Прогнозирование как метод научного исследования

Примером нормативного прогнозирования может служить  прогнозирование в области космоса, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий от понимания проблемы космоса как среды, которая должна служить на благо человеку, до конкретных средств её решения—условий для ядерного деления и количества высвобождаемой при этом энергии и т.д.

В рамках технологического прогнозирования решаются такие задачи, как разработка прогнозов в области экономической, коммерческой деятельности, социальной и политической.

Одной из главных проблем точности и эффективности прогнозов является максимально полезное сочетание методов изыскательского и нормативного прогнозирования. Это является следствием различия используемых методов. Так для изыскательского прогнозирования, характерно использование таких методов , как:

• экстраполяция;
• моделирование;
• метод исторической аналогии;
• написание сценариев;
• другие методы;

базирующихся на анализе  точных эмпирических данных. При использовании  методов изыскательского прогнозирования  предпочтение отдается количественной информации. Использование качественной (неколичественной) информации в изыскательском прогнозировании также возможно.

Примером тому, является использование интуитивных методов, того же метода сценариев или метода экспертных кривых, позволяющих определять наметившиеся тенденции изменения ситуации, базируясь не только на эмпирических данных, но и на опыте высококвалифицированных специалистов—экспертов.

Основными же методами, использующимися  при нормативном прогнозировании  являются, в первую очередь, методы ПАТТЕРН, Делфи, Глушкова, Поспелова и др.

Такой широко используемый в настоящее время инструментарий, как деревья целей, впервые появился как составная часть метода ПАТТЕРН (обоснование планирования посредством научно-технической оценки количественных данных), разработанного в 1936 г. для аэронавтики и космоса.

К новым видам прогнозирования  относят прогнозирование с использованием обратной связи, интуитивные методы, «обходные» и др. Но основные идеи, используемые при разработке прогнозов, достаточно полно представлены именно в изыскательском и нормативном прогнозировании.

Также следует отметить, что очень важным моментом (как  для процесса сбора, так и для  процессов анализа и обработки  данных) определения того является ли информация количественной или неколичественной (качественной).

Количественная информация, если она достаточно надежна, обладает тем преимуществом, что позволяет  использовать точные математические методы и модели и определять тенденции  развития ситуации с определенной точностью, с указанием доверительных интервалов, возможных погрешностях при расчетах и т.д. Но даже более существенным является то обстоятельство, что круг проблем, для которых удается разработать адекватные математические модели, оказывается значительно уже того множества ситуаций, в которых необходимо принимать реальные решения.

Гораздо чаще при разработке прогнозов приходится иметь дело с качественной информацией.

При разработке прогноза к их числу относят ситуации, когда  данные представлены в виде вербальных (словесных) описаний, когда оценки получены с помощью вербальных или вербально-числовых шкал, когда имеется информация лишь о сравнительных оценках альтернативных вариантов.

Существуют также ситуации, когда полученная количественная информация не может быть «вписана» ни в одну из имеющихся математических моделей, также может быть проанализирована с помощью специально разрабатываемых методов качественного анализа.

В последние годы получило развитие экспертное прогнозирование, ориентированное в большей степени на работу не только с количественной, но и с качественной информацией, получаемой непосредственно от экспертов.

 

2.2.Основные этапы экспертного прогнозирования.

 

 

С помощью этого метода прогнозирования может быть решена большая часть проблем, возникающих при разработке прогнозов. В экспертном прогнозировании существует несколько основных этапов, которые представлены на рис. 2.2.1.⁷

 

Блок-схема основных этапов разработки прогноза.

 

1.Подготовка к разработке прогноза.	2.Анализ ретроспективной  информации, внутренних и внешних условий.	3.Определение наиболее  вероятных вариантов развития внутренних и внешних условий.
4.Проведение экспертизы	5.Разработка альтернативных  вариантов	6.Априорная и апостериорная оценка качества прогноза	7.Контроль хода реализации прогноза и корректировка прогноза

 

Рис.2.2.1

 

1. На стадии подготовки к разработке прогноза должны быть решены следующие задачи:

• подготовлено организационное обеспечение разработки прогноза,

• сформулировано задание на прогноз,
• сформулированы рабочая и аналитическая группы сопровождения,
• сформулирована экспертная комиссия,
• подготовлено методическое обеспечение разработки прогноза,
• подготовлена информационная база для проведения прогноза,
• подготовлено компьютерное сопровождение разработки прогноза.

После принятия решения о разработке прогноза необходимо назначить исполнителей для этой разработки. Этой группе работников поручается организационное обеспечение разработки прогноза. Они также должны обеспечить методическое и информационное его сопровождение.

Качественный экспертный прогноз может быть разработан только тогда, когда он хорошо подготовлен, если в его разработке задействованы компетентные специалисты, когда использована достоверная информация, когда оценки получены корректно и корректно обработаны.

Для разработки качественного прогноза необходимо использование современных технологий, сопровождающих и поддерживающих процесс разработки.

В состав экспертной комиссии приглашаются специалисты, профессионально  знакомые с объектом экспертизы. Если требуется многоаспектная оценка объекта, либо оцениваться должны разнородные объекты и для этого нужны специалисты разных профессий, то экспертная комиссия должна быть сформирована таким образом, чтобы в её состав входили специалисты, способные профессионально оценить все основные аспекты прогнозируемой проблемы.

 

 

2.3.Изыскательское прогнозирование.

    

 

Одним из основных методов, используемых в изыскательском прогнозировании, является экстраполяция временных  рядов—статистических данных об интересующем нас объекте. Экстраполяционные методы основаны на предположении о том, что закон роста, имевший место в прошлом, сохранится и в будущем, с учетом поправок из-за возможного эффекта насыщения и стадий жизненного цикла объекта.

