Миссия предприятия

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.

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, фирмы 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. 

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.

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 мат 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.

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. 

Статистические методы прогнозирования

Статистические методы прогнозирования  — научная и учебная дисциплина, к основным задачам которой относятся  разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных; развитие теории и практики вероятностно-статистического  моделирования экспертных методов  прогнозирования; методов прогнозирования  в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей. Научной базой статистических методов прогнозирования является прикладная статистика и теория принятия решений.