За последние несколько недель в различных СМИ появилось много статей с такими заголовками, как «Биотопливо против природы», «Биовредитель» и т.п. Все эти статьи – перепечатка новостей, базирующихся на одном исследовании Института европейской экологической политики (IEEP). Авторы исследования считают, что использование биотоплива является для природы более опасным явлением, нежели бензиновые выбросы из-за увеличения эмиссии углекислого газа, которое произойдет из-за вырубки лесов, чтобы освободить посевные площади под культуры для переработки на биотопливо.
Хотелось бы отметить принципиальные ошибки в таком подходе вообще и неприменимость выводов к России в частности.
В первую очередь, прогноз авторов исследования похож на прогнозы, которые делали достаточно умные люди в конце XIX века по поводу тамошних проблем. Сто лет назад лучшие умы Лондона думали: что же больше всего грозит этому городу, от чего он может погибнуть? И все сошлись на том мнении, что Лондон через пятьдесят лет погибнет от конского навоза: он завалит Лондон до вторых этажей, так как рост количества транспортных средств – лошадей – будет таков, что не будет возможности убирать отходы.
Если бы в то время существовал этот институт, то он бы предоставил прогноз об экологической катастрофе из-за развития гужевого транспорта и предлагал бы соответствующие меры с общемировым контролем по использованию конной тяги.
Почему же умные и даже учёные мужи так ошиблись с прогнозом экологической катастрофы? Если кратко, то ответ будет состоять в двух словах: «ошибка экстраполяции». Если чуть подробнее, то это был прогноз методом непрерывной экстраполяции на время, превышающее время действия закона, отвечающего за линейное развитие системы. В данном случае тенденции развития гужевого транспорта экстраполировались на время, в течение которого сами эти тенденции могли подвергнуться значительному изменению.
Одна из таких ошибок авторов – использование текущих урожайностей культур и непринятие во внимание роста урожайности, связанного с развитием технологий.
На графике показана динамика сбора зерновых в мире, изменения посевных площадей и производства биотоплива с 1976 по 2005 годы. Хорошо видно, что за 30 лет сбор зерновых (пшеница, ячмень, кукуруза, рис) вырос на 1 млрд. тонн (на 53%), при этом посевные площади уменьшились на 54 млн. га (6%) – это примерно Франция или 15 Бельгий. На фоне таких изменений производство биотоплива в мире выросло с нуля до 30 млн. тонн (столько же потребляется бензина в России).
Такой рост производства зерновых обусловлен развитием технологий, обеспечивших 60%-ый рост урожайности за 30 лет – 2% в год! Как говорит современная наука, пока предела этому росту не видно. При этом доклад даже не учитывал новые поколения биотоплива из непищевого сырья, так же, как британские умы не могли представить скорость и масштабы развития автомобильных технологий.
Второе замечание, которое я хочу сделать, связано уже не столько с этим злополучным докладом, а с российским реалиями. Несмотря на засуху 2010 года, Россия собрала 65 млн. тонн зерна. При этом в округах, которых не сильно пострадали от засухи, увеличилось и производство зерна, и его урожайность. Это говорит о том, что системные инвестиции в производство зерна дали свои плоды, и даже в текущем, крайне неблагоприятном по погоде году, производство зерна превышает урожаи 1998-2000 годов. Какой из этого следует вывод? Несмотря на отдельные неблагоприятные годы, производство зерна в России будет расти из-за интенсификации сельского хозяйства и потепления климата, а объемы производства зерна будут серьезно превышать объемы внутреннего потребления и экспорта, так, как это произошло в 2008-2009 годах.
Для снятия переизбытка зерна с рынка и требуется производство биотоплива, которое может потребляться как в России, так и экспортироваться в ту же Европу. Нам не надо вырубать леса для производства биотоплива – чего так боятся европейцы, и воды у нас пока хватает.
Россия хорошо позиционирована, чтобы стать крупным поставщиком биотоплива в мире, как Бразилия. Дело только за принятием правильных решений, и умением анализировать исследования так, чтобы не быть похожими на те лучшие умы Лондона, которые боялись утонуть в навозе.
Алексей Аблаев,
президент Российской биотопливной ассоциации
Экстраполяция (распространение) ошибок
41. По результатам аудиторских процедур проверки по существу аудитор должен экстраполировать (распространить) ошибки, выявленные в отобранной совокупности, оценивая их полную возможную величину во всей генеральной совокупности, и должен проанализировать воздействие прогнозируемой (экстраполированной) ошибки на цели конкретного теста и на другие области аудита. Аудитор оценивает общую ошибку в генеральной совокупности, с тем чтобы получить обобщенное представление диапазона ошибок и сравнить его с допустимой ошибкой.
