Понятие и значение прикладных исследований

На третьем  этапе исследования проблем после обоснования вида и структуры адекватность и, соответственно, эффективность управленческого решения, полученного с помощью математической модели, связаны с качеством исходной информации, на основании которой вычисляются, например, элементы матрицы условий задачи математического программирования или коэффициентов уравнения регрессии. Характер искажений здесь во многом зависит от метода моделирования. Для линейного программирования ошибки данного этапа уже мало связаны с исследуемым объектом и в основном возникают из-за невнимательности разработчика: неправильно взяты производительность или нормы расхода материала и т. д. Такого рода ошибки обычно обнаруживаются в работе с моделью и легко исправляются. Более сложная ситуация складывается при использовании регрессионного анализа, одинаково широко распространенного в естественных, технических и общественных науках.

 Отличие этого метода  по сравнению, допустим, с линейным  программированием в том, что  формирование коэффициентов регрессии  определяется исходными данными,  являющимися результатами процессов,  происходящих в исследуемом объекте,  рассматриваемом как «черный  ящик», в котором механизм превращения  «вход» в «выход» часто неизвестен. С увеличением количества исходной  информации уровень ее разнообразия  приближается к тому, который  имманентен реальному объекту.  Таким образом, можно повышать  адекватность регрессионной модели, что нельзя достичь в линейном  программировании. Это достоинство  регрессионного анализа достаточно  эффективно может быть использовано  в естественных науках вследствие  сравнительно малого количества  факторов и возможности управления  последними. В исследованиях социально-экономических  явлений эффективность использования  регрессионных моделей снижается,  так как резко возрастает количество  факторов, многие из которых неизвестны  и (или) неуправляемы. Все это  требует не ограничиваться отдельной  выборкой, а стремиться использовать  данные в объеме, приближающемся  к генеральной совокупности. В  отличие от большинства процессов,  изучаемых естественными и техническими  науками, сложность тиражирования  которых во многом определяется только затратами на эксперимент, проверить регрессионную модель социально-экономического объекта достаточно сложно вследствие уникальности протекающих в нём процессов, имеющих историческую природу. В этой связи основным источником исходной информации в исследованиях социально-экономических объектов является наблюдение, «пассивный» эксперимент, исключающий повторность опытов и, соответственно, проверку адекватности регрессионной модели по статистическим критериям. Поэтому основные показатели адекватности, используемые при регрессионном анализе социально-экономических объектов, – коэффициент множественной корреляции и ошибка аппроксимации. Однако высокое значение первого и низкое второго показателя не позволяет однозначно судить о качестве регрессионной модели. Объясняется это тем, что с увеличением числа членов полинома модели, а внешне это число ограничивается только числом опытов (наблюдений), вследствие количественного роста её разнообразия, точность аппроксимации исходных данных уравнением регрессии растёт.

 Таким образом, на  всех трех рассмотренных этапах  «трансформации» производственной  проблемы в математическую модель  отсутствуют достаточно строгие,  научно обоснованные критерии  оценки качества, соответствия идеальных  моделей реальному объекту. В  то же время традиционная ориентация  направлена только на преодоление  вычислительных трудностей и  большой размерности моделей  и не учитывает ограничения  математического аппарата.

  Моделирование является наиболее практичной стороной прикладных исследований, однако этот прагматизм должен быть основан на гносеологическом и онтологическом подходе в методологии процедурных знаний при решении проблем индивидуального производства. Вместе с тем, применение моделей при принятии управленческих решений должно учитывать их конгруэнтность и, соответственно, адекватность их решений реальным процессам. Эти условия определяются природой описываемых моделями процессов. В экономической науке большинство дескриптивных моделей типа «цена-спрос» описывают институциональные процессы, связанные с поведением человека, и эти модели носят исключительно концептуальный характер и не могут служить для получения количественных прогнозных оценок. Уровень возможностей статистических моделей для интерполяционных оценок внутри описываемого диапазона определяется статистическими показателями надёжности, но для прогнозных оценок уровень экстраполяции при этом не должен превышать 20-30% от первоначального диапазона данных. Надёжность регрессионных моделей, полученных по управляемым экспериментам с несколькими повторностями, значительно возрастает. Нормативные модели, связанные с оптимизацией расхода ресурсов, условиями безубыточности, законом убывающей доходности (Law of Diminishing Returns) можно считать абсолютными, и надёжность полученных по ним оценок зависит только от ошибок в исходных данных.