Прогнозирование социально-экономических процессов

ВВЕДЕНИЕ Интерес общества к прогнозированию исторически связан с попытками предвидения наступления тех или иных событий. Уже в 1-м тысячелетии до н.э. в античном мире и в Китае cтали развиваться утопические концепции развития общества, тесно связанные с религиозными концепциями. Большая часть утопий посвящалась проблемам будущего общества и относилась к разряду социальных. Особенно активное развитие они получили в средние века в эпоху Возрождения и Просвещения. Можно назвать имена Т. Мора, Т. Кампанеллы, Ф. Бэкона, Ж. Мелье и т.д. Несмотря на то, что утопические концепции являются чисто умозрительными конструкциями, оказываются в противоречии с действительностью и, как правило, приходят к краху при попытке их реализации, они существовали еще долгое время. 20 век сделал прогнозирование важнейшим связующим звеном между теорией и практикой во всех областях жизни общества. Прогнозирование выполняет две важнейшие функции – предсказательную и предуказательную. Предсказание подразумевает описание возможных или желательных состояний, альтернатив, а предуказание - их использование в целенаправленной деятельности. Предсказательная функция отражает теоретико-познавательный аспект прогнозирования, а предуказательная – управленческий. Необходимость прогнозирования социально-экономических процессов, событий и явлений определяется сложностью и масштабностью задач, стоящих в настоящее время перед обществом. Экономические и социальные реформы, начавшиеся в стране в 90-е годы прошлого века, к сожалению, не были подкреплены хорошей прогнозной базой. А именно прогнозирование как метод снижения рисков принятия управленческих решений, вызванных неопределенностью, позволяет узнать наиболее вероятное состояние внешней среды, а соответственно и поведение объекта прогнозирования в будущем. Кроме того, прогнозирование дает возможность оценки ближайших и отдаленных последствий принимаемых решений. Совершенствование методов планирования и управления научно-техническим прогрессом явилось стимулом для развития методов прогнозирования. В последние годы прогнозирование занимает прочные позиции в общей теории управления, и в то же время оно является самостоятельной научной дисциплиной, имеющей собственный методический и словарно-понятийный аппарат. Наряду с традиционно известными математико-статистическими методами в прогнозировании вое шире используются методы, приемы и принципы эвристического предсказания, теории подобия, распознавания образов, имитационного моделирования, морфологического анализа и др. Применение более сложного и эффективного аппарата в прогнозировании оправдано и обусловлено, главным образом, недостаточностью или отсутствием исходной информации об объекте прогнозирования и высоким уровнем неопределенности при разработке перспективных прогнозов. В этой связи большое распространение в практике разработки таких прогнозов получили экспертные методы, сфера применения которых постоянно расширяется. 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПРОГНОЗИРОВАНИЯ В самом общем смысле прогнозирование означает разработку прогноза в виде формулирования «вероятностного научно обоснованного суждения о возможных состояниях какого-либо явления в будущем или об альтернативных путях и сроках их осуществления». Соответственно прогнозирование – это процесс разработки прогноза, а Научная дисциплина о закономерностях разработки прогнозов это прогностика (или футурология). 1.1 Понятие и сущность методологии прогнозирования Методология (понятие, учение) – система принципов и способов организации и построения теоретической и практической деятельности, а также учение об этой системе. Если теория представляет собой результат процесса познания, то методология является способом достижения этого знания. Разработка прогноза состоит из нескольких этапов: 1) Формулировка задачи прогнозирования, уточнение задания на прогноз 2) Анализ задачи прогнозирования, соответствующих условий и ограничений 3) Определение информационной базы 4) Детализация задачи прогнозирования на отдельные подзадачи 5) Выбор метода построения прогноза по каждой подзадаче 6) Собственно прогнозное исследование; 7) Обработка результатов исследования; 8) Агрегирование локальных прогнозных оценок в сводный прогноз 9) Определение точности и достоверности прогноза (этап верификации). 10) Принятие решений по прогнозу. В общем случае эти этапы объединяются в более крупные: Прогнозная ретроспекция - этап прогнозирования, на котором исследуется история развития объекта прогнозирования и прогнозного фона с целью получения их систематизированного описания; Прогнозный диагноз - этап прогнозирования, на котором исследуется систематизированное описание объекта прогнозирования и прогнозного фона с целью выявления тенденции их развития и выбора (разработки) моделей и методов прогнозирования Проспекция - этап прогнозирования, на котором по результатам диагноза разрабатываются прогнозы объекта прогнозирования и прогнозного фона, производятся верификация и синтез прогнозов Типология прогнозов может определяться по различным критериям в зависимости от целей, задач, объектов, предметов, проблем, характера, периода упреждения, методов, организации прогнозирования и т. д. Основополагающим является проблемно-целевой критерий: для чего разрабатывается прогноз? Соответственно различаются два типа прогнозов: поисковые (их называли прежде исследовательскими, изыскательскими, трендовыми, генетическими и т. п.) и нормативные (их называли программными, целевыми). Поисковый прогноз — определение возможных состояний явления в будущем. Имеется в виду условное продолжение в будущее тенденций развития изучаемого явления в прошлом и настоящем, абстрагируясь от возможных решений, действия на основе которых способны радикально изменить тенденции, вызвать в ряде случаев самоосуществление или саморазрушение прогноза. Такой прогноз отвечает на вопрос: что вероятнее всего произойдет при условии сохранения существующих тенденций? Нормативный прогноз — определение путей и сроков достижения возможных состояний явления, принимаемых в качестве цели. Имеется в виду прогнозирование достижения желательных состояний на основе заранее заданных норм, идеалов, стимулов, целей. Такой прогноз отвечает на вопрос: какими путями достичь желаемого? Поисковый прогноз строится на определенной шкале возможностей, на которой затем устанавливается степень вероятности прогнозируемого явления. При нормативном прогнозировании происходит такое же распределение вероятностей, но уже в обратном порядке: от заданного состояния к наблюдаемым тенденциям. Можно предложить следующую классификацию прогнозов по ряду признаков: По природе объекта прогнозирования прогнозы делятся на: а) научно-технические; б) технико-экономические; в) социально-экономические; г) военно-политические; е) естественно-научные. По иерархии управления: а) прогнозы развития отдельных предприятий и их объединений; б) прогнозы развития отраслей и кластеров; в) прогнозы развития муниципальных образований; г) прогнозы развития регионов; д) прогнозы развития страны; е) прогнозы развития международного сотрудничества и международных структур; ж) глобальные прогнозы (мировые). По времени упреждения событий (для технико-экономических и социально-экономических процессов): а) оперативные (до 1 месяца); б) краткосрочные (до 1 года); в) среднесрочные (до 5 лет); г) долгосрочные (от 5 до 15-20 лет); д) дальнесрочные (за пределами дальнесрочных). Если разрабатывается прогноз для других систем, например естественно-научных, то сроки для каждой градации будут другими. По характеру развития во времени: а) дискретные (прерывные) объекты, регулярная составляющая (тренд) которых изменяется скачками в фиксированные моменты времени б) апериодические объекты, имеющие описание регулярной составляющей в виде непрерывной функции времени в) циклические объекты, имеющие регулярную составляющую в виде периодической функции времени По степени информационной обеспеченности: а) объекты с полным обеспечением количественной информацией; б) объекты с неполным обеспечением количественной информацией; в) объекты с наличием качественной ретроспективной информацией; г) объекты с полным отсутствием ретроспективной информации По способу предоставления прогнозной информации: а) точечный (в виде единственного значения) б) интервальный (совокупность значений прогнозной величины на основе расчетов интервалов) По учету прогнозного фона (совокупности внешних по отношению к объекту прогнозирования условий, существенных для решения задачи прогноза) а) безусловный; б) условный. В настоящее время выделяется несколько методологических принципов прогнозирования, на основе которых проводится анализ объекта прогноза и разрабатывается собственно прогноз. 1) Принцип системности. Главным понятием при этом выступает «система» – целое, составленное из частей; соединение, или множество элементов с отношениями и связями между ними, образующих определенную целостность. Следует иметь ввиду, что сущность понятия системы тесно связана с такими категориями, как: целостность, структура, связь элемент, отношение подсистема и др. Характерным признаком системы является особенность множества элементов, образующих систему, противостоять среде. И, кроме того, функционирование системы опирается на определенную упорядоченность её элементов, отношений и связей. Важным свойством системы является ее эмерджентность, то есть наличие у системы свойств, не присущих ее отдельным частям и блокам. 2) Принцип историзма в общественном предвидении ориентирует на изучение конкретных закономерностей, условий их развития и требует подкрепления предвидения глобальных изменений систематическим прогнозированием более частных общественных процессов. В этом смысле прогноз уточняет наше представление общей тенденции развития, раскрывает конкретные черты и особенности будущего развития явлений, локализует их в пространственно-временных границах, т.е. представляет прогностическую модель развития данного явления, или процесса. При этом учитываются возможные изменения прогнозного фонда, т.е. внешних условий в будущем. 3) Принцип согласованности подразумевает согласование нормативных и поисковых подходов и соответственно прогнозов; прогнозов возможного развития различных сфер – экономической, экологической, демографической и других, и различного периода упреждения. 4) Принцип верифицируемости прогнозирования указывает на обязательную процедуру проверки разработанных прогнозов на точность, надежность, достоверность, их обоснованность. 5) Принцип рентабельности прогнозирования говорит о превышении экономического эффекта от использования прогноза над затратами на его разработку. 6) Принцип непрерывности прогнозирования требует корректировки прогнозов по мере поступления новых данных об объекте прогнозирования. А это возможно при функционировании постоянно действующих прогнозирующих систем в научно-исследовательских центрах с целью отслеживания ситуации и соответственно уточнения прогноза. Только в этом случае можно рассчитывать на достоверный прогноз. Важной характеристикой любого прогноза является его точность и достоверность. Под точностью понимается оценка доверительного интервала прогноза для заданной вероятности его осуществления. Под достоверностью понимается оценка вероятности осуществления прогноза для заданного доверительного интервала. 1.2. АНАЛИЗ СИСТЕМЫ ПОКАЗАТЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ Формой выражения характеристик исследуемых объектов с количественной точки зрения выступают показатели. В практике статистических исследований термин «показатель» употребляется как конкретное значение количественных характеристик явления в конкретных условиях места и времени. В общем случае систему показателей прогнозирования можно разделить на: натуральные и стоимостные, абсолютные и относительные, количественные и качественные, утверждаемые, индикативные и расчетные. Деление показателей на натуральные и стоимостные вытекает из двойственного характера труда и связано с наличием товарно-денежных отношений. Натуральные показатели характеризуют вещественный аспект воспроизводства. Они устанавливаются в физических и условных единицах измерения: тоннах, метрах, штуках, тоннах условного топлива и т.д. Стоимостные показатели выражаются в денежном отношении. С их помощью рассчитываются общие объемы производства продукции, затраты на производство, доходы и расходы государства и предприятий. Количественные и качественные. Количественные показатели могут быть измерены с помощью заданной системы измерения. Качественные показатели, как правило, характеризуют какие-то стороны объекта, которые измерению не подлежат. Показатели рассчитываются как в абсолютном, так и в относительном выражении. Первые характеризуют суммарные абсолютные величины показателей, вторые – темпы роста и прироста, дают обобщенное представление о динамике соответствующих величин во времени. Отношения низовых звеньев экономики с верхним уровнем находят свое отражение в системе утверждаемых, индикативных и расчетных показателей. К утверждаемым относят – утверждаемые вышестоящими органами и доводимые до нижестоящих в форме заданий на поставку продукции или ограничении по использованию природных ресурсов. Расчетные показатели носят вспомогательный характер. При переходе к рыночным отношениям, в связи с расширением самостоятельности функционирования низовых звеньев экономики резко сужен круг утверждаемых и расширена сфера индикативных показателей. 1.3 Классификация и характеристика методов прогнозирования Бурное развитие прогностики как науки в последние десятилетия привело к созданию множества методов, процедур, приемов прогнозирования, далеко не равноценных по своему значению. Отсутствие четкой систематизации этого множества приводит к продолжению спонтанного расширения инструментария прогностики зачастую малоценными и компилятивными методами. 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. Как правило, различаются простые методы (сингулярные) прогнозирования и комплексные методы прогнозирования. При этом под простым методом прогнозирования понимается метод, неразложимый на еще более простые методы прогнозирования, и соответственно под комплексным — метод, состоящий из взаимосвязанной совокупности нескольких простых. Если определить прогноз как выявление наиболее вероятных траекторий развития (или состояния) объекта на перспективу, то можно видеть, что методы прогнозирования различаются не процедурой получения прогнозного результата, а способом описания объекта и среды. Но способ описания сам по себе не может реализовать ту или иную возможность описания поведения объекта в будущем по отношению к фактической траектории его развития, что, очевидно, можно получить, используя процедуру экстраполяции. Иными словами, любая прогнозная модель вне зависимости от вида и способа описания объекта, которая оперирует изменениями этого объекта в будущем, непосредственно для описания этих изменений использует процедуру экстраполяции. Причем реализация этой процедуры относится как ко временным, так и пространственным и понятийным характеристикам рассматриваемого объекта. Можно указать две основные цели классификации методов прогностики. Это, во-первых, обеспечение процесса изучения и анализа методов и, во-вторых, обслуживание процесса выбора метода при разработке прогнозов объекта. Методы прогнозирования – совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, внешних и внутренних связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности относительно его (объекта) будущего развития. По оценкам зарубежных и отечественных систематиков прогностики, уже насчитывается свыше 150 методов прогнозирования. Безусловно, число базовых методов прогностики, которые в тех или иных вариациях повторяются в других методах, гораздо меньше. Многие из так называемых методов относятся скорее к отдельным приемам или процедурам прогнозирования, другие - представляют набор отдельных приемов, отличающихся от базовых или друг от друга количеством частных приемов и последовательностью их применения. В выборе методов прогнозирования, важным показателем является глубина (период) упреждения прогноза (на какой промежуток времени разрабатывается прогноз). При этом необходимо знать не только абсолютную величину этого показателя, но и соотнести его с длительностью эволюционного цикла развития объекта прогнозирования (то есть с периодом основания прогноза). Отметим, что прогнозный горизонт это максимально возможный период упреждения прогноза заданной точности Если величина глубины упреждения укладывается в рамках эволюционного цикла, то действенными являются формализованные методы прогнозирования (можем построить математическую модель и используем фактографические методы). При возникновении в рамках прогнозного периода «скачка» в развитии объекта прогнозирования необходимо использовать интуитивные методы как для определения силы «скачка», так и для оценки времени его осуществления. В этом случае формализованные методы применяются для оценки эволюционных участков развития до и после скачка. Если же в прогнозном периоде укладывается несколько эволюционных циклов развития объекта прогнозирования, то при при