Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "prognozowania" wg kryterium: Temat

  Lista filtrów

Dostawca treści

Podbaza

Wyrównaj
Wyświetlanie 1-15 z 36
Tytuł:
Forecasting in technical facility control systems
Prognozowanie w systemach sterowania technicznymi obiektami
Autorzy:
Korostil, Jerzy
Afanasyeva, Olesya
Korostil, Olga
Powiązania:
https://bibliotekanauki.pl/articles/29521098.pdf
Data publikacji:
2022
Wydawca:
Akademia Nauk Stosowanych w Nowym Sączu
Tematy:
forecasting system
negative impact
forecasting time interval
accidental event
forecasting efficiency
control object
system prognozowania
negatywny wpływ
przedział czasowy prognozowania
zdarzenie losowe
skuteczność prognozowania
obiekt kontrolny
Opis:
The paper presents a methodology for designing forecasting systems for control systems for technical facilities. The topicality of the selected topic is justified by the specific requirements for forecasting systems, intended for use in control systems of technical facilities. The methodology proposes to design a forecasting system appropriate to the described stages with the use of a number of parameters characterising the forecasting process. The work analyses the peculiarities of the forecasting method, which are determined by a series of characteristics. An example of such a characteristic is the commensurability of the interacting parameters in the process of interaction of the parameters characterising the process of negative influence on the control process and the parameters counteracting this influence. An example of a parameter characterised by an increase in the accuracy of forecasting is the parameter of increasing the determinism measure, which is secured by separate, additional components in the forecasting system. An example of additional components may be the implementation component of the process of counteracting the negative impact, the component supporting the adoption of decisions in relation to the implementation of counteracting the negative impact of accidental events on the controlled object. The use of the developed design methodology allowed the accuracy of the forecasted data to be increased, which leads to an increase in the efficiency of using the forecasting system.
W artykule przedstawiono metodykę projektowania systemów prognozowania dla systemów sterowania obiektami technicznymi. Aktualność wybranego tematu uzasadniona jest specyficznymi wymaganiami stawianymi systemom prognozowania, przeznaczonym do stosowania w systemach sterowania obiektami technicznymi. Metodologia proponuje zaprojektowanie odpowiedniego dla opisanych etapów systemu prognozowania z wykorzystaniem szeregu parametrów charakteryzujących proces prognozowania. W pracy przeanalizowano specyfikę metody prognozowania, którą determinuje szereg cech. Przykładem takiej cechy jest współmierność parametrów oddziałujących w procesie interakcji parametrów charakteryzujących proces negatywnego wpływu na proces sterowania i parametrów przeciwdziałających temu wpływowi. Przykładem parametru charakteryzującego się wzrostem trafności prognozowania jest parametr zwiększania miary determinizmu, który jest zabezpieczony odrębnymi, dodatkowymi składowymi w systemie prognozowania. Przykładem dodatkowych komponentów może być komponent realizacyjny procesu przeciwdziałania negatywnemu wpływowi, komponent wspomagający podejmowanie decyzji w związku z realizacją przeciwdziałania negatywnemu wpływowi zdarzeń losowych na kontrolowany obiekt. Zastosowanie opracowanej metodologii projektowania pozwoliło na zwiększenie dokładności prognozowanych danych, co prowadzi do zwiększenia efektywności wykorzystania systemu prognostycznego.
Źródło:
Journal of Engineering, Energy and Informatics; 2022, 1; 63-75
2720-4162
2720-5541
Pojawia się w:
Journal of Engineering, Energy and Informatics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Applying blended foresight methods for revealing incentives and future strategies of key national innovation system players
Autorzy:
Chulok, Alexander
Powiązania:
https://bibliotekanauki.pl/articles/2086478.pdf
Data publikacji:
2021
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
foresight method
blended foresight
technological change and its management
national innovation system
global trends
new institutional economics
planning models and polic
metoda prognozowania
mieszany foresight
zmiana technologiczna
krajowy system innowacji
światowe trendy
nowa ekonomia instytucjonalna
planowanie modele i polityka
Opis:
The paper aims to develop and apply a methodological approach that could help to reveal incentives and future strategies of key National Innovation System (NIS) players considering the influence of global social, economic, scientific, technological and ecological trends. To fulfil this aim, a blended foresight methodology was applied, grounded on the platform of economic and classic foresight theory and considering four possible directions for using foresight methods: investigating and building a common vision; supporting evidence-based decisions; promoting communication and participation; inducing transformation and integration into the decision-making process. The main results and findings of the research include a list of 19 global trends, defined from literature analysis and the author’s expert knowledge, a short description of their influence on key NIS players, including society, business, infrastructure and institutions, science, education and government; and mapping more than 35 different foresight methods that could be used for revealing incentives and future strategies of key NIS players. The article’s theoretical contribution to economic theory consists of several parts. First, a NIS conception is examined through the prism of global trends and a dynamic aspect, whereas it is mostly investigated from statistical and static perspectives. Second, applying foresight as an instrument for researching NIS as a system is a developing academic area with some theoretical gaps, considered in this article by designing a conceptional research framework. Third, blending different foresight methods is always a craft, and the approach applied in this article contributes to it. Finally, the article presents several important trends which will appear in NIS and its key players’ transformation in the nearest 5–10 years. From practical implications, this article could be useful for proactive policymakers in the field of science, technology and innovation policy at national and regional levels for designing and providing measures for supporting innovation systems effectively. Foresight practitioners and experts are offered useful, practical ideas of different foresight methods and their possible combinations for everyday activities.
Źródło:
Engineering Management in Production and Services; 2021, 13, 4; 160--173
2543-6597
2543-912X
Pojawia się w:
Engineering Management in Production and Services
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Combined modelling for iron ore demand forecasting with intelligent optimization algorithms
Modelowanie do prognozowania popytu na rudę żelaza połączone z inteligentnymi algorytmami optymalizacji
Autorzy:
Ren, Min
Dai, Jianyong
Zhu, Wancheng
Dai, Feng
Powiązania:
https://bibliotekanauki.pl/articles/1849613.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
iron ore demand
combined model
intelligent optimization algorithm
forecasting accuracy
ruda żelaza
model połączony
inteligentny algorytm optymalizacji
dokładność prognozowania
Opis:
The stable supply of iron ore resources is not only related to energy security, but also to a country’s sustainable development. The accurate forecast of iron ore demand is of great significance to the industrialization development of a country and even the world. Researchers have not yet reached a consensus about the methods of forecasting iron ore demand. Combining different algorithms and making full use of the advantages of each algorithm is an effective way to develop a prediction model with high accuracy, reliability and generalization performance. The traditional statistical and econometric techniques of the Holt–Winters (HW) non-seasonal exponential smoothing model and autoregressive integrated moving average (ARIMA) model can capture linear processes in data time series. The machine learning methods of support vector machine (SVM) and extreme learning machine (ELM) have the ability to obtain nonlinear features from data of iron ore demand. The advantages of the HW, ARIMA, SVM, and ELM methods are combined in various degrees by intelligent optimization algorithms, including the genetic algorithm (GA), particle swarm optimization (PSO) algorithm and simulated annealing (SA) algorithm. Then the combined forecast models are constructed. The contrastive results clearly show that how a high forecasting accuracy and an excellent robustness could be achieved by the particle swarm optimization algorithm combined model, it is more suitable for predicting data pertaining to the iron ore demand.
Stabilne dostawy zasobów rudy żelaza związane są nie tylko z bezpieczeństwem energetycznym, ale także ze zrównoważonym rozwojem kraju. Dokładna prognoza zapotrzebowania na rudę żelaza ma ogromne znaczenie dla rozwoju industrializacji kraju, a nawet świata. Naukowcy nie osiągnęli jeszcze konsensusu co do metod prognozowania popytu na rudę żelaza. Łączenie różnych algorytmów i pełne wykorzystanie zalet każdego algorytmu to skuteczny sposób na opracowanie modelu predykcyjnego o wysokiej dokładności i niezawodności. W tej publikacji, model Holta-Wintersa (HW) do wygładzania szeregów czasowych, w których występują wahania przypadkowe, jak również autoregresyjny zintegrowany model średniej ruchomej (ARIMA), a także maszyna wektorów nośnych (SVM) i maszyna do ekstremalnego uczenia się (ELM), zostały połączone w celu uchwycenia różnych relacji i charakterystyk na podstawie danych szeregów czasowych, aby dokładnie przewidzieć zapotrzebowanie na rudę żelaza. Zalety czterech algorytmów są w różnym stopniu łączone przez inteligentne algorytmy optymalizacji, w tym algorytm genetyczny, algorytm optymalizacji roju cząstek oraz algorytm symulowanego wyżarzania. Następnie konstruowane są połączone modele. Kontrastowe wyniki wyraźnie pokazują, w jaki sposób można osiągnąć wysoką dokładność prognozowania i doskonałą solidność za pomocą połączonego modelu algorytmu genetycznego. Model taki jest bardziej odpowiedni do przewidywania danych dotyczących zapotrzebowania na rudę żelaza. Opierając się na prognozowanych wynikach połączonego modelu algorytmu genetycznego, możemy stwierdzić, że oczekuje się, iż krajowy popyt na rudę żelaza będzie w przyszłości wykazywał tendencję rozwojową w postaci trwałego, ale powolnego wzrostu.
Źródło:
Gospodarka Surowcami Mineralnymi; 2021, 37, 1; 21-38
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Combined modelling for iron ore demand forecasting with intelligent optimization algorithms
Modelowanie do prognozowania popytu na rudę żelaza połączone z inteligentnymi algorytmami optymalizacji
Autorzy:
Ren, Min
Dai, Jianyong
Zhu, Wancheng
Dai, Feng
Powiązania:
https://bibliotekanauki.pl/articles/1849620.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
iron ore demand
combined model
intelligent optimization algorithm
forecasting accuracy
ruda żelaza
model połączony
inteligentny algorytm optymalizacji
dokładność prognozowania
