Анализ методов прогнозирования

Наконец, последний, четвертый, уровень классификации под­разделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых ука­зать один общий для всего уровня в целом невозможно.

2.2 Экстраполяционные методы прогнозирования

Методы экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее разработанными среди всей сово­купности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе .предположение о том, что рассматриваемый процесс изменения переменной представля­ет собой сочетание двух составляющих—регулярной и случайной:

(1.2.2)

Считается, что регулярная составляющая f ( a , х) представляет собой гладкую функцию от аргумента (в большинстве случаев— времени), описываемую конечномерным вектором параметров а, которые сохраняют свои значения на периоде упреждения про­гноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуи­тивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от слу­чайной составляющей. Все зависит от того, какую цель пресле­дует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррели­рованным случайным процессом с нулевым математическим ожи­данием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего в некотором смысле описания тренда и на определение прогнозных значений путем его экстра­поляции. Методы экстраполяции во многом пересекаются с мето­дами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначе­ниях или написании формул. Тем не менее сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позво­ляющих причислять ее к некоторому самостоятельному виду методов прогнозирования.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирова­ния, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстра­полирующей функции, так и на определение границ изменения ее параметров.

2.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

Предварительная обработка исходного числового ряда направ­лена на решение следующих задач (всех или части из них): сни­зить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случай­ных отклонений точек ряда от некоторой гладкой кривой пред­полагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая груп­па состоит из предыдущей и последующей точек, в более слож­ных — функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью многочленов, прибли­жающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек всглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях весