|
расширять границы познания, то есть обеспечивать получение такой информации, которую другими средствами получить нельзя; быть достаточно абстрактными, чтобы способствовать выявлению скрытых причинно-следственных связей и заключать в себе элементы новизны. Одна из трудностей в построении статистических моделей заключается в противоречии между непрерывным характером социальных и производственных процессов и дискретным характером моделей, в наличии временных лагов, то есть несинхронное™ во времени связанных между собой социальноэкономических явлений. Это приводит к тому, что связи, отражаемые в моделях, носят вероятностный характер, в них сказывается влияние временных сдвигов. Причина, выраженная в модели факторными признаками, порождает следствие не мгновенно, а лишь по истечение некоторого времени [83]. Моделирование динамики осуществляется в виде функции времени на основе трендовых моделей, параметры которых определяются методом наименьших квадратов. В трендовых моделях единственным независимым признаком является время t. Основная предпосылка использования трендовых моделей заключается в неизменности тенденции, описываемой исходным динамическим рядом. Моделирование на основе трендов базируется на предположении сохранения закона изменения прогнозируемой величины, действующего на определенном интервале времени в прошлом на будущее. Однако, чаще всего бывает, что вид и параметры закона изменения, тенденции развития величины зависят от интервалов времени, по состоянию на которые они определяются. Следовательно, статистическая информация, используемая при построении моделей динамики, не является равноценной. Более ценной информацией будет та, которая относится к поздним интервалам времени, и оценивать эту информацию следует значительно весомей. Таким образом, дисконтирование в статистике рассматривается как принцип уменьшения информативности данных но мере |
63 кать возможность включения в ходе реализации дополнительных факторных признаков или их исключение; строиться на базе достаточно большого числа достоверных данных, чтобы отчетливо могли проявиться реально существующие взаимосвязи, тенденции и закономерности; расширять границы познания, т. е. обеспечивать получение такой информации, которую другими средствами получить нельзя; быть достаточно абстрактными, чтобы способствовать выявлению скрытых причинно-следственных связей и заключать в себе элементы новизны. Статистические модели классифицируют в зависимости от уровня социально-экономического явления. По этому признаку выявляют: макроэкономические модели, отражающие уровень народнохозяйственного развития, например модель темпов роста национального дохода в зависимости от ряда факторов; межотраслевые модели, описывающие развитие комплекса отраслей народного хозяйства в зависимости от объема капитальных вложений, наличия производственных фондов, квалификации работников и т. д. отраслевые модели, отражающие количественные взаимосвязи, существующие внутри отдельных отраслей, между рентабельностью, себестоимостью продукции, объемом товарной продукции и другими показателями. Большое значение имеет статистическое моделирование отдельных технико-экономических показателей предприятий – модели производительности труда, рентабельности и т. д. По степени охвата территории различают: народнохозяйственные – для всей страны; региональные – для экономических или административных регионов и зон, территориально-производственных комплексов; районные – для совокупности или отдельного населенного пункта (район, город и т. п.). В зависимости от состояния объекта прогнозирования статистические модели можно классифицировать: по размерности (число факторов дается ориентировочно); а) сублокальные с числом факторных признаков до 3; б) локальные с числом факторных признаков от 4 до 14; 64 в) субглобальные с числом факторных признаков от 15 до 35; г) глобальные с числом факторных признаков свыше 100; по сложности: а) сверхпростые, в которых отсутствуют существенные причинно-следственные связи между признаками; б) простые – отражают только парные связи между признаками; в) сложные – отражают многофакторные связи между признаками; г) сверхсложные – отражают многочисленные причинноследственные связи, состоят из системы уравнений; по степени детерминированности: а) стохастические модели, в которых существенное значение имеет случайная компонента; б) смешанные модели, в которых случайная компонента не столь существенна, но ее следует учитывать, особенно в дальнесрочных прогнозах; по характеру отражения времени: а) моментные; б) интервальные; по степени информационного обеспечения: а) с полным информационным обеспечением; б) с неполным информационным обеспечением; по назначению: а) аналитические; б) балансовые; в) оптимизационно-управленческие. Одна из трудностей в построении статистических моделей заключается в противоречии между непрерывным характером социальных и производственных процессов и дискретным характером моделей, в наличии временных лагов, т. е. несинхронности во времени связанных между собой социально-экономических явлений. Это приводит к тому, что связи, отражаемые в моделях, носят вероятностный характер, в них сказывается влияние временных сдвигов. Причина, выраженная в модели факторными признаками, порождает следствие не мгновенно, а лишь по истечении некоторого времени. |