ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ
В результате освоения данной главы студент должен:
знать
- • основные понятия, принципы, методы и инструменты анализа и прогнозирования эволюционных социально-экономических процессов;
- • современные теории краткосрочного прогнозирования эволюционных процессов;
- • характеристики и свойства модели экспоненциального сглаживания и ее модификаций;
уметь
- • определять процессы, для прогнозирования которых уместно применение модели экспоненциального сглаживания и ее модификаций;
- • находить оптимальное значение постоянной сглаживания и давать интерпретацию этому значению;
- • выявлять тип социально-экономической динамики и подбирать соответствующую ей модификацию модели экспоненциального сглаживания;
владеть
- • методами и методиками прогнозирования с помощью модели экспоненциального сглаживания;
- • методами и методиками прогнозирования социально-экономической динамики с учетом типа этой динамики, в том числе цикличности социально-экономических явлений;
- • информационными технологиями автоматизации выбора моделей экспоненциального сглаживания для прогнозирования социально-экономических процессов.
Поскольку большие социально-экономические системы, необратимо развиваясь во времени, адаптируются к различным внешним и внутренним факторам, модели, которые описывают закономерности этого развития, также должны учитывать это свойство, т.е. быть адаптивными. Иначе причинно-следственные связи не будут описаны и прогнозные модели будут неточны.
Понятия адаптации и адаптивности появились в лексиконе экономистов с приходом в экономику системного анализа. Практически во всех работах, посвященных анализу свойств больших систем экономики, выявляется свойство адаптивности, т.е. способности к адаптации, приспособлению, самообучаемости и самоорганизуемости.
Так, под адаптацией понимается способность системы использовать получение новой информации для приближения своего поведения и структуры к оптимальным в новых условиях. Самообучение – это способность системы, адаптируясь к новым условиям, корректировать свое поведение с учетом допущенных ошибок. Способность же системы изменять свою структуру, состав и параметры элементов при изменении условий взаимодействия с окружающей средой выделяется как свойство самоорганизуемости[1].
Любая большая система является адаптивной – она тем или иным образом приспосабливается к изменившимся условиям. Но не каждая из таких систем обладает свойством самообучаемости – приспособления не только на основе внешней информации, но и на основе того, насколько поведение системы далеко от оптимального. Высший уровень живучести большой системы определяется наличием у нее не только свойств адаптивности и самообучаемости, но и самоорганизации.
Поскольку основной задачей социально-экономического прогнозирования является построение прогнозных моделей, наилучшим способом описывающих динамику развития, то при прогнозировании эволюционных процессов для этого используют адаптивные методы, позволяющие в большей степени учитывать текущую информацию и в меньшей степени – прошлую. Основное свойство таких методов – изменение коэффициентов построенной модели при поступлении новой информации, т.е. адаптация моделей к новым данным.
Впрочем, иногда встречается и такое понятие адаптивной корректировки параметров модели, когда они, оцененные с помощью МПК, при поступлении новой информации просто пересчитываются вновь[2]. В данном случае нельзя говорить об адаптации как таковой, так как последняя предусматривает приспособление моделей к новой информации, учет ее в большей степени, чем прошлой информации, а нс простой перерасчет коэффициентов модели с учетом дополнительной информации, которая считается одинаково важной как в начале наблюдений, так и в ее конце. Это уточнение модели, а не ее адаптация.
Формальной основой алгоритмов адаптации могут быть любые итеративные методы, позволяющие за конечное количество шагов найти нужное решение. Именно такие методы нашли широчайшее применение в задачах социально-экономического прогнозирования. В этой главе мы рассмотрим один из самых популярных в среде практикующих прогнозистов адаптивных методов прогнозирования тенденций в рядах данных.