Opis:
The stable supply of iron ore resources is not only related to energy security, but also to a country’s sustainable development. The accurate forecast of iron ore demand is of great significance to the industrialization development of a country and even the world. Researchers have not yet reached a consensus about the methods of forecasting iron ore demand. Combining different algorithms and making full use of the advantages of each algorithm is an effective way to develop a prediction model with high accuracy, reliability and generalization performance. The traditional statistical and econometric techniques of the Holt–Winters (HW) non-seasonal exponential smoothing model and autoregressive integrated moving average (ARIMA) model can capture linear processes in data time series. The machine learning methods of support vector machine (SVM) and extreme learning machine (ELM) have the ability to obtain nonlinear features from data of iron ore demand. The advantages of the HW, ARIMA, SVM, and ELM methods are combined in various degrees by intelligent optimization algorithms, including the genetic algorithm (GA), particle swarm optimization (PSO) algorithm and simulated annealing (SA) algorithm. Then the combined forecast models are constructed. The contrastive results clearly show that how a high forecasting accuracy and an excellent robustness could be achieved by the particle swarm optimization algorithm combined model, it is more suitable for predicting data pertaining to the iron ore demand.
Stabilne dostawy zasobów rudy żelaza związane są nie tylko z bezpieczeństwem energetycznym, ale także ze zrównoważonym rozwojem kraju. Dokładna prognoza zapotrzebowania na rudę żelaza ma ogromne znaczenie dla rozwoju industrializacji kraju, a nawet świata. Naukowcy nie osiągnęli jeszcze konsensusu co do metod prognozowania popytu na rudę żelaza. Łączenie różnych algorytmów i pełne wykorzystanie zalet każdego algorytmu to skuteczny sposób na opracowanie modelu predykcyjnego o wysokiej dokładności i niezawodności. W tej publikacji, model Holta-Wintersa (HW) do wygładzania szeregów czasowych, w których występują wahania przypadkowe, jak również autoregresyjny zintegrowany model średniej ruchomej (ARIMA), a także maszyna wektorów nośnych (SVM) i maszyna do ekstremalnego uczenia się (ELM), zostały połączone w celu uchwycenia różnych relacji i charakterystyk na podstawie danych szeregów czasowych, aby dokładnie przewidzieć zapotrzebowanie na rudę żelaza. Zalety czterech algorytmów są w różnym stopniu łączone przez inteligentne algorytmy optymalizacji, w tym algorytm genetyczny, algorytm optymalizacji roju cząstek oraz algorytm symulowanego wyżarzania. Następnie konstruowane są połączone modele. Kontrastowe wyniki wyraźnie pokazują, w jaki sposób można osiągnąć wysoką dokładność prognozowania i doskonałą solidność za pomocą połączonego modelu algorytmu genetycznego. Model taki jest bardziej odpowiedni do przewidywania danych dotyczących zapotrzebowania na rudę żelaza. Opierając się na prognozowanych wynikach połączonego modelu algorytmu genetycznego, możemy stwierdzić, że oczekuje się, iż krajowy popyt na rudę żelaza będzie w przyszłości wykazywał tendencję rozwojową w postaci trwałego, ale powolnego wzrostu.
Źródło:
Gospodarka Surowcami Mineralnymi; 2021, 37, 1; 21-38
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Flood forecasting and disaster risk management – a case study of Danube river
Prognozowanie powodzi i zarządzanie ryzykiem katastrofy studium przypadku rzeki Dunaj
Autorzy:
Balatonyi, Laszlo
Zwęgliński, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/1955738.pdf
Data publikacji:
2021
Wydawca:
Szkoła Główna Służby Pożarniczej
Tematy:
Danube river basin
Danube
Hydrological Information System
flood forecasting
ice forecasting systems
forecasting systems
macro-regional strategy
environmental risks
priority area
Dorzecze Dunaju
Dunaj
system informacji hydrologicznej
prognozowanie powodzi
systemy prognozowania zamarzania
systemy prognozowania
strategia makroregionalna
zagrożenia dla środowiska
obszar priorytetowy
Opis:
The Danube and its tributaries have been crossing mountains and plains in their almost unchanged riverbeds for thousands of years, regardless of national and administrative boundaries. Nevertheless, even decades ago, several countries provided access to only limited data and information concerning the water level and flood protection status of their rivers. In recent years, information was exchanged mainly on the basis of bilateral agreements and on successful activities of basin-wide organizations, but for others, information could only be obtained by browsing the Internet, which is sometimes rather complicated and definitely time-consuming. The EU Strategy for the Danube Region Environmental Risks Priority Area initiated a project aimed at developing the Danube Hydrological Information System, which was supported by the International Commission for the Protection of the Danube River. A comprehensive overview of the complex national flood and ice forecasting systems, identification of the shortcomings of the existing forecasting practices as well as an improvement of the exchange and availability of hydrological and meteorological data between the involved countries constituted crucial fields of interests for the project. Hence the main aim of the article is to present and discuss key data and functionalities of the system. The key findings show that all authorized meteorological and hydrological data of the Danube River are stored in a central database and made available online to all licensed hydrological and flood protection institutions for further processing in virtually real time. At this moment 12 countries of the Danube have joined forces to work out the proposals that are essential for the future, for safer Danube.
Dunaj i jego dopływy przecinają góry i równiny w swoich prawie niezmienionych korytach od tysięcy lat, nie zważając na granice państwowe i administracyjne. Mimo to jeszcze kilkadziesiąt lat temu kilka krajów udostępniało jedynie ograniczone dane i informacje na temat poziomu wód i stanu ochrony przeciwpowodziowej swoich rzek. W ostatnich latach informacje przekazywane były głównie na podstawie umów dwustronnych i pomyślnie realizowanych działań organizacji działających w całym dorzeczu, ale dla innych informacje można było uzyskać jedynie poprzez przeglądanie Internetu, czasem w dość skomplikowany sposób i z pewnością wymagający czasu. Strategia UE dla Obszaru Priorytetowego Ryzyko Środowiskowe Regionu Dunaju zainicjowała projekt mający na celu rozwój Systemu Informacji Hydrologicznej Dunaju, który był wspierany przez Międzynarodową Komisję Ochrony Rzeki Dunaj. Kompleksowy przegląd złożonych krajowych systemów prognozowania powodzi i oblodzenia, identyfikacja braków w istniejących praktykach prognozowania, jak również poprawa wymiany i dostępności danych hydrologicznych i meteorologicznych pomiędzy krajami uczestniczącymi w projekcie stanowiły kluczowe obszary zainteresowania projektu. Dlatego też głównym celem artykułu jest przedstawienie i omówienie kluczowych danych i funkcjonalności systemu. Z najważniejszych ustaleń wynika, że wszystkie autoryzowane dane meteorologiczne i hydrologiczne dotyczące rzeki Dunaj są przechowywane w centralnej bazie danych i udostępniane online wszystkim licencjonowanym instytucjom hydrologicznym i ochrony przeciwpowodziowej do dalszego przetwarzania w czasie praktycznie rzeczywistym. W tej chwili 12 krajów naddunajskich połączyło siły, aby wypracować propozycje, które są niezbędne dla przyszłości, dla bezpieczniejszego Dunaju.
Źródło:
Zeszyty Naukowe SGSP / Szkoła Główna Służby Pożarniczej; 2021, 1, 80; 109-124
0239-5223
Pojawia się w:
Zeszyty Naukowe SGSP / Szkoła Główna Służby Pożarniczej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prediction of lightning density value tower based on Adaptive Neuro-fuzzy Inference System
Autorzy:
Said, Sri Mawar
Nappu, Muhammad Bachtiar
Asri, Andarini
Utomo, Bayu Tri
Powiązania:
https://bibliotekanauki.pl/articles/1841146.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
adaptive neuro-fuzzy inference system
lightning density prediction tower
Transmission Line Arrester
adaptacyjny system wnioskowania neurorozmytego
wieża prognozowania gęstości piorunów
ogranicznik linii transmisyjnej
Opis:
Lightning is one of the causes of transmission disorders and natural phenomena that cannot be avoided. The South Sulawesi region is located close to the equator and has a high lightning density. This condition results in lightning susceptibility of distur- bances to electrical system lines, especially in high-voltage airlines and substations. An Adaptive Neuro-Fuzzy Inference System (ANFIS) will show the Root Mean Square Error (RMSE) based on the membership function type. This journal is to predict the value of the transmission tower lightning density using the ANFIS method. The value of the lightning strike density index can later be determined based on ANFIS predictions. Analysis of the value calculation system of structural lightning strikes in the South Sulawesi region of the Sungguminasa-Tallasa route can be categorized as three characteristics lightning density (Nd). The calculation system results for the value of structural lightning struck in the South Sulawesi region and validated between manual calculations and ANFIS with an average percentage of 0.0554%.
Źródło:
Archives of Electrical Engineering; 2021, 70, 3; 499-511
1427-4221
2300-2506
Pojawia się w:
Archives of Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Classification of forecasting methods in production engineering
Autorzy:
Winkowski, Cezary
Powiązania:
https://bibliotekanauki.pl/articles/125637.pdf
Data publikacji:
2019
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
forecasting
forecasting method
production engineering
manufacturing company
prognozowanie
metoda prognozowania
inżynieria produkcji
zakład produkcyjny
Opis:
Business management is a continuous decision-making process. It is difficult to imagine a company that does not use forecasting techniques. Even small enterprises without relevant forecasting departments more or less consciously anticipate future events, forecasting the volume of production and setting directions for development. Today’s production companies must quickly adapt to changing customer requirements, implementing structural and technological changes and delivering projects related to the production of new products. Under the dynamically changing conditions, the functioning and effective management of modern enterprises depend on futureoriented information. This increases the validity of forecasting. This article aimed to identify forecasting methods and areas of their use in production engineering. The publications on this subject were reviewed in the Scopus database, using the time frame from January 1970 to June 2018. An original classification of research subareas was created using VOS viewer software, and then, a bibliometric map was developed to visualise the results of the word coexistence analysis. The analysis of the co-occurrence and co-classification of words made it possible to indicate research subareas of forecasting in production engineering and related emerging research areas and issues.
Źródło:
Engineering Management in Production and Services; 2019, 11, 4; 23-33
2543-6597
2543-912X
