Задачи и принципы методов прогнозирования

3.3. Статистический метод

    Статистический (параметрический) метод - применяется для составления среднесрочных прогнозов полезного эффекта, возможного изменения рынков сбыта анализируемой продукции серийного производства. Срок прогнозирования до 10 лет. 
           На стадиях разработки технического задания и технического проекта по объекту массового производства отсутствуют сведения по каждой детали и сборочной единице. Объекты еще не прошли опытно-промышленных испытаний. Поэтому на этих стадиях нет возможности выполнить детальные расчеты затрат на освоение, изготовление, обращение, эксплуатацию и ремонт проектируемых объектов. А по продукции единичного и мелкосерийного производства нецелесообразно применять описанные выше точные методы прогнозирования. В этих случаях рекомендуется применять параметрические методы прогнозирования полезного эффекта и затрат, основанные на установлении зависимостей между параметрами объекта и организационно-технического уровня производства, с одной стороны, и полезным эффектом или элементом затрат — с другой. 
       Прежде чем приступить к анализу статистических методов прогнозирования, рассмотрим некоторые общие понятия и определения, относящиеся к корреляционным³ 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:  
а) Случайные величины могут рассматриваться как выборка из двумерной генеральной совокупности с нормальным законом распределения. 

б) Ожидаемая величина погрешности  равна нулю. 
в) Отдельные наблюдения стохастически⁴ независимы, т. е. значение данного наблюдения не должно зависеть от значения предыдущего и последующего наблюдений.  
г) Ковариация⁵ между ошибкой, связанной с одним значением зависимой переменной, и ошибкой, связанной с любым другим значением, равна нулю.  
д) Дисперсия⁶ ошибки, связанная с одним значением, равна дисперсии ошибки, связанной с любым другим значением.  
е) Ковариация между погрешностью и каждой из независимых переменных равна нулю.  
ж) Непосредственная применимость этого метода ограничивается случаями, когда уравнение кривой является линейным относительно своих параметров. Это, однако, не означает, что само уравнение кривой относительно переменных должно быть линейным. Если эмпирические⁷ уравнения наблюдений не являются линейными, то во многих случаях оказывается возможным привести их к линейной форме и уже после этого применять метод наименьших квадратов.  
з) Наблюдения независимых переменных производятся без погрешности.  
Перед началом корреляционного анализа необходимо проверить выполнение этих предпосылок.  
          Связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей — регрессионным анализом. Применение регрессионного анализа предполагает обязательное выполнение предпосылок (б-г) корреляционного анализа. Только при выполнении приведенных предпосылок оценки коэффициентов корреляции и регрессии, получаемые с помощью способа наименьших квадратов, будут несмещенными и иметь минимальную дисперсию.  
          Регрессионный анализ тесно связан с корреляционным. При выполнении предпосылок корреляционного анализа выполняются предпосылки регрессионного анализа. В то же время регрессионный анализ предъявляет менее жесткие требования к исходной информации. Так, например, проведение регрессионного анализа возможно даже в случае отличия распределения случайной величины от нормального, как это часто бывает для технико-экономических величин. В качестве зависимой переменной в регрессионном анализе используется случайная переменная, а в качестве независимой — неслучайная переменная.  
          По степени комплексности статистические исследования можно разделить на двумерные и многомерные. Первые касаются рассмотрения парных взаимосвязей между переменными (парные корреляции и регрессии) и направлены в прогнозных исследованиях на решение таких задач, как установление количественной меры тесноты связи между двумя случайными величинами, установление близости этой связи к линейной, оценки достоверности и точности прогнозов, полученных экстраполяцией регрессионной зависимости. Многомерные методы статистического анализа направлены в основном на решение задачи системного анализа многомерных стохастических объектов прогнозирования. Целью такого анализа является, как правило, выяснение внутренних взаимосвязей между переменными комплекса, построение многомерных функций связи переменных, выделение минимального числа характеристик, описывающих объект с достаточной степенью точности. Одной из основных задач здесь является сокращение размерности описания объекта прогнозирования.  
          Таким образом, статистические методы используются в основном для подготовки данных, приведения их к виду, пригодному для производства прогноза. Как правило, после их применения используется один из методов экстраполяции или интерполяции для получения непосредственно прогнозного результата.  
           Метод экстраполяции - применяется когда оцениваются отдельные виды ресурсов в целом по предприятию, объединению, а также полезный эффект продукции мелкосерийного производства. Срок прогнозирования до 5 лет. 
          На практике на ранних стадиях разработки объекта часто ограничено число известных параметров будущего объекта и показателей организационно-технического уровня производства у изготовителя и потребителя объекта. В этих условиях рекомендуется применять более простые, но и менее точные методы прогнозирования - методы экстраполяции, основанные на прогнозировании поведения или развития объектов в будущем по тенденциям его поведения в прошлом. Применение методов экстраполяции, как правило, не требует моделирования частных параметров объекта и показателей организационно-технического уровня производства.  
          Наиболее распространенными являются методы экстраполяции по математическим моделям и графический (от руки). Оба метода требуют наличия информации о прогнозируемом параметре объекта за период в два и более раза больше прогнозируемого периода. Для учета изменений качества объекта в прогнозируемом периоде и организационно-технического уровня производства у изготовителя и потребителя объекта применяются корректирующие коэффициенты. 
            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:  
 

