ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2017

Прогнозирование как средство повышения эффективности деятельности организаций

Статья опубликована в выпуске журнала № 1 за 2007 год.[ 23.03.2007 ]
Аннотация:
Abstract:
Авторы: Соболева М.Ю. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 15205
Версия для печати
Выпуск в формате PDF (1.53Мб)

Размер шрифта:       Шрифт:

Основой успешного функционирования любой организации является стремление достичь поставленной цели. Координация деятельности организации осуществляется в соответствии со степенью выполнения плана по достижению поставленной цели.

Необходимость принятия решений возникает в том случае, если наблюдается тенденция к отклонению от ранее поставленной цели. Для определения тенденции при анализе целесообразно применять аппарат прогнозирования. Это обусловлено тем, что организация не является замкнутой системой, на нее постоянно оказывается внешнее воздействие, которое, порой, трудно предугадать. При этом реальное конечное состояние системы с высокой долей вероятности будет отличаться от результатов долгосрочного прогноза, следовательно, для повышения точности прогнозируемого конечного состояния необходимо использовать краткосрочное прогнозирование, что также помогает выявить возможные отклонения от желаемого состояния системы.

При положительном прогнозе не требуется применять никаких управляющих воздействий. Но наиболее распространенным является случай, когда прогнозируемая ситуация отличается от желаемой, то есть наблюдается тенденция к отклонению системы от заданного целевого состояния, что приводит к необходимости принятия корректирующих решений.

Принятие того или иного управляющего воздействия имеет смысл только в случае его эффективности в достижении поставленной цели. В связи с тем, что результат того или иного решения становится очевиден только в будущем, перед его принятием важно оценить возможные последствия, которые оно может повлечь. Для оценки эффективности решений также могут применяться методы прогнозирования, в том числе и имитационное моделирование.

Таким образом, применение методов прогнозирования для контроля и повышения эффективности деятельности организации можно представить следующими шагами.

1. Прогнозирование деятельности организации. В случае положительного прогноза не возникает необходимости в управляющем воздействии.

2. При отрицательном прогнозе вырабатывается корректирующее решение.

3. В случае выработки нескольких решений осуществляется выбор одного из них в соответствии с поставленным критерием эффективности и его последующая реализация.

4. С определенной дискретизацией временного интервала проводится повторное прогнозирование. Это необходимо для того, чтобы учесть возможные отклонения от принятого решения и реальной ситуации вследствие воздействия неучтенных внешних факторов. Отрицательный прогноз снова указывает на необходимость принятия управляющих воздействий.

Данная цепочка действий позволяет отслеживать тенденцию в развитии организации, контролировать складывающуюся ситуацию и выявлять необходимость в принятии каких-либо мер по повышению его эффективности.

В зависимости от типа прогноза, который необходимо получить на каждой стадии анализа эффективности деятельности организации, применяются разные методы прогнозирования. Рассмотрим их классификацию.

В соответствии с проблемно-целевым признаком: поисковый прогноз – это прогноз, направленный на выявление возможных состояний процесса, объекта или явления в будущем; основной метод – экстраполяция; нормативный прогноз – это прогноз, выполняемый с целью определения путей и сроков достижения возможных состояний объекта прогнозирования в будущем; основной метод – интерполяция.

По критерию природы  объекта выделяют прогнозы социальные, ресурсные, научно-техни­ческие, общественных и личных потребностей.

По критерию времени выделяют прогнозы оперативные (до одного месяца), краткосрочные (от двух месяцев до года), среднесрочные (от 1 до 5 лет), долгосрочные (от 5 до 15 лет), дальнесрочные (свыше 15 лет).

По критерию сложности в зависимости от наличия взаимосвязанных переменных различают прогнозы сверхпростые, простые, сложные, сверхсложные.

По степени детерминированности объекта прогнозы бывают детерминированные, стахостические, смешанные.

По критерию характера развития объекта во времени различают прогнозы дискретные, апериодические, циклические.

По критерию масштабности объекта различают прогнозы сублокальные, локальные, субглобальные, глобальные.

После определения типа прогноза, который необходимо получить, можно приступить к выбору метода прогнозирования. Рассмотрим наиболее распространенные из них.

Экстраполяция – это метод, который основывается на гипотезе о том, что ранее выявленные закономерности будут действовать в прогнозном периоде. При этом прогнозируемые показатели рассчитываются как продолжение динамического ряда на будущее по выявленной закономерности развития. В математике и статистике динамический ряд данных продолжается по определенным формулам.

Экстраполяция широко применяется при анализе и прогнозе практически всех социальных процессов. Она может быть представлена в виде корреляционных и регрессионных зависимостей, в виде тренда, основываться на факторном анализе.

Нормативный метод прогнозирования базируется на формулировке норм и целей и на определении путей и сроков их достижения. Данный метод применяется для программных прогнозов, при этом используется как количественное выражение норматива, так и определенная шкала возможностей оценочной функции.

При долгосрочных прогнозах преимущественно используется метод экспертных оценок, особенно в тех случаях, когда трудно дать количественную оценку показателей. В качестве экспертов выступают специалисты по конкретной проблеме, способные сделать долгосрочный прогноз. Метод имеет несколько разновидностей: индивидуальная экспертная оценка, коллективная экспертная оценка, метод генерации идей, аналитический метод, метод интервью, метод экспертных комиссий и ряд других.

Метод аналогий представляет собой перенос имеющихся сведений об одном объекте на другой. Отрицательной чертой данного метода является тот факт, что практически невозможно найти объекты, полностью идентичные друг другу. Метод аналогий используется при моделировании и постановке экспериментов.

Математическое моделирование позволяет получить информацию о возможных состояниях объекта прогноза (модели) и путях достижения этих состояний. Объект описывается с помощью математических формул, уравнений и неравенств. Следует отметить, что модель не является полным аналогом исходного объекта, а лишь отражает интересующие исследователя свойства.

Самый популярный метод прогнозирования – экстраполяция – используется с применением нескольких моделей.

"Наивная" модель прогнозирования. Модель строится на основе рассуждений о том, что ситуация в будущем остается эквивалентной текущей, и выглядит следующим образом:

.                                                      (1)

Данная модель не отображает зависимости прогнозируемого состояния объекта от внешнего влияния, а также не учитывает случайных воздействий. Очевидно, что модель не обладает достаточной точностью. Для увеличения достоверности иногда применяют модифицированные «наивные» модели, имеющие вид:

,                        (2)

.                                             (3)

Средние и скользящие средние. Одним из способов повышения достоверности прогноза является применение моделей, основанных на усреднении величин динамических рядов. При этом усреднение может осуществляться на всем временном интервале (4) или же на определенном промежутке времени, выбираемом пользователем (5).

,            (4)

.     (5)

Следует отметить, что данные модели обладают теми же недостатками, что и «наивные».

Экспоненциальные средние. Основой модели является постоянная адаптация прогноза к данным за счет новых значений. Модель имеет вид:

,                    (6)

где Y(t+1) – прогноз на следующий период времени; Y(t) – реальное значение в момент времени t;  – прошлый прогноз на момент времени t; a – постоянная сглаживания, .

Постоянная сглаживания определяет зависимость прогноза от старых данных. Ее значение определяется экспериментальным путем.

Перечисленные модели рекомендуется использовать при краткосрочном прогнозировании и лишь в качестве дополнительных средств.

Метод Хольта. Названный в честь своего изобретателя, метод представляет собой усовершенствованный метод экспоненциального сглаживания, при котором параметры сглаживания у тренда  и значения уровня различны:

Уравнение (7.1) описывает сглаженный ряд общего уровня; уравнение (7.2) служит для оценки тренда; уравнение (7.3) определяет прогноз на p отсчетов по времени вперед.

Постоянные сглаживания также подбираются экспериментальным путем. Главным условием является нахождение такой пары постоянных сглаживания, при которых значение прогноза на тестовом наборе значений показало бы максимально достоверный результат.