Pojawia się w:
Engineering Management in Production and Services
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Metoda diagnozy w procesie starzenia budynków mieszkalnych
The method of diagnosis in the process of aging of residential buildings
Autorzy:
Nowogońska, Beata
Powiązania:
https://bibliotekanauki.pl/articles/160892.pdf
Data publikacji:
2019
Wydawca:
Polski Związek Inżynierów i Techników Budownictwa
Tematy:
budynek mieszkalny
metoda diagnostyczna
metoda prognozowania
starzenie
element budowlany
residential building
diagnostic method
forecasting method
ageing
building component
Opis:
Perspektywiczna znajomość procesu starzenia budynku mieszkalnego jest potrzebna do zapewnienia jego odpowiedniego stanu technicznego przez cały okres użytkowania. W artykule zaproponowana jest metoda diagnozy procesu starzenia budynku – metoda PRRD (Prediction of Reliability according to Rayleigh Distribution). W metodzie tej zmiany właściwości użytkowych budynków w funkcji czasu są sposobem przewidywania uszkodzeń. Prognoza degradacji budynku powinna być pomocna w procesach reagowania na uszkodzenia starzeniowe obiektów, a stosowanie przez zarządców krzywych zagrożenia może być przydatne jako wspomaganie planowania przedsięwzięć remontowych.
Prospective knowledge of the aging process of a residential building is necessary to ensure its appropriate technical condition throughout the entire exploitation period. The article proposes a method of diagnosis of residential building aging process – using the PRRD method (Prediction of Reliability according to Rayleigh Distribution). In this method, changes in performance characteristics of buildings in the time function constitute a way of predicting defects. Forecast of degradation of the building should be helpful in the processes of reacting to aging defects of the facilities, whereas the use of threat curves by managers can be useful as a support in planning renovation undertakings.
Źródło:
Przegląd Budowlany; 2019, 90, 7-8; 87-89
0033-2038
Pojawia się w:
Przegląd Budowlany
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
DLACZEGO PROGNOZY EKONOMICZNE SĄ NIETRAFNE?
Autorzy:
Beata, Bazeli,
Powiązania:
https://bibliotekanauki.pl/articles/898128.pdf
Data publikacji:
2018-12-11
Wydawca:
Kujawsko-Pomorska Szkoła Wyższa w Bydgoszczy
Tematy:
prognozowanie
prognoza
metody prognozowania
trafność prognozy
Opis:
Przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania, a jedną z form przewidywania przyszłości jest prognozowanie. Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo i dlatego istnieje wiele metod prognozowania. W artykule omówione zostały warunki, w których można wyznaczyć mniej lub bardziej trafne prognozy przyszłego stanu. Celem opracowania jest wskazanie głównych przyczyn zawodności prognoz przy jednoczesnym podkreśleniu konieczności ich opracowywania. Możliwość dowiedzenia się, co nas czeka w przyszłości, jest bardzo kusząca. Gdyby kryło się w niej jakieś niebezpieczeństwo, można by spróbować mu zapobiec albo przynajmniej przygotować się na nie. Jeśliby zaś przyszłość okazała się pomyślna, oczekiwałoby się jej w spokoju. W każdym przypadku, umiejętność przewidywania zmniejsza niepewność i ryzyko związane z przyszłością. Dotyczy to również zjawisk gospodarczych. Niepewność towarzyszy każdej działalności gospodarczej, zarówno w skali mikroekonomicznej, jak i makroekonomicznej. W literaturze często wyróżnia się niepewność behawioralną i niepewność egzogeniczną1. Pierwszy rodzaj związany jest z zachowaniem się uczestników życia gospodarczego, drugi natomiast dotyczy tzw. „stanu natury”. Można powiedzieć, że w przypadku niepewności behawioralnej prawdopodobieństwo pojawienia się danego zdarzenia jest zależne od indywidualnego zachowania się jednostki i nie jest niezmienne w czasie. Poprzez wymianę informacji, umowy handlowe itp. można zredukować rozmiary tego rodzaju niepewności. W przypadku niepewności egzogenicznej na prawdopodobieństwo pojawienia się zdarzenia nie ma wpływu decyzja jednostki. Należy podkreślić, że pojęcia przewidywanie przeszłości nie powinno się rozumieć identycznie jak pojęcia prognozowanie. Są ze sobą powiązane jednak nie są tożsame. Prognozowanie jest jedną z form przewidywania przyszłości. Jest to przewidywanie przyszłych faktów, zjawisk czy zdarzeń na podstawie uzasadnionych przesłanek ustalonych w toku badań naukowych. Jeśli jest ono wykonywane za pomocą metod naukowych i jeśli dotyczy ono zdarzeń związanych z gospodarowaniem, nazywa się je, na ogół, prognozowaniem gospodarczym. Definicja prognozowania jednoznacznie wskazuje, że jest to działanie mające na celu przewidywanie przyszłości z wykorzystaniem dorobku nauki. Wynikiem tego działania jest prognoza2 . Użytkownicy prognozy (zwłaszcza gospodarczej) wymagają, aby przedstawione im prognozy były uzasadnione, a najlepiej uzasadnione naukowo. Zainteresowanie przyszłością w działalności ludzkiej występowało zawsze i ma ono charakter powszechny. Stopień tego zainteresowania bardzo wzrósł w ostatnim okresie. Główną tego przyczyną jest fakt, iż przewidywanie przyszłości jest niezbędnym elementem w przygotowaniu ludzkiego działania. Nie można gospodarować racjonalnie bez konstrukcji prognozy. Jest ona niezbędna zarówno rządowi, politykowi gospodarczemu, samorządowi lokalnemu, producentowi, menedżerom, jak i zwykłemu człowiekowi, który musi w konkretnych warunkach podjąć decyzję wyboru jednej ze stojących do dyspozycji możliwości. Ich znaczenie wzrasta szczególnie w sytuacjach wymagających częstego podejmowania decyzji, które najczęściej dotyczą dalszej lub bliższej przyszłości. Główną trudnością, która się wówczas pojawia, to całkowity brak danych na temat przyszłych stanów różnych procesów i zjawisk w momencie ustalania decyzji. A zatem nie istnieje możliwość ustalenia jednoznacznej miary korzyści płynących z podejmowanych decyzji. Prognozy mogą być zatem konstruowane w celu dostarczania tych dodatkowych informacji zmniejszających lukę informacyjną, a tym samym mogą przyczynić się do zmniejszania ryzyka związanego z podejmowanymi decyzjami i ułatwianie ich podjęcia. W celu zachowania racjonalności podejmowanych decyzji makroekonomicznych należy podejmować próby konstrukcji prognoz, np. określenia poziomów liczbowych takich wielkości jak: inflacja, stopa procentowa, stopa bezrobocia, PKB, płaca, cena itp. Prawidłowy proces prognozowania tych wielkości wymaga uwzględniania szeregu czynników wpływających na nie, czyli m. in.: liczbę ludności, skłonność do konsumpcji, oszczędzania, poziom tych wielkości, wrażliwość indywidualnych konsumentów i podmiotów gospodarczych. Na otoczenie makroekonomiczne składają się zatem: prognozy demograficzne, ekonomiczne, naturalne, technologiczne, polityczno-prawne i społeczno-kulturowe. Zarządzanie gospodarką narodową łączy się z konstrukcją prognoz zarówno wielkości przyszłych dochodów państwa, jak i wydatków. Ze sporządzanych prognoz wynika również konieczność podejmowania określonych działań celem uniknięcia występowania niekorzystnych sytuacji, czy też zmniejszenia ich skutków, ale również celem przyśpieszenia przebiegu pożądanego procesu. Prognozy te są również podstawą sporządzania planów gospodarczych dotyczących polityki państwa: fiskalnej, monetarnej, czy też odnośnie działań na rynku pracy itp. A zatem decyzje oparte na zupełnie nietrafnych prognozach mogą okazać się katastrofalne w skutkach. W gospodarce rynkowej decyzje dotyczące rodzaju i wielkości działalności, wyboru rynków zaopatrzenia i zbytu, cen sprzedaży, technologii itp. podejmuje samodzielny podmiot gospodarczy-przedsiębiorstwo. Prowadzenie działalności gospodarczej w ramach systemu ekonomicznego wymaga opanowania trudnej sztuki podejmowania trafnych decyzji. Decyzje te są określane na podstawie antycypowanych, przyszłych sytuacji, a ich skutki ujawniają się po pewnym czasie od ich wdrożenia. W procesie podejmowania decyzji przyszłość jest więc brana pod uwagę ze względu zarówno na warunki, w jakich będzie realizowana. Potrzeba prognozowania występuje w każdym przedsiębiorstwie, bez względu na to, czy zajmuje się działalnością wytwórczą, usługową czy handlową. Prognozy są zatem częścią systemu wspomagania decyzji menedżerskich i są stosowane w zdecydowanej większości przedsiębiorstw. Współczesne, szybko zmieniające się i konkurencyjne warunki funkcjonowania przedsiębiorstw w gospodarce rynkowej powodują, że decydującego znaczenia w ich efektywnym zarządzaniu nabiera informacja zorientowana na przyszłość. Jedną z najważniejszych umiejętności współczesnego menedżera powinna być zdolność do wykorzystania dostępnych mu danych do sporządzania prognoz i przewidywania przyszłego kierunku rozwoju zjawisk ekonomicznych. Im menedżerowie bardziej precyzyjnie zrozumieją czego należy oczekiwać w przyszłości, tym bardziej będą wykorzystywać pojawiające się szanse i tym skuteczniej unikać zagrożeń. Nowoczesny proces zarządzania i podejmowania decyzji wymaga opracowania obiektywnych rozwiązań, które uzyskiwane są na podstawie wiarygodnych informacji i reprezentatywnych danych. Złożoność problemów zarządzania oraz szybki rozwój produkcji, dystrybucji i transportu implikuje konieczność coraz szerszego stosowania naukowych metod pozwalających na racjonalizację i optymalizację gospodarowania w wielu obszarach działalności. Bez stosowania metod naukowych rozwój nowoczesnego i efektywnego zarządzania jest obecnie niemożliwy. Za pomocą metod prognozowania można uzyskiwać zbiory informacji prognostycznych, dzięki którym współczesny człowiek ma możliwość wyeliminowania niekorzystnych, a czasami wręcz szkodliwych, przedsięwzięć w różnych obszarach swojej działalności. Aby podejmować racjonalne decyzje i stymulować rozwój interesujących nas zjawisk gospodarczych trzeba posiadać umiejętność przewidywania procesów rozwojowych tych zjawisk. Zagadnienia prognostyczne stosowane są zarówno w problemach poznawczych, jak i decyzyjnych. Należy wyraźnie podkreślić, że w podejmowaniu decyzji ważnym okazuje się, poza świadomością korzyści płynących z prognozowania, znajomość jego ograniczeń. Termin „prognoza” wywodzi się od greckiego prognosis i oznacza przewidywanie na podstawie określonych danych. W greckim źródłosłowie pojęcia „pro- -gnoza” można wyróżnić dwa człony: przedrostek pro oraz gnosis. Przedrostek wskazuje na wstępną, przygotowawczą fazę, a określenie gnosis oznacza wiedzę o czymś, co jeszcze nie nastąpiło. Prognozę należy zatem odróżnić od wróżby, przypuszczenia, wizji, przepowiedni, itp. Na gruncie prognozowania sformułowano różnorodne definicje prognozy. Oto dwa kontrastujące ze sobą ujęcia: Z. Czerwiński uważa, że: „Przez prognozę rozumiemy sąd o zajściu określonego zdarzenia w czasie określonym z dokładnością co do momentu (punktu) lub okresu (przedziału) czasu, należącego do przyszłości”3 . Z. Hellwig podaje zaś taką definicję: „Prognozą statystyczną nazywać będziemy każdy sąd, którego prawdziwość jest zdarzeniem losowym, przy czym prawdopodobieństwo tego zdarzenia jest znane i wystarczająco duże dla celów praktycznych”4 . Powyższe definicje są jednymi z wielu definicji. Jest to uwarunkowane różnorodnością sytuacji prognostycznych, celów i metod badań. Zdaniem M. Cieślak5 , prognoza to sąd charakteryzujący się następującymi właściwościami: ■ jest sformułowany z wykorzystaniem dorobku nauki,
■ odnosi się do określonej przyszłości, jest weryfikowany empirycznie, tzn. jest sformułowany precyzyjnie i możliwy do sprawdzenia,