y(x) = f(a, x) + n(x) (1) 
 

Считается, что регулярная составляющая f(a, х) представляет собой гладкую функцию от аргумента (в большинстве случаев - времени), описываемую конечномерным вектором параметров a, которые сохраняют свои значения на периоде упреждения прогноза. Эта составляющая называется также трендом⁸, 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.  
         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 на выбор вида экстраполирующей функции, так и на определение границ изменения ее параметров.  
         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, аппроксимирующей⁹ 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 дифференциальная¹⁰ функция роста;  
2) относительный дифференциальный коэффициент, или логарифмическая производная; 
3) эластичность функции. 

3.4. Индексный метод

 
          Индексный метод - применяется при прогнозировании полезного эффекта, мощностей оборудования каждого вида. Виды укрупненных затрат ресурсов в целом по предприятию. Срок прогнозирования до 5 лет. 
         Следует отметить, что индексный метод вообще очень широко применяется в прогнозировании социально-экономических явлений и, в частности, деятельности предприятий – для составления прогнозов как объемных, так и качественных показателей (в т.ч. изменения цен, производительности труда, издержек производства и обращения, прибыли и др.). 
          Этот метод прогнозирования основан на приведении значений показателей объекта в настоящем к будущему моменту при помощи индексов, характеризующих изменение в будущем каких-либо условий по сравнению с настоящими условиями. Математически индексный метод прогнозирования выражается в следующей форме:

 
 
П_{б =} П_нJ₁…J_n (2) 
 

где П_б — показатель на прогнозируемый период; П_н — показатель на текущий момент; J₁, J₂ … J_n — индексы изменения экономических, организационно-технических и других условий применения объекта (протекания процесса) в прогнозируемом периоде по сравнению с текущим моментом. 
      

