профессиональных знаний, интуиции и опыта достоверные оценки относительно объекта прогнозирования характеризует его компетентность. Последняя имеет количественную меру, называемую коэффициентом компетентности. То же справедливо и в отношении экспертной группы: компетентность экспертной группы – это ее способность создавать достоверные оценки относительно объекта прогнозирования, адекватные мнению генеральной совокупности экспертов; количественная мера компетентности экспертной группы определяется на основе обобщения коэффициентов компетентности отдельных экспертов, входящих в группу.

Экспертный метод прогнозирования – метод прогнозирования, базирующийся на экспертной информации. В теоретическом аспекте правомерность использования экспертного метода подтверждается тем, что методологически правильно полученные экспертные суждения удовлетворяют двум общепринятым в науке критериям достоверности любого нового знания: точности и воспроизводимости результата. В таблице даны наименования и краткие характеристики основных экспертных методов, используемых при разработке социально-экономических прогнозов.

Экспертные методы прогнозирования

№ п/п

Метод

Краткая характеристика метода

1.

Дельфийский

Выявление согласованной оценки экспертной группы путем независимого анонимного опроса экспертов в несколько туров, предусматривающего сообщение экспертам результатов предыдущего тура

2.

Индивидуальной экспертной оценки

Использование в качестве источника информации оценки одного эксперта

3.

Интервью

Метод индивидуальной экспертной оценки, основанный на беседе прогнозиста с экспертом по схеме «вопрос-ответ»

4.

Коллективной генерации идей

Основан на стимулировании творческой деятельности экспертов путем совместного обсуждения конкретной проблемы, регламентированного определенными правилами:
1) запрещением оценки выдвигаемых идей; 2) ограничением времени одного выступления с допущением многократных выступлений одного участника;
3) приоритетом выступления эксперта, развивающего предыдущую идею;
4) оценкой выдвинутых идей на последующих этапах;
5) фиксацией всех выдвинутых идей.
На основе метода коллективной генерации идей разработаны методы управляемой генерации идей деструктивной отнесенной оценки, стимулированного наблюдения и др.

5.

Коллективной экспертной оценки

Выявление обобщенной оценки экспертной группы путем обработки индивидуальных независимых оценок, вынесенных экспертами, входящими в группу

6.

Матричный

Матричная интерпретация экспертных оценок связей отдельных аспектов

7.

Морфологической матрицы

Матричный метод прогнозирования, использующий морфологический метод

8.

Морфолигический

Выявление структуры объекта прогнозирования и оценка возможных значений ее элементов с последующим перебором и оценкой вариантов сочетаний этих значений

9.

Построения прогнозного сценария

Установление последовательностей состояний объекта прогнозирования при различных прогнозах фона

10.

Эвристического прогнозирования

Построение и последующее усечение дерева поиска экспертной оценки с использованием эвристических приемов и логического анализа прогнозной модели

11.

Экспертных комиссий

Объединение в единый документ разработанных соответствующими экспертными группами оценок прогнозов по отдельным аспектам объекта


Описание некоторых наиболее распространенных экспертных методов прогнозирования

Методы коллективной экспертизы предполагают получение обобщенного мнения в ходе совместного обсуждения поставленной проблемы группой экспертов, находящихся в непосредственном контакте.

К этим методам можно отнести:

1. совещание – метод открытого обсуждения («метод комиссий»);
2. метод «мозговой атаки»;
3. метод «суда»;
4. метод Дельфи.

Метод комиссий предполагает проведение общей дискуссии с целью выработки единого мнения по обсуждаемому кругу вопросов. Типичным примером использования этого метода являются регулярно проводимые конъюнктурные совещания по основным товарным рынкам. Рассматриваемая проблема должна быть сформулирована четко и лаконично. Использование метода комиссий позволяет в ряде случаев выработать коллективное мнение по рассматриваемой проблеме, избежать предубеждения и субъективизма отдельных экспертов. Однако «метод комиссий» имеет существенные недостатки, поскольку здесь большую роль играют такие психологические факторы, как мнения авторитетов, к которым обычно присоединяются остальные участвующие в обсуждении лица, не высказывая своей собственной точки зрения. Часто подобные обсуждения сводятся к спору двух-трех «сильных» личностей, в результате чего мнения других присутствующих остаются в тени. Отрицательное значение в некоторых случаях может иметь также нежелание эксперта отказаться от публично высказанного ранее мнения, его консерватизм, выражающийся в следовании за оценками большинства.

Одной из попыток преодоления недостатков метода комиссий является метод «мозговой атаки» (который также называют мозговым штурмом, методом коллективной генерации идей и методом группового рассмотрения с отнесенной оценкой). Принципиальной особенностью этого метода является абсолютное исключение в ходе решения проблемы критики и какой-либо оценки высказываемых идей. Сущность метода мозговой атаки заключается в разделении решения двух задач: генерирования новых идей, а также анализа и оценки предложенных идей. Соответственно образуются две разные группы: группа генераторов идей и группа аналитиков. Группа генераторов идей состоит из 5–15 человек, но может быть и больше. Члены этой группы не обязательно должны быть специалистами по обсуждаемой проблеме, но должны понимать поставленную задачу. Более того, для исключения предвзятости и профессиональной узости круг специалистов должен быть как можно шире. Никто не должен стесняться. Члены группы не должны быть лично или коллективно заинтересованы в определенном варианте решения проблемы.

Проведение заседаний по методу мозговой атаки основывается на гипотезе, что среди большого числа выдвигаемых идей есть, по меньшей мере, несколько ценных. В соответствии с этим правила проведения подобных заседаний формулируются следующим образом. Необходимо концентрировать внимание участников на одной, четко сформулированной проблеме, но при этом важно подхватывать любую идею, даже если ее практическая ценность в данный момент окажется сомнительной; не объявлять ложной и не прекращать исследования ни одной идеи, не стараться априори оценить значение любой из них. Такие условия оказывают поддержку участникам обсуждения, их поощрение, освобождая их от скованности. Ситуация «мозговой атаки» способствует развитию творческого мышления участников экспертизы и появлению новых идей.

«Мозговой атакой» руководит ведущий, основной задачей которого является всякое поощрение свободного творчества, свободного высказывания идей и абсолютное недопущение критики, вплоть до удаления критикующих с заседания. Сеанс начинается со вступительного слова ведущего, объясняющего проблему и необходимость ее решения, а также напоминающего правила заседания, которые целесообразно написать на плакате, вывешенном для всеобщего обозрения. Затем ведущий предлагает начать выдвигать идеи или выдвигает для начала сам одну - две идеи. Ведущий должен стимулировать поток идей, выполнять роль «затравщика», если таковых не окажется среди членов группы. Он должен быть совершенно беспристрастен, ни при каких обстоятельствах не проявлять свою особую осведомленность в рассматриваемом вопросе и не подчинять группы своей воле, не навязывать определенное направление мышления. В то же время ведущий должен следить, чтобы не была забыта основная идея – решение определенной проблемы и заседание не превратилось бы в соревнование в остроумии, в нагромождение нелепостей. При этом заседание должно проходить живо, «с огоньком». Сеанс продолжается от 15–20 до 40–45 минут без перерывов и заканчивается, как правило, естественно, когда поток предложений иссякает. Время выступления должно быть не более одной - двух минут. Выступать можно несколько раз, но лучше не подряд. Если количество участников сеанса слишком велико, то ведущий может разделить их на две группы, работающие отдельно, назначив еще одного ведущего.

Метод «мозговой атаки» в настоящее время используется в качестве вспомогательного приема при анализе и принятии решений. Это объясняется, прежде всего, трудностями, встающими перед исследователями при организации подобного рода экспертизы. В частности, важнейшим моментом успешного проведения заседаний по методу мозговой атаки является наличие руководителя, который должен следить за соблюдением всех вышеизложенных правил и всячески поощрять дискуссию. Выбор такого лица часто бывает чрезвычайно трудным.

Метод суда основан на том, что организация работы коллектива экспертов осуществляется в соответствии с правилами ведения судебного процесса. Его использование особенно полезно при наличии нескольких подгрупп экспертов, каждая из которых отстаивает свою точку зрения. «Подсудимым» является анализируемая проблема. Группа заинтересованных в ее правильном решении лиц выполняет роли судьи и заседателей. Лидеры, высказывающие альтернативные точки зрения групп экспертов, находятся на месте «прокурора» и «защиты». Роль «свидетелей» выполняют различные факты, литературные источники, результаты экспериментов и, в конце концов, эксперты соответствующих «враждующих» групп. «Защита» отстаивает свою идею, «прокурор» ее «обвиняет» – критикует. Затем соответствующие стороны могут поменяться местами. «Суд» ведет обсуждение и выносит окончательное решение.

Метод Дельфи получил свое название от греческого города Дельфи и мудрецов, славившихся в древности предсказаниями будущего. Впервые этот метод, разработанный в американской исследовательской организации «РЭНД Корпорейшен» О. Хелмером, Н. Долки и Т. Гордоном, использовался для целей военного научно-технического прогнозирования будущего. Метод Дельфи представляет собой ряд последовательно проводимых процедур, направленных на формирование группового мнения.

Для этого метода характерны:

1. анонимность индивидуальных опросов, достигаемая за счет специальных анкет;
2. регулируемая (организатором экспертизы) обратная связь, осуществляемая за счет проведения нескольких туров опроса;
3. групповой отчет, получаемый с помощью статистических методов.

Анонимность опроса ослабляет влияние других экспертов на ответы данного эксперта. Проведение опросов в несколько туров, в течение которых экспертов знакомят с результатами предыдущих этапов опроса, с анонимными ответами других экспертов (что может привести к изменению взгляда данного эксперта), позволяет уменьшить разброс в индивидуальных ответах и сблизить точки зрения экспертов.

В основе метода Дельфи лежат следующие предпосылки:

1. поставленные в анкете вопросы должны допускать выражение ответа в виде числа;
2. эксперты должны располагать достаточной информацией для того, чтобы дать оценку;
3. ответ на каждый вопрос (оценка) должен быть обоснован экспертом.

Работа экспертов по методу Дельфи строится по следующему алгоритму:

1. формулировка задачи;
2. выявление мнения каждого эксперта;
3. выявление преобладающего мнения;
4. выявление крайних суждении;
5. формулирование принципиальных расхождении между экспертами;
6. исследование причин расхождения во мнениях;
7. доведение до всех экспертов, участвующих в экспертизе, результатов, выданных каждым экспертом, и результатов обработки мнений;
8. анализ каждым экспертом указанных выше результатов и переоценка своего первоначального мнения (или сохранение его в силе);
9. выявление преобладающего мнения.

Обычно бывает достаточно двух-четырех раундов, чтобы выработалось общее мнение, которое можно считать достоверным.

Методы прогнозирования рынка

Определение положения организации на рынке и, как следствие, оценка экономической эффективности ее функционирования, осуществляются посредством обоснования возможных объемов реализации продукции организации. Формирование прогнозных оценок объема продаж продукции конкретным предприятием связано с выявлением и анализом двух основных групп факторов: факторов, определяющих величину и динамику емкости рынка определенной группы товаров или услуг, на котором обращается продукция предприятия, и факторов, определяющих долю рынка, занимаемую продукцией с определенным уровнем конкурентоспособности в рамках одной группы товаров или услуг.

Прогнозирование емкости рынка заключается в обосновании посредством различных методов совокупных объемов потребления конкретной группы товаров или услуг в определенном временном периоде.

В экономической литературе представлено три основных подхода к прогнозированию емкости рынка, каждый из которых реализуется посредством определенных методов прогнозных расчетов. Общая классификация подходов и соответствующих им методов прогнозирования емкости рынка представлена в таблице.

Подходы и методы прогнозирования емкости рынка

Подходы к прогнозированию емкости рынка

методы прогнозирования емкости рынка в рамках соответствующего подхода

1. Эвристический подход

1.1. Методы средней оценки по индивидуальным оценкам экспертов

1.2. Метод оптимистических, пессимистических и вероятностных мнений экспертов

1.3. Метод комиссии

1.4. Метод Дельфи

1.5. Метод сводного индекса готовности приобретения продукции целевыми потребителями

2.  Экономико - математический подход

2.1. Трендовые модели

2.2. Через кривые жизненного цикла

2.3. Факторные модели:

2.3.1. Однофакторные модели:
- через коэффициенты эластичности
- через кривые Энгеля и Торнквиста

2.3.2. Многофакторные модели

3. Нормативный подход

3.1. Метод нормативных бюджетов потребления:

3.1.1. Метод прожиточного минимума

3.1.2. Метод бюджета достатка

3.1.3. Метод рационального бюджета

Методы прогнозирования банкротства

Предсказание банкротства как самостоятельная проблема возникла в передовых капиталистических странах (и в первую очередь, в США) сразу после окончания второй мировой войны. Этому способствовал рост числа банкротств в связи с резким сокращением военных заказов, неравномерность развития фирм, процветание одних и разорение других. Естественно, возникла проблема возможности априорного определения условий, ведущих фирму к банкротству.

Вначале этот вопрос решался на эмпирическом, чисто качественном уровне и, естественно, приводил к существенным ошибкам. Первые серьезные попытки разработать эффективную методику прогнозирования банкротства относятся к 60-м гг. и связаны с развитием компьютерной техники.

Известны два основных подхода к предсказанию банкротства:

Первый базируется на финансовых данных и включает оперирование некоторыми коэффициентами: приобретающим все большую известность Z-коэффициентом Альтмана (США), коэффициентом Таффлера, (Великобритания), и другими, а также умение "читать баланс".

Второй исходит из данных по обанкротившимся компаниям и сравнивает их с соответствующими данными исследуемой компании.

Первый подход, бесспорно эффективный при прогнозировании банкротства, имеет три существенных недостатка. Во-первых, компании, испытывающие трудности, всячески задерживают публикацию своих отчетов, и, таким образом, конкретные данные могут годами оставаться недоступными. Во-вторых, даже если данные и сообщаются, они могут оказаться "творчески обработанными". Для компаний в подобных обстоятельствах характерно стремление обелить свою деятельность, иногда доводящее до фальсификации. Требуется особое умение, присущее даже не всем опытным исследователям, чтобы выделить массивы подправленных данных и оценить степень завуалированности. Третья трудность заключается в том, что некоторые соотношения, выведенные по данным деятельности компании, могут свидетельствовать о неплатежеспособности в то время как другие – давать основания для заключения о стабильности или даже некотором улучшении. В таких условиях трудно судить о реальном состоянии дел.

Второй подход основан на сравнении признаков уже обанкротившихся компаний с таковыми же признаками "подозрительной" компании. За последние 50 лет опубликовано множество списков обанкротившихся компаний. Некоторые из них содержат их описание по десяткам показателей. К сожалению, большинство списков не упорядочивают эти данные по степени важности и ни в одном не проявлена забота о последовательности. Попыткой компенсировать эти недостатки является метод балльной оценки (А-счет Аргенти).

В отличие от описанных "количественных" подходов к предсказанию банкротства в качестве самостоятельного можно выделить "качественный" подход, основанный на изучении отдельных характеристик, присущих бизнесу, развивающемуся по направлению к банкротству. Если для исследуемого предприятия характерно наличие таких характеристик, можно дать экспертное заключение о неблагоприятных тенденциях развития.

Прежде чем переходить непосредственно к описанию методик, реализующих эти подходы, необходимо четко уяснить, что именно мы собираемся предсказывать. Общепринятым является мнение, что банкротство и кризис на предприятии – понятия синонимичные; банкротство, собственно, и рассматривается как крайнее проявление кризиса. В действительности же дело обстоит иначе – предприятие подвержено различным видам кризисов (экономическим, финансовым, управленческим) и банкротство – лишь один из них. Во всем мире под банкротством принято понимать финансовый кризис, то есть неспособность фирмы выполнять свои текущие обязательства. Помимо этого, фирма может испытывать экономический кризис (ситуация, когда материальные ресурсы компании используются неэффективно) и кризис управления (неэффективное использование человеческих ресурсов, что часто означает также низкую компетентность руководства и, следовательно, неадекватность управленческих решений требованиям окружающей среды). Соответственно, различные методики предсказания банкротства, как принято называть их в отечественной практике, на самом деле, предсказывают различные виды кризисов. Именно поэтому оценки, получаемые при их помощи, нередко столь сильно различаются. Видимо, все эти методики вернее было бы назвать кризис-прогнозными (К-прогнозными). Другое дело, что любой из обозначенных видов кризисов может привести к коллапсу, смерти предприятия. В этой связи, понимая механизм банкротства как юридическое признание такого коллапса, данные методики условно можно назвать методиками предсказания банкротства. Представляется, однако, что ни одна из них не может претендовать на использование в качестве универсальной именно по причине "специализации" на каком-либо одном виде кризиса. Поэтому кажется целесообразным отслеживание динамики изменения результирующих показателей по нескольким из них. Выбор конкретных методик, очевидно, должен диктоваться особенностями отрасли, в которой работает предприятие. Более того, даже сами методики могут и должны подвергаться корректировке с учетом специфики отраслей.