■ jest niepewny, ale akceptowany.
Prognoza służy wspomaganiu procesów decyzyjnych. W związku z tym wyróżnia się trzy podstawowe funkcje prognoz6 : 1. preparacyjną,
2. aktywizującą,

3. informacyjną.
Preparacyjna funkcja prognoz wynika z tego, że jest ona działaniem, które przygotowuje inne działania podejmowane przez decydenta (pojedynczego człowieka, grupę osób, podmiot gospodarczy lub instytucję). Decydent opierając się na sformułowanej przez prognostę prognozie jest w stanie postępować racjonalnie wtedy, kiedy będzie miał do niej zaufanie. Aktywizująca funkcja prognoz polega na pobudzaniu do podejmowania działań sprzyjających realizacji prognozy zapowiadającej korzystne zdarzenia oraz przeciwstawiającej się jej spełnieniu, jeśli przewidywane zdarzenia są oceniane negatywnie (np. prognoza spadku sprzedaży w firmie, czy wzrostu udziału produktów nie odpowiadających normom jakościowym). Informacyjna funkcja prognoz związana jest z oswajaniem społeczeństwa z nadchodzącymi zmianami i zmniejszaniem lęku przed przyszłością. Taką rolę odgrywały w przeszłości proroctwa przepowiadające, np. pomór bydła czy suszę. Ogłoszenie niektórych prognoz może wywołać opanowane reakcje na zmiany, a nawet pełną ich akceptację. Oprócz wymienionych trzech podstawowych, wyróżnia się również funkcje pomocnicze prognoz, a mianowicie7 : ■ funkcję argumentacyjną – prognoza dostarcza decydentom argumentów ułatwiających podejmowanie takich, a nie innych decyzji;
■ funkcję doradczą – prognoza przygotowuje odpowiednie informacje odnoszące się do zjawisk będących przedmiotem procesu decyzyjnego;