Для процедуры проверки по существу допустимая ошибка является допустимым искажением и представляет сумму, меньшую или равную предварительной оценке существенности, данной аудитором и используемой для отдельных аудируемых остатков по счетам бухгалтерского учета.
42. Когда ошибка признана аномальной, она может быть исключена при экстраполяции ошибок, найденных в отобранной совокупности, на всю генеральную совокупность. Последствия любой такой ошибки, если она не исправлена, все равно должны быть рассмотрены в дополнение к оценке полной величины ошибок, не являющихся аномальными. Если обороты по счету бухгалтерского учета или группа однотипных операций были подразделены на страты, то экстраполяция ошибок проводится отдельно по каждой страте. Совокупность типичных, прогнозируемых и аномальных ошибок по каждой страте рассматривается с точки зрения их влияния на достоверность остатка по счету бухгалтерского учета или всей группы однотипных операций.
43. Для тестов средств внутреннего контроля не требуется экстраполяции ошибок в явном виде, поскольку доля ошибок в отобранной совокупности в то же время является предсказываемой долей ошибок в генеральной совокупности в целом.
Прогнозирование путём прямой экстраполяции. Ошибки прогнозирования
Министерство образования и науки РФ
ГОУ ВПО
Саратовский государственный технический
университет
Кафедра: организация перевозок и
управления на транспорте
Реферат
по дисциплине на тему
«Прогнозирование путём прямой
экстраполяции
Выполнил:
студент АМФ гр.ОПТ41
Никитин Р.В.
Саратов 2006
Содержание
Введение
3
Прогнозирование путём прямой экстраполяции
4
Ошибки
прогнозирования 16
Заключение
18
Список используемых
источников 19
Введение
Процесс прогнозирования
достаточно актуален в настоящее время. Широка сфера его применения.
Прогнозирование широко используется в экономике, а именно в управлении. В
менеджменте понятие «планирование» и «прогнозирование» тесно переплетены. Они
не идентичны и не подменяют друг друга. Планы и прогнозы различаются между
собой временными границами, степенью детализации содержащихся в них
показателей, степенью точности и вероятности их достижения, адресностью и,
наконец, правовой основой. Прогнозы, как правило, носят индикативный характер,
а планы обладают силой директивного характера. Не подмена и противопоставление
плана и прогноза, а их правильное сочетание – таков путь планомерного регулирования
экономики в условиях рыночной экономики и перехода к ней.
Для того чтобы управлять
будущим, человечество создало определенные механизмы, которые в экономической
науке называются прогнозирование, макроэкономическое планирование и
экономическое программирование.[2]
Прогнозирование – это
предвидение, получение информации о будущем, которое базируется на специальном
научном исследовании.
Прогнозирование имеет два конкретных
аспекта: предсказывать и предвидеть. В зависимости от того, какой результат
необходимо получить или, что необходимо спрогнозировать, преимущество
предоставляется то одному, то другому аспекту.
Прогнозирование
необходимо, потому что будущее необычно и эффект многих решений, принимаемых
сегодня, на протяжении определённого времени не ощущаются. Поэтому точное
предвидение будущего повышает эффективность процесса принятия решения.
Прогнозирование путём прямой
экстраполяции.
Многие социальные
процессы, теоретически поддающиеся управлению, на практике развиваются
стихийно, что дает основание применять к ним методы естествоведческих
прогнозов. При этом следует иметь в виду, что стихийность протекания анализируемого
процесса может смениться строго контролируемым целенаправленным развитием
(например, давно назрела необходимость таких перемен в сферах расселения,
градостроительства, демографии и многих других). Такие изменения могут
осуществляться как волевым порядком, так и с учетом научного анализа, диагноза
и прогноза исследуемого явления. Из этого следует, что в отличие от
естественнонаучных социальный прогноз должен быть ориентирован не на
безусловное предсказание, а на содействие оптимизации принимаемых решений.
Реализуется эта задача
путем использования исследовательской техники поискового и нормативного
прогнозирования, дающего достаточно обоснованные материалы при выработке
рекомендаций для целеполагания, планирования, проектирования и управления в
целом.
Основная задача
поискового прогноза при этом — выявление перспективных проблем, подлежащих
решению средствами управления. Предсказание в данном случае носит сугубо
условный характер, базирующийся на абстрагировании от возможного и даже необходимого
вмешательства со стороны сферы управления. Методологически недопустимо сводить
социальный прогноз к поиску, но столь же недопустимо переходить сразу к
нормативной разработке данной модели, не имея представления о проблемной
ситуации, в условиях которой и для преодоления которой будет функционировать
предложенный оптимум.
В наиболее общем виде поисковый
(изыскательский, исследовательский, трендовый, генетический, эксплоративный)
прогноз выглядит как условное продолжение в будущее тенденций развития
изучаемых явлений, закономерности развития которых в прошлом и настоящем
достаточно хорошо известны. При этом заведомо абстрагируются от возможных и
даже необходимых, неизбежных плановых, программных проектных и организационных
решений, способных существенно изменить наметившиеся тенденции. Суть и цель
прогнозного поиска не в адекватном предвосхищении будущего реального состояния
прогнозируемого объекта, а в выяснении того, что реально произойдет при
сохранении существующих тенденций развития, т.е. при условии, что сфера влияния
не выработает поисковых решений, способных изменить неблагоприятные тенденции.
Исследовательская техника
разработки поискового прогноза базируется на принципе экстраполяции в будущее
(или интерполяции отсутствующих значений) динамических и на данных, закономерности
развития которых в прошлом известны. Собственно экстраполяция (интерполяция)
может быть довольно сложной, учитывающей разнообразные факторы и делающей
прогноз более информативным. При этом на практике поисковый прогноз дает не
одно, а целый ряд возможных значений, позволяющих точнее ориентироваться в
складывающейся ситуации.
Наиболее простой является
так называемая прямая (механическая, наивная) экстраполяция, которая
продолжает начатый динамический ряд со времени основания до времени упреждения
прогноза, реализуясь по принципу: если имеется 1, 2, 3, 4 (период основания),
то при условии невмешательства извне и сохранения наметившейся тенденции
динамический ряд будет выглядеть как 5, 6, 7, 8 и т.д. по периоду упреждения
(или в случае интерполяции: если 1, 2, 3, 6, 7, 8, то в середине окажется 4, 5)
Не следует недооценивать эффективность такой логики: во многих случаях жизни
важные социальные процессы развиваются именно подобным образом и прогноз на
этой основе оказывается в высокой степени достоверным.
Правда, на практике
социальные прогнозы часто развертываются гораздо более сложным образом — не обязательно
линейно, а, допустим, в геометрической прогрессии, экспоненциально, гиперболически,
логистически и т.д. Однако на каждый такой случай существует или может быть
введена соответствующая математическая формула, позволяющая усложнять
экстраполяцию до любой требуемой степени. Поэтому 1, 2, 3, 4 не обязательно
должны означать в экстраполяции 5, 6, 7, 8. Экстраполяция может выглядеть и
как 6, 9, 15, 24, и как 16, 32, 64, 128, и даже как 5, 4, 3, 2, 1 (в
зависимости от используемой формулы). Она может быть не только количественной
(статистической), но и качественной (логической), например при экстраполяции
какого-нибудь явления на более широкий круг других явлений во времени или
пространстве (либо в том и другом сразу) с использованием метода аналогии.
Такая техника широко
используется в естествоведческих прогнозах в тех случаях, когда исследуемые
процессы развиваются сообразно выявленным закономерностям устойчиво, без
отклонений и колебаний. В социальной сфере такие процессы встречаются редко.
Как правило, в своем развитии они претерпевают изменения, математическая
формализация которых требует использования дополнительных приемов минимизации
недочетов прямой экстраполяции.
Один из них — вычленение
крайних возможных значений экстраполируемого динамического ряда по заранее
заданным критериям, т.е. определение верхней и нижней экстрем. Причем предполагается,
что за верхней экстремой простирается область абсолютно нереального,
фантастического, а за нижней — абсолютной невозможности функционирования прогнозируемого
объекта, область катастрофического. Сложность в использовании этого приема —
определение и основание критериев построения экстрем.
Другой прием (дополняющий
первый) — определение наиболее вероятного значения с учетом данных прогнозного
фона (научно-технического, демографического, экономического, социологического,
социокультурного, политического и международного). Необходимо выявить по
каждой группе наиболее информативные в каждом конкретном случае показатели и
соотнести их со значениями прямой экстраполяции, а если понадобится, — и со
значениями верхней и нижней экстрем. В результате операции будет определено
значение наиболее вероятного тренда — экстраполированной в будущее тенденции.
Таким образом, поисковый
прогноз содержит четыре основные компоненты:
1) данные прямой экстраполяции
динамических рядов исходной модели, служащие первоначальным ориентиром
дальнейших прогнозных построений;
2) верхняя экстрема прогнозного
поиска: результат сопоставления данных первой поисковой модели с данными
прогнозного фона. Позволяет определить максимальное отклонение тренда в сторону
области нереального;
3) нижняя экстрема прогнозного
поиска: вычисляется теми же способами, что и верхняя. Определяют максимально
возможное отклонение тренда до предела, за которым начинается область катастрофического;
4) наиболее вероятный тренд
(экстраполированная в будущее тенденция) между верхней и нижней экстремами с
учетом данных прогнозного фона.[3]
В процессе
прогностического исследования недопустимо принижение значения ни одного из
перечисленных компонентов. Первые три (прямая экстраполяция, верхняя и нижняя
экстремы) служат как бы ограничителями наиболее вероятного тренда, очерчивающими
границы реального в возможных его изменениях. Прямая экстраполяция здесь играет
роль исходного момента, сдерживающего фактора при чрезмерном разбросе оценок
противоречащих данных прогнозного фона.
Вместе же взятые, все
четыре компоненты расширяют познавательные возможности лиц, принимающих
решения, показывают недопустимость решений, выводящих объект на уровень утопии
или катастрофы, стимулируют эвристичность мышления, дают возможность более
основательно взвешивать возможные последствия принимаемых решений, а все это
вместе обеспечивает высокую степень объективности и, следовательно,
эффективность этих решений.[6]
Необходимо также
отметить, что при разработке целевых, плановых, программных, проектных,
организационных прогнозов специфические особенности поискового прогноза будут
проявляться сообразно особенностям процессов разработки целей, планов, программ,
проектов, организационных решений. Результатом прогнозного поиска будет не
реально ожидаемое состояние, к которому следует приспособиться, а комплекс
проблем, которые необходимо решить. Сама по себе цель поискового прогноза —
выявление ожидаемого проблемного состояния, перспективных проблем, каждая из
которых является составляющим звеном своеобразной ситуации — проблемной.
Прогнозирование размеров перевозок
основывается на анализе развития экономики за прошедший период, причем этот
анализ должен давать точную количественную формулировку исследуемому
процессу перевозки грузов путем использования математико-статистических методов.
Предвидение будущего состояния размеров перевозок базируется на результатах
анализа прошлого и, следовательно, описывает перспективу в той мере, в какой
она определяется объективно сложившимися явлениями и процессами. При этом
используются главным образом методы и модели экстраполяционного характера.
Методы экстраполирования опираются на принцип детерминизма, согласно которому
будущее вытекает из настоящего, т. е. на преемственность связи между прошлым,
настоящим и Экстраполяция является научным методом прогнозирования, так как ее
применение основано на учете объективно существующей инерционности больших
систем, что подтверждается всем опытом социалистического строительства. Для
экономической системы этот закон выражается в невозможности ограниченными
средствами в короткие сроки изменить поведение системы.
Существует много способов, приемов прогнозирования, основанных
на экстраполяции тенденций. Однако большинство из них не учитывает специфику
объекта прогнозирования. Поэтому рассмотрим методы и способы, повышающие
надежность и точность экстраполяционных прогнозов размеров перевозок грузов
на уровне АТП, объединений и управлении.
Под точностью прогнозирования
размеров перевозок грузов (ошибкой прогноза) будем понимать величину отклонения
фактического значения прогнозируемого показателя от ее истинного значения.
Прогнозу присуща та или иная степень неопределенности, поэтому прогнозируемая
величина определяется с допуски разной вероятностью. Поэтому оценка только
точности показателя является недостаточной. Эту оценку надо дополнить
показателем, определяющим надежность самой оценки
точности. Под надежностью прогнозирования размеров перевозок дует
понимать вероятность наступления предсказываемого бытия при заданном комплексе условий
и в пределах установленных допусков. Оценки точность и надежность
взаимосвязаны.
Чем шире установлен предел точности,
тем с. большей вероятностью он будет соблюдаться. Чем жестче допуск на величину
показателя, тем меньше шансов на его такое соблюдение.
Поставленная задача решается в трех
направлениях: исследование новых форм связи, разработка новых критериев оценки
моделей и разработка новых методов прогноза.[6]
Объектом прогнозирования служили
показатели размеров перевозок Владимирского транспортного управления за
1967—1975 гг.
Развитие транспорта характеризуется ростом объемов перевозок
грузов, который зависит от уровня развития- экономики региона, сложившейся
системы внутренних и внешних связей. Высокие темпы развития общественного
производства обусловливают быстрый рост перевозочной работы «транспорта.
Пропорциональное развитие транспорта и всего народного хозяйства :в целом
достигается тогда, когда транспорт полностью удовлетворяет потребности
экономики и населения в перевозках.
Анализируя содержание таблице можно видеть, что рост объемов
перевозок грузов полностью определяется ростом валовой продукции
промышленности и сельского хозяйства Владимирской области, т. е. объем
перевозок грузов автомобильным транспортом общего пользования как бы ‘
синтезирует в себе размеры производства промышленной и сельскохозяйственной
продукции, развитие непроизводственной сферы и т. д. Таким образом, объем
перевозок грузов автомобильным транспортом
общего
пользования, являясь важнейшим отраслевым показателем, в то же время отражает и
динамику развития экономики региона.
Следовательно, прогнозирование размера перевозок грузов на основании данных за
прошлые периоды приобретает исключительно важное значение, так как от точности
прогнозирования размеров перевозок зависят реальность планов и их
согласованность с планами развития других отраслей.
Полная и систематизированная информация об объекте прогнозирования
необходима для повышения достоверности и надежности прогноза. Ведь
практическая деятельность по составлению прогноза в том и состоит, что
обработанная определенным образом информация о состоянии объекта на текущий момент,
о его тенденциях превращается в информацию о будущем состоянии объекта.
Наиболее ответственная часть работы по составлению краткосрочного
прогноза заключается в выборе математической функции, которая отражает общую
тенденцию. Здесь очень важным становится правильный выбор вида кривой, потому
что если уравнение хорошо подобрано к исходным данным, то оно точнее выражает
общую тенденцию, что в конечном счете сказывается на результатах прогноза. Выбор
кривой, которая наилучшим образом описывает закономерности изменения данного
эмпирического ряда, одна из важнейших проблем экстраполяционного прогноза.
Вид моделей тенденций развития определяется внутренними свойствами
исследуемого процесса. Анализируя динамику размеров перевозок для обоснования
формы моделей, воспользуемся методами теории экономического роста.
Процесс роста размеров перевозок на автомобильном транспорте можно
описать дифференциальным уравнением вида:
которое показывает, что изменение зависимой переменной (в нашем
случае размер перевозок) зависит как от времени, так и от величины самих
размеров перевозок.
Рассматривая частный случай уравнения
Эти уравнения показывают различные
варианты изменения размеров перевозок. Если ввести логарифмическую
производную(относительную скорость роста, пропорциональное увеличение в единицу
времени) то уравнение примет вид:
Эти уравнения содержат постоянную интегрирования, которую
можно определить по заданному значению I, у
Каждая из перечисленных функций есть простая модель динамики
размеров перевозок, описывающая траекторию экономического роста. Эти функции
могут применяться и применяются для прогнозирования размеров перевозок на
макроуровне, где присутствует большая инерционность и темпы прироста примерно
одинаковы. Это показано в работе, а также подтверждается нашими расчетами.
Инерционность развития в наибольшей мере присуща тем
параметрам, которые характеризуют макроструктуру народного хозяйства и в
меньшей мере проявляются на уровне отраслей, предприятий, отдельных участков
производства. В свою очередь, инерционность параметров, принадлежащих одному
уровню, но различным отраслям, предприятиям тоже различна.
В соответствии с вышесказанным инерционность элементов
транспортной системы — министерство, автоуправление, автотранспортное
предприятие (объединение)- различна. Модели полиномиального вида, полученные
методом прямой экстраполяции, достаточно хорошо работающие на высшем уровне,
могут быть не применимы для прогнозирования показателей низшего уровня.
Анализ
рис. 9 показывает, что на уровне автотранспортного предприятия
инерционность намного меньше, а основная тенденция часто искажена
случайной составляющей, поэтому для прогнозирования на уровне АТП
(объединения) необходимо применять функции специального ви-1а,
учитывающие неравномерность темпа прироста в каждый момент времени, т. е.
Таким образом, рекомендуемый нами набор функций для
краткосрочного прогнозирования на уровне АТП и управлений включает не только
широко распространенные в практике экономического прогнозирования полиномы до
третьей степени включительно и экспоненциальную функцию, но и две еще не
применявшиеся формы связи (обобщенно-экспоненциальные функции). Параметры
прогнозирующих функций рассчитываются методом наименьших квадратов.
Согласно
методу наименьших квадратов находится разность y—f, а сумма квадратов этих разностей S=
будет
функцией неизвестных «параметров. Так,
Определяют такую оценку параметров №, которая минимизирует
5(1Г), для чего определяется й81с!№ и приравнивается нулю, что дает систему
т нормальных уравнений, которая должна быть решена относительно W
После нахождения неизвестных параметров
прогнозных кривых необходимо оценить их близость к эмпирическим
данным и выбрать наилучшую функцию. Критериями выбора являются:
среднее абсолютное отклонение (|Л|); среднеквадратичное отклонение —
о; коэффициент вариации — V; индекc корреляции Я.2; коэффициент
Фишера Р. Все эти критерии предназначены для оценки качества
аппроксимации, поэтому использование их выбора наилучшей прогнозирующей
функции может привести к большим погрешностям. В работе применяется новый
критерий — критерий минимума отклонения в последней точке (МОПТ).
Рассмотрим этот метод более подробно. Применение этого критерия
основывается на следующем: качество прогнозов путем прямой экстраполяции
тенденций улучшается, если за прогнозирующую функцию выбирается та,
которая дает наименьшее отклонение в последней точке исследуемого
временного ряда, т. е. задача определения неизвестных параметров принимает вид
Для отыскания наилучшей функции применялась следующая
процедура. Исходный временной ряд уменьшался на единицу, т. е. отбрасывалось последнее
значение ряда, которое служило для проверки условия минимальности. По
укороченному временному ряду находились параметры прогнозирующих функций и
выбиралась та, которая обеспечивала минимальное отклонение в последней точке.
Полученная форма связи применялась для экстраполяции уже по полному временному
ряду.
С целью проверки изложенного метода прогнозирования на
конкретном цифровом материале были проведены экспериментальные расчеты по
определению перспективных величин размеров перевозок для предприятий Владимирского
транспортного управления.
Методику выбора лучшей функции проследим на примере
определения перспективной величины
выработки в тонно-километрах на одну списочную автомобиле-тонну по АТП
г. Суздаля (предпрогнозный период 9 лет). Для определения неизвестных
параметров и оценочных критериев функций использовалась специально
разработанная авторами программа РРОС—1.
После расчета на ЭВМ были получены
следующие зависимости:
Поочерёдно все критерии, при
этом получены следующие средние ошибки прогноза
Критерий
выбора /А/ 
F МОПТ
Ошибка прогноза 7,9 7,8 5,3 4,8
Анализируя результаты, приходим к
выводу о том, что критерий минимума отклонения в последней точке является
наиболее целесообразным при краткосрочном прогнозе на уровне
автотранспортных предприятий (объединений).[1]
Основными источниками могут быть
названы:
1. Простое перенесение (экстраполяция) данных из прошлого в будущие (например, отсутствие
у фирмы иных вариантов прогноза, кроме 10% роста продаж).
2. Невозможность точно определить вероятность события и его воздействия на исследуемый
объект.
3. Непредвиденные трудности (разрушительные события), влияющие на
осуществление плана, например внезапное увольнение начальника отдела сбыта, ошибки
первой категории могут быть сужены путем применения методов регрессионного
анализа, криволинейного сглаживания и других техник.
Ошибки второй категории
частично могут быть преодолены при помощи метода Дельфи, сценариев, моделей, анализа
модели жизненного цикла.
В целом точность
прогнозирования повышается по мере накопления опыта прогнозирования и отработки
его методов.[4]
ПУТИ ПОВЫШЕНИЯ
ЭФФЕКТИВНОСТИ И ОБОСНОВАННОСТИ ПРОГНОЗОВ
В наибольшей степени,
эффективность прогноза зависит от того, на сколько они полезны для
планирования и осуществления деловых операций. Прогнозы полезны в тех случаях,
когда его компоненты тщательно продуманы и ограничения, содержащиеся в прогнозе
откровенно названы. Существует несколько способов сделать это. Спросите себя,
для чего нужен прогноз, какие решения будут на нем основаны.
Этим определяется потребная точность прогноза. Некоторые решения принимать
опасно, даже если возможная погрешность прогноза—менее 10%. Другие решения
можно принимать безбоязненно даже при значительно более высокой допустимой
ошибке. Определите изменения, которые должны произойти, чтобы прогноз оказался
достоверным. Затем с осмотрительностью оцените вероятность соответствующих
событий. Определите компоненты прогноза. Подумайте об источниках данных, определите,
насколько ценен опыт прошлого в составлении прогноза. Не настолько ли быстры
изменения, что основанный на опыте прогноз будет бесполезным? Дают ли данные
по подобным продуктам (или вариантам развития) основания для составления прогноза
о судьбе вашего продукта? Насколько просто или недорого можно будет
получить надежную информацию об опыте прошлого? Определите, насколько структурированным
должен быть прогноз. При прогнозировании сбыта может быть целесообразно
выделить отдельные части рынка (развивающиеся потребители, стабильные потребители,
крупные и мелкие потребители, вероятность появления новых потребителей и
т.п.).
Также путем повышения эффективности прогнозов является применение анализа безубыточности.
Этот анализ определяет точку, в которой общий доход уравнивается с суммарными
издержками, то есть точку, в которой предприятие становится прибыльным. Точка
безубыточности обозначает ситуацию, при которой общий доход становится
равным суммарным издержкам. Для определения точки безубыточности необходимо учесть
три основных фактора: продажную цену единицы продукции, переменные издержки на
единицу продукции и общие постоянные издержки на единицу продукции.[5]
Из всего вышесказанного
можно сделать вывод, что при современных условиях функционирования рыночной
экономики, невозможно успешно управлять коммерческой фирмой, без эффективного
прогнозирования её деятельности. От того, на сколько прогнозирование будет
точным и своевременным, а также соответствовать поставленным
проблемам, будут зависеть, в конечном счете, прибыли, получаемые предприятием.
Для того, чтобы эффект прогноза был максимально полезен, необходимо создание на
средних и крупных предприятиях так называемых прогнозных отделов (для малых предприятий
создание этих отделов будет нерентабельным). Но даже без таких отделов обойтись
без прогнозирования невозможно. В этом случае прогноз должен быть получен
силами менеджеров и задействованными в этом процессе специалистами.
Что касается самих прогнозов, то они должны быть реалистичными, то есть их вероятность
должна быть достаточно высока и соответствовать ресурсам предприятия. Для
улучшения качества прогноза необходимо улучшить качество информации, необходимой
при его разработке. Эта информация, в первую очередь, должна обладать такими
свойствами, как достоверность, полнота, своевременность и точность. Так как
прогнозирование является отдельной наукой, то целесообразно (по мере возможности)
использование нескольких методов прогнозирования при решении какой-
либо проблемы. Это повысит качество прогноза и позволит определить «подводные камни»,
которые могут быть незамечены при использовании только одного метода. Также
необходимо соотносить полученный прогноз с прецедентами в решении данной проблемы,
если такие имели место при похожих условиях функционирования аналогичной
организации (конкурента). И при определенной корректировке, в
соответствии с этим прецедентом, принимать решения.
Список используемых источников
1. Мандрица В.М., Краев В.Н. прогнозирование перевозок грузов
на автомобильном транспорте, М. Транспорт., 1981, 152с.
2. www.referatov.net
3. www.5ballov.ru
4. Поисковое социальное прогнозирование. М.: Наука, 1994.
5. Нормативное социальное прогнозирование. М.: Наука, 1997
6. Основы экономического и социального прогнозирования / Под
ред. В.Н. Мосина, Д.М. Крука. М.: Высшая школа, 1985.
Изучение всех влияющих на исследуемый объект факторов одновременно
провести невозможно, поэтому в эксперименте рассматривается их ограниченное
число. Остальные активные факторы стабилизируются, т.е. устанавливаются на
каких-то одинаковых для всех опытов уровнях.
Некоторые факторы не могут быть обеспечены системами стабилизации
(например, погодные условия, самочувствие оператора и т.д.), другие же
стабилизируются с какой-то погрешностью (например, содержание какого-либо
компонента в среде зависит от ошибки при взятии навески и приготовления
раствора). Учитывая также, что измерение параметра у осуществляется
прибором, обладающим какой-то погрешностью, зависящей от класса точности
прибора, можно прийти к выводу, что результаты повторностей одного и того же
опыта ук будут приближенными и должны
отличаться один от другого и от истинного значения выхода процесса.
Неконтролируемое, случайное изменение и множества других влияющих на процесс
факторов вызывает случайные отклонения измеряемой величины ук
от ее истинного значения – ошибку опыта.
Каждый эксперимент содержит элемент неопределенности вследствие
ограниченности экспериментального материала. Постановка повторных (или
параллельных) опытов не дает полностью совпадающих результатов, потому что
всегда существует ошибка опыта (ошибка воспроизводимости). Эту ошибку и нужно
оценить по параллельным опытам. Для этого опыт воспроизводится по возможности в
одинаковых условиях несколько раз и затем берется среднее арифметическое всех
результатов. Среднее арифметическое у равно сумме всех n отдельных результатов, деленной на
количество параллельных опытов n:
Отклонение результата любого опыта от среднего арифметического
можно представить как разность y2–
, где y2 – результат отдельного
опыта. Наличие отклонения свидетельствует об изменчивости, вариации значений
повторных опытов. Для измерения этой изменчивости чаще всего используют
дисперсию.
Дисперсией называется среднее значение квадрата отклонений
величины от ее среднего значения. Дисперсия обозначается s2 и
выражается формулой:
где (n-1)
– число степеней свободы, равное количеству опытов минус единица. Одна степень
свободы использована для вычисления среднего.
Корень квадратный из дисперсии, взятый с положительным знаком,
называется средним квадратическим отклонением, стандартом или квадратичной
ошибкой:
Ошибка опыта является суммарной величиной, результатом многих
ошибок: ошибок измерений факторов, ошибок измерений параметра оптимизации и др.
Каждую из этих ошибок можно, в свою очередь, разделить на составляющие.
Все ошибки принято разделять на два класса: систематические и
случайные (рисунок 1).
Систематические ошибки порождаются причинами, действующими
регулярно, в определенном направлении. Чаще всего эти ошибки можно изучить и
определить количественно. Систематическая ошибка – это ошибка,
которая остаётся постоянно или закономерно изменяется при повторных измерениях
одной и той же величины. Эти ошибки появляются вследствие неисправности
приборов, неточности метода измерения, какого либо упущения экспериментатора,
либо использования для вычисления неточных данных. Обнаружить систематические
ошибки, а также устранить их во многих случаях нелегко. Требуется тщательный
разбор методов анализа, строгая проверка всех измерительных приборов и
безусловное выполнение выработанных практикой правил экспериментальных работ.
Если систематические ошибки вызваны известными причинами, то их можно
определить. Подобные погрешности можно устранить введением поправок.
Систематические ошибки находят, калибруя измерительные приборы и
сопоставляя опытные данные с изменяющимися внешними условиями (например, при
градуировке термопары по реперным точкам, при сравнении с эталонным прибором).
Если систематические ошибки вызываются внешними условиями (переменной
температуры, сырья и т.д.), следует компенсировать их влияние.
Случайными ошибками называются
те, которые появляются нерегулярно, причины, возникновения которых неизвестны и
которые невозможно учесть заранее. Случайные ошибки вызываются и объективными
причинами и субъективными. Например, несовершенством приборов, их освещением,
расположением, изменением температуры в процессе измерений, загрязнением
реактивов, изменением электрического тока в цепи. Когда случайная ошибка больше
величины погрешности прибора, необходимо многократно повторить одно и тоже
измерение. Это позволяет сделать случайную ошибку сравнимой с погрешностью
вносимой прибором. Если же она меньше погрешности прибора, то уменьшать её нет
смысла. Такие ошибки имеют значение, которое отличается в отдельных измерениях.
Т.е. их значения могут быть неодинаковыми для измерений сделанных даже в
одинаковых условиях. Поскольку причины, приводящие к случайным ошибкам
неодинаковы в каждом эксперименте, и не могут быть учтены, поэтому исключить
случайные ошибки нельзя, можно лишь оценить их значения. При многократном
определении какого-либо показателя могут встречаться результаты, которые
значительно отличаются от других результатов той же серии. Они могут быть
следствием грубой ошибки, которая вызвана невнимательностью экспериментатора.
Систематические и случайные ошибки состоят из множества
элементарных ошибок. Для того чтобы исключать инструментальные ошибки, следует
проверять приборы перед опытом, иногда в течение опыта и обязательно после опыта.
Ошибки при проведении самого опыта возникают вследствие неравномерного нагрева
реакционной среды, разного способа перемешивания и т.п.
При повторении опытов такие ошибки могут вызвать большой разброс
экспериментальных результатов.
Очень важно исключить из экспериментальных данных грубые ошибки,
так называемый брак при повторных опытах. Грубые ошибки легко
обнаружить. Для выявления ошибок необходимо произвести измерения в других
условиях или повторить измерения через некоторое время. Для предотвращения
грубых ошибок нужно соблюдать аккуратность в записях, тщательность в работе и
записи результатов эксперимента. Грубая ошибка должна быть исключена из
экспериментальных данных. Для отброса ошибочных данных существуют определённые
правила.
Например, используют критерий Стьюдента t (Р;
f):
Опыт считается бракованным, если экспериментальное значение критерия t по
модулю больше табличного значения t (Р; f).
Если в распоряжении исследователя имеется экспериментальная оценка
дисперсии S2(yk)
с небольшим конечным числом степеней свободы, то доверительные ошибки
рассчитываются с помощью критерий Стьюдента t (Р;
f):
ε()
= t (Р; f)* S(yk)/= t (Р; f)* S(
)
ε(yk) = t (Р; f)* S(yk)