Чим менше СЕС піддана дії випадкових факторів, тим більш стійка траєкторія її поводження і ті стани, у яких може перебувати система. У цьому випадку для прогнозування характеристик функціонування СЕС застосовуються методи аналізу часових рядів, засновані на вивченні детермінованої (об'єктивної) складової тенденцій зміни її показників. Для прогнозування станів СЕС використовуються ланцюги Маркова, у яких імовірності переходів з одного стану в інший і сам перелік можливих станів системи не змінюються. Прогнозування стійкого поводження і розвитку СЕС у випадку, коли існує відома динамічна математична модель, представлена у вигляді диференціальних або кінцево-різницевих рівнянь ґрунтується на перебуванні стійких рішень, що відбивають траєкторію поводження чи розвитку СЕС.
У тому випадку, якщо рішення диференціального (кінцево-різницевого) рівняння нестійке, варто шукати точки, де існують різні інтегральні криві. Ці точки (точки біфуркації) вказують на можливі різні варіанти прогнозних траєкторій поводження чи розвитку системи. Якщо поводження системи, зміна її станів, процес розвитку протікають за більш складними законами, наявні нелінійні, стрибкоподібні ефекти, то як досить адекватний математичний апарат опису СЕС варто використовувати різні типи поверхонь, що представляють ряд можливих катастроф, У випадку, якщо при математичному описі змін станів і характеристик системи її поводження і розвиток вказують на умови так званого «детермінованого хаосу», той прогнозний стан СЕС варто шукати в області так званих «дивних» аттракторів. Для рішення слабоформалізованих задач прогнозування варто використовувати методи статистичного (метод Монте-Карло) і імітаційного моделювання, засновані на різних концептуальних положеннях (елементів функціонування, кусково-лінійних агрегатів, мереж масового обслуговування, потоків). Для ряду задач прогнозування, що відносяться до класу слабоформалізованих, доцільно застосовувати відносно новий підхід, заснований на використанні концепції функціонування нейронних мереж. У результаті дослідження схованих кореляційних матриць і системи підбора випадкових функцій у процесі самонавчання по нейронній мережі можна одержувати досить об'єктивні прогнози для складних явищ і процесів. Длярішення неформалізованих задач прогнозування доцільно використовувати різні класи експертних методів, експертні системи і системи підтримки прийняття рішень (СППР).
2. МОДЕЛІ ПРОГНОЗУВАННЯ СОЦІАЛЬНО ЕКОНОМІЧНИХ ОБ’ЄКТІВ
2.1 Принцип вибору моделей та комбінування прогнозів
Одним з принципових питань є обґрунтування виду моделі та класів методів, що були застосовані при її побудові. З одного боку, дуже сильна деталізація потребує значного інформаційного забезпечення та довгих часових рядів. З іншого боку, використання лише якісних оцінок при прогнозуванні не дає можливості оцінити кількісні ефекти від передбачених сценаріїв розвитку процесів. Тому необхідно збалансувати якісні і кількісні підходи з побудови моделі прогнозу складних явищ та процесів.
Наведемо приклад. Центральні банки усіх країн повинні мати системи для отримання, розподілу та аналізу економічних та фінансових даних, які дозволяють швидко реагувати на зміни для досягнення загальної мети в монетарній політиці. Це реагування може здійснюватися на великій кількості суджень або на побудові деяких математичних, статистичних, економетричних моделей. Основним завданням більшості центральних банків є досягнення цінової та грошової стабільності, для цього розробляється відповідна політика, створюються необхідні структури для її проведення. Ці підрозділи збирають інформацію, обробляють її, аналізують, розробляють пропозиції щодо покращання її обробки, розповсюджують. Головна задача – зрозуміти, що саме відбувається в економіці і чому саме так. Основна проблема полягає в тому, що результати будь-яких впроваджень стають відомі лише через деякий час, тому дуже важко чітко визначити, як саме і коли впливає той чи інший інструмент, які зовнішні сили можуть збільшити чи зменшити очікуваний ефект. Першими спробами пояснити взаємовплив економічних даних були макроекономічні моделі, які почали широко застосовуватися з кінця 1960-х років. Перші з них були дуже малими і містили всього декілька рівнянь і декілька змінних, але з розвитком комп'ютерної техніки, програмного забезпечення ці моделі почали розростатися. З'явилися нові змінні, які не мають реальної економічної основи, як наприклад, очікування інфляції індивідами. Взагалі, дуже важко моделювати індивідуальну поведінку, оскільки, якщо навіть досконально відома поведінка кожного індивіда, то фізично неможливо всі ці дані разом включити до моделі. Якщо навіть припустити таку можливість, то залишилась б проблема зміни таких даних у разі зміни індивідуальних уподобань. Але на практиці економетрист може знайти багато інформації при аналізі минулих даних в економіці в цілому, в одному з її секторів без вивчення індивідуальної поведінки.