■ funkcję mediacyjną – prognoza jest pomocna przy określaniu cen transakcyjnych (np. w procesie kupna-sprzedaży działki budowlanej).
Szeroka tematyka prognozowania oraz formy sporządzanych prognoz wymagają ich usystematyzowania (klasyfikacji). Przy klasyfikacji prognoz wykorzystuje się różne kryteria. Najczęstszą przesłanką klasyfikacji prognoz jest horyzont czasowy, tj. okres, na który zostały one zbudowane. Ze względu na to kryterium wyróżnia się prognozy: krótkookresowe, średniookresowe i długookresowe. Z horyzontem czasowym wiąże się również podział na prognozy operacyjne i strategiczne. Ze względu na charakter czy strukturę prognoz dzielimy je na: prognozy proste i złożone. Ze względu na charakter lub strukturę prognoz, dzieli się je również na ilościowe oraz jakościowe. Kryterium charakteru lub struktury prognoz pozwala na ich podział na jednorazowe i powtarzalne. Prognozy dzielimy również na kompleksowe i sekwencyjne, na samosprawdzające się i destruktywne, na realistyczne i badawcze (w tym ostrzegawcze), prognozy zmiennych sterowalnych i nie sterowalnych itd.8 Prognozy dotyczące zjawisk ekonomiczno-społecznych są zwykle budowane przy wykorzystaniu opinii ekspertów lub modeli, które najlepiej – według określonego kryterium – opisują analizowane zagadnienie. Prognoza jest efektem prognozowania, które jest metodą przewidywania przyszłości. Prognozowanie jest mniej lub bardziej trafne w zależności od wybranej metodologii, przyjętych założeń, celu badania, ilości zmiennych, okresu na podstawie którego prognozujemy oraz okresu na jaki tworzymy prognozę. Dlatego istnieje wiele metod prognozowania. W literaturze przedmiotu brak jest jednoznacznego podziału metod prognozowania9 . Wynika to z faktu, że istnienie wielu złożonych metod prognostycznych i kryteriów ich klasyfikacji utrudnia jednoznaczne zakwalifikowanie poszczególnych metod do określonej grupy. Jedną z najczęściej stosowanych klasyfikacji metod jest ich podział na ilościowe i jakościowe. Metody jakościowe są oparte na sądach, opiniach czy oczekiwaniach. Istotne jest to, że nie jest budowany w tym przypadku model formalny (o charakterze statystyczno-ekonometrycznym). Stanowią one niejako zaprzeczenie podejścia ilościowego do prognozowania. Inną z klasyfikacji metod prognozowania, do której w literaturze jest dużo odwołań, jest podział zaproponowany przez A. Zeliasia10 na metody statystyczno-matematyczne i niematematyczne. W praktyce jest to zbieżne z podziałem na metody ilościowe i jakościowe. Takie klasyfikacje mogą sugerować, że do prognozowania wykorzystuje się jedną z metod, a tak naprawdę nigdy tak nie jest. Przewidywaniem zajmują się praktycznie zawsze eksperci, którzy wykorzystują swoją wiedzę, doświadczenie i intuicję. Mogą oni wykorzystywać m.in. modele matematyczne, statystyczne lub ekonometryczne. W praktyce, w zależności od tego, czy w konkretnym przypadku przeważa modelowanie matematyczne, statystyczne lub ekonometryczne, czy też wiedza, doświadczenie i intuicja eksperta (ekspertów), mówi się o przewidywaniu metodami matematycznymi (ilościowymi) (tj. na podstawie modeli matematycznych, statystycznych lub ekonometrycznych), bądź niematematycznymi, jakościowymi (ekspertologicznymi, heurystycznymi). Metody te w dużej mierze nakładają się na siebie. Powszechnie wiadomo, że eksperci w dużej mierze korzystają z modeli matematycznych, statystycznych lub ekonometrycznych. Z drugiej strony, wiedza, doświadczenie i intuicja ekspertów są niezbędne do wyboru: celu, przedmiotu i okresu badania, zmiennych objaśniających oraz modelu (matematycznego, statystycznego albo ekonometrycznego) przewidywania. Dlatego w praktyce zwykle stosuje się określoną mieszankę metod. Podział na przewidywanie heurystyczne oraz na podstawie modeli matematycznych, statystycznych i ekonometrycznych jest jednak bardzo wygodny, zwłaszcza z dydaktycznego punktu widzenia Metodologia prognozowania zjawisk ekonomicznych jest bardzo bogata i nadzwyczaj trudna warsztatowo. Obserwuje się wiele różnych podejść do tych samych problemów i często w wyniku zastosowania różnych metod otrzymuje się różne prognozy. Każdy prognostyk posługuje się pewną metodą, która także zależy od horyzontu prognozy, dostępności danych, łatwości użycia, łatwości interpretacji wyników oraz od kosztu tworzenia prognozy. Sama przez się narzuca się więc myśl, że trafność prognozy zależy od jakości metody prognozowania i podejścia prognostyka. Istnienie wielu złożonych metod prognostycznych i różny stopień „umiejętności” prognostyka wyklucza otrzymanie takich samych prognoz analizowanego zjawiska. Pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości. Po pierwsze nie istnieją niezawodne metody prognozowania, po drugie zależą od wiedzy, doświadczenia i intuicji prognostyka. Sam fakt występowania różnych definicji i klasyfikacji prognoz, jak również istnienie wielu metod ich wyznaczania świadczy o niemożności wyznaczania jednakowo prawdopodobnych i trafnych prognoz. Wynikiem prognozowania jest prognoza, która w zależności od różnych czynników, w tym przede wszystkim jej wiarygodności, może zostać zaakceptowana lub nie. Niezależnie od tego, prognoza ta może zostać, po upływie momentu lub okresu, na który została zbudowana, zbadana pod względem trafności, co stanowi ocenę pojętej jej wąsko lub szeroko jakości. Analiza trafności prognoz (monitorowanie prognoz) jest również oceną samego działania jakim jest prognozowanie. Oceniając prognozę i prognozowanie często używa się pojęcia błędu prognozy ex ante i błędu prognozy ex post. Nie wchodząc w szczegóły, warto podkreślić, że właściwie tylko niewielka część prognoz może być uzupełniona przez błąd prognozy w momencie jej wyznaczenia (błąd ex ante). Są to głównie prognozy oparte na metodach ekonometrycznych. Dla zdecydowanej większości prognoz, w momencie ich wyznaczenia nie można wyznaczyć prawdopodobieństwa stawianej prognozy. Natomiast wszystkie prognozy mogą być zweryfikowane dopiero po zrealizowaniu się okresu prognozowanego (błędy ex post). Jednakże pomimo dość zaawansowanej metodologii prognozowania, nazbyt często nie udaje się przewidzieć tego, co czeka nas w bliższej lub dalszej przyszłości; błędy prognoz są zbyt duże. W związku z tym pojawia się pytanie: dlaczego prognozy społeczne (w tym ekonomiczne) są nietrafne. Z. Czerwiński podaje warunki, w których można wyznaczyć trafne i dokładne prognozy przyszłego stanu obiektu. Należą do nich11: ■ obiekt jest odizolowany od otoczenia,
■ istnieje prawo nauki obiektu, znane prognostykowi,

