METODE, TEHNICI ŞI PROCEDEE ALE CERCETĂRII ŞTIINŢIFICE ECONOMICE

Elaborarea unui studiu socio-economic presupune un proces complex de investigare a

fenomenelor şi proceselor din societate. În general, elaborarea oricărui studiu presupune câteva
faze succesive: culegerea datelor, prelucrarea lor şi analiza statistică pe care se bazează
decizia. Aşadar, cercetarea ştiinţifică este o investigaţie care se realizează în trei etape succesive
(vezi fig. 1).

1. Observarea ştiinţifică Culegerea datelor:

Variabila x (sc[derea - din documente;
consumurilor de materiale) - prin contact direct.

2. Prelucrarea datelor şi - Sistematizarea datelor culese

formularea ipotezelor - Calculul indicatorilor statistici
- Elaborarea modelului teoretic

3. Analiza şi interpretarea - Compararea datelor statistice

datelor, verificarea ipotezelor şi - Verificarea ipotezelor
a modelului - Elaborarea de concluzii
- Elaborarea de prognoze

Fig. 1: Demersul cercetării ştiinţifice

Observarea ştiinţifică se concretizează prin culegerea şi înregistrarea datelor de intrare

necesare realizării studiului, date ce trebuie să privească toate caracteristicile urmărite, pentru
toate unităţile colectivităţii cercetate.
Prelucrarea datelor şi formularea ipotezelor reprezintă cea mai complexă etapă a
cercetării ştiinţifice, deoarece aici se sistematizează datele culese anterior, se aleg cele mai
potrivite metode de calcul şi analiză, se elaborează ipotezele şi modelele teoretice şi se verifică
măsura în care echipa de cercetători dispune de aptitudinile şi cunoştinţele necesare realizării
studiului.
Analiza, interpretarea datelor, verificarea ipotezelor şi a modelului reprezintă etapa cea
mai importantă a cercetării ştiinţifice, deoarece aceasta dă finalitate eforturilor depuse de
cercetători, validând sau invalidând rezultatele cercetării.
Pentru atingerea obiectivelor propuse, în fiecare etapă, cercetătorul apelează la o serie de
metode, care în ansamblul lor formează metodologia cercetării ştiinţifice. Metodele utilizate în
cercetarea ştiinţifică sunt diverse, ele trebuind fi adaptate la obiectivele studiilor realizate.
Prin prisma celor două laturi fundamentale ale cercetării ştiinţifice, metodele utilizate se
împart în metode cantitative şi metode calitative.
 1. METODELE CANTITATIVE
Metodele cantitative se bazează pe algoritmi matematici, având ca obiectiv determinări
cantitative ale diferitelor laturi ale fenomenelor social-economice. Principalele utilizări ale
acestor metode se referă la:
- măsurarea fenomenelor social-economice;
- măsurarea intensităţii legăturilor dintre fenomene;
- previzionarea evoluţiei fenomenelor social-economice;
- modelarea fenomenelor social-economice.

1.1. Măsurarea fenomenelor social-economice

1.1.1. Centralizarea şi gruparea datelor

Din cele mai vechi timpuri, omul şi societatea în care au trăit au simţit nevoia să măsoare
faptele şi evenimentele din realitatea înconjurătoare. Lumea modernă în care trăim este pătrunsă
de ideile de număr şi măsurare, ştiinţa însăşi fiind marcată de necesitatea determinărilor
numerice. Astfel, putem aprecia că datele culese în etapa observării ştiinţifice trebuie mai întâi
centralizate şi grupate pentru a putea fi ulterior prelucrate în vederea obţinerii de indicatori.
Centralizarea datelor constă în însumarea datelor pentru fiecare caracteristică urmărită
la unităţile unei colectivităţi cercetate, în vederea obţinerii unor indicatori totalizatori la nivelul
fiecărei grupe, sau la nivelul întregii colectivităţii.
Gruparea statistică presupune un ansamblu de operaţii prin care o colectivitate cercetată
este structurată în grupe calitativ-omogene după una sau mai multe caracteristici semnificative.
Dacă volumul colectivităţii cercetate este relativ redus, sau se urmăreşte o anume structurare a
acesteia, atunci gruparea poate fi făcută subiectiv. De exemplu, dacă vrem să cercetăm nivelul
salarizării celor 100 angajaţi ai unei firme, îi putem grupa în trei categorii: angajaţi cu salarii
mici (până la 1000 lei lunar), angajaţi cu salarii medii (între 1000 şi 2000 lei) şi angajaţi cu
salarii mari (cu peste 2000 lei). Obţinem astfel o serie statistică simplă ce permite ulterior
calculul unor indicatori statistici de caracterizare a salarizării angajaţilor din respectiva firmă. În
exemplul considerat seria obţinută se prezintă astfel:
Salariul lunar (lei) Număr angajaţi
- 1000 20
1000 – 2000 55
2000 - 25
Total 100

În cazul colectivităţilor cu volum mare, gruparea poate fi organizată mecanic în intervale

egale. Operaţia de grupare presupune parcurgerea următorilor paşi:
a. se stabileşte mărimea intervalului de grupare folosind relaţia lui Sturges:
x  x min
k  max
1  3.322 lg N
unde: x max , x min - valoarea cea mai mare, respectiv cea mai mică pentru variabila
urmărită la o populaţie (colectivitate) statistică;
N - numărul unităţilor din populaţia observată.
De exemplu, pentru cei 100 angajaţi ai unei firme s-a înregistrat salariul cel mai mare de
4000 lei / lună şi cel mai mic de 500 lei. În acest caz:
3500
k  458 lei
1  3.322 lg 100

2
 k  500 lei
b. se calculează numărul intervalelor de grupare:
A
n
k
unde: A - este amplitudinea de variaţie având relaţia:
A = xmax - xmin
În cazul exemplificat:
n = 7 intervale de grupare
c. se organizează intervalele de grupare având grijă ca primul şi ultimul interval să
includă nivelurile xmin, xmax.
În cazul considerat, gruparea poate fi:

Intervale de grupare Numărul

după salariul lunar (lei)* angajaţilor
 1000
1000 – 1500
1500 – 2000
2000 – 2500
2500 – 3000
3000 – 3500
3500 
Total salariaţi 100
* Limita superioară aparţine intervalului.

Urmează ca pe baza datelor individuale să se stabilească numărul de salariaţi

(frecvenţele) pe intervale. Datele au fost organizate într-o serie de frecvenţe, numită repartiţie
sau distribuţie statistică, fiind astfel pregătite pentru a fi prelucrate în continuare în vederea
caracterizării comportamentului colectivităţii cercetate.

1.1.2. Indicatorii tendinţei centrale

Pentru prelucrarea unei distribuţii statistice se utilizează trei grupe de indicatori:

- indicatori ai tendinţei centrale;
- indicatori de apreciere a împrăştierii valorilor în jurul mediei repartiţiei (indicatori ai
variaţiei);
- indicatori ai asimetriei şi excesului.

Indicatorii tendinţei centrale urmăresc identificarea centrului unei serii de date, având
rolul de a rezuma într-o valoare tipică, reprezentativă, nivelurile individuale înregistrate la un
fenomen oarecare. Din această categorie fac parte: media, mediana şi dominanta.
Media reprezintă cel mai utilizat indicator al tendinţei centrale care permite sintetizarea
diferitelor niveluri individuale într-o valoare reprezentativă ce evidenţiază ceea ce este esenţial,
firesc, tipic şi obiectiv în dezvoltarea unui fenomen de masă, cu condiţia ca acesta să aibă un
grad de omogenitate acceptabil.
În practică se utilizează mai multe tipuri de medii:
- media aritmetică;
- media armonică;
- media pătratică;
- media geometrică.

3
 Media aritmetică se recomandă a fi utilizată atunci când nivelurile caracteristicii urmărite
cresc sau descresc aproximativ cu aceeaşi valoare. După modul de prezentare a datelor pe baza
cărora se calculează, media aritmetică are două variante: medie aritmetică simplă şi medie
aritmetică ponderată.
Media aritmetică simplă este specifică seriilor simple, atunci când numărul variantelor
sub care se prezintă o variabilă este egal cu numărul unităţilor statistice.
Fie seria statistică X = {x1, x2, . . ., xnŞ unde xi , i = 1, n este şirul de valori ale
observaţiilor şi numărul de observaţii este “n”. Se numeşte medie aritmetică a seriei statistice X
numărul
n

x i 1
i
. x
n
Media aritmetică ponderată se foloseşte în cazul repartiţiilor statistice de frecvenţe, când
fiecărei variante a variabilei îi corespund mai multe unităţi ale populaţiei statistice. La calculul
valorii medii, de această dată, trebuie să luăm în calcul frecvenţele (fi) de apariţie ale variantelor
variabilelor xi. Media se calculează cu relaţia:
n
 xi  f i
i 1
x n
 fi
i 1
În cazul repartiţiilor organizate pe intervale de variaţie, variantele x i reprezintă centrele
intervalelor de grupare.

Media armonică se foloseşte în cazul în care pentru o variabilă X se cunosc valorile

acesteia xi şi mulţimea perechilor (xifi) dar nu s-au determinat numeric explicit frecvenţele fi:
n
xh  n
pentru repartiia simplă;
1
x
i 1 i
n
 xi fi
i 1
xh  n
pentru repartiţia de frecvenţe.
 x xi fi 
1
i 1 i

Media pătratică se utilizează în cazul în care termenii cu valori mari sunt predominanţi
într-o repartiţie de frecvenţe, acestora trebuind, fireşte să li se acorde o importanţă mai mare.
n
 xi2
i 1
xp  pentru repartiţia simplă;
n
n
 xi2 f i
i 1
xp  n
pentru repartiţia de frecvenţe.
 fi
i 1

Media geometrică se foloseşte în cazul repartiţiei ai cărei termeni au o frecvenţă de

apariţie mai mare în zona inferioară a intervalului de variaţie, având relaţia de calcul:
n
xg  n  xi pentru repartiţia simplă;
i 1

4
  fi n
xg   xif pentru repartiţia de frecvenţe.
i

i 1

unde  este semnul produsului.

Între mediile aritmetică, pătratică şi geometrică există inegalitatea:
xg  x  x p

Mediana. Fie X = {x1, x2, …,xnŞ o serie de date statistice ordonată crescător. Se
numeşte mediana seriei X valoarea xm care împarte seria în două părţi egale. Prezintă modalităţi
de calcul diferite în cazul seriilor simple, respectiv de frecvenţe.
Pentru seria simplă, mediana reprezintă valoarea variabilei ce se află în poziţia centrală.
Se stabileşte mai întâi locul medianei în cadrul seriei şi apoi se ordonează seria,
n 1
LMe 
2
Dacă se consideră seria de valori: 9, 13, 8, 14, 11, prin ordonare obţinem seria 8, 9, 11,
13, 14.
LMe=3 iar Me=11
În cazul seriilor cu număr de termeni par, valoarea medianei este media celor doi termeni
care se află în poziţia centrală. La seria de mai înainte adăugând încă un termen, 15, rezultă seria
ordonată: 8, 9, 11, 13, 14, 15.
11  13
LMe=3.5 iar Me   12
2
De remarcat că mediana are semnificaţie de medie:
În cazul repartiţiei de frecvenţe,
n 
  fi k
Me x   xm   i 1  Sf  m
 2  fm
 
în care: xm - limita inferioară a intervalului median;
km - mărimea intervalului median;
Sf - suma frecvenţelor intervalelor dinaintea celui median.
Intervalul care conţine mediana este acela pentru care cumulând frecvenţele din prima
n
 fi
i 1
parte a repartiţiei se obţine o sumă cel puţin egală cu .
2

Dominanta are, de asemenea, semnificaţie de valoare medie. Cunoscută şi sub numele de

valoare modală, dominanta se defineşte prin valoarea variabilei cu densitatea de repartiţie
maximă.
Pentru o serie organizată pe variantele concrete ale variabilei, dominanta este valoarea
cu cea mai mare frecvenţă.
Pentru repartiţia de frecvenţe, modul se calculează după relaţia:
 1 
Mo x   xm  km  
 1   2 
în care: xm - limita inferioară a intervalului care conţine dominanta (intervalul
modal);
km - mărimea intervalului modal;
1 - diferenţa dintre frecvenţa intervalului modal şi
cea a intervalului precedent: 1 = fm- fm-1

5
 2 - diferenţa dintre frecvenţa intervalului modal şi
cea a intervalului următor: 2 = fm- fm+1
Intervalul modal este acel interval al repartiţiei având frecvenţa cea mai mare.
Cei doi indicatori, mediana şi modul au semnificaţie de medie. Cu cât aceştia se apropie
mai mult de medie cu atât valoarea acesteia este mai semnificativă pentru repartiţia considerată.
Ei îşi găsesc utilitate la calculul indicatorilor de măsurare a oblicităţii.

1.1.3. Indicatorii de măsurare a variaţiei

Variaţia sau împrăştierea într-o repartiţie statistică poate fi definită prin modificarea
nivelului variabilei urmărite la unităţile unei populaţii observate. La caracterizarea variaţiei se
foloseşte un sistem de indicatori (parametri) pentru prelucrarea distribuţiilor statistice precum:
amplitudinea variaţiei, abaterile individuale de la medie, abaterea medie liniară, dispersia
variabilei, abaterea standard şi coeficientul de variaţie. Prin nivelul acestor indicatori se testează,
semnificaţia mediei ca valoare tipică, omogenitatea repartiţiei etc.
Amplitudinea variaţiei. Acest indicator măsoară intervalul pe care se distribuie unităţile
unei populaţii statistice după o variabilă anume.
Se poate calcula ca valoare:
absolută: A x   xmax  xmin
A
relativă: A x %   x  100
x

Abaterile individuale de la media repartiţiei. Şi acestea pot fi:

absolute: di  x   xi  x
di  x 
relative: di  x %  100
x

În studiul economic interesează, mai ales, abaterile individuale minimă negativă şi

maximă pozitivă.

Abaterea medie liniară. Este o valoare medie a abaterilor individuale, luate în valoare
absolută:
n
 di  x 
i 1
dx   pentru repartiţia simplă;
n
n
 di x  fi
i 1
dx   n
pentru repartiţia de frecvenţe.
 fi
i 1

Dispersia variabilei. În cazul unei repartiţii, dispersia (varianţa) poate fi determinată

astfel:
n
 xi  x 
2

i 1
2x   pentru repartiţa simplă;
n

6
 n
 xi  x 
2
fi
i 1
2x   n
pentru repartiţa de frecvenţe.
 fi
i 1
Dispersia repartiţiei este cunoscută în literatura de specialitate şi sub numele de
momentul centrat de ordinul doi.

Abaterea standard. Se calculează ca o medie pătratică din abaterile individuale. Din

această cauză mai poartă numele de abatere medie pătratică, având relaţia:
 x   2x 
Deoarece, în cazul abaterii standard luăm în calcul pătratul abaterilor se apreciază că
acest indicator pune mai bine în evidenţă gradul de împrăştiere, nivelul său fiind întotdeauna mai
mare decât cel al abaterii medii liniare.

Coeficientul de variaţie. Media ( x ) şi abaterea standard (  x  ) se exprimă în unitatea de

măsură a variabilei urmărite, ceea ce face imposibil să comparăm împrăştierea la două serii de
date complet diferite. Pentru a înlătura acest neajuns se foloseşte un parametru adimensional,
coeficientul de variaţie. În plus, acest indicator permite testarea gradului de semnificaţie a mediei
repartiţiei precum şi a omogenităţii populaţiei observate.
Coeficientul de variaţie are expresia:

Cv x    x  100
x
Se consideră că populaţia observată este omogenă, iar media repartiţiei semnificativă,
dacă Cv x   35% .

