Модели временных рядов: понятие временного ряда, трендовые модели

 

Временной ряд – это последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления. Уровень временного ряда – значение показателя, динамика которого во времени отображена в виде временного ряда, в рамках ряда. Временные ряды различаются по последующим признакам. По времени можно обозначить моментные и интервальные временные ряды. Интервальные временные ряды — последовательности значений, в каких уровни ряда относят к результату, накопленному либо вновь достигнутому за определенное время (например, объемы производства продукции индустрии по месяцам). Моментный ряд содержит значения показателя на определенный момент времени, на определенную дату, момент (к примеру, поголовье большого рогатого скота на начало года).

 

Посреди разновидностей моделей на базе временных рядов можно выделить: 1) модели фактически тренда: Y(f) = T(f) + st, где T(t) — временной тренд данного вида (к примеру, линейный T(t) = a + bxt; et — стохастическая (случайная) компонента; 2) модели сезонности: Y(t)=S(t) + et, где S(t) — повторяющаяся (сезонная) компонента; et— стохастическая (случайная) компонента; 3) модели тренда и сезонности: Y(t)=T(t) + S(t) + et, аддитивная («дополняющая»), Y(t) = T(t)xS(t)+et, мультипликативная («множительная»), где T(t) — временной тренд данного вида; S(t) — периодическая (сезонная) компонента; et — стохастическая (случайная) компонента. 

 

Модели временных рядов: разновидности уравнений временного тренда

Разновидности уравнений временного тренда

Далее характеризуются наиболее распространенные и простые математические формы отображения тренда. Их набор вполне достаточен для отображения большинства из встречающихся тенденций временных рядов. При этом желательно из всех возможных уравнений тренда выбирать простейшее, что обусловлено простым правилом: чем сложнее уравнение тренда, тем сложнее гарантировать надежность оценок, тем потенциально выше опасность ошибок.

Самым простым типом линии тренда является прямолинейный тренд, описываемый уравнением первой степени:

у, =a+bxt,,

где ŷi —выравненные уровни тренда по периодам (моментам) i; а — свободный член уравнения, численно равный среднему уров-ню для периода (момента) tt = 0; b — средняя величина изменения уровня ряда за один период (момент) времени; tt — номера периодов (моментов) времени, к которым относятся соответствующие уровни временного ряда.

Этот тип тренда подходит для отображения примерно равномерных пропорциональных изменений уровней ряда. Практика показывает, что такая динамика встречается довольно часто. Знак параметра b показывает направленность изменений: отрицательный знак говорит о тенденции убывания.

Модели временных рядов: особенности прогнозирования на основе трендовых моделей

наблюдения в социально-экономических исследованиях обычно проводятся регулярно через равные отрезки времени и представляются в виде временных рядов xt, где t = 1, 2, ..., п. В качестве инструмента статистического прогнозирования временных рядов служат трендовые регрессионные модели, параметры которых оцениваются по имеющейся статистической базе, а затем основные тенденции (тренды) экстраполируются на заданный интервал времени.

Методология статистического прогнозирования предполагает построение и испытание многих моделей для каждого временного ряда, их сравнение на основе статистических критериев и отбор наилучших из них для прогнозирования.

При моделировании сезонных явлений в статистических исследованиях различают два типа колебаний: мультипликативные и аддитивные. В мультипликативном случае размах сезонных колебаний изменяется во времени пропорционально уровню тренда и отражается в статистической модели множителем. При аддитивной сезонности предполагается, что амплитуда сезонных отклонений постоянна и не зависит от уровня тренда, а сами колебания представлены в модели слагаемым.

Основой большинства методов прогнозирования является экстраполяция, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы, или — в более широком смысле слова — это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему.

Вопрос

Эконометрические модели (в основе которых лежат методы статистики, точнее – регрессионного анализа) из всех формализованных методов прогнозирования используются, возможно, наиболее часто (по крайней мере, за рубежом).