"Количественные" кризис-прогнозные методики

Одной из простейших моделей прогнозирования вероятности банкротства считается двухфакторная модель. Она основывается на двух ключевых показателях (например, показатель текущей ликвидности и показатель доли заемных средств), от которых зависит вероятность банкротства предприятия. Эти показатели умножаются на весовые значения коэффициентов, найденные эмпирическим путем, и результаты затем складываются с некой постоянной величиной (const), также полученной тем же (опытно-статистическим) способом. Если результат (С1) оказывается отрицательным, вероятность банкротства невелика. Положительное значение С1 указывает на высокую вероятность банкротства.

В американской практике выявлены и используются такие весовые значения коэффициентов:

• для показателя текущей ликвидности (покрытия) (Кп) – (-1,0736)
• для показателя удельного веса заемных средств в пассивах предприятия (Кз) – (+0,0579)
• постоянная величина – (-0,3877)
• Отсюда формула расчета С1 принимает следующий вид:

C1=-0.3877+Kп*(-1.0736)+Кз*0.0579

Надо заметить, что источник, приводящий данную методику, не дает информации о базе расчета весовых значений коэффициентов. Тем не менее, в любом случае следует иметь в виду, что в нашей стране иные темпы инфляции, иные циклы макро- и микроэкономики, а также другие уровни фондо-, энерго- и трудоемкости производства, производительности труда, иное налоговое бремя. В силу этого невозможно механически использовать приведенные выше значения коэффициентов в российских условиях. Однако саму модель, с числовыми значениями, соответствующими реалиям российского рынка, можно было бы применить, если бы отечественные учет и отчетность обеспечивали достаточно представительную информацию о финансовом состоянии предприятия.

Рассмотренная двухфакторная модель не обеспечивает всестороннюю оценку финансового состояния предприятия, а потому возможны слишком значительные отклонения прогноза от реальности. Для получения более точного прогноза американская практика рекомендует принимать во внимание уровень и тенденцию изменения рентабельности проданной продукции, так как данный показатель существенно влияет на финансовую устойчивость предприятия. Это позволяет одновременно сравнивать показатель риска банкротства (С1) и уровень рентабельности продаж продукции. Если первый показатель находится в безопасных границах, и уровень рентабельности продукции достаточно высок, то вероятность банкротства крайне незначительная.

Коэффициент Альтмана (индекс кредитоспособности). Этот метод предложен в 1968 г. известным западным экономистом Альтманом (Edward I. Altman). Индекс кредитоспособности построен с помощью аппарата мультипликативного дискриминантного анализа (Multiple-discriminant analysis - MDA) и позволяет в первом приближении разделить хозяйствующие субъекты на потенциальных банкротов и небанкротов.

При построении индекса Альтман обследовал 66 предприятий, половина которых обанкротилась в период между 1946 и 1965 гг., а половина работала успешно, и исследовал 22 аналитических коэффициента, которые могли быть полезны для прогнозирования возможного банкротства. Из этих показателей он отобрал пять наиболее значимых и построил многофакторное регрессионное уравнение. Таким образом, индекс Альтмана представляет собой функцию от некоторых показателей, характеризующих экономический потенциал предприятия и результаты его работы за истекший период.

В общем виде индекс кредитоспособности (Z-счет) имеет вид:

Z=1.2X1+1.4X2+3.3X3 +0.6X4+X5
Где Х1 – оборотный капитал/сумма активов;
Х2 – нераспределенная прибыль/сумма активов;
Х3 – операционная прибыль/сумма активов;
Х4 – рыночная стоимость акций/задолженность;
Х5 – выручка/сумма активов.

Результаты многочисленных расчетов по модели Альтмана показали, что обобщающий показатель Z может принимать значения в пределах [-14, +22], при этом предприятия, для которых Z>2,99 попадают в число финансово устойчивых, предприятия, для которых Z<1,81 являются безусловно-несостоятельными, а интервал [1,81-2,99] составляет зону неопределенности.

Z-коэффициент имеет общий серьезный недостаток - по существу его можно использовать лишь в отношении крупных кампаний, котирующих свои акции на биржах. Именно для таких компаний можно получить объективную рыночную оценку собственного капитала. В 1983 г. Альтман получил модифицированный вариант своей формулы для компаний, акции которых не котировались на бирже:

K=8.38K1+K2+0.054K3+0.63K4
(здесь Х4 – балансовая, а не рыночная стоимость акций.)

Коэффициент Альтмана относится к числу наиболее распространенных. Однако, при внимательном его изучении видно, что он составлен некорректно: член Х1 связан с кризисом управления, Х4 характеризует наступление финансового кризиса, в то время как остальные – экономического. С точки зрения системного подхода данный показатель не имеет права на существование.

Вообще, согласно этой формуле, предприятия с рентабельностью выше некоторой границы становятся полностью "непотопляемыми". В российских условиях рентабельность отдельного предприятия в значительной мере подвергается опасности внешних колебаний. По-видимому, эта формула в наших условиях должна иметь менее высокие параметры при различных показателях рентабельности.

Известны другие подобные критерии. Так британский ученый Таффлер (Taffler) предложил в 1977 г. четырехфакторную прогнозную модель, при разработке которой использовал следующий подход:

При использовании компьютерной техники на первой стадии вычисляются 80 отношений по данным обанкротившихся и платежеспособных компаний. Затем, используя статистический метод, известный как анализ многомерного дискриминанта, можно построить модель платежеспособности, определяя частные соотношения, которые наилучшим образом выделяют две группы компаний и их коэффициенты. Такой выборочный подсчет соотношений является типичным для определения некоторых ключевых измерений деятельности корпорации, таких, как прибыльность, соответствие оборотного капитала, финансовый риск и ликвидность. Объединяя эти показатели и сводя их соответствующим образом воедино, модель платежеспособности производит точную картину финансового состояния корпорации.

Типичная модель для анализа компаний, акции которых котируются на биржах, принимает форму:

Z=C0+C1X1+C2X2+C3X3+C4X4+…..
где:
х1=прибыль до уплаты налога/текущие обязательства (53%)
х2=текущие активы/общая сумма обязательств (13%)
х3=текущие обязательства/общая сумма активов (18%)
х4=отсутствие интервала кредитования (16%)
с0,…с4 – коэффициенты, проценты в скобках указывают на пропорции модели; х1 измеряет прибыльность, х2 – состояние оборотного капитала, х3 – финансовый риск и х4 – ликвидность.

Для усиления прогнозирующей роли моделей можно трансформировать Z-коэффициент в PAS-коэффициент (Perfomans Analysys Score) – коэффициент, позволяющий отслеживать деятельность компании во времени. Изучая PAS-коэффициент как выше, так и ниже критического уровня, легко определить моменты упадка и возрождения компании.

PAS-коэффициент – это просто относительный уровень деятельности компании, выведенный на основе ее Z-коэффициента за определенный год и выраженный в процентах от 1 до 100. Например, PAS-коэффициент, равный 50, указывает на то, что деятельность компании оценивается удовлетворительно, тогда как PAS-коэффициент, равный 10, свидетельствует о том, что лишь 10% компаний находятся в худшем положении (неудовлетворительная ситуация). Итак, подсчитав Z-коэффициент для компании, можно затем трансформировать абсолютную меру финансового положения в относительную меру финансовой деятельности. Другими словами, если Z-коэффициент может свидетельствовать о том, что компания находится в рискованном положении, то PAS-коэффициент отражает историческую тенденцию и текущую деятельность на перспективу.

Сильной стороной такого подхода является его способность сочетать ключевые характеристики отчета о прибылях и убытках и баланса в единое представительное соотношение. Так, компания, получающая большие прибыли, но слабая с точки зрения баланса, может быть сопоставлена с менее прибыльной, баланс которой уравновешен. Таким образом, рассчитав PAS-коэффициент, можно быстро оценить финансовый риск, связанный с данной компанией, и соответственно варьировать условия сделки. В сущности, подход основан на принципе, что целое более ценно, чем сумма его составляющих.

Дополнительной особенностью этого подхода является использование "рейтинга риска" для дальнейшего выявления скрытого риска. Этот рейтинг статистически определяется только, если компания имеет отрицательный Z-коэффициент, и вычисляется на основе тренда Z-коэффициента, величины отрицательного Z-коэффициента и числа лет, в продолжение которых компания находилась в рискованном финансовом положении. Используя пятибалльную шкалу, в которой 1 указывает на "риск, но незначительную вероятность немедленного бедствия", а 5 означает "абсолютную невозможность сохранения прежнего состояния", менеджер оперирует готовыми средствами для оценки общего баланса рисков, связанных с кредитами клиента.

Учеными Иркутской государственной экономической академии предложена своя четырехфакторная модель прогноза риска банкротства (модель R), которая имеет следующий вид:

K=8.38K1+K2+0.054K3+0.063K4
где К1 – оборотный капитал/актив;
К2 – чистая прибыль/собственный капитал;
К3 – выручка от реализации/актив;
К4 – чистая прибыль/интегральные затраты.

Вероятность банкротства предприятия в соответствии со значением модели R определяется следующим образом:

Значение R

Вероятность банкротства, процентов

Меньше 0

Максимальная (90-100)

0-0,18

Высокая (60-80)

0,18-0,32

Средняя (35-50)

0,32-0,42

Низкая (15-20)

Больше 0,42

Минимальная (до 10)


Можно также использовать в качестве механизма предсказания банкротства цену предприятия. На скрытой стадии банкротства начинается незаметное, особенно если не наложен специальный учет, снижение данного показателя по причине неблагоприятных тенденций как внутри, так и вне предприятия.

Цена предприятия (V) определяется капитализацией прибыли по формуле:

V=P/K
где P – ожидаемая прибыль до выплаты налогов, а также процентов по займам и дивидендов;
K – средневзвешенная стоимость пассивов (обязательств) фирмы (средний процент, показывающий проценты и дивиденды, которые необходимо будет выплачивать в соответствии со сложившимися на рынке условиями за заемный и акционерный капиталы).

Снижение цены предприятия означает снижение его прибыльности либо увеличение средней стоимости обязательств (требования банков, акционеров и других вкладчиков средств). Прогноз ожидаемого снижения требует анализа перспектив прибыльности и процентных ставок.

Целесообразно рассчитывать цену предприятия на ближайшую и долгосрочную перспективу. Условия будущего падения цены предприятия обычно формируются в текущий момент и могут быть в определенной степени предугаданы (хотя в экономике всегда остается место для непрогнозируемых скачков).

Кризис управления характеризует показатель Аргенти (А-счет).

Согласно данной методике, исследование начинается с предположений, что (а) идет процесс, ведущий к банкротству, (б) процесс этот для своего завершения требует нескольких лет и (в) процесс может быть разделен на три стадии:

1. Недостатки. Компании, скатывающиеся к банкротству, годами демонстрируют ряд недостатков, очевидных задолго до фактического банкротства.
2. Ошибки. Вследствие накопления этих недостатков компания может совершить ошибку, ведущую к банкротству (компании, не имеющие недостатков, не совершают ошибок, ведущих к банкротству).
3. Симптомы. Совершенные компанией ошибки начинают выявлять все известные симптомы приближающейся неплатежеспособности: ухудшение показателей (скрытое при помощи "творческих" расчетов), признаки недостатка денег. Эти симптомы проявляются в последние два или три года процесса, ведущего к банкротству, который часто растягивается на срок от пяти до десяти лет.

При расчете А-счета конкретной компании необходимо ставить либо количество баллов согласно Аргенти, либо 0 – промежуточные значения не допускаются. Каждому фактору каждой стадии присваивают определенное количество баллов и рассчитывают агрегированный показатель – А-счет.

Метод А-счета для предсказания банкротства

Недостатки

Ваш балл

Балл согласно Аргенти

Директор-автократ

 

8

Председатель совета директоров является также директором

 

4

Пассивность совета директоров

 

2

Внутренние противоречия в совете директоров (из-за различия в знаниях и навыках)

 

2

Слабый финансовый директор

 

2

Недостаток профессиональных менеджеров среднего и нижнего звена (вне совета директоров)

 

1

Недостатки системы учета:
Отсутствие бюджетного контроля

 

3

Отсутствие прогноза денежных потоков

 

3

Отсутствие системы управленческого учета затрат

 

3

Вялая реакция на изменения (появление новых продуктов, технологий, рынков, методов организации труда и т.д.)

 

15

Максимально возможная сумма баллов

 

43

“Проходной балл”

 

10

Если сумма больше 10, недостатки в управлении могут привести к серьезным ошибкам

 

 

 

 

 

Ошибки

 

 

Слишком высокая доля заемного капитала

 

15

Недостаток оборотных средств из-за слишком быстрого роста бизнеса

 

15

Наличие крупного проекта (провал такого проекта подвергает фирму серьезной опасности)

 

15

Максимально возможная сумма баллов

 

45

“Проходной балл”

 

15

Если сумма баллов на этой стадии больше или равна 25, компания подвергается определенному риску

 

 

 

 

 

Симптомы

 

 

Ухудшение финансовых показателей

 

4

Использование “творческого бухучета”

 

4

Нефинансовые признаки неблагополучия (ухудшение качества, падение “боевого духа” сотрудников, снижение доли рынка)

 

4

Окончательные симптомы кризиса (судебные иски, скандалы, отставки)

 

3

Максимально возможная сумма баллов

 

12

 

 

 

Максимально возможный А-счет

 

100

“Проходной балл”

 

25

Большинство успешных компаний

 

5-18

Компании, испытывающие серьезные затруднения

 

35-70

 

 

 

Если сумма баллов более 25, компания может обанкротиться в течение ближайших пяти лет.
Чем больше А-счет, тем скорее это может произойти.

 

 


"Качественные" кризис-прогнозные методики

Ориентация на какой-то один критерий, даже весьма привлекательный с позиции теории, на практике не всегда оправдана. Поэтому многие крупные аудиторские фирмы и другие компании, занимающиеся аналитическими обзорами, прогнозированием и консультированием, используют для аналитических оценок системы критериев. Безусловно, в этом есть и свои минусы: гораздо легче принять решение в условиях однокритериальной, чем многокритериальной задачи. Вместе с тем, любое прогнозное решение подобного рода, независимо от числа критериев, является субъективным, а рассчитанные значения критериев носят скорее характер информации к размышлению, нежели побудительных стимулов для принятия немедленных решений.

В качестве примера можно привести рекомендации Комитета по обобщению практики аудирования (Великобритания), содержащие перечень критических показателей для оценки возможного банкротства предприятия. В.В. Ковалев, основываясь на разработках западных аудиторских фирм и преломляя эти разработки к отечественной специфике бизнеса, предложил следующую двухуровневую систему показателей.

К первой группе относятся критерии и показатели, неблагоприятные текущие значения или складывающаяся динамика изменения которых свидетельствуют о возможных в обозримом будущем значительных финансовых затруднениях, в том числе и банкротстве.

К ним относятся:

• повторяющиеся существенные потери в основной производственной деятельности;
• превышение некоторого критического уровня просроченной кредиторской задолженности;
• чрезмерное использование краткосрочных заемных средств в качестве источников финансирования долгосрочных вложений;
• устойчиво низкие значения коэффициентов ликвидности;
• хроническая нехватка оборотных средств;
• устойчиво увеличивающаяся до опасных пределов доля заемных средств в общей сумме источников средств;
• неправильная реинвестиционная политика;
• превышение размеров заемных средств над установленными лимитами;
• хроническое невыполнение обязательств перед инвесторами, кредиторами и акционерами (в отношении своевременности возврата ссуд, выплаты процентов и дивидендов);
• высокий удельный вес просроченной дебиторской задолженности;
• наличие сверхнормативных и залежалых товаров и производственных запасов;
• ухудшение отношений с учреждениями банковской системы;
• использование (вынужденное) новых источников финансовых ресурсов на относительно невыгодных условиях;
• применение в производственном процессе оборудования с истекшими сроками эксплуатации;
• потенциальные потери долгосрочных контрактов;
• неблагоприятные изменения в портфеле заказов.