разработке прогноза большее значение имеют интуитивные методы. В литературе имеется большое количество классификационных схем методов прогнозирования. Однако многие из них обладают недостаточной познавательной ценностью. Основной погрешностью существующих классификационных схем является нарушение принципов классификации. К числу основных принципов классификации методов прогнозирования относятся: • достаточная полнота охвата прогностических методов; • единство классификационного признака на каждом уровне членения (при многоуровневой классификации); • непересекаемость разделов классификации; • открытость классификационной схемы (возможность дополнения новыми методами). Как уже было сказано выше все методы прогнозирования можно условно разделить на две большие группы: • комплексные методы; • простые (сингулярные) методы. К комплексным методам относятся: а) метод прогнозного графа б) система Паттерн в) метод Форсайта Все простые методы можно с определенной долей условности разделить на интуитивные и фактографические. Фактографические методы прогнозирования базируются на фактическом информационном материале, применяемом при поисковом прогнозировании и включают: а) статистические методы; б) опережающие методы прогнозирования. Все статистические методы можно в общем виде разделить на: Экстраполяцию и интерполяцию • Математическая подгонка полиномами • Экстраполяция подбором простых стандартных функций • Экстраполяция с дисконтированием данных • Экстраполяция функций с гибкой структурой • Экстраполяция по огибающим кривым Регрессию и корреляцию • Авторегрессионные модели • Парные и ступенчатые корреляции и регрессии • Модели множественных регрессий и корреляций Факторные модели • Компонентный анализ • Многофакторные модели • Экстраполяционные прогнозы факторных структур Правомерность использования статистических меттодов обусловливается принципом инерционности, свойственным любому процессу развития и отражающим его диалектический характер. Это проявляется в сочетании характеристик устойчивости и изменчивости, присущих любому процессу, рассматриваемому в развитии. Свойственная процессу (объекту, явлению) устойчивость обусловливает сохранение процесса без существенных изменений и перехода в новое качественное состояние. Изменчивость выражается в постепенном изменении, обновлении процесса, накоплении нового качества, обусловливающими развитие процесса (объекта, явления). Соотношение характеристик устойчивости и изменчивости, их удельный вес в общей характеристике развития за определенные хронологические интервалы определяют степень инерционности объекта прогнозирования. Чем большей инерционностью обладает процесс, тем с большим основанием гипотеза о будущем развитии этого процесса (прогноз) может базироваться на анализе прошлого (ретроспекции) и тем больше возможностей для использования статистических методов прогнозирования. Чем меньше инерционность процесса, т.е. чем неустойчивее, динамичнее процесс, тем более необходимо для построения прогноза привлечение экспертных методов, использующихся при ограниченной ретроспективной информации, или при ее отсутствии. Опережающие методы прогнозирования используются, в основном, для прогнозирования направлений научно-технического прогресса и включают в себя: • Методы анализа динамики патентования • Публикационные методы прогнозирования • Цитатно-индексные методы • Генеральные определительные таблицы • Анализ коэффициента полноты уровня техники 2. КЛАССИФИКАЦИЯ, ОБЛАСТИ ПРИМЕНЕНИЯ И ОБЩАЯ ПРОЦЕДУРА ЭКСПЕРТНЫХ МЕТОДОВ ПРОГНО3ИРОВАНИЯ Во всех многочисленных и разнообразных классификациях методов прогнозирования, существующих в настоящее время, экспертные метода выделяются из всех сингулярных методов по признаку "характер используемой исходной информации" как совокупность методов, в основе которых лежат знания и опыт экспертов - высококвалифицированных специалистов в области проводимых исследований. Экспертные методы являются единственно пригодными для тех прогнозных задач, в которых исходная объективная информация либо недостаточна, либо отсутствует, либо не поддается формализации. Эти методы предпочтительны при изучении динамики процессов, когда есть основания предполагать скачкообразные изменения или разрывы в развитии. Кроме того, их применяют, когда период упреждения намного превышает период ретроспекции, а также в ряде случаев, когда необходимо одновременно учесть достаточно большое количество факторов, влияющих на исход ситуации в будущем. Экспертные методы полезны также для проведения верификации методом дублирующего прогноза. Общая особенность экспертных методов состоит в том, что практически вся процедура их работы (за исключением отдельных этапов статистического анализа результатов экспертных опросов) трудно поддается формализации. В связи с этим все экспертные методы характеризуются наиболее высокой по сравнению с другими методами прогнозирования степенью субъективности, которая объясняется как интуитивным характером прогнозной информации, получаемой от экспертов, так и неизбежностью элементов субъективности в самой процедуре работы методов. Таким образом, областью применения экспертных методов являются преимущественно задачи долгосрочного и сверхдолгосрочного прогнозирования, прогнозные задачи с неформализуемой информацией и задачи верификации прогнозов. Экспертные методы прогнозирования по способу выработки информации о будущем подразделяются на две большие группы. В методах, относящихся к первой группе, эксперты непосредственно (интуитивно) дают суждения о характеристиках и будущем состоянии объекта прогноза. Эти методы называют интуитивными. Методы второй группы предполагают определенную формальную (аналитическую) схему исследования задачи, которой должен руководствоваться каждый эксперт при формировании суждения. Эти методы называют аналитическими. Большинство интуитивных и аналитических методов прогнозирования могут использоваться в индивидуальном и групповом режимах. В общем случае предпочтительны коллективные экспертные оценки, так как они обеспечивают большую объективность экспертных заключений. Однако индивидуальные экспертные оценки вполне применимы в том случае, когда отсутствует группа высококвалифицированных специалистов в новой области науки и техники, либо для разработки экспресс-прогноза при подготовке задания на проведение более глубокого прогнозного исследования. Организация прогнозных исследований может либо предполагать, либо исключать общение экспертов друг с другом. Обмен мнениями между экспертами по поводу высказанных оценок и суждений, обсуждение их аргументации позволяют, как правило, достигнуть наибольшей согласованности мнений участников экспертизы. Однако при этом возникает опасность необоснованного, излишнего влияния мнений отдельных признанных авторитетов - научных работников, специалистов или административных лиц на общую оценку группы и, следовательно, снижения объективности экспертного прогноза. Самостоятельная, независимая работа экспертов достигается либо заочным проведением экспертизы, либо использованием анонимных анкет. При этих условиях обеспечивается наибольшая свобода высказываний экспертов, благодаря чему повышается объективность прогноза, но затрудняется достижение согласованного мнения группы. Кроме того, может предполагаться или исключаться непосредственное взаимодействие экспертов с организаторами экспертизы - соответственно очная и заочная форма работы с экспертами. В первом случае максимально сокращаются или исключаются потери в совокупности оценок и суждений из-за неправильного понимания экспертами задачи и особенностей проводимых прогнозных исследований, но предъявляются повышенные требования к способности эксперта давать оценки экспромтом. Затраты времени и средств в этом случае, как правило, больше. Во втором случае труднее добиться единого понимания задач экспертизы ее организаторами и экспертами, воссоздаются лучшие условия для самостоятельной творческой работы каждого эксперта и, как правило, уменьшаются затраты времени и средств на проведение экспертизы. Экспертные методы различаются также характером процесса непосредственной выработки экспертной информации о будущем. Эксперты могут работать с заранее сформулированными в той или иной форме анкетами (методы анкетного опроса), а могут высказывать свои суждения и аргументы в форме свободного обмена мнениями (методы "комиссии"), могут "генерировать" идеи (методы "мозговых атак"), могут давать оценку отдельным событиям будущего, а могут формировать согласованную картину будущего, состоящую из большого количества взаимосвязанных событий (прогнозный "сценарии"), экспертиза может быть организована как разовое (однотуровое) исследование (большинство интуитивных методов), а может проводиться в несколько последовательных туров (метод "Дельфи", большинство аналитических методов) и т.п. Таким образом, всю совокупность экспертных методов можно подразделить на группы по ряду признаков: • по наличию или отсутствию той или иной аналитической схемы проведения прогнозных исследований - на интуитивные и аналитические; • по количеству привлекаемых к опросу экспертов - на индивидуальные и коллективные; • по форме и способу организации работы экспертов - на методы, предполагающие личное общение экспертов и анонимные экспертные опросы; • по характеру взаимодействия экспертов с организаторами экспертизы - на очные и заочные экспертные исследования; • по характеру процесса непосредственной выработки экспертами прогнозной информации - на методы анкетирования, методы генерирования, методы свободной дискуссии, методы однотуровой и многотуровой экспертизы. Различные сочетания этих признаков формируют определенную процедурную специфику того или иного конкретного метода, обусловливают различия в характере и форме получаемой экспертной информации (результат прогнозных исследований), требуют различной методики подготовки и проведения экспертных прогнозных доследований. Такое разнообразие экспертных методов прогнозирования является результатом адаптации теории прогностики к достаточно широкому кругу различных задач прогнозирования, которые могут быть решены преимущественно с использованием экспертной информации. Общая процедура работы всех экспертных методов прогнозирования, независимо от их специфических особенностей, представляется следующими основными этапами. Этап 1. Уточнение и анализ задания на прогноз: рассматриваются характеристика объекта прогноза, требуемая степень его детализации, возможности использования экспертами уже имеющейся, так называемой "опорной" информации, уточняются время упреждения, условия прогнозных исследований (ограничения по срокам разработки прогноза, организационным и финансовым возможностям). На основании всего этого выбирается тот или иной конкретный экспертный метод. Этап 2. Организационная и методическая подготовка прогнозных исследований: в соответствии с заданием и условиями разработки прогноза с учетом выбранного метода устанавливается форма работы с экспертами, решаются все организационные вопросы, разрабатывается все методическое обеспечение исследований (составляются программы проведения опросов и опросные документы, выбираются способы подбора экспертов, формируется методика обработки результатов опроса). Этап 3. Подбор экспертов: на основе выбранной методики с учетом особенностей задания на прогноз и всех дополнительных условий проведения исследований подбирается один эксперт или группа экспертов, с использованием или без использования формальных процедур оценки их компетентности и численности. Этап 4. Проведение экспертных прогнозных исследований: непосредственная работа с экспертами осуществляется по установленным ранее процедурам и на основе разработанных программ и опросных документов. Работа может проводиться в один тур (как в большинстве интуитивных методов) и в несколько последовательных туров, связанных единой логикой исследований (как в методе "Дельфи" и в аналитических методах). В аналитических методах на этом же этапе в дополнение к общей характеристике объекта прогноза (этап 1) осуществляется в требуемом объеме его анализ, результаты которого являются основой построения соответствующей модели развития этого объекта. Этап 5. Обработка и анализ результатов прогнозных исследований и выработка рекомендаций по ним (собственно прогноз): на основе сформированной на этапе 2 методики, предусматривающей формальные (количественные) и неформальные процедуры, обрабатываются результаты экспертизы. Цель данного этапа - получить обобщенное мнение группы экспертов и аргументированное обоснование и оценку оригинальных индивидуальных суждений экспертов. На основе этого анализа даются рекомендации по прогнозу. Перечисленные этапы характерны для всех экспертных методов, но в каждом конкретном методе в зависимости от его специфических особенностей процедуры отдельных этапов осуществляются в большем или меньшем объеме, с большей или меньшей степенью формализации. 2.1 ИНТУИТИВНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ Интуитивные методы прогнозирования являются по существу обобщением и дальнейшим развитием практики обсуждения вопросов и принятия решений по ним. Преимущественным источником прогнозной информации при использовании этих методов являются мнения, суждения, оценки высококвалифицированных специалистов в исследуемой области - экспертов. Интуитивные методы прогнозирования позволяют получить вполне надежную, а для некоторых видов прогнозов единственно возможную информацию. Эксперты дают прогнозную информацию как бы уже в готовом виде. Как правило, экспертов не ограничивают какой-либо определенной схемой исследований и не требуют от них объяснения логики их заключений. Но каждый эксперт неизбежно руководствуется своей интуитивной (неформализованной) схемой и логикой исследований, опирается на свою интуитивную аргументацию даваемых оценок и суждений, на свои интуитивные критерии их отбора. С интуитивным характером прогнозной информации связан один из основных источников субъективности экспертных прогнозов. Кроме того, поскольку эти методы основаны на взаимодействии экспертов друг с другом и с организаторами экспертизы, то в процессе их работы возникает много психологических моментов, с которыми приходится считаться и которые неизбежно повышают субъективность экспертных прогнозов. Частичное устранение этого недостатка достигается: • привлечением к опросу большого числа определенным образом подобранных экспертов; • специальными организационными процедурами проведения самого опроса; • специальными процедурами обработки результатов экспертных заключений. В зависимости от возможностей использовать в процедуре работы конкретного метода те или иные пути повышения объективности экспертных заключений получаемый экспертный прогноз характеризуется большей или меньшей степенью субъективности. Следует отметить еще одну характерную для всех интуитивных методов особенность - эти методы регламентируют, прежде всего, процедуру работы и практически не накладывают никаких ограничений на объекты и виды прогноза; на характер, последовательность и содержание вопросов к экспертам, на форму и содержание ответов экспертов. Одна и та же процедура может быть применена к различным объектам, различным видам прогнозов и задачам прогнозирования. В этом отношении интуитивные методы (в отличие от экспертных аналитических методов) достаточно универсальны. К интуитивным методам прогнозирования относятся все разновидности экспертных опросов, как индивидуальных, так и коллективных. Информация, полученная от экспертов, рассматривается как прогнозная, ее анализ позволяет выработать рекомендации по прогнозу. Общая процедура работы интуитивных методов прогнозирования складывается из перечисленных выше основных этапов. Конкретные процедурные отличия каждого метода определяют его возможности и условия применения, а, следовательно, и области наиболее целесообразного (эффективного) его использования в практике прогнозирования. 2.1.1. ИНДИВИДУАЛЬНЫЕ ЭКСПЕРТНЫЕ ОЦЕНКИ Это самые простые формы экспертного опроса. К ним относятся очная форма опроса - метод "интервью"; заочная форма опроса - метод аналитических докладных записок. "Интервью" предполагает беседу прогнозиста с экспертом по заранее разработанной программе. При этом успех экспертизы зависит от следующих условий: • от индивидуальных качеств эксперта, его эрудиции, умения давать экспромтом ответы на поставленные вопросы; • от качества разработанной программы, от степени охвата и детализации объекта, учитывающей возможности эксперта, от логической последовательности и формулировок предлагаемых вопросов; • от уровня квалификации и опыта интервьюера, проводящего беседу. Время, отводимое на экспертизу, в этом случае достаточно мало. Аналитические докладные записки предполагают длительную самостоятельную работу эксперта по анализу тенденций развития прогнозируемого процесса, объекта или явления и письменные заключения о перспективах его развития. В данном случае у эксперта больше творческой свободы, возможности более глубокого обдумывания вопросов, но это и более долгий по времени процесс. Индивидуальные экспертные оценки характеризуются наиболее высоким уровнем субъективности прогнозных суждений. Еще в недавнем прошлом эти методы были практически единственным инструментом построения прогнозов будущего. В настоящее время их применение очень ограничено. Индивидуальные оценки оказываются весьма полезными на этапах предварительной проработки проблемы, в процессе которой формируются направления и характер дальнейших прогнозных исследований. 