В качестве самостоятельной отрасли знания эконометрика оформилась в начале 30-х годов XX века. Термины «эконометрика» и «эконометрия» стали общеупотребительными благодаря норвежскому экономисту Р. Фришу. Согласно Р. Фришу, эконометрика объединяет «как чистую экономическую теорию, так и статистическую проверку законов чистой экономической теории». Более конкретно: «сущность эконометрики заключается во взаимном переплетении количественной экономической теории и статистических оценок».27 Отсюда следует, что к числу эконометрических относятся отнюдь не все модели, а лишь такие, которые позволяют проводить статистические операции. Существует не мало моделей и развернутых на их основе «количественных теорий», являющихся экономико-математическими, но вовсе не эконометрическими. Поскольку за каждой переменной эконометрической модели стоит определенный статистический индикатор, с той или иной точностью измеряющий какую-то сторону хозяйственного механизма, расчеты на базе этой модели, как правило, имеют достаточно высокую практическую ценность. Они могут быть использованы при выработке экономической политики государства, рыночной стратегии фирмы и решении других конкретных задач.

Регрессионные модели с одним уравнением. В таких моделях зависимая (объясняемая) переменная Y представляется в виде функции , где x1, …, хn – независимые (объясняющие) переменные, β1, …, βm – параметры. В зависимости от вида функции f(x, β) модели делятся на линейные и нелинейные. Например, можно исследовать среднедушевой уровень потребления населения как функцию от уровня доходов населения и численности населения, или зависимость заработной платы от возраста, пола, уровня образования, стажа работы и т. п. По математической форме они могут быть схожи с моделями временных рядов, в которых в качестве независимой переменной выступает значение момента времени.

Метод наименьших квадратов (МНК, англ. Ordinary Least Squares, OLS) является одним из основных методов определения параметров регрессионных уравнений, Он заключается в том, чтобы определить вид кривой, характер которой в наибольшей степени соответствует выраженной эмпирическими данными зависимости. Такая кривая должна обеспечить наименьшее значение суммы квадратов отклонений эмпирических значений величин показателя от значений, вычисленных согласно уравнению этой кривой. Меняя вид теоретических кривых, приближенно отображающих динамику рассматриваемого показателя, пытаются добиться как можно меньшего значения этой разности.

 

Пусть теоретическая зависимость линейна (парная регрессия, прямая в двухмерном пространстве) и выражена регрессионным уравнением:

Коэффициент b можно определить по формуле

18. вопрос Отбор переменных эконометрической модели

Особое внимание следует обратить на построение системы показателей и определение совокупности факторов, влияющих на каждый из показателей. К включаемым в эконометрическую модель факторам предъявляются требования:

включение каждого фактора в модель следует обосновать теоретически;

целесообразно учитывать только те факторы, которые оказывают существенное влияние на изучаемые показатели, при этом рекомендуется, чтобы количество включаемых в модель факторов не превышало одной трети от числа наблюдений в выборке (длины временного ряда);30

между факторами не должно существовать линейной зависимости, поскольку ее наличие будет означать, что они характеризуют влияние одной и той же по сути причины на показатель. Например, размер заработной платы работников зависит в том числе и от роста производительности труда и от объема выпускаемой продукции. Однако эти два фактора могут быть тесно взаимосвязаны, коррелированны, следовательно в модель целесообразно включить лишь один из них. Включение в модель линейно зависимых факторов приводит к возникновению мультиколлинеарности, которая отрицательно сказывается на качестве модели;

в модель рекомендуется включать только те факторы, которые могут быть измерены количественно;в одну модель не следует включать какой-либо фактор одновременно с образующими его частными факторами. Это приведет к не соответствующему реальности увеличению их влияния на зависимые переменные модели и, как следствие, к искажению отображения реальной действительности.

При отборе факторов, влияющих на зависимые переменные модели, используются статистические методы отбора. Так, существенного сокращения числа факторов (а значит – сделать модель менее громоздкой) можно достичь с помощью применения пошаговых процедур отбора переменных. Их можно сочетать и с другими подходами к решению проблемы, например, с экспертными методами оценки значимость факторов. Среди пошаговых процедур отбора факторов часто используются процедуры пошагового включения и исключения факторов.

Метод исключения предполагает построение уравнения, включающего некоторую начальную совокупность переменных с последующим последовательным сокращением их числа до тех пор, пока не будет выполнено заданное изначально при составлении уравнения условие. Применение метода включения подразумевает последовательное включение в модель все новых переменных, пока модель не станет соответствовать установленному критерию качества модели. Последовательность включения переменных в модель определяется с помощью частных коэффициентов корреляции: те переменные, для которых значение такого коэффициента, показывающего их связь с исследуемым показателем, больше, чем для прочих, включаются в регрессионное уравнение в первую очередь.

Оценка качества параметров и анализ эконометрической модели

Описывавшиеся выше модели линейной регрессии являются вероятностными, а определяемые на основе метода наименьших квадратов параметры уравнений регрессии – только лишь оценками a и b истинных параметров  и  зависимости эндогенной переменной от некоторых экзогенных. Таким образом, нужно проверить, насколько данные оценки верны относительно истинных коэффициентов. Это осуществляется путем проверки:

статистической значимости коэффициентов регрессии;

близости расположения фактических данных к рассчитанной линии регрессии.

Оценки коэффициентов регрессии так же, как и ошибка (стохастическая компонента уравнения регрессии), предположительно нормально распределены. Статистическая значимость коэффициентов измеряется степенью вариации вокруг оценочного значения. Для измерения величины вариации нормально распределенных ошибок, остатков используется среднее квадратическое отклонение этих остатков – стандартные ошибки коэффициентов. Для определения степени значимости коэффициентов используется t-критерий. Для того чтобы иметь возможность их определить, нужно узнать оценки их дисперсий и, таким образом, средних квадратических отклонений.

После можно проверить гипотезу относительно коэффициентов либо определить для них доверительные интервалы.

Вопрос

Чтобы осуществить проверку модели на выполнение допущений метода наименьших квадратов, необходимо проверить модель на:

гетероскедастичность: является ли распределение остатков, ошибок регрессии постоянным (гомоскедастичным), или же нет;

автокорреляцию: являются ли значения остатков, ошибок независимыми, или имеет место явление автокорреляции остатков;

мультиколлинеарность: являются ли независимые переменные некоррелированными.

 

Вопрос

 В прогнозных расчетах по уравнению регрессии определяется предсказываемое значение Yi+l как точечный прогноз величины Y при заданных путем подстановки данных значений независимых переменных в уравнение регрессии. Однако точечный прогноз не учитывает еще одного элемента, входящего в регрессионную модель – стохастической компоненты, точнее – погрешности прогноза вследствие ее существования. Поэтому точечный прогноз обычно дополняется расчетом ошибки для значения зависимой переменной Y, рассчитанного по уравнению регрессии.

Для определения интервала, в котором находятся возможные значения зависимой переменной уравнения регрессии при известных значениях независимых переменных, необходимо учитывать ошибки двух разновидностей.

Во-первых, ошибки могут быть вызваны рассеиванием фактических значений Y в соответствии с произведенными наблюдениями относительно линии регрессии. Их можно учесть, рассчитав по следующей формуле:

Подкоренное выражением представляет собой как раз меру разброса фактических значений зависимой переменной вокруг линии регрессии – остаточную дисперсию. Извлекая из нее корень, находим стандартную ошибку Y.

