Методические аспекты анализа риска недостижения цели при формировании среднесрочных прогнозов развития структурно сложных систем

Традиционные модели прогноза поведения рынков и экономик (относящихся к классу целеустремленных структурно сложных систем) чаще всего основаны на анализе существующего и ретроспективного баланса добычи ресурса мировыми экспортерами и потребления ресурса импортерами с учетом прогнозов развития их промышленного производства и энергетики. Наличие долгосрочных ретроспективных данных дает возможность использовать производственные функции или многофакторные регрессивные модели и на их базе строить краткосрочный прогноз. Поскольку с расширением горизонта прогнозирования растет неопределенность, точность прогнозов снижается. Коридор допустимых значений в модели прогноза определяется в итоге степенью вариативности ретроспективного временного ряда, использованного для построения модели. Последняя, в свою очередь, зависит от темпов прироста (снижения) спроса/потребления в прошлом. Для целей моделирования нередко сглаживаются максимальные выбросы в данных, что приводит к ситуации, когда модель строит прогноз, по сути, на отличном от исходного временном ряду, а значит, становится неспособной предсказать приближение кризиса. Предлагаемый авторами подход берет за основу действительное (или декларируемое) значение максимальной и минимальной вариативности прогнозируемых показателей, которые определяют коридор прогнозирования на заданном для достижения целевого состояния показателей временном промежутке. Таким образом, оценивается не точечное значение, а возможность его достижения в границах коридора допустимых значений и существующего качества развивающейся системы.

1. International Energy Agency. World Energy Outlook 2004, p. 524, https://doi.org/10.1787/weo-2004-en

2. Маркова В. М., Чурашев В. Н. Эволюция прогнозов развития мировой и российской энергетики: способ ответа на экономические вызовы // Мир экономики и управления. 2020. Т. 20. № 3. С. 108—138, https://doi.org/10.25205/2542-0429-2020-20-3-108-138

3. Аполонский О. Ю., Орлов Ю. Н. Сравнительный анализ долгосрочных прогнозов развития мировой энергетики. Часть II // Препринты ИПМ им. М. В. Келдыша. 2010. № 58. 26 с. URL: http://library.keldysh.ru/preprint.asp?id=2010-58

4. Аполонский О. Ю., Орлов Ю. Н. Сравнительный анализ долгосрочных прогнозов развития мировой энергетики. Часть III // Препринты ИПМ им. М. В. Келдыша. 2012. № 17. 26 с. URL: http://library.keldysh.ru/preprint.asp?id=2012-17

5. Данилов Е. Методика прогнозирования российского электротехнического рынка // Электротехнический рынок. 2008. № 3(21). С. 18—19, URL: https://www.elec.ru/viewer?url=files/2021/09/20/321-2008.pdf

6. Исмагилов Т. С. Методы решения задачи прогнозирования в энергетике // Вестник УГАТУ. 2010. Т. 14. № 4(39). С. 93—96.

7. Deuctor Studio. BIGroup Labs (https://basegroup.ru/deductor/description).

8. Аполонский О. Ю., Орлов Ю. Н. Сравнительный анализ долгосрочных прогнозов развития мировой энергетики // Препринты ИПМ им. М. В. Келдыша. 2007. № 26. 28 с., URL: https://library.keldysh.ru/preprint.asp?id=2007-26

9. Глаголев А. И., Демин С. С., Орлов Ю. Н. Долгосрочное прогнозирование газового рынка: опыт сценарного программирования. М.: Институт энергодиалога «Восток–Запад», 2003. 128 с.

10. Theodosiou M. Forecasting monthly and quarterly time series using STL decomposition — 2011. — № 27(4). — P. 1178—1195. Marina Theodosiou Forecasting monthly and quarterly time series using STL decomposition // International Journal of Forecasting. 2011;27(4):11781195, https://doi.org/10.1016/j.ijforecast.2010.11.002.

11. Прогноз развития энергетики мира и России 2019 / Под ред. А. А. Макарова, Т. А. Митровой, В. А. Кулагина; ИНЭИ РАН — Московская школа управления СКОЛКОВО — Москва, 2019. — 210 с. — ISBN 9785-91438-028-8

12. Хохлов А., Мельников Ю. Угольная генерация: новые вызовы и возможности. М.: Сколково, 2019. — 83 с.

13. Выгон Г., Ежов С., Колбикова Е. и др. Евро ТУР: цена вопроса. VYGON Consulting. Июнь 2021, 59 с.

14. Руссман И. Б., Каплинский А. И., Умывакин В. М. Моделирование и алгоритмизация слабоформализованных задач выбора наилучших вариантов системы. Воронеж: ВГУ, 1991, 168 с.

15. Бермант М. А., Руссман И. Б. О проблеме оценки качества // Экономика и математические методы. 1978. № 4. С. 691—699.

16. Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

17. Орловский С. А. Проблемы принятия решений при нечеткой информации. М.: Наука, 1981. 206 с.

18. Фишбейн П. Теория полезности для принятия решений. М.: Наука, 1978. 352 с.

19. Руссман И. Б. Инвариантные функционалы // Изд. АН СССР. Сер. Техническая кибернетика. 1978. № 4. С. 209—211.