2.1.2. КОЛЛЕКТИВНЫЕ ЭКСПЕРТНЫЕ ОЦЕНКИ Целью методов этой группы является получение обобщенного мнения группы экспертов. Они позволяют получить более объективную, чем индивидуальные оценки, информацию о перспективах развития объекта. Обработка результатов экспертных заключений и подбор группы экспертов основываются на методах оценки выборочных статистических наблюдений. Считают, что если экспертная группа достаточно представительна по своей компетентности и численности (т.е. она репрезентативна), то выборочное мнение этой группы достаточно близко к мнению генеральной совокупности экспертов, т.е. к истинному значению прогнозируемой характеристики. Кроме того, преимущества коллективных экспертных оценок основаны на ряде общих предпосылок, заключающихся в том, что: • общая сумма информации, которой обладает группа экспертов, по крайней мере, не меньше, чем информация, которой обладает один даже самый высококомпетентный эксперт; • общее количество факторов, которое может учесть группа экспертов, по крайней мере, не меньше, чем общее количество факторов, которое в состоянии учесть один даже самый высококомпетентный эксперт; • каждый эксперт, если он поддержан всей группой, с большей охотой берет на себя ответственность за свои прогнозные суждения. По способам организации и проведения экспертизы коллективные экспертные методы подразделяются на следующие основные группы: • метод "комиссий"; • методы "мозговых атак"; • методы анкетного опроса; • метод "Дельфи". Процедурные особенности методов связаны с различиями получаемой прогнозной информации и, соответственно, с различиями в областях применения методов в прогнозировании. Метод "комиссий" ("круглого стола") Этот метод - один из самых простых по процедуре организации. Он предполагает дискуссию по обсуждаемой проблеме в форме свободного обмена мнениями между экспертами по заранее разработанной программе экспертизы и выработку обобщенного мнения группы экспертов путем согласования в определенной степени мнений всех экспертов. При такой организации экспертизы достаточно сложно использовать большую группу экспертов. Кроме того, при личном общении экспертов в составе "комиссии" практически всегда существует опасность взаимного влияния мнений экспертов, особенно мнений признанных авторитетов в данной области исследований. Однако метод комиссий отличается значительной оперативностью и может быть использован в условиях жестких ограничений по времени проведения экспертизы, а также для целей предварительной постановки проблемы дальнейших прогнозных исследований. Сама процедура "комиссий" не является специфическим инструментом прогнозирования, а заимствована из других сфер деятельности, где она широко применяется как организационная форма обсуждения различного рода вопросов и проблем. Применение метода "комиссий" в прогнозировании дополняет возможности прогностических исследований. Методы "мозговых атак" ("мозгового штурма") Методы этой группы называют еще методами коллективной генерации идей. Они предполагают проведение опросов группы экспертов по заранее разработанной программе или вопроснику при следующих основных условиях: • максимально стимулируется активность экспертов, чтобы они высказывали как можно больше идей (мнений, оценок) относительно перспектив развития объекта; • не допускается никакая критика в адрес высказанных идей (мнений, оценок); • количество высказываний каждого эксперта не ограничивается. Результатам "мозговой атаки" присваивается авторство всей группы, поскольку предполагается, что каждая идея может принадлежать любому другому члену экспертной группы, ожидающему своей очереди высказаться. Программа "мозговых атак" (или "мозгового штурма") строится таким образом, чтобы обеспечить лавинообразный поток высказываний. Первая часть экспертизы называется этапом собирания или генерации идей. Часто этап генерации идей дополняется этапом оценки научной значимости высказанных идей. Эти два этапа составляют так называемую прямую "мозговую атаку". Результат прямой "мозговой атаки" представляется в виде списка идей. В случаях, когда прямая "мозговая атака" дополняется еще одной процедурой - процедурой разрушения (деструкции) высказанных идей, метод называется методом деструкции или деструктивной отнесенной оценки (ДОО). Процедура деструкции также осуществляется в два этапа. Сначала группа экспертов в своих высказываниях пытается опровергнуть ("разрушить") те идеи, которые были высказаны на этапе генерации, высказывая контридеи. Этот этап деструкции проводится также в форме "мозговой атаки". Затем осуществляется анализ контридей, в результате которого из списка "сгенерированных" ранее идей исключаются "разрушенные" идеи, не имеющие научной или практической значимости или практически не осуществимые. Окончательно в списке идей остаются только те из них, которые оказываются неразрушенными и научная значимость и реализуемость которых таким образом доказана. Накопленный опыт практической работы с этой группой методов позволяет установить, что при прямой "мозговой атаке "группа экспертов должна составлять 10-15 человек, продолжительность "атаки"-от 20 минут до I часа (первые 5-10 минут осуществляется принудительный опрос экспертов с целью возбуждения их активности и достижения лавинообразного характера высказываний). При правильной организации "атаки" обычно высказывается до 120 заслуживающих внимания идей. На этапе ДОО оптимальной считается группа в 20-25 человек, продолжительность "штурма" до 1,5 часа. Методы "мозговых атак" - это специфический инструмент прогнозирования. С их помощью формируется перечень объектов (целей, направлений развития; значений каких-либо свойств, характеристик; путей и средств достижения целей и др.), подлежащих дальнейшим прогнозным исследованиям и оценке. Эффективность этих методов очень высока. Американские ученые подсчитали, что групповое мышление в форме "мозговых атак" вырабатывает на 70% больше заслуживающих внимания идей, чем сумма индивидуальных мышлений. Вместе с тем, методы "мозговой атаки" предъявляют особые требования к правильной организации экспертизы, к уровню квалификации и практическому опыту руководителя "атаки" ("штурма") и не исключают необоснованного взаимного влияния мнений экспертов, возникающего при их личном общении в процессе "штурма". Последнее обстоятельство,в свою очередь, предъявляет соответствующие требования к подбору участников "штурма". Методы анкетного экспертного опроса Методы коллективной экспертной оценки с использованием анкет - это систематизированная процедура опроса коллектива экспертов по одному вопросу или комплексу вопросов, составленному предварительно группой специалистов. Цель опроса - выявление обобщенного коллективного мнения по этим вопросам. Эти методы характеризуются большим разнообразием организационных форм: очные и заочные опросы, личное общение экспертов и анонимные опросы со всеми присущими этим формам организации особенностями, преимуществами и недостатками. Особенно широкое распространение и развитие в последнее время получил метод коллективного экспертного опроса на основе анонимных анкет. Применение анонимных анкет позволяет создать наиболее благоприятные условия для свободных творческих высказываний экспертов. Анонимность опроса устраняет неизбежную при непосредственном общении психологическую зависимость экспертов от высказываний (оценок) признанных авторитетов, вышестоящих должностных лиц, принятых традиционных направлений мышления в исследуемой области, вольное или невольное влияние прогнозиста - руководителя экспертизы на выводы и оценки экспертов, позволяет обеспечить взаимную независимость суждений экспертов. Благодаря этому повышается объективность и обоснованность экспертного прогноза. Прогнозное исследование методом коллективной экспертной оценки с помощью анкетного опроса состоит из нескольких основных этапов. Каждый этап представляет серьезное методическое или прогнозное исследование, осуществляемое либо организаторами экспертизы, либо экспертами. Сначала осуществляется так называемая предпрогнозная ориентировка, в процессе которой формируется цель прогноза, т.е. определяется, для чего проводится исследование, на что будет направлено использование его результатов. Обычно цель либо ставится некоторым директивным органом или другой организацией, выступающей в качестве "заказчика", либо формируется на основании результатов предшествующего этапа прогнозных исследований. После этого совместно с прогнозистами (группой организаторов экспертизы) "заказчик" разрабатывает задание на прогноз, в котором определяется, что именно надо прогнозировать, с какой точностью и при каких условиях. Прогнозист (или группа прогнозистов) на основании задания уточняет объект прогноза, его структуру и состав прогнозируемых показателей, степень детализации, время упреждения и т.д. (этап 1). Затем начинается подготовка экспертного опроса, в процессе которой решаются две основные задачи: разработка методики экспертного опроса (этап 2) и формирование коллектива экспертов - экспертной группы (этап 3). В зависимости от специфики конкретного исследования второй и третий этапы могут меняться местами. В процессе подготовки экспертного опроса в первую очередь устанавливаются организационные формы и способы проведения опроса (очно, заочно, устно, письменно, анонимно), каждый из которых имеет свои преимущества и свои недостатки и в значительной мере определяет дальнейшие работы по подготовке и проведению экспертизы. Отражается это и на требованиях, предъявляемых к опросным документам - анкетам. Анкеты с ответами экспертов рассматриваются в данном случае как единственный источник прогнозной информации, от качества их составления во многом зависит и качество экспертного прогноза. Анкеты с четко сформулированными вопросами, соответствующие логической структуре объекта прогноза, учитывающие предполагаемый характер работы экспертов и их возможности, снабженные в случае необходимости определенной информацией, относящейся к исследуемому вопросу, способствуют более плодотворной работе экспертов, сокращают время на оформление экспертами результатов своих заключений. Формирование анкеты в каждом конкретном случае определяется рядом условий: целью проводимой экспертизы, требуемой формой представления ее результатов, установленной степенью детализации и логической структурой объекта прогноза, условиями и организацией работы экспертов. В свою очередь, установленная форма представления прогнозной информации в анкете, т.е. форма ответов экспертов на вопросы анкеты различного характера (количественные оценки, содержательные ответы в свернутой и развернутой форме, ответы на открытые и закрытые вопросы и т.д.), предопределяет выбор или формирование той или иной методики обработки и анализа результатов экспертных заключений. Поскольку цель обработки экспертной информации - получить обобщенное мнение репрезентативной группы экспертов как наиболее вероятную оценку прогнозируемого события (процесса, явления) и при этом проанализировать те оценки, которые резко отличаются от обобщенного группового мнения (так называемые оригинальные суждения), с возможной их аргументацией, то и процедура обработки и анализа строится, соответственно, по этим двум направлениям. Методы анкетного опроса в большей степени, чем все изложенные ранее экспертные методы, допускают применение формализованных процедур, более строгих и обоснованных, чем интуитивные волевые решения. Такие процедуры используются на этапах формирования экспертной группы и анализа результатов экспертных оценок. Методические вопросы, связанные с формализацией этих процедур, выделены в самостоятельные разделы и излагаются ниже, поскольку они носят общий характер и при соответствующих условиях эти формализованные процедуры могут быть использованы в других коллективных экспертных методах. Универсальность всей процедуры работы методов коллективного анкетного опроса, возможность использования формализованных подходов на отдельных этапах их работы обусловили широкое применение этих методов в прогнозировании. Эти методы со всем разнообразием их организационных форм входят в состав многих более сложных комплексных методов и методик прогнозирования. Метод "Дельфи" Свое название метод получил от греческого города Дельфы, прославившегося жившими там мудрецами - предсказателями будущего, так называемыми дельфийскими оракулами. Этот метод является дальнейшим развитием методов анкетного опроса и представляет собой многотуровое последовательное анкетирование с обратной связью. Цель такого многотурового опроса - получение более точной и более согласованной прогнозной оценки. Обратная связь осуществляется за счет того, что перед каждым последующим туром опроса экспертам сообщают результаты предыдущего тура. Проведение экспертизы в несколько последовательных туров обусловливает общие процедурные особенности метода и значительно расширяет его возможности по сравнению с однотуровым анкетным опросом. В основе каждого тура экспертизы - процедура коллективного анкетного опроса. Выбор цели и характер процедуры экспертизы также в значительной степени определяются существом проблемы, предполагаемыми конечными результатами и возможными способами их представления, надежностью и полнотой имеющихся данных об объекте прогноза. Разработка организационных форм опроса, отбор экспертов, проведение опроса, анализ и обобщение информации также зависят от конкретных условий проводимой экспертизы. Опрос, как правило, проводится анонимно, характер вопросов и форма ответов экспертов могут быть самыми различными, результаты опроса каждого тура обрабатываются с использованием принятых при анкетировании процедур. Особенности процедуры метода "Дельфи" в том, что перед каждым последующим туром либо экспертам сообщаются результаты предыдущего тура с дополнительной аргументацией отдельных оценок (в виде дополнительной информации в анкете или в другой форме), либо проводится обсуждение результатов предыдущего тура. Кроме того, в случае необходимости экспертам дополнительно может быть предоставлена имеющаяся информация по объекту исследования. Таким образом, все эксперты к началу каждого тура будут находиться в одинаковых условиях по объему так называемой "опорной" информации, благодаря чему повышается надежность прогнозных оценок и от тура к туру улучшается их согласованность. Многотуровый характер опроса позволяет проводить более сложные прогнозные исследования, чем однотуровые экспертизы. Метод "Дельфи" позволяет не только последовательно уточнять групповые оценки, но и начинать опросы с предварительной формулировки проблемы или с "чистого листа" с последующим развертыванием проблемы и детализацией от тура к туру. В этих случаях разрабатывается не одна анкета, а целая серия взаимосвязанных анкет, каждая из которых развивает проблему для соответствующего тура опроса. Кроме того, для каждого тура может формироваться своя группа экспертов ("жюри"). Большое значение имеет также проблема поиска имеющейся дополнительной информации для каждого тура и обеспечения ею экспертов. Соответственно это предполагает постоянную организационную и аналитическую работу группы аналитиков - организаторов экспертизы. Целесообразное число туров экспертизы определяется либо требуемым уровнем точности и согласованности экспертных оценок, либо установленной степенью детализации (или развития) проблемы. Вопрос о числе туров может решаться и по ходу проведения экспертизы. В любом случае необходимо учитывать организационные трудности многотуровых экспертиз, ограничения по времени и средствам. По существу метод "Дельфи" является не одним, а группой (совокупностью) методов, различающихся процедурными особенностями, условиями их применения и решаемыми прогнозными задачами. Метод "Дельфи" значительно расширяет возможности экспертных прогностических исследований и широко используется в теории и практике прогностики и как самостоятельная процедура разработки прогноза, и в составе комплексных методов прогнозирования. 2.2. ФОРМИРОВАНИЕ ЭКСПЕРТНОЙ ГРУППЫ Самостоятельным этапом прогнозных исследований методом коллективной экспертной оценки является формирование коллектива экспертов - экспертной группы. При формировании экспертной группы решается вопрос о ее численности и составе. Основные требования к экспертной группе сводятся к обеспечению ее репрезентативности, т.е. представительности по компетентности экспертов и их численности. 