Во вторую группу входят критерии и показатели, неблагоприятные значения которых не дают основания рассматривать текущее финансовое состояние как критическое. Вместе с тем, они указывают, что при определенных условиях или непринятии действенных мер ситуация может резко ухудшиться.

К ним относятся:

• потеря ключевых сотрудников аппарата управления;
• вынужденные остановки, а также нарушения производственно-технологического процесса;
• недостаточная диверсификация деятельности предприятия, т.е. чрезмерная зависимость финансовых результатов от какого-то одного конкретного проекта, типа оборудования, вида активов и др.;
• излишняя ставка на прогнозируемую успешность и прибыльность нового проекта;
• участие предприятия в судебных разбирательствах с непредсказуемым исходом;
• потеря ключевых контрагентов;
• недооценка технического и технологического обновления предприятия;
• неэффективные долгосрочные соглашения;
• политический риск, связанный с предприятием в целом или его ключевыми подразделениями.

Что касается критических значений этих критериев, то они должны быть детализированы по отраслям и подотраслям, а их разработка может быть выполнена после накопления определенных статистических данных.

Одной из стадий банкротства предприятия является финансовая неустойчивость. На этой стадии начинаются трудности с наличными средствами, проявляются некоторые ранние признаки банкротства, резкие изменения в структуре баланса в любом направлении.

Однако особую тревогу должны вызвать:

• резкое уменьшение денежных средств на счетах (кстати, увеличение денежных средств может свидетельствовать об отсутствии дальнейших капиталовложений);
• увеличение дебиторской задолженности (резкое снижение также говорит о затруднениях со сбытом, если сопровождается ростом запасов готовой продукции);
• старение дебиторских счетов;
• разбалансирование дебиторской и кредиторской задолженности;
• снижение объемов продаж (неблагоприятным может оказаться и резкое увеличение объемов продаж, так как в этом случае банкротство может наступить в результате последующего разбалансирования долгов, если последует непродуманное увеличение закупок, капитальных затрат; кроме того, рост объемов продаж может свидетельствовать о сбросе продукции перед ликвидацией предприятия).

При анализе работы предприятия извне тревогу должны вызывать:

• задержки с предоставлением отчетности (эти задержки, возможно, сигнализируют о плохой работе финансовых служб);
• конфликты на предприятии, увольнение кого-либо из руководства и т.д.

Корректировка методик предсказания банкротства с учетом специфики отраслей

Данная методика разработана учеными Казанского государственного технологического университета. Они предлагают деление всех предприятий по классам кредитоспособности. Расчет класса кредитоспособности связан с классификацией оборотных активов по степени их ликвидности.

Особенности формирования оборотных средств в нашей стране не позволяют прямо использовать критериальные уровни коэффициентов платежеспособности (ликвидности и финансовой устойчивости), применяемых в мировой практике. Поэтому создание шкалы критериальных уровней может опираться лишь на средние величины соответствующих коэффициентов, рассчитанные на основе фактических данных однородных предприятий (одной отрасли).

Распределение предприятий по классам кредитоспособности происходит на следующих основаниях:

• к первому классу кредитоспособности относят фирмы, имеющие хорошее финансовое состояние (финансовые показатели выше среднеотраслевых, с минимальным риском невозврата кредита);
• ко второму – предприятия с удовлетворительным финансовым состояние (с показателями на уровне среднеотраслевых, с нормальным риском невозврата кредита);
• к третьему классу – компании с неудовлетворительным финансовым состоянием, имеющие показатели на уровне ниже среднеотраслевых, с повышенным риском непогашения кредита.

Поскольку, с одной стороны, для предприятий разных отраслей применяются различные показатели ликвидности, а, с другой, специфика отраслей предполагает использование для каждой из них своих критериальных уровней даже по одинаковым показателям, учеными.

Рассчитаны критериальные значения показателей отдельно для каждой из таких отраслей, как:

• промышленность (машиностроение);
• торговля (оптовая и розничная);
• строительство и проектные организации;
• наука (научное обслуживание).

В случае диверсификации деятельности предприятие отнесено к той группе, деятельность в которой занимает наибольший удельный вес.

Значения критериальных показателей для распределения предприятий промышленности (машиностроение) по классам кредитоспособности.

№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 0,8

0,8-1,5

> 1,5

 

Вероятность банкротства (Z-счет Альтмана)

>3,0

1,5-3,0

< 1,5

 

Общий коэффициент покрытия (ликвидность баланса)

>2,0

1,0-2,0

< 1,0

 

 

 

 

 

 

 

Значения критериальных показателей для распределения предприятий торговли (оптовой) по классам кредитоспособности.


№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 1,5

1,5-2,5

> 2,5

 

Вероятность банкротства (Z-счет Альтмана)

>3,0

1,5-3,0

< 1,5

 

Общий коэффициент покрытия (ликвидность баланса)

>1,0

0,7-1,0

< 0,7

 

 

 

 

 

 

 

Значения критериальных показателей для распределения предприятий торговли (розничной) по классам кредитоспособности.


№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 1,8

1,8-2,9

> 3,0

 

Вероятность банкротства (Z-счет Альтмана)

>2,5

1,0-2,5

< 1,0

 

Общий коэффициент покрытия (ликвидность баланса)

>0,8

0,5-0,8

< 0,5

 

 

 

 

 

 

 

Значения критериальных показателей для распределения строительных организаций по классам кредитоспособности.


№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 1,0

1,0-2,0

> 2,0

 

Вероятность банкротства (Z-счет Альтмана)

>2,7

1,5-2,7

< 1,0

 

Общий коэффициент покрытия (ликвидность баланса)

>0,7

0,5-0,8

< 0,5

 

 

 

 

 

 

 

Значения критериальных показателей для распределения проектных организаций по классам кредитоспособности.


№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 0,8

0,8-1,6

> 1,6

 

Вероятность банкротства (Z-счет Альтмана)

>2,5

1,1-2,5

< 1,1

 

Общий коэффициент покрытия (ликвидность баланса)

>0,8

0,3-0,8

< 0,3

 

 

 

 

 

 

 

Значения критериальных показателей для распределения научных (научное обслуживание) организаций по классам кредитоспособности.


№

Наименование показателя

Значение показателей по классам

 

 

1 класс

2 класс

3 класс

 

Соотношение заемных и собственных средств

< 0,9

0,9-1,2

> 1,2

 

Вероятность банкротства (Z-счет Альтмана)

>2,6

1,2-2,6

< 1,2

 

Общий коэффициент покрытия (ликвидность баланса)

>0,9

0,6-0,9

< 0,6

Математические методы прогнозирования

Математические методы прогнозирования имеют высокую достоверность получаемой информации. При прогнозировании наибольшее распространение получили методы математической экстраполяции, экономико-статистического и экономико-математического моделирования.

Методы математической экстраполяции позволяют количественно охарактеризовать прогнозируемые процессы. Он основан на изучении сложившихся в прошлом закономерностей развития изучаемого явления и распространения их на будущее. Метод исходит из того, что в экономической жизни действует принцип инерции, т.е. наблюдаемые закономерности достаточно устойчивы в течение некоторого периода времени.

Экстраполяция в прогнозировании осуществляется с помощью выравнивания статистических рядов вне их связи с другими рядами экономической динамики, влияние которых учитывается в усредненном виде лишь на основе опыта прошлого. Предпосылка о сохранении неизменности условий предшествующего периода при экстраполяции ограничивает возможности применения этого метода сравнительно непродолжительными периодами, в течение которых не происходит существенных качественных изменений. Наиболее достоверны результаты прогнозирования при соотношении продолжительности предшествующего периода (ретроспекции) и периода упреждения (проспекции).

Для применения данного метода необходимо иметь продолжительный ряд показателей за прошедшей период. Данная информация изучается и обрабатывается. Фактический временной ряд выравнивается путем графоаналитического или статистического подбора аппроксимирующей функции. Далее разрабатывают гипотезы изменения объекта в прогнозный период (период упреждения) и формализуют их в виде количественных показателей (тенденций). При этом значения показателей можно прогнозировать не только на конец прогнозного срока, но и на промежуточных этапах.

Методы и приемы математической статистики, теории вероятности дают возможность использовать широкий круг функций для прогнозирования необходимого показателя во времени.

Данные методы имеют недостатки, так как не может быть дан достоверный прогноз на длительный срок, если имеются скачкообразные изменения данных; нет возможности определить качественные характеристики прогнозируемых объектов.

Методы математической экстраполяции применяются при прогнозировании отводов земель для несельскохозяйственных нужд, установления урожайности сельскохозяйственных культур и т.д.

Наиболее часто применяются при прогнозировании экономико-статистические модели. На основе их рассчитывают урожайность сельскохозяйственных культур, продуктивность животных, выход продукции с сельскохозяйственных земель, прогнозные нормативы (облесенность территории, сельскохозяйственная освоенность земель и др.). Данный метод позволяет научно обосновать показатели и нормативы, используемые при планировании.

Экономико-статистической моделью называют функцию, связывающую результативный и факторные показатели, выраженную в аналитическом, графическом, табличном или ином виде, построенную на основе массовых данных и обладающую статистической достоверностью. Такие функции называют производственными, так как они описывают зависимость результатов производства от имеющихся факторов.

Процесс разработки экономико-статистической модели (моделирование) состоит из следующих стадий:

1. Экономический анализ производства. Определение зависимой переменной (результативный показатель) и выявление факторов, влияющих на неё (факторный показатель).
2. Сбор статистических данных и их обработка.
3. Установление математической формы связи (вид уравнения) между результативными и факториальными показателями.
4. Определение числовых параметров экономико-статистической модели.
5. Оценка степени соответствия экономико-статистической модели изучаемому процессу. 6. Экономическая интерпретация модели.

Экономический анализ производства заключается в определении цели, задачи и выборе результативного показателя, который отражает эффективность прогнозного решения. При анализе интенсивности использования земель в сельскохозяйственных организациях в качестве результативного показателя могут быть использованы стоимость валовой продукции в расчёте на 100 га сельхозземель (пахотных земель), урожайность культур, продуктивность земель и др. В качестве факторных показателей используют балл плодородия почв, сельскохозяйственную освоенность и распаханность, энерговооруженность, трудообеспеченность и т. д.

При выборе независимых факторов руководствуются определенными правилами:

1. Точность производственных функций выше при большем числе эмпирических данных (при крупных выборках).
2. Факторы-аргументы должны оказывать наиболее существенное влияние на изучаемый процесс, количественно измеряться и представляться лишь одним признаком.
3. Количество отобранных факторов не должно быть большим, так как это усложняет модель и повышает трудоёмкость её использования.
4. Включаемые в модель факторы не должны находиться между собой в состоянии функциональной связи (автокорреляция), так как они характеризуют одну и ту же сторону изучаемого явления и дублируют друг друга. При использовании их в экономико-статистической модели изучаемые зависимости и результаты расчётов могут быть искажены.

Сбор статистических данных и их обработку производят после определения зависимой переменной (результативного показателя) и факторов-аргументов. При сборе информации используют экспериментальный и статистический методы. Первый предполагает изучение данных, получаемых в результате проведения опытов, условия которых можно контролировать. Но в землеустройстве процесс экспериментирования затруднён, а при решении отдельных вопросов вообще невозможен. Второй метод основан на использовании статистических данных (сплошных или выборочных). Например, если при анализе размеров землепользования используются данные по всем сельскохозяйственным предприятиям области, то статистическая информация является сплошной, а изучаемая совокупность – генеральной. Однако размер генеральных совокупностей бывает слишком большим – несколько сотен единиц и более. Поэтому для сокращения расчётов и экономии времени число наблюдений сокращают, получая выборочные данные (формируя выборочную совокупность) различными методами, позволяющими сохранить достоверность вычислений и распространить результаты исследований на генеральную совокупность.

Во всех случаях выборка должна быть однородной; исключать аномальные объекты и данные (сильно отличающиеся от всех остальных); включать только факторы, которые измеряются однозначно некоторым числом или системой чисел.

Определение математической формы связи переменных производят, логически анализируя процесс. Анализ позволяет установить вид уравнения (линейное, нелинейное), форму связи (парная или множественная) и т. д.

Определение параметров модели включает расчёт числовых характеристик математической зависимости (уравнения). Например, если для установления зависимости урожайности сельскохозяйственных культур (у) от балла плодородия ночв (х) выбрана линейная зависимость вида, то данная стадия моделирования заключается в получении численных значений коэффициентов и.

Для определения параметров уравнения могут применяться различные методы, но практика показывает, что самые точные результаты даёт метод наименьших квадратов. Оценка степени соответствия экономико-статистической модели изучаемому процессу осуществляется с использованием специальных коэффициентов (корреляции, детерминации, существенности и др.). Данные коэффициенты показывают соответствие математического выражения изучаемому процессу, можно ли использовать полученную модель для проведения последующих расчётов и принятия землеустроительных решений, насколько точно определяется результативный показатель и с какой вероятностью можно доверять ему.

Экономическое применение модель находит при научном обосновании нормативов, экономическом обосновании показателей в прогнозных разработках.

Наиболее распространённым видом экономическо-статистических моделей являются производственные функции.

Производственная функция – это математически выраженная зависимость результатов производства от производственных факторов.

С помощью производственных функций при прогнозировании анализируют состояние и использование земель; подготавливают исходную информацию для экономико-математических задач по оптимизации различных решений; устанавливают уровень результативного признака на перспективу при планировании и прогнозировании использования земель в схемах и проектах землеустройства; определяют экономические оптимумы, коэффициенты эластичности, эффективности и взаимозаменяемости факторов. Для выражения зависимостей при прогнозировании наиболее часто употребляется линейная зависимость, поскольку она проста в применении. Реже применяются степенные, гиперболические, полиномиальные и другие.

Экономико-математическое моделирование предполагает создание модели, которая изучает экономический объект и представляет его описание с помощью знаков и символов (математических уравнений и неравенств, матриц, формул и др.).

Решение любой экономико-математической задачи при планировании и прогнозировании в землеустройстве связано с большим количеством информации. Для моделирования необходимо получить исходную информацию, ее обработать, проанализировать и оценить. Собранная информация должна быть полной, достоверной, своевременной, оперативной, представляться в удобной форме для дальнейшего использования. При этом затраты на сбор, обработку, передачу, хранение информации. При планировании и прогнозировании в землеустройстве используют следующие виды и источники информации: геоинформационные данные, статистические и отчетные данные по объекту планирования, плановая информация, нормативная информация.

Основой экономико-математической модели является матрица – специальная таблица, содержащая смысловые или кодовые обозначения функции цели; переменных и ограничений; их числовое выражение в виде коэффициентов или ограничений;

Целевая функция это аналитическая форма выражения критерия оптимальности. При моделировании в зависимости от уровня объекта (процесса) выделяют глобальный, отраслевой, локальный и частные критерии оптимальности;

Размер матрицы определяется перечнем переменных величин. В качестве переменных величин используют площади земель; показатели производственной деятельности сельскохозяйственной отрасли (по растениеводству, животноводству в целом; по сельскохозяйственным культурам; по видам скота).

Нахождение при прогнозировании оптимальных решений зависит от правильного определения состава ограничений. Ограничения формулируют в виде системы неравенств и уравнений, выражающей возможности производства и баланс ресурсов.

Ограничения могут быть основными, которые накладываются на все или большинство переменных (площади земель, рабочих участков, дозы внесения удобрений и т. д.), дополнительными – накладываются на отдельные переменные или небольшие группы (объёмы производства отдельных видов продукции, потребление некоторыми группами животных некоторых видов кормов и т. д.) и вспомогательными (не имеют самостоятельного экономического значения, используются для правильной формулировки экономических требований и математической записи).

Используют различные виды экономико-математических моделей: корреляционные модели и производственные функции, балансовые модели, модели оптимизации. При разработке схемы землеустройства административного района решаются следующие основные экономико-математические задачи: распределение земель административного района по категориям; оптимизация мероприятий по освоению и интенсификации использования земель; оптимизация размещения, специализации и уровня концентрации сельскохозяйственного производства в административном районе; установление оптимальных размеров сельскохозяйственных организаций; перераспределения земель между сельскохозяйственными организациями и др. Данные задачи часто состоят из блоков, каждый из которых имеет свой критерий оптимальности.

