(5.25) Ч (*), 42 (т),.... Чк (т); х, (т), х2 (т),..., хга (т), формируемой в виде структурных уравнений связи: Р,(Ч1, Чг, ...,Чк;Х,х2,... ,хт;а0,а.................а,) = Е , 0 = где — наблюдаемые переменные, характеризующие состояние объекта; принимаются как эндогенные; в общем случае они содержат случайные компоненты; XI — экзогенные переменные (контролируемые, определяемые вне системы), принимаются в качестве аргументов. Важнейшей проблемой прогнозирования является повышение качества прогнозов, которое связывается с повышением их надежности. Надежность прогноза определяется вероятностью реализации соответствующей прогностической оценки. Вероятность реализации связана с доверительными интервалами прогноза. При этом под мерой точности понимается размер доверительного интервала. Как было установлено [217, 218], функционирование модели информационного подкомплекса моделей по формированию исходных данных осуществляется экспертным путем. Эти модели включают формирование достаточно полных динамических рядов для прогнозирования на конкретный период перспективы $—10 лет. В случае сильной колеблемости ряда сокращается период наблюдений, путем отсечения членов ряда, искажающих новую тенденцию. От достоверности, лежащей в основе прогноза фактической информации, зависит качество прогноза, выявление правильной тенденции развития АПК и закономерностей его изменения. Поэтому при предварительном анализе исходной информации исключены нехарактерные (аномальные) точки во временном ряду, что позволяет значительно повысить надежность прогноза. Модели прогноза по тренду и колеблемости формируются на основе изучения тенденции изменения конкретного показателя и перенесения этой тенденции на будущее. Эта модель может быть представлена в виде: Ук = Г(а<,,а, ...,ат,Гк), (5.26) где ао, а^., ат — параметры уравнения тренда; 1к— номер прогнозируемого года (периода). Для расчета модулей информационного подкомплекса моделей, в частности для выделения тренда, были применены методы, предложенные в работах [226, 274]. В моделях 2.2 авторегрессионного прогноза прогнозируемый уровень 305 |
42 ляются многомерные прогнозы по ресурсам. Получены варианты сквозных прогнозов в целом по объекту с учетом разного уровня затрат производственных ресурсов. На основе анализа нескольких вариантов сквозного прогнозирования дается предпочтение тому из них, который наиболее полно удовлетворяет поставленным целям и задачам сквозного прогнозирования. • В работе [47] на основе одномерных прогнозов сельскохозяйственных культур и многомерных прогнозов материально-денежных и трудовых затрат приводится оптимизационная модель по расчету структуры сельскохозяйственного производства; рассчитан сквозной прогноз в рамках трех исходов природно-климатических условий и наличных производственных ресурсов. При этом показатели затрат ресурсов, а также их объемы на перспективу не прогнозируются. В работах [44, 46] одномерные прогнозы при обосновании нормативов для многомерного и сквозного прогнозирования не дифференцируются по признаку надежности. Поэтому сквозные прогнозы принимают качество * неопределенности. Повышение качества прогнозов является одной из важнейших проблем прогнозирования. Повышение качества прогнозов связано с повышением их надежности. Надежность прогноза определяется вероятностью реализации соответствующей прогностической оценки. Вероятность реализаций связана с доверительными интервалами прогноза. Г.Тейл [114] предложил в качестве меры качества прогнозов коэффициент расхождения, числителем которого является средняя квадратическая ошибка прогноза, а знаменателем квадратный корень из среднего квадрата реализации у _ & и 4) 2 , (,.4) где и А{ соответственно, предсказание и фактическое изменение переменной. доверительных границ. Модель 2.5 служит для определения точечного прогноза конкретного уровня показателя и его доверительных границ. Надежность точечного прогноза, как известно, чрезвычайно мала. Поэтому использование этого прогноза в расчетах снижает практическую ценность их результатов. В моделях 3 обеспечивается возможность определения одномерных прогнозов недетерминированных показателей с заданной надежностью, что весьма ценно в реальном прогнозировании. Учитывая, что прогноз развития сельскохозяйственного производства в республике целесообразно формировать в виде конкретных вариантов с заданной степенью надежности вероятностных параметров, то модели 3 в процессе функционирования информационного подкомплекса моделей выступают в качестве средств, обеспечивающих расчет одномерных прошозов вероятностных параметров с конкретным задаваемым уровнем надежности. Модели 3 реализуют любые приемы одномерного прогнозирования вероятностных показателей с заданной надежностью. В расчетах используется методика одномерного прогнозирования вероятностных показателей с заданной надежностью, предложенная в работах [90, 103, 107]. 4.2. Комплекс моделей сквозного прогнозирования сельскохозяйственного производства Функционирование модели информационного подкомплекса моделей (рис. 4.2) по формированию исходных данных осуществляется экспертным путем. Модули в них формально не выражаются. Эти модели включают формирование достаточно полных динамических рядов для прогнозирования на конкретный период перспективы 5-10 лет. В случае сильной колеблемости ряда сокращается период наблюдений, путем отсечения членов ряда, искажающих новую тенденцию. От достоверности, лежащей в основе прогноза фактической информации, зависит качество прогноза, выявление правильной тенденции развития АПК и закономерностей его изменения. Поэтому при предварительном анализе исходной информации исключены нехарактерные (аномальные) точки во временном ряду, что позволяет значительно повысить надежность прогноза. Модели 2 (рис. 4.2) прогноза по тренду и колеблемости формируются на основе изучения тенденции изменения конкретного показателя и перенесения этой тенденции на будущее. Основной модуль модели 2.1 (рис. 4.3) может быть представлен в виде: — (ао, И,..ат, 1к), где ао, аь ащ параметры уравнения тренда; 1кномер прогнозируемого года (периода). Для расчета модулей информационного подкомплекса моделей, в частности, для выделения тренда, были применены методы, описанные в гл. I. В моделях 2.2 (рис. 4.3) авторегрессионного прогноза прогнозируемый уровень определенного показателя выражается непосредственно через величины уровня данного показателя прошлых лет в виде: Ук = Г(УьУ2,...,Ук.), где 1 период упреждения; к 1база прогноза; Уь У2,..., Ук-1 фактические значения показателя прошлых лет. Основной модуль модели 2.2 можно представить в виде линейной комбинации. Уи = ао + а! -Ук_1 + а2 ‘Ук-1-1 + ... + *Ук-1-т+Ь где ао — свободный член уравнения; аь а 2 З т ~ коэффициенты уравнения. Модель 2.3 (рис. 4.3) прогноза среднегодового уровня показателя и его доверительных границ включает следующие расчетные модули |