Основные методы макроэкономического прогнозирования

В результате изучения данной главы студент должен: знать

• • виды методов прогнозирования;
• • отличия между агрегированными и межотраслевыми моделями;
• • основные методы экспертных оценок;
• • подходы и методы формализованного макроэкономического прогнозирования и условия их применения;
• • суть методов по аналогии и опережающих методов прогнозирования; уметь
• • применять соответствующие методы при прогнозе социально-экономического процесса;
• • использовать сценарный подход в прогнозировании; владеть
• • навыками использования основных экспертных методов;
• • методикой проведения интервью.

Методы прогнозирования и их классификация

Методы прогнозирования — это совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных и эндогенных связей объекта прогнозирования, а также их изменений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно будущего развития объекта.

Совокупность методов прогнозирования можно сгруппировать по различным признакам:

• • степени формализации;
• • общему принципу действия;
• • способу получения и обработки информации;
• • направлениям и назначению прогнозирования;
• • процедуре получения параметров прогнозной модели и некоторым другим.

Наибольшее распространение получила группировка методов прогнозирования по степени формализации, т. е. возможности описания экономических явлений с помощью математического инструментария. В соответствии с данным критерием все методы можно разделить на формализованные и неформализованные. В экономической литературе неформализованные методы называются также интуитивными, методами экспертных оценок, методами логического моделирования и т. д. Столь большой разброс в терминологии обозначения связан со степенью формализации тех или иных методов и различными целями исследования и их систематизации.

В свою очередь, в зависимости от числа экспертов, принимающих участие в прогнозировании макроэкономических процессов и явлений, можно выделить индивидуальные и коллективные интуитивные методы.

К достоинствам индивидуальных методов оценки экономических явлений можно отнести возможность максимального проявления индивидуальных способностей эксперта, отсутствие давления извне и осмысление изучаемой проблемы. Недостатки связаны с ограниченностью знаний эксперта в смежных областях.

В основе методов коллективных экспертных оценок лежат принципы выявления коллективного мнения экспертов о развитии объекта прогнозирования. Предполагается, что при коллективном мышлении появляется больше идей, менее вероятны грубые ошибки, более полно исследуется ситуация. К недостаткам следует отнести: активность экспертов; личные симпатии и антипатии; авторитетность; поспешность формулировок; коммуникабельность; культуру поведения.

Используемые методы можно классифицировать по принципу обработки информации об объекте: статистические методы, методы аналогий, опережающие методы.

Статистические методы объединяют методы обработки количественной информации по принципу выявления содержащихся в ней математических закономерностей развития и математических взаимосвязей характеристик объекта для получения прогнозных моделей.

В методах аналогий выявляется сходство в закономерностях развития процессов и на этом основании строятся прогнозы.

Основой опережающих методов прогнозирования служат определенные принципы специальной обработки научно-технической информации, реализующие в прогнозе ее свойство опережать развитие объекта прогнозирования. В свою очередь, их можно разделить на методы исследования динамики и оценки уровня развития объекта. Методы аналогий и опережающие методы рассмотрены в рамках изучения экспертных методов оценки.

В формализованных методах применяется моделирование экономических процессов. Моделирование — это метод воспроизведения (или выяснения) свойств какого-либо объекта, процесса или явления с помощью другого объекта, процесса или явления. Первое естественно возникающее требование к модели — это полное тождество строения модели и «оригинала», но образ моделируемого объекта упрощен.

Для оценки перспектив социально-экономического развития национальной экономики необходимо построить формализованное описание ее состояния. Для этого необходимо выбрать определенный набор переменных и проанализировать их в ретроспективе. Все переменные можно разделить на экзогенные (внешние) и эндогенные (внутренние). Экзогенно означает «извне модели», т. е. экзогенные переменные — это параметры модели. Задав значение всех параметров, остальные {"эндогенные") переменные модели можно найти, решив систему уравнений данной модели.

Принято выделять две группы моделей: агрегированные и межотраслевые модели. Агрегированными моделями, как правило, называют макромодели, в которых фигурируют агрегированные основные показатели развития экономики. Другую группу моделей образуют межотраслевые модели. Главное различие между ними состоит в том, что модели первой группы имеют дело со скалярными величинами и не затрагивают внутренней структуры, а модели второй группы оперируют векторами и матрицами и представляют объект путем описания его внутренней структуры. Модели первой группы получили наибольшее распространение в западной науке и практике.

С точки зрения моделирования содержания процесса, результат которого выражен тем или иным показателем, описание может быть производственно-технологическим, поведенческим и оценочным. Так, непроизводственное потребление населения можно описать путем моделирования поведения потребителей или путем оценки необходимого потребления исходя из каких-либо целей, например целей социалистического развития (целевой блок в моделях МОБ советского периода).

В экономических моделях существует понятие «лаги». Подлежат учету лаги: между принятием управляющего решения и его реализацией; между капитальными затратами и их окончательным «созреванием» (вводом в действие); между научным открытием и его внедрением; и др.

Особо важное значение имеют запаздывания отдачи капитальных вложений в экономику. Здесь можно выделить следующие основные типы лагов:

• — технологический лаг — интервал времени от начала проектирования объекта капитального строительства до его ввода в действие;
• — строительный лаг — от начала работ, но сооружению объекта до их завершения;
• — лаг отдачи, отделяющий произведенные вложения от освоения проектной мощности и достижения рентабельности (если речь идет о производственных объектах);
• — комплексный лаг — лаг отдачи группы связанных между собой объектов.