Например: в основу модели по оптимизации размещения, специализации и уровня концентрации сельскохозяйственного производства в административном районе положены две модели: по определению оптимального сочетания отраслей сельскохозяйственного производства и по установлению оптимального размера землепользований сельскохозяйственных организаций.

Данная задача состоит из блоков, в качестве которых выступают сельскохозяйственные организации.

В качестве переменных используют неизвестные: посевные площади сельскохозяйственных культур; виды и подвиды земель; трансформируемые земли; виды внутрихозяйственных ресурсов и другие переменные, которые учитывают особенности района.

Выделяют следующие группы ограничений:

1. Условия использование земель (по площадям, по качественным условиям) и возможность их трансформации.
2. Соотношение площадей земель.
3. Агробиологические и зоотехнические условия ведения сельскохозяйственного производства.
4. Ограничения по производству и использованию кормов.
5. Рекомендуемый размер землепользований сельскохозяйственных организаций в зависимости от специализации.
6. Ресурсные ограничения (по объему продаж продукции, по затратам труда, по денежным затратам на тех. средства, мин. удобрения, семена и др.).
7. Ограничения, учитывающие особенности расселения, а также использование трудовых и механизированных ресурсов.
8. Общерайонные условия и пропорции (баланс распределения материально-технических фондов по району, численность занятых в сельском хозяйстве и всего населения по району и др.).

В качестве критерия оптимальности при решении данной задачи используют, как правило, минимум приведенных затрат на фиксированный объем производства продукции.

В результате решения задачи устанавливают: состав и соотношение земель по отдельным землепользованиям и в целом по району; площади земель, подлежащие улучшению, освоению и трансформации; посевные площади сельскохозяйственных культур; структуру стада животных, производства и потребления кормов; межхозяйственное и внутрихозяйственное размещение отраслей в районе; специализацию и объем производства продукции в сельскохозяйственных организаций и их объединениях; балансы средств в целом по району и в разрезе сельхозорганизаций; распределение единовременных средств между сельхозорганизациями.

Методы прогнозирования спроса

Применение модели ЖЦТ подразумевает способность формулировать прогнозы качественного или количественного характера относительно эволюции первичного спроса на определенном рынке товара. Эта проблема стала особенно сложной в странах Запада вследствие турбулентности среды и радикальной природы изменений, наблюдавшихся в последнем десятилетии. С учетом этих трудностей и критичности «ошибок» в прогнозах некоторые аналитики были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование - это обязанность, которую в явной или неявной форме неизбежно должны выполнять все фирмы. Цель этого раздела - описать проблемы прогнозирования спроса и условия, которые должны быть соблюдены при применении основных методов прогнозирования.

Типология методов прогнозирования

Методы прогнозирования можно классифицировать по двум измерениям: степень свободы процесса прогнозирования от субъективности и большей или меньшей степени аналитичности этого процесса. В крайних точках этих измерений находятся субъективные и объективные методы и методы наивные и причинно-следственные.

Субъективные методы. Такое определение предполагает, что процессы, используемые для формирования прогноза, не изложены в явной форме и неотделимы от лица, делающего прогноз.

Объективные методы. Процессы прогнозирования четко сформулированы и могут быть воспроизведены другими лицами, которые неизбежно придут к формулировке такого же прогноза.

По существу это первое измерение противопоставляет количественные методы качественным, в которых доминируют интуиция, творчество и воображение.

Наивные методы. Прогноз формулируется на базе наблюдений за прошлой эволюцией исследуемой переменной (например, уровень первичного спроса), без учета в явной форме основных движущих факторов.

Причинно-следственные (казуальные) методы. Факторы, определяющие спрос, идентифицированы, и их вероятные будущие значения спрогнозированы; из них выводится вероятное значение спроса, при условии реализации принятого сценария.

Это второе измерение противопоставляет методы экстраполяции методам, объясняющим взаимосвязи, независимо от их качественного или количественного характера.

Экспертные суждения

В том случае, когда прогноз опирается не на объективные данные, но скорее на мнение менеджера или потребителя, говорят об экспертных суждениях. Предполагается, что «эксперт» основывает свое суждение на группе причинных факторов, оценивая вероятность их реализации и их вероятное влияние на уровень спроса.

В основе этого подхода лежит, следовательно, некоторая казуальная -структура, т. е. совокупность суждений, касающихся причинных факторов первичного спроса и вероятности их реализации в рамках одного или нескольких сценариев. При этом данная казуальная структура неразрывно связана с личностью эксперта, так что другой эксперт, поставленный перед той же проблемой, может, используя ту же информацию, прийти к другим выводам. Достоинство экспертного метода по сравнению с чисто интуитивным подходом состоит в возможности обмена и противопоставления идей благодаря наличию явно выраженной казуальной структуры. Широко применяются три метода, основанных на суждениях: суждения лиц, принимающих решения, оценки торгового персонала и намерения покупателей.

Суждения менеджеров

Прогноз основывается на видении, интуиции, воображении и опыте того, кто его формулирует. Менеджера просят дать по возможности точную оценку исходя из имеющейся у него информации, с указанием, например в форме вероятностных показателей, степени точности или его уверенности в своих оценках.

Этот вариант в той или иной степени применяется фирмой всегда. Он особенно заметен в организациях, где доминирует лидер, реализующий свое собственное видение. Ценность этого метода, очевидно, зависит от опыта и интуиции лица, формулирующего прогноз. Главным недостатком, несомненно, является трудность коммуникации и невозможность проверки истинности или ложности прогноза. Путь к уменьшению риска субъективности индивидуального суждения состоит в обращении к группе менеджеров, которые обсуждают свои точки зрения и стремятся прийти к консенсусу. Хорошую возможность достижения консенсуса представляет метод Дельфи.

Согласно этому методу, эксперты группы формулируют свои индивидуальные суждения анонимно, обычно с применением анкет. Затем определяется медианное суждение; оно доводится до членов группы, от которых требуется повторно рассмотреть свое суждение с учетом группового мнения. Как правило, этот метод быстро ведет к консенсусу, обычно за два тура (Phillips, 1987).

Метод Дельфи успешно применялся в маркетинге. Одна из его возможных альтернатив состоит в сборе независимых суждений и в формулировке средней оценки, без попыток склонить экспертов к изменению их начальных суждений.

Оценки торгового персонала

Обычно торговый персонал имеет очень точное представление о потенциале продаж, который обеспечивают их клиенты, и, кроме того, имеет возможность дать оценки потенциала рынка в целом, по крайней мере, на той территории, которую он обслуживает. Проще всего попросить торговых работников дать оценки по каждому товару, но не абстрактно, а исходя из конкретных гипотез о маркетинговых усилиях в вопросах цен, рекламной поддержки и т. п. После этого менеджеры службы сбыта формулируют итоговые оценки, суммируя оценки всех работников.

Принципиальный недостаток этого метода - опасность систематического занижения оценок со стороны сбытовиков, которые заинтересованы иметь легко выполнимый план по продажам, а в конце планового периода добиться значительного превышения плановых показателей. Отметим следующие варианты коррекции таких оценок, снижающие риск систематической погрешности.

Попросить торговых работников самостоятельно определить степень погрешности их оценок. Эти данные можно затем использовать для уточнения прогноза.

Скорректировать оценки торговых работников с помощью регионального менеджера по продажам, который может иметь более широкий взгляд.

Ввести корректирующий коэффициент, основанный на учете погрешностей в прошлых прогнозах каждого торгового работника.

Включить торговых работников в процесс прогнозирования полезно, прежде всего, для того, чтобы создать у них соответствующую мотивацию и способствовать принятию назначаемых им квот по продаже. Кроме того, они незаменимы при построении прогнозов продаж в очень малых сегментах, на уровне отдельной территории или отдельного клиента.

Изучение намерений покупателей

Последний метод, основанный на суждении, заключается в прямом опросе покупателей об их планах на покупки в течение определенного периода. Намерения совершить покупку могут рассматриваться на двух уровнях: на общем и на уровне определенной товарной категории.

На общем уровне оцениваются настроение или степень уверенности покупателей, их представления о благосостоянии и их намерения совершить покупку товаров длительного пользования. Европейское сообщество (ЕС) ежеквартально проводит опрос в каждой стране ЕС, оценивающий степень уверенности потребителей в состоянии экономики. Эти исследования публикуются в издании «Евробарометр», которое представляет собой форму постоянного опроса общественного мнения. «Евробарометр» формирует индекс уверенности европейских потребителей по отдельным странам и по ЕС в целом.

Что касается промышленной сферы, то центральные банки стран ЕС проводят ежемесячные опросы конъюнктуры среди предприятий. Цель этих опросов состоит в измерении ожиданий предприятий по развитию конъюнктуры. Задаваемые вопросы касаются состояния портфеля заказов и поставок, уровня загрузки производственных мощностей, уровня занятости, инвестиционных намерений и т. п. Эти данные имеются по всем основным секторам промышленности; они используются для построения сводного индикатора конъюнктуры, который доказал свою эффективность в качестве надежного раннего индикатора наступающего спада или подъема в экономике.

Классификация методов прогнозирования

Прежде всего, приведем определение метода прогнозирования как способа теоретического и практического действия, направленного на разработку прогнозов. Это определение является достаточно общим и позволяет понимать термин «метод прогнозирования» весьма широко: от простейших экстраполяционных расчетов до сложных процедур многошаговых экспертных опросов.

Для изучения методического аппарата прогностики целесообразно с самого начала детализировать это широкое понятие. Далее будем различать простые методы прогнозирования и комплексные методы прогнозирования. При этом под простым методом прогнозирования будем понимать метод, неразложимый на еще более простые методы прогнозирования, и соответственно под комплексным - метод, состоящий из взаимосвязанной совокупности нескольких простых.

В настоящее время наряду со значительным числом опубликованных методов прогнозирования известны многочисленные способы их классификации. Тем не менее, считать этот вопрос удовлетворительно решенным нельзя, так как единой, полезной и полной классификации сейчас еще не создано. Вероятно, прогностика, как молодая наука, еще не достигла такого уровня развития, когда возможно создание классификации, удовлетворяющей всем этим требованиям. Итак, каковы же цели классификации методов прогностики? Можно указать две такие основные цели. Это, во-первых, обеспечение процесса изучения и анализа методов и, во-вторых, обслуживание процесса выбора метода при разработке прогнозов объекта. На современном этапе трудно предложить единую классификацию, в равной степени удовлетворяющую обеим из указанных целей.

Существуют два основных типа классификации: последовательная и параллельная. Последовательная классификация предполагает вычленение частных объемов из более общих. Это процесс, тождественный делению родового понятия на видовые.

При этом должны соблюдаться следующие основные правила:

1) основание деления (признак) должно оставаться одним и тем же при образовании любого видового понятия;
2) объемы видовых понятий должны исключать друг друга (требование отсутствия пере-сечения классов);
3) объемы видовых понятий должны исчерпывать объем родового понятия (требование полного охвата всех объектов классификации).

Параллельная классификация предполагает сложное информационное основание, состоящее не из одного, а из целого ряда признаков. Основной принцип такой классификации—независимость выбранных признаков, каждый из которых существен, все вместе одновременно присущи предмету и только их совокупность дает исчерпывающее представление о каждом классе.

Последовательная классификация имеет наглядную интерпретацию в виде некоторого генеалогического дерева, охватывает всю рассматриваемую область в целом и определяет место и взаимосвязи каждого класса в общей системе. Поэтому она является более приемлемой для целей изучения, позволяет методически более стройно представлять классифицируемую область знаний.

Каждый уровень классификации характеризуется своим классификационным признаком. Элементы каждого уровня представляют собой наименования принадлежащих им подмножеств элементов ближайшего нижнего уровня, причем подмножеств непересекающихся.

Элементы нижнего уровня представляют собой наименование узких групп конкретных методов прогнозирования (иногда из одного элемента), которые являются модификациями или разновидностями какого-либо одного, наиболее общего из них.

В целом классификация является открытой, так как представляет возможность увеличивать число элементов на уровнях и наращивать число уровней за счет дальнейшего дробления и уточнения элементов последнего уровня.

На первом уровне все методы делятся на три класса по признаку «информационное основание метода». Фактографические методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии. Экспертные методы базируются на информации, которую поставляют специалисты-эксперты в процессе систематизированных процедур выявления и обобщения этого мнения. Комбинированные методы выделены в отдельный класс, чтобы можно было относить к нему методы со смешанной информационной основой, в которых в качестве первичной информации используются фактографическая и экспертная. Например, при проведении экспертного опроса участникам представляют цифровую информацию об объекте или фактографические прогнозы, либо, наоборот, при экстраполяции тенденции наряду с фактическими данными используют экспертные оценки.

Не следует относить к комбинированным методам те методы прогнозирования, которые к экспертной исходной информации применяют математические методы обработки или исходную фактографическую информацию оценивают экспертным путем. В большинстве случаев они достаточно хорошо укладываются в первый или второй из перечисленных выше классов.

Эти классы разделяются далее на подклассы по принципам обработки информации. Статистические методы объединяют совокупность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математических взаимосвязей характеристик с целью получения прогнозных моделей. Методы аналогий направлены на то, чтобы выявлять сходство в закономерностях развития различных процессов и на этом основании производить прогнозы. Опережающие методы прогнозирования строятся на определенных принципах специальной обработки научно-технической информации, реализующих в прогнозе ее свойство опережать развитие научно-технического прогресса.

Экспертные методы разделяются на два подкласса. Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов (или одного из них) при отсутствии воздействий на мнение каждого эксперта мнения другого эксперта и мнения коллектива. Экспертные оценки с обратной связью в том или ином виде воплощают принцип обратной связи путем воздействия на оценку экспертной группы (одного эксперта) мнением, полученным ранее от этой группы или от одного из ее экспертов.

Третий уровень классификации разделяет методы прогнозирования на виды по классификационному признаку «аппарат методов». Каждый вид объединяет в своем составе методы, имеющие в качестве основы одинаковый аппарат их реализации. Так, статистические методы по видам делятся на методы экстраполяции и интерполяции; методы, использующие аппарат регрессионного и корреляционного анализа; методы, использующие факторный анализ.

Класс методов аналогий подразделяется на методы математических и исторических аналогий. Первые в качестве аналога для объекта прогнозирования используют объекты другой физической природы, другой области науки, отрасли техники, однако имеющие математическое описание процесса развития, совпадающее с объектом прогнозирования. Вторые в качестве аналога используют процессы одинаковой физической природы, опережающие во времени развитие объекта прогнозирования.

Опережающие методы прогнозирования можно разделить на методы исследования динамики научно-технической информации; методы исследования и оценки уровня техники. В первом случае в основном используется построение количественно-качественных динамических рядов на базе различных видов НТИ и анализа и прогнозирования на их основе соответствующего объекта. Второй вид методов использует специальный аппарат анализа количественной и качественной информации, содержащейся в НТИ, для определения характеристик уровня, качества существующей и проектируемой техники.

Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. В первом случае используются специальные процедуры формирования вопросов, организации получения на них ответов, обработки полученных ответов и формирования окончательного результата. Во втором — основным аппаратом исследования является целенаправленный анализ объекта прогнозирования со стороны эксперта или коллектива экспертов, которые сами ставят и решают вопросы, ведущие к поставленной цели.

Экспертные оценки с обратной связью в своём аппарате имеют три вида методов: экспертный опрос; генерацию идей; игровое моделирование. Первый вид характеризуется процедурами регламентированного неконтактного опроса экспертов перемежающимися обратными связями в рассмотренном выше смысле. Второй — построен на процедурах непосредственного общения экспертов в процессе обмена мнениями по поставленной проблеме. Он характеризуется отсутствием вопросов и ответов и направлен на взаимное стимулирование творческой деятельности экспертов. Третий вид использует аппарат теории игр и ее прикладных разделов. Как правило, реализуется на сочетании динамического взаимодействия коллективов экспертов и вычислительной машины, имитирующих объект прогнозирования в возможных будущих ситуациях.

Наконец, последний, четвертый, уровень классификации подразделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых указать один общий для всего уровня в целом невозможно.

Количественные методы прогнозирования

Количественные методы прогнозирования реализуются с помощью математических моделей, базирующихся на предыстории. Подобные модели строятся в предположении, что данные о поведении процесса в прошлом могут быть распространены и на будущее.