Во-вторых, заданные для модели коэффициенты регрессии являются нормально распределенными случайными величинами. Обусловленные этим отклонения учитываются с помощью умножения значения s на поправочное выражение. Для модели парной линейной регрессии средняя величина отклонения прогнозируемого значения от линии регрессии, таким образом, насчитывается по формуле:  

 

где n – число наблюдений, l – шаг прогноза, tα – табличное значение t-статистики при уровне значимости α (количество степеней свободы – n–2), xi – наблюдаемое значение независимой переменной в наблюдении i, – среднее значение x, xn+l – прогнозное (заданное) значение независимой переменной на шаге прогноза l.

Отсюда верхняя и нижняя границы интервала предсказания определятся как

 В общем случае модели множественной линейной регрессии среднюю величину возможного отклонения реального значения показателя от рассчитанного с помощью имеющегося уравнения регрессии можно найти следующим образом.

Пусть модель множественной регрессии, как и описывалось ранее, имеет вид:

 где Y вектор-столбец значений зависимой переменной (Y1, Y2, …, Ym); α – вектор-столбец коэффициентов (α0, α1, α2, …, αn); ε вектор-столбец стохастических компонент (ошибок) (ε0, ε1, ε2, …, εm); Х – матрица независимых переменных размерности mxn, причем первый ее столбец состоит из единиц.

Предположим теперь, что есть еще один набор (вектор-строка) xn+1 (первый элемент, соответствующий свободному члену уравнения, равен 1) независимых переменных и известно, что соответствующая ему зависимая переменная удовлетворяет данной модели, те есть

где также должны соблюдаться все предпосылки МНК. Требуется по Y, X, xn+1 оценить Yn+1. Точечный прогноз величины Yn+1 находим так же, как и в случае с парной регрессией: подставляем в уравнение регрессии соответствующие значения xn+1. Остается оценить ошибку прогноза. Ее найдем в соответствии со следующей формулой, которая является по отношению к приведенной выше формуле средней величины отклонения прогнозируемого значения от линии регрессии для уравнения парной регрессии общей:

 

Вопрос

Индикатор – показатель, обычно интегральный, количественно определяющий качественные характеристики процесса.

Индикаторы определяются как параметры границ, в пределах которых система, включающая организационные механизмы, технологические связи, материальные и финансовые потоки, может устойчиво функционировать и развиваться. В отличие от «показателя», дающего лишь количественную констатацию, индикатор носит векторный, направленный характер. Индикаторы имеют предельные пороговые (минимальные и максимальные) значения: уровни прибыльности, налоговых ставок, режимов развития многоресурсных систем...

Особое место занимает определение и использование пороговых значений индикаторов, призванных сигнализировать о приближении критического состояния объекта управления и необходимости изменения стратегии развития объекта, т.е. включение регуляторов:

индикаторы «тревоги»;

индикатор «экстремального положения»; индикатор «банкротство» и т.д.

Внутри предельных границ образуется так называемый «коридор» – необходимый и достаточный для принятия управленческого решения, но при этом необходимо установление адекватных пороговых значений «коридора». Реальность действия индикатора определяется не только количественными характеристиками. Важно, чтобы индикатор был инструментальным, для которого существуют регуляторы прямого воздействия на объект управления.

Формирование индикаторов – процесс, увязанный во временном аспекте. В данном случае ставится целью получение единого индикатора, характеризующего состояние объекта управления. Актуален вопрос о величине удельного веса каждого из отдельных регуляторов при их агрегировании. Если какие – либо регуляторы линейно или нелинейно зависят друг от друга, то в системе присутствует ненужная информация, искажающая результаты анализа, прогнозирования и, как следствие, результаты планирования. Для этих целей необходим множественный анализ всей совокупности заданных показателей.

Индикаторы социально-экономического развития являются центральным элементом системы индикативного планирования, в рамках которой они играют роль планово-прогнозного показателя: планового – в смысле обозначенного целевого ориентира социально-экономического развития, прогнозного – имея в виду вероятностный характер достижения этой цели. Индикаторы характеризуют желаемую ситуацию, состояние, а не плановый норматив. Основной смысл их использования – оценка тенденций развития с точки зрения результата.