3.5. Экспертный метод

   Экспертный метод - применяется при проведении прогнозирования возможных рынков сбыта по данному виду полезного эффекта, сроков обновления выпускаемой продукции, по прочим вопросам маркетинга и технического уровня продукции. Срок прогнозирования  не ограничен. 
           Сущность экспертных методов прогнозирования заключается в выработке коллективного мнения группы специалистов в данной области. Существует несколько различных методов экспертной оценки развития объекта в будущем. 
           Методы экспертных оценок в прогнозировании и перспективном планировании научно-технического прогресса применяются в следующих случаях:  
а) в условиях отсутствия достаточно представительной и достоверной статистики характеристики объекта (например, лазеры, голографические запоминающие устройства, рациональное использование водных ресурсов на предприятиях);  
б) в условиях большой неопределенности среды функционирования объекта (например, прогнозов человеко-машинной системы в космосе или учет взаимовлияния областей науки и техники);  
в) при средне- и долгосрочном прогнозировании объектов новых отраслей промышленности, подверженных сильному влиянию новых открытий в фундаментальных науках (например, микробиологическая промышленность, квантовая электроника, атомное машиностроение);  
г) в условиях дефицита времени или экстремальных ситуациях.  
            Экспертная оценка необходима, когда нет надлежащей теоретической основы развития объекта. Степень достоверности экспертизы устанавливается по абсолютной частоте, с которой оценка эксперта в конечном итоге подтверждается последующими событиями. Существует две категории экспертов - это узкие специалисты и специалисты широкого профиля, обеспечивающие формулирование крупных проблем и построение моделей. Выбор экспертов для прогноза производится на основе их репутации среди определенной категории специалистов. Однако не следует забывать и того обстоятельства, что первоклассный специалист не всегда может достаточно квалифицированно рассмотреть и понять общие, глобальные, вопросы. Для этой цели нужно привлекать экспертов хотя и недостаточно узко информированных, но обладающих способностью к дерзанию и воображению.  
           «Эксперт» в дословном переводе с латинского языка означает «опытный». Поэтому и в формализованном, и в неформализованном способах определения эксперта значительное место занимают профессиональный опыт и развитая на его основе интуиция. Условия необходимости и достаточности отнесения специалиста к категории экспертов вводятся следующим образом.  
            Важно установить не абсолютную степень надежности экспертной оценки, а степень надежности по сравнению с оценкой среднего специалиста, а также корреляцию между вероятностью его прогнозной оценки и надежностью класса тех гипотез, которыми оперирует эксперт. В общем, нужно определить, что такое эксперт. Перечислим некоторые требования, которым должен удовлетворять эксперт:  
1) оценки эксперта должны быть стабильны во времени и транзитивны; 
2) наличие дополнительной информации о прогнозируемых признаках лишь улучшает оценку эксперта; 
3) эксперт должен быть признанным специалистом в данной области знаний; 
4) эксперт должен обладать некоторым опытом успешных прогнозов в данной области знаний.  
           Характеризуя экспертов, следует иметь в виду, что в результате выработки оценок могут иметь место ошибки двух видов. Ошибки первого вида известны в технике измерений как систематические, ошибки второго вида — как случайные. Эксперт, склонный к ошибкам первого вида, выдает значения, которые устойчиво отличаются от истинного в сторону увеличения или уменьшения. Полагают, что ошибки этого вида связаны со складом ума экспертов. Для коррекции систематических ошибок можно применять поправочные коэффициенты или же использовать специально разработанные тренировочные игры. Ошибки второго вида характеризуются величиной дисперсии. Исходя из анализа основных видов ошибок при вынесении экспертных суждений, можно добавить к рассмотренному ранее перечню требований к экспертам еще одно. Смысл его состоит в том, что следует предпочесть эксперта, оценки которого имеют малую дисперсию и систематическое отклонение средней ошибки от нуля, эксперту со средней ошибкой, равной нулю, но с большей дисперсией. К сожалению, априори определить способность человека делать правильные экспертные оценки невозможно. Важным средством подготовки экспертов являются специальные тренировочные игры.  
            Организация форм работы эксперта может быть программированной или непрограммированной, а деятельность эксперта может осуществляться в устной (интервью) либо в письменной форме (ответ на вопросы специальных таблиц экспертных оценок или свободное изложение по заданной теме).  
          Программирование формы работы эксперта предполагает:  
- построение граф-модели объекта на базе ретроспективного анализа; определение структуры таблиц экспертных оценок (ТЭО) или программы интервью на базе граф-модели объекта и целей экспертизы; определение типа и формы вопросов в ТЭО или в интервью; 

- определение типа шкалы для вопросов в ТЭО; учет психологических особенностей экспертизы при определении последовательности вопросов в ТЭО; учет верифицирующих вопросов; разработка логических приемов для последующего синтеза прогнозных оценок в комплексных прогнозах объекта.

            Организация стимуляции работы эксперта состоит в разработке:  
- эвристических приемов и способов, облегчающих поиск прогнозной экспертной оценки; правовых норм, гарантирующих эксперту оформление приоритета и авторства, а также неразглашения всех научно-технических идей, выдвигаемых им в процессе экспертизы; 

- форм моральной, профессиональной и материальной заинтересованности эксперта в экспертных оценках; организационных форм работы эксперта (включение в план работы и т. п.). 