Количественные методы представляют собой довольно развитую область, поэтому в данном пособии рассматриваются только некоторые модели, наиболее часто включаемые в базовые системы и пакеты прикладных программ. Все они основаны на временных рядах, полученных путём измерений в определённых временных периодах.

Одна из центральных проблем - оценка и повышение точности прогнозов. Фактическая точность может быть оценена только путём сравнения прогностических и фактических данных. Если точность модели недостаточна, то метод модифицируется или заменяется.

Хотя внешне результаты измерений (особенно долгосрочных) могут выглядеть хаотичными, в них можно выявить довольно простые составляющие.

Циклическая составляющая описывает ту часть процесса, которая повторяется с низкой частотой.

Сезонная составляющая описывает циклы, повторяющиеся с высокой частотой раз в течение года.

Периоды циклической и сезонной составляющих могут находиться между собой в определённых отношениях.

Случайная флуктуация представляет собой случайное отклонение временного рада от неслучайной функции, описываемой трендом, циклической и сезонной составляющими.

Прогнозирование на основе количественных методов заключается прежде всего, в определении вида и параметров функций, описывающих неслучайные составляющие. Наиболее часто применяется следующие количественные модели прогнозирования.

1. Линейная регрессия. Модель направлена на выявление связи между зависимой переменной (т. е. прогнозируемой величиной) и одной или более независимыми переменными, которые представлены в виде данных о предыстории. В простой регрессии имеется только одна независимая переменная, а в множественной регрессии их несколько.

Если предыстория представлена в виде временного ряда, то независимая переменная - это временной период, а зависимая - прогнозируемая величина, например, объём продаж. Регрессионная модель не обязательно базируется на временных рядах. В этом случае представления о величинах независимых переменных используются для того, чтобы определить зависимую переменную. Линейная регрессия обычно используется для долгосрочных прогнозов, но может также применяться для менее длительных прогнозов.

2. Методы скользящего среднего. Прогностическая модель для краткосрочных прогнозов, основанная на временных рядах. В этой модели среднее арифметическое фактических продаж, вычисленное для принятого числа последних прошедших временных периодов принимается за прогноз на следующий временной период.

3. Метод взвешенного скользящего среднего. Эта модель работает подобно предыдущей модели, но в ней вычисляется не среднее, а средневзвешенное значение, которое и принимается за прогноз на ближайший временной период. Меньшие веса приписываются более отдалённым периодам, отражая тем самым уверенность в том, что прогнозируемый процесс в ближайший период не претерпит резких изменений.

4. Экспоненциальное сглаживание. Также модель, использующая временные ряды и предназначенная для краткосрочных прогнозов. В этом методе объём продаж, спрогнозированный для последнего периода, корректируется на основе информации об ошибке прогноза в последнем периоде. Этот скорректированный за последний период прогноз и становится прогнозом на следующий период.

5. Экспоненциальное сглаживание с трендом. Эта та же модель, что и представленная выше, но модифицированная так, чтобы обрабатывать данные с трендами. Такие расчёты характерны для среднесрочного прогнозирования. Называется также моделью с двойным экспоненциальным сглаживанием, поскольку сглаживание выполняется для среднего значения и для тренда.

Методы прогнозирования управленческих решений

Целью прогнозирования управленческих решений является получение научно обоснованных вариантов тенденций развития показателей качества, элементов затрат и других показателей, используемых при разработке перспективных планов и проведении научно-исследовательских (НИР) и опытно-конструкторских работ (ОКР), а также развитии всей системы менеджмента.

К основным задачам прогнозирования относятся:

- разработка прогноза рыночной потребности в каждом конкретном виде потребительной стоимости в соответствии с результатами маркетинговых исследований;
- выявление основных экономических, социальных и научно-технических тенденций, оказывающих влияние на потребность в тех или иных видах полезного эффекта;
- выбор показателей, оказывающих существенное влияние на величину полезного эффекта прогнозируемой продукции в условиях рынка;
- выбор метода прогнозирования и периода упреждения прогноза;
- прогнозирование показателей качества новой продукции во времени с учетом влияющих на них факторов;
- прогноз организационно-технического уровня производства по стадиям жизненного цикла продукции;
- оптимизация прогнозных показателей качества по критерию максимального полезного эффекта при минимальных совокупных затратах за жизненный цикл продукции;
- обоснование экономической целесообразности разработки новой или повышения качества и эффективности выпускаемой продукции исходя из наличных ресурсов и приоритетов.

Под полезным эффектом от эксплуатации или потребления продукции понимается выполняемая ею работа или отдача за ее срок службы.

При определении полезного эффекта всю продукцию можно разделить на:

- промышленную продукцию, полезный эффект которой характе-ризуется отдачей (сырье, материалы, смазочные материалы, топливо, значительное количество предметов народного потребления, пищевые продукты и т.д.);
- промышленную продукцию, полезный эффект которой выражается выполненной работой в единицу времени (станки, подъемно-транспортные средства, полиграфическое оборудование, нефтеаппаратура и т.д.).

При определении полезного эффекта следует брать только ту часть работы, которую получает потребитель, исключая при этом его потери.

К основным принципам научно-технического прогнозирования относятся системность, комплектность, непрерывность, вариантность адекватность и оптимальность. Принципы системности требуют взаимоувязанности и соподчиненности прогнозов развития объектов прогнозирования и прогностического фона.

Принцип непрерывности требует корректировки прогноза по мере поступления новых данных об объекте прогнозирования или о прогнозном фоне. Корректировка прогнозов должна носить дискретный характер, причем оптимальные сроки обновления прогнозов могут быть выявлены только по результатам практического использования (ориентировочно два раза в пятилетку), т.е. результаты реализации прогнозов, уточнение потребностей, изменение тенденций развития объекта или прогнозного фона должны периодически поступать к разработчику прогноза.

Принцип адекватности прогноза объективным закономерностям характеризует не только процесс выявления, но и оценку устойчивых тенденций и взаимосвязей в развитии производства и создании теоретического аналога реальных экономических процессов с их полной и точной имитацией. Реализация принципа адекватности предполагает учет вероятностного характера реальных процессов господствующих тенденций и оценку вероятности реализации выявленной тенденции.

В результате оптимизации прогнозных значений полезного эффекта и затрат по критерию максимизации экономического эффекта из множества альтернативных вариантов должен быть выбран наилучший.

Основными источниками исходной информации для прогнозирования являются:

- статистическая, финансово-бухгалтерская и оперативная отчетность предприятий и организаций;
- научно-техническая документация по результатам выполнения НИОКР, включая обзоры, проспекты, каталоги и другую информацию по развитию науки и техники в стране и за рубежом;
- патентно-лицензионная документация.

Учитывая значительное дублирование информации, используемой при прогнозировании и планировании повышения качества и эффективности продукции, при проведении НИР и ОКР, разработке системы норм и нормативов, целесообразно использовать для этих целей единые базы данных, формируемые по принадлежности к объектам прогнозирования и планирования. В этом случае проблему информационного обеспечения научно-технического прогнозирования следует решать комплексно с развитием системы автоматизированного управления.

По назначению и характеру функционирования вся информация делится на научно-техническую и технико-экономическую информацию, справочно-нормативную информацию, информацию прогнозной ситуации и информацию обратной связи.

Исходная информация включает данные, используемые в процессе выбора метода прогнозирования, создания методик и справочно-нормативных материалов. От полноты и достоверности этой группы информации зависит научная обоснованность, применяемых методов прогнозирования, обоснованность и точность прогнозов.

Объем и состав справочно-нормативной информации зависит от степени дифференциации прогнозных расчетов.

Информацию прогнозной ситуации образуют данные, характеризующие цели прогноза и условия, в которых будет протекать развитие прогнозируемого объекта. Состав этой информации и ее объем также зависят от принятых методов прогнозирования, от степени дифференциации и требуемой точности прогнозных расчетов.

Информацию обратной связи составляют данные проведенных научно-технических прогнозов, данные об отклонениях фактического состояния объекта прогнозирования от прогнозных величин, а также об отклонениях фактического состояния прогнозного фонда от показателей, принятых при прогнозировании. Информация обратной связи позволяет оценить фактическую достоверность прогноз качества справочно-нормативных материалов и выявить причины отклонений.

Существуют различные методы прогнозирования:

1. Нормативный метод применяется для прогнозирования эффективности, сроков замены оборудования, возможностей насыщения рынков сбыта для объектов массового производства. Срок упреждения до 10—15 лет.

2. Экспериментальный метод применяется для прогнозирования эффективности и сроков замены проектируемого оборудования, сроков выпуска продукции, возможности и сроков насыщения проектируемой продукцией рынков сбыта, нетрадиционных объектов массового производства, не имеющих аналогов на стадии завершения рабочего проектирования. Срок упреждения до 10—15 лет.

3. Параметрический метод применяется для составления среднесрочных прогнозов полезного эффекта, возможного изменения рынков сбыта анализируемой продукции серийного производства. Срок прогнозирования до 10 лет.

4. Метод экстраполяции применяется когда оцениваются отдельные виды ресурсов в целом по предприятию, объединению, а также полезный эффект продукции мелкосерийного производства. Срок прогнозирования до 5 лет.

5. Индексный метод применяется при прогнозировании полезного эффекта, мощностей оборудования каждого вида. Виды укрупненных затрат ресурсов в целом по предприятию. Срок прогнозирования до 5 лет.

6. Экспертный метод применяется при проведении прогнозирования возможных рынков сбыта по данному виду полезного эффекта, сроков обновления выпускаемой продукции, по прочим вопросам маркетинга и технического уровня продукции. Срок прогнозирования не ограничен.

7. Метод оценки технических стратегий применяется для формирования требований к разрабатываемому изделию в виде набора целей и определения средств, способов и путей, необходимых для достижения поставленных целей.

8. Функциональный метод применяется при прогнозировании возможности появления на данном рынке сбыта новых материальных носителей данного вида полезного эффекта. Срок прогнозирования не ограничен.

9. Комбинированный метод применяется для всех видов прогнозирования полезного эффекта. Срок прогнозирования неограничен.

Практическое применение того или иного метода прогнозирования определяется такими факторами, как объект прогноза, его точность, наличие исходной информации, квалификация прогнозиста и др.

Методы прогнозирования продаж

методы прогнозирования объема продаж можно разделить на три основные группы:

- методы экспертных оценок;
- методы анализа и прогнозирования временных рядов;
- казуальные (причинно-следственные) методы.

Методы экспертных оценок основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию – построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса. И здесь важно подчеркнуть примат экономического анализа перед чисто статистическими методами изучения процесса.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

Рассмотрим подробнее сущность некоторых методов прогнозирования объема продаж, возможности их использования в маркетинговом анализе, а также необходимые исходные данные и временные ограничения.

Методы научного прогнозирования

Современная наука предлагает более 150 методов прогнозирования, которые могут быть использованы для целей бизнеса. От простейших приемов усреднения до программно-аппаратных систем поддержки принятия решений. И если практикой применения трендовых моделей и экспертных оценок в экономике сложно кого-то удивить, то новые достижения научной мысли на стыке математики, статистики, информатики и кибернетики продолжают оставаться недостаточно востребованными большинством компаний.

Причин здесь несколько: консерватизм и отсутствие воображения у многих менеджеров, сложность новых концепций прогнозирования и их математического аппарата, неочевидность сравнительной практической пользы от внедрения, нехватка информации о них.

Методы «мягких» вычислений, среди которых можно отметить нейронные сети, генетические алгоритмы и нечеткую логику, существуют уже несколько десятилетий. Но вряд ли многие из читателей смогут вспомнить пример их регулярного использования в бизнесе. Исключением будут разве что компании, чья основная деятельность - активные операции на финансовых рынках, страховщики и некоторые банки.

В научных кругах прогрессивность и практическая польза этих методов не вызывают сомнений, однако теоретикам далеко не всегда удается донести информацию до практиков в доступной форме.

Классификация методов прогнозирования

Чтобы получить общее представление о методах прогнозирования, необходимо для начала классифицировать эти методы. Их принято разделять на количественные и качественные.

Методы различаются:

• горизонту прогноза: краткосрочные (как правило, в пределах года или нескольких месяцев), среднесрочные (несколько лет) и долгосрочные (более пяти лет);
• по типу прогнозирования: эвристические (использующие субъективные данные, оценки и мнения), поисковые (в свою очередь делятся на экстраполятивные, проецирующие прошлые тенденции в будущее, и альтернативные, учитывающие возможности скачкообразной динамики явлений и различные варианты их развития) и нормативные (оценка тенденций проводится исходя из заранее установленных целей и задач);
• по степени вероятности событий: вариантные (подразумевают вероятностный характер будущего и предлагают несколько сценариев развития событий) и инвариантные (предполагается единственный сценарий);
• по способу представления результатов: точечные (прогнозируется точное значение показателя) и интервальные (прогнозируется диапазон наиболее вероятных значений);
• по степени однородности: простые и комплексные (сочетают в себе несколько взаимосвязанных простых методов);
• по характеру базовой информации: фактографические (основываются на имеющейся информации о динамике развития явления или объекта, бывают статистическими и опережающими), экспертные (индивидуальные и коллективные, в зависимости от числа экспертов) и комбинированные (использующие разнородную информацию).

«Мягкие» вычисления

Рассмотрим некоторые методы «мягких» вычислений, не получившие пока широкого распространения в бизнесе. Алгоритмы и параметры этих методов значительно меньше детерминированы по сравнению с традиционными. Появление концепций «мягких» вычислений было вызвано попытками упрощенного моделирования интеллектуальных и природных процессов, которые во многом носят случайный характер.

Нейронные сети используют современное представление о строении и функционировании мозга. Считается, что мозг состоит из простых элементов - нейронов, соединенных между собой синапсами, через которые они обмениваются сигналами.

Основное преимущество нейронных сетей заключается в способности обучаться на примерах. В большинстве случаев обучение представляет собой процесс изменения весовых коэффициентов синапсов по определенному алгоритму. При этом, как правило, требуется много примеров и много циклов обучения. Здесь можно провести аналогию с рефлексами собаки Павлова, у которой слюноотделение по звонку тоже начало появляться не сразу. Отметим лишь, что самые сложные модели нейронных сетей на много порядков проще мозга собаки; и циклов обучения нужно значительно больше.

Применение нейронных сетей оправдано тогда, когда невозможно построить точную математическую модель исследуемого объекта или явления. Например, продажи в декабре, как правило, больше, чем в ноябре, но нет формулы, по которой можно посчитать, насколько они будут больше в этом году; для прогнозирования объема продаж можно обучить нейронную сеть на примерах предыдущих лет.

Среди недостатков нейронных сетей можно назвать: длительное время обучения, склонность к подстройке под обучающие данные и снижение обобщающих способностей с ростом времени обучения. Кроме того, невозможно объяснить, каким образом сеть приходит к тому или иному решению задачи, то есть нейронные сети являются системами категории «черный ящик», потому что функции нейронов и веса синапсов не имеют реальной интерпретации. Тем не менее, существует масса нейросетевых алгоритмов, в которых эти и другие недостатки так или иначе нивелированы.

В прогнозировании нейронные сети используются чаще всего по простейшей схеме: в качестве входных данных в сеть подается предварительно обработанная информация о значениях прогнозируемого параметра за несколько предыдущих периодов, на выходе сеть выдает прогноз на следующие периоды - как в вышеупомянутом примере с продажами. Существуют и менее тривиальные способы получения прогноза; нейронные сети - очень гибкий инструмент, поэтому существует множество конечных моделей самих сетей и вариантов их применения.

Еще один метод - генетические алгоритмы. В их основе лежит направленный случайный поиск, то есть попытка моделирования эволюционных процессов в природе.

В базовом варианте генетические алгоритмы работают так:

1. Решение задачи представляется в виде хромосомы.
2. Создается случайный набор хромосом - это изначальное поколение решений.
3. Они обрабатываются специальными операторами репродукции и мутации.
4. Производится оценка решений и их селекция на основе функции пригодности.
5. Выводится новое поколение решений, и цикл повторяется.
В результате с каждой эпохой эволюции находятся более совершенные решения.

При использовании генетических алгоритмов аналитик не нуждается в априорной информации о природе исходных данных, об их структуре и т. д. Аналогия здесь прозрачна - цвет глаз, форма носа и густота волосяного покрова на ногах закодированы в наших генах одними и теми же нуклеотидами.