Вопрос

Межотраслевой баланс (МОБ, метод «затраты-выпуск») — экономико-математическая балансовая модель, характеризующая межотраслевые производственные взаимосвязи в экономике страны. Характеризует связи между выпуском продукции в одной отрасли и затратами, расходованием продукции всех участвующих отраслей, необходимым для обеспечения этого выпуска. Межотраслевой баланс составляется в денежной и натуральной формах.

Межотраслевой баланс представлен в виде системы линейных уравнений. Межотраслевой баланс (МОБ) представляет собой таблицу, в которой отражен процесс формирования и использования совокупного общественного продукта в отраслевом разрезе. Таблица показывает структуру затрат на производство каждого продукта и структуру его распределения в экономике. По столбцам отражается стоимостной состав валового выпуска отраслей экономики по элементам промежуточного потребления и добавленной стоимости. По строкам отражаются направления использования ресурсов каждой отрасли.

В Модели МОБ выделяются четыре квадранта. В первом отражается промежуточное потребление и система производственных связей, во втором — структура конечного использования ВВП, в третьем — стоимостная структура ВВП, а в четвёртом — перераспределение национального дохода.

Вопрос

Динамические модели межотраслевого баланса [dynamic input — output models] — частный случай динамических моделей экономики; основаны на принципе межотраслевого баланса, в который дополнительно вводятся уравнения, характеризующие изменения межотраслевых связей во времени на основе отдельных показателей, например, капитальных вложений и основных фондов (что позволяет создать преемственность между балансами отдельных периодов).В отличие от уравнений статического МОБ, где конечный продукт каждой отрасли представлен одним слагаемым, здесь он распадается на два — фонд накопления и фонд непроизводственного потребления.

Вопрос

Программа прогностического социологического исследования – это документ, содержащий теоретические предпосылки, основ­ные цели и задачи исследования, обоснованные методики сбора, обработки и анализа информации (см. табл. 1). Она предваряет все другие процедуры исследования и является необходимым его эле­ментом, выполняя следующие функции:

• методологическую – определение научной или практи­ческой проблемы, для решения которой проводится исследо­вание, и ее места в системе исследований по данной проблема­тике; формулировка общей цели и необходимых для ее дости­жения конкретных задач исследования;

 

• методическую – выделение критериев требований к ис­пользованию методов измерения; упорядочение методических средств и процедур в соответствии с поставленными задача­ми; определение общего логического плана исследования;

 

• организационную – осуществление совместной деятельно­сти членов исследования группы в целях рационального распре­деления труда; основы контроля поэтапного хода исследования.

Вопрос

Прогнозный фон – это совокупность внешних факторов, влия­ющих на развитие объекта исследования. Данные прогнозного фона выражаются такими же показателями, как и характеристики иссле­дуемого объекта, но в отличие от них, выявленных путем проведе­ния социологического исследования, берутся готовыми или постули­руются условно. Сопоставление профильных и фоновых данных по­зволяет анализировать исследуемое явление с целью разработки про­гноза. Фоновые данные охватывают тот минимум факторов различного характера, которые оказывают наибольшее влияние на тенденции и перспекти­вы развития объекта исследования.

Вопрос

Поисковый прогноз – это определение возможных состояний, явлений будущего, условное продолжение в будущем тенденции развития изучаемого явления в прошлом и настоящем, абстрагируясь от возможных решений действия, на основе которых способны радикально изменить тенденции развития. Основная задача поискового прогноза при этом – выявление перспективных проблем, подлежащих решению средствами управ­ления. Предсказание в данном случае носит сугубо условный харак­тер, базирующийся на абстрагировании от возможного и даже не­обходимого вмешательства со стороны сферы управления. Мето­дологически недопустимо сводить социальный прогноз к поиску, но столь же недопустимо переходить сразу к нормативной разра­ботке данной модели, не имея представления о проблемной ситуации, в условиях которой и для преодоления которой будет функцио­нировать предложенный оптимум.

В наиболее общем виде поисковый (изыскательский, исследовательский, трендовый, генетический, эксплоративный ….) прогноз выг­лядит как условное продолжение в будущее тенденций развития изучаемых явлений, закономерности развития которых в прошлом и настоящем достаточно хорошо известны. При этом заведомо абстрагируются от возможных и даже необходимых, неизбежных плано­вых, программных проектных и организационных решений, способ­ных существенно изменить наметившиеся тенденции. Суть и цель прогнозного поиска не в адекватном предвосхищении будущего ре­ального состояния прогнозируемого объекта, а в выяснении того, что реально произойдет при сохранении существующих тенденций развития, т.е. при условии, что сфера влияния не выработает поиско­вых решений, способных изменить неблагоприятные тенденции.

Нормативный прогноз является самостоятельной процедурой прогностического исследования и проводится непосредственно за поисковым прогнозом. Собственно процедура нормативного про­гноза состоит из следующих операций:

 

определение абсолютного и относительного оптимумов по предварительно разработанным и заданным критериям и постро­ение соответствующих нормативных прогнозных моделей;

обсуждение построенных моделей методами опроса экспер­тов и, при необходимости, населения;

доработка моделей на основе обсуждений. Нормативное прогнозирование находится в тесной и сложной связи со следующими моментами:

целеполагание;

нормы и нормативы;

оптимизированные расчеты при разработке планов, про­грамм, проектов.

Нормативное прогностическое исследование начинается с целеполагания. Цель может быть поставлена двумя способами:

абстрагируясь от ограничений прогнозного фона;

в соответствии с этими ограничениями.

Вопрос

Верификация прогноза есть определение степени его достовер­ности, точности и обоснованности. Абсолютная верификация про­гноза, т.е. установление степени его соответствия действительному состоянию объекта в прогнозируемом будущем, практически воз­можна лишь к завершению периода упреждения. Это особая задача, которая выходит за рамки собственно прогнозирования. Но уже на заключительных стадиях разработки прогноза возможна и желатель­на относительная (предварительная) верификация – определение степени соответствия прогноза требованиям современной науки, его достоверности – вероятности осуществления, предсказанного для заданного доверительного интервала точности, обоснованности (в смысле соответствия теории и практики). Опыт показывает, что верифицированные таким образом прогнозы не только имеют очень высокую степень оправдываемости (до 95 – 96 % значений наиболее вероятного тренда), но, главное, служат надежной ориентирующей информацией для управления, дают значительный экономический и политический эффект в смысле оптимизации принятия решений и тем самым полностью оправдывают затраты сил и средств на их разра­ботку.

Таким образом, процедура верификации желательна и обяза­тельна. В сравнительно простых случаях роль этой процедуры фак­тически играют экспертные опросы. В более сложных случаях тре­буется специальная процедура по одному из восьми видов верифи­кации, многократно описанных в литературе:

разработка прогноза методом, отличным от первоначально использованного;

сопоставление прогноза с другими, полученными из иных источников информации;

проверка адекватного прогноза на ретроспективном периоде;

аналитическое или логическое выведение параллельного про­гноза из заранее полученных прогнозов;

дополнительный опрос экспертов;

опровержение критических замечаний оппонентов;

выявление и учет источников возможных ошибок;

сравнение с мнением, признанным наиболее компетентным.

Наиболее экономичный и вместе с тем максимально эффектив­ный при минимальных затратах и минимальном риске субъектив­ных оценок способ – коллективный опрос экспертов (желательно, заочный), что не исключает других способов, если к тому имеется возможность.

Основные операции по верификации:

верификация поисковой и нормативной моделей прогноза одним или несколькими способами по выбору;

доработка моделей на основе обсуждения и их окончательная редакция.

Последовательность операций в процессе выработки рекомендаций по результатам прогнозного исследования:

Составление предварительных рекомендаций силами исследовательской группы.

Обсуждение составленных рекомендаций очным (или в слож­ных случаях заочным) опросом экспертов.

Составление так называемого поствероятностного сце­нария событийного состояния объекта исследования в слу­чае реализации предложенных рекомендаций с обязательным указанием не только позитивных, но и возможных негатив­ных последствий такой реализации. В сложных случаях проводится дополнительный опрос экспертов по содержанию представленного сценария, в более простых он совмещается с обсуждением.

Написание предварительного отчета об исследовании в це­лом (некоторые разделы могут быть подготовлены по ходу преды­дущих процедур) желательно в трех вариантах:

краткий (3 – 5 с.);

развернутый (20 – 25 с.);

полный (10 – 15 п.л.).

При этом обязательна развернутая интерпретация обеих прогноз­ных моделей и приложение документов по всем предыдущим про­цедурам.

Обсуждение представленного отчета очным (или в сложных случаях заочным) опросом экспертов.

Доработка отчета на основе обсуждения и сдача отчета заказ­чику.

Круг экспертов по ходу всех обсуждений дол­жен быть по возможности стабильным, т.к. от обсуждения к обсуждению проходит «самообучение» экспертов, что повы­шает качество экспертизы. Опыт показывает, что без этого при прогнозировании даже самые компетентные и конструк­тивно мыслящие эксперты не в состоянии сразу давать про­гнозные оценки должной степени адекватности.

Вопрос

Система показателей демографического прогноза. В числе показателей демографического прогноза можно выде­лить следующие:динамика рождаемости, смертности, прироста или снижения естественного движения населения (на 1000 человек);его возрастно-половая структура, средняя ожидаемая продолжительность жизни при рождении, средний возраст;возможные меры по укреплению здоровья и сокращению смертности населения, стимулированию рождаемости (в регионах, где наблюдается отрицательная демографическая динамика), ожидаемые последствия этих мер;потоки миграции – как в пределах страны (городское и сельское население, межрегиональная миграция), так и международная миграция (эмиграция в зарубежные страны, иммиграция из стран ближнего и дальнего зарубежья);изменение численности населения в результате естественного прироста (убыли) и сальдо миграции.

Естественное движение населения оценивается с помощью следующих показателей:

рождаемость, смертность и естественный прирост на 1000 человек населения; вспомогательные показатели – коэффициент фертильности (количество рождений детей на одну женщину в детородном возрасте), младенче­ская смертность (в возрасте до года);коэффициенты брачности и разводимости на 1000 человек населения;средняя ожидаемая продолжительность жизни при рождении (исходя из предположения, что на всем протяжении жизни родившихся в данном году сохранится сложившаяся смертность); ожидаемый средний возраст населения в прогнозном периоде;возрастно-половая структура населения на перспектив­ный период; она может быть выражена в виде «елочки» распределения численности мужчин и женщин на опре­деленную дату.

На основе данных демографического прогноза в двух или трех сценариях возможна разработка прогнозных де­мографических балансов:

численности населения – с учетом результатов естест­венной динамики (соотношения рождаемости и смерт­ности) и сальдо международной миграции; численности населения в трудоспособном возрасте – с учетом обоих источников изменения этой численности (естественного прироста и сальдо миграции); территориальных балансов численности населения и на­селения в трудоспособном возрасте как по макрорегионам (федеральным округам), так и по субъектам Феде­рации с выделением регионов с высоким ростом населе­ния и с высокими темпами депопуляции.

Вопрос

Сокращение численности экономически активного насе­ления и занятости в условиях депопуляции является важ­нейшим ограничителем экономического роста, который мо­жет быть преодолен на основе повышения производитель­ности труда в условиях инновационного пути развития экономики. В то же время на динамике этих процессов ска­зываются экономические циклы, периодические экономи­ческие кризисы, сопровождающиеся ростом безработицы.

В прогнозировании труда и занятости исследуется дина­мика следующих групп показателей:

численность экономически активного населения (включая занятых и безработных);

среднегодовая численность занятых в экономике в це­лом и в распределении по воспроизводственным секто­рам и отраслям, возрасту и уровню образования.

К экономически активному населению (трудовым ре­сурсам экономики) относятся занятые в экономике (во всех отраслях) и безработные, ищущие работу, среди лиц в возрасте от 15 до 72 лет по итогам обследований занятости. Безработица является неотъемлемой частью рыночной экономики, свободы выбо­ра места труда. Безработица существует в различных формах: текущая – на время смены места работы; технологическая – обусловленная сменой поколе­ний техники, когда отдельные категории работников оказы­ваются «лишними»; скрытая – при неполной занятости; за­стойная – не стремящиеся к труду бродяги, нищие и т.п.

 

Учет безработных ведется по методологии Международ­ной организации труда (МОТ). К ним относятся лица в воз­расте 15 – 72 лет, которые не имеют работы (доходного заня­тия), занимаются поиском работы и готовы приступить к работе.

 

Другой показатель – трудоспособные граждане, не имею­щие работы и заработка, зарегистрированные в центре заня­тости по месту жительства, ищущие работу и готовые приступить к ней.

 

Число безработных значительно возрастает в периоды экономических и технологических кризисов в результате сокращения производства и падает в фазах оживления и подъема экономического цикла.

динамику общей численности населения в возрасте, учитываемом при расчете экономически активного населения (15-72 года), приток населения в этом возрасте и отток в связи со смертью или уходом на пенсию без поиска работы;фазы экономического цикла, сокращение занятости и увеличение безработицы в периоды экономических кризисов, повторяющихся примерно каждое десятилетие;изменение воспроизводственной и технологической структур экономики, сокращение занятости в отдельных отраслях и видах деятельности в связи со сменой поколений техники и технологических укладов;сдвиги в территориальной структуре производства, не­равномерность динамики численности населения, заня­тости и структуры производства по макрорегионам (федеральным округам) и регионам (субъектам Федера­ции).

Прогнозирование динамики трудовых ресурсов и занятости прямо связано с демографическими прогнозами и прогнозами экономического развития. Данные демографических прогнозов служат ис­ходной базой для прогнозирования динамики трудовых ре­сурсов, занятости и распределения занятых по отраслям, воспроизводственным секторам и регионам. Прогнозы экономического развития позволяют прояснить вероятную (желательную) динамику рынка труда (спрос на рабочую силу).

Вопрос

Динамика уровня жизни населения является конечным, обобщающим измерителем социальной эффективности экономики, выс­шей целью ее функционирования. Уровень жизни имеет об­щую тенденцию к повышению, но падает в периоды эконо­мических кризисов, характеризуя их глубину и социальные последствия.

Уровень жизни населения, его динамика и дифферен­циация (экономическая стратификация) измеряются с по­мощью следующих групп основных показателей:

денежные доходы населения – номинальные, реальные и на душу населения, заработная плата, пенсии и другие социальные выплаты, доходы от предпринимательской деятельности и от собственности; располагаемые денежные доходы – за вычетом обязательных платежей и взносов;

среднемесячная номинальная и реальная (с учетом индекса потребительских цен) заработная плата работающих в экономике;

средний размер начисленных и реальных пенсий;величина прожиточного минимума на душу населения, ее соотношение со средней зарплатой и пенсией, численность лиц с доходами ниже прожиточного минимума, коэффициент дифференциации доходов 10% населения с самыми высокими и с самыми низкими доходами;

фактическое конечное потребление домашних хозяйств (включая стоимость приобретенных товаров и услуг и произведенных в соб<