1.1.4. Indicatorii asimetriei şi excesului

Aprecierea formei pe care o are curba frecvenţelor unei repartiţii, fără a o realiza grafic,
se poate face folosind două tipuri de valori: indicatorii asimetriei şi indicatorii excesului.
Numim distribuţie statistică simetrică, aceea pentru care frecvenţele se dispun în mod egal,
de o parte şi de alta a mediei. Pentru aceste distribuţii se obţine că cele trei valori centrale
coincid:
x  Me x   Mo x 
Această egalitate o întâlnim doar în cazul repartiţiei normale.
Dacă frecvenţele se împrăştie inegal în jurul mediei, repartiţia este asimetrică. Expresia
grafică (curba) unei asemenea repartiţii prezintă un grad de oblicitate în raport cu ordonata,
respectiv:
x  Me x   Mo x 
În practică, oblicitatea (asimetria) repartiţiilor statistice se măsoară, cel mai adesea,
folosind coeficientul de asimetrie al lui Karl Pearson:
x  Mo x 
Cas x  
 x 
Pentru repartiţia normală (teoretică), o distribuţie perfect simetrică, se obţine Cas x   0
(Fig. 2).
În cazul distribuţiilor empirice (repartiţii din practică):
Cas x   0 - distribuţia prezintă oblicitate spre dreapta (fig. 3)

7
 Cas x   0 - distribuţia prezintă oblicitate spre stânga (fig. 4)
Distribuţia este moderat asimetrică dacă Cas x    0.3; 0.3
Iată în continuare, grafic, cele trei tipuri de distribuţii:
fi

x xi
Me(x)
Mo(x)
Fig. 2: Repartiţie normală

Mo(x) Me(x) Me(x)

fi fi x
Mo(x)
x

Mo(x)< Me(x) < x x x <Me(x) < Mo(x) x

Fig. 3: Asimetrie spre dreapta i Fig. 4: Asimetrie spre stânga i
(pozitivă) (negativă)

Gradul de concentrare (aglomerare) a frecvenţelor în jurul mediei defineşte, ceea ce

numim, excesul sau curtozisul unei repartiţii statistice. Aprecierea gradului de concentrare poate
fi făcută vizual cu ajutorul
curbei lui Lorenz. La 100%f a
construirea curbei, valorile
cumulate ale variabilei, se
fixează pe abscisă, iar b
frevenţele cumulate pe
c
ordonată (fig. 5).
Interpretare:
Cazul a: repartiţia prezintă 0 100% x
o concentrare maximă - Fig. 5. Curba lui Lorenz
toate frecvenţele
corespund unei singure valori a variabilei;
Cazul b: pentru o repartiţie în care frecvenţele se distribuie uniform, curba lui Lorenz este, de
fapt, o diagonală ce exprimă lipsa totală de concentrare;
Cazul c: în cazul repartiţiei empririce (o distribuţie statistică), curba frecvenţelor cumulate se
află între liniile a şi b. Într-o atare repartiţie, concentrarea este cu atât mai accentuată cu cât curba
se îndepărtează de diagonală.
Pentru a măsura gradul de boltire (aplatizare) sau de alungire a curbei frecvenţelor unei
repartiţii, Karl Pearson foloseşte un coeficient de boltire având expresia:
4x 
Cb 
  
2 2
x

8
 în care: 2x  - este momentul centrat de ordinul 2, de fapt dispersia variabilei;
 4x  - momentul centrat de ordinul 4, având relaţia:
n
 xi  x 
4
fi
i 1
4x   n
 fi
i 1
Pentru a obţine un indicator de măsurare a excesului, Fisher compară coeficientul de
boltire al lui Pearson cu valoarea acestui indicator pentru repartiţia normală (curba Gauss-
Laplace) ca etalon, pentru care Cb=3.
Astfel, Fisher calculează un coeficient prin care măsoară excesul faţă de boltirea
distribuţiei normale, folosind relaţia:
Cex = Cb-3
Dacă
Cex = 0, Cb = 3, - curba este normală, Fig. 6;
Cex > 0, Cb > 3, - curba distribuţiei este leptocurtică (ascuţită la vârf) şi prezintă un
grad de boltire mai mare faţă de curba normală, fig. 7;
Cex < 0, Cb < 3, - curba este platicurtică şi prezintă un grad de aplatizare mai
pronunţat în raport cu cea normală, fig. 8.

Iată expresia grafică a celor trei tipuri. de curbe:

fi

0 xi
Fig. 6: Curbă normală

fi fi

0 xi 0 xi
Fig. 7: Curbă leptocurtică* Fig. 8: Curbă platicurtică*

1.2. Măsurarea intensităţii legăturilor dintre fenomene

1.2.1. Tipuri de legături între fenomene

În natură ca şi în societate, fenomenele evoluează în strânsă dependenţă unele de altele.

Toate aceste legături pot fi rezumate la două tipuri: legături funcţionale şi legături statistice.
Legăturile funcţionale se întâlnesc îndeosebi în fizică, chimie, mecanică, etc. Un
fenomen-efect depinde de un singur fenomen-cauză. O asemenea dependenţă este de tip univoc,
y=f(x)

.
*Termenii au ca rădăcină cuvintele din limba greacă: leptos=subţire, îngust; platos=lat, larg; kurtos=cocoaşă.

9
 Astfel de legături se întâlnesc, este adevărat mai rar, şi în practica economică. Spre
exemplu, costul total cu energia electrică pe care o firmă îl achită furnizorului (C) depinde de
consum (Q), tariful fiind o constantă care, cel puţin într-un interval de timp, nu se modifică :
C=Q . t
Legăturile statistice, cunoscute şi sub numele de legături stochastice se întâlnesc cel
mai frecvent în practica social-economică. Varietatea şi complexitatea factorilor, mai ales a celor
economici, generează o dependenţă de tip stochastic. Aceasta presupune că un fenomen-efect
evoluează sub influenţa mai multor factori-cauză. Modelul de dependenţă stochastică este de
forma:
y=f(x1,x2,...,xn)
Spre exemplu, costul de fabricaţie pe unitatea de produs depinde de mai mulţi factori:
consumurile de materiale, preţul de aprovizionare al acestora, cantitatea de produse,
productivitatea muncii etc.
Dacă variabilele dependente se exprimă numeric atunci avem de a face, cu ceea ce
numim o corelaţie. În practică se întâlnesc mai multe tipuri de corelaţii:
a) După numărul de variabile asociate, luate în studiu:
- corelaţie simplă, în cazul a două variabile (x - variabilă cauză şi y - variabilă efect);
- corelaţie multiplă, pentru mai multe variabile (y - variabilă efect dependentă de x1,
x2, ... xn variabile cauză).
b) După direcţia în care se produce:
- corelaţie directă (pozitivă) când variabilele evoluează în acelaşi sens;
- corelaţie inversă (negativă) atunci când variabilele îşi modifică nivelul în sens
contrar.
c) După forma ei:
- corelaţie liniară, exprimată prin ecuaţia unei drepte;
- corelaţie curbilinie ce poate fi exprimată prin ecuaţia unei funcţii exponenţiale,
parabolice, hiperbolice etc.
d) După timpul în care are loc:
- corelaţie sincronă (concomitentă);
- corelaţie asincronă, sau cu decalaj în timp.

1.2.2. Metoda corelaţiei

Studierea corelaţiei presupune:

- identificarea factorilor de dependenţă şi ierarhizarea lor în ceea ce priveşte influenţarea
variabilei rezultative;
- procurarea datelor privind parametrii modelului pentru rezolvarea acestuia;
- determinarea indicatorilor de corelaţie pentru aprecierea existenţei, formei şi intensităţii
dependenţei stochastice.
Aplicarea metodei corelaţiei se bazează pe utilizarea funcţiilor statistico-matematice.
Opţiunea pentru o anumită funcţie este determinată de tipul de corelaţie existentă între
variabilele studiate.

1.2.2.1. Corelaţia liniară simplă

Acest tip de corelaţie presupune studierea dependenţei dintre două variabile al căror nivel
se modifică în progresie aritmetică.
Pentru a exprima dependenţa liniară ne folosim de funcţia de regresie:
y x  a  bx i

10
 Linia de regresie exprimă dependenţa variabilei y de variabila factorială x, considerând
constantă influenţa celorlalţi factori, exprimată de parametrul “a” ca o medie. Parametrul “b”,
numit şi coeficient de regresie, exprimă numeric modificarea variabilei-efect atunci când nivelul
variabilei-cauză creşte cu o unitate. Totodată, el oferă informaţii cu privire la existenţa şi sensul
corelaţiei:
b0, există corelaţie;
b > 0, corelaţie directă (pozitivă);
b < 0, corelaţie inversă (negativă).
Parametrii funcţiei de regresie pot fi localizaţi grafic, spre exemplu în cazul b > 0 (fig. 9):
y
y x  a  bx i

a
b
0 1 x

Fig. 9: Cazul corelaţiei liniare pozitive.

Prin urmare, când: x=0  yx  a

dacă x=1  yx  a  b
Cu ajutorul metodei celor mai mici pătrate se determină parametrii ecuaţiei funcţiei de
regresie, astfel încât
n

 yi  y x
i 1
 2
 minim

Punând această condiţie, prin operaţiile matematice de rigoare se obţine sistemul:

 pentru seriile simple,
 n n

na  bi1
x i   yi
i 1
 n n n
a  x i  b  x 2   x i y i
 i 1 i 1
i
i 1

 pentru repartiţiile de frecvenţe,

 n n n

a i f i  b  x i f x i   y i f yi
1 i 1 i 1
 n n n n
a  x i f x  b x 2 f x   x  y i f x y
 i 1 i
i 1
i i
i 1
i
i 1
i i

Valorile parametrilor a şi b se determină rezolvând sistemul de ecuaţii. Înlocuind valorile

obţinute în ecuaţia funcţiei liniare obţinem funcţia ce estimează dependenţa dintre cele două
variabile.
În funcţie de valorile obţinute pentru parametri a şi b se fac aprecieri cu privire la
existenţa şi sensul corelaţiei dintre fenomenele urmărite.
Pentru măsurarea intensităţii dependenţei liniare între cele două variabile aleatoare se
foloseşte coeficientului de corelaţie liniară având expresia:

11
 n n n
 n  n 
  f i   x i  y i f x i yi     x i f x i   y i f yi 
rxy   i 1 i 1 i 1   i 1  i 1 
 n n
 n    n
2
n
 n  
2

  f i   x i f x i     x i f x i     f i   y i f yi     y i f yi  
2 2

 i 1 i 1   i 1    i 1 i 1   i 1  
De remarcat că în cazul unei legături de tip univoc (corelaţie funcţională), când avem de
a face cu dependenţa de un singur factor,
rxy = 1, în cazul corelaţiei directe (pozitive);
rxy = -1, pentru corelaţia inversă (negativă);
Pentru legăturile statistice (stochastice):
rxy  0 , există corelaţie;
rxy > 0, dar < 1, în corelaţia directă;
rxy < 0, dar > -1, în corelaţia inversă.

1.2.2.2. Corelaţia multiplă

Cel mai adesea, în practica economică se întâlnesc fenomene a căror evoluţie se află sub
influenţa simultană a mai multor factori. Studiul corelaţiei simple presupune, pe baza unei
analize atente, să desprindem factorul-cauză cel mai important în raport de care să studiem
dependenţa.
Cu ajutorul corelaţiei multiple poate fi apreciată conexiunea dintre o variabilă-efect şi
mai mulţi factori-cauză importanţi, determinând influenţa fiecăruia în parte.
Dacă se consideră y=f(x1,x2,...,xn) o legătură stochastică multiplă, aceasta poate fi
exprimată prin ecuaţia funcţiei liniare de forma:
y x1 , x 2 ,...,x n  a 0  a 1 x 1  a 2 x 2  ...  a n x n
în care:
a1,a2,...,an - coeficienţii de regresie care arată cât de mare este modificarea variabilei
dependente sub influenţa factorilor x1,x2,...,xn
a0 - parametrul care exprimă sub formă de medie influenţa celorlalţi factori,
în afara celor consideraţi.

De exemplu, dependenţa salariului orar de vechimea în muncă şi de productivitatea

muncii poate fi exprimată prin ecuaţia funcţiei liniare de tipul:
y x1 , x 2 ,...,x n  a 0  a 1 x 1  a 2 x 2
Parametrii a0, a1 şi a2 se determină cu ajutorul metodei celor mai mici pătrate. Punând
condiţia ca  y  y x1x 2   minim , se obţine sistemul:
n 2

i 1

 n n n

na 0  a 1 i
1
x1  a 2  x 2   y
i 1 i 1
 n
 n n n
a 0  x 1  a 1  x 1  a 2  x 1 x 2   x 1 y
2

 i 1 i 1 i 1 i 1
 n n n n
a 0  x 2  a 1  x 1 x 2  a 2  x 2   x 2 y
2

 i 1 i 1 i 1 i 1

Prin rezolvarea sistemului se obţin valorile pentru parametri a0, a1 şi a2 pe baza cărora se
ecuaţia de regresie dintre variabilele urmărite. Pe baza ecuaţiei de regresie poate fi estimat
nivelul variabilei dependente (y) în funcţie de valorile variabilelor independende (x1 şi x2).

12
 Intensitatea influenţelor factorilor se măsoară cu ajutorul coeficientului corelaţiei
multiple, având expresia:

 y  y    y  y x1x 2 
n n
2 2

i 1 i 1
Ry x1x 2  
 y  y 
n
2

i 1

sau
 2y x x
Ry x1x 2  1  1 2

 2y
unde:
 y  y x1x 2 
n
2

 2y x x  i 1
1 2
n
 y  y 
n
2

 2y  i 1
n

Dacă nivelul coeficientul corelaţiei multiple se apropie de 1 înseamnă că între variabilele

urmărite există o strânsă legătură.
Pentru a măsura contribuţia fiecărui factor în parte asupra modificării fenomenului-efect
se utilizează coeficienţii de determinaţie.
Coeficientul determinaţiei multiple exprimă influenţa simultană a factorilor independenţi
asupra fenomenului dependent, având relaţia:
 2y x x
Dy x1x 2  1  1 2

 2y x x
1 2

Prin descompunerea determinaţiei totale se pot stabili influenţele pe factori, folosind

coeficienţii parţiali de determinaţie:
  x1y 
a1   yx 1 
 n 
Dy x1 
 2y
  x2y 
a2  yx 2 
 n 
Dy x 2 
y
2

în care:
 x1
x1 
n
 x2
x2 
n
y
 y
n

Aceşti coeficienţi măsoară contribuţia fiecărei variabile factoriale (x1 şi x2) la modificarea
variabilei rezultative (y).

13
 1.2.2.3. Corelaţia curbilinie

Uneori, în practica social-economică se întâlnesc legături stochastice în care o variabilă-

efect este dependentă chiar de nivelul variabilei-cauză. Acest gen de legături de formă curbilinie
pot fi exprimate sintetic prin ecuaţia unei hiperbole, parabole, ori a curbei exponenţiale.
În cazul curbei de tipul hiperbolei se foloseşte ecuaţia de estimare:
b
yx  a 
xi
Pentru corelaţia parabolică ecuaţia are expresia:
y x  a  bx i  cx i2
iar în cazul curbei exponenţiale ecuaţia este:
y x  ab x i

În cele ce urmează vom urmări un model de corelaţie hiperbolic.