2.2.1 Оценка компетентности экспертов Качество экспертного прогноза в значительной степени определяется уровнем компетентности привлекаемых к опросу экспертов. Поэтому высокая компетентность эксперта является основным условием привлечения его к участию в разработке прогноза. Все многообразие качественных характеристик компетентности чаще всего сводят к трем основным: • эрудиция в смежных отраслях, определяемая научно-практическим кругозором эксперта; • способность к научному предвидению; • осведомленность эксперта в исследуемой области знаний. В настоящее время наиболее распространенными являются следующие способы оценки компетентности экспертов: • самооценка (субъективная оценка); • оценка группой экспертов каждого специалиста; • оценка на основе опыта и результатов прошлой деятельности экспертов. Два последних способа относят к объективной оценке компетентности экспертов. В различных случаях используют либо один из этих трех способов, либо некоторую их совокупность. Количественная оценка качественных характеристик компетентности осуществляется с помощью простых равномерных шкал с диапазонами числовых градаций, чаще всего от 0 до 1, от 0 до 10 или от 0 до 100, снабженных специально разработанными смысловыми градациями. Такие шкалы, как правило, оформляются в виде анкет, в которых отдельные характеристики компетентности сформулированы в виде вопросов к эксперту. Способом самооценки рекомендуют оценивать осведомленность эксперта в исследуемой области. Способом объективной оценки, как правило, оценивают эрудицию и способность к предвидению. В ряде случаев для объективной оценки компетентности используют коэффициент аргументированности суждений эксперта. Этот коэффициент учитывает структуру аргументов, послуживших эксперту основанием для того или иного суждения. Он определяется суммированием значений, отмеченных экспертом в клетках таблицы со шкалой оценок и источников аргументации. В других анкетах объективной оценки, используемых для определения компетентности эксперта, формулируются такие характеристики компетентности, как, например, стаж научной работы, занимаемая должность, ученая степень и звание, число научных трудов и т.д., а такжже разрабатываются шкалы и градации для каждой из них. Оценкой компетентности экспертов является и определение уровня их осведомленности на основе количественной оценки специализации экспертов и степени предпочтительности той или ивой специализации для решения данного вопроса. В этом случае результатом оценки является матрица компетентности экспертов, характеризующая уровень осведомленности каждого из n экспертов по каждому из m вопросов, содержащихся в предлагаемой анкете экспертного опроса. 2.2.2. Определение численности экспертной группы Очевидно, что из общего числа потенциальных экспертов должны быть отобраны эксперты с наиболее высокой компетентностью. Малое число экспертов не позволяет обеспечить достаточную статистическую достоверность их выборочного группового суждения, его соответствие мнению генеральной совокупности экспертов, т.е. истинной оценке прогнозируемого объекта. Кроме того, при малом числе экспертов на общую групповую оценку оказывает излишнее влияние индивидуальная оценка каждого эксперта. В то же время при очень большом числе экспертов труднее выявить их согласованное мнение, уменьшается роль оригинальных суждений, возникают организационные трудности проведения экспертизы, растут затраты времени и средств на проведение опроса. Отбор экспертов начинается с определения областей научных, технических, экономических и административных вопросов, которые охватывают объект будущей экспертизы. Далее для этих областей составляется предварительный список потенциальных экспертов. При формировании этого списка необходимо исходить, прежде всего, из уровня квалификации потенциальных экспертов, широты их кругозора, эрудиции в смежных областях и т.д. Исходный список потенциальных экспертов целесообразно составлять путем проведения ряда последовательных итераций, когда каждого эксперта из числа отобранных на предыдущей итерации просят рекомендовать специалистов, способных дать заключение по каждому вопросу анкеты. Первоначальный отбор может осуществляться с помощью сотрудников управляющего органа для данной отрасли, ведомства, организации, подразделения, организаторов экспертизы и т.п. Итеративный процесс заканчивается после стабилизации совокупности рекомендованных экспертов, т.е. на той итерации, в результате которой итоговый список потенциальных экспертов не пополнится новыми специалистами. В настоящее время при соблюдении общих требований существует два основных способа определения оптимальной численности экспертной группы, и хотя оба они не являются достаточно совершенными, их применение, однако, обеспечивает более высокую надежность результатов экспертного опроса, чем "волевые" решения о назначении участников экспертизы. Первый способ может быть рекомендован в тех случаях, когда для целей экспертизы достаточно получить на каждый из ряда вопросов ответ по крайней мере одного эксперта и на первый план выступает требование минимальных затрат времени и средств на организацию и проведение коллективной экспертной оценки. Тогда решение задачи о выборе экспертов может быть осуществлено методом случайного поиска . Второй способ определения численности экспертной группы основан на установлении максимальной и минимальной границ численности группы. Он заключается в соблюдении для нее двух основных условий: • высокой средней компетентности группы; • стабилизации средней оценки прогнозируемой характеристики. Первое условие используется для определения максимальной численности группы экспертов. На основании второго условия определяется минимальная численность экспертной группы. 2.3. ФОРМИРОВАНИЕ АНКЕТ ЭКСПЕРТНОГО ОПРОСА В общем случае анкета экспертного опроса включает в себя четыре основные части: 1. Обращение к эксперту для введения его в сущность прогнозной разработки, где описаны цель и задачи прогнозного исследования, методические особенности его проведения, роль и функция эксперта; 2. Описание проблемы, предлагаемой эксперту для анализа; 3. Совокупность вопросов или заданий эксперту; 4. Инструкция по оценке компетентности эксперта. Рассмотрим особенности разработки вопросов при формировании анкет. Набор вопросов в анкете и их последовательность должны быть логически связаны с центральной задачей экспертизы и ее структурой. Формулировки вопросов должны обеспечивать их единственное однозначное толкование в общепринятых терминах и выражение ответа в виде конкретного суждения или оценки. Вопросы могут относиться к следующим видам: 1. Вопросы, ответы на которые содержат количественную оценку: время свершения событий, количественные значения прогнозируемых параметров, вероятности осуществления событий. 2. Вопросы, ответы на которые содержат оценку относительной важности отдельных объектов либо относительного влияния их друг на друга. 3. Содержательные вопросы, требующие свернутого ответа в качественной форме: дизъюнктивные, конъюнктивные, импликативные. 4. Вопросы, требующие развернутого ответа либо в виде перечня сведений о предмете, либо в виде перечня аргументов, подтверждающих или отвергающих тезис, содержащийся в вопросе. При ответе на вопросы первого и второго вида эксперт должен сравнивать и оценивать различные варианты, приписывая им определенное число, что предполагает наличие у эксперта определенной интуитивной системы предпочтений, на которую рассчитаны вопросы. Вопросы третьего типа разрабатываются в четыре этапа. На первом этапе экспертная комиссия готовит доклад по исследуемой проблеме. Второй этап заключается в формировании организаторами экспертизы первого варианта вопросника на основе изучения доклада. На третьем этапе вопросник корректируется и дополняется экспертами, для чего первый вариант вопросов посылается им для изучения и уточнения. На четвертом этапе организаторы экспертизы обобщают предложенные экспертами изменения, систематизируют вопросы в соответствии с принципом "от простого к сложному", и разрабатывают окончательный вариант вопросника, как правило, в виде таблиц экспертных оценок. Вопросы четвертого типа формулируются экспертами, а затем систематизируются организаторами экспертизы. При формировании вопросов следует учитывать вид шкалы, по которой эксперт будет давать оценки. В зависимости от того, по какой шкале заданы оценки, они содержат больший или меньший объем информации и в различной степени приспособлены к последующей математической обработке. Для вопросов первого вида основными являются интервальная шкала и шкала отношений, для вопросов второго вида - порядковая шкала, для вопросов третьего и четвертого видов - порядковая и номинальная шкалы. Основные характеристики названных шкал приведены в табл. 1 Таблица 1 Тип шкалы Определение шкалы Отношения, задаваемые на шкале Номинальная Простейший тип измерения, в которой числа или символы используются только для классификации объектов Эквивалентность (=) Порядковая Объекты одного класса находятся в некотором отношении с объектами другого класса Эквивалентность (=) Больше, чем (>) Интервальная Порядковая, плюс известные расстояния между двумя любыми числами на шкале Больше, чем (> ) Известно отношение любых двух интервалов Шкала отношений Интервальная, плюс истинная нулевая точка Эквивалентность (=) Больше, чем ( > ) Известно отношение любых двух интервалов и между любыми двумя точками Для обработки ответов, заданных на шкале отношений, используются статистические методы обработки; ответы, заданные на порядковой шкале, обрабатываются при помощи методов оценки относительной важности; ответы, заданные на номинальной шкале, используются при разработке деревьев целей и морфологических матриц. 2.4. СТАТИСТИЧЕСКАЯ ОБРАБОТКА. РЕЗУЛЬТАТОВ ЭКСПЕРТНЫХ ОПРОСОВ Цель обработки материалов коллективной экспертной оценки - определение показателя обобщенного мнения и степени согласованности мнений экспертов по каждому вопросу, а также выявление экспертов, высказывавших оригинальные суждения (резко отличающиеся от мнения большинства), и групп экспертов, придерживающихся противоположных точек зрения. Характер указанных показателей, а, следовательно, и методика обработки материалов коллективной экспертной оценки определяются типом поставленного перед экспертами вопроса. Вопросы, сформулированные в анкете, могут требовать ответов в количественной или в качественной форме. Обработка результатов экспертного опроса по вопросам, требующим ответов в количественной форме, основана на теории статистических выборок, формируемых исходя из предполагаемого закона распределения вероятностей в данной статистической выборке. Если предполагается нормальное распределение экспертных оценок данной выборки, то показатели обобщенного мнения определяются в соответствии с нормальным законом распределения вероятностей. Чем больше число экспертов в группе, тем ближе к нормальному закон распределения оценок. Как правило, при ограниченном числе экспертов их оценки представляют собой малые статистические выборки, для которых предполагается распределение Стьюдента (так называемое t -распределение) при условии, что распределение оценок генеральной совокупности экспертов подчиняется нормальному закону распределения вероятностей. Чем больше выборка n , тем меньше t -распределение отличается от нормального распределения. Особенности методики обработки результатов экспертных оценок в количественной форме зависят от числа оцениваемых объектов, заключенных в одном вопросе. По числу объектов, оцениваемых в рамках одного вопроса, различают два случая: 1. в одном вопросе оценивается один объект; 2. в одном вопросе оценивается совокупность объектов. 2.4.1 Обработка результатов экспертных оценок одного объекта, заключенного в одном вопросе В случае, когда оценивается один объект рассчитываются следующие показатели: 1. Средняя величина прогнозируемой характеристики (математическое ожидание величины ). Она определяется как средняя арифметическая рпрогнозируемых зарактеристик или как средневзвешенная по компетентности экспертов 2. Границы доверительного интервала для средней оценки. С помощью доверительного интервала точечная обобщенная групповая оценка преобразуется в интервальную. Смысл доверительного интервала заключается в том, что обобщенная оценка с определенной вероятностью Р должна оказаться в пределах, ограниченных верхней и нижней границами доверительного интервала: Показателями согласованности мнений экспертов относительно средней оценки (математического ожидания) являются: • Среднее линейное отклонение; • Среднеквадратическое отклонение; • Дисперсия оценок; • Коэффициент вариации, который служит мерой согласованности мнений экспертов (иx единодушия) относительно средней оценки групп по каждому из вопросов. В некоторых случаях при обработке результатов опроса на практике используют более простой статистический прием, предполагающий упорядоченное расположение всех количественных оценок на равномерной шкале и построение полигона или гистограммы распределения оценок экспертов. Для построенного распределения устанавливаются его статистические характеристики - медиана, которая принимается за обобщенный показатель групповой оценки; квартили, диапазон которых принимается за показатель согласованности оценок экспертов. Медиана и квартили в достаточной мере характеризуют совокупность полученной прогнозной информации. В процессе анализа полученных результатов экспертов, чьи оценки выходят за пределы диапазона квартилей, просят обосновать причины расхождения их суждений. Если условиями экспертизы предполагается проведение ее в несколько туров, то с этими обоснованиями и выводами знакомят остальных экспертов с целью получения меньшего разброса оценок в последующих турах. Упрощение процедуры обработки экспертных заключений приводит к получению более приближенных оценок, но значительно сокращает продолжительность заключительных этапов экспертизы. 2.4.2 Обработка результатов экспертных оценок совокупности объектов, заключенных в одном вопросе Одним из примеров экспертного опроса для случая совокупности (перечня) объектов, оцениваемых в рамках одного вопроса, является экспертный опрос по оценке относительной важности объектов, направлений или вариантов развития в целях установления последовательности проведения различных работ (НИР, ОКР и т.д.), очередности финансирования, распределения ресурсов и решения других вопросов. Основной процедурой обработки результатов данного экспертного опроса является ранжирование объектов или направлений исходной совокупности по их относительной важности. Ранжирование представляет собой процесс расположения направлений (целей, задач, вариантов, объектов, явлений, факторов) в порядке убывания или возрастания какого-либо характерного свойства или характеристики. Экспертам, участвующим в данном опросе, предлагается заранее разработанный перечень с просьбой оценить относительную важность его элементов. Относительная важность направления развития, исследований или разработок может оцениваться экспертами путем назначения некоторых количественных оценок по принятой шкале, например по 100-балльной. Полученные оценки представляются в форме таблицы. При обработке результатов экспертных оценок относительной важности используют следующие показатели обобщенного мнения: 1. Среднее арифметическое значение оценок каждого направления исследований (элемента) в баллах: 2. Частота максимально возможных оценок, полученных каждым элементом 3. Коэффициент удельного веса оценок каждого элемента 4. Сумма рангов, полученных каждым элементом. Для определения рангов проводится ранжирование опенок относительной важности, данных каждым экспертом по всем элементам. Для этого оценки обозначают числами натурального ряда таким образом, что число 1 присваивается максимальной оценке, число 2 - второй по величине и т.д. Если все оценки различны, то соответствующие числа натурального ряда есть ранги оценок соответствующего эксперта. Если среди оценок, данных определенным экспертом, есть одинаковые, то этим оценкам присваивается одинаковый ранг, равный среднему арифметическому соответствующих соседних чисел натурального ряда. Наряду с показателями обобщенного мнения весьма существенным является определение показателей степени согласованности мнений экспертов. К этим показателям относятся: • Дисперсия оценок • Среднеквадратическое отклонение оценок • Коэффициент вариации оценок • Коэффициент парной ранговой корреляции • Коэффициент конкордации W Коэффициент парной ранговой корреляции дает представление о степени согласованности мнений двух эспертов и может принимать значения от -1до +1. Значение равное +1 соответствует полному совпадению оценок в рангах двух экспертов. Значение равное -I соответствует двум взаимно противоположным ранжировкам важности элементов. Коэффициент конкордации W является показателем степени согласованности мнений, экопертов об относительной важности всех предложенных для оценки элементов. Коэффициент конкордации может принимать значения в пределах от 0 до I. При полной согласованности мнений экспертов он равен =I. Изменение W от 0 до I соответствует увеличению степени согласованности их мнений. Небольшое значение коэффициента конкордации W свидетельствует о слабой согласованности мнений экспертов и является обычно следствием таких причин: 1) в рассматриваемой совокупности экспертов действительно отсутствует общность мнений; 2) внутри рассматриваемой группы экспертов существуют подгруппы с высокой согласованностью мнений, однако обобщенные мнения таких подгрупп противоположны. 2.4.3 Обработка результатов экспертных оценок по вопросам, требующим ответов в качественной форме Методы совместной обработки ответов группы экспертов в качественной форме необходимы при коллективном построении деревьев целей, морфологических матриц, матриц предпочтений и при решении других задач. Обработка ответов экспертов, представленных в качественной форме, может быть проведена двумя основными методами: 1) путем преобразования качественной информации в количественную форму и ее последующей обработки с применением известных математических методов; 2) путем непосредственной обработки качественной информации на базе основных положений теории множеств и алгебры логики. При использовании первого подхода качественные характеристики объекта прогнозирования подлежат количественной оценке с использованием специально разработанных шкал, переводящих качественные градации в количественные, как правило, балльные значения. Не все характеристики имеют одинаковое значение для прогнозирования, поэтому возникает потребность ранжирования и нормирования весов характеристик. Эта задача решается экспертным методом. Эксперт в представленном ему перечне характеристик отмечает, согласен ли он с местом, которое занимает каждая характеристика, и корректирует исходный перечень в соответствии с личной системой предпочтений. Инструментом количественного описания качественной информации является генеральная определительная таблица (ГОТ), в которой представлены характеристики, их веса, смысловые градации характеристик (позиции) и количественные эквиваленты каждой градации. Для составления ГОТ производятся следующие операции: • намечается состав характеристик с последующей проверкой путем коллективного экспертного опроса; • нормируются веса характеристик с использованием данных опроса экспертов; • нормируются веса позиций, входящих в состав характеристик. При использовании второго подхода формальные процедуры обработки коллективных ответов в качественной форме базируются на основных понятиях теории множеств. Для формирования обобщенного мнения группы пользуются правилами объединения (теоретико-множественного суммирования) и пересечения (теоретико-множественного произведения) множеств ответов отдельных экспертов. Если в качестве логического правила формирования обобщенного мнения группы принято следующее: обобщенное суждение группы состоит из всех суждений, высказанных хотя бы одним экспертом, то необходимо применять правило объединения множеств. Если в качестве логического правила формирования обобщенного мнения групп принято, что обобщенное суждение групп состоит только из тех суждений, которые высказали все эксперты (общая часть ответов экспертов), то нужно применять правило пересечения множеств. Это правило является более важным. Использование его позволяет оценить согласованность мнений экопертов, косвенно взвесить доверительную вероятность обобщенного мнения группы. 2.5. АНАЛИТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЙ Аналитические методы прогнозирования относятся к классу экспертных методов. Они так же, как и интуитивные методы, основаны на привлечении экспертов к оценке перспектив развития объекта прогнозирования. Однако в отличие от интуитивных методов, заключающихся в широком использовании творческих возможностей свободного мышления экспертов и их знаний об объекте прогнозирования, аналитические методы предусматривают выработку прогнозной экспертной информации путем построения модели развития объекта прогнозирования, установления количественных связей и пропорций между его отдельными элементами и воспроизведения поведения объекта на период упреждения. На основе разработанной модели эксперты вскрывают логику развития объекта, устанавливают принципиально новые условия его развития в будущем, дают количественные оценки важности возможных путей развития. Главным этапом в использовании аналитических методов является построение такой модели объекта прогнозирования, которая бы адекватно отражала его поведение в прогнозном периоде, давала набор альтернатив научно-технического развития, надежно оценивала каждую из них. В зависимости от принципов построения и формы представления моделей, характера участия экспертов в построении и оценке моделей аналитические методы подразделяются на следующие группы: 1. методы, основанные на морфологическом анализе; 2. методы, основанные на построении и оценке дерева целей; 3. методы построения сценария; 4. методы, основанные на историко-логических аналогиях; 5. методы, основанные на построении сетевых моделей, и т.д. Аналитические методы - это преимущественно методы нормативного прогнозирования, предусматривающие построение и анализ модели развития объекта прогнозирования исходя из установленной (заданной) цели развития. В общем случае аналитические методы прогнозирования предполагают решение следующих основных задач: • построение (участие в построении совместно с разработчиками прогноза) логической модели развития объекта прогнозирования на период упреждения и ее анализ; • количественная прогнозная оценка закономерностей (направлений) развития объекта, связей между его элементами, т.е. количественная оценка модели; • выбор и обоснование наилучших путей, направлений или условий развития объекта прогнозирования в будущем на основе полученных прогнозных оценок. Решение первой и второй задач может осуществляться с привлечением интуитивных методов прогнозирования. Так, построить модель развития объекта прогнозирования можно с помощью метода "комиссий", коллективно, в условиях общения экспертов друг с другом. Процесс построения должен продолжаться до тех пор, пока вид, форма, состав и структура модели не будут удовлетворять всех экспертов. Причем группа может начинать работу как с "чистого листа", не имея никаких исходных данных для будущей модели, так и с предложенными прогнозистами возможными вариантами модели, которые в процессе работы могут исключаться, корректироваться, дополняться и уточняться. Количественная оценка модели, как правило, проводится одним из методов коллективного экспертного опроса с использованием анкет. При необходимости получения более согласованных оценок экспертов процедура опроса может выполняться в несколько туров на основе метода "Дельфи". 2.5.1. МЕТОД ДЕРЕВА. ЦЕЛЕЙ В основе метода дерева целей лежит построение логической модели развития объекта прогнозирования, представляющей собой иерархическую структуру целей, путей и средств их достижения, называемую деревом целей. Поскольку метод предполагает наличие директивно установленной (выбранной) цели развития, он является одним из основных используемых в практике нормативного прогнозирования. Круг прогнозных задач, решаемых с помощью данного метода, связан: • с оценкой относительной важности различных путей или средств достижения поставленной цели; • с выбором альтернатив различных средств достижения целей; • с выявлением путей, средств, направлений или задач развития, которые требуют сосредоточения усилий для достижения глобальной (главной) цели. Общая процедура метода состоит из следующих основных этапов: 1. уточнение задания на прогноз и анализ объекта прогнозирования; 2. построение дерева целей (построение нормативного дерева целей; 3. количественная оценка дерева целей (построение дерева решений; 4. принятие решений на основании количественной оценки (собственно прогноз). По своей топологической структуре дерево целей представляет собой конечный ориентированный граф, не содержащий циклов. Вершины этого графа или дерева представляют собой цели и подцели различных уровней, а ветви - связи между ними. При построении дерева целей весь процесс рассматривается от будущего к настоящему. Установленная будущая цель развития последовательно, по принципу иерархии, декомпозируется на цели более низкого уровня, которые называют подцелями или задачами и которые служат средствами достижения целей более высокого уровня. Весь процесс декомпозиции осуществляется, как правило, до тех пор, пока на нижнем уровне не появятся конкретные варианты исследований или разработок, т.е. до "заземления" целей. При построении нормативного дерева целей в дополнение к общим принципам декомпозиции должны быть учтены следущие основные требования: 1) дерево целей должно представлять собой совершенную иерархию, т.е. не должно существовать связей между элементами одного уровня; 2) каждая вершина дерева должна представлять собой цель для всех исходящих из нее ветвей; 3) все цели более низкого уровня должны являться средствами достижения целей более высокого уровня вплоть до вершины графа; 4) исходящие из одной вершины ветви должны образовывать замкнутое множество; т.е. перечень подцелей, связанных с одной вершиной, должен быть конечным; 5) подцели любого уровня, связанные с одной вершиной, должны быть независимыми, т.е. влияние каждой из них не должно зависеть от того, какие еще подцели существуют на данном уровне. Поскольку дерево целей представляет собой граф, оно может быть описано с помощью матрицы - так называемой матрицы смежности. Нормативное дерево целей имеет самостоятельное значение и используется в решении прогнозных задач, связанных с выявлением альтернатив достижения заданной цели. Количественная оценка элементов нормативного дерева целей позволяет получить так называемое дерево решений. Для оценки элементов дерева целей каждому его уровню ставится в соответствие набор критериев, по которым оценивается значимость целей на данном уровне. Можно выделить следующие основные требования, предъявляемые к набору критериев: а) набор критериев должен быть полным, т.е. охватывать все важнейшие аспекты прогнозной проблемы; б) набор критериев должен быть действенным, т.е. критерии должны давать характеристику подцелей на каждом уровне; в) набор критериев должен, быть неизбыточным, т.е. различные критерии не должны дублировать друг друга; г) набор критериев должен быть простым, т.е. нужно стремиться свести число критериев к минимуму. Для каждого уровня дерева целей набор критериев может быть различным. Оценка важности критериев и значимости элементов дерева целей по каждому из критериев проводится, как правило, методом коллективного экспертного опроса. При этом для оценки каждого уровня дерева целей и каждой вершины может формироваться самостоятельная группа экспертов. Полученные коэффициенты относительной важности для элементов нижнего уровня, которые представляют собой конкретные варианты реализации глобальной цели, могут использоваться для распределения выделенных ресурсов. Дерево с количественной оценкой коэффициентов относительной важности называется деревом решений. На его основе делаются прогнозные выводы или собственно прогноз. Дерево целей хорошо поддается формализации для дальнейшей математической обработки. В настоящее время метод дерева целей широко используется в комплексных методах и методиках прогнозирования. 2.5.2 метод морфологического анализа Сущность метода морфологического анализа заключена в формализации процесса творческой деятельности по определенному эвристическому алгоритму. Метод известен с 50-х годов прошлого столетия, когда впервые был успешно использован швейцарским астрономом Ф. Цвики. К настоящему времени накоплен значительный опыт применения метода морфологического анализа для решения широкого круга задач, связанных с разработкой научно-технических прогнозов. Классическая процедура использования метода морфологического анализа состоит из следующих основных этапов : 1. Уточнение задания на прогноз. 2. Определение номенклатуры признаков, позволяющих однозначно определять состояние объекта оценки в будущем. 3. Определение возможных значений (состояний) признаков, характеризующих объект прогнозной оценки в будущем. 4. Формирование морфологической матрицы, строками которой являются признаки, а отолбцами - состояния признаков объекта прогнозной оценки. 5. Формирование гипотетических вариантов прогноза. 6. Анализ и выбор предпочтительного варианта. Уточнение задания на прогноз предполагает конкретизацию сущности задачи и объекта оценки, его состава, границ и связей с фоном. Здесь же необходимо задать экспертам горизонт прогнозирования. Определение номенклатуры признаков - один из наиболее ответственных этапов применения метода. В задачу эксперта входит выбор признаков, характеризующих возможные изменения объекта во времени. В число признаков должны быть включены не только те, которыми обладают прототипы объектов прогнозирования в настоящее время, но и те, которыми могут обладать гипотетические объекты в будущем. Набор признаков должен позволять идентифицировать облик объекта оценки с требуемой для прогнозного исследования степенью детализации. Число признаков не должно быть избыточным, так как введение каждого дополнительного признака существенно увеличивает размерность матриц и трудоемкость использования метода. Таким образом, принятая номенклатура признаков должна быть такой, чтобы исключение любого одного из них приводило к невозможности идентификации облика объекта прогнозной оценки, а добавление любого дополнительного признака детализировало бы облик объекта сверх требуемого уровня. Используют следующие группы признаков объекта: • целевые, определяющие назначение объекта; • функциональные, определяющие способ выполнения целевых функций; • конструктивные, определяющие общие схемные и конструктивные решения объекта оценки; • технологические, определяющие общие способы изготовления и испытаний объекта оценки. При определении состоянии признаков эксперт должен руководствоваться некоторыми правилами: • набор состояний признаков должен быть полным, т.е. включать все состояния, которые признак может принять в рассматриваемых временных интервалах; • состояния каждого признака должны быть независимыми друг от друга, т.е. характеризовать изменение только одного признака объекта оценки, не учитывая возможного изменения остальных признаков; • набор состояний признаков должен быть альтернативным в границах одного признака, т.е. в каждом конкретном случае признак может принять только одно значение; • набор состояний признаков должен быть задан преимущественно качественными характеристиками объекта. Формирование гипотетических вариантов прогноза с использованием морфологической матрицы заключается в построении вектор-столбцов, состоящих из элементов матрицы, причем в вектор-столбец включается один элемент из каждой строки. Для выявления запрещенных сочетаний может быть использован метод парных сравнений, при котором эксперт последовательно оценивает противоречивость сочетаний каждого состояния признаков со всеми остальными. Прошедшие проверку на непротиворечивость гипотетические варианты прогнозов подлежат последующей оценке с целью выбора из них наиболее предпочтительного. С использованием экспертных процедур задача выбора предпочтительного варианта представляет собой многокритериальную задачу принятия решений. Процесс оценки в этом случае должен включать следующие этапы: • обоснование и формулировку критериев оценки и выбора; • разработку оценочных шкал для критериев, характеризующих полезность каждого признака для объекта в целом; • формирование экспертных оценок всех вариантов решений по каждому критерию; • формирование структуры предпочтений и решающего правила; • оценку экспертами предпочтительности прогнозных вариантов. 3. ОБЩАЯ ХАРАКТЕРИСТИКА СТАТИСТИЧЕСКИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ К статистическим методам прогнозирования относят методы, в которых для построения прогноза в основном используется ретроспективная статистическая (фактографическая) информация об объекте прогноза. Достоверные статистические данные, применение формализованных (статистических, математических) методов их анализа и моделирования обусловливают большую объективность статистических прогнозных оценок по сравнению с экспертными оценками. Статистические методы в отличие от экспертных (интуитивных, аналитических) предполагают количественное моделирование развития объекта прогноза на основе исходной количественной информации и устанавливают количественные взаимосвязи между исследуемыми характеристиками объекта прогноза. При этом используется математико-статистический анализ. Статистическое прогнозирование иногда также называют математическим. Построение статистического прогноза заключается в.анализе ретроспективной информация о характеристиках прогнозируемого объекта (процесса, явления), обработке этих данных с помощью математико-статистических методов и установлении количественных взаимосвязей основных характеристик объекта прогноза (моделирование взаимосвязей). На основе полученных количественных зависимостей определяются характеристики объекта прогноза на период упреждения - экстраполяция (лат. - вне, кроме, - изменяю, приглаживаю). В связи с этим статистические методы называют также методами статистической экстраполяция. В научно-технических и экономических областях инерционность процессов овязана с долговременно воздействующими факторами и прежде всего с постепенной материализацией научно-технического прогресса путем накапливания небольших усовершенствований, нововведение, относительно медленным вытеснением старого. Новые факторы, появившиеся в результате крупных изменений, скачков, также со временем оказывают более или менее длительное воздействие на процесс. К длительно воздействующим факторам относятся устойчивые взаимосвязи и пропорции, например, устойчивость технологических взаимосвязей отраслей производства, отдельных регионов, сфер деятельности, исторически сложившаяся структура потребления и др. Инерционность развития в значительной мере связана и с "возрастом" изучаемой системы (процесса, явления). Чем "моложе" система и соответственно чем меньше имелось времени для формирования более или менее устойчивых характеристик развития (взаимосвязей, пропорций, тенденций), тем меньшей инерционностью (в момент ее изучения) она обладает. Кроме того, также имеет значение размер или масштаб изучаемой системы, ее соответствие определенному уровню иерархии. Чем ниже уровень системы в общей иерархической структуре, как правило, тем менее инерционны и более динамичны характеристики ее развития. На более высоком уровне (макроуровне) характеристики развития оказываются более устойчивыми, поскольку на них воздействует большее число факторов (составляющих). Изменение действия некоторых из них приводит к меньшей потере устойчивости, чем на более низких уровнях иерархии. Например, в иерархической системе народное хозяйство - отрасль - предприятие - производственный участок - рабочее место наиболее устойчивы характеристики развития народного хозяйства в целом, наиболее динамичны - характеристики рабочих мест (технология, оборудование, материалы, инструменты, организация труда). Инерционность развития проявляется в сохранении основных черт внутреннего механизма формирования процесса (явления, системы), в устойчивости взаимосвязей основных характеристик процесса, их темпов, направлений, пропорций, колеблемости. Внешние условия и факторы при этом также существенно не меняются. Процесс прогнозирования в этом случае заключается в выявлении сложившихся черт и характера изучаемого процесса, в обосновании гипотезы об их сохранении на заданный период упреждения, в последующем моделировании сложившейся тенденции с помощью тех или иных методов и в конечном итоге - в экстраполяции (или интерполяции) полученной модели. Для выявления сложившихся взаимосвязей, их моделирования и экстраполяции используются в определенной мере отработанные методы статистического анализа и вычислительной математики. Области применения статистических методов в прогнозных исследованиях определяются рядом условий. Необходимыми условиями использования статистических методов в прогнозировании являются определенный объем достоверной статистической информации об объекте прогноза и инерционность его развития. Условие инерционности ограничивает применение статистических методов участками предполагаемого эволюционного развития объекта без существенных скачков и разрывов. Кроме того, такое условие определяет направленность исследования от прошлого и настоящего к будущему, рассмотрение развития по инерции. В связи с этим статистические методы обычно относят к методам исследовательского (поискового) прогнозирования. Большинство статистических методов позволяет раскрыть внутренний механизм, закономерности и взаимосвязи развития объекта прогноза. Необходимое предположение неизменности внутренних связей, пропорций, темпов, а также внешних воздействий ограничивает область применения статистических методов краткосрочным и отчасти среднесрочным прогнозированием. Существующее разнообразие статистических методов прогнозирования определяется различиями применяемых для построения моделей методов статистического анализа и характером получаемой прогнозной зависимости. Применение того или иного метода статистического анализа в свою очередь связано с характером я объемом имеющейся статистической информации, с конкретным содержанием постановки задачи построения модели или прогноза. Постановка задачи в основном определяет и характер получаемой прогнозной зависимости. Постановка задачи, кроме того, может содержать какие-либо дополнительные требования и ограничения, например, по точности и достоверности модели (прогноза), по включаемым в модель факторам, по условиям дальнейшего использования модели (прогноза), по детализации модели (прогноза) и др. Чем больше подобных условий и требований предусмотрено постановкой задачи, тем больше суживаются границы поиска и выбора путей, а также средств построения такого прогноза. Общая схема построения прогноза о использованием статистических методов прогнозирования включает пять этапов. Построение прогноза начинается с подробного анализа требований к прогнозу и прогнозной модели; исследования всех возможных источников статистической и другой информации, необходимости и возможности верификации (оценка точности) прогноза, имеющегося методического (в том числе модельного) и программного обеспечения; уточнения периода упреждения, сроков разработки прогноза; изучения имевшегося опыта построения аналогичных прогнозов. Исходя из этого исследуется объект прогноза (прогнозируемый показатель), характер имеющейся информации о нем, общие требования к виду и форме представления будущей прогнозной информации, степень ее детализации (этап I). В соответствии с установленной степенью членения объекта прогноза определяется требуемое число и характер частных статистических моделей (уравнений связи), а также форма представления и общий вид прогнозной модели (уравнение с системой ограничений по зависимым и независимым переменным или система взаимосвязанных уравнений с аналогичными ограничениями). Для построения частного прогноза (модели) выбирается тот или иной метод статистического анализа и моделирования: сопоставительно-аналоговый метод, корреляционно-регрессионный анализ, анализ временных рядов, факторный анализ, метод группового учета аргументов и др, ( этап2). Выбранный метод статистического анализа и моделирования определяет дальнейшую процедуру построения модели (этап 3). Этот этап поддается наибольшей формализации. (Большинство используемых методов статистического анализа хорошо формализовано и реализовано в стандартных программах.) На этом же этапе для частной модели определяются области достоверного использования (возможности экстраполяции) в виде ограничений по переменным, времени упреждения, характеристикам точности. Если есть возможность, проводится верификация модели. В зависимости от установленной на этапе 2 формы представления прогнозной модели, полученные частные модели либо объединяются в единую сводную (агрегированную) модель на основе выработанных принципов агрегирования, либо оформляются в виде системы уравнений. В. том и другом случае формируется единая система ограничений, определяющая пределы возможной экстраполяции модели (этап 4). По полученной модели рассчитывается конкретный прогноз на заданный период упреждения и осуществляется верификация прогноза (этап 5). Полученная прогнозная оценка используется для принятия решения по прогнозу. Необходимо отметить, что построение прогноза не сводится только к формальному применению тех или иных методов статистического анализа. Все этапы построения прогноза носят характер исследования, включая этап 3, на котором непосредственно используются статистические методы. Формализованные вычислительные (математические) процедуры составляют часть этапа 3 и базируются на результатах и требованиях проводимого в рамках этапа логического анализа статистической информационной основы задачи прогнозирования, Таким образом, процедура построения статистического прогноза в значительной мере содержит элементы интуитивных (экспертных) исследований (особенно на этапах I, 2, 4) и является, по существу, комбинированной, процедурой с преобладающим использованием достоверной статистической информации. Этим процедура построения статистического прогноза отличается от процедур других методов прогнозирования. Изложенная последовательность и общее содержание этапов характерны для всех случаев построения статистических прогнозов. Конкретное содержание этапов и внутренняя процедура исследований отличаются некоторыми особенностями (в частности, на этапах 2 и 3) связанными с сочетанием ряда условий построения прогноза. Статистические зависимости и соответственно статистические прогнозные модели, построенные на их основе, принято подразделять на параметрические, т.е. устанавливающие зависимость исследуемого (прогнозируемого) показателя от тех или иных характеристик (параметров) объекта прогноза, и временные (динамические), т.е. устанавливающие закономерности изменения исследуемого (прогнозируемого) показателя от фактора времени (такие модели часто называют прогнозными трендами). Существуют и более сложные статистические зависимости и прогнозные модели: факторные параметрические или динамические, устанавливающие закономерности изменения обобщающих (агрегированных) показателей (так называемых факторов); огибающие кривые, устанавливающие общую закономерность изменения исследуемого показателя на основе обобщения частных (локальных) закономерностей (кривых) для однородной совокупности частных (локальных) объектов прогноза, и др. Как правило, каждая из этих зависимостей требует определенного метода статистического анализа и моделирования, определенного характера исходной статистической информации и особой процедуры построения статистической прогнозной модели. Параметрические зависимости строятся на основе так называемых параметрических статистических выборок (или параметрических рядов), в большинстве случаев с использованием корреляционного и регрессионного анализа. Если исходная информация ограничена параметрами одного или нескольких объектов-аналогов, строятся так называемые сопоставительно-аналоговые модели, в которых для анализа часто используется статистическая теория индексов. Для построения прогнозных трендов применяется анализ временных рядов. Информационной основой построения трендов являются динамические (временные) ряды. Факторные модели прогнозирования требуют использования факторного (кластерного) анализа; исходная информация для них представляется в виде многомерных статистических выборок. При построении огибающих кривых в зависимости от выбранного принципа огибания используются либо статистические методы, аналогичные методам построения прогнозных трендов и параметрических моделей, либо методы вычислительной математики. Характер исходной информации - совокупность точек огибания - тоже может быть разным. Различия в характере исходной информации и в применяемых методах статистического анализа определяют и специфику построения прогнозных моделей: в одних случаях - с использованием одномерного или многомерного корреляционного анализа, в других - факторного анализа иди анализа временных рядов, и т.д. Наличие в постановке задачи дополнительных условий и ограничения в большей или меньшей степени обусловливает особенности отдельных этапов построения моделей, не меняя общего характера и логической последовательности построения. Организация построения прогнозной модели существенно зависит от степени детализации прогноза, в соответствии с которой статистическая прогнозная модель представляется либо в виде уравнения, связывающего прогнозируемый показатель с определяющими его факторами, либо в виде системы уравнений частных моделей, каждая из которых описывает развитие (изменение) выделенных в процессе детализации элементов объекта прогноза. Эти частные уравнения или модели иногда называют элементарными. В общем случае частная (элементарная) модель может иметь различную информационную основу, для ее построения используются различные методы статистического анализа. Это обусловливает отличия процедур построения частных моделей в рамках одной постановки задачи разработки статистического прогноза (этапы 2,3). При детализации задачи прогнозирования возникает проблема агрегирования полученных прогнозных оценок в единую оценку. Условия будущего использования статистических моделей также в определенной мере оказывают влияние на организацию построения моделей. В тех случаях, когда модели и полученные по ним прогнозные оценки предполагается использовать для укрупненных ориентировочных расчетов, на этапах предварительной проработки проблем, для получения предварительных выводов, модели могут носить укрупненный характер с наиболее простыми видами связи, строиться по упрощенным процедурам с наименьшей трудоемкостью построения. Если предполагается широкое применение моделей по мере расширения горизонта прогнозирования и появления новой информации, возникает потребность в периодическом обновлении модели. В этом случае предусматривается более глубокая и полная проработка модели, четко отлаженный алгоритм ее построения, обеспечиваются организация накопления новой информация и периодическое обновление модели. Требование сохранения определенных пропорций в развитии объекта прогноза, согласования темпов или уровня развития (например, при построении прогноза части целого или прогноза одного из нескольких взаимосвязанных показателей и др.) обусловливает необходимость дополнительных процедур и обратных связей для корректировки полученных оценок и устранения возможных рассогласований. При дополнительном условии включения в модель заранее заданных факторов (для трендов или использования модели в. составе критериев либо ограничений решения определенных оптимизационных задач, и т.д.) отпадает необходимость широкого анализа влияющих на развитие объекта факторов и их отбора. Заранее установленные требования к точности и достоверности модели (прогноза) на первых этапах построения прогноза предполагают соизмерение этих показателей с объемом исходной статистической выборки и количеством включаемых в модель факторов, влияют на определение экстраполяционных возможностей прогнозных моделей. Некоторые процедурные особенности отдельных этапов появляются в процессе исследования. Так, различные виды математической форма связи в уравнении модели определяют использование того или иного метода количественной оценки параметров модели. Исходная статистическая выборка также может иметь разный объем (большой иди малый) и подчиняться различным законам распределения вероятностей, что предъявляет требования к корректному применению определенного метода статистического анализа (в частности, корреляционного анализа), к оценке статистических характеристик точности я достоверности полученной модели, к выбору вычислительных процедур. Разное сочетание условий построения прогноза в каждом конкретном случае определяет процедуру построения прогноза (модели). 3.1. ПОСТРОЕНИЕ ПАРАМЕТРИЧЕСКИХ ПРОГНОЗНЫХ МОДЕЛЕЙ Построение параметрических прогнозных моделей сводится к. выявлению и количественной оценке аппроксимирующей функции, наиболее точно отражающей закономерность изменения прогнозируемого показателя У в зависимости от основных характеристик (параметров) Х1, Х2, …. Хn объекта прогноза, и установлению возможных пределов экстраполяции. Исходная статистическая информация имеет характер одно- или многопараметрической выборки (ряда). Для построения модели в большинстве случаев используется корреляционный анализ - соответственно однофакторная или многофакторная корреляция. При ограниченном характере параметрической выборки на основе теории статистических индексов строятся сопоставительно-аналоговые модели. Выбор метода статистического анализа и моделирования определяется исходными условиями задачи и результатами исследований (этапы I и 2). Выбранный метод в свою очередь обусловливает общую процедуру построения модели (этап 3) и специфику конкретного содержания отдельных подэтапов, связанную с различиями исходных условий задачи. Общая постановка задачи построения параметрических прогнозных моделей (этап 3) формулируется следующим образом. Имеется исходная статистическая выборка (ряд) значений исследуемого (прогнозируемого) показателя У (функции, зависимой переменной модели) и соответствующих им значений параметра объекта прогноза Х1, Х2, …. Хn (фактор аргумента модели, независимой переменной). Требуется построить аппроксимирующую зависимость У = F(Х1, Х2, …. Хn ), наиболее адекватно и точно отражающую связь функции и аргумента модели, и установить пределы ее возможной экстраполяции (область использования в прогнозировании). Далее (этапы 4 и 5) осуществляется экстраполяция модели на заданный период упреждения и получение прогнозной оценки. Последовательность построения модели и содержание подэтапов могут несколько отличаться в зависимости от конкретной постановки задачи прогнозного моделирования. В частности, если фактор и аргумент модели задан условиями задачи, то необходимость в его отборе отпадает; если заданы требования к точности и (или) достоверности модели, это обусловливает необходимый объем исходной выборки или ряда; с анализом исходных ограничений по задаче связано установление, границ возможной экстраполяции полученной модели. На подэтапе 3.1 (анализ и систематизация исходной статистической информации) решаются вопросы, связанные с информационным обеспечением построения модели и прогноза и (в случае необходимости) с периодическим их обновлением. Это один ив важнейших этапов построения модели. От качества информации, лежащей в основе модели, во многом зависит качество прогнозных оценок. Следовательно, в первую очередь требуется обеспечить качественную однородность всех точек исходной совокупности, привести исходные данные в сопоставимый вид по всем факторам и условиям, кроме тех (одного или нескольких), которые предполагается включить, в модель в качестве фактораргументов. На этом же этапе решается вопрос о достаточном и необходимом объеме выборки (ряда), особенно в условиях заданных требований по уровню статистической достоверности модели; изучаются и изыскиваются дополнительные источники информации, способы ее накопления и хранения для периодического обновления прогнозных моделей. Проводится предварительный анализ исходной выборки (ряда): обосновывается ее случайный характер и делаются предположения о характере ее статистического распределения, о степени близости этого распределения к нормальному, что дает возможность более корректно использовать для построения модели корреляционный анализ. На подэтапах 3.2-3.5 проводится корреляционный анализ, но с большими, чем это принято в статистических исследованиях, акцентами на логический анализ и обоснование каждого промежуточного результата исследований. Задача отбора фактораргумента модели (подэтап 3.2), если он не задан исходными условиями, решается в первую очередь на основе логического обоснования. При этом рассматриваются не только факторы, наиболее существенно, влияющие на прогнозируемый показатель в изучаемом периоде ретроспекции, но и факторы, по которым предполагается усиление влияния в период упреждения. Логический отбор факторов, как правило, дополняется результатами количественного отбора на основе коэффициентов парной корреляции фактораргументов с функцией . Bыбop и обоснование математической формы связи У = F(Х1, Х2, …. Хn ) (подэтап 3.З) отобранного фактораргумента Х и прогнозируемого показателя (функции) У предусматривают: • логическое обоснование характера связи - изучение свойств исследуемой зависимости, сущности изучаемого процесса и формирование на этой основе требований к математической форме аппроксимирующей функции; такой анализ обязателен, поскольку из-за малого объема выборки (ряда) часто искажается общий характер связи, ее формальное описание приводит к значительным погрешностям прогнозных оценок для величин упреждения, выходящих за границы диапазона исходной выборки (ряда) • изучение свойств основных математических функций, удовлетворяющих установленным требованиям и привлекаемых для описания зависимости (круг функций для разного характера связи различен); • выбор одной или нескольких функций на основании сопоставления свойств прогнозируемого процесса и свойств функций, привлекаемых для дальнейшего исследования. При этом порядок требований, предъявляемых к анализу каждой функции, следующий: • соответствие характеру изучаемого процесса - адекватность отображения процесса (логическая адекватность); • простота решения и дальнейшего использования; • точность аппроксимации, т.е. количественная адекватность (оценивается на следующих подэтапах При решении уравнений (подэтап 3.4) в зависимости от формы связи аппроксимирующей функции применяется соответствующий метод вычисления ее неизвестных параметров. При условии, что аппроксимирующая функция может быть приведена к линейному виду относительно оцениваемых параметров, наиболее предпочтительно использовать метод наименьших квадратов (МНК). МНК широко распространен благодаря простоте, достаточной отработанности, сравнительно большой области применения, возможности интерпретации полученных оценок. Кроме того, полученные по МНК количественные оценки параметров уравнений модели (коэффициентов регрессии) обладают рядом ценных для прогнозирования статистических свойств: несмещенностью (математическое ожидание оценок стремится к истинному), состоятельностью (дисперсия оценок с ростом объема совокупности стремится к нулю) и эффективностью (дисперсия оценок коэффициентов регрессии - наименьшая по сравнению с оценками, полученными другими методами) . Если обеспечивается линейность функции относительно оцениваемых параметров, решение получаемой системы нормальных уравнений трудностей не представляет. Существует ряд способов приведения аппроксимирующих зависимостей, к линейному виду. Чаще всего используют функциональное преобразование (например, логарифмирование), замену переменных, перенесение начала координат и др. Если линейность аппроксимирующей функции относительно параметров обеспечить не удается, возникает необходимость решения системы нелинейных уравнений, что требует применения более сложных и менее точных итерационных методов и процедур (градиентного метода, метода наискорейшего спуска, разложения функции в ряд Тейлора с последующим применением МНК, метода Маквардта и др.) В трудных и наименее проработанных случаях оценки параметров уравнений (при наличии асимптот, точек перегиба и т.д.) прибегают к более упрощенным методам: методу трех сумм, методу трех точек, а также методу последовательных приближений. Кроме того, не во всех случаях построения параметрических моделей точки исходной совокупности могут рассматриваться как одинаково надежные, что требует применения так называемой "взвешенной" регрессии и соответственно "взвешенного" МНК: каждой точке исходной совокупности придается свой вес, связанный с оценками ее надежности (ошибкой, дисперсией, достоверностью и т.д.). Как отмечалось, в общем случае могут рассматриваться и оцениваться несколько аппроксимирующих зависимостей, описывающих изучаемую связь с разной степенью адекватности. При этом каждая функция будет характеризоваться разной точностью аппроксимации - разной степенью приближения к исходным фактическим значениям. Отсюда возникает задача статистической оценки каждой из рассматриваемых математических функций и выбора наиболее точной (или наиболее достоверной) из них (подэтап 3.5). Аппроксимирующие функции оцениваются по следующим статистическим показателям: • точности (погрешности) аппроксимации. - в большинстве случаев это величина остаточной (случайной) дисперсии или остаточного среднего квадратического отклонения ; • тесноте связи - корреляционное отношение (коэффициент парной корреляции) ; • достоверности (существенности) полученной связи - критерий Стьюдента. Аппроксимирующая зависимость, для которой обеспечивается минимальная погрешность, максимальная теснота связи и существенность связи по критерию Стьюдента, считается наилучшей (наиболее предпочтительной). Выбранное таким образом уравнение связи составляет основу исследуемой прогнозной модели. На следующем этапе это уравнение дополняется системой ограничений, определяющих экстраполяционные возможности модели. При установлении пределов достоверной экстраполяции полученной модели и тем самым возможностей ее использования для прогнозных расчетов (подэтап 3.6) следует иметь в виду некоторые свойства, присущие всем параметрическим моделям. 1. Параметрические зависимости отражают преимущественно внутренние связи, внутреннюю структуру и причины изменения моделируемого показателя при сохранении неизменными внешних факторов (характера, направления и степени влияния). Это обстоятельство существенно ограничивает использование параметрических моделей по времени упреждения и требует серьезного обоснования пределов возможного изменения всех переменных модели (зависимых и независимых): в первую очередь по предполагаемому сохранению эволюционного характера изменения переменных модели, затем по техническим возможностям изменения переменных (увеличения и уменьшения), а также по соотношению периодов упреждения и ретроспекции, в определенной степени гарантирующему устойчивость полученной статистической связи в установленных границах и, наконец, по экономическим (внешним) ограничениям (например, ресурсам, эффективности, бюджетным ограничениям и др.), которые в зависимости от содержания прогнозируемого показателя и фактораргумента модели могут играть существенную роль. 2. Полученная параметрическая зависимость (при условии использования корреляционного анализа) описывает наиболее общие связи, тенденции, характерные для всех точек исходной статистической выборки, При этом не учитываются индивидуальные особенности каждой точки выборки 3. Прогнозные расчеты могут быть интерполяционными и экстраполяционными. Экстраполяция модели за границы диапазона значений исходной выборки [даже при условии правильно выбранной связи требует большей обоснованности и более критического подхода, поскольку базируется на предположениях о сохранении и распространении на период упреждения исходных предпосылок построения модели, сделанных на основе ограниченной (часто малой) выборки. Соответственно чем дальше прогнозное значение аргумента модели от границ исходной выборки, тем большая осторожность требуется при экстраполяции, тем ниже точность (и достоверность) прогноза и шире доверительный интервал оценок. 4. Для параметрических моделей правомерна постановка задача прогнозной экстраполяции как "вправо" ("вперед"), так а "влево" ("назад") oт границ диапазона значений переменных в исходной статистической выборке. 5. Период упреждения параметрических зависимостей задается в виде предполагаемого изменения фактораргумента Х), связанного с фактором времени и полученного путем других прогнозных исследований (экспертных оценок, временных трендов и др.). 6. Интервальная оценка прогноза, отражающая его вероятностный характер и повышающая (по сравнению с точечной) его надежность, обеспечивается введением в основное уравнение модели статистической характеристики ее точности - доверительного интервала, позволявшего учесть погрешности, возникающие на различных этапах построения модели (прогноза). Источниками этих погрешностей, в частности являются: ◦ наличие случайной компоненты в каждом наблюдении из ограниченной совокупности наблюдений, на основе которых проводятся оценка параметров аппроксимирующих зависимостей; ◦ ограниченный объем выборки, искажающий характер и оценки параметров связи (обусловливающий их статистическую смещенность); ◦ погрешности аппроксимации, связанные с неправильным выбором математической формы уравнения Y = F(X) (его неадекватностью реальной связи) и ошибками оценки параметров уравнений вследствие несовершенства вычислительных методов и процедур; ◦ сложности в обосновании сохранения ретроспективных условий на период упреждения, связанные с неопределенностью внешней (по отношению к прогнозируемому объекту, показателю) ситуации в будущем С помощью доверительного интервала точечный прогноз, полученный по уравнению связи Y = F(X), преобразуется в интервальный. При этом предполагается, что прогнозное значение Yпр, с установленной доверительной вероятностью P окажется (фактически будет реализовано) в пределах верхней и нижней границ доверительного интервала. Основой расчета доверительного интервала статистического прогноза (так же, как в других видах прогнозных исследований, связанных с количественными данными, в том числе в экспертных прогнозах) является показатель колеблемости фактических точек исходной Модель, дающая более узкий доверительный интервал при одной и той же доверительной вероятности, является более точной. Наличие статистической связи (регрессии) предполагает разложение общей дисперсии на факториальную и остаточную (случайную). Остаточная дисперсия и остаточное среднее квадратическое отклонение характеризуют колеблемость фактических значений относительно установленной линии регрессии Y = F(X), В соответствий с законом нормального распределения или распределения Стьюдента доверительный интервал симметричен, остаточное среднее квадратическое отклонение для малых выборок корректируется с учетом его смещенности. Рис. 1. Доверительный интервал статистической модели прогнозирования (с постоянным средним значением дисперсии) Доверительный интервал может рассматриваться как ограничение по точности (и соответственно по статистической достоверности) прогнозных оценок модели. Для параметрических моделей чаще всего используется один из самых простых приемов экстраполяции - так называемая формальная (механическая) экстраполяция, т.е. механическое продление установленной по ретроспекции зависимости за пределы исходной статистической выборки. Применение такого приема возможно только при условии достаточно серьезных исследований и обоснования сохранения как формы связи, так и количественных значений параметров прогнозных моделей. Построение многопараметрических моделей отличается рядом особенностей. Одна из них связана о отбором из множества факторов X влияющих на Y , наиболее существенных, точно и полно отражающих тенденцию изменений Y . При этом, с одной стороны, соблюдая требование максимальной простоты и статистической достоверности модели (особенно при малых объемах выборки), необходимо уменьшить число учитываемых в модели фактораргументов. С другой стороны, требуется обеспечить максимальную полноту описания исследуемой связи и тем самым максимальную точность прогнозных оценок по ней и, как следствие, учесть как можно большее число факторов. Другая особенность построения многопараметрических моделей определяется необходимостью анализа и учета корреляции факторов между собой. Коррелированность факторов существенно искажает оценки коэффициентов регрессии и дает в конечном итоге ошибку в определении Y, особенно при прогнозных экстраполяционных расчетах. Поэтому требуется, чтобы отобранные в модель факторы X не зависели друг от друга. При невозможности соблюдения этого условия допускается применение специальных статистических приемов, позволяющих выделить "чистую" регрессию на факторы. 3.2 ОСОБЕННОСТИ ПОСТРОЕНИЯ ДИНАМИЧЕСКИХ МОДЕЛЕЙ (временных прогнозных трендов) При построении динамических моделей и прогнозировании по ним, все изменения исследуемого (прогнозируемого) показателя (функции) Y ставятся в зависимость только от одного фактора (аргумента) - времени T. Таким образом, предполагается, что действие всех факторов - как внешних, так и внутренних - аккумулируется лишь в одном факторе времени. С одной стороны, это обстоятельство упрощает и в ряде случаев огрубляет модель, с другой - позволяет установить общую тенденцию исследуемого показателя во времени, что при прогнозных исследованиях часто весьма важно. Время может быть задано в календарном или текущем измерении, в виде точечных значений (моментов) или периодов (интервалов). Постановка задачи статистического прогнозирования, основанного на динамических моделях, формулируется следующим образом: имеется исходный динамический ряд длиной (объемом) п. точек. Требуется построить аппроксимирующую зависимость Y = F(Т), наиболее адекватно и точно описывающую связь Y), с фактором времени, Т, установить пределы ее экстраполяции. На основе полученной модели тренда необходимо рассчитать прогнозное значение Yпр на заданный период упреждения ΔТ. Динамический характер исходной статистической выборки определяет специфику построения прогнозных трендов. Прежде всего, задание фактораргумента модели исключает процедуры, связанные с его отбором и обоснованием. Требования к анализу исходной информации не отличаются от требований к построению параметрических моделей. Однако в некоторых случаях для дальнейшего аналиэа ряда необходимо восстановление "стертых" (отсутствующих в исходном ряде наблюдений и обеспечение тем самым последовательного и равноинтервального изменения фактора времени. Это осуществляется с помощью интерполяции значений исследуемого показателя. Дальнейший анализ временного ряда заключается прежде всего в логическом исследовании сущности самого процесса, формировании общих требований к математической форме связи Y = F(Т), в предварительном количественном (статистическом) анализе ряда и наконец в его аналитическом описании (сглаживании). Этапы построения трендов отличаются существенными особенностями по сравнению с построением параметрических моделей. Для параметрических выборок обобщающими статистическими характеристиками являются средние. Динамический ряд не характеризуется средним значением своих членов (уровней), тем более что оно существенно зависит от того участка ряда, на котором рассчитывается. Важную роль в анализе и описании рядов играют характеристики динамики ряда, их математическое описание, смысловая интерпретация и количественная оценка. В существующих приемах и методах анализа динамических рядов используется специфическая особенность последних: в общем случае фак-тораргумент (время) представляется в виде последовательного ряда равноотстоящих друг от друга значений. Это позволяет тем или иным способом последовательно сопоставлять соседние значения Y исходного ряда и либо сразу выявить и количественно (аналитически) описать характеристику динамики ряда (средний темп роста, средний прирост и др.), либо однозначно установить математическую форму связи (производные или функционально преобразованные приросты), либо выявить общий характер связи, под который затем подобрать соответствующие математические функции (механическое сглаживание на основе скользящих средних: простой, взвешенной, адаптивной, экспоненциальной). Иногда эти приемы комбинируют в определенной последовательности. Например, сглаживают исходный ряд с помощью скользящей средней, а затем на сглаженном ряде анализируют характер изменения приростов, устанавливают темпы роста и т.д., определяют математическую форму связи. Подбор математических функций для аппроксимации ряда на основании установленных общих характеристик динамики осуществляется с соблюдением тех же требований, условий и в той же последовательности, что и для параметрических моделей. Однако круг математических зависимостей, описывающих динамические связи и процессы с учетом их реального разнообразия, несколько отличен . Среди них чаще встречаются математические функции с асимптотами (процессы с насыщением, предельными значениями и т.д.), с переменными скоростью и темпами изменения, циклическим характером (затуханием, нарастанием, периодизацией), с точками перегиба, с изменением самого характера процесса (развития). Решение таких уравнений (количественная оценка параметров аппроксимирующих функций) представляет определенные трудности. Методы корреляционного и регрессионного анализа основаны на оценке отклонений от выборочной средней. Для динамической выборки (и соответствующей генеральной совокупности), как отмечалось, средняя не является обобщающей характеристикой и изменяется в соответствии с динамикой ряда. Применение корреляции к моделированию и оценке параметров тренда приводит к заведомым погрешностям. Однако поскольку иных методов не существует, методы корреляционного и регрессионного анализа используются и при построении прогнозных трендов. Линейный и нелинейный МНК наиболее часто применяются при тех же условиях, и в первую очередь при возможности преобразования аппроксимирующей тренд функции к линейному виду относительно оцениваемых параметров. Для прогнозных трендовых моделей большое значение имеет учет изменения информационной ценности членов временного ряда - убывание по мере удаления в прошлое (отставания по времени от последних членов ряда). Система весов, с помощью которой учитывается отставание, должна быть связана со степенью инерционности описываемого процесса и в определенном смысле представлять ее числовую характеристику. При этом используется модификация МНК - так называемый дисконтированный МНК. Математическая форма аппроксимирущей тренд функции не всегда позволяет применить ту ила иную модификацию МНК (кривые с асимптотами, S -образные и логистические кривые и др.). В этих случаях применяют упрощенные методы, такие, как метод трех сумм, метод трех точек, а также более точные итерационные процедуры последовательного уточнения параметров, том числе основанные на МНК. Полученная модель тренда оценивается теми же статистическими показателями, что и параметрические модели. Установление экстраполяционных возможностей тренда подчиняется таким же требованиям и осуществляется в той же последовательности, как и в случае параметрических моделей прогнозирования. Однако для прогнозных трендовых моделей наиболее характерны задачи экстраполяции "вперед", в будущее (вправо от границы исходного ряда). Экстраполяция "назад" или "влево", которую называют инверсной, имеет место в редких задачах "прогнозирования прошлого", а чаще используется для верификации полученной модели тренда. Для этой цели может быть применена пошаговая инверсия, разбивающая динамический ряд на отдельные участки (периоды) и верифицирующая на этих участках модель тренда. Формальные пределы экстраполяции, устанавливаемые исходя из соотношения длины исходного ряда (периода ретроспекции) и периода упреждения, могут быть определены только для линейных трендов. Формальные доверительные интервалы, основанные на статистической оценке колеблемости значений исходного ряда и заимствованные из регрессионного анализа выборочных данных, с некоторой долей условности могут быть оценены и для динамических моделей, поскольку иного, специально разработанного аппарата не существует. Но и этот подход применим не для всех видов математической связи в трендовых моделях. При неформальной оценке доверительных интервалов должна учитываться возможная деформация тренда в будущем вследствие изменения условий его формирования. Чем больше таких изменений предполагается в будущем, тем большее влияние это окажет на точность и достоверность модели и прогноза по ней. Это задача содержательного анализа, интуитивных обоснований и экспертных оценок. 3.3. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ ДИНАМИЧЕСКИХ СТАТИСТИЧЕСКИХ МОДЕЛЕЙ С УЧЕТОМ ВРЕМЕННОГО ЛАГА Динамические прогнозные тренды, в которых учитывается временной лаг (запаздывание, опережение, сдвиг во времени) между зависимыми и независимыми переменными, отличаются не только большей адекватностью реальным процессам развития, но и большей сложностью построения. Учет временного лага особенно важен при прогнозировании экономических показателей. В практике редки случаи, когда параметры какого-либо экономического процесса взаимосвязаны без временного лага. Как правило, экономические процессы, связанные с научно-техническим прогрессом (НТП), протекают с большим или меньшим временным запаздыванием. Временной лаг обусловливается объективными причинами. Он также может являтьсл следствием некоторых случайных факторов (процессов). В качестве примеров объективно обусловленных временных лагов можно привести следующие: • в зависимости производительности труда от фондовооруженности временное запаздывание объективно обусловлено закономерностями динамики эффективности новой техники - более низкая эффективность в период освоения, быстрое ее возрастание после освоения и дальнейшее снижение по мере устаревания техники; • в зависимости экономической эффективности создаваемой или внедряемой новой техники, технологии от величины капитальных вложений запаздывание обусловлено тем, что для получения максимальной отдачи техники, технологии (новых основных фондов) требуется определенное время на освоение; • в прогнозных оценках затрат на новую технику с помощью дисконтирования затрат по времени учитывается "увеличение" стоимости в процессе расширенного воспроизводства (за счет так называемых косвенных потерь). Случайный характер запаздывания (лага) может быть, например, следствием сезонности, срыва поставок и договорных обязательств, непредсказуемости результатов фундаментальных НИР, нарушения трудовой и технологической дисциплины, стихийных бедствий и т.п Важное значение имеет проблема учета временных лагов при прогнозировании интегральных экономических характеристик (затрат и социально-экономического, эффекта НТП). Эти лаги обусловлены существованием значительных периодов времени, необходимых для материализации затрат и проявления эффекта в полной мере. Статистические модели прогнозирования, в которых не учитывается временной лаг, в определенной мере являются упрощенными и вносят существенную погрешность в разрабатываемые прогнозы. Подробное изучение структуры временного лага позволяет повысить точность прогноза в тех случаях, когда временной лаг весьма значителен, и чувствительность прогнозируемого показателя Y к величине лага достаточно велика. 3.4 ОПЕРЕЖАЮЩИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ Опережащие методы прогнозирования представляют самостоятельную группу методов прогнозирования, в которых для построения прогнозов используется информация, относящаяся непосредственно к периоду упреждения. Источники такой информации - патенты, авторские свидетельства на изобретения, лицензии, научно-техничеокие отчеты, проспекты, монографии, статьи и др. Систематизация информации, ее анализ и описание (в том числе количественное) составляют основу построения прогнозных моделей и прогнозов. Опережающие методы относят к методам кратко- и среднесрочного прогнозирования. Опережающие методы прогнозирования позволяют определять перспективные направления научно-технического развития, выявлять предпочтительные области научных исследований и разработок. Методы инженерного прогнозирования основаны на допущении, что научно-техническое развитие определяется двумя факторами - темпами прироста научно-технической информации и степенью удовлетворения ресурсных потребностей. Метод патентной экспертизы основан на оценке сущеетвующих патентов с использованием критериев ценности и перспективности изобретения, а также коэффициента инженерно-технической значимости (полноты) изобретения. Метод патентной экспертизы позволяет определить ценность и перспективность научно-технических направлений, предпочтительные пути технического развития в данной области. Матричная методика анализа патентования основана на предположении, что исследования патентного фонда за 5 предшествующих лет позволяют прогнозировать возможные пути развития техники в определенной области на 5-10 последующих лет. Методика включает: I) оценку новизны единичных патентов; 2) выделение конкурирующих групп патентных решений и определение перспективности каждой группы; 3) оценку условий патентования в различных областях техники. Чтобы располагать достоверной информацией об отражении в патентах действительного уровня развития техники, необходимо исключить так называемые "зонтичные", "дублирущяе", "провокационные", "дезинформирующие" к др. патенты. Основная функция всех разновидностей лжепатентов ~ дополнительная защита авторских драв, осуществляемая различными путями. Основой прогнозирования с использованием анализа динамики патентования является отатистическнй эксперимент, позволящий раскрыть тенденции развития какого-либо технического устройства с помощью многоаспектного анализа связей с другими объектами, и экстраполировать эти тенденции в будущее. Перед тем как приступить к анализу динамики патентования, следует оценить патенты по следующим критериям: 1) степень фундаментальности изобретения; 2) многоаспектность; 3) территориальная широта применения; 4) актуальность; 5) экономичность; 6) применимость в различных отраслях техники. Методика анализа патентного фонда и перспектив научно-исследовательских работ включает определение наиболее перспективного направления разработок, путей его достижения, определение состояния разработок перспективного направления; степень закрытия существующими патентами перспективного направления; ожидаемые патенты. На первом этапе, исходя из количества патентов, выдаваемых в единицу времени, составляется качественный прогноз с некоторыми количественными оценками: На следующем этапе анализируется перспективное направление технических разработок. Методика прогноза основана на количественной оценке патентов по определенным критериям. Определяется объект прогноза. Из ретроспективного патентного фонда выбираются патенты, касающиеся выбранного объекта, за некоторый период времени. Выделяются признаки, относящиеся к объекту. Затем определяются зависящие и не зависящие друг от друга признаки. Подсчитываются частоты появления каждого признака. По частотам определяются вероятности появления каждого признака и условные вероятности двух и более признаков. Методика комплексной оценки патентного массива базируется на классификации патентного массива. Период упреждения для прогноза, разработанного по данной методике, охватывает средний период времени от возникновения технической идеи-до ее широкого внедрения в промышленность. Основой методики является закономерность динамики патентования. Патентная информация по каждому техническому направлении проходит определенный цикл развития: появление кардинального базового изобретения, определяющего новое направление в технике; ускоренный рост патентной информации в области создания и совершенствования оборудования и технологии, реализующих базовое изобретение; стабилизация поступлений патентов; замедление и прекращение поступления патентов вследствие исчерпания возможностей улучшения базового изобретения. Построение и анализ кривой динамики патентования для исследуемого технического направления позволяют определить, на каком этапе развития находится патентная информация. 4.ВЕРИФИКАЦИЯ ПРОГНОЗНЫХ МОДЕЛЕЙ Важным элементом любого прогностического исследования является верификация, или оценка точности, надежности и достоверности прогнозов. Понятия точности, надежности или достоверности прогнозов тесно связаны и взаимообусловлены. Следует иметь в виду, что верификация не устраняет неопределенности прогноза, а дает возможность оценить уровень этой неопределенности, т.е. количественно оценить вероятность истинности прогноза. Оценка надежности прогноза или степени "прогностического" риска - необходимое условие принятия планового решения в границах этого риска. Кроме того, верификация выполняет важную функцию в процессе разработки прогноза, вскрывая основные направления повышения качества прогноза. В этом смысле оценка точности прогноза по его фактической реализации является конечной фазой верификации, которая находится за пределами периода разработки прогноза и не оказывает влияния на его качество, но используется для анализа статистики реализованных прогнозов. Для различных методов прогнозирования методика верификации развита в большей или меньшей степени. Объективно это обусловлено качеством, источниками и природой исходной информации, а также способом генерации прогнозной информации. Статистические методы, опирающиеся на фактографические данные, обладают большей репрезентативностью информации для проведения верификации. Одним из главных источников ошибок прогноза является неопределенность исходной информации. Поэтому такие прогностические процедуры, как адаптация, повторные (итерационные) экспертные оценки, имитация и др. направлены на устранение неопределенности исходной информации. В связи с этим информационные погрешности можно разделить на устранимые и неустранимые и при верификации учитывать последние, поскольку для них нельзя применить какой-либо механизм регулирования качества прогноза Погрешность метода разработки прогноза практически полностью перекрывается погрешностями модели и исходной информации, так как специфика метода определяется главным образом характером и объемом информации, а также характером модели. Кроме того, можно считать, что оценка погрешности метода в основном требуется на этапе выбора и анализа методов. Погрешность вычислений определяется: приближенными вычислительными процедурами (например, численными методами решения дифференциальных уравнений); первыми членами рядов; различными округлениями; прекращением итерационных процессов при отсутствии безусловной сходимости и т.д. Однако в общей сумме погрешности вычислений несущественны. Если при прогнозировании устранение погрешностей не проводилось, то полная информационная погрешность может включать суперпозицию, т.е. наложение погрешностей. Погрешности модели также можно разделить на устранимые и неустранимые. Устранимые погрешности модели (погрешности определения форм связи, параметров модели) сводятся к минимуму благодаря таким процедурам моделирования, как идентификация (определение по исходным данным типа модели), оценка параметров модели, оценка количественной адекватности модели на основе использования автокорреляционных функций и проверки правдоподобия статистических гипотез. Неустранимые погрешности модели представляют линейную комбинацию ошибок аппроксимации и экстраполяции Описанный метод верификации основан на последовательном учете погрешности и по сути представляет собой один из самых детальных методов верификации. Существуют и другие методы, среди которых важное место занимают логические (эвристические) методы. Они основаны на анализе причинно-следственных связей или на использовании принципов деструкции и антитезиса (метод "адвоката дьявола", консеквентная и дублирующая верификация). Распространенным методом верификации статистических прогнозов является так называемая инверсная верификация, или верификация методом инверсии. Следует иметь в виду, что этот метод верификации по существу аналогичен оценке погрешности простой экстраполяции модели. Инверсия (лат - перестановка) предполагает условное изменение вектора разработки прогноза, направленного в период ретроспекции. При инверсии проверка достоверности статистического прогноза проводится методом анализа адекватности прогностической модели фактическим данным ретроспективного периода. Существенным допущением такой верификации является то, что полученная средняя ошибка прогноза распространяется и на период прогнозирования, т.е. на модель. Естественно, такое допущение правомерно в пределах небольшого различия периодов. Вообще идея инверсии широко используется для верификации прогнозов, которые не обязательно могут быть представлены в виде экстраполяционной модели. Инверсию можно эффективно применять и для точечных прогнозов либо в комбинации с любым приемом верификации, либо с использованием нескольких итераций - по выявлению и устранению систематических ошибок ретроспекции. Возможны и другие схемы верификации на основе инверсии. Следует отметить, что верификация рассматривается как процедура оценки качества прогноза. Вместе с тем верификация выполняет важную функцию регулирования (предупреждения) устранимых погрешностей прогноза путем использования принципов адаптации, обучения, имитации, повышения репрезентативности информации и т.д. С помощью верификации оценивается не качество прогнозирования, а только его конечный результат - прогноз. Качество прогнозирования определяется такими показателями, как сходимость процессов, скорость решения прогностической задачи, затраты ресурсов на разработку прогноза, удобства получения необходимой информации, возможность использования принципов адаптации, использования возможностей вычислительной техники. Список рекомендованной литературы 1. М.Четыркин. Статистические методы прогнозирования. - М.: Статистика, 1975 г. 2. Дуброва Т.А., Архипова М.Ю. - Статистические методы прогнозирования, 2007 г. 3. Рабочая книга по прогнозированию. М.: Мысль, 1982 г. 4. М.М.Бутакова. Экономическое прогнозирование. Кнорус, 2008 г.