Запаздывания отдачи капитальных вложений приводят к длительному «омертвлению» («иммобилизации») ресурсов; вместе с тем занятые в капитальном строительстве работники, реализуя свою зарплату, предъявляют спрос на предметы потребления и услуги, еще не создав какой-либо законченной продукции.

Кроме классических методов прогнозирования существуют инновационные методы прогнозирования. Их развитие связано с внедрением в практику прогнозирования технических средств и прикладных программ, позволяющих осуществлять трудоемкие расчеты. К ним относятся искусственные нейронные сети, генетические алгоритмы и т. д.^[1]

Искусственная нейронная сеть (ИНС) — это набор искусственных соединенных между собой нейронов, выступающих в качестве вершин сети. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы — как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети. Одним из типичных назначений искусственных нейронов и сетей на их основе является классификация и распознавание векторов входных сигналов. В такой задаче вычисленное по входному вектору значение определяет принадлежность входного вектора тому или иному /-му классу.

Практически любую задачу можно свести к задаче, решаемой нейронной сетью.

Нейронные сети с обратными связями (рекуррентные нейронные сети) способны предсказывать будущее состояние моделируемого объекта/процесса по его состоянию на предыдущих шагах модельного времени и текущему воздействию.

Этапы построения нейтронной сети следующие.

• 1. Выбор типа (архитектуры) нейронной сети.
• 2. Подбор весов (обучение) нейронной сети.

На первом этапе необходимо выбрать:

• • какие нейроны мы хотим использовать (число входов, передаточные функции);
• • каким образом следует соединить их между собой;
• • что взять в качестве входов и выходов нейронной сети.

Эта задача на первый взгляд кажется необозримой, но, к счастью, нам необязательно придумывать нейронную сеть «с нуля» — существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически. Наиболее популярные и изученные архитектуры — это многослойный нерцептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и др.

На втором этапе следует «обучить» выбранную нейронную сеть, т. е. подобрать такие значения ее весов, чтобы она работала нужным образом. Необученную нейронную сеть можно научить чему угодно. В используемых на практике нейронных сетях количество весов может составлять несколько десятков тысяч, поэтому обучение — действительно сложный процесс.

Для поиска наилучших (с точки зрения решения задачи классификации входных векторов) значений элементов вектора необходимо обучение искусственных нейронов и искусственной нейронной сети в целом, предваряющее собственно этап классификации. Различают два основных режима обучения: «с учителем» и «без учителя». При обучении с учителем И НС предъявляют набор пар векторов и предполагают априорное знание о принадлежности векторов входных сигналов различным классам.

Обучение без учителя предполагает предъявление нейронной сети (отдельному искусственному нейрону) «типичного» набора векторов входных сигналов, при этом сеть (отдельный искусственный нейрон) должна самостоятельно решить задачу кластеризации (определения количества классов и признаков принадлежности к ним).

Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом. Наиболее распространенный из этих алгоритмов — метод обратного распространения ошибки (Error Back Propagation).

Генетический алгоритм — это простая модель эволюции в природе, реализованная в виде компьютерной программы. В нем используются как аналог механизма генетического наследования, так и аналог естественного отбора. При этом сохраняется биологическая терминология в упрощенном виде. Генетическое наследование моделируется следующим образом:

• • Хромосома = Вектор (последовательность) из нулей и единиц.
• • Каждая позиция (бит) называется геном.
• • Индивидуум = Генетический код.
• • Набор хромосом = Вариант решения задачи.
• • Кроссовер = Операция, при которой две хромосомы обмениваются своими частями.
• • Мутация = Случайное изменение одной или нескольких позиций в хромосоме.

Для моделирования эволюционного процеса вначале генерируют случайную популяцию — несколько индивидуумов со случайным набором хромосом (числовых векторов). Генетический алгоритм имитирует эволюцию этой популяции как циклический процесс скрещивания индивидуумов и смены поколений.

Жизненный цикл популяции — это несколько случайных скрещиваний (с помощью кроссовера) и мутаций, в результате которых к популяции добавляется какое-то количество новых индивидуумов. Отбор в генетическом алгоритме — это процесс формирования новой популяции из старой, после чего старая популяция погибает. После отбора к новой популяции опять применяются операции кроссовера и мутации, затем опять происходит отбор и т. д.

Отбор в генетическом алгоритме тесно связан с принципами естественного отбора в природе следующим образом:

• • Приспособленность индивидуума = Значение целевой функции на этом индивидууме.
• • Выживание наиболее приспособленных = Популяция следующего поколения формируется в соответствии с целевой функцией.

Чем приспособленнее индивидуум, тем больше вероятность его участия в кроссовере, т. е. размножении.

Таким образом, модель отбора определяет, каким образом следует строить популяцию следующего поколения. Как правило, вероятность участия индивидуума в скрещивании берется пропорциональной его приспособленности. Часто используется так называемая стратегия элитизма, при которой несколько лучших индивидуумов переходят в следующее поколение без изменений, не участвуя в кроссовере и отборе. В любом случае каждое следующее поколение будет в среднем лучше предыдущего. Когда приспособленность индивидуумов перестает заметно увеличиваться, процесс останавливают и в качестве решения задачи оптимизации берут наилучшего из найденных индивидуумов.

• [1] Более подробно с теорией нейронных сетей можно ознакомиться в базовом учебнике: Хайкии С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: ИД Вильямс, 2006. С. 1104. URL: http://www.williamspublishing.eom/Books/5—8459—0890—6.html