■ aktualny stan obiektu jest w pełni rozpoznawalny przez prognostyka.
Nie trzeba nikogo przekonywać, że żaden z warunków potrzebnych do istnienia niezawodnej metody prognozowania nie jest spełniony w sferze zjawisk ekonomicznych. Żaden obiekt ekonomiczny (zjawisko ekonomiczne) nie jest odizolowany od otoczenia. Brak uniwersalnych, niezmiennych w czasie praw, a także brak dokładnego rozpoznania aktualnego stanu obiektów ekonomicznych wyklucza istnienie niezawodnych metod prognozowania. Zdając sobie sprawę z niepewności prognoz, można zapytać czy w ogóle warto się nimi zajmować? Prognozy społeczne nie mogą eliminować niepewności co do przyszłego stanu świata; prognozy te są użyteczne, gdyż tą niepewność redukują. Warto jednak znać i zdawać sobie sprawę z ograniczeń. Do postawienia trafnej prognozy stanu obiektu potrzebna jest z jednej strony znajomość przeszłości obiektu i otoczenia, a z drugiej strony- znajomość powiązań między zmiennymi charakteryzującymi obiekt i otoczenie. Słabość prognozowania jest następstwem słabego rozeznania w powiązaniach między zmiennymi. Brak znajomości praw podobnych do praw przyrody zmusza prognostyków do uciekania się do „substytutów” tych praw, jakimi są modele. Trzeba podkreślić rolę teorii jako ważnego źródła wiedzy o prognozowanym zjawisku. W naukach społecznych zwykle istnieje kilka teorii tego samego zjawiska. Teorie te różnią się założeniami instytucjonalnymi, założeniami behawiorystycznymi, założeniami technicznymi. Określony zbiór założeń stanowi podstawę każdej teorii. Analizując różne teorie, można wybrać te z nich, które wydają się adekwatne do sytuacji prognostycznej oraz wybrać modele z nich wynikające. Występuje tu więc oczywisty związek między trafnością prognoz a rozpoznaniem obiektu tj. wiedzą o obiekcie, którą dysponuje prognostyk, w szczególności znajomością praw rządzących obiektem. Niestety osiągnięty poziom rozwoju nauk ekonomicznych wydaje się relatywnie niski, bo nie ma wypracowanej spójnej całościowej teorii. Świadczy o tym najlepiej rozrzut opinii panujący wśród ekonomistów odnośnie różnych kwestii np. ostatniego kryzysu finansowego. Obecny stan wiedzy ekonomicznej nie pozwala w pełni wyjaśnić tych kwestii, a zatem wykorzystanie tej wiedzy do ingerowania w rzeczywistość oraz do prognozowania tej rzeczywistości jest obciążone wieloma ryzykami, z czego nie wszyscy zdają sobie sprawę. Przyczynowe zależności w ekonomii charakteryzują się na ogół tym, że między zdarzeniem-przyczyną i zdarzeniem-skutkiem występuje pośrednie stadium w postaci ekonomicznej decyzji. Przy czym przyczyna wpływa najpierw na np. na konsumenta, producenta, inwestora podejmującego odpowiednią decyzję, której realizacja jest skutkiem. W ekonomii zazwyczaj mamy do czynienia z taką sytuacją, że pewien skutek jest wynikiem jednoczesnego oddziaływania większej liczby przyczyn. Biorąc pod uwagę fakt, że pomiędzy przyczyną i skutkiem występuje ekonomiczna decyzja jako etap pośredni, można te przyczyny ująć w następujących grupach12: przyczyny ekonomiczne,
■ przyczyny techniczno-przyrodniczo-ekologiczne,

■ przyczyny polityczne i światopoglądowe oraz związane z wykształceniem fachowym,
■ przyczyny psychologiczne.
Na te przyczyny reaguje decydent. Trzecia i czwarta grupa przyczyn różnicuje decydentów ze względu na ich reakcje na przyczyny grupy pierwszej i drugiej. Wiele przyczyn szczególnie z grupy trzeciej i czwartej, najczęściej pomija się w analizie. Teoria ekonomiczna podaje jedynie istotne czynniki zmian zjawiska ekonomicznego. Te czynniki nie mogą wyjaśnić zmian w sposób wyczerpujący, jak również nie pozwalają na przewidywanie zmian w przyszłości z zadowalającą dokładnością. Gdy chodzi o sferę zjawisk ekonomicznych istnieje brak praw naukowych tak dokładnych i bezwyjątkowych, jak prawa przyrody. Korzystanie z dorobku nauki nie gwarantuje więc „prawdziwego” odczytu rzeczywistości i co za tym idzie prawdziwego obrazu przyszłości. Za to ułatwia drogę do owej „prawdy” przez korzystanie ze wskazówek. Wśród przyczyn wpływających na zjawiska ekonomiczne wymienia się, między innymi, przyczyny polityczne i światopoglądowe. I właśnie zmieniająca się sytuacja polityczna często zmienia reguły gry ekonomicznej i przepisy prawno-finansowe. W procesie prognozowania wykorzystuje się dane o obiekcie dla którego sporządza się prognozę, oraz o obiektach stanowiących jego otoczenie. Zmiany zasad gospodarowania niszczą porównywalność tych danych liczbowych. W takich warunkach jest zrozumiałe, że budowa modeli prognostycznych jest zadaniem trudnym, niewdzięcznym i ryzykownym. Powszechnie jednak wiadomo, że prognozy jednych zjawisk gospodarczych okazują się być obarczone niewielkimi błędami, innych zaś-znacznie większymi. Wynika to z faktu, że niektóre zjawiska ekonomiczne są w różnym stopniu sterowane, czyli zależne od decydenta, a niektóre temu nie podlegają. Tylko prognozy zmiennych w pełni sterowanych byłyby bezbłędne, ponieważ ich stany byłyby wyznaczone mocą decyzji. W zagadnieniach społecznych, w tym gospodarczych, siła oddziaływania owych decyzji rzadko jest absolutna, zmienne sterowane zależą bowiem także od zmiennych nie sterowanych, na które decydent nie ma wpływu. Opracowuje się więc prognozy zarówno zmiennych nie sterowanych, jak i sterowanych. Trudność prognozowania w sferze zjawisk ekonomicznych bierze się także stąd, że obiekty gospodarcze nie są ani całkiem sterowane, ani całkiem automatyczne. Wyznaczając prognozę jednej zmiennej najczęściej opieramy się na przyszłych wartościach (prognozach) innych zmiennych, które wpływają na badaną zmienną. Powstaje więc łańcuch prognoz, gdzie trafność prognozy jednej zmiennej zależy od trafności prognoz innych zmiennych. Z uwagi na fakt, że rzadko ma się pewność do tego, jakie to będą wartości, nie chcąc ryzykować podania nietrafnej prognozy, można sformułować tzw. prognozę warunkową. Tak naprawdę, większość prognoz ekonomicznych ma właśnie charakter warunkowy. Jeżeli nie zostaną spełnione „warunki” (założenia) to formułowana prognoza okaże się nietrafna. Dlatego trzeba mieć na uwadze, iż duża część prognoz ma charakter warunkowy i że pozwala jedynie odpowiedzieć na pytanie: co będzie, jeśli? Nawet jednak najbardziej wiarygodna prognoza, dotycząca stabilnych i długotrwałych procesów ekonomicznych, nigdy nie jest i nie może być doskonała. Wynika to z dwóch przyczyn. Po pierwsze, ludzie dostosowują swoje działania do oczekiwań. Jeśli na przykład udałoby się przewidzieć, że za dwa miesiące nastąpi załamanie gospodarcze, to taka prognoza na pewno nie sprawdziłaby się. Jeśli prognoza byłaby wiarygodna, przedsiębiorcy zdążyliby dostosować się do sytuacji przede wszystkim poprzez zmniejszenie kosztów działalności: renegocjację umów o pracę, efektywniejsze wykorzystanie czynników produkcji bądź zastosowanie tańszej metody wytwarzania. W wyniku takiego postępowania załamanie gospodarcze zaczęłoby się wcześniej, miałoby łagodniejszy przebieg albo wręcz w ogóle nie byłoby zauważalne. W każdym przypadku wcześniejsza prognoza nie sprawdziłaby się. Tego typu prognozy często określa się jako prognozy ostrzegawcze, których zadaniem jest przewidywanie zdarzeń niekorzystnych dla odbiorców prognozy. Wówczas taka prognoza jest stymulatorem działań w stosunku do zmiennych sterowanych. Drugą z przyczyn niemożności doskonałego przewidywania jest to, że pewne wydarzenia, mające często decydujący wpływ na przyszłość, cechują się fundamentalną niepewnością. Dobry przykład stanowią wynalazki i odkrycia naukowe. Niektóre z nich, na przykład elektryczność, powodują rewolucyjne zmiany w funkcjonowaniu społeczeństw i kształcie gospodarki. Przewidzenie odkrycia byłoby jednak równoznaczne z jego dokonaniem. Trzeba się więc pogodzić z tym, że o przyszłości nigdy nie będziemy w stanie wiedzieć nic z absolutną pewnością. Prognozy społeczne (w tym gospodarcze) są zawsze niepewne, ale gdyby z nich zrezygnować, błędy w zachowaniu gospodarczym byłyby większe. Warto jednak pamiętać, że: ■ przyszły stan badanej zmiennej ekonomicznej jest wyznaczony przez przyszłe wartości innych zmiennych ekonomicznych i nieekonomicznych. Powstaje w ten sposób łańcuch prognoz, w którym jedne zawieszone są na drugich i trafność prognozy badanej zmiennej zależy od tego czy trafne były prognozy zmiennych objaśniających. Dlatego często prognoza jest jedynie słowem oczekiwań co do prawdopodobnego kierunku rozwoju, przy obecnym stanie wiedzy na temat wszystkich czynników wpływających na kierunek zmian i przy określonych założeniach co do polityki gospodarczej;
■ dodatkowym utrudnieniem prognozowania społecznego ( w tym gospodarczego) jest to, że sama prognoza stanowi zjawisko społeczne, które łącznie z innymi może oddziaływać na prognozowane zdarzenie;

■ im dłuższy horyzont prognozy, tym więcej założeń musi przyjąć prognozujący. Generalnie więc, im dłuższa prognoza, tym bardziej jest ona niepewna;
■ prognozy są często „skażone” osobistymi poglądami tego, kto ich dokonuje. Każdy prognostyk posługuje się pewną metodą, a więc pewnym systematycznym sposobem postępowania (w tym modelem), prowadzącym do postawionego sobie celu, którym jest prognoza. Same modele nie zawsze wystarczą do postawienia prognozy, gdyż prognoza, najczęściej makroekonomiczna, bazuje na połączeniu rezultatów z modelu ekonometrycznego i wiedzy eksperckiej (prognosty). Często zresztą operuje się prognozami eksperckimi, które w ogóle nie są oparte na żadnym modelu, a jedynie na wiedzy i intuicji eksperta.
■ nietrafna prognoza może być wynikiem nadużywania metod ekonometrycznych przez ludzi, którzy ani nie zgłębili ich istoty, ani też nie potrafią ich poprawnie stosować. Używają oni niewłaściwych modeli, przyjmując nieprawidłowe założenia dotyczące zmiennych egzogenicznych;

■ mimo wszelkich postępów w konstrukcji prognoz, coraz inteligentniejszych komputerów i programów służących celom prognostycznym, ekonomiści nie są w stanie zmienić natury obiektów ekonomicznych, które czasem zachowują się nieoczekiwanie, różnie od dotychczas obserwowanych zachowań;

■ zjawiska gospodarcze są bardziej skomplikowane niż np. zjawiska fizyczne. Każde takie zjawisko jest powiązane z dużą liczbą innych zjawisk ekonomicznych i społecznych, a także czysto biologicznych, chemicznych, fizycznych itd. Uwikłanie zjawisk społecznych w dużą liczbę czynników różnej stabilności sprawia, że prawidłowości kształtowania się tych zjawisk są na ogół mniej wyraziste i mniej trwałe w czasie niż w przypadku zjawisk fizycznych. Te okoliczności, a także niesłychanie rzadko występująca możliwość prowadzenia eksperymentów, sprawiają, że prawa nauk społecznych są „słabsze” niż prawa fizyki, a więc stanowią też słabszą podstawę przewidywań;

■ nie można zapominać, że proces prognozowania wymaga odpowiednich nakładów, zarówno pieniężnych jak i czasowych. Stąd rozważanie go w oderwaniu od tych nakładów jest nieuzasadnionym uproszczeniem. Wymaga wysokich kwalifikacji prognostów, stosowania różnych metod, często bardzo zaawansowanych, dużej liczby trudno dostępnych danych, specjalistycznego oprogramowania itp. Wiarygodność prognozy generalnie wzrasta wraz z kosztami poniesionymi na ten proces. Jednak po przekroczeniu pewnej wielkości tych kosztów, całkowite koszty prognozowania, uwzględniające również koszty strat, nie maleją, ponieważ nigdy nie uda się całkowicie wyeliminować czynnika niepewności13.

■ jakkolwiek za jakość prognozy odpowiada prognosta, to decydent musi mieć umiejętność jej oceny, gdyż skutki jego dzisiejszej decyzji ujawnią się w przyszłości.
1 M H. Pesaran, The Limits to Rational Expectations, Basil Blackwell, Oxford 1989
2 P. Dittmann, Prognozowanie w przedsiębiorstwie, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

3 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002.

4 Z. Hellwig, Prognozy statystyczne, „Zeszyty Naukowe WSE we Wrocławiu” 1963, nr 16.

5 M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005.

6 M. Sobczyk, Prognozowanie. Teoria, przykłady, zadania, Placet, Warszawa 2008.

7 M. Witkowski, T. Klimanek, Prognozowanie gospodarcze i symulacje w przykładach i zadaniach, Akademia Ekonomiczna, Poznań 2006.

8 Sama klasyfikacja prognoz mogłaby być przedmiotem osobnego artykułu. Nie jest jednak w tym przypadku niezbędna. Więcej na ten temat klasyfikacji prognoz można znaleźć np. M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

9 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004; M. Cieślak (red.), Prognozowanie gospodarcze. Metody i zastosowania, PWN, Warszawa 2005; E. Nowak, Prognozowanie gospodarcze. Metody, Modele, Zastosowania, Przykłady, Placet, Warszawa 1998; A. Zeliaś, B. Pawełek, S. Wanat, Prognozowanie ekonomiczne: teoria, przykłady, zadania, PWN, Warszawa 2004; A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

10 A. Zeliaś, Teoria prognozy, PWE, Warszawa 1997.

11 Z. Czerwiński, Moje zmagania z ekonomią, Akademia Ekonomiczna, Poznań 2002.

12 Z. Zieliński, Liniowe modele ekonometryczne jako narzędzie opisu i analizy przyczynowych zależności zjawisk ekonomicznych, Wydawnictwo UMK, Toruń 1991.