Parametrii a şi b ai ecuaţiei hiperbolei se calculează cu ajutorul metodei celor mai mici
pătrate. Punând condiţia:
n

 yi  y x
i 1
 2
 minim

se obţine sistemul pentru seriile simple:

 n 1 n
na  bi   yi
 1 x i i 1
 n 1 n 1 n 1
a   b 2   y i
 i 1 x i i 1 x
i
i 1 x i

pentru repartiţiile de frecvenţe:

 n n fx n
a  f i  b    y i f yi
i

 i 1 i 1 x i i 1
 n f
a  x i  b  f x i   1 y f
n n

 i 1 x i i 1 x
2
i 1 x i
i x i yi
 i

Prin rezolvarea sistemului se obţin valorile pentru cei doi parametri (a şi b), ceea ce ne
permite identificarea ecuaţiei care descrie dependenţa dintre variabilele urmărite. În acest fel se
poate determina nivelul teoretic al variabilei y în funcţie de valorile reale ale variabilei x.
Estimarea intensităţii corelaţiei neliniare se face cu ajutorul raportului de corelaţie,
cunoscut şi sub numele de indice de corelaţie, având relaţia:
 n 
 a  y i f yi  b  i f x i yi    y 2  f i 
n y n

R xy  
i 1 i 1 x i   i 1 
n
 2n 
 y i f yi   y  f i 
2

i 1  i 1 
în care:
n
 y i f yi
i 1
y n
 fi
i 1
Cu cât valoarea acestui indicator se apropie de 1 cu atât între cele două variabile există o
dependenţă mai puternică.

14
 1.2.2.4. Corelaţia neparametrică

Metodele neparametrice permit, în cazul celor mai variate tipuri de repartiţii, să stabilim
existenţa corelaţiei, sensul şi intensitatea acesteia. În corelaţia neparametrică nu operăm cu
valorile caracteristicilor ci cu rangul acestora. Rangul reprezintă numărul de ordine pe care îl
ocupă fiecare unitate observată într-o serie organizată crescător sau descrescător pentru fiecare
din variabilele corelate. De aici şi numele de corelaţie a rangurilor sub care mai întâlnim,
uneori, acest tip de dependenţă.
Între metodele neparametrice se utilizează, cel mai adesea, coeficienţii de corelaţie a
rangurilor.

a) Coeficientul Spearman
Fie n unităţi ale unei populaţii statistice pentru care se înregistrează două variabile x şi
y între care se presupune că există o dependenţă. Dacă se ordonează unităţile observate, să
spunem crescător, pentru fiecare din variabile se obţin:
rx i -rangurile unităţilor după variabila x;
ry i-rangurile unităţilor după variabila y.
La o privire asupra rangurilor putem observa o concordanţă a acestora. Respectiv,
rangurilor mari după variabila factorială să le corespundă ranguri tot mai mari după variabila
dependentă, ceea ce sugerează o corelaţie directă (pozitivă). În cazul discordanţei rangurilor,
corelaţia este inversă (negativă). De această dată rangurile mici ale lui x au corespondente
ranguri mari după y.
Cu ajutorul coeficientului folosit de Spearman, având expresia:
6 2i
rxy  1 
n3  n
se estimează sensul corelaţiei şi intensitatea acesteia:
rxy  0 , există corelaţie;
rxy  0 , corelaţie directă;
rxy  0 , corelaţie inversă.
în care:  i - diferenţele dintre rangurile celor două variabile corelate,
 i  rx i  ryi

b) Coeficientul Kendall
Corelaţia rangurilor poate fi studiată şi cu ajutorul coeficientului propus de Kendall,
având expresia:
 pi   qi
rxy 
n n  1
1
2
în care:
pi - numărul de ranguri superioare rangului i al variabilei dependente care există pe
coloana respectivă după fiecare rang;
qi - reprezintă numărul de ranguri inferioare ale variabilei dependente care există
după rangul i al acesteia.

15
 1.3. Previzionarea evoluţiei fenomenelor social-economice
Elaborarea previziunilor cu privire la evoluţia fenomenelor social-economice impune
utilizarea unui ansamblu de metode şi tehnici componente ale metodologiei cercetării ştiinţifice.
După elementul informaţional, metodele de previziune se împart în:
- metode explorative;
- metode normative.
a) Metodele explorative se caracterizează prin aceea că viitorul este conceput în funcţie de
tendinţe. Aceste metode oferă însă doar o imagine orientativă asupra evoluţiei în perspectivă a
fenomenelor şi proceselor economice.
De aceea, este recomandabil să se folosească concomitent şi alte metode sau să se
introducă unele corecţii în rezultatele obţinute cu ajutorul metodelor respective. Asemenea
corecţii introduse de factorii decizionali au în vedere anumite opţiuni sau priorităţi cu privire la
evoluţia unor variabile sau indicatori economici.
Din această categorie fac parte:
- metoda extrapolării;
- metoda interpolării;
- metoda evenimentelor precursoare;
- metoda scenariilor.
b) Metode normative: presupun luarea în considerare în elaborarea previziunilor a unui
obiectiv final, dezirabil, prestabilit şi în funcţie de acest obiectiv se proiectează în perspectivă
evoluţia fenomenelor investigate.
Trebuie menţionat că aplicarea metodelor normative nu poate face abstracţie de evoluţia
din perioada precedentă, dar în dimensionarea nivelurilor diferiţilor indicatori prevalează
obiectivul dezirabil care a fost prestabilit. Informaţiile din perioada precedentă sunt totuşi
necesare pentru încadrarea evoluţiei posibile a fenomenelor sau proceselor respective în
tendinţele care s-au manifestat în orizontul retrospectiv.
În această categorie sunt cuprinse:
- metoda modelării economico-matematice;
- metodele de echilibrare;
- metoda arborelui de pertinenţă.
Trebuie precizat că în activitatea de cercetare ştiinţifică metodele explorative şi cele
normative nu se aplică separat ci se îmbină utilizarea lor, în sensul că elaborarea aceloraşi
prognoze implică folosirea simultană atât a unor metode explorative cât şi a celor normative. În
acest fel devine posibil să se compare rezultatele obţinute prin diferite metode, să se obţină mai
multe variante ale prognozelor din care să se selecteze pa aceea care conferă cea mai mare
eficienţă din punct de vedere economic şi social.

1.3.1. Metoda extrapolării

Metoda extrapolării se foloseşte frecvent pentru elaborarea previziunilor prin prelungirea

tendinţelor trecute ale variabilelor. Metoda se bazează pe ipoteza că sunt cunoscute relaţiile
cauzale şi că acestea se vor manifesta în continuare cu aceleaşi consecinţe. Se poate spune că
extrapolarea prelungeşte în mod simplist trecutul spre viitor. Absolutizarea acestei ipoteze poate
conduce la concluzii deformate. De aceea metoda extrapolării trebuie aplicată cu prudenţă,
numai în acele situaţii în care fenomenele nu îşi vor schimba radical cursul de evoluţie în viitor şi
nu vor interveni noi factori care să modifice structural evoluţia anterioară. Ţinând seama de
această exigenţă se impune ca orizontul de timp pentru prognozele elaborate cu ajutorul metodei
extrapolării să fie cât mai limitat.
În practică sunt cunoscute două modalităţi de aplicare a metodei extrapolării şi anume:

16
 a) extrapolarea mecanică, atunci când se admite că relaţiile formate între variabile nu se
vor modifica în viitor, adică se admite continuitatea riguroasă a tendinţelor manifestate în
perioada statistică;
b) extrapolarea euristică, atunci când se introduc anumite corecţii în evoluţia trecută, în
funcţie de modificarea previzibilă a desfăşurării fenomenului sau de anumite opţiuni ale
factorilor de decizie.
Totodată, în raport de datele disponibile şi de specificul fenomenelor analizate, se
utilizează mai multe procedee de extrapolare, şi anume: extrapolarea analitică, extrapolarea
fenomenologică, extrapolarea prin curbe înfăşurătoare şi extrapolarea prin curba norului de
puncte.

Extrapolarea analitică se bazează pe folosirea unor informaţii statistice care configurează

evoluţia unui fenomen, adică se folosesc serii de date statistice pentru a analiza relaţiile cauzale
dintre variabilele de previziune manifestate în perioada trecută. Problema extrapolării analitice
se formulează astfel: cunoscând valorile unei anumite variabile supuse prognozării (Yt) într-un
orizont retrospectiv t = (1;T) trebuie construit şi respectiv proiectat indicatorul care să estimeze
valoarea numerică a variabilei Yt în perioada următoare.
Extrapolarea analitică poate fi realizată cu ajutorul mai multor procedee:
- pe baza sporului mediu absolut;
- pe baza ritmului mediu;
- pe baza funcţiilor statistico-matematice.

Sporul mediu absolut se determină ca medie aritmetică simplă a sporurilor absolute cu

baza în lanţ. Pentru extrapolare se foloseşte relaţia:
YT  y 0  n  y ,
unde: - YT – valoarea variabilei de previziune în anul final al orizontului;
- y0 – valoarea variabilei de previziune în anul de bază;
- y – sporul mediu absolut al variabilei de previziune în perioada statistică sau de
analiză retrospectivă;
- n – numărul anilor din perioada (orizontul) de previziune.
yt  y0
y 
n 1
În cazul extrapolării euristice, sporul mediu absolut se corectează prin înmulţire cu un
coeficient (k), supraunitar sau subunitar, după cum se apreciază că se va modifica tendinţa
evoluţiei, adică:
YT  y 0  n  y  k  y 0  n  y .

Pentru extrapolarea cu ajutorul ritmului mediu anual se foloseşte relaţia:

YT  y 0 (1  r )n ,
unde: - r – ritmul mediu anual de creştere a variabilei de previziune în perioada statistică
( r  I  1 );
- n – numărul de ani ai perioadei orizontului de previziune;
- I - indicele mediu anual de creştere (scădere) a variabilei de previziune.

În cazul extrapolării euristice, ritmul mediu anual se corectează, tot prin înmulţire, cu un
coeficient (k), cu valoare supraunitară sau subunitară, după caz.

Extrapolarea analitică se poate realiza şi cu un număr mare de funcţii statistico-

matematice. Aceasta se datorează specificităţii evoluţiei fenomenelor economice, în sensul că

17
unele pot avea o evoluţie puternic sau lent crescătoare sau descrescătoare, în timp ce altele, după
o anumită creştere sau descreştere, pot ajunge la un anumit nivel sau plafon, când creşterea sau
descreşterea încetează.
Calitatea previziunilor depinde în mod hotărâtor de alegerea unei funcţii de extrapolare
corespunzătoare. Funcţia respectivă trebuie să descrie în modul cel mai adecvat tendinţa de
evoluţie din perioada precedentă, tendinţă care se presupune că se va afirma şi în viitor. În
elaborarea funcţiilor de previziune se utilizează două categorii de variabile:
- o variabilă dependentă, reprezentată de fenomenul pentru care trebuie elaborată
prognoza;
- una sau mai multe variabile independente, reprezentate de factorii care determină
evoluţia variabilei dependente.
Funcţiile de extrapolare pot fi clasificate după diverse criterii:
a) după natura variabilei sau variabilelor independente - se împart în două categorii şi
anume:
a1) funcţii de corelaţie, când variabila sau variabilele independente sunt mărimi
economice sau tehnice, funcţia luând forma y = f(x) sau y = f(xi ) . Ex: productivitatea muncii
faţă de salariul mediu.
a2) funcţii de trend, când variabila independentă este timpul, adică y=f(t).
b) după numărul variabilelor independente – funcţiile de corelaţie se împart în:
b1) funcţii de corelaţie simplă, cu o singură variabilă independentă
b2) funcţii de corelaţie multiplă, cu două sau mai multe variabile independente.
Funcţiile de corelaţie şi funcţiile de trend îmbracă o diversitate de forme sau modele
matematice. Cele mai cunoscute modele matematice ale funcţiilor de corelaţie simplă sunt
următoarele:
a) funcţia liniară – care se pretează la evoluţii liniare, adică la previzionarea variabilelor
a căror rată de creştere sau de scădere este mai mult sau mai puţin constantă, şi poate avea forma
următoare:
- y = a + bx - pentru evoluţie ascendentă;
- y = a - bx - pentru evoluţie descendentă.
b) funcţiile parabolice – pot avea una din următoarele forme:
- y = a + bx + cx2 - parabola de gradul 2;
2 3
- y = a + bx + cx + dx - parabola de gradul 3;
c) funcţia exponenţială – folosită la previzionarea variabilelor care înregistrează un ritm
de creştere mai alert:
- y = abx;
În această categorie este inclusă şi funcţia putere, de forma: y = axb.
d) funcţiile hiperbolice – folosite pentru previzionarea variabilelor care la începutul
perioadei au un ritm de scădere mai rapid, după care fenomenul se stabilizează. Se pretează a fi
prognozate cu ajutorul acestora tendinţele de evoluţie a costurilor pe unitatea de produs.
1 b 1
- y ; - y a ab ;
a  bx x x
e) funcţiile logaritmice – sunt utilizate pentru previzionarea variabilelor a căror evoluţie
crescătoare iniţială este accentuată, dar care treptat se reduce până când evoluţie devine
descrescătoare:
- y = a·lgx; - y = a + b·lgx;
- y = a·lnx; - lgy = a + b·lgx;

Funcţiile de trend, a căror formă generală este y = f(t), au aceleaşi modele matematice
concrete ca şi funcţiile de corelaţie simplă, numai că în locul variabilei x, care este o mărime

18
economică sau tehnică, apare variabila t, care este timpul; se consideră că variabila t
încorporează influenţele tuturor factorilor care acţionează asupra unui fenomen.
Funcţiile de corelaţie multiplă se folosesc pentru previzionarea variabilelor a căror
evoluţie este determinată de mai mulţi factori de influenţă, adică de mai multe variabile
independente. Aceste funcţii pot fi liniare sau neliniare. Fenomenele economice se
caracterizează, în marea lor majoritate, prin dependenţe neliniare. Funcţiile liniare de corelaţie
multiplă au următoarea formă:
y = f(xi) sau y = a0 + a1x1 + a2x2 + ... + aixi +...+ anxn=a0 + aixi.
Asemenea funcţii au n+1 constante. Funcţiile neliniare de corelaţie multiplă au
următoarea formă:
y  a0  x11  x2 2  ...  xi i  ...  xn n  a0  xi i ,
unde: i – coeficienţii de elasticitate ai lui y faţă de xi.

Elaborarea previziunilor cu ajutorul funcţiilor de extrapolare presupune următoarea

succesiune de operaţii:
a) alegerea variabilei dependente pentru care se face previziunea, care condiţionează şi
fixarea orizontului de previziune şi stabilirea gradului de siguranţă al acesteia;
b) stabilirea variabilelor independente adică a factorilor de influenţă ce acţionează asupra
variabilei dependente;
c) determinarea perioadei pentru analiza retrospectivă, adică a perioadei considerată cea
mai concludentă pentru furnizarea informaţiilor statistice necesare construirii şi rezolvării
funcţiilor de extrapolare;
d) alegerea funcţiei de extrapolare care descrie cel mai bine evoluţia trecută a variabilei
dependente;
e) estimarea parametrilor funcţiei de extrapolare sau parametrizarea acesteia;
f) aprecierea calităţii funcţiilor de extrapolare cu ajutorul unor estimatori statistici, în
special al abaterii medii pătratice procentuale;
g) efectuarea calculului de previziune, care comportă particularităţi în raport cu modelul
matematic al funcţiei de extrapolare;
h) analiza economică a rezultatelor obţinute, pentru a selecta cea mai bună variantă din
mai multe posibile.
Din prezentarea acestor etape se desprinde etapa ce presupune alegerea funcţiei de
extrapolare. Există mai multe metode pentru a alegerea funcţiei de extrapolare şi anume:
 metoda reprezentării grafice;
 metoda statistică

Reprezentarea grafică este metoda cea mai simplă, dar poate da rezultate
corespunzătoare numai în cazul funcţiilor de trend şi de corelaţie simplă. Aceasta constă în
reprezentarea grafică a seriei de date într-un sistem de axe. Graficul astfel obţinut se compară cu
graficul teoretic aferent diferitelor funcţii matematice. Acolo unde se observă o suprapunere între
graficul stabilit şi graficul unei anumite funcţii rezultă ca acea funcţie este adecvată pentru a fi
aplicată în studiul previzional.
Metoda statistică presupune alegerea a 2 sau 3 funcţii matematice considerate a aproxima
evoluţia din trecut a fenomenului supus previziunii. Pentru fiecare funcţie se estimează
parametri, se ajustează datele, iar în final se compară datele obţinute cu valorile reale. Unde
există cele mai mici diferenţe se apreciază că acea funcţie este cea mai potrivită.
După alegerea funcţiei de extrapolare se impune estimarea parametrilor acesteia În
acest scop se foloseşte, de obicei, metoda celor mai mici pătrate. Condiţia principală pe care o
implică această metodă este ca suma pătratelor diferenţelor dintre valorile reale, empirice şi cele

19
recalculate, ajustate ale variabilei dependente, pentru perioada de analiză retrospectivă, să fie
minimă, adică:

S   y i  y i' 
2
 minim .
Variabilei y i' i se substituie funcţia de extrapolare aleasă şi se construieşte sistemul de
ecuaţii normale specific fiecărei funcţii. Pentru construirea sistemelor de ecuaţii normale se pune
condiţia ca:

S   y i  y i'  2
0,
şi se scriu derivatele parţiale în raport cu fiecare parametru în parte. Sistemele de ecuaţii normale
specifice diferitelor funcţii de extrapolare sunt:

Pt funcţia liniară (y = a ± bx)

na  b x   y


a x  b x   xy
 2

Pt. funcţia parabolică (y = a + bx + cx2)

na  b  x  c  x 2   y

a x  b x  c  x   xy
2 3


a x  b x  c  x   x y
2 3 4 2

Pt. funcţia exponenţială (y = abx) se liniarizează mai întâi, prin logaritmare, şi 

lgy = lga + Xlgb.
n lg a  lg b x   lg y


lg a x  lg b x   x lg y
 2

Pt. funcţia putere (y = axb ) se liniarizează mai întâi, prin logaritmare, şi 

lgy = lga + blgx.
n lg a  b lg x   lg y


lg a lg x  b (lg x )   lg x  lg y
 2

1 1
Pt. funcţia hiperbolică ( y  ) se porneşte de la inversa sa:  a  bx .
a  bx y
 1
na  b  x   y


a x  b  x 2   1  x
 y

1
Pt. funcţia hiperbolică ( y  a  b )
x
 1
na  b x   y

a  1  b 1   y  1
 x x2 x

20
 Prin rezolvarea sistemelor de ecuaţii se determină valorile parametrilor funcţiilor. În
cazul funcţiilor de corelaţie simplă şi a funcţiilor de trend estimarea parametrilor poate fi
efectuată şi prin calcul simplificat. Astfel, când pentru previziune se utilizează o funcţie de trend
se procedează la împărţirea orizontului retrospectiv în 2 subperioade. Dacă numărul de ani din
perioada precedentă este par se vor alege 2 ani mediani pentru care se vor atribui variabilei t
valorile –1 şi +1. Pentru variabila t aferentă anilor din prima subperioadă se vor atribui valori
descrescătoare păstrând un decalaj de 2 unităţi (-3; -5 ...), iar pentru anii din a doua subperioadă
valori crescătoare (+3; +5 ...), astfel încât pentru toată seria de date t = 0.
Dacă perioada precedentă cuprinde un număr impar de ani se alege ca an median anul de
la mijloc, pentru care i se atribuie lui t valoarea 0. Pentru anii din prima subperioadă se atribuie
lui t valori negative descrescătoare (-1; -2; -3 ...), iar pentru cei din a doua subperioadă valori
pozitive crescătoare (+1; +2; +3 ...) astfel încât pentru toată seria de date t = 0.

Anii t t’ t’
t1 1 -5 -2
t2 2 -3 -1
t3 3 -1 0
t4 4 1 1
t5 5 3 2
t6 6 5 *
 21 0 0

În cazul folosirii funcţiilor de corelaţie, este necesar să se cunoască valorile numerice ale
variabilei sau variabilelor independente (xi) pentru anul final sau pentru fiecare an al orizontului
de previziune. Există două situaţii, şi anume: când valorile variabilelor independente sunt
prestabilite şi se introduc ca atare în calculele de previziune şi când valorile variabilelor
independente nu sunt prestabilite, fiind necesară previzionarea separată a acestora cu ajutorul
unor metode adecvate; în acest din urmă caz, se întrerupe calculul de previziune pentru variabila
dependentă până se estimează valorile variabilei sau variabilelor independente pentru orizontul
de timp propus.
De menţionat este faptul că, în cazul folosirii funcţiilor de corelaţie unifactoriale, pentru
simplificarea calculelor se impune condiţia ca  . În mod normal, având în vedere
specificul evoluţiei fenomenelor economice, o asemenea ipoteză nu poate fi pusă;  este
un nonsens. Ca atare, se recurge la un artificiu de calcul care nu viciază însă rezultatele. Acest
artificiu constă în următoarele:
- pentru variabila independentă se calculează o medie aritmetică simplă cu ajutorul
valorilor înregistrate de aceasta în perioada statistică, după relaţia x   xi ;
n
- se face diferenţa între fiecare valoare empirică xi şi valoarea medie x notată cu x i' ,
astfel că  xi'  0 ;
- în locul variabilelor xi se lucrează cu variabilele x i' . În sistemul de ecuaţii normale, x i'
înlocuieşte pe xi.
Prin determinarea valorilor parametrilor se obţine funcţia care stă la baza elaborării
prognozei. Dând valori variabilei (variabilelor) independente se obţin valorile teoretice pentru
variabila dependentă. Astfel, în cazul funcţiilor de trend obţinerea valorilor teoretice se va face
mai simplu pe baza ecuaţiei funcţiei alese în care se va substitui t cu valorile convenţionale
atribuite. Pentru funcţiile de corelaţie simplă ajustarea se face prin înlocuirea în ecuaţia funcţiei
alese a valorilor atribuite iniţial lui x.

21
 După determinarea valorilor teoretice se impune testarea calităţii funcţiei alese. În acest
scop se determină abaterea medie pătratică procentuală cu relaţia:
2
Y Y ' 
  i Y ' i 100 
%   i 
n
unde: Yi – valorile reale ale variabilei dependente;
Y’i – valorile teoretice determinate pe baza funcţiei alese.
Cele mai bune rezultate le dă funcţia pentru care % este minimă. Dacă % > 3%
înseamnă că funcţia aleasă nu este corespunzătoare.
Pentru caracterizarea intensităţii legăturilor dintre variabila dependentă Y şi cea
independentă X se calculează coeficientul de corelaţie simplă a cărei valoare trebuie să fie în
condiţiile unei intensităţi puternice apropiată de 1. Când s-a ales o funcţie de corelaţie simplă ce
va fi aplicată la previzionarea indicatorului Y, coeficientul de corelaţie se determină astfel:
n  XY   X Y
r
 
n  X 2   X  n  Y 2   Y 
2 2

Dacă previziunea se face cu o funcţie de trend atunci variabila independentă X se
înlocuieşte cu t.
Dacă estimarea parametrilor funcţiei de trend s-a realizat aplicând procedeul simplificat
de calcul atunci:
n  tY
r
 
n  t 2 n  Y 2   Y 
2

În funcţie de valoarea acestui coeficient putem întâlni trei situaţii:
- r < 0,3 – exprimând o intensitate slabă;
- r ia valori între 0,3 şi 0,7 – intensitate medie;
- r ia valori între 0,7 şi 1 – intensitate puternică.

Elaborarea variantelor minimă şi maximă ale previziunilor.

Orice previziune este afectată de un anumit grad de eroare. Pentru aprecierea
probabilităţii de realizare a estimărilor previziunilor, rezultatele studiilor respective sunt
corectate cu gradul de siguranţă sau de fiabilitate anticipat. Probabilitatea medie de realizare se
încadrează într-o zonă de siguranţă pentru intervalul de timp ales, numită interval de încredere,
situată între o limită minimă şi o limită maximă; ca urmare, se impune să se elaboreze, pe lângă
varianta medie, şi o variantă minimă şi o variantă maximă pentru fiecare previziune, mai ales în
situaţia folosirii metodelor explorative, fie că este vorba de funcţii de corelaţie fie că este vorba
de funcţii de trend. Procedeul folosit în acest scop prezintă anumite particularităţi în raport cu
tipul şi modelul matematic ale funcţiei de extrapolare. Se estimează, astfel, eroarea de previziune
şi ecartul său tip.
Determinarea acestor variante ale prognozei comportă particularităţi de calcul de la o
funcţie matematică la alta.
Astfel, pentru cazul în care s-a ales pentru prognoză o funcţie de trend liniar, elaborarea
variantelor minimă şi maximă se va realiza potrivit următorului algoritm:
a) se calculează abaterea medie standard sau eroarea medie a tendinţei variabilei
dependente y pe perioada statistică, după relaţia:

Sy   ( y  y ' )2 ,
nc
unde: - (y – y’) – eroarea de estimaţie;

22
 - n – numărul anilor perioadei de analiză retrospectivă;
- c – numărul parametrilor funcţiei de extrapolare;
- (n – c) – numărul gradelor de libertate.
b) se calculează aşa-zisul coeficient expert, notat cu Sp în funcţie de eroarea tendinţei
determinată anterior:
1 (t   t) 2
Sp  S y 1   ,
n  (t i  t) 2
unde: - t – numărul de ordine al anului din orizontul previzional luând în considerare atribuirea
în mod cronologic a valorilor lui t;
- ti – numerele de ordine ale anilor din perioada statistică;
- t - media aritmetică simplă ale numerelor de ordine ale anilor din perioada statistică.
c) dintr-un tabel de distribuţie de tip Student se extrage un coeficient corespunzător
probabilităţii cu care trebuie garantate rezultatele (t);
d) se înmulţeşte coeficientul respectiv cu coeficientul expert (Sp * t);
e) se determină varianta minimă şi varianta maximă prin scăderea şi adăugarea
produsului înmulţirii anterioare la varianta medie obţinută cu ajutorul funcţiei de extrapolare.
 
Y'i Sp  t   Y'i Sp  t  ; Y'i Sp  t 
Pentru determinarea variantelor minimă şi maximă în cazul funcţiei de corelaţie liniare
algoritmul de calcul este acelaşi cu deosebirea ca variabila timp (t) este înlocuită cu variabila
independentă (X).

Extrapolarea fenomenologică se concentrează pe analiza factorilor care modifică

tendinţele manifestate în perioada trecută. Poate da o orientare cu totul nouă asupra evoluţiei
viitoare, mai ales dacă se apreciază procentual influenţa fiecărui factor perturbator asupra
evoluţiei de ansamblu. De exemplu, previzionarea evoluţiei producţiei de energie electrică
trebuie să ţină seama de evoluţia randamentului agregatelor şi a consumului specific de
combustibil. Randamentul creşte până la un anumit punct, în care se plafonează, iar consumul se
reduce până la o anumită limită, sub care nu poate să scadă. Analiza evoluţiei celor doi factori
pune în evidenţă o funcţie de forma:
y = a ± bx.

Extrapolarea pe curba înfăşurătoare constă în reprezentarea grafică simultană a mai

multor curbe de evoluţie a unor activităţi şi extrapolarea tendinţelor pe o “înfăşurătoare”, chiar
dacă nu se cunoaşte cu siguranţă evoluţia concretă ce va apare în viitor. De exemplu, în
domeniul producţiei de oţel, fiecare procedeu tehnologic nou a condus la creşterea productivităţii
muncii; după trecerea unui număr de ani de la introducerea fiecărui procedeu nivelul
productivităţii muncii se plafona. Nivelul productivităţii muncii pentru un orizont de previziune
se poate aprecia însă prin extrapolarea “înfăşurătoare” curbelor respective, chiar dacă nu se
cunoaşte cu precizie care va fi noul procedeu tehnologic ce va aduce un plus de productivitate.
Grafic, acest lucru poate fi reprezentat astfel:
y

0 t1 t2 t3 t
23
 Fig. 10:Extrapolarea pe curba înfăşurătoare

Extrapolarea pe curba norului de puncte constă în analiza caracteristicilor globale ale

fenomenului, pe baza interpretării logice a tendinţei reale de durată. Se pot desprinde astfel
anumite legi sau reguli de variaţie a fenomenului respectiv în condiţiile date ale perioadei
statistice. Cu ajutorul reprezentării grafice se evidenţiază vizual tendinţele de evoluţie. Curba
care caracterizează dinamica fenomenului, pe baza căreia se configurează tendinţa dominantă
poartă numele de curbă a norului de puncte. Cele mai cunoscute forme ale unei astfel de curbe
sunt:

y y y

t t t
Fig. 11: Extrapolarea pe curba norului de puncte

Se pot anticipa, astfel, ipoteze ale evoluţiei viitoare cu ajutorul valorilor medii care trec
prin mijlocul norului de puncte. Rezultante poate fi o dreaptă, exprimată ca o funcţie liniară
simplă, iar pentru evoluţii mai complexe, curbele pot fi descrise de funcţii exponenţiale,
logaritmice, logistice etc. Prelungirea pentru orizontul de previziune a parametrilor variabilelor
valabili pentru perioada statistică are o valoare relativă, pentru că nu se poate cuantifica
intensitatea legăturilor dintre variabile, ca atare, metoda dă numai o primă imagine de ansamblu,
care ulterior trebuie precizată şi eventual corectată cu ajutorul rezultatelor oferite de alte metode.

1.3.2. Metoda interpolării

Această metodă presupune stabilirea mărimilor intermediare între două niveluri ale
variabilei de previziune, anume nivelul din anul de bază şi nivelul din anul final al orizontului.
Cercetătorul prestabileşte nivelul pentru anul final în funcţie de anumite obiective economico-
sociale urmărite. Aceştia au la dispoziţie date statistice pentru perioada trecută, date preliminate
pentru anul curent, considerat an de bază şi nivelul urmărit pentru anul de previziune şi trebuie să
stabilească nivelurile pentru anii intermediari.
Interpolarea se poate realiza cu ajutorul a două procedee:
a) cu ajutorul raţiei medii anuale, stabilite pe baza relaţiei:
X1  X 0
R , de unde rezultă că:
n
X t  X0  nR ;

b) cu ajutorul ritmului mediu anual de creştere, calculat după relaţia:

XT
1r  n , de unde rezultă că:
X0
X t  X0 (1  r)n .

24
 Radicalul se rezolvă cu ajutorul logaritmilor astfel:
- când se folosesc logaritmi naturali:
1
(ln X T  ln X 0 )
(1  r )n  e n ;
- când se folosesc logaritmi în baza 10:
1
(ln X T ln X 0 )
(1  r )n  10 n .

1.3.2. Metoda arborelui de pertinenţă

Constă în construirea unei reţele arborescente de elemente, ierarhizate sub forma unui
graf, care condiţionează realizarea unui obiectiv urmărit. Principalele componente sunt:
a) obiectivul principal urmărit (O);
b) căile de urmat (Ci) şi
c) mijloacele ce trebuie folosite (Mj).
Pentru problemele mai complexe, fiecare dintre aceste componente se subdivide pe
diferite trepte de ramificaţii. Din obiectivul principal derivă o serie de subdiviziuni, cărora li se
acordă coeficienţi de importanţă; suma acestora este egală cu 1 pe fiecare treaptă. În final se
acordă note de pertinenţă, care arată ponderea cu care contribuie diversele mijloace antrenate la
realizarea scopului urmărit. Coeficienţii de importanţă se stabilesc ca parametrii de comandă, pe
baza analizei critice a evoluţiei precedente şi a experienţelor de vârf din domenii similare din ţară
sau străinătate.

Un exemplu simplu de arbore de pertinenţă, prezentat mai jos, poate servi la previziunea
creşterii productivităţii muncii în construcţii:

Obiectivul Creşterea productivităţii muncii în construcţii

(O)
0,6 0,4
(C1) Creşterea aportului (C2) Creşterea
Căile tehnicii aportului factorului uman
(Ci)
0,3 0,5 0,3 0,4
0,2

0,3

(M11) (M12) (M13) (M21) (M22) (M23)

constructive
sistemelor
Perfecţionarea

materiale noi
Folosire de

tehnice
mijloacelor
Perfecţionarea

producţiei
organizării
Îmbunătăţirea
muncii
organizării
Îmbunătăţirea

profesionale
pregătirii
Perfecţionarea

Mijloacele
(Mj)

În continuare, se întocmeşte următorul tabel matriceal pentru stabilirea notelor de

pertinenţă:

Coeficienţii de Mijloacele
Căile
importanţă a căilor M11 M12 M13 M21 M22 M23
C1 0,6 0,3 0,2 0,5 - - - 1,0

25
 C2 0,4 - - - 0,3 0,3 0,4 1,0
1,0 0,18 0,12 0,30 0,12 0,12 0,16 1,0
Notele de pertinenţă rezultate

Fiecare notă de pertinenţă este rezultatul produsului dintre coeficientul de importanţă al căii şi
coeficientul de importanţă al mijlocului. În funcţie de greutatea specifică a acestor note de
pertinenţă se stabileşte ordinea de prioritate în repartizarea resurselor. În cazul de faţă, locul
principal îl ocupă factorul M13, urmat de M11 şi, în ultimă instanţă de M12, M21 şi M22.

1.4. Modelarea fenomenelor social-economice

1.4.1. Consideraţii generale privind modelarea fenomenelor social-economice

Modelarea economico-matematică este una dintre metodele moderne folosite în

cercetarea ştiinţifică. Ca metodă de analiză şi cercetare, aceasta constă în reproducerea abstractă
a unui fenomen sau proces economic sub forma unui sistem similar sau analog. Modelul este o
reprezentare schematică abstractă simplificată a unui fenomen economic, un sistem artificial
bazat pe relaţiile cantitative dintre elementele structurale ale fenomenului, cu ajutorul căruia se
studiază comportamentul sistemului real pe care îl reprezintă prin analogie.
În formă generală un model economico-matematic constă într-un ansamblu de relaţii
cantitative, care cuprinde variabile exogene, adică mărimi date sau parametrii opţionali şi
decizionali, şi variabile endogene sau rezultative pentru reprezentarea unui fenomen sau proces
economic la un moment dat sau pentru o perioadă delimitată de orizontul previziunii.
Modelul reprezintă, deci, rezultatul unui proces în care cercetătorul, având la bază o
teorie asupra fenomenului studiat, realizează o similitudine între fenomen şi un sistem artificial.
Baza teoretică a modelului economico-matematic este formată dintr-un sistem logic de enunţuri
universale (ipoteze, premise), din care, după reguli precise, se deduc propoziţii finale, respectiv
teoreme sau concluzii; baza sa empirică este construită din enunţuri cu caracter limitat în timp şi
spaţiu, ce trebuie verificate prin experiment pentru a aprecia gradul de verosimilitate al
modelului.
Elaborarea modelului presupune formalizarea matematică a fenomenelor economice,
testarea pe o perioadă trecută a relaţiilor cantitative stabilite, adică analiza retrospectivă, după
care urmează proiectarea lor în perioada viitoare, respectiv analiza prospectivă, evidenţiind
dinamica evoluţiei ansamblului şi a legăturilor interne ale sistemului.
Principalele tipuri de modele folosite în teoria şi practica previzionării macroeconomice
sunt: modele de creştere economică, modele interramuri, modele de optimizare a utilizării unor
resurse şi modele bazate pe funcţii de producţie. Modelele economico-matematice scot în
evidenţă legăturile dinamice dintre principalii indicatori şi relevă sensibilitatea acestora faţă de
modificarea unor variabile; stabilesc, totodată, intervalele între care trebuie să se situeze
principalii indicatori agregaţi pentru realizarea obiectivelor politicii economice.
Modelele economico-matematice se pot clasifica după mai multe criterii şi anume:
a) după gradul de agregare, sunt: modele agregate, cu un număr redus de variabile,
care reprezintă în formă concentrată sistemul economic analizat, şi modele dezagregate, în care
domeniul analizat este structurat pe componente; de menţionat este faptul că gradul de agregare
al unui model depinde în mare măsură de orizontul ales, respectiv de destinaţia sa; modelele de
prognozare pe termen lung au un grad mai ridicat de agregare, iar cele de planificare sunt mai
detaliate, datorită necesităţii de a cunoaşte un număr mai mare de indicatori sau variabile potrivit
cerinţelor planificării macroeconomice orientative;

26
 b) după sfera de cuprindere, sunt: modele globale, care reflectă ansamblul
organismului economico-social, şi modele sectoriale, care reflectă un compartiment al acestuia –
ramură, subramură, domeniu de activitate, unitate administrativ-teritorială etc.;
c) după nivelul organizatoric la care se elaborează, sunt: modele macroeconomice,
care formalizează matematic sistemul complex al economiei naţionale, folosite pentru analiza
structurii şi dinamicii acesteia, pentru proiectarea ritmurilor de creştere economică, pentru
elaborarea unor variante optime de plan macroeconomic şi modele microeconomice, folosite
pentru formalizarea unor elemente locale ale sistemului economic analizat;
d) după rolul şi funcţiile pe care le au în conducerea previzională sau după tehnica
de elaborare, sunt modele de optimizare, modele de simulare, modele de echilibrare şi modele
mixte:
 modelele de optimizare presupun alegerea unei funcţii-obiectiv în condiţiile unor
restricţii date. Prin rezolvarea numerică a acestora se urmăreşte alegerea variantei
optime de evoluţie, care presupune maximizarea sau minimizarea indicatorului
ales ca funcţie-obiectiv. Orice model de optimizare este compus din funcţia-
obiectiv şi sistemul de restricţii. Condiţiile restrictive se referă la resursele
disponibile. Ca modele de optimizare amintim: modele de optimizare a structurii
producţiei materiale, modele de optimizare a folosirii unor resurse, modele de
optimizare a unor corelaţii macroeconomice, modele de optimizare a planului sau
programului de transport pentru diferite produse, modele de optimizare a
structurii investiţiilor;
 modelele de simulare sunt formate din serii de ecuaţii înlănţuite care permit
combinarea diverselor variabile, în funcţie de anumite opţiuni sau parametrii
opţionali, de existenţa unor informaţii de intrare şi de interdependenţa funcţională
dintre toate aceste elemente în cadrul sistemului economic. În practica
economică, pentru studii pe termen lung şi domenii largi de activitate, se
elaborează de preferinţă modele de simulare. Simularea se face cu ajutorul
calculatorului electronic, iar ca informaţii se folosesc datele statistice. Nu trebuie
să se facă o demarcaţie strictă faţă de modelele de optimizare, pentru că în
ultimul timp se manifestă tendinţa de apropiere între cele două categorii de
modele. Astfel, construirea mai multor modele de optimizare după diferite criterii
de optim conduce practic la simularea mai multor variante; totodată, alegerea
celei mai indicate variante dintre cele descrise de un model de simulare
determină în fapt varianta optimă, chiar dacă aceasta nu are un criteriu de optim
formulat iniţial;
 modelele de echilibrare se bazează pe metoda intrări-ieşiri. Această metodă are o
largă aplicabilitate, pentru că asigură corelaţiile fundamentale care trebuie
realizate în dezvoltarea diferitelor verigi organizatorice, permite cuantificarea
fluxurilor materiale şi băneşti dintre acestea şi elaborarea planurilor sau
programelor de producţie şi de aprovizionare tehnico-materială la nivelul
fiecăreia;
e) după forma matematică, sunt: modele liniare, când funcţia-obiectiv şi ecuaţiile sau
inegalităţile sunt liniare, ca în cazul modelelor de programare liniară, şi modele neliniare, când
funcţia-obiectiv şi ecuaţiile de echilibru sunt de grad superior; acestea din urmă redau mai
adecvat structura şi evoluţia diferitelor fenomene economice;
f) după modul în care iau în considerare factorul timp, sunt: modele statice, cele care
reflectă starea fenomenului sau procesului economic la un moment dat, şi modele dinamice, cele
care redau evoluţia în timp a fenomenului sau procesului economic considerat.
Între diferitele categorii de fenomene enumerate există numeroase legături; un model
poate circumscrie caracteristici ce aparţin mai multor grupări.

27
 Construirea unui model economico-matematic necesită o succesiune de etape1, dintre
care enumerăm:
a) alegerea domeniului care face obiectul modelului;
b) alegerea orizontului de timp;
c) stabilirea tipului de model;
d) stabilirea componentelor modelului, adică a variabilelor, parametrilor şi notaţiilor
corespunzătoare;
e) stabilirea perioadei statistice considerată concludentă pentru analiza retrospectivă şi
testarea modelului;
f) culegerea seriilor de date statistice pentru variabilele de previziune şi asigurarea
comparabilităţii în ceea ce priveşte sfera de cuprindere şi preţurile în care se exprimă;
g) elaborarea schemei modelului;
h) scrierea relaţiilor modelului;
i) calcularea mărimii parametrilor opţionali pentru perioada statistică şi proiectarea lor
pentru orizontul de previziune;
j) testarea modelului cu date din perioada trecută şi evidenţierea abaterilor faţă de datele
statistice;
k) folosirea modelului pentru perioada de previziune, luând ca bază ultimul an pentru
care sunt disponibile date statistice;
l) analiza finală şi interpretarea economică a rezultatelor oferite de model în urma
rezolvării sale numerice.

1.4.2. Modele bazate pe funcţii de producţie

A. Conceptul de funcţii de producţie.

Funcţiile de producţie sunt expresii matematice care descriu legăturile cantitative dintre
principalii indicatori economici ce caracterizează volumul activităţilor verigilor organizatorice
ale economiei naţionale în ansamblul său şi principalii factori de producţie, respectiv capitalul
fix sau capitalul total (fix şi circulant), forţa de muncă din activitatea productivă, progresul
tehnico-ştiinţific, resursele de materii prime şi materiale. Aceste modele economico-matematice
pot fi utilizate la nivel macroeconomic, pe ansamblul economiei sau pe ramurile ori sectoarele
instituţionale ale acesteia, dar şi la nivelul unor mari unităţi economice, precum şi la nivelul
întreprinderilor şi secţiilor de producţie. În ultimul timp, funcţiile de producţie s-au aplicat şi la
nivelul unor unităţi administrativ-teritoriale, cu rezultate care pot fi considerate satisfăcătoare. La
nivelul economiei naţionale, funcţiile de producţie exprimă relaţiile funcţionale dintre volumul
produsului global brut sau produsului intern sau naţional brut şi net şi mărimile agregate ale
forţei de muncă şi capitalului fix afectate activităţii economice.
Funcţiile de producţie sunt folosite cu rezultate bune, în activitatea de cercetare ştiimţifică,
pentru modelarea creşterii economice, pentru aproximarea creşterii eficienţei economice, dar şi
pentru estimarea nivelului şi evoluţiei producţiei unei ramuri, subramuri sau întreprinderi. Pot fi
folosite, de asemenea, şi pentru estimarea contribuţiei progresului tehnic la creşterea economică
şi pentru cuantificarea contribuţiei factorilor extensivi şi intensivi ai creşterii. Rolul funcţiilor de
producţie în activitatea de cercetare ştiinţifică se extinde însă şi în soluţionarea altor probleme,
cum ar fi, de exemplu, determinarea unor indicatori ai eficienţei economice a folosirii factorilor
de producţie sau dimensionarea necesarului de factori de producţie.

1
Ciurlău C. şi colaboratorii – Previziune economică, Ed. Universitaria, Craiova, 2003, pg. 108

28
 Funcţiile de producţie se construiesc pornind de la datele statistice care caracterizează
evoluţia trecută a domeniului studiat. Ele definesc într-o formă matematică legăturile care s-au
format în trecut între indicatorii economici şi factorii de producţie şi permit extrapolarea în viitor
a tendinţelor manifestate în perioada respectivă. Din acest motiv, factorul timp şi efectele pe care
acesta le antrenează devin esenţiale. În studiile în care sunt utilizate, funcţiile de producţie
generează două categorii de probleme: pe de o parte, care este combinaţia optimă a factorilor de
producţie pentru a obţine un venit sau o producţie proiectată, iar pe de altă parte, care este
producţia ce se poate realiza în condiţiile unor factori de producţie disponibili.2

B. Tipuri de modele bazate pe funcţii de producţie.

Literatura economică şi practica previzionării evidenţiază existenţa mai multor tipuri de
funcţii de producţie. Cea mai frecvent utilizată este funcţia de producţie de tip Cobb-Douglas,
construită în anul 1929 de cei doi economişti americani cărora le poartă numele; se foloseşte şi în
prezent datorită simplităţii şi caracterului său raţional. Expresia matematică a funcţiei respective
este următoarea:
Y = A · L · K,
unde: - Y – indicatorul ce caracterizează volumul activităţii economice; reprezintă variabila
care se previzionează;
- L – mărimea agregată a forţei de muncă;
- K – mărimea agregată a capitalului fix;
- ·  - coeficienţi de elasticitate; arată cu cât se modifică indicatorul previzionat la
modificarea cu o unitate procentuală a unui factor de producţie;
- A – parametru de scară, care înglobează influenţa factorilor de producţie
neidentificaţi sau neexplicitaţi în modelul funcţiei.
Prin urmare, o funcţie de producţie în care se identifică, de regulă, doi factori de
producţie – forţa de muncă (L) şi capitalul fix (K), se caracterizează prin următorii indicatori:
a) elasticitatea producţiei în raport cu forţa de muncă (EL ) – care este raportul dintre
productivitatea diferenţială şi cea medie a muncii şi caracterizează creşterea procentuală a
rezultatului la o creştere cu o unitate procentuală a forţei de muncă;
b) elasticitatea producţiei în raport cu capitalul fix (EK ) – care este raportul dintre
eficienţa diferenţială şi cea medie a capitalului fix şi caracterizează creşterea procentuală a
producţiei la creşterea cu o unitate procentuală a capitalului fix;
c) norma (rata) de substituire a factorilor [r(K,L)] – care, definindu-se prin raportul
dintre vitezele de variaţie ale celor doi factori de producţie, caracterizează modul în care aceştia
se pot substitui unul altuia, în ala fel încât rezultatul să rămână acelaşi;
  K 
d) elasticitatea substituirii factorilor de producţie    – care, determinată ca raport
L   
între rata diferenţială şi cea medie de substituire a factorilor, arată cu câte unităţi procentuale se
modifică rata de substituire atunci când variază cu o unitate procentuală înzestrarea tehnică a
muncii.3
După suma coeficienţilor de elasticitate, funcţiile de producţie se grupează în două categorii şi
anume: cu coeficienţi de elasticitate complementari, când  +  = 1, în care caz  = 1 - , şi cu
coeficienţi de elasticitate necomplementari, când  +  1 şi, deci,  1 - . Elasticitatea
complementară semnifică faptul că producţia se modifică în acelaşi sens şi în aceeaşi proporţie

2
Vezi Mark Blaug, Teoria economică în retrospectivă, E.D.P., R.A., Bucureşti, 1991, p. 473-487, 500-506; R.G.D.
Allen, Analiză matematică pentru economişti, Editura Ştiinţifică, Bucureşti, 1971, p. 201-206, 235-247, 390-395,
428-433.
3
În legătură cu elasticitatea substituţiei factorilor de producţie, a se vedea: P. Jica şi E. Marin – Probleme ale
elasticităţii marginale de substituire a factorilor, Revista Română de Statistică, numărul. 11-12/1991.

29
cu modificarea factorilor, ceea ce înseamnă că eficienţa folosirii factorilor de producţie este
constantă. În cazul elasticităţii necomplementare deosebim două situaţii, şi anume: când  +  >
1, ceea ce înseamnă că sporirea producţiei este mai accentuată decât creşterea factorilor, ca
urmare a creşterii eficienţei folosirii factorilor, fapt caracteristic celor mai dinamice domenii de
activitate, şi când  +  < 1, ceea ce înseamnă că sporirea producţiei este mai mică decât
creşterea factorilor ca urmare a scăderii eficienţei folosirii factorilor de producţie.
Ipoteza că elasticitatea factorilor este complementară, adică Y = A · L · K , a apărut
iniţial ca fiind logică pentru că da o garanţie că factorii se pot substitui reciproc. Cu timpul s-a
acceptat însă tipul de funcţie cu coeficienţi de elasticitate necomplementari, care corespunde mai
bine realităţii economice şi evidenţiază evoluţia eficienţei utilizării factorilor de producţie.
Situaţia cea mai bună este atunci când creşterea producţiei este însoţită şi de creşterea gradului
de eficienţă a folosirii factorilor. În condiţiile reproducţiei de tip intensiv se impune ca sporul de
producţie să fie obţinut în cea mai mare parte pe seama creşterii eficienţei. Sub formă
generalizată, o funcţie de producţie de tip Cobb-Douglas se poate scrie astfel:
n
Y  A  x 11  x 2 2  ...  x n n  A   x ii ,
i 1
unde: - xi – factorii de producţie;
- i – coeficienţii de elasticitate corespunzători factorilor.
Aplicaţiile practice ale funcţiilor Cobb-Douglas au scos în evidenţă şi unele limite sau
insuficienţe ale acestora. Formele iniţiale au un caracter static. S-a urmărit dinamizarea funcţiilor
de producţie prin introducerea progresului tehnic în modelele lor, pentru că acesta a devenit un
factor esenţial al creşterii economice. Putem deosebi, în aceste condiţii, funcţii de producţie fără
progres tehnic şi funcţii de producţie cu progres tehnic. Funcţiile de producţie cu progres tehnic
pot fi, la rândul lor, cu coeficienţi de elasticitate complementari şi cu coeficienţi de elasticitate
necomplementari, de tipul  +  > 1. Numai teoretic se poate vorbi însă de funcţii de producţie
cu progres tehnic şi coeficienţi de elasticitate complementari pentru că, practic, raţiunea
introducerii progresului tehnic este tocmai creşterea eficienţei economice. Deci, prin
introducerea progresului tehnic creşterea producţiei trebuie să depăşească creşterea volumului
factorilor de producţie alocaţi şi consumaţi.
Influenţa progresului tehnic asupra creşterii economice este însă mult mai complexă şi nu
poate fi izolată de acţiunea celor doi factori de producţie şi de modificările cantitative şi
calitative ale resurselor materiale şi energetice.
Dinamizarea funcţiilor de producţie a fost concepută în mai multe modalităţi. De obicei,
progresul tehnic se consideră ca factor autonom şi se include în modelele funcţiilor de producţie
sub forma et, unde:
- e – baza logaritmilor naturali (e = 2,718...);
-  – rata progresului tehnic;
- t – valorile convenţionale ale variabilei timp.
Formele matematice ale funcţiilor de producţie cu progres tehnic sunt:
Y = A · L · K  · et şi
Y = A · L · K · et.
Progresul tehnic acţionează asupra volumului producţiei nu numai în mod autonom ci şi
prin resursele folosite, fiind încorporat în capitalul fix şi în tehnologiile de fabricaţie, mai ales în
cele nou puse în funcţiune, şi în forţa de muncă ce le deserveşte. S-a propus, astfel, o nouă formă
a funcţiilor de producţie, şi anume:
Yt  A  Lt    I1t ,
în care capitalul fix este corectat cu coeficientul , care arată contribuţia progresului tehnic
încorporat în acesta. Într-o asemenea abordare, înseamnă că nu avem progres tehnic fără
investiţii noi. Se consideră, în acelaşi timp, că elementele de capital fix sunt afectate de gradul de

30
vechime, exprimat cu ajutorul unui coeficient  astfel că producţia creată depinde de capitalul
fix după vechimea sa (considerăm trei grupe de vechime) şi de forţa de muncă ce îl deserveşte:
3
Yt   Ai  Li t  K  i1t  A1  L1t 1  K  11t1  A2  L2 t 2  K  21t 2  A3  L3t 3  K  31t3
i 1
Dificultatea rezolvărilor practice în ceastă idee constă în stabilirea forţei de muncă ce
deserveşte capitalul fix pe cele trei grupe de vechime.

C. Folosirea funcţiilor de producţie în elaborarea previziunilor.

Funcţiile de producţie sunt folosite în calculele previzionale pentru determinarea
volumului de producţie la nivel de economie naţională, ramură sau unitate economică. Nu există
o metodă care să permită alegerea directă a modelului funcţiilor de producţie considerat a fi cel
mai adecvat pentru elaborarea previziunilor într-un anumit domeniu. Se foloseşte de regulă
metoda statistică.
Etapa cea mai laborioasă a elaborării previziunilor cu ajutorul funcţiilor de producţie este
determinarea parametrilor acestora, respectiv parametrizarea lor. Este necesară existenţa unor
informaţii iniţiale privind evoluţia unor variabile pe perioada statistică, ceea ce presupune
realizarea unei analize retrospective asupra domeniului previzionat. Perioada statistică trebuie să
cuprindă un număr suficient de ani, de regulă minim 10, pentru a se putea desprinde tendinţele
principale în evoluţia producţiei şi a factorilor. Pentru estimarea parametrilor se iau în calcul şi
se prelucrează trei serii de date statistice: una pentru evoluţia volumului producţiei şi două pentru
evoluţia factorilor de producţie. Seriile statistice se construiesc, de obicei, în indici cu bază fixă.
Pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate. Modelul funcţiei de
producţie trebuie adus însă la o formă liniară, fapt care se realizează cu ajutorul logaritmilor. Se
construieşte sistemul de ecuaţii normale, prin rezolvarea căruia se calculează parametrii. Pentru
funcţiile de producţie fără progres tehnic se folosesc logaritmii cu baza 10, iar pentru cele cu
progres tehnic, logaritmii naturali. Formele liniare şi sistemele de ecuaţii normale pentru
diferitele modele ale funcţiilor de producţie se prezintă după cum urmează:
 Y = A · L · K1- cu parametrii de calcul A şi .
lgY = lgA + lgL + (1-)lgK = lgA + lgL + lgK - lgK
lgY - lgK = lgA + (lgL - lgK).
Notăm:
lgY - lgK = V
lgL – lgK = U
lgA = B.
Scriem: B + U = V.
Sistemul de ecuaţii normale are următoarea formă:
nB   U   V

B U   U   VU
2

Prin rezolvarea sistemului se determină cei doi parametrii.

 Y = A · L · K, cu parametrii de calcul A,  şi .
lgY = lgA + lgL + lgK
nlgA    lg L   lg K   lg Y

lgA  lgL    lg L    lg K  lg L   lg Y  lg L
2


lgA  lgK    lg L lg K   lg K    lg Y  lg K
2

 Y = A · L · K1- · et, cu parametrii de calcul A,  şi .

lnY = lnA + lnL + (1-)lnK + t = lnA + lnL + lnK - lnK + t
lnY – lnK = lnA + (lnL - lnK) + t.

31
 Notăm:
lgY - lgK = V
lgL – lgK = U
 U + t = V.
nlnA    U    t   V

lnA U    U    tU   VU
2


lnA t    tU    t   Vt
2

 Y = A · L · K · et, cu parametrii de calcul A,  şi .

lnY = lnA + lnL + lnK + t.
n ln A    ln L   ln K    t   ln Y

ln A  ln L    ln L    ln K  ln L    t ln L   ln Y  ln L
2


ln A  ln K    ln L ln K   ln K     t ln K   ln Y  ln K
2


ln A  t    t ln L   t ln K    t   t ln Y
2

După calculul parametrilor funcţiei de producţie se trece la scrierea explicită a acesteia,

adică la introducerea în model a mărimilor calculate ale parametrilor. Forma explicită serveşte la
ajustarea seriei de date statistice pentru variabila care se previzionează. Mărimile ajustate sunt
valori recalculate cu ajutorul parametrilor determinaţi statistic. Se obţine o nouă serie pentru
variabila care se previzionează, ai cărei termeni sunt notaţi cu Y’. Cu ajutorul celor două serii de
date pentru variabila care se previzionează (date empirice şi date ajustate) se calculează abaterea
medie pătratică procentuală după următoarea formulă:
2
Y Y ' 
  100 
  Y  .
n
Pentru ca funcţia de producţie aleasă să fie adecvată elaborării previziunii este necesar ca
abaterea medie pătratică procentuală să ia valori sub 3%.
Pentru previzionarea volumului producţiei la orizontul de timp stabilit se introduc, în
modelul funcţiei de producţie, valorile factorilor de producţie, previzionate cu ajutorul unor
metode şi tehnici specifice, pentru orizontul respectiv. Dacă se utilizează un model dinamic al
funcţiilor de producţie se ţine seama şi de valoarea care trebuie atribuită variabilei t (timpul) la
orizontul de previziune.

1.4.3. Modele de optimizare

Modelele de optimizare sunt modele economico-matematice care operează cu sisteme de

variabile supuse unor restricţii; prin folosirea acestora se urmăreşte obţinerea celei mai bune
soluţii din punct de vedere al funcţiei-obiectiv stabilită anticipat, respectiv maximizarea sau
minimizarea unui indicator care prezintă interes deosebit. În unele cazuri este necesară folosirea
mai multor funcţii-obiectiv supuse aceloraşi restricţii, funcţii care trebuie maximizate sau
minimizate simultan, în mod corelat. Utilizarea modelelor de optimizare în activitatea de
cercetare ştiinţifică presupune anticiparea în prealabil a nivelului variabilelor care reprezintă
restricţiile modelului şi apoi combinarea lor în aşa fel încât să se obţină soluţia extremală, de
maxim sau de minim, care constituie funcţia-obiectiv.
În această categorie de modele se înscriu cele de programare matematică, pentru că
surprind factorii de producţie, activităţile şi relaţiile economice, în condiţiile caracterului limitat
al resurselor, fapt care conduce la luarea în considerare a mai multor variante posibile, dintre

32
care una este optimă. Astfel, un sistem economic reprezentat prin mulţimea activităţilor {ai } şi
resurselor {Rj}, precum şi prin vectorii coeficienţilor de eficienţă {ci } şi intensităţii producţiei
{xi }, acesta din urmă fiind numit şi vectorul de stare al sistemului economic, poate fi reprezentat
printr-un model de programare matematică ce-şi propune optimizarea funcţiei intensităţii
producţiei, adică optim f(x), iar condiţiile nedepăşirii resurselor disponibile şi ale unor valori
strict pozitive pentru intensitatea producţiei. Prima relaţie constituie funcţia-obiectiv, iar cele
două condiţii, restricţiile funcţionale, respectiv cele directe, ale problemei.
După natura funcţiei-obiectiv şi a restricţiilor, modelul poate fi de programare liniară sau
neliniară, statică sau dinamică.
Modelul static este acela în care toate variabilele sunt determinate pe un interval de timp
sau la sfârşitul perioadei analizate. Acest tip de model nu cuprinde nemijlocit modificările şi nu
ia în considerare legităţile dezvoltării economice, aceasta constituind, concomitent, avantajul pe
care-l oferă simplitatea găsirii soluţiei, dar şi dezavantajul său – obţinerea unui rezultat
aproximativ. Modelul dinamic reproduce legităţile dezvoltării economice în timp; prin
intermediul său se stabileşte dependenţa funcţională dintre valorile necunoscute ale variabilelor
şi timp pe baza dezvoltării economice.
Un model de programare liniară presupune rezolvarea unei probleme de optimizare,
maximizare sau minimizare, a unei funcţii liniare de mai multe variabile, în condiţiile unor
restricţii liniare sub formă de egalităţi sau inegalităţi liniare. În forma sa generală, o problemă de
programare liniară se poate formula astfel: să se găsească valorile nenegative xj ( j  1, n ) care
maximizează sau minimizează funcţia-obiectiv de forma:
Z =  cj · xj  max sau min
Nenegativitatea valorilor căutate se scrie astfel: xj  0, în condiţiile următoarelor restricţii:
 aij  x j  bi , (i  1, m )

 aij  x j  bi , (i  m1  1, m1  1,..., m2 )

 aij  x j  bi , (i  m2  1, m2  1,..., m )
sau în aşa-zisa formă canonică la care pot fi aduse cele trei cazuri:
 cj · xj
 aij  x j  bi , ( j  1, n) ,
în care: - bi – cantitatea de resurse de tipodimensiunea i;
- aij – norma de consum din resursa i pe unitatea de produs j;
- xj – cantitatea de produse j;
- n – numărul tipodimensiunilor de produse j;
- cj – profit sau beneficiu unitar în cazul problemelor de maximizare, respectiv
cheltuieli unitare în cazul problemelor de maximizare.
Numerotarea resurselor este împărţită în trei părţi: de la 1 la m1+1, de la m1+1 la m2 şi de
la m2+1 la m, în funcţie de restricţiile care se pun în cuantumul resurselor  în primul caz “nu
mai mult”, în al doilea caz “atât cât”, în al treilea ca “nu mai puţin”. Denumirea de programare se
explică prin aceea că variabilele necunoscute, care se determină în procesul rezolvării modelului,
de regulă, în totalitatea lor, constituie programul sau planul activităţii unui sistem economic.
Denumirea de liniară reflectă dependenţa liniară dintre variabile. Variabilele care satisfac
restricţiile se numesc soluţie admisă. Soluţia admisă, care optimizează funcţia-obiectiv, se
numeşte optimă. În cazul modelelor de programare neliniară, fie restricţiile, fie funcţia-obiectiv,
fie şi una şi alta, sunt neliniare, iar obiectivul este de maximizare a funcţiei:
F(X ) = F(x1 , x2 ,..., xn ,),
în care: f(xi ) > 0; i  (1, m) ; X > 0, unde f(X) sau fi (X) sunt funcţii neliniare de n
variabile. În asemenea probleme, rezultatele cresc sau descresc neproporţional cu modificarea

33
dimensiunii folosirii resurselor, ca urmare a împărţirii cheltuielilor în variabile şi convenţional-
constante, a saturării pieţei cu mărfuri.
Forma concretă a modelului condiţionează metoda prin care se obţine soluţia optimă a
problemei, adică forma funcţiei-obiectiv şi natura parametrilor şi restricţiilor. Natura
parametrilor poate fi certă sau incertă. Pentru problema generală de optim soluţia este un vector
care maximizează sau minimizează funcţia-obiectiv şi, în acelaşi timp, satisface restricţiile
funcţionale şi cele directe. Problema de programare liniară este un caz particular al problemei
generale de optim. Modelele de programare liniară sunt însă larg utilizate în modelarea macro şi
microeconomică. Prin includerea sa în teoria economică, programarea liniară a adus contribuţii
importante la dezvoltarea analizei economice şi la fundamentarea ştiinţifică a deciziei. În acest
sens, trebuie menţionată teoria dualităţii, care pune în concordanţă problema primală cu o altă
problemă de programare liniară numită duală. Construirea problemei duale presupune ataşarea
unei noi variabile pentru fiecare restricţie şi utilizarea unor reguli de trecere de la problema
primală la cea duală.4 Dacă problema primală este de maxim, duala sa este de minim, iar
matricea coeficienţilor tehnici din duală va fi inversa corespunzătoare din primală; restricţiile de
nenegativitate impuse variabilelor din primală implică restricţii concordante în duală. Variabilele
problemei duale arată cu cât se modifică funcţia-obiectiv la o anumită relaxare a unei restricţii, în
ipoteza că toate celelalte restricţii rămân nemodificate; relaxarea înseamnă creşterea la restricţiile
de tipul  şi scăderea la cele de tipul . Variabilele problemei duale au semnificaţia de preţuri ale
resurselor sau ale caracteristicilor de calitate; de aceea, în literatura de specialitate au fost
denumite preţuri umbră ale resurselor sau evaluări obiectiv determinate.
Cele două programe optimale, respectiv cel primal şi cel dual, asigură maximizarea
veniturilor şi minimizarea cheltuielilor sau consumurilor de resurse. Din analiza simultană a
celor două probleme se poate desprinde concluzia că preţurile umbră aduc informaţii
suplimentare asupra eficienţei economice a folosirii resurselor şi asupra altor indicatori
economici sau tehnici care apar în restricţiile unei probleme de programare liniară. Pe baza lor se
pot formula deciziile privind alocarea optimă a resurselor, se pot stabili măsuri pentru stimularea
consumului raţional al acestora, se determină cât mai corect nivelul maxim sau minim al unor
indicatori tehnici şi economici de care depinde structura optimă a programelor de producţie.
În ceea ce priveşte utilizarea la nivel macroeconomic a modelelor de programare
matematică liniară apar o serie de probleme generate de complexitatea deosebită a sistemului
economic naţional, de caracterul său dinamic şi cibernetic, de caracterul aleator şi incert al
multor variabile şi parametrii ai modelului, de dificultatea abordării aspectelor de neliniaritate şi
multicriterialitate, de insuficienţa informaţiilor etc. De aceea, soluţiile obţinute prin rezolvare
unor probleme de programare liniară, oricât de mari ar fi acestea, trebuie considerate ca având
doar valoare informativă pentru analiza economică, pentru previziune – prognoze, planuri,
programe.
Limitele amintite ale modelelor de programare matematică liniară pot fi depăşite prin
identificarea formei analitice a funcţiilor şi restricţiilor ce compun modelul şi prin surprinderea
aspectelor de neliniaritate; acest lucru este posibil prin folosirea programării stohastice, a
programării flexibile şi a programării multicriteriale.
Programarea stohastică se ocupă cu teoria şi metodele de rezolvare a problemelor de
conducere, organizare, programare şi planificare cu extrem condiţionat, în condiţiile când nu se
dispune de o informaţie completă, în condiţii de incertitudine sau risc, când fie parametrii
restricţiilor, fie parametrii funcţiei-obiectiv, fie şi unii şi alţii sunt variabile aleatoare; cu alte
cuvinte, când problemele ce trebuie optimizate au caracter probabilistic. Cele mai tipice modele
de programare stohastică sunt:
min F0(x)

4
Vezi Gh. Boldur ş.a. – Cercetarea operaţională cu aplicaţii în economie, E.D.P., Bucureşti, 1979.

34
 F’(x)  0, i = 1,2,...,m,
în care: - F0(x) = Mf 0 0 – reprezintă speranţa matematică a funcţiei-obiectiv;
- Fi (x) – reprezintă speranţa matematică a funcţiei f i(x,);
sau:
min G0(x)
Gi(x)  0, i = 1,2,...,m,
în care: - F 0 = P{ f 0(x,  a }, iar Gi(x) = P{ f i(x,  0 - pi }, i  (1, m) , x  X, iar pi –
anumite numere, 0  pi  1.
Cu ajutorul programării stohastice se pot rezolva în mod deosebit probleme de depozitare
şi gestiune a stocurilor şi probleme de planificare strategică, pe termen lung. Modelele
economico-matematice stohastice descriu, deci, procese aleatoare care se desfăşoară pe baza
legilor teoriei probabilităţii şi în care datele iniţiale şi rezultatul obiectiv se exprimă sub forma
unei funcţii statistice de distribuţie a acestor mărimi şi nu prin mărimi deterministe. Procesul
studiat este privit în mod convenţional ca determinist şi cu ajutorul modelului se operează din
punct de vedere determinist, în model intrând însă elemente de evaluare a probabilităţii obţinerii
rezultatului. Din această categorie fac parte modelele bazate pe principiile egalizării seriilor
statistice, care dau caracteristica de ordin cantitativ a fenomenelor a căror mărime variază în
anumite limite şi se distribuie în cadrul acestora într-un anumit mod logic, precum şi modelele cu
ajutorul cărora se analizează legităţile empirice care nu se exprimă strict prin legături
funcţionale. Trăsătura distinctivă a modelelor respective este aceea că variabila dependentă este
totdeauna media şi nu o anumită caracteristică a factorilor care o influenţează.5
Modelul de programare flexibilă este o problemă de programare liniară care operează cu
mulţimi vagi (fuzzy), cărora le este caracteristic faptul că apartenenţa variabilelor la o anumită
clasă de valori sau la un anumit domeniu nu este definită cu precizie.
Programarea multicriterială urmăreşte obţinerea unei soluţii X care să satisfacă simultan
mai multe funcţii-obiectiv.
Pentru depăşirea unor dificultăţi generate de dimensiunea sistemului economico-social
naţional, acesta este descompus în blocuri, iar pentru obţinerea soluţiei optime se folosesc
metode adecvate fiecărui bloc în parte. Metoda are la bază faptul că economia naţională este
structurată organizatoric pe componente, care se pot prezenta cu ajutorul unor modele de
programare matematică, iar pentru a se ajunge la soluţia optimă se foloseşte tehnica reoptimizării
prin îmbunătăţirea succesivă a optimelor parţiale.
Fiecare dintre modelele prezentate tratează numai anumite aspecte ale dezvoltării
economiei naţionale, furnizează numai informaţii parţiale. Pentru a surprinde o gamă cât mai
largă de aspecte ale dezvoltării este necesară elaborarea şi rezolvarea unui sistem integrat de
modele, care să înglobeze atât probleme strategice şi tactice cât şi aspecte privind agregarea şi
dezagregarea componentelor şi care oferă, totodată, posibilitatea verificării soluţiilor prin
compararea variantelor.
Abordarea unitară a neliniarităţii, a dinamicităţii şi autoreglării este posibilă prin
optimizarea comportamentului sistemelor dinamice complexe cu ajutorul unor metode ale
ciberneticii economice. Funcţionarea sistemului poate fi caracterizată cu ajutorul vectorului de
stare care sintetizează mulţimea indicatorilor sau parametrilor care descriu starea sistemului.
O importanţă deosebită au raporturile dintre sistemul economic şi mediu, raporturi care se
derulează atât dinspre mediu către sistem cât şi în sens invers. În raport cu capacitatea de control
a subiectului şi de dirijare a opţiunilor sale, acţiunea mediului asupra sistemului se manifestă prin
variabilele de intrare, care pot fi variabile de comandă şi variabile necontrolabile, cu efecte
perturbatoare, care, de regulă, sunt variabile stohastice. Acţiunea sistemului economic asupra
mediului se manifestă prin variabilele de ieşire. Cibernetica economică a formulat postulatul care

5
Vezi Dicţionar de conducere şi organizare, E.P., Bucureşti, 1985, p. 488, 653-654.

35
fundamentează comportamentul dinamic al unui sistem cibernetico-economic în felul următor:
starea sistemului la un moment dat depinde de nivelul stărilor din perioada precedentă, de
comenzile primite şi de influenţele perturbatoare asupra sistemului. Notând cu X starea
sistemului, cu u variabilele de comandă şi cu Z influenţele perturbatoare, se poate scrie ecuaţia
de dinamică a sistemului:
xt 1  f ( xt , xt 1,..., xt 1 ;ut ,ut 1,..., ut  2 ; Zt , Zt 1,..., Zt  3 ; t ) ,
ecuaţie prin care se modelează comportamentul discret al acestuia, adică la momente întregi ale
axei timpului. În majoritatea modelelor cibernetice, lungimea intervalului este egală cu unitatea
de timp, adică starea sistemului la un moment dat depinde numai de starea sa şi de nivelul
perturbaţiilor din momentul precedent, adică:
xt 1  f ( xt ,ut , Zt , t ) .
Există însă şi cazuri de modele cibernetico-economice cu variabile retardate (lag-uri) ca,
de exemplu, modelele de investiţii sau modele ale cererii, deosebit de importante pentru
fundamentarea strategiilor de dezvoltare economică.
Dinamica sistemului economic poate fi reprezentată însă şi în ipoteza timpului continuu,
caz în care ecuaţia de dinamică pune în dependenţă variaţia nivelului stării sistemului de nivelul
stării şi perturbaţiile de mediu:
xt*1  f [ x(t ),u(t ),Z(t ),t ] ,
unde: - xt*1 - vectorul derivatelor de ordinul 1 n raport cu timpul al variabilelor de
stare;
- f – funcţie vectorială cu n componente, corespunzătoare ecuaţiei de dinamică a
variabilei de stare.
În descrierea evoluţiei sistemului dinamic trebuie să se precizeze condiţiile iniţiale
privind nivelul de dezvoltare atins în momentul iniţial, prin specificarea stării iniţiale de-a lungul
perioadei de retardare a mărimii variabilelor de intrare (de comandă) şi a intensităţii acţiunilor
perturbatorii, sau prin specificarea suprafeţelor de lansare atunci când nu se poate preciza cu
exactitate al variabilelor de stare; această situaţie apare, de regulă, când orizontul iniţial nu este
situat încă în orizontul statistic, adică este un punct viitor pe axa timpului faţă de momentul
curent al proiectării modelului cibernetico-economic. Asemenea probleme sunt frecvente în
previzionarea economică, pentru că lucrările de fundamentare a previziunilor, încep, de obicei,
înainte cu o perioadă egală aproximativ cu jumătatea perioadei la care se referă fiecare
previziune.
În cazul previziunilor normative este necesară fundamentarea nivelului indicatorilor care
reprezintă condiţiile finale, fie prin precizarea zonei din spaţiul economic în care trebuie să
ajungă sistemul economic în evoluţia sa, numită suprafaţă ţintă, fie prin specificarea nivelului ce
trebuie atins de indicatorii care constituie vectorul variabilelor de stare.
De menţionat este faptul că momentul final al orizontului de previziune poate fi
prestabilit sau poate fi liber, în sensul că urmează să se stabilească în raport cu condiţiile
necesare de optim; de asemenea, se impune observaţia că atât pentru suprafaţa de lansare cât şi
pentru suprafaţa ţintă se pot da reprezentări parametrice.
Traiectoria sistemului se situează în mod necesar, în fiecare moment, într-o zonă de
creştere economică delimitată de restricţiile care se impun în mod obiectiv prin mecanismul de
funcţionare a sistemului asupra nivelului variabilelor de stare şi de comandă; aceste restricţii pot
fi de tip momentan sau global şi cuantifică relaţiile dintre necesarul şi disponibilul de resurse,
condiţiile realizării indicatorilor proiectaţi şi ale funcţionării eficiente a sistemului în fiecare
moment sau pe întregul orizont de previziune.
Din analiza restricţiilor ataşate modelului de optimizare se desprinde concluzia că cele cu
semnul “=” sunt restricţii de contur sau de frontieră, iar cele cu semnul ”” sau “” se realizează
atât pe frontiera domeniului admisibil al variaţiei variabilelor de stare cât şi în interiorul acestora.

36
 Trebuie remarcat şi faptul că în structura unui model de optimizare intră şi criteriul de
optim dinamic, alături de ecuaţia vectorială, de dinamica, de restricţiile ce definesc zona de
creştere economică sau de evoluţie a sistemului, de condiţiile iniţiale şi finale; prin acest criteriu
se măsoară eficienţa funcţionării sistemului pe orizontul de previziune. Acesta este definit prin
maximizarea sau minimizarea funcţiei:
T 1
Y   L 0 ( x t , x t 1 ,..., x t 1 ; u t , u t 1 ,..., u t 2 ; Z t , Z t 1 ,..., Z t 3 ; t )  g 0 (X T )
t t 0

unde: - L0 – măsoară eficienţa sau performanţa momentană pentru fiecare t  [t0, T-1], de-a
lungul traiectoriei de evoluţie, în funcţie de deciziile luate în momentul t şi de
deciziile anterioare pe perioada [t-2, t], ţinând cont de intensitatea acţiunii
perturbaţiilor asupra sistemului pe perioada de manifestare a lor [t-3, t];
- g0(XT) – această componentă surprinde condiţia realizării unei anumite stări finale,
adică evaluează importanţa sau utilitatea atingerii stării finale (XT), fie punctual fie
într-un anumit domeniu definit prin funcţia g0(X) în raport cu aprecierea globală a
funcţionării eficiente a sistemului economic modelat.6
Când evoluţia sistemului este analizată în timp continuu, criteriul de optim este de tip
integrală:
max(min) y : 0 L 0 (X T , u t , Z t , t )dt  g 0 (X T )
T

Alegerea unui singur criteriu pentru exprimarea performanţei sau a eficienţei funcţionării
sistemului economic modelat poate fi insuficientă: în ultimul timp se manifestă tendinţa
acceptării mai multor criterii de optim, a formulării mai multor funcţii-obiectiv, prin care se
evidenţiază mai adecvat laturile multiple ale eficienţei economice. Se obţin astfel modele
multicriteriale de eficienţă optimală.
Conducerea optimală a unui sistem economico-cibernetic vizează o serie de obiective,
dintre care cele mai importante considerăm că sunt următoarele: a) fundamentarea condiţiilor în
care are loc reglarea dinamică optimală – de accesibilitate, dirijabilitate şi observabilitate; b)
determinarea nivelului optim al comenzilor şi a traiectoriei optime de evoluţie a sistemului; c)
utilizarea rezultatelor şi fundamentarea criteriilor de reglare statistică, adică pe termen scurt, a
sistemului studiat şi a subsistemelor sale componente.
Pornind de la elementele prezentate, respectiv de la componentele structurale ale unui
model de optimizare, se poate conchide că o problemă de conducere optimală poate fi formulată
astfel: pentru sistemul economic caracterizat prin ecuaţia de dinamică se cere să se determine
mărimile de comandă, care să conducă sistemul din starea iniţială, precizată prin condiţiile
iniţiale, în starea finală, de-a lungul zonei de creştere economică, astfel încât să se realizeze
maximizarea sau minimizarea indicatorului de performanţă. În mod asemănător se formulează
problema şi în cazul sistemelor economice cu comportament continuu.

1.4.4. Modele de simulare

Simularea este o metodă folosită pentru modelarea sistemelor economice, care constă în
imitarea sau reproducerea, cu ajutorul unor modele economico-matematice, a comportamentelor
sistemelor economice, pentru aprofundarea cunoaşterii funcţionării lor, şi, pe această bază,
pentru fundamentarea deciziei de conducere. Simularea nu se reduce, în fapt, la o singură
metodă, ci implică un ansamblu de metode, instrumente şi procese utilizate pentru reproducerea

6
Problemele de conducere optimală sunt clasificate, în literatura de specialitate, după forma criteriului de optim
dinamic, în trei categorii, astfel: a) probleme de conducere optimală de tip Lagrange, când g0(XT)  0; b) probleme
de conducere optimală de tip Mayer, când L0  0 şi c) probleme de conducere optimală de tip Bolza, când g0(XT)  0
şi L0  0.

37
şi modelarea sistemelor economice în vederea conducerii lor eficiente. Folosirea simulării în
cercetarea ştiinţifică presupune parcurgerea mai multor etape, dintre care amintim:
a) identificarea principalilor factori economici, tehnici, legislativi, social-politici etc.
implicaţi în domeniul respectiv şi a relaţiilor dintre aceştia;
b) stabilirea modelelor matematice ce caracterizează sistemele supuse simulării;
c) elaborarea programelor pentru calculatorul electronic;
d) simularea decizională propriu-zisă pentru luarea deciziilor. Această ultimă etapă
reprezintă interes deosebit pentru sistemul conducător, dar trebuie precizat faptul că eficacitatea
sa este condiţionată decisiv de calitatea analizei economice pe care se bazează elaborarea
modelelor şi a programelor pentru calculator.
Pentru a identifica cea mai raţională decizie se procedează în felul următor:
- pe baza analizei factorilor implicaţi se formulează o decizie sau un set de decizii ce se
introduc în calculator;
- în cazul simulării dinamice, procesul se repetă corespunzător numărului de perioade
simulate;
- în final, se alege decizia sau setul de decizii care s-a concretizat în rezultate cât mai
apropiate de cele proiectate.
Simularea este singura tehnică generală acceptată, în ultimele decenii, de managerii şi
analiştii din economie ca instrument de fundamentare a deciziilor; aceasta este facilitată de faptul
că problemele care apar în conducerea sistemelor economice sunt de cele mai multe ori slab
structurate sau chiar nestructurate. În unele cazuri este posibil ca, adoptându-se o decizie prin
care se urmăreşte obţinerea unui anumit efect, să rezulte exact contrariul, adică aşa-numitele
efecte perverse. Este vorba de acele situaţii în care modelele matematice validate pentru alte
domenii să fie nesatisfăcătoare şi insuficient convingătoare pentru manageri, mai ales de cei care
conduc sisteme economice ale căror procese tehnologice sunt expuse perturbaţiilor mediului.
Cuvântul simulare provine de la latinescul simulatio, care înseamnă imitare. Într-o definiţie
foarte generală s-ar putea spune că a simula înseamnă a ajunge la esenţă fără realitate.
Cunoaşterea realităţii fără a fi necesară desfăşurarea reală a fenomenelor permite atât reducerea
timpului necesar efectuării unor studii laborioase cât şi evitarea unor mari cheltuieli. Metoda care
oferă posibilitatea evitării studiului sistemului real constă în înlocuirea acestuia cu un sistem
analog, a cărui funcţionare este cunoscută sau care poate fi cunoscută cu eforturi reduse. Această
metodă este cunoscută sub denumirea de metoda analogiei. Ideea analogiei poate să apară pe
două căi: experimental, prin observaţii, măsurători, calcule etc., şi euristic, pe baza intuiţiei.
Funcţionarea unui sistem euristic poate fi analoagă cu cea a unui sistem de natură mecanică,
hidraulică, biologică etc. sau cu un proces de calcul numeric sau cu o combinaţie între acestea.
Simularea poate fi, deci, analogică, numerică sau hibridă.
Simularea analogică este o tehnică bazată pe imaginea şi construirea unor sisteme sau
dispozitive ale căror legi de funcţionare sunt aceleaşi sau aproximativ aceleaşi cu legile care
generează funcţionarea sistemului studiat. Legile de funcţionare ale acestor dispozitive pot
aparţine diferitelor domenii ale ştiinţei: fizică, biologie, chimie etc. Dacă aceste legi sunt similare
cu cele ale unui anumit comportament din economie se spune că s-a realizat un simulator
analogic.
Simularea numerică se bazează tot pe principiul analogiei, anume al analogiilor de calcul.
Simularea numerică prezintă următoarele avantaje:
a) precizie mai mare faţă de simularea analogică;
b) viteză ridicată a operaţiunilor de pregătire şi de rulare;
c) universalitatea problemelor ce pot fi abordate, adică din oricare domeniu ce poate fi
descris formal;
d) poate prelua direct informaţii din baza de date, iar rezultatele pot fi transmise direct în
baza de date.

38
 Dintre dezavantajele simulării numerice enumerăm:
a) consumarea unui volum mare de muncă pentru programarea algoritmilor de simulare;
b) cost relativ mare în cazul unor evoluţii dinamice;
c) necesitatea unui număr mare de cicluri de simulare când se urmăreşte o precizie mai
bună;
d) informaţiile obţinute în urma simulării numerice nu aduc întotdeauna o contribuţie
substanţială la fundamentarea deciziilor economice.
Simularea numerică este de tip Joc şi de tip Monte Carlo.
Simularea de tip Joc constă în ataşarea la un sistem economic a unui model astfel conceput
încât să descrie dependenţele legice, de tip determinist, probabilist sau fuzzy, dintre variabilele şi
parametrii sistemului. Variabilele se schimbă chiar în cadrul aceluiaşi ciclu de simulare.
Parametrii rămân constanţi la acelaşi ciclu de simulare, dar se schimbă la cicluri de simulare
distincte. Etapele simulării numerice sunt următoarele:
a) stabilirea componentelor sau elementelor sistemului economic, în funcţie de nivelul
la care se efectuează analiza; dacă analiza se referă la nivel tactic-operativ, componentele trebuie
studiate analitic, dezagregat, iar dacă se referă la nivel strategic, sunt studiate la nivel mai
sintetic, agregat;
b) stabilirea variabilelor şi parametrilor sistemului – în sistemele economice intervin
următoarele tipuri de variabile: b1) variabile de intrare, care reprezintă mărimi exogene
controlabile (comandă); b2) variabile perturbatoare, care reprezintă starea unei componente a
sistemului; b3) variabila de ieşire, care este o variabilă endogenă. Variabilele se schimbă atât în
cadrul ciclului de simulare, cât şi de la o variantă la alta. Parametrii se schimbă de la o variantă la
alta, dar rămân constanţi în cadrul ciclurilor de simulare care se referă la aceeaşi variantă. Studiul
de simulare se referă la analiza efectului a p parametrii asupra comportării sistemului economic
în dinamică. Pentru fiecare parametru de rang i, care prezintă interes deosebit din punct de
vedere fenomenologic, se aleg numai ni valori distincte. Numărul de variante de simulare
necesare (Nv) este egal cu ni ( i  1, p ). Dacă ni este mare, durata de calcul a programului de
simulare devine prohibitivă. De aceea, este necesară gruparea parametrilor după importanţă şi
alegerea numărului de valori ni după următoarele reguli: a) în cazul parametrilor de importanţă
maximă se consideră toate sau aproape toate valorile; b) în cazul parametrilor de importanţă
medie, se consideră numai trei valori – maximă, mediană sau cea mai probabilă, dacă aceasta
este mai relevantă, şi minimă; c) în cazul parametrilor de importanţă relativ redusă, se poate
considera numai o singură valoare caracteristică – mediană sau cea mai probabilă, după caz;
c) stabilirea evenimentelor care apar în sistemul considerat şi a relaţiilor dintre
acestea – evenimentul reprezintă modificarea a cel puţin unui parametru prin care se descrie
starea unui sistem sau a mai multor parametrii care descriu stările componentelor sistemului.
Evoluţia stării sistemului este formată dintr-o succesiune finită de elemente. Succesiunea
cronologică a parametrilor componentelor sistemului economic reprezintă o istorie a stărilor.
Evenimentele pot fi clasificate după mai multe criterii şi anume: a) după natura lor –
evenimente sistem, care reprezintă evenimente ale sistemului economic (de exemplu, intrări sau
consumuri de materiale), şi evenimente program, care sunt asociate programului de simulare
(imprimarea parametrilor de stare la diferite momente, încheierea calculelor dacă un anumit test
a fost satisfăcut); b) după natura condiţionărilor sau legăturilor dintre evenimente –
evenimente noncontigente, când producerea lor nu are legătură cu producerea unor evenimente
din sistem, şi evenimente contigente, când apariţia sau neapariţia lor este condiţionată de
producerea altor evenimente, stimulatoare sau inhibatoare; c) după caracterul prelucrării
asociate apariţiei evenimentului – evenimente care nu necesită decizii şi evenimente cu decizii,
care se subîmpart, la rândul lor, în evenimente strict solidare, în cazul când se adoptă decizii
deterministe, evenimente parţial solidare şi evenimente divergente (incompatibile sau parţial
incompatibile); d) după posibilităţile de prevedere – evenimente previzibile, a căror apariţie

39
decurge conform unor planuri stabilite, şi evenimente perturbatoare, a căror apariţie nu poate fi
stabilită anticipat; e) după modificarea parametrilor de stare – evenimente cu acţiune
imediată şi evenimente cu acţiune întârziată; f) după importanţa efectelor asupra sistemului
economic – evenimente cheie, adică de importanţă majoră, care condiţionează un număr mare de
alte evenimente, şi evenimente secundare, adică mai puţin importante, care sunt condiţionate de
o submulţime a evenimentelor cheie;
d) stabilirea valorilor iniţiale ale parametrilor de stare ai principalelor componente
ale sistemului economic – pentru momentul iniţial t0 de la care începe simularea sistemului
economic este necesar să se stabilească vectorul de stare S0 al parametrilor principalelor
componente. Cu cât va fi mai mare perioada de timp în care S0 va influenţa rezultatele cu atât
este necesară o precizie mai mare la efectuarea măsurătorilor iniţiale;
e) culegerea datelor necesare stabilirii repartiţiei principalelor variabile ale
procesului economic şi aplicarea testelor de verificare a ipotezelor statistice – majoritatea
variabilelor care intervin în sistemul economic sunt aleatoare. Convenţional se consideră, însă, că
dacă dispersia datelor statistice nu depăşeşte anumite limite admisibile, variabila analizată este
deterministă, adică are o singură valoare, de regulă valoarea medie. În caz contrar, variabila
analizată are un pronunţat caracter aleator, ceea ce implică un plus de investigaţii. Mai întâi se
emite o ipoteză asupra tipului repartiţiei, căutându-se a se încadra în legile teoriei uzuale, ca de
exemplu: pentru variabilele discrete – repartiţia binomială, Pascal, hipergeometrică etc., iar
pentru variabilele continue – repartiţia normală, exponenţială, gama, beta etc. Se verifică ipoteza
cu ajutorul testelor de semnificaţie (2, Kolmogorov etc.). Dacă testul nu este satisfăcut, se
încearcă un nou tip de repartiţie, până se validează una din legile de repartiţie cunoscute;
f) culegerea datelor necesare stabilirii unor corelaţii între variabile şi evaluarea
consecinţelor apariţiei unor evenimente asupra stării componentelor sistemului economic –
majoritatea relaţiilor dintre variabilele care descriu funcţionarea sistemului economic sunt de
natură stohastică. Datorită, însă, erorilor de măsurare, chiar şi relaţiile deterministe pot avea
caracter stohastic. De aceea, este necesar să se analizeze gradul de dependenţă dintre principalele
variabile ale sistemului economic;
g) stabilirea limitelor admisibile ale variabilelor, parametrilor de stare, toleranţelor şi
probabilităţilor de neapartenenţă la un interval stabilit de manageri - totuşi, ţinând seama
de caracterul imprecis al unor informaţii, de perturbaţii, şi, în general, de flexibilitatea proceselor
economice, se poate admite o anumită depăşire a limitelor minimă şi maximă în cadrul unor
toleranţe acceptate de manageri. Acestea se stabilesc fie în cadrul unor şedinţe de Brainstorming
fie prin asimilarea unor limite cunoscute din experienţa managerială. Depăşirea limitelor minimă
şi maximă în cadrul toleranţelor admise se face de cele mai multe ori în sens probabilistic;
h) stabilirea strategiilor posibile de acţiune şi a consecinţelor imediate ale aplicării
acestora – strategiile reprezintă regulile de construire a diverselor structuri de variante privind
evoluţia parametrilor de stare ai sistemului economic. După momentul când sunt aplicate,
strategiile pot fi preventive, care se aplică înaintea apariţiei evenimentului perturbator, şi de
aşteptare, care se aplică după manifestarea evenimentului perturbator; după gradul de
cunoaştere a efectelor, strategiile pot fi experimentale, al căror scop este tatonarea efectelor
imediate, dar, mai ales, pe termen lung a unor măsuri pe care vor să le promoveze managerii,
care urmăresc fie consolidarea performanţelor sistemului (strategii de consolidare a
performanţelor), fie modificarea parametrilor de stare care nu se situează în limitele admisibile
stabilite (strategii de modificare a parametrilor de stare) şi strategii definitive, a căror eficienţă a
fost validată teoretic şi practic; după modul de condiţionare de comportamentul unor sisteme
din exterior, strategiile pot fi: condiţionate de răspunsurile unor sisteme externe şi
necondiţionate de răspunsurile unor sisteme externe. Pentru fiecare strategie trebuie stabilite
consecinţele aplicării: consecinţele directe pot fi costurile pentru implementarea strategiei şi
efectele directe, favorabile şi nefavorabile, iar consecinţele pe termen lung pot fi costurile

40
efective, ţinând seama de condiţiile intervenite ulterior, efectele indirecte, generate în lanţ,
precum şi perturbaţiile apărute ulterior implementării strategiei analizate.
i) stabilirea funcţiilor-obiectiv ale sistemului economic – sistemul economic este astfel
condus încât să se realizeze simultan mai multe obiective, cuantificate cu ajutorul unor funcţii de
performanţă, numite şi funcţii de eficienţă sau funcţii-obiectiv. Funcţiile-obiectiv se referă la
diferiţi indicatori tehnico-economici, ca: produsul intern sau naţional brut şi net, productivitatea
muncii, consumul de energie, volumul capitalului fix, gradul de înzestrare tehnică a muncii,
consumul alimentar pe cap de locuitor, profitul, valoarea adăugată brută şi netă etc.;
j) stabilirea numărului de cicluri de simulare – pe baza experienţei acumulate se
stabileşte un număr iniţial de cicluri de simulare. În unele cazuri, acest număr este determinat de
orizontul de timp avut în vedere pentru simularea proiectată. Dacă după parcurgerea numărului
iniţial de cicluri nu se realizează condiţia de precizie, adică eroarea absolută depăşeşte eroarea
admisibilă, atunci numărul ciclurilor este mărit în cadrul programului de simulare proiectat.
Numărul ciclurilor se poate mări fie prin mărirea orizontului de timp, fie prin reluarea repetată a
ciclurilor în cazul orizontului ales;
k) elaborarea programului de simulare şi rularea acestuia – programul de simulare se
elaborează fie cu ajutorul unor limbaje universale, fie cu ajutorul unor limbaje speciale de
simulare. Tendinţa actuală este de elaborare a programului de simulare în sistem conversaţional.

Simularea de tip Monte Carlo, denumită şi Las Vegas în SUA, constă în a rezolva
probleme deterministe prin generarea unor procese aleatoare. În aplicaţiile economice se
studiază, de cele mai multe ori, un proces aleator, şi, în mod convenţional, rezultatul este
considerat determinist. În cazul unor probleme de decizie de mare importanţă, caracteristice
conducerii macroeconomice, este preferabilă utilizarea unor rezultate probabiliste. Aceasta este
una dintre metodele cele mai generale de analiză a fenomenelor în care intervine un număr mare
de variabile şi parametri, factori perturbatori, relaţii complexe între componente şi o anumită
evoluţie în timp. Fenomenele macroeconomice circumscriu toate aceste caracteristici. Ca atare,
metoda este deosebit de utilă în studierea lor.
Pentru rezolvarea unei probleme economice cu ajutorul acestei metode este necesar, în
primul rând, ca problemei respective să i se asocieze un proces stohastic de calcul, proces care
constă în efectuarea unor calcule, pe baza unor relaţii logice, în raport cu valorile unor variabile
aleatoare, adică generate întâmplător. Pentru ca rezultatele să fie plauzibile este necesar ca
procesul asociat să prezinte analogii de calcul cu problema economică. Aceasta înseamnă că
operaţiile aritmetice şi logice corespunzătoare variabilelor aleatoare se efectuează conform unor
relaţii, repetate de un număr de ori suficient de mare, reflectă principalele aspecte care
interesează în problema economică. Rezultatele se obţin sub forma unor şiruri statistice ale căror
elemente aproximează, pe baza legii numerelor mari, rezultatul problemei.
Se poate spune, în concluzie, că modelarea bazată pe simulare este folosită pentru
studierea fenomenelor economice complexe greu sau imposibil de abordat în mod direct,
nemijlocit; acesta, pentru că prin construirea unor structuri matematice analogice fenomenelor
studiate este posibilă testarea unui număr mare de variabile prin modificarea unor parametri
opţionali, de decizie până se obţine soluţia cea mai plauzibilă sau convenabilă. Metoda se
bazează, deci, pe valorificarea unor variabile de intrare şi pe proiectarea în mai multe variante a
unor parametri opţionali şi a unor factori aleatori, astfel încât prin combinarea lor rezultă serii de
ecuaţii în lanţ cu ajutorul cărora se dimensionează variabilele de ieşire.

Notă
Material extras din Metodologia cercetării ştiinţifice economice, Autori: C. Popescu, Gh.
Răboacă, D. Ciucur, D. Iovan, Editura ASE, Bucureşti, 2006

41