Использование статистических методов прогнозирования социально-экономического развития регионов России

Размещено на http: //www. allbest. ru/

Использование статистических методов прогнозирования социально-экономического развития регионов России

С.Т. Касюк, Л.Ю. Мирошникова

Аннотация

Использование статистических методов прогнозирования социально-экономического развития регионов России.

Данная статья посвящена использованию статистических методов прогнозирования социально-экономического развития регионов Российской Федерации.

Ключевые слова: статистические методы прогнозирования, временные ряды, социально-экономическое развитие регионов.

Annotation

S.T. Kasyuk, L.Yu. Miroshnikova

USE OF STATISTICAL FORECASTING METHODS SOCIAL AND ECONOMIC DEVELOPMENT OF THE REGIONS OF RUSSIA

Use of statistical methods for forecasting social and economic development of Russian regions.

This article is devoted to the use of statistical methods for forecasting the socio-economic development of the regions of the Russian Federation.

Keywords: statistical methods of forecasting, time series, social and economic development of regions.

Характеристика проблемы. В настоящее время статистические методы прогнозирования становятся важным инструментом в деятельности органов управления федерального и регионального уровней. В современных кризисных условиях перед руководителями различных уровней встает проблема прогнозирования показателей социально-экономического развития регионов России как эффективного инструмента принятия управленческих решений.

Цель работы заключается в анализе используемых статистических методов прогнозирования временных рядов для оценки социально-экономического развития регионов России.

Результаты работы. Проблема прогнозирования может быть решена с помощью статистических методов, анализирующих временные ряды. Временной ряд представляет последовательность значений статистического показателя за некоторый период времени.

Процесс прогнозирования временных рядов базируется на выявлении закономерностей, объясняющих динамику социально-экономического процесса в прошлом, и использовании этих закономерностей для описания развития в будущем. Методы прогнозирования временных рядов хорошо известны, изложены в литературе, например [1-8, 11-13], и состоят из этапов, представленных на рисунке 1.

Рис. 1 Этапы прогнозирования временных рядов

Этап сбора данных о социально-экономическом развитии регионов России осуществляется территориальными органами Федеральной службы государственной статистики, в которой на основе собранных данных производятся расчеты статистических показателей наблюдения и идентификаторов. Официальная статистическая информация по регионам доступна через Центральную базу статистических данных (http://cbsd.gks.ru/), Единую межведомственную информационно-статистическую систему (https://www.fedstat.ru/), Базу данных показателей муниципальных образований (http://www.gks.ru/free_doc/new_site/bd_munst/munst.htm).

Этап визуализации данных с помощью графиков позволяет: оценить степень пригодности данных для прогнозирования, выдвинуть гипотезы о закономерностях социально-экономических процессов, определить требуемые виды преобразования данных [11].

Этап преобразования данных необходим для очистки и предобработки данных временных рядов, поскольку алгоритмы статистических методов предъявляют определенные требования к исходной информации. Должны быть произведены очистка от аномальных значений и восстановление пропущенных данных.

На этапе алгоритмов статистических методов осуществляется расчет и анализ основных показателей динамики временного ряда и построение моделей прогнозирования.

Временные ряды социально-экономических показателей включают четыре компоненты: тренд, сезонную, циклическую и случайную составляющие [6].

Тренд представляет медленно меняющуюся компоненту временного ряда, которая описывает влияние на социально-экономические процессы долговременно действующих факторов, вызывающих плавные и длительные изменения ряда.

Во временных рядах социально-экономических процессов присутствуют периодические составляющие. Колебания с периодом, не превышающим одного года, называют сезонными. Причины их возникновения - природно-климатические или социальные. При большем периоде колебаний во временных рядах присутствует циклическая составляющая.

Случайная составляющая временного ряда формируется под воздействием как факторов внезапного действия, так и текущих факторов, влияние каждого из которых незначительно, но ощущается их суммарное воздействие [3, 4].

Для количественной оценки динамики социально-экономических процессов применяются такие статистические показатели, как абсолютные приросты, темпы роста, темпы прироста. Данные показатели разделяются на цепные, базисные и средние [8].

Сглаживание временного ряда является распространенным приемом для выявления тенденции развития. Процесс сглаживания заключается в замене фактических уровней временного ряда расчетными. Это способствует более четкому проявлению тенденции развития социально-экономического процесса, позволяет сгладить как случайные, так и периодические колебания [3, 8].

Одним из средств описания временных рядов является их выравнивание с помощью кривых роста, которые позволяют получить теоретические значения уровней динамического ряда. Применение кривых роста базируется на предположении о сохранении тенденции как на всем периоде наблюдений, так и в прогнозируемом периоде. Оценивание коэффициентов кривых роста осуществляется на основе метода наименьших квадратов.

Алгоритм разработки прогноза социально-экономического процесса с использованием кривых роста включает следующие этапы [3, 4]:

1) выбор кривых, форма которых соответствует характеру изменения временного ряда;

2) оценка параметров выбранных кривых;

3) проверка адекватности выбранных кривых прогнозируемому процессу и окончательный выбор кривой роста;

4) расчет точечного и интервального прогнозов.

Традиционные методы прогнозирования социально-экономических показателей предусматривают, что основные тенденции, выявленные на предыстории, сохраняются и на прогнозируемом периоде. Процесс экстраполяции базируется на предположении об инерционности прогнозируемых социально-экономических процессов [3, 4].

В кризисных условиях даже наиболее инерционные социально-экономические процессы становятся подвижными. В связи с этим возрастает роль адаптивных методов прогнозирования временных рядов, позволяющих оперативно реагировать на изменение социально-экономических условий путем учета результата прогноза, сделанного на предыдущем шаге, и учета степени устаревания данных [2, 3].

Схема построения адаптивных моделей прогнозирования приведена на рисунке 2. Оценивание коэффициентов адаптивных моделей осуществляется обычно на основе рекуррентного метода.

Рис. 2 Схема построения адаптивных моделей прогнозирования

Наиболее распространёнными моделями временных рядов являются модели авторегрессии и модели скользящего среднего.

В модели авторегрессии каждое значение ряда находится в линейной зависимости от предыдущих значений.

В модели скользящего среднего предполагается, что в ошибках модели в предшествующие периоды сосредоточена информация обо всей предыстории ряда. В этой модели каждое новое значение является средним между текущей флуктуацией и несколькими предыдущими ошибками [6, 7].

Социально-экономические временные ряды в основном нестационарны, то есть в ряде присутствует неслучайная составляющая, зависящая от времени. Для описания нестационарных временных рядов используется модель авторегрессии проинтегрированного скользящего среднего (ARIMA).

Рис. 3 Схема построения моделей ARIMA

Схема построения моделей ARIMA представлена на рисунке 3 и включает следующие этапы [3, 12]:

1) идентификацию пробной модели;

2) оценивание параметров модели и проверку адекватности модели;

3) использование модели для прогнозирования.

За последнее время возрос интерес к использованию моделей искусственных нейронных сетей для решения задач прогнозирования социально-экономических процессов. Эффективность использования нейронных сетей объясняется возможностью моделирования нелинейных процессов в социально-экономических системах, а также способностью нейронных сетей к самообучению.

Использование нейронных сетей позволяет прогнозировать значения переменной по предыдущим значениям этой или других переменных. Выполнить прогноз можно на любое число шагов вперед во времени. Для построения нейросетевых моделей необходимо указать условия выбора наблюдений, стратегии построения нейронных сетей, размеры обучающей, контрольной и тестовой подвыборок, количество наблюдений, являющихся входными в нейронную сеть, алгоритмы обучения нейронной сети [9-11, 14].

Алгоритмы статистических методов прогнозирования временных рядов реализованы в таких статистических системах, как STATISTICA компании Dell Software, SPSS Statistics компании IBM, SAS компании SAS Institute и др. Например, в Челябинском филиале РАНХиГС преподавание прогнозирования временных рядов осуществляется в системе STATISTICA, включающей модуль нейронных сетей SANN (STATISTICA Atutomated Neural Networks). Методы прогнозирования временных рядов в STATISTICA хорошо изложены в литературе [1, 5, 9, 10].

На этапе получения результатов прогнозирования осуществляется подстановка в полученную модель значений времени, соответствующих периоду упреждения. Полученный таким образом прогноз называется точечным. Дополнительно вычисляется также интервальный прогноз.

Для оценки качества полученной модели проверяется её адекватность и анализируются показатели точности.

Проверка адекватности строится на анализе случайной компоненты и базируется на использовании следующих статистических критериев: случайная компонента должна удовлетворять свойствам случайности, независимости и подчиняться нормальному закону распределения.

Показатели точности статистических моделей можно разделить на три группы: аналитические, сравнительные и качественные [13].

Несовпадение фактических данных с точечным прогнозом модели может быть вызвано субъективной ошибочностью выбора модели, погрешностью оценивания параметров модели, а также отклонением отдельных наблюдений от тренда.

Этап интерпретации результатов представляет собой процесс обработки полученных данных прогноза для описания состояния и динамики социально-экономического процесса с целью определения их смыслового значения. Результатом интерпретации является экспертная оценка качества полученных моделей, достоверности результатов прогнозов, применимости полученных прогнозов для принятия обоснованных управленческих решений.

Выводы

Эффективное применение методов прогнозирования социально-экономического развития регионов России возможно лишь при сочетании знаний в области самих статистических методов с глубоким знанием социально-экономических процессов в регионе и содержательным анализом региональных показателей развития.

временной ряд статистический региональный

Список использованных источников и литературы

1. Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие / В.П. Боровиков, Г.И. Ивченко. М.: Финансы и статистика, 2000. 384 с.