13 P. Dittmann, Prognozowanie w przedsiębiorstwie, wyd. 2, Oficyna Ekonomiczna, Kraków 2004.
Źródło:
Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej w Bydgoszczy; 2017, 1(10); 11-23
1899-9573
Pojawia się w:
Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej w Bydgoszczy
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Komunikat z seminarium naukowego : wybrane metody prognozowania w logistyce
Autorzy:
Mróz, Marek.
Powiązania:
Obronność. Zeszyty Naukowe Wydziału Zarządzania i Dowodzenia Akademii Sztuki Wojennej 2018, nr 4, s. 63-75
Data publikacji:
2018
Tematy:
Akademia Sztuki Wojennej
Seminarium naukowe nt. "Wybrane metody prognozowania w logistyce" (2019 ; Warszawa)
Logistyka
Prognozowanie
Zjazdy i konferencje
Artykuł z czasopisma naukowego
Sprawozdanie
Dostawca treści:
Bibliografia CBW
Artykuł
Tytuł:
UŻYTECZNOŚĆ METOD PROGNOZOWANIA SPRZEDAŻY Z ZASTOSOWANIEM RELACJI PRZEWYŻSZENIA – ELECTRE TRI
USEFULNESS OF SALES PREDICTION METHODS USING THE EXTENSION RELATIONSHIP - ELECTRE TRI
Autorzy:
Budziński, Ryszard
Doszyń, Mariusz
Powiązania:
https://bibliotekanauki.pl/articles/453814.pdf
Data publikacji:
2018
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
Tematy:
metody prognozowania sprzedaży
Electre Tri
wielokryterialne systemy wspomagania decyzji
sales forecasting methods
multi-criteria decision support systems
Opis:
Artykuł zawiera wielokryterialną procedurę postępowania przy wyznaczaniu użyteczności stosowania metod prognozowania sprzedaży w przedsiębiorstwie. Problem polega na ocenie zastosowania systemu wspomagania decyzji DSS 3.0 do wyboru najlepszej metody prognostycznej, ze szczególnym uwzględnieniem metody Electre Tri.
The article contains a multi-criteria procedure for determining the usefulness of using sales forecasting methods in an enterprise. The problem is to assess the application of the DSS 3.0 decision support system to choose the best prognostic method.
Źródło:
Metody Ilościowe w Badaniach Ekonomicznych; 2018, 19, 2; 117-127
2082-792X
Pojawia się w:
Metody Ilościowe w Badaniach Ekonomicznych
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Intelligent Retail Forecasting System for New Clothing Products Considering Stock-out
Inteligentny system przewidywania sprzedaży detalicznej nowych produktów odzieżowych uwzględniający wyprzedaż
Autorzy:
Huang, H.
Liu, Q.
Powiązania:
https://bibliotekanauki.pl/articles/232823.pdf
Data publikacji:
2017
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
intelligent forecasting system
demand estimation
stock out
adaptive neuro fuzzy inference system
new clothing product
inteligentny system prognozowania
prognozowanie popytu
system adaptacyjno neuronowy
dane rozproszone
selekcja danych
Opis:
Improving the accuracy of forecasting is crucial but complex in the clothing industry, especially for new products, with the lack of historical data and a wide range of factors affecting demand. Previous studies more concentrate on sales forecasting rather than demand forecasting, and the variables affecting demand remained to be optimized. In this study, a two-stage intelligent retail forecasting system is designed for new clothing products. In the first stage, demand is estimated with original sales data considering stock-out. The adaptive neuro fuzzy inference system (ANFIS) is introduced into the second stage to forecast demand. Meanwhile a data selection process is presented due to the limited data of new products. The empirical data are from a Canadian fast-fashion company. The results reveal the relationship between demand and sales, demonstrate the necessity of integrating the demand estimation process into a forecasting system, and show that the ANFIS-based forecasting system outperforms the traditional ANN technique.
Poprawa dokładności prognozowania jest bardzo istotna, ale skomplikowana w przypadku przemysłu odzieżowego, zwłaszcza dla nowych produktów oraz szerokiego zakresu czynników wpływających na popyt. Wcześniejsze badania bardziej koncentrowały się na prognozowaniu sprzedaży, niż prognozowaniu popytu. Zmienne wpływające na popyt powinny zostać zoptymalizowane. W tym badaniu opracowano dwustopniowy inteligentny system prognozowania sprzedaży detalicznej przeznaczony dla nowych produktów odzieżowych. W pierwszym etapie, popyt jest określony za pośrednictwem oryginalnych danych dotyczących sprzedaży. Adaptacyjny neuronowy system danych rozproszonych (ANFIS) jest wprowadzony w drugim etapie do prognozowania popytu. Jednocześnie prezentowany jest proces selekcji danych. Dane empiryczne pochodzą z kanadyjskiej firmy.
Źródło:
Fibres & Textiles in Eastern Europe; 2017, 1 (121); 10-16
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Metoda prognozowania sprzedaży w przedsiębiorstwie farmaceutycznym
Autorzy:
Wolak, Malwina
Powiązania:
https://bibliotekanauki.pl/articles/582304.pdf
Data publikacji:
2017
Wydawca:
Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
Tematy:
prognozowanie sprzedaży
metody prognozowania
modele prognostyczne
Opis:
Proces prognozowania często wzbudza wiele wątpliwości co do jego zasadności. Wskazanie odpowiedniej metody, która pozwoli na zbudowanie precyzyjnej prognozy, jest procesem wieloetapowym. Celem artykułu jest zaprezentowanie wyselekcjonowanych metod prognozowania sprzedaży na przykładzie wybranego preparatu farmaceutycznego. Do osiągnięcia założonego celu zastosowano metody ilościowe: metodę naiwną, model Wintersa oraz metodę jakościową: opinie kierownictwa. Jednoczesne wykorzystanie tych metod do ustalenia prognozy końcowej badanego produktu umożliwia uzyskanie bardziej precyzyjnych szacunków oraz uwzględnienie wielu różnorodnych czynników determinujących prognozę sprzedaży. Specyfika rynku farmaceutycznego kreuje potrzebę przełożenia uwarunkowań tego sektora na dobór właściwych metod prognozowania sprzedaży, co wymaga indywidualnego podejścia zarówno do pojedynczych preparatów, jak i grup produktów. Każda sytuacja prognostyczna może odróżniać się od pozostałych, dlatego należy rozpatrywać je oddzielnie i zwracać uwagę na wszystkie czynniki determinujące daną prognozę sprzedaży.
Źródło:
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2017, 471; 438-448
1899-3192
Pojawia się w:
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Nowoczesne metody prognozowania zapasów w magazynie
Modern methods of inventory forecasting in a warehouse
Autorzy:
Topolska, K.
Sitna, K.
Powiązania:
https://bibliotekanauki.pl/articles/314566.pdf
Data publikacji:
2017
Wydawca:
Instytut Naukowo-Wydawniczy "SPATIUM"
Tematy:
magazynowanie
logistyka magazynowania
zapasy magazynowe
zarządzanie zapasami
statystyczne metody prognozowania
storage
storage logistics
inventory
inventory management
statistical forecasting methods
Opis:
Prawidłowe prognozowanie zapasów w magazynie to jedno z kluczowych czynników determinujących skuteczność podejmowanych działań przez przedsiębiorstw. Nie jest to jednak prosty proces, lecz dochodzenie do efektywności wymaga ciągłego zaangażowania w monitorowanie zmieniającej się sytuacji na rynku zbytu, doświadczenia, ale także wiedzy na temat odpowiedniego doboru metod pomiaru i ich wiarygodności. Rozwijająca się technologia dostarcza ambitnym przedsiębiorcą coraz to dokładniejszych i pozbawionych błędów statycznych, wyników. Prawidłowe wyciągnie wniosków na ich podstawie oraz odpowiednia analiza działań przedsiębiorstwa pozwala wspiąć się firmie na bardzo wysoki poziom zaangażowania marki na rynku. Pojawiająca się praktyka większej maksymalizacji zysku i minimalizacji kosztów oraz eliminacji bezsensownego zużycia materiałów, podąża za trendem umiejętności prawidłowego projektowania.
Correct inventory forecasting as one of the key determinants of business efficiency. This is not a simple process, but an investigation into the effectiveness of compulsory monitoring of market developments, experience, but also knowledge of how to choose measurement methods and their credibility. Technological efficiency provides an ambitious undertaking to increase accuracy and deprive statistics, results. Correct extracts based on them and proper analysis of activities on the basis of cooperation with the company at a very high level. The emerging practice of balancing and minimizing and eliminating senseless material consumption, incited by a trend for proper design.
Źródło:
Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 12; 1650-1653, CD
1509-5878
2450-7725
Pojawia się w:
Autobusy : technika, eksploatacja, systemy transportowe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The Use of Some Forecasting Methods and SWOT Analysis in the Selected Processes of Foundry
Autorzy:
Szymszal, J.
Gajdzik, B.
Powiązania:
https://bibliotekanauki.pl/articles/382538.pdf
Data publikacji:
2017
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
computer aided
casting production
forecasting method
SWOT analysis
statistical method
econometric method
wspomaganie komputerowe
produkcja odlewnicza
metody prognozowania
analiza SWOT
metoda statystyczna
metoda ekonometryczna
Opis:
Forecasting and analysis SWOT are helping tools in the business activity, because under conditions of dynamic changes in both closer and more distant surroundings, reliable, forward-looking information and trends analysis are playing a decisive role. At present, the ability to use available data in forecasting and other analyzes according with changes in business environment are the key managerial skills required, since both forecasting and SWOT analysis are a integral part of the management process, and the appropriate level of forecasting knowledge is increasingly appreciated. Examples of practical use of some forecasting methods in optimization of the procurement, production and distribution processes in foundries are given. The possibilities of using conventional quantitative forecasting methods based on econometric and adaptive models applying the creep trend and harmonic weights are presented. The econometric models were additionally supplemented with the presentation of error estimation methodology, quality assessment and statistical verification of the forecast. The possibility of using qualitative forecasts based on SWOT analysis was also mentioned.
Źródło:
Archives of Foundry Engineering; 2017, 17, 4; 224-230
1897-3310
2299-2944
Pojawia się w:
Archives of Foundry Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 36

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies