|
собственно прогнозирования, по необходимости, должен предшествовать этап предпрогнозного анализа. Имеется основание ожидать, что чем лучше предпрогнозные характеристики, тем лучше результаты прогнозирования. При этом целесообразно реализовать комбинированный подход к построению, визуализации и совместному использованию клеточного автомата, фазовых траекторий, фрактального анализа временных рядов для получения дополнительной предпрогнозной информации. 3. Автором осуществлена попытка комплексного анализа на основе исследования классических рисковых показателей. В контексте проблемы прогнозирования и визуализации данных таблиц 3.9-3.10, вытекает принципиально важный вывод об отсутствии свойства стационарности рассмотренных временных рядов. Напомним, что наличие этого свойства является обязательным в случае, когда прогнозирование осуществляется на базе методов математической статистики. 4. Относительно полученных показателей, можно сделать следующие выводы: необходимо использовать разные подходы для планирования и финансирования деятельности отделений В1 и В2, так как мера риска СКО для ряда В1 имеет большее значение чем для В2. Автор предлагает для плановоэкономического отдела КЧРБ разработать скользящий график планирования бюджета для отделения кардиологии. для получения краткосрочного (один месяц), среднесрочного (от одного до двух лет) и долгосрочного прогноза (на пять лет), автор предлагает использовать еженедельные, аі'регированные помесячные и агрегированные поквартальные данные соответственно. Таким образом, на основании полученных прогнозов, можно определить объемы финансирования лечебных учреждений в зависимости от потребности населения. На основе этого можно корректировать план бюджетного финансирования в конкретном медицинском учреждении, путём более 140 |
лизована на временных рядах котировки акций известных российских компаний «РАО ЕЭС», «Ростелеком» и «Сибнефть» и наиболее полно представлена в настоящей диссертационной работе на конкретных исходных данных компании «Сбербанк». 4.4 Выводы к главе 4 1. Сопоставляя результаты предпрогнозного анализа, полученные в главах 2 и 3, с результатами прогнозирования, представленными в приложении 3 и таблице 4.7, представляется возможным утверждать, что результаты прогнозирования на базе клеточного автомата в достаточной степени согласуются с результатами предпрогнозного анализа, полученными как с помощью фрактального анализа, так и с помощью фазового анализа: достаточно значительным погрешностям числового и лингвистического прогноза временных рядов котировки акций компаний «РАО ЕЭС», «Ростелеком» и «Сибнефть» (см.табл.4.7) предшествовали неудовлетворительные предпрогнозные характеристики этих рядов (как исходных так и агрегированных); вполне приемлемым (т.е. сопоставимым с погрешностью исходных данных) погрешностям числового и лингвистического прогноза временного ряда котировки акций компании «Сбербанк» предшествовали вполне удовлетворительные прогнозные характеристики агрегированного ВР этой компании. 2. В контексте сложившихся к настоящему времени методов экономико-математического прогнозирования можно утверждать, что реализации собственно прогнозирования, по необходимости должен предшествовать этап предпрогнозного анализа. Имеется основание ожидать, что чем лучше предпрогнозные характеристики, тем лучше результаты прогнозирования. При этом целесообразно реализовать комбинированный подход к построению, визуализации и совместному использованию клеточного автомата, фа |