2. Воловиков С.А. Экономические прогнозы по временным рядам: учебное пособие / С.А. Воловиков. М.: МГПУ, 2010. 34 с.

3. Дуброва, Т.А. Статистические методы прогнозирования: Учеб. пособие для вузов / Т.А. Дуброва. М.: ЮНИТА-ДАНА, 2003. 206 с.

4. Дуброва, Т.А. Статистические методы прогнозирования в экономике / Т.А. Дуброва. М.: Изд-во МФПА, 2004. 60 с.

5. Дуброва, Т.А. Анализ временных рядов и прогнозирование в системе STATISTICA: Учебное пособие / Т.А. Дуброва, Л.П. Бакуменко, Н.К. Швецова, А.В. Бурков. М.: Изд-во ММИЭИФП, 2002. 83 с.

6. Кендэл М. Временные ряды / М. Кендел; пер. с англ. Ю. Лукашина. М.: Финансы и статистика, 1981. 199 с.

7. Кендэл М. Многомерный статистический анализ и временные ряды / М. Кендэл, А. Стюарт; под ред. А.Н. Колмогорова, Ю.В. Прохорова. М.: Наука, 1976. 736 с.

8. Кильдишев Г.С. Анализ временных рядов и прогнозирование / Г.С. Кильдишев, А.А. Френкель. М.: Статистика, 1973. 103 с.

9. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия - Телеком, 2008. 392 с.

10. Нейронныесети. STATISTICA Neural Networks: Пер. С англ. М.: Горячая линия - Телеком, 2001. 182 с.

11. Паклин Н.Б. Бизнес-аналитика: от данных к знаниям / Н.Б. Паклин, В.И. Орешков. СПб.: Питер, 2009. 624 c.

12. Подкорытова О.А. Анализ временных рядов: учеб. пособие для бакалавриата и магистратуры / О.А. Подкорытова, М.В. Соколов. М.: Издательство Юрайт, 2016. 266 с.

13. Садовникова Н.А. Анализ временных рядов и прогнозирование/ Н.А. Садовникова, Р.А. Шмойлова. М.: Синергия, 2016. 152 c.

14. Хайкин С. Нейронные сети: полный курс / С. Хайкин. М.: Издательский дом «Вильямс», 2006. 1104 с.

List of used sources and literature

1. Borovikov V.P., Ivchenko G.I. (2000) Prognozirovanie v sisteme STATISTICA v srede Windows. Osnovy teorii i intensivnaja praktika na komp'jutere. Moscow, Finansy i statistika, 384 p. [in Rus].

2. Volovikov S.A. (2010). Jekonomicheskie prognozy po vremennym rjadam. Moscow, MGPU, 34 p. [in Rus].

3. Dubrova T.A. (2003). Statisticheskie metody prognozirovanija. Moscow, JuNITA-DANA, 206 p. [in Rus].

4. Dubrova T.A. (2004). Statisticheskie metody prognozirovanija v jekonomike. Moscow, Izdatel'stvo MFPA, 60 p. [in Rus].

5. Dubrova T.A, Bakumenko L.P., Shvecova N.K., Burkov A.V. (2002) Analiz vremennyh rjadov i prognozirovanie v sisteme STATISTICA. Moscow, Izdatel'stvo MMIJeIFP, 83 p. [in Rus].

6. Kendall M. (1981) Vremennye rjady. Moscow, Finansy i statistika, 199 p. [in Rus].

7. Kendall M., Stewart A. (1976). Mnogomernyj statisticheskij analiz i vremennye rjady. Moscow, Nauka, 736 p. [in Rus].

8. Kil'dishev G.S., Frenkel' A.A. (1973) Analiz vremennyh rjadov i prognozirovanie. Moscow, Statistika, 103 p. [in Rus].

9. Borovikov V.P. (2008) Nejronnye seti. STATISTICA Neural Networks: Metodologija i tehnologii sovremennogo analiza dannyh. Moscow, Gorjachaja linija - Telekom, 392 p. [in Rus].

10. Nejronnye seti. STATISTICA Neural Networks (2001). - Moscow, Gorjachaja linija - Telekom, 182 p. [in Rus].

11. Paklin N.B., Oreshkov V.I. (2009). Biznes-analitika: ot dannyh k znanijam. Saint Petersburg, Piter, 624 p. [in Rus].

12. Podkorytova O.A., Sokolov M.V. (2016). Analiz vremennyh rjadov. Moscow, Izdatel'stvo Jurajt, 266 p. [in Rus].

13. Sadovnikova N.A., Shmojlova R.A. (2016). Analiz vremennyh rjadov i prognozirovanie. / N. A. Sadovnikova. Moscow, Sinergija, 152 p.

14. Hajkin S. (2006). Nejronnye seti: polnyj kurs. Moscow, Izdatel'skij dom «Vil'jams», 1104 p. [in Rus].

Размещено на Allbest.ru