Моделі можуть бути використані центральними банками в будь-якій частині макроекономічного аналізу, який містить:
- розуміння та чисельну характеристику того, як працюють економіка та монетарна політика;
- дослідження, в якому стані зараз перебуває економіка і які короткострокові передбачення найбільш імовірні;
- розробку довгострокових передбачень для визначення того, якої саме монетарної політики слід дотримуватися.
Перший з цих пунктів зазвичай включає економетричне тестування гіпотез щодо різних аспектів економічної поведінки. Наприклад, центральний банк може спробувати дослідити та виміряти ефекти впливу зміни ставки позичкового процента на експорт та імпорт товарів. Для цього, як правило, використовують низку рівнянь, які відображають зміни відповідних економічних змінних. Такі рівняння можуть бути необ'єднаними до однієї моделі економіки, а лише використовуватися для спостереження за економічними явищами, проте навіть найбільш вдалі рівняння не можуть повністю відновити залежність між економічними даними. Таким чином, кожне з рівнянь будь-якої моделі чи її частини повинно містити похибку. Вивчаючи, яким чином змінюється величина цієї похибки в залежності від часу та деяких інших обставин, можна зробити декілька висновків. По-перше, наскільки адекватна модель (чи група рівнянь) процесу, що спостерігається. По-друге, яким чином змінюється поведінка індивідів, реакція суб'єктів економіки на зовнішні сили. Такий аналіз можливий лише за умови, коли аналітик впевнений у відповідності обраної моделі до практики. Така впевненість може бути доволі суб'єктивною, тому необхідно виробити критерії визначення ступеня адекватності моделі. Для розробки таких критеріїв розглянемо спочатку основні типи моделей, які використовуються для моделювання економічних взаємозв'язків.
Особливої уваги заслуговують структурні моделі, вони складаються з залежностей, основаних на економічних засадах. Наприклад, ВВП моделюється як сума приватного споживання, інвестицій, державних витрат та балансу торгівлі. Взагалі, у сучасній європейській ринковій економіці, нема ніякої причини для того, щоб такі моделі були великими. Достатньо побудувати модель, яка складається з трьох рівнянь і містить три ендогенні змінні (реальний випуск, рівень цін та ставку кредитування) і одну екзогенну змінну – пропозицію грошей. Але для детального аналізу економічних зв'язків такої моделі замало, до неї необхідно включити обмінний курс, основні статті платіжного балансу, бюджетний дефіцит і т. д. Основні вимоги до структурної моделі потребують побудови близько 30 рівнянь, причому, якщо треба дослідити більш ретельно деякий сектор економіки, кількість рівнянь значно збільшується. В результаті модель стає громіздкою, важко зрозуміти її основні ознаки, а її прогнозна точність може виявитися гіршою за елементарну модель. Історія багатьох моделей складається з того, що їх поступово покращували, збільшуючи при цьому кількість рівнянь, модифікуючи їх, і після цього модель відкидалася, як така, що не адекватно реагує на зміни в економіці або не може згенерувати прийнятні прогнози.
Одним з прикладів є модель, яку до 1994 році використовував Банк Великої Британії. Вона була розроблена у 1970-х роках у Лондонській Школі Бізнесу. Протягом 1980-х років модель широко використовувалася, економісти покладалися на неї при розробці прогнозів, аналізі економічної ситуації. Для більш детального аналізу, деякі відділи Банку розширювали модель, в результаті чого деякий час модель містила біля 600 економічних змінних. На початку 1990-х років ця кількість була зменшена до 350, з яких біля 100 були екзогенними. Інші 250 змінних були ендогенними, з яких 170 описували економічні залежності між змінними, а 80 – тотожності.
Прогнози, з генеровані цією моделлю були достатньо точними, але її розмір не тільки робив працю аналітиків дуже важкою: завдяки йому втратилися ключові залежності між змінними. Було прийнято рішення зменшити модель до мінімуму, який би відповідав вимогам розробників економічної політики. Тепер модель містить лише 22 чисто економічні рівняння, більш як 50 екзогенних та приблизно таку ж кількість тотожностей, таким чином, загальна кількість змінних дорівнювала 130, але модель залишається складною для аналітичного прогнозування. Аналітики вимагають побудови малих моделей на мікроекономічних принципах, коли основна увага приділяється визначенню залежностей, а не точності прогнозів. Такі моделі повинні містити біля 30 змінних.