База примеров

Управление экономикой города с использованием инструментов прогноза математической среды STATISTICA


Пример выполнен в 5ой версии системы STATISTICA. Информация о текущей версии

Якимович С.С.,
  начальник отдела экономики администрации г. Йошкар-Олы 

Основная цель управления экономикой города - обеспечение комплексного развития муниципального образования. Поставленная цель реализуется посредством конкретных планов и прогнозов, которые позволяют эффективно организовать деятельность и достигнуть намеченных перспектив. Одним из инструментов достижения целей муниципального управления экономикой является прогнозирование и оценка программ местного экономического развития. Эта сфера составляет неотъемлемую часть сложного управления городом и при наличии информационно-технических средств в Администрации города обеспечивает эффективную поддержку выработки решения и его осуществления.

Средством корректной разработки планов-прогнозов и обоснованного выбора дальнейшего развития являются различные экономико-математические методы. К ним относятся методы активизации интуиции и творческих способностей специалистов, предполагающие использование научного, интеллектуального, исследовательского и творческого опыта экспертов. В частности, это: мозговой штурм, метод гирлянд и ассоциаций, метод решающих матриц, морфологический анализ, метод сценариев [1]. Однако, перечисленные методы не учитывают стохастичность протекающих процессов и могут представить лишь предполагаемые качественные оценки будущего. 

Процессы рыночной экономики характеризуются интенсивными изменениями текущей ситуации, определяемой как детерминированной, так и стохастичной составляющей. Каждая новая возникающая проблема заставляет управляющие органы вырабатывать новые управленческие решения. Поэтому весьма актуальным и наиболее эффективным здесь является упреждающее (предварительное) управление причинами и влияющими факторами, основанное на достаточно точном прогнозе и достоверных данных для его получения и которое включает в себя три этапа: 1) прогнозирование; 2) мониторинг; 3) принятие решений управления. 

При прогнозировании рассматриваются модели, описывающие вероятностную структуру последовательности наблюдений, или стохастические процессы [2]. Сделать прогноз – значит узнать вероятностное распределение будущих наблюдений по выборке значений из прошлого. Другими словами, прогноз – не что иное, как взвешенное, различными способами среднее предыдущих наблюдений [3]. 

Подробно методика выбора типа модели, идентификации ее параметров, проверки модели на адекватность представлена в [3], [4].Она же (методика) реализуется при построении прогнозов в программной среде STATISTICA, что позволяет получить достоверные прогнозы для упреждающего управления. Продемонстрируем несколько примеров изложенного подхода. 

Первый – построение помесячного прогноза на 2002 год для индекса физического объема производства основных налогообразующих предприятий города Йошкар-Олы. Исходными данными являются ежемесячные показатели по данным Госкомстата Республики Марий Эл за 3 последних года – с 1999 по 2001 гг. Процедура построения прогноза начинается с ввода данных. На рис. 1 представлен по месяцам график временного ряда введенных данных. Из графика видно, что временной ряд имеет определенный тренд и, вероятнее всего, нелинейный, а также периодические (сезонные) изменения с примерным периодом, равным четырем месяцам. 

График индекса физического объема промышленной продукции

Рис. 1. График индекса физического объема промышленной продукции основных налогообразующих предприятий города Йошкар-Олы за 1999-2001 гг

Далее проводится подбор класса моделей и методов, заслуживающих опробования, которые должны быть подогнаны к существующему временному ряду с идентификацией параметров моделей и проверены в системе STATISTICA по методике [3], [4]. 

Таблица результатов поиска параметров

Рис. 2. Таблица результатов поиска параметров временного ряда для индекса физического объема промышленной продукции основных налогообразующих предприятий г. Йошкар-Олы

Метод экспоненциального сглаживания и прогнозирования использован для описания представленного ряда и последующей подгонки, в связи с простотой его применения (позволяет обойтись без построения и оценок автокорреляционных функций самого ряда, его остатков) и возможностью получения приемлемого прогноза. Однако этот метод не позволяет рассчитать риски или доверительные интервалы при использовании прогнозов. 

Таблица ошибок

Рис. 3. Таблица ошибок (расхождений) между фактическими значениями ряда до прогнозного периода и полученными значениями ряда на основе метода экспоненциальногo сглаживания

Результаты экспоненциального сглаживания и прогноз

Рис. 4. Результаты экспоненциального сглаживания и прогноз индекса физического объема промышленной продукции основных налогообразующих предприятий г. Йошкар-Олы

Где:
сплошная линия – фактические данные; 
пунктирная линия – сглаживание и прогноз;
точечная линия – расхождения между фактическими данными и сглаживанием.

Результаты подгонки прогнозирования по этому методу с экспоненциальным трендом представлены на рис. 2, 3 (фрагмент таблицы результатов прогноза и ошибок подгонки) и на рис. 4 - график с прогнозом на последующие 12 месяцев.

Сравнение значений подогнанной модели с фактическими данными периода поcтпрогноза обнаруживает недостатки выбранной модели. На рис. 4 нанесены 3 точки – фактические значения параметра за январь, февраль, март 2002 года. Как видим, функции прогноза лежат целиком ниже фактических значений ряда (особенно велико несовпадение в январе), следовательно, без оценки доверительных интервалов, прогноз оказался некорректен. Так расхождение между прогнозным (100,9) и фактическим значением (115,3) составило порядка 10%, что весьма существенно для индекса физического объема промышленной продукции.