К числу кривых, достаточно точно отражающих изменение прогнозируемых параметров в ряде распространенных ситуаций, является экспонента, то есть функция вида:

y=a•e^bt,

где t—время,

a и b—параметры экспоненциальной кривой.

К числу наиболее известных  экспоненциальных кривых, используемых при прогнозировании можно отнести кривую Перла, выведенную на основании обширных исследований в области роста организмов и популяций, и имеющую вид:

y=L/(1+a•e^-bt),

где L —верхний предел переменной y.

Не менее распространена кривая Гомперца, выведенная на основании результатов исследований в области распределения дохода и уровня смертности (для страховых компаний), имеющая вид:

,

где k—также параметр экспоненты.

Кривые Перла и Гомперца использовались при прогнозе таких параметров, как  возрастание коэффициента полезного действия паровых двигателей, рост эффективности радиостанций, рост тоннажа судов торгового флота и т.д.

Как кривая Перла, так и кривая Гомперца могут быть отнесены к классу так  называемых S-образных кривых. Для таких кривых характерен экспоненциальный или близкий к экспоненциальному рост на начальной стадии, а затем при приближении к точке насыщения они принимают более пологий вид.

Многие из упомянутых процессов  могут быть описаны с помощью  соответствующих дифференциальных уравнений, решением которых и являются рассмотренные нами кривые Перла и Гомперца.

В качестве примера можно привести дифференциальное уравнение, описывающее  приращение объема информации (знания) I в зависимости от числа исследователей N, среднего коэффициента продуктивности одного исследователя q в единицу времени t и С— постоянного коэффициента, характеризующего динамики изменения объема информации. Оно имеет следующий вид:

.

Интегрируя это дифференциальное уравнение получаем формулу для объема информации:

В общем виде динамика изменения прогнозируемых показателей  и параметров во времени может  быть представлена в виде:

,

где y(t)—функция-тренд, описывающая тенденцию изменения параметра,

e(t)—случайная функция, характеризующая отклонение прогнозируемой переменной от тренда.

При экстраполяции используются регрессионные  и феноменологические модели. Регрессионные  модели строятся на базе сложившихся  закономерностей развития событий  с использованием специальных методов подбора вида экстраполирующей функции и определения значений её параметров. В частности, для определения параметров экстраполирующей функции может быть использован метод наименьших квадратов.

Предполагая использование той  или иной модели экстраполирования, того или иного закона распределения, можно определить доверительные интервалы, характеризующие надежность прогнозных оценок.

Феноменологические модели строятся исходя из условий максимального  приближения к тренду процесса, с  учетом его особенностей и ограничений и принятыми гипотезами о его будущем развитии.

При многофакторном прогнозе в феноменологических моделях можно  присваивать большие коэффициенты весомости факторам, которые в  прошлом оказывали большее влияние  на развитие событий в прошлом.

Если при прогнозировании  рассматривается ретроспективный  период, состоящий из нескольких отрезков времени, то, в зависимости от характера  прогнозируемых показателей, менее удаленных от момента прогнозирования по шкале времени и т.д. Также должен быть учтен тот факт, что нередко при прогнозировании оценки экспертов относительно близкого будущего могут отличаться излишним оптимизмом, а оценки относительно более отдаленного будущего излишним пессимизмом.

Если в прогнозируемом процессе может участвовать несколько  различных технологий, каждая из которых  представлена соответствующей кривой, то в качестве результирующей экспертной кривой может быть использована огибающая частных кривых, соответствующих отдельным технологиям.

 

2.4.Нормативное прогнозирование.

 

 

Нормативное прогнозирование  представляет собой подход к разработке прогноза исходя из целей и задач, которые ставит перед собой организация  в прогнозируемом периоде. Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений, когда производится определение первоочередности выполнения предлагаемых для достижения поставленных целей проектов.

Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные средства, рабочая сила, её качество и квалификация, оборудование, энергетические ресурсы и т.д.

В частности, одно измерение  горизонтальной матрицы решений  может соответствовать основным проблемам, возникающим при достижении цели, второе измерение—ресурсам, которые  могут потребоваться для решения  этих проблем.

Согласованные матрицы  более низких иерархических уровней проблем объединяются в матрицы более высоких уровней вплоть до главных матриц для стратегических проблем организации.

В трехмерной горизонтальной матрице решений одно измерение, например, может соответствовать  коммерческим миссиям (областям сбыта), второе—ресурсам, третье—времени. Ресурсы в свою очередь, могут подразделяться на финансовые, коммерческие, ресурсы сбыта, производства, оборудования и т.д.

Вертикальные матрицы  решений предназначены для отслеживания вертикального перемещения технологий. Вертикальная матрица решений для внутрифирменного планирования по рекомендациям Стэнфоррдского института может выглядеть примерно так (рис.2.4.1.):

 

 

Стадия исследований и разработок	Продукт	Заказчик	Ресурсы
Открытие
Создать
Воплотить
Разработать

 

Рис.2.4.1.

 

В частности, трехмерная вертикальная матрица решений под  названием «Общая схема разработки системы национальной космической  программы» была разработана в компании «Норт америкэн авиэйшн».

Для более рационального выбора проектов для реализации могут быть использованы методы исследования операций такие, как:

• линейное программирование, позволяющее сформулировать оптимизационную задачу в виде линейных ограничений (неравенств или равенств) и линейной целевой функции;
• динамическое программирование, рассчитанное на решение многоступенчатых оптимизационных задач;
• целочисленное программирование, позволяющее решать оптимизационные задачи, в том числе задачи оптимального распределения ресурсов, при дискретных (целочисленных) значениях переменных и др.