В прогнозировании генетические алгоритмы редко используются напрямую, так как сложно придумать критерий оценки прогноза, то есть критерий отбора решений, - при рождении невозможно определить, кем станет человек - космонавтом или алконавтом. Поэтому обычно генетические алгоритмы служат вспомогательным методом - например, при обучении нейронной сети с нестандартными активационными функциями, при которых невозможно применение градиентных алгоритмов. Здесь в качестве примера можно назвать MIP-сети, успешно прогнозирующие, казалось бы, случайные явления - число пятен на солнце и интенсивность лазера.

Еще один метод - нечеткая логика, моделирующая процессы мышления. В отличие от бинарной логики, требующей точных и однозначных формулировок, нечеткая предлагает иной уровень мышления. Например, формализация утверждения «продажи в прошлом месяце были низкими» в рамках традиционной двоичной или «булевой» логики требует однозначного разграничения понятий «низкие» (0) и «высокие» (1) продажи. Например, продажи равные или большие 1 миллиона шекелей - высокие, меньше - низкие. Возникает вопрос: почему продажи на уровне 999 999 шекелей уже считаются низкими? Очевидно, что это не совсем корректное утверждение. Нечеткая логика оперирует более мягкими понятиями. Например, продажи на уровне 900 тыс. шекелей будут считаться высокими с рангом 0,9 и низкими с рангом 0,1.

В нечеткой логике задачи формулируются в терминах правил, состоящих из совокупностей условий и результатов. Примеры простейших правил: «Если клиентам дали скромный срок кредита, то продажи будут так себе», «Если клиентам предложили приличную скидку, то продажи будут неплохими».

После постановки задачи в терминах правил четкие значения условий (срок кредита в днях и размер скидки в процентах) преобразуются в нечеткую форму (большой, маленький и т. д.). Затем производится их обработка с помощью логических операций и обратное преобразование к числовым переменным (прогнозируемый уровень продаж в единицах продукции).

По сравнению с вероятностными методами нечеткие позволяют резко сократить объем производимых вычислений, но обычно не повышают их точность. Среди недостатков таких систем можно отметить отсутствие стандартной методики конструирования, невозможность математического анализа традиционными методами. Кроме того, в классических нечетких системах рост числа входных величин приводит к экспоненциальному росту числа правил. Для преодоления этих и других недостатков, так же как и в случае нейронных сетей, существует множество модификаций нечетко-логических систем.

В рамках методов «мягких» вычислений можно выделить так называемые гибридные алгоритмы, включающие в себя несколько разных составляющих. Например, нечетко-логические сети, или уже упоминавшиеся нейронные сети с генетическим обучением. В гибридных алгоритмах, как правило, имеет место синергетический эффект, при котором недостатки одного метода компенсируются достоинствами других, и итоговая система показывает результат, недоступный ни одному из компонентов по отдельности. Перспективы развития научного прогнозирования.

Сегодня разрабатываются методы прогнозирования, использующие положения теории хаоса и фракталов. В отличие от «мягких» алгоритмов, они пока мало проработаны как с теоретической точки зрения, так и в плане практической реализации. Отдельные моменты иногда применяются при анализе финансовых рынков - трейдеры, как правило, первыми испытывают все новые методы прогнозирования. Потенциальная практическая значимость этих исследований не вызывает сомнений. В результате могут быть получены методы довольно точного прогнозирования резких и внезапных изменений - например, экономических кризисов, скачкообразной динамики спроса, банкротств.

Историческая логика развития методов прогнозирования отражает рост информационной насыщенности, возрастающую взаимозависимость различных объектов и сложность их поведения. Новые методы появляются в области сложных комбинированных подходов, использующих элементы искусственного интеллекта, обучения и развития. Учитывая тот факт, что в последнее время в рамках отдельных концепций разработано множество алгоритмов для специфических задач и частных случаев, можно предположить, что будут развиваться не столько методы прогнозирования, сколько методология в целом.

Любой процесс прогнозирования, как правило, строится в следующей последовательности:

1. Формулировка проблемы.
2. Сбор информации и выбор метода прогнозирования.
3. Применение метода и оценка полученного прогноза.
4. Использование прогноза для принятия решения.
5. Анализ «прогноз-факт».

Все начинается с корректной формулировки проблемы. В зависимости от нее задача прогнозирования может быть сведена, например, к задаче оптимизации. Для краткосрочного планирования производства не так важно, каким будет объем продаж в ближайшие дни. Важнее максимально эффективно распределить объемы производства продукции по имеющимся мощностям.

Краеугольным ограничением при выборе метода прогнозирования будет исходная информация: ее тип, доступность, возможность обработки, однородность, формализуемость, объем. Например, при прогнозировании темпов научно-технического прогресса в случае масштабного контакта и сотрудничества с внеземной цивилизацией применение фактографических методов вряд ли будет возможным. Для таких прогнозов необходимо использовать методы моделирования, экспертные, сценарные. С другой стороны, для прогнозирования объемов продаж туалетной бумаги с приемлемой точностью достаточно простой экстраполяции тренда.

Выбор конкретного метода прогнозирования зависит от многих моментов. Достаточно ли объективной информации о прогнозируемом явлении (существует ли данный товар или аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого явления (оснащение автомобиля антигравитационным оборудованием)? Имеются ли зависимости между изучаемыми явлениями и/или внутри массивов данных (объемы продаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данные временным рядом (информация о наличии собственности у заемщиков не является временным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?

Используемые методы

Из всего набора методов прогнозирования в реальной практике бизнеса используются лишь некоторые.

Абсолютный хит - метод оценки прогнозов сотрудниками компании. Подразумевается, что работники обладают необходимым опытом и интуитивным знанием предметной области, рынка. К этой же группе можно отнести опросы потребителей, которые призваны выявить их предпочтения и ожидания, на основе чего моделируется будущее.

Второй по популярности является экстраполяция трендов, которая подразумевает выявление во временном ряде основной тенденции и продление ее в будущее. Этот метод предельно прост и дает приблизительные результаты.

Скользящее среднее применяется при краткосрочном прогнозировании: каждое последующее значение среднего рассчитывается на основе сдвигающегося вперед набора предыдущих значений.

Метод аналогий предполагает построение прогноза на основе известной динамики родственных явлений, например товаров-субститутов. Этот способ прогнозирования схож с методом подобия, применяемым на финансовых рынках, но менее трудоемок, используется обычно в случае новых товаров.

Экспоненциальное сглаживание выдает в качестве прогноза комбинацию прошлых значений. Метод работает при небольших колебаниях уровней ряда или при краткосрочном прогнозировании.

Регрессионный анализ исследует взаимосвязь зависимой переменной от других независимых, применяется при наличии связи между прогнозируемым процессом и какими-либо факторами, влияющими на него.

Из экспертных оценок обычно используют хорошо известный метод «Дельфи». В бизнесе в основном применяют субъективные методы прогнозирования и некоторые количественные. Возникает вопрос: почему, имея значительный набор средств прогнозирования, аналитики в подавляющем большинстве случаев продолжают пользоваться простейшими из них? Причин здесь несколько.

Во-первых, использование более сложных методов не всегда приводит к повышению точности прогнозов. Многие вещи можно прочувствовать, но практически невозможно просчитать. Интуиция в бизнесе все еще остается незаменимой. Во-вторых, чем сложнее метод, тем больше времени требуется на подготовку данных, на расчеты, анализ, численные эксперименты. Чем больше ассортимент, тем проще используемые методы прогнозирования (или больше штат прогнозистов).

В-третьих, окружающая среда, продукция, внутрифирменные факторы и прочие условия меняются слишком часто, что не позволяет опереться при прогнозировании на репрезентативные выборки исходных данных. При этом подавляющее большинство методов прогнозирования так или иначе использует именно исторические данные. В-четвертых, грамотное применение научных методов прогнозирования обычно требует специальных знаний, соответствующего образования, умения пользоваться математическим и статистическим аппаратом, прикладными пакетами анализа и т. д. Какой же точности прогноза удается добиться с помощью используемых на практике методов? Здесь все, как правило, зависит от степени агрегированности показателя. Так, если прогнозировать совокупный общий объем реализации в деньгах - точность прогноза может достигать +\-5%. Но если прогнозировать, например, объемы оптовых продаж потребительских товаров по ассортиментным позициям в разрезе регионов - очень высоким результатом считается 40-процентная точность попадания в интервал +\-20% в пределах месяца, то есть объем реализации 40% позиций ассортимента угадан с точностью +\-20%.

Широко известным является факт значительного роста объемов оптовых продаж к концу месяца. Если сравнивать объемы продаж первой и последней недель внутри месяца - разница может достигать нескольких сотен процентов, тогда как разница между двумя месяцами обычно не так велика.

Чем более агрегированный по объему или по времени показатель анализируется, тем точнее будет прогноз. Со снижением степени агрегированности снижается и польза от статистических методов. Поэтому необходимо искать баланс между детализацией и точностью.

Научное прогнозирование и бизнес

Текущий уровень развития средств обработки информации позволяет говорить о возможности массового перехода от отдельных методов прогнозирования к системам поддержки принятия решений, использующим в работе элементы искусственного интеллекта и самообучения. Однако практическая востребованность этих методов вызывает сомнения.

Во-первых, не доказано их преимущество перед человеческой интуицией в условиях бизнеса. Во-вторых, процесс функционирования сложной системы, как правило, недостаточно прозрачен для пользователя, соответственно, результат не вызывает полного доверия. В-третьих, параметры таких систем требуют тонкой настройки и подбора, методы проведения которых практически не формализованы. В-четвертых, комплексные прогностические системы создаются для уникальных условий и редко тиражируются, в связи с чем стоимость их разработки, внедрения и поддержки довольно высока. Эти и другие причины тормозят проникновение научного прогнозирования в бизнес, фильтрующий все методы на предмет практической пользы и простоты применения. Вне зависимости от их продвинутости - с академической точки зрения.

Методы прогнозирования финансовых показателей

Существуют различные классификации прогнозно-аналитических методов. Наиболее распространенной является следующая классификация.

1. Неформализованные методы. Они основаны на описании аналитических процедур на логическом уровне, а не с помощью строгих аналитических зависимостей (методы экспертных оценок, сценариев, психологические, морфологические, методы сравнения, построения систем показателей, построения систем аналитических таблиц и т.п.). Применение этих методов характеризуется определенным субъективизмом, поскольку большое значение имеют интуиция, опыт и знания аналитика.
2. Формализованные методы. В их основе лежат строгие формализованные аналитические зависимости.

Известны десятки этих методов, их можно условно разбить на группы:

1) элементарные методы факторного анализа: методы цепных подстановок, арифметических разниц, выделения изолированного влияния факторов, процентных чисел, простых и сложных процентов, балансовый, дифференциальный, логарифмический, интегральный методы. В рамках финансового менеджмента эти методы используются главным образом для оценки и прогнозирования финансового состояния предприятия;
2) традиционные методы экономической статистики: методы средних и относительных величин, группировки, графический, индексный, элементарные методы обработки рядов динамики. Эти методы широко используются в финансовом менеджменте;
3) математико-статистические методы изучения связей: корреляционный анализ, регрессионный анализ, дисперсионный анализ, современный факторный анализ и др.;
4) методы экономической кибернетики и оптимального программирования: методы системного анализа, методы машинной имитации, линейное программирование и др. В настоящее время значение этих методов в финансовом менеджменте относительно невысоко; вместе с тем все большее распространение получают методы машинной имитации (в частности, для разработки и выбора различных вариантов действий в рамках оптимизации инвестиционной политики);
5) эконометрические методы: матричные методы, гармонический анализ, спектральный анализ, методы теории производственных функций, методы теории межотраслевого баланса;
6) методы исследования операций и теории принятия решений: методы теории графов, метод деревьев, методы байесовского анализа, теория игр, теория массового обслуживания, методы сетевого планирования и управления. Наряду с эконометрическими эти методы не получили широкого распространения в управлении финансами. Комплексное использование данных методов для решения текущих и перспективных задач может существенно повысить эффективность финансового менеджмента.

Качественные методы прогнозирования

Как указывалось выше, для использования количественных методов прогнозирования необходимо располагать информацией, достаточной для выявления тенденции или статистически достоверной зависимости между переменными. Когда количество информации недостаточно или руководство не понимает сложный метод, или когда количественная модель получается чрезмерно дорогой, руководство может прибегнуть к качественным моделям прогнозирования. При этом прогнозирование будущего осуществляется экспертами, к которым обращаются за помощью. Четыре наиболее распространенных качественных метода прогнозирования — это мнение жюри, совокупное мнение сбытовиков, модель ожидания потребителя и метод экспертных оценок.

МНЕНИЕ ЖЮРИ. Этот метод прогнозирования заключается в соединении и усреднении мнений экспертов в релевантных сферах. Например, для прогнозирования рентабельности производства новой модели компьютера фирма «Контрол Дейта» может снабдить имеющейся основной информацией своих менеджеров отделов производства, маркетинга и финансов и попросить их высказать мнение о возможном сбыте и его пределах.

Неформальной разновидностью этого метода является «мозговой штурм», во время которого участники сначала пытаются генерировать как можно больше идей. Только после прекращения процесса генерирования некоторые идеи подвергаются оценке. Это может отнимать много времени, но зачастую дает полезные результаты, особенно когда организация нуждается во множестве новых идей и альтернатив.

СОВОКУПНОЕ МНЕНИЕ СБЫТОВИКОВ. Опытные торговые агенты часто прекрасно предсказывают будущий спрос. Они близко знакомы с потребителями и могут принять в расчет их недавние действия быстрее, чем удастся построить количественную модель. Кроме того, хороший торговый агент на определенном временном отрезке зачастую «чувствует» рынок по сути дела точнее, чем количественные модели.

МОДЕЛЬ ОЖИДАНИЯ ПОТРЕБИТЕЛЯ. Как можно судить по названию, модель ожидания потребителя является прогнозом, основанным на результатах опроса клиентов организации. Их просят оценить собственные потребности в будущем, а также новые требования. Собрав все полученные таким путем данные и сделав поправки на пере- или недооценку, исходя из собственного опыта, руководитель зачастую оказывается в состоянии точно предсказать совокупный спрос.

МЕТОД ЭКСПЕРТНЫХ ОЦЕНОК. Он является более формализованным вариантом метода коллективного мнения. Первоначально метод был разработан фирмой «Рэнд Корпорейшн» для прогнозирования событий, интересующих военных. Метод экспертных оценок, в принципе, представляет собой процедуру, позволяющую группе экспертов приходить к согласию. Эксперты, практикующие в самых разных, но взаимосвязанных областях деятельности, заполняют подробный вопросник по поводу рассматриваемой проблемы. Они записывают также свои мнения о ней. Каждый эксперт затем получает свод ответов других экспертов, и его просят заново рассмотреть свои прогноз, и если он не совпадает с прогнозами других, просят объяснить, почему это так. Процедура повторяется обычно три или четыре раза, пока эксперты не приходят к единому мнению. Анонимность экспертов является очень важным моментом. Она помогает избежать возможного группового размышления над проблемой, а также возникновения межличностных конфликтов на почве различий в статусе или социального окрашивания мнений экспертов. Несмотря на некоторые сомнения в надежности, поскольку результат с очевидностью зависит от того, к каким именно экспертам обращаются за консультацией, метод экспертных оценок с успехом использовался для прогнозирования в самых разных сферах — от ожидаемого сбыта изделий до изменений в таких сложных структурах, как социальные отношения и новейшая технология. Метод использовался для оценки военных возможностей СССР в будущем, государственной политики в области научно-технического прогресса и для измерения качества жизни в Америке.

Методы прогнозирования пример

При прогнозировании исходят из простого предположения, что следующий во времени показатель по своей величине будет равен средней, рассчитанной за последний интервал времени.

Пример: если объем продаж товара Х составил (штук):
в январе - 60,
в феврале - 85,
в марте - 80,
в апреле - 92,
в мае - 88.
в июне - 96,
то прогноз продаж на июль (для 5-ти месячного периода) составит:
(85 + 80 + 92 + 88 + 96) / 5 = 88,2.
Если реальный объем продаж на июль составил 94 штуки, то прогноз продаж на август уже будет равен:
(80 + 92 + 88 + 96 + 94) / 5 = 90
и так далее.

Методы прогнозирования данных

Базовая линия представляет собой числовое выражение результатов наблюдений, проводимых на протяжении длительного периода времени.

Приведем примеры базовой линии:

• Ежемесячный доход за прошедшие четыре года.
• Ежедневное количество посещений поликлиники за последние шесть месяцев.
• Среднее потребление спиртных напитков с 1970 года.
• Количество телефонных звонков, полученных сервисной службой за час на прошлой неделе.

С точки зрения прогнозирования, существует четыре важнейших характеристики базовых линий:

• Базовая линия включает в себя результаты наблюдений — начиная с самых ранних и заканчивая последними. Это требование довольно легко выполнить, но оно является обязательным. Если ваши показатели заносятся в таблицу, в которой строки представляют годы, а столбцы — месяцы, то лучше изменить структуру таблицы и расположить даты в одном столбце, начиная сверху, с самого раннего периода.
• Все временные периоды базовой линии имеют одинаковую продолжительность. Не следует смешивать данные, например, за один день со средними трехдневными показателями. На практике незначительные отклонения можно игнорировать. Например, в феврале и марте разное количество дней, однако эта незначительная разница в два-три дня обычно не учитывается в базовых линиях, построенных на основе ежемесячных результатов наблюдений.
• Наблюдения фиксируются в один и тот же момент каждого временного периода. Например, вы отслеживаете движение пешеходов, чтобы выбрать место, где следует проложить новую дорогу - Результаты наблюдений в пятницу в б часов утра и во вторник в 11 часов дня будут существенно отличаться. Для правильного определения базовой линии следует проводить наблюдения в одно и то же время дня и в один и тот же день недели.
• Пропуск данных не допускается. Пропуск даже одного результата наблюдений нежелателен при прогнозировании» поэтому, если в ваших наблюдениях отсутствуют результаты за незначительный отрезок времени, постарайтесь восполнить их хотя бы приблизительными данными.

Если ваша базовая линия отвечает всем четырем вышеупомянутым требованиям, то у вас гораздо больше шансов составить точный прогноз.

Для использования некоторых инструментов прогнозирования Excel необходимо, чтобы результаты наблюдении в базовой линии располагались вертикально, т.е. в виде столбцов. Поэтому вполне логично, что в примерах, приведенных в данной главе, базовые линии расположены именно таким образом, а не горизонтально.

Прогнозы с применением метода скользящего среднего

Метод скользящего среднего применять достаточно несложно, однако он слишком прост для создания точного прогноза. При использовании этого метода прогноз любого периода представляет собой не что иное, как получение среднего показателя нескольких результатов наблюдений временного ряда. Например, если вы выбрали скользящее среднее за три месяца, прогнозом на май будет среднее значение показателей за февраль, март и апрель. Выбрав в качестве метода прогнозирования скользящее среднее за четыре месяца, вы сможете оценить майский показатель как среднее значение показателей за январь, февраль, март и апрель.

Вычисления с помощью этого метода довольно просты и достаточно точно отражают изменения основных показателей предыдущего периода. Иногда при составлении прогноза они эффективнее, чем методы, основанные на долговременных наблюдениях. Например, вы составляете прогноз объема продаж давно и хорошо освоенной вашим предприятием продукции, причем средний показатель объема за последних несколько лет составляет 1000 единиц. Если ваша компания планирует значительное сокращение штата торговых агентов, логично предположить, что среднемесячный объем реализации будет сокращаться (по крайней мере, на протяжении нескольких месяцев).

Если для прогнозирования объема продаж в будущем месяце вы воспользуетесь средним значением данного показателя за последние 4 месяца, то, вероятно, получите результат, несколько завышенный по сравнению с фактическим. Но если прогноз будет составлен на основании данных за два последних месяца, то он намного точнее отразит последствия сокращения штата торговых агентов. В данном случае прогноз будет отставать по времени от фактических результатов всего на один - два месяца.

Разумеется, это происходит потому, что при применении скользящего среднего за два последних месяца, каждый из показателей (за этот временной период) отвечает за половину значения прогноза. При 4-месячном скользящем среднем показатели этих же последних месяцев отвечают только за четвертую часть значения прогноза.

Таким образом, чем меньше число результатов наблюдений, на основании которых вычислено скользящее среднее, тем точнее оно отражает изменения в уровне базовой линии.

Но, если базой для прогнозируемого скользящего среднего являются всего лишь одно или два наблюдения, то такой прогноз может стать слишком упрощенным. В частности, он будет отражать тенденции в данных, на которых он строится, ничуть не лучше, чем сама базовая линия.

Чтобы определить, сколько наблюдений желательно включить в скользящее среднее, нужно исходить из предыдущего опыта и имеющейся информации о наборе данных. Необходимо выдерживать равновесие между повышенным откликом скользящего среднего на несколько самых свежих наблюдений и большой изменчивостью этого среднего.

Одно отклонение в наборе данных для трехкомпонентного среднего может исказить весь прогноз. А чем меньше компонентов, тем меньше скользящее среднее откликается на сигналы и больше — на шум. Нет хорошего общего правила, которым следует руководствоваться в подобном случае: используйте собственное мнение, основанное на знаниях того набора данных, с которым вы работаете.

Методы политического прогнозирования

Прогнозирование обычно понимают в широком и узком значении. В широком – это выработка вероятного суждения о состоянии какого-либо явления в будущем. В узком – это специальное научное исследование перспектив развития какого-либо явления, преимущественно с количественными оценками и с указанием более или менее определенных сроков изменения данного явления. По выражению Б.И.Краснова «в самом общем виде прогнозирование – это опережающее отражение действительности».

Основная причина, побуждающая человека заниматься прогнозированием, состоит в том, что существуют явления, будущее которых он не знает, но они имеют важное значение для решений, принимаемых им сегодня. Поэтому он стремится проникнуть своим интеллектом в будущее. Каждый прогноз разрабатывается с целью избежать нежелательных результатов вероятного развития событий и ускорения вероятного развития в желательном направлении, а также с целью приспособиться к неизбежному.

Поэтому прогнозирование как одна из форм научного предвидения находится в социальной сфере во взаимосвязи с целеполаганием, планированием, программированием, проектированием, управлением. Там же, где объекты неуправляемы, особенно в природе, имеет место безусловное предсказание с целью приспособить действия к ожидаемому состоянию объекта.

Прогнозирование в социальной сфере как научное предсказание, предвидение будущего состояния объекта требует информации о прошлом и настоящем состоянии этого объекта, о тенденциях его развития. Но даже при наличии исходных данных мы не способны сделать прогноз, если не понимаем социальных и экономических взаимосвязей внутри процесса, объекта, явления. Поэтому прогнозирование должно основываться на определенной теории. Без теории оно будет простым собиранием информации и разных предположений.

Прогнозирование практикуется во всех сферах жизни общества. Одним из его направлений является политическое прогнозирование, объектом которого выступает политика. Как известно, различают политику внутреннюю и внешнюю. Каждая из двух основных областей политики имеет свою специфику. Поэтому прогнозирование в области политики выступает в двух видах: внутриполитическое и внешнеполитическое.

Для выявления сущности политического прогнозирования необходимо охарактеризовать его особенности, специфику. Эта специфика, прежде всего, проявляется в своеобразии объекта прогнозирования, а затем связанных с ним особенностях целей и задач разработки прогнозов, а также подхода к выбору методов прогнозирования.

Объект политического прогнозирования очень широкий и сложный по структуре. Поэтому понятие «политическое прогнозирование» означает многогранную и разноаспектную деятельность по проведению специальных научных исследований и разработке прогнозов многочисленных составляющих политики, в сфере их разносторонних взаимосвязей и взаимодействий, а также в области взаимосвязей с другими сферами жизнедеятельности общества: экономической, социальной, духовной.

Политические прогнозы разрабатываются с целью повысить эффективность и результативность принимаемых решений, избежать нежелательного направления развития событий в различных областях политической жизни и на участках воздействия политики на экономику, социальную и духовную сферы.

В целом в рассматриваемой сфере важнейшей задачей прогнозирования считается выявление перспективных политических проблем и наилучших путей их решения в интересах оптимизации управления политическими процессами, а также предвидение тех или иных политических событий, как желательных, так и нежелательных.

Типологизация политических прогнозов строится на различных критериях в зависимости от цели, задач, объектов, характера периода упреждения, методов и других факторов.

На основе проблемно-целевого критерия, то есть в зависимости от того, для чего разрабатывается прогноз, различают прогнозы поисковые и нормативные.

По периоду упреждения – промежутку времени, на который рассчитан прогноз – различают оперативные (до 1 месяца), краткосрочные (до 1 года), среднесрочные (обычно до 5 лет), долгосрочные (до 15-20 лет) и дальносрочные (за пределами долгосрочных).

Каждый, кто разрабатывает научные прогнозы и применяет их в практической политике, так или иначе, вольно или невольно руководствуется принципом познаваемости действительности. Следовательно, методологической основой прогнозирования служит материалистическая гносеология.

Объективная основа прогнозирования политических событий состоит в том, что их будущее заключено в настоящем, но только в возможности. Поэтому научные прогнозы политических событий, явлений и процессов - это осмысленные, осознанные возможности развития политической жизни общества, взятые в их теоретической обоснованности.

Возможность существует объективно в самой действительности как скрытая тенденция ее дальнейшего развития. Поэтому иного пути для прогнозирования будущего нет, кроме познания возможностей, тенденций, заключенные в настоящем состоянии политической системы. Таким образом, научный прогноз раскрывает будущее политическое событие как нечто объективно обусловленное предыдущим ходом вещей, то есть нечто детерминированное, предопределенное законами развития и функционирования политической системы.

Обычно считается, что за новыми явлениями, фактами и процессами развития настоящего стоит будущее, что в них имеется будущее. Однако утверждать это с достоверностью можно лишь с учетом действия вскрытых наукой законов развития объектов политического прогноза. Иначе говоря, важнейшей основой прогнозирования является действие объективных законов определенной области действительности, в данном случае политической.

Политическая жизнь представляет собой одну из сфер жизнедеятельности людей, общества. И ей так же, как и другим сферам, присущи существенные, устойчивые, повторяющиеся и необходимые связи и отношения, то есть объективные закономерности.

Законы, действующие в социально-политической области, проявляются как тенденции или возможности, которые не всегда превращаются в действительность. Это, естественно, затрудняет разработку политических прогнозов.

Объективной основой прогнозирования является и системное строение политической сферы общества. Любая система – это совокупность взаимосвязанных и взаимодействующих элементов, образующих определенную целостность, единство. Свойства системы не сводятся к сумме свойств ее компонентов. Система активно воздействует на свои компоненты и преобразует их сообразно собственной природе. В то же время изменение каких-то элементов может привести к определенному изменению всей системы. Система иерархична по своей сущности: каждый ее элемент в свою очередь может рассматриваться как система, а сама исследуемая система представляет лишь один из компонентов более широкой системы. Все это необходимо учитывать при постановке целей и задач прогнозирования в рамках функционирования и развития политической системы, при разработке прогнозов и их использовании в практической политике.

Практика прогнозирования и ее теоретическое осмысление показали, что при осуществлении этой деятельности необходимо руководствоваться определенными принципами. Важнейшими из них являются принципы альтернативности и верификации.

Принцип альтернативности в данном случае означает, что при разработке прогноза должны быть предусмотрены, обоснованы все вероятные направления развития объекта, разные варианты превращения имеющейся возможности в действительность.

Принцип верификации (проверяемости) означает, что прогноз должен содержать в себе возможность его подтверждения или опровержения. Прогноз, который не может быть ни подтвержден, ни опровергнут, бесполезен. Верификация – это эмпирическая проверка теоретических положений путем сопоставления их с наблюдаемыми объектами.

В настоящее время политическое прогнозирование располагает целым рядом методов. Среди них – экстраполяция, моделирование, экспертиза, коллективная генерация идей, построение сценариев, прогнозные графы, а также другие группы методов. Каждая группа содержит несколько способов разработки прогнозов.

Некоторые политологи подразделяют методы политического прогнозирования на объективные и спекулятивные. Объективные – это такие методы, которые основываются на существующих, установленных опытом тенденциях. В данном случае и решение принимается на этой же основе. К таким методам относятся экстраполяция, моделирование, экспертиза и некоторые другие. Спекулятивные – это такие методы, которые основываются на интуитивных рассуждениях, на осмыслении оснований науки и культуры. К подобным методам относятся коллективная генерация идей («мозговая атака»), написание сценариев, прогнозные графы и многие другие.

Рассмотрим кратко некоторые группы методов того и другого типа.

Одним из важнейших способов современного социально-экономического и политического прогнозирования является экстраполяция. Ее сущность заключается в том, что достоверные выводы по одной части какого-либо явления распространяются на другую часть, на явление в целом, на будущее данного явления. Экстраполяция – это ведущий метод прогнозирования будущего на основе существующих, действующих в настоящем тенденций.

Моделирование – это метод исследования объектов познания, то есть явлений, процессов, систем, на их моделях. Возможность моделирования, то есть переноса результатов, полученных в ходе построения и исследования модели, на оригинал, основана на том, что модель в определенном смысле отображает, воспроизводит, моделирует какие-либо его стороны. Прогнозирование методом моделирования базируется на том, что модель имеет теоретическую основу. При отсутствии теории, которая послужила бы основой для разработки предположения о будущих отношениях, одной информации о настоящем для этого недостаточно. Из числа спекулятивных методов рассмотрим брейнсторминг, то есть метод внезапных идей (по отечественной терминологии «мозговая атака»). Первая ступень брейнсторминга – это генерация большого количества идеей в небольшой период времени и в небольшой группе (5-12 человек). На данной ступени не делается оценки или комментариев насчет осуществимости этих идей, что могло бы привести к преждевременному отрицанию. После того, как эта творческая стадия завершена, идеи объединяются и оцениваются, создаются дополнительные возможности к вариантам вероятных событий, затем наиболее важные прогностические идеи выделяются.

Конкретные методики, по которым ведется политическое прогнозирование, образуются путем сочетания ряда методов.

Нормативный метод прогнозирования

Нормативные методы прогнозирования состоят в определении необходимых и достаточных средств для достижения возможного состояния изучаемого объекта и отвечают на вопрос: "что будет?", "что мы хотим увидеть?", "какими средствами этого достичь?".

К числу нормативных методов прогнозирования относятся:

- дерево целей;
- морфологические модели (разбиение проблемы на части, которые являются независимыми друг от друга; проблема решается для каждой из этих частей);
- блок-схемы, последовательности выполнения задач (применяются в тех случаях, когда процесс или объект можно представить в виде одной или нескольких цепочек последовательных этапов.

Преимущества нормативных методов: выявляют структуру и организуют проблему; способствуют гарантии полноты исследования.

Недостатки: тенденция вносить жесткость в предлагаемые решения.

Нормативное прогнозирование представляет собой подход, к разработке прогноза исходя из целей и задач, которые ставит перед собой организация в прогнозируемом периоде. Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений, когда производится определение первоочередности выполнения предлагаемых для достижения поставленных целей проектов.

Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные средства, рабочая сила, её качество и квалификация, оборудование, энергетические ресурсы и т.д.

В частности, одно измерение горизонтальной матрицы решений может соответствовать основным проблемам, возникающим при достижении цели, второе измерение - ресурсам, которые могут потребоваться для решения этих проблем.

Согласованные матрицы более низких иерархических уровней проблем объединяются в матрицы более высоких уровней вплоть до главных матриц для стратегических проблем организации.

В трехмерной горизонтальной матрице решений одно измерение, например, может соответствовать коммерческим миссиям (областям сбыта), второе - ресурсам, третье - времени. Ресурсы в свою очередь, могут подразделяться на финансовые, коммерческие, ресурсы сбыта, производства, оборудования и т.д.

Методы криминологического прогнозирования

Результативность изучения преступности и разработка мер по ее предупреждению во многом зависят от правильного использования методов, техники и процедуры криминологического прогнозирования. С учетом цели, задач изучения и характера необходимой информации определяются методы исследования.

Само криминологическое прогнозирование является одним из методов криминологической науки и применяется в ней наряду с другими методами научного познания. Однако, если рассматривать прогнозирование как процесс познавательной деятельности, то становится ясным, что для получения прогноза требуется использование специфических методов, выработанных теорией и практикой прогностики. Криминологический прогноз не осуществляется без качественного анализа изучаемых явлений, а качество всегда обладает количественной характеристикой. В преступности количество и качество всегда находятся в диалектической взаимосвязи и взаимозависимости. Используя количественный метод, чтобы выявить свойства общего, нужно провести исследование массы преступлений и получить средние величины, которые дают обобщающую характеристику изучаемого явления.

Следовательно, статистический метод обобщающих показателей является одним из важных методов прогнозирования преступности. Обобщающие показатели освобождены от фактов, которые имеют второстепенное значение для выведения основной тенденции. Статистический метод дает в криминологическом прогнозировании цифровое выражение будущей преступности и отражается в различного рода таблицах, диаграммах, графиках.

В криминологическом прогнозировании применяется и метод экстраполяции. Это, по существу, продолжение статистического ряда. Экстраполирование осуществляется путем проекции на будущее закономерностей развития уровня и структуры преступности в прошлом и настоящем. Для этого образуются статистические ряды по годам за определенный (продолжительный) период, непосредственно предшествующий прогнозируемому периоду, которые выражают направленность, характер и темп изменений преступности. Ряды формируются на основе абсолютных данных и коэффициентов. При этом необходим учет различий статистической и реальной картины преступности (вероятный уровень скрытой преступности).

Однако, экстраполяция наиболее эффективна для прогнозирования более или менее устойчивых процессов и явлений, а преступность часто подвергается значительным колебаниям в зависимости от многих факторов. Поэтому этот метод чаще применяется при краткосрочном прогнозировании отдельных видов или групп преступлений.

Успешно решаются задачи криминологического прогнозирования сочетанием метода экстраполяции с моделированием.

Непосредственное изучение преступности будущего затрудняется тем, что эта преступность не существует. Для этого нужно создать модель прогнозируемой преступности. При этом следует иметь в виду, что основные элементы прототипа существующей преступности выражаются в основном количественно. Полученная модель преступности переносится на будущее, в процессе этого она совершенствуется и уточняется. Помимо входящих в нее характеристик преступности, модель дополняется и изменяется в соответствии с установленными тенденциями развития преступности в целом и единичных явлений, типичных для будущей преступности, с учетом данных социального, демографического и других прогнозов. Моделирование может осуществляться путем разработки с помощью программистов системы математических формул, описывающих динамику преступности, исходя из взаимодействия различных факторов, существенно влияющих на преступность.

За последнее время получает определенное распределение в криминологическом прогнозировании и метод экспертных оценок.

Прогнозирование этим методом проводится путем выяснения мнения специалистов, научных и практических работников, отобранных по определенным показателям – стажу, квалификации, кругу знаний и способностей и др., о будущем уровне и структуре преступности, о процессах и явлениях, наиболее активно влияющих на ее основные тенденции. Экспертная оценка может быть формализована путем заполнения специально разработанных матриц, требующих количественной интерпретации их мнения по шкале отобранных фактов (детерминантов). Метод прогнозирования при помощи экспертных оценок имеет и определенные недостатки. Разработка вопросов требует много времени: трудно сформулировать вопросы так, чтобы они могли позволить дать ответ в количественной форме; иногда не слишком компетентные эксперты могут снизить уровень достоверности полученных оценок и т.д.

К методам криминологического прогнозирования можно отнести и метод выдвижения гипотез. Криминологическое прогнозирование, как уже было отмечено выше, это процесс научного познания будущей преступности. Познание же любого объекта или явления никогда не бывает совершенно новым. При решении новых задач их всегда сравнивают с теми, которые приходилось решать ранее. И в ряде случаев находят в них явления, похожие на явления прошлых задач.

Для решения новой задачи выдвигается определенная гипотеза, которая применяется как метод познания еще неизвестного в теории и практике прогнозирования преступности. Здесь прослеживается связь гипотезы с моделированием. Однако гипотеза не требует обязательного доказывания. Она приводит только к предположению о существовании тех или иных фактов, событий, процессов явлений, т.е. в процессе прогнозирования служит ориентиром, указывающим путь для выполнения поставленных задач и цели.

Таким образом, криминологическое прогнозирование позволяет выдвигать гипотезы о природе будущей преступности, предсказывать существование новых явлений и процессов. Выдвижение гипотезы дает возможность построить модель будущей преступности, исследовать ее и получить прогноз интересующего нас явления.

Дальнейшее развитие теории и практики криминологического прогнозирования будет, несомненно, совершенствовать применение всех названных методов, будут разработаны и новые методы. Каждый из них, однако, будет иметь значение не сам по себе, а только во взаимосвязи с другими.

Интуитивные методы прогнозирования

Интуитивные методы прогнозирования применяются для тех процессов, которые невозможно описать математическими формулами. Использование данных методов дает возможность получить прогнозную оценку состояния развития объекта в будущем независимо от информационной обеспеченности. Сущность интуитивных методов заключается в построении рациональной процедуры интуитивно-логического мышления человека в сочетании с количественными методами оценки и обработки полученных результатов. Решение проблемы в этом случае базируется на обобщенном мнении экспертов.

Методы экспертных оценок широко применяются на практике и имеют характерные особенности:

1) научно обоснованная организация проведения всех этапов экспертизы, обеспечивающая наибольшую эффективность работы на каждом этапе;
2) применение количественных методов как при организации экспертизы, так и при оценке суждений экспертов и формальной групповой обработке результатов.

Организация процедуры экспертной оценки включает несколько этапов: формирование репрезентативной экспертной группы; подготовку и проведение экспертизы; статистическую обработку полученных результатов опроса.

Методы отбора экспертов. В практике прогнозирования нередки случаи, когда количественная информация об объекте либо отсутствует, либо носит ограниченный характер. В этих условиях применение формализованных методов затруднено, им на смену приходят интуитивные методы или экспертные оценки.

Слово «эксперт» - латинского происхождения и означает опытный, сведущий. Интуитивные методы в отличие от формализованных появились очень давно. Один из наиболее распространенных интуитивных методов - метод Дельфи - получил свое название по названию города Дельфы, который прославился своими мудрецами и предсказателями, жившими в нем еще до нашей эры. Формализованные методы разработаны и нашли свое применение лишь в ХХ веке.

На способность эксперта строить прогноз оказывают влияние внутренние и внешние факторы. Внутренние факторы зависят от индивидуальных качеств эксперта, т.е. от его опыта, знаний, интеллекта, способности предвидеть будущее. Внешние факторы - это те, которые в значительной степени не зависят от личности эксперта, а определяются внешними условиями, ограничениями, например, степенью доступа эксперта к информации; правильностью постановки задаваемых вопросов; погрешностью модели опроса.

При отборе экспертов, как правило, необходимо руководствоваться следующими основными критериями:

1) степень компетентности эксперта. При ее оценке следует учитывать должностное положение эксперта, ученое звание, количество опубликованных работ, количество ссылок на эти работы;
2) стаж работ эксперта в области, связанной с объектом прогнозирования;
3) устойчивость взглядов кандидата в эксперты, умение отстаивать свои позиции и преодолевать ранее сложившиеся стереотипы;
4) способность к нелинейному мышлению, к рассмотрению проблемы с разных сторон, с разных позиций.

Из всего разнообразия методов отбора экспертов можно выделить:

а) документальный метод - предусматривает подбор экспертов с учетом их научных знаний, стажа работы, возраста, количества публикаций и ссылок на них, т.е. изучается вся документально подтверждаемая информация о кандидате в эксперты;
б) экспериментальный метод - заключается в проверке эффективности работы эксперта в прошлом;
в) метод самооценки – эксперту предлагается самостоятельно оценить свою компетентность в области объекта прогнозирования;
г) методы голосования (имеют несколько разновидностей: прием исключения, попарное сравнение кандидатов, метод «приятелей»).

Прием исключения. Несколько специально подобранных выборщиков (специалистов) составляют предварительный список кандидатов. Организаторы изучают его, выделяя наиболее ценные кандидатуры.

Попарное сравнение кандидатов. Из предварительного списка берется произвольно два кандидата, и при сравнении один из них обязательно исключается.

Метод «приятелей» предполагает отбор экспертов из числа знакомых. Эксперты-выборщики предлагают свои кандидатуры, дальше эти кандидаты предлагают свои кандидатуры - нарастание числа потенциальных кандидатов происходит по принципу «снежного кома».

В зависимости от организации экспертной оценки и формы опроса экспертов различают методы индивидуальных и коллективных экспертных оценок.

Методы прогнозирования временных рядов

Базисная цель статистического анализа временного ряда заключается в том, чтобы по имеющейся траектории этого ряда:

1.определить, какие из неслучайных функций присутствуют в разложении, т.е. определить значения индикаторов ci;
2.построить «хорошие» оценки для тех неслучайных функций, которые присутствуют в разложении;
3.подобрать модель, адекватно описывающую поведение случайных остатков et, и статистически оценить параметры этой модели.

Успешное решение перечисленных задач, обусловленных базовой целью статистического анализа временного ряда, является основой для достижения конечных прикладных целей исследования и, в первую очередь, для решения задачи кратко- и среднесрочного прогноза значений временного ряда. Приведем кратко основные элементы эконометрического анализа временных рядов.

Временные ряды отражают тенденцию изменения параметров системы во времени, поэтому входным параметром х является момент времени.

Выходной параметр y называется уровнем ряда. В случае отсутствия ярко выраженных изменений в течение времени, общая тенденция сохраняется.

Ряд можно описать уравнением вида:

YT = F (t) + ET ,
где
F (t) – детерминированная функция времени.
ET – случайная величина

Во временных рядах проводится операция анализа и сглаживания тренда, который отражает влияние некоторых факторов. Для построения тренда применяется МНК-критерий.

Существуют моментальные и интервальные ряды. В моментальных рядах отражаются абсолютные величины, по состоянию на определенный момент времени, а в интервальных – относительные величины (показатель за год, месяц, и т.д.). Исследование данных при помощи рядов позволяет во многих случаях более четко представить детерминированную функцию. При этом рассчитываются базисные и цепные показатели (прирост, коэффициент роста, коэффициент роста, темп роста, темп прироста, и др.). Под базисными показателями понимают, показатели, которые соотносятся к начальному уровню ряда. Цепные показатели относятся к предыдущему уровню.

Прогноз явлений по временным рядам состоит из двух этапов:

- Прогноз детерминированной компоненты.
- Прогноз случайной компоненты.

Обе проблемы связаны с анализом результатов парных экспериментов. В отличие от аппроксимации и интерполяции анализ временных рядов включает в себя методы оценки случайных компонент. Поэтому прогнозирование при помощи временных рядов является более точным.

Исследование рядов имеет большое значение и для технических, и для экономических систем.

Выбор метода прогнозирования

Выбор конкретного метода прогнозирования зависит от многих моментов. Достаточно ли объективной информации о прогнозируемом явлении (существует ли данный товар или аналоги достаточно долго)? Ожидаются ли качественные изменения изучаемого явления? Имеются ли зависимости между изучаемыми явлениями и/или внутри массивов данных (объемы продаж, как правило, зависят от объемов вложений в рекламу)? Являются ли данные временным рядом (информация о наличии собственности у заемщиков не является временным рядом)? Имеются ли повторяющиеся события (сезонные колебания)?

Независимо от того, в какой отрасли и сфере хозяйственной деятельности работает фирма, ее руководству постоянно приходится принимать решения, последствия которых проявятся в будущем. Любое решение основывается на том или ином способе проведения. Одним из таких способов является прогнозирование.

Прогнозирование — это научное определение вероятных путей и результатов предстоящего развития экономической системы и оценка показателей, характеризующих это развитие в более или менее отдаленном будущем.

Рассмотрим прогнозирование объема продаж, используя метод анализа временных рядов.

Прогнозирование на основе анализа временных рядов предполагает, что происходившие изменения в объемах продаж могут быть использованы для определения этого показателя в последующие периоды времени.

Временной ряд — это ряд наблюдений, проводящихся регулярно через равные промежутки времени: год, неделю, сутки или даже минуты, в зависимости от характера рассматриваемой переменной.

Обычно временной ряд состоит из нескольких компонентов:

1) тренда — общей долгосрочной тенденции изменения временного ряда, лежащей в основе его динамики;
2) сезонной вариации — краткосрочного регулярно повторяющегося колебания значений временного ряда вокруг тренда;
3) циклических колебаний, характеризующих так называемый цикл деловой активности, или экономический цикл, состоящий из экономического подъема, спада, депрессии и оживления. Этот цикл повторяется регулярно.

Формализованные методы прогнозирования

Формализованные методы прогнозирования базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет облегчить деятельность по обработке информации и оценке результатов. В состав формализованных методов прогнозирования входят: методы экстраполяции и методы математического моделирования.

Термин «экстраполяция» имеет несколько толкований. В широком смысле слова экстраполяция – это метод научного исследования, заключающийся в распространении выводов, полученных из наблюдений над одной частью явления, на другую его часть. В узком смысле – это нахождение на ряду данных функций других ее значений, находящиеся вне этого ряда. Экстраполяция заключается в изучении сложившихся в прошлом и настоящем тенденций экономического развития и перенесении их на будущее. В прогнозировании экстраполяция применяется при изучении временных рядов и представляет собой нахождение значений функций за пределами области ее определения с использованием информации о поведении данной функции в некоторых точках, принадлежащих области ее определения.

В экстраполяционных прогнозах предсказание конкретных значений изучаемого объекта или параметра в какой – то определенный период времени не считается основным компонентом. Особо важным здесь является своевременное фиксирование объективно намечающихся сдвигов, выявление закономерных тенденций развития явления или процесса. Под тенденцией развития понимают некоторое его общее направление, долговременную эволюцию. Обычно тенденцию стремятся представить в виде более или менее гладкой траектории.

Для повышения точности экстраполяции используют различные приемы. Например, экстраполируемая часть общей кривой развития (тренд) корректируется с учетом реального опыта функционирования отрасли – аналога исследований или объекта, опережающих в своем развитии прогнозируемый объект.

Тренд – это изменение, определяющее общее направление развития, основную тенденцию временных рядов. Под ним понимается характеристика основной закономерности движения во времени, в некоторой мере свободной от случайных воздействий. Тренд – это длительная тенденция изменения экономических показателей. При разработке моделей прогнозирования тренд оказывается основной составляющей прогнозируемого временного ряда, на которую уже накладываются другие составляющие. Результат при этом связывается исключительно с ходом времени. Предполагается, что через время можно выразить влияние всех остальных факторов.

Операцию экстраполяции в общей форме можно представить в виде определения значения функции:

Yi + L = F (Yik * L),
где Yi + L – экстраполируемое значение уровня; L – период упреждения; Yik – уровень, принятый за базу экстраполяции.

Задача прогноза состоит в определении вида экстраполирующих функций на основе исходных эмпирических данных и параметров выбранной функции. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Следующим этапом является расчет параметров выбранной экстраполяционной функции. При оценке параметров зависимости наиболее распространенными являются метод наименьших квадратов и его модификаций, метод экспоненциального сглаживания, метод скользящей средней и др.

Сущность метода наименьших квадратов состоит в минимизации суммы квадратических отклонений между наблюдаемыми и расчетными величинами. Данный метод широко применяется в прогнозировании в силу его простоты и возможности реализации на ЭВМ. Недостаток метода состоит в том, что модель тренда жестко фиксируется, а это делает возможным его применение только при небольших периодах упреждения, т.е. при краткосрочном прогнозировании.

Метод экспоненциального сглаживания дает возможность получить оценки параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. Данный метод применяется при кратко- и среднесрочном прогнозировании. Его преимущества состоят в том, что он не требует обширной информационной базы и предполагает ее интенсивный анализ с точки зрения информационной ценности различных членов временной последовательности. Модели, описывающие динамику показателя, имеют простую математическую формулировку, а адаптивная эволюция параметров позволяет отразить неоднородность и текучесть свойств временного ряда.

Метод скользящей средней дает возможность выравнивать динамический ряд путем его расчленения на равные части с обязательным совпадением в каждой из них сумм модельных и эмпирических значений.

В составе технологии прогнозирования выделяют следующие основные элементы:

- формализованные экономико-математические модели и методы;
- правила и процедуры принятия неформализованных решений;
- методы согласования формализованных и неформализованных процедур в процессе проведения прогнозных расчетов.

Методы бюджетного прогнозирования

Бюджетное прогнозирование - обоснованное, опирающееся на реальные расчеты предположение о направлениях развития бюджета, возможных состояниях его доходов и расходов в будущем, путях и сроках достижения этих состояний.

Под методами прогнозирования следует понимать совокупность приемов и способов мышления, позволяющих на основе ретроспективных данных внешних и внутренних связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенного и достоверного относительно будущего состояния и развития объекта.

К методам бюджетного прогнозирования можно отнести:

- метод экспертных оценок;
- метод экстраполяции;
- метод исторических аналогий.