            Исходя из полученной в результате анализа модели объекта прогнозирования, определяются научные и технические направления, по которым необходимо привлечь эксперта, выделяются группы экспертов по принадлежности вопроса к области фундаментальных, прикладных наук или к стыковым научным направлениям. 
           При решении задачи формирования экспертной группы необходимо выявить и стабилизировать работоспособную сеть экспертов. Способ стабилизации экспертной сети заключается в следующем. На основе анализа литературы по прогнозируемой проблеме выбирается любой специалист, имеющий несколько публикаций в данной области. К нему обращаются с просьбой назвать 10 наиболее компетентных, по его мнению, специалистов по данной проблеме. Затем обращаются одновременно к каждому из десяти названных специалистов с просьбой указать 10 наиболее крупных их коллег-ученых. Из полученного списка специалистов вычеркиваются 10 первоначальных, а остальным рассылаются письма, содержащие указанную выше просьбу. Данную процедуру повторяют до тех пор, пока ни один из вновь названных специалистов не добавит новых фамилий к списку экспертов, т. е. пока не стабилизируется сеть экспертов. Полученную сеть экспертов можно считать генеральной совокупностью специалистов, компетентных в области прогнозируемой проблемы. Однако в силу ряда практических ограничений оказывается нецелесообразным привлекать всех специалистов к экспертизе. Поэтому необходимо сформировать репрезентативную выборку из генеральной совокупности экспертов.  
          Определение специфики процедур для методов класса ПЭО (персональных экспертных оценок) осуществляется на основе анализа требований к экспертам и их оценкам, вытекающим из сущности методов:  
а) аналитические записки предъявляют требования структуризации экспериментируемой проблемы, экспликации и ранжирования целей, анализа альтернативных путей достижения цели, оценки затрат на каждую альтернативу и рекомендаций по наиболее эффективным способам решения проблем;  
б) парные сравнения, нормирование и ранжирование требуют однородности оцениваемых признаков, наличия логически обоснованных критериев и эталонов, наличие однозначно определенных процедур оперирования с критериями, эталонами и признаками;  
в) интервью предъявляют специфические требования как к эксперту, так и к интервьюеру;  
г) морфологическая структуризация требует четкого определения функциональных характеристик объекта или проблемы, которые необходимо улучшить, классификации научных принципов, на основе которых возможно улучшение характеристики; анализа всевозможных комбинаций этих принципов и отсева заведомо абсурдных; оценки комбинаций по степени осуществимости и затрат на их реализацию; сравнения комбинаций по комплексному критерию «затраты — эффективность — время».  
Основная задача, стоящая перед специалистами по анализу и проектированию больших систем, в общем случае, как правило, заключается в нахождении наиболее оптимальных способов создания более эффективных систем — либо вновь проектируемых, либо модернизируемых. Сложность решения этой задачи состоит, прежде всего в том, что здесь обычно нет возможности найти решение чисто математическими методами, поскольку, как правило, не удается точно определить величины (функционалы), подлежащие оптимизации (экстремализации) в математическом смысле. Это связано не только со сложностью описания функционирования больших систем, но и с такими принципиальными видами, как, например, специфика целей, для достижения которых предназначена система. Во-первых, перед системой может стоять не одна цель, а набор их, что сразу же приводит к задаче векторной оптимизации. Во-вторых, набор целей, поставленных перед системой, может содержать в своем составе чисто качественные цели, не подлежащие практически реализующимся количественным измерениям. Это приводит, с одной стороны, к проблеме оценки степени достижения качественной цели и, с другой - к проблеме соизмерения важности качественных и количественных целей и степени их достижения.  
Аналогичная ситуация возникает и при оценке последствий предполагаемого способа достижения поставленной цели. Укажем для примера, что эти последствия могут одновременно носить экономический, политический, социальный или какой-либо другой характер.  
           В этих условиях решение системной задачи находится посредством эвристических приемов, использующих весьма сложный математический аппарат, и заключается в выдаче обоснованных рекомендаций, достаточных для выработки решения. 
       

  Метод эвристического прогнозирования - метод получения специализированной обработки прогнозных оценок объекта путем систематизированного опроса высококвалифицированных специалистов (экспертов) в узкой области науки, техники или производства. Прогнозные экспертные оценки отражают индивидуальное суждение специалиста относительно перспектив развития его области и основаны на мобилизации профессионального опыта и интуиции.  
         Метод эвристического прогнозирования сходен с дельфийской техникой, коллективной генерацией идей и методом коллективной экспертной оценки в том смысле, что одним из элементов его является сбор и обработка суждений экспертов, высказанных на основе профессионального опыта и интуиции. Однако он отличается от указанных методов большей четкостью теоретических основ, способами формирования анкет и таблиц, порядком работы с экспертами и алгоритмом обработки полученной информации. Эвристическим данный метод назван в связи с однородностью форм мыслительной деятельности эксперта при решении научной проблемы и при оценке перспектив развития объекта прогнозирования, а также в связи с использованием экспертами специфических приемов, приводящих к правдоподобным умозаключениям. 
          Назначение метода эвристического прогнозирования - выявление объективизированного представления о перспективах развития узкой области науки и техники на основе систематизированной обработки прогнозных оценок репрезентативной группы экспертов.  
        Область применения эвристического прогнозирования - научно-технические объекты и проблемы, развитие которых либо полностью, либо частично не поддается формализации, т. е. для которых трудно разрабатывать адекватную модель.  
        В основе метода лежат три теоретических допущения: 
1) существования у эксперта психологической установки на будущее, сфомулированной на основе профессионального опыта и интуиции и возможности ее проявления; 
2) тождественности процесса эвристического прогнозирования и процесса решения научной проблемы с однотипностью получаемого знания в форме эвристических правдоподобных умозаключений, требующих верификации¹¹;  
3) возможности адекватного отображения тенденции развития объекта прогнозирования в виде системы прогнозных моделей, синтезируемых из прогнозных экспертных оценок.  
Эти допущения реализуются в методе эвристического прогнозирования путем системы приемов работы с экспертами, способами оценок и синтеза прогнозных моделей.  
        В качестве исходных документов при работе по методу эвристического прогнозирования выступают: 
- описание метода;