Прогноз индекса физического объема промышленной продукции

Рис. 5. Прогноз индекса физического объема промышленной продукции основных налогообразующих предприятий г. Йошкар-Олы на основе метода авторегрессии

Где:
сплошная линия – фактические данные;
пунктирная линия – сглаживание и прогноз;
точечная линия – верхняя и нижняя границы доверительного интервала при доверительной вероятности равной 0,9.

Второй пример – прогноз, построенный на основе модели АРПСС (авторегрессии и проинтегрированного скользящего среднего), представлен на рис. 5. Эта модель принята за основу для принятия последующих решений в связи с более адекватным описанием временного ряда прошлых значений (см. рис. 6) и с наличием доверительного интервала области значений для предсказания. Так расхождение фактических и предсказанных данных за декабрь 2001 г. по модели АРПСС (см. рис. 2 и рис. 6) почти в пять раз меньше, чем по модели экспоненциального сглаживания. 

Идентификация порядка разности (d=1), параметров и оценка адекватности модели проведены в соответствии с методикой [3], [4]. Однако, большей частью тип модели (АП-авторегрессии), порядок авторегрессии (p=6), порядок скользящего среднего (q=0) и параметры сезонности после предварительного определения в соответствии с методикой, уточнялись методом последовательного перебора. 

Следует отметить, что никакая модель не может быть абсолютно правильной. Но мы имеем б’ольшие основания пользоваться той моделью, у которой не выявили серьезных отклонений. Подтверждение этому факту - расхождение между прогнозным (112,8) и фактическим значением (115,3) для модели АРПСС составило порядка 1%, что существенно меньше, чем для предыдущей модели. Расхождения по февралю и марту достаточно близки, однако модель АРПСС более точна.

Таблица результатов поиска параметров временного ряда

Рис. 6. Таблица результатов поиска параметров временного ряда для индекса физического объема промышленной продукции основных налогообразующих предприятий г. Йошкар-Олы

Построение прогноза проводилось в апреле 2002 года. На сегодняшний день имеются фактические данные за 8 месяцев 2002 года (на рис. 4, 5 обозначены точками), которые подтверждают обоснованный выбор модели АРПСС. 

Изложенный подход используется для прогнозирования и других показателей социально-экономического развития.

План-прогноз является основой для формирования бюджета муниципального образования. От достоверности его составления зависит адекватная оценка доходов и расходов бюджета для выполнения полномочий Администрации города в управлении социально-экономическим развитием. Использование математических методов в управлении экономикой города позволяет получить более точный прогноз.

При разработке прогнозов на среднесрочную и долгосрочную перспективу используются различные инструменты, учитываются сценарные условия, разработанные Министерством экономического развития РФ, статистические показатели Госкомстата, данные основных налогообразующих предприятий, а также сложившиеся тенденции развития.

Следующий этап – мониторинг, ежемесячный контроль выполнения основных показателей, выработка и принятие мер по их выполнению, разработка мероприятий по обеспечению благоприятных тенденций социально-экономического развития. В Администрации города Йошкар-Олы с 1998 года ведется мониторинг основных индикаторов социально-экономического развития города. С целью повышения его эффективности и обоснованного принятия управленческих решений предполагается использование известных мировых инструментов контроля качества: различных видов контрольных карт (карты Шухарта и пр.); методов выявления причин и факторов влияния на контролируемый критерий - метод расслоения, причинно-следственные диаграммы, диаграммы зависимости и пр. В связи с тем, что нормативных контрольных границ для большинства показателей мониторинга муниципального образования не существует, предполагается использование в качестве нижней контрольной границы – прогнозной линии, построенной на основе рассмотренных выше инструментов, а верхней контрольной границы – верхней границы доверительного интервала прогнозной линии.

Возможно, что нижняя контрольная граница назначается достаточно жестко, однако такой подход при наличии сильной администрации, по крайней мере может не допустить тенденции к снижению тех или иных показателей развития города. В качестве инструмента для ведения и обработки контрольных карт предполагается математическая программная среда STATISTICA.

 


Литература

  • Муниципальный менеджмент: Справочное пособие/Иванов В.В., Коробова А.Н. – М.: ИНФРА-М, 2002.-718с.

  • Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер. с англ. – М.: Мир, 1989. -540с.

  • Бокс Дж., Дженкинс Г. Анализ временн’ых рядов. Прогноз и управление. Выпуск 1. пер. с англ. Левшина А.Л. Издательство "Мир", М., 1974.-4 06с.

  • Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб.пособие. – М.: Финансы и статистика, 1999. – с.55.


В начало


Узнайте больше на курсах Академии Анализа Данных StatSoft

Список курсов    Календарь    Расписание груповых занятий






info@statsoft.ru       (495) 787-77-33       (499) 674-06-15       STATISTICA Data Miner 13.2 Trial

Авторские права на дизайн и материалы сайта принадлежат компании StatSoft Russia.
Все права защищены.

© StatSoft Russia
1999-2017

StatSoft Russia – компания, зарегистрированная и действующая в соответствии с законами России, которые могут отличаться от законов других стран, имеющих офисы StatSoft. Каждый офис StatSoft является самостоятельным юридическим лицом, имеет право предлагать услуги и разрабатывать приложения, которые могут быть, а могут и не быть представлены в офисах StatSoft других стран.

Лицензионное соглашение      Карта сайта