Недостаток метода Хольта заключается в невозможности учесть при прогнозировании сезонные колебания.

Метод Винтерса. Метод представляет собой расширение метода Хольта, в котором сделана попытка учесть сезонные колебания путем введения третьего параметра:

В уравнении (8.1) он служит для исключения сезонности из Y(t). Сезонность учитывается в последнем уравнении, когда «чистый» прогноз, посчитанный по методу Хольта, умножается на сезонный коэффициент.

Регрессионные методы прогнозирования. Наибольшее распространение получили модели, построенные на основе регрессионного анализа. В общем случае модель регрессии выглядит следующим образом:

.                                      (9)

Функциональная зависимость может принимать линейный, степенной, гиперболический, параболический, полиномиальный и другие виды. Математический аппарат наиболее разработан для линейных моделей, поэтому производится попытка привести все остальные модели к линейным.

В более простом варианте линейной регрессионной модели зависимость зависимой переменной от независимых переменных имеет вид:

,                (10)

где ,– коэффициенты регрессии; – ошибка.

Ключевыми моментами при построении уравнения регрессии являются нахождение коэффициентов регрессии, выбор значимых независимых переменных и проверка адекватности модели.

Методы Бокса-Дженкинса (ARIMA). В середине 1990 годов был разработан класс алгоритмов для прогнозирования временных рядов, в которых модели опирались на информацию, содержащуюся в предыстории прогнозируемых рядов. Данные алгоритмы не предполагают использование строго определенной модели прогнозирования, в них задается общий класс моделей. На основе текущего значения объекта и предыстории прогноза алгоритм сам выбирает наиболее подходящую модель прогнозирования. В логической форме данную модель можно представить следующим образом:

AR(p)+MA(q)®ARMA(p,q)®

®ARMA(p,q)(P,Q)®                                  (11)

®ARIMA(p,q,r)(P,Q,R)®...,

где AR(p) – авторегрессионная модель порядка p, имеющая вид:

     (12)

где Y(t) – зависимая переменная в момент времени t; f0,…,fp – оцениваемые параметры; E(t) – ошибка от влияния переменных, которые не учитываются в данной модели; MA(q) – модель со скользящим средним порядка q, имеющая вид:

       (13)

где Y(t) – зависимая переменная в момент времени t; w1,…wp – оцениваемые параметры.

В настоящее время особое внимание уделяется возможности применения нейронных сетей в целях прогнозирования. Их достоинством является возможность получения достоверных прогнозов уже при несложном строении нейронной сети, возможность добавления или исключения из рассмотрения различных параметров путем включения или выключения соответствующих входов без необходимости пересмотра всей построенной модели. Кроме того, нейронные сети могут самообучаться без привлечения к этому процессу экспертов.

Основным недостатком, присущим всем нейронным сетям, является отсутствие возможности получить алгоритм выработки того или иного решения, то есть наблюдается так называемый «черный ящик».

Существуют и другие методы прогнозирования, например морфологический анализ, распознавание образов, спектральный анализ и т.д. Данные методы зачастую применяются в узкоспециализированных областях, поэтому не получили широкого распространения. Но совокупность всех существующих методов прогнозирования предоставляет пользователю широкий выбор инструментариев для принятия решений, эффект от которых будет виден только в будущем.

Деятельность каждой организации имеет свои особенности. Поэтому применение одного метода прогнозирования при анализе функционирования различных организаций может привести к неудовлетворительному результату. Целесообразнее для каждой организации при прогнозировании будущего состояния системы испробовать различные методы прогнозирования и выбрать для использования те из них, которые показывают минимальные допустимые расхождения результатов с реальной ситуацией.

Таким образом, прогнозирование может применяться как инструмент для анализа, координации и повышения эффективности деятельности организации, который с определенной точностью показывает, насколько функционирование организации соответствует поставленной цели.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=411
Версия для печати
Выпуск в формате PDF (1.53Мб)
Статья опубликована в выпуске журнала № 1 за 2007 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: