2 МЕТОДЫ НАУЧНО-ТЕХНИЧЕСКОГО ПРОГНОЗИРОВАНИЯ

2.1 Классификация методов прогнозирования

Прежде всего приведем определение метода прогнозирования как способа теоретического и практического действия, направлен­ного .на разработку прогнозов. Это определение является доста­точно общим и позволяет понимать термин «метод прогнозирова­ния» весьма широко: от простейших экстраполяционных расчетов до сложных процедур многошаговых экспертных опросов.

Для изучения методического аппарата прогностики целесооб­разно с самого начала детализировать это широкое понятие. Далее будем различать простые методы прогнозирования и комплексные методы прогнозирования. При этом под простым методом прогнозирования будем понимать метод, неразложимый на еще более простые методы прогнозиро­вания, и соответственно под комплексным - метод, состоящий из взаимосвязанной совокупности нескольких простых.

В настоящее время наряду со значительным числом опубли­кованных методов прогнозирования известны многочисленные способы их классификации. Тем не менее считать этот вопрос удовлетворительно решенным нельзя, так как единой, полезной и полной классификации сейчас еще не создано. Вероятно, про­гностика, как молодая наука, еще не достигла такого уровня раз­вития, когда возможно создание классификации, удовлетворяю­щей всем этим требованиям. Итак, каковы же цели классификации методов прогностики? Можно указать две такие основные цели. Это, во-первых, обеспе­чение процесса изучения и анализа методов и, во-вторых, обслу­живание процесса выбора метода при разработке прогнозов объекта. На современном этапе трудно предложить единую клас­сификацию, в равной степени удовлетворяющую обеим из указан­ных целей.

Существуют два основных типа классификации: последова­тельная и параллельная. Последовательная классификация пред­полагает вычленение частных объемов из более общих. Это про­цесс, тождественный делению родового понятия на видовые. При этом должны соблюдаться следующие основные правила: 1) осно­вание деления (признак) должно оставаться одним и тем же при образовании любого видового понятия; 2) объемы видовых поня­тий должны исключать друг друга (требование отсутствия пере­сечения классов); 3) объемы видовых понятий должны исчерпы­вать объем родового понятия (требование полного охвата всех объектов классификации).

Параллельная классификация предполагает сложное инфор­мационное основание, состоящее не из одного, а из целого ряда признаков. Основной принцип такой классификации—независи­мость выбранных признаков, каждый из которых существен, все вместе одновременно присущи предмету и только их совокупность дает исчерпывающее представление о каждом классе.

Последовательная классификация имеет наглядную интерпре­тацию в виде некоторого генеалогического дерева, охватывает всю рассматриваемую область в целом и определяет место и взаимо­связи каждого класса в общей системе. Поэтому она является более приемлемой для целей изучения, позволяет методически более стройно представлять классифицируемую область знаний.

Каждый уровень классификации характеризуется своим клас­сификационным признаком. Элементы каждого уровня представ­ляют собой наименования принадлежащих им подмножеств элементов ближайшего нижнего уровня, причем подмножеств непересекающихся.

Элементы нижнего уровня представляют собой наименование узких групп конкретных методов прогнозирования (иногда из одного элемента), которые являются модификациями или разно­видностями какого-либо одного, наиболее общего из них.

В целом классификация является открытой, так как представ­ляет возможность увеличивать число элементов на уровнях и наращивать число уровней за счет дальнейшего дробления и уточнения элементов последнего уровня.

На первом уровне все методы делятся на три класса по при­знаку «информационное основание метода». Фактографические методы базируются на фактически имеющемся информационном материале об объекте прогнозирования и его прошлом развитии. Экспертные методы базируются на информации, которую постав­ляют специалисты-эксперты в процессе систематизированных про­цедур выявления  и обобщения этого мнения. Комбинированные методы выделены в отдельный класс, чтобы можно было отно­сить к нему методы со смешанной информационной основой, в которых в качестве первичной информации используются фактографическая и экспертная. Например, при проведении экспертного опроса участникам представляют цифровую информацию об объекте или фактографические прогнозы, либо, наоборот, при экстраполяции тенденции наряду с фактическими данными используют экспертные оценки.

Не следует относить к комбинированным методам те методы прогнозирования, которые к экспертной исходной информации применяют математические методы обработки или исходную фак­тографическую информацию оценивают экспертным  путем. В большинстве случаев они достаточно хорошо укладываются в первый или второй из перечисленных выше классов.[2]

Эти классы разделяются далее на подклассы по принципам обработки информации. Статистические методы объединяют сово­купность методов обработки количественной информации об объекте прогнозирования по принципу выявления содержащихся в ней математических закономерностей развития и математиче­ских взаимосвязей характеристик с целью получения прогнозных моделей. Методы аналогий направлены на то, чтобы выявлять сходство в закономерностях развития различных процессов и на этом основании производить прогнозы. Опережающие методы про­гнозирования строятся на определенных принципах специальной обработки научно-технической информации, реализующих в про­гнозе ее свойство опережать развитие научно-технического про­гресса.

Экспертные методы разделяются на два подкласса. Прямые экспертные оценки строятся по принципу получения и обработки независимого обобщенного мнения коллектива экспертов (или одного из них) при отсутствии воздействий на мнение каждого эксперта мнения другого эксперта и мнения коллектива. Эксперт­ные оценки с обратной связью в том или ином виде воплощают принцип обратной связи путем воздействия на оценку экспертной группы (одного эксперта) мнением, полученным ранее от этой группы или от одного из ее экспертов.

Третий уровень классификации разделяет методы прогнозиро­вания на виды по классификационному признаку «аппарат мето­дов». Каждый вид объединяет в своем составе методы, имеющие в качестве основы одинаковый аппарат их реализации. Так, ста­тистические методы по видам делятся на методы экстраполяции и интерполяции; методы, использующие аппарат регрессионного и корреляционного анализа; методы, использующие факторный анализ.

Класс методов аналогий подразделяется на методы математи­ческих и исторических аналогий. Первые в качестве аналога для объекта прогнозирования используют объекты другой физической природы, другой области науки, отрасли техники, однако имею­щие математическое описание процесса развития, совпадающее с объектом прогнозирования. Вторые в качестве аналога исполь­зуют процессы одинаковой физической природы, опережающие во времени развитие объекта прогнозирования.

Опережающие методы прогнозирования можно разделить на методы исследования динамики научно-технической информации; методы исследования и оценки уровня техники. В первом случае в основном используется построение количественно-качественных динамических рядов на базе различных видов НТИ и анализа и прогнозирования на их основе соответствующего объекта. Вто­рой вид методов использует специальный аппарат анализа коли­чественной и качественной информации, содержащейся в НТИ, для определения характеристик уровня, качества существующей и про­ектируемой техники.

Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. В первом случае используются специальные процедуры формиро­вания вопросов, организации получения на них ответов, обработ­ки полученных ответов и формирования окончательного резуль­тата. Во втором — основным аппаратом исследования является целенаправленный анализ объекта прогнозирования со стороны эксперта или коллектива экспертов, которые сами ставят и реша­ют вопросы, ведущие к поставленной цели.

Экспертные оценки с обратной связью в своём аппарате име­ют три вида методов: экспертный опрос; генерацию идей; игровое моделирование. Первый вид характеризуется процедурами регла­ментированного неконтактного опроса экспертов перемежающими­ся обратными связями в рассмотренном выше смысле. Второй — построен на процедурах непосредственного общения экспертов в процессе обмена мнениями по поставленной проблеме. Он характеризуется отсутствием вопросов и ответов и направлен на взаимное стимулирование творческой деятельности экспертов. Третий вид использует аппарат теории игр и ее прикладных раз­делов. Как правило, реализуется на сочетании динамического взаимодействия коллективов экспертов и вычислительной маши­ны, имитирующих объект прогнозирования в возможных будущих ситуациях.

Наконец, последний, четвертый, уровень классификации под­разделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых ука­зать один общий для всего уровня в целом невозможно.

2.2 Экстраполяционные методы прогнозирования

Методы экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее разработанными среди всей сово­купности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе .предположение о том, что рассматриваемый процесс изменения переменной представля­ет собой сочетание двух составляющих—регулярной и случайной:

 (1.2.2)

Считается, что регулярная составляющая f(a, х) представляет собой гладкую функцию от аргумента (в большинстве случаев— времени), описываемую конечномерным вектором параметров а, которые сохраняют свои значения на периоде упреждения про­гноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуи­тивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от слу­чайной составляющей. Все зависит от того, какую цель пресле­дует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррели­рованным случайным процессом с нулевым математическим ожи­данием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего в некотором смысле описания тренда и на определение прогнозных значений путем его экстра­поляции. Методы экстраполяции во многом пересекаются с мето­дами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначе­ниях или написании формул. Тем не менее сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позво­ляющих причислять ее к некоторому самостоятельному виду методов прогнозирования.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирова­ния, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстра­полирующей функции, так и на определение границ изменения ее параметров.

2.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

Предварительная обработка исходного числового ряда направ­лена на решение следующих задач (всех или части из них): сни­зить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случай­ных отклонений точек ряда от некоторой гладкой кривой пред­полагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая груп­па состоит из предыдущей и последующей точек, в более слож­ных — функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью многочленов, прибли­жающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях весьма эффективным средством выявления тренда при наложении на эмпирический числовой ряд случайных помех и ошибок измерения. Для рядов со значительной ампли­тудой помехи имеется возможность проводить многократное сгла­живание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процеду­рой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применять­ся операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в сколь­зящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку число­вого ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представ­ления исходного ряда, оставляя прежними его значения.

Наиболее общими приемами выравнивания являются логариф­мирование и замена переменных.

В случае если эмпирическая формула предполагается содер­жащей три параметра либо известно, что функция трехпарамет­рическая, иногда удается путем некоторых преобразований иск­лючить один из параметров, а оставшиеся два привести к одной из формул выравнивания.

Можно рассматривать выравнивание не только как метод представления исходных данных, но и как метод непосредствен­ного приближенного определения параметров функции, аппрокси­мирующей исходный числовой ряд.  Зачастую именно так и используется этот метод в некоторых экстраполяционных про­гнозах. Отметим, что возможность непосредственного его исполь­зования для определения параметров аппроксимирующей функ­ции определяется главным образом видом исходного числового ряда и степенью наших знаний, нашей уверенности относительно вида функции, описывающей исследуемый процесс.

В том случае, если вид функции нам неизвестен, выравнива­ние следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и прие­мов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд.

Одной из разновидностей метода выравнивания является исследование эмпирического ряда с целью выяснения некоторых свойств функции, описывающей его. При этом не обязательно преобразования приводят к линейным формам. Однако результа­ты их подготавливают и облегчают процесс выбора аппроксими­рующей функции в задачах прогностической экстраполяции. В простейшем случае предлагается использовать следующие три типа дифференциальных функций роста:

1) Первая производная, или абсолютная дифференциальная функция роста.

2) Относительный дифференциальный коэффициент, или лога­рифмическая производная,

3) Эластичность функции

2.3 Статистические методы

Прежде чем приступить к анализу статистических методов прогнозирования, рассмотрим некоторые общие понятия и опреде­ления, относящиеся к корреляционным и регрессионным моделям. Две случайные величины являются корреляционно связан­ными, если математическое ожидание одной из них меняется в зави­симости от изменения другой.

Применение корреляционного анализа предполагает выполне­ние следующих предпосылок:

Страницы: 1, 2, 3, 4