Статистические методы прогнозирования
Статистические методы прогнозирования, которым посвящена настоящая работа, не являются единственно возможными. Известны и другие. Например, в последнее время в прогнозировании научно-технического прогресса интенсивно используются различные нормативные (т.е. основанные на изучении возможных будущих потребностей в технических новшествах) и статистические методы. Широкое применение получили прогнозы, основанные на экспертных оценках. В ряде случаев прибегают к разработке так называемых сценариев развития, морфологическому анализу, историческим аналогиям и т.д. Новым подходом к прогнозированию научно-технического прогресса является “симптоматическое прогнозирование”, суть которого заключается в выявлении “предвестников” будущих сдвигов в технике и технологии. Большие возможности для прогнозирования кроются в применении имитационных моделей. В практике прогнозирования экономики, однако, преобладающими, по крайней мере, до сего времени, являются статистические методы. Как уже говорилось выше, это связано главным образом с наличием инерционности в развитии экономических явлений и объектов. Немаловажным для практической работы является и то, что статистические методы опираются на аппарат анализа, развитие и практика применения которого, имеют достаточно длительную историю.
Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа. Первый, индуктивный, заключается в обобщении данных, наблюдаемых за более или менее продолжительный период времени, и в представлении соответствующих статистических закономерностей в виде модели. Статистическую модель получают или в виде аналитически выраженной тенденции развития, или же в виде уравнения зависимости от одного или нескольких факторов-аргументов. В ряде случаев – при изучении сложных комплексов экономических показателей – прибегают к разработке так называемых взаимозависимых систем уравнений, состоящих в основном опять-таки из уровнений, характеризующих статистические зависимости. Процесс построения и применения статистической модели для прогнозирования, какой бы вид последняя не имела, обязательно включает выбор формы уравнения, описывающего динамику или взаимосвязь явлений, и оценивание его параметров с помощью того или иного метода. Второй этап, собственно прогноз, является дедуктивным. На этом этапе на основе найденных статистических закономерностей определяют ожидаемое значение прогнозируемого признака.
Следует подчеркнуть, что полученные результаты не могут рассматриваться как нечто окончательное. При их оценке и использовании должны приниматься во внимание факторы, условия или ограничения, которые не были учтены при разработке статистической модели, должна осуществляться корректировка обнаруженных статистических характеристик в соответствии с ожидаемым изменением обстоятельств их формирования. Короче говоря, найденные с помощью статистических методов прогностические оценки являются важным материалом, который, однако, должен быть критически осмыслен. При этом главным является учет возможных изменений в самих тенденциях развития экономических явлений и объектов.
Известная условность в получаемых выводах связана с тем, что целый ряд статистических методов базируется на довольно жестких требованиях к качеству обрабатываемых данных (например, к их однородности) и строгих гипотезах о характере поведения анализируемых величин (их распределениях). На практике же экономист зачастую, особенно если исследуются динамические ряды, имеет дело с информацией, качество которой в отношении выдвинутых требований оставляет желать лучшего или просто неизвестно. Обычно неизвестен и тип распределения переменных. Таким образом, для практика остаются две альтернативы: или вообще отказаться от применения большинства методов и довольствоваться достаточно скудным инструментарием, или применять разнообразные статистические методы обработки данных, не забывая о соответствующих этим методам требованиях. Очевидно, что в последнем случае, если существуют сомнения в “чистоте эксперимента”, не следует придавать получаемым статистическим выводам чрезмерно строгий смысл. В то же время эти выводы, как правило, оказываются полезными для практической деятельности и прогнозирования. Так, например, статистическая проверка гипотез основывается на предположении о существовании нормального распределения соответствующих переменных. На практике же мы в лучшем случае сталкиваемся с асимптотически нормальными распределениями (т.е. с распределениями, стремящимися к нормальным с ростом объема выборки). Вместе с тем проверка гипотез и в этих обстоятельствах дает практически приемлемые результаты, исключая разве такие ситуации, когда значения, скажем, t-статистики Стьюдента близки к критическому (ta). В последнем случае вывод, естественно, нельзя признать надежным.
Далеко не всегда статистические методы прогнозирования применяются самостоятельно, так сказать, в чистом виде. Часто их включают в виде важных элементов в комплексные методики, предусматривающие сочетание статистических методов с другими методами прогнозирования, например с экспертными оценками, различного рода экономико-математическими моделями и т.д. Такой комплексный подход к прогнозированию представляется наиболее плодотворным. Из сказанного выше вытекает, что статистические методы занимают важное место в системе методов прогнозирования, однако они ни в коей мере не должны рассматриваться как некий универсальный метод, как “золотой ключик”, открывающий любую дверь.
В ряде случаев собственно статистическая обработка экономической информации непосредственно не приводит к получению прогноза, однако является важным звеном в общей системе из разработки. Такая обработка данных наблюдения, нацеленная на вскрытие различного рода конкретных статистических закономерностей, представляет собой, по сути дела, первый шаг на пути осмысливания информации и построения более сложных моделей, отображающих взаимодействие множества факторов. В Связи с этим необходимо подчеркнуть важную роль статистической методологии в рамках построения имитационных моделей, которые все больше привлекают внимание экономистов. Потенциальные возможности имитационных моделей в отношении прогнозирования поведения изучаемых (моделируемых) систем еще далеки от полного раскрытия. Но уже сейчас очевидно, что успешность прогнозов, получаемых на основе имитационных моделей, существенно будет зависеть от качества статистического анализа эмпирического материала, от того, насколько такой анализ сможет выявить и обобщить закономерности развития изучаемых объектов во времени.
В настоящее время нельзя серьезно говорить о прогнозировании, исключая разве самые простые методы сбора и обработки экспертных оценок, не предполагая интенсивное использование ЭВМ. Дело, прежде всего в том, что если применение ЭВМ не предусматривается, то тем самым резко ограничивается набор возможных инструментов анализа и сужается круг применяемых для прогноза подходов – исследователь должен будет исключать методики, предполагающие осуществление трудоемких расчетов или расчеты, которые вообще не могут быть выполнены ручным способом или на счетно-вычислительных машинах. Таким образом, быстродействие ЭВМ, возможность с их помощью охватить большой объем информации, выполнить сложные и трудоемкие расчеты и тем самым повысить реалистичность описания исследуемых процессов и явлений представляет собой главную причину, определяющую необходимость применения ЭВМ при прогнозировании.
Очень важное преимущество заключается в расширении возможности проведения с помощью ЭВМ разнообразных расчетных экспериментов. Как инструмент экспериментирования ЭВМ позволяет оценить и повысить адекватность разработанной прогностической модели реальным условиям в прошлом (путем улучшения выбора форм взаимосвязи, выбора независимых переменных модели и т.д.), выявить в ходе испытаний ее прогностические свойства и на основе соответствующих коррективов улучшать эти свойства. Достаточно сказать, что при построении прогностической регрессионной модели приходится разрабатывать, по крайней мере, десятки ее вариантов, прежде чем будет приемлемый результат. Однако главное заключается в том, что с помощью ЭВМ имеется возможность испытать широкий диапазон альтернативных допущений, принимаемых при разработке тех или иных вариантов прогноза, проверить влияние начальных условий (обычно значения исходных данных, относящиеся к моменту разработки прогноза, точно не известны), оценить влияние различных гипотез о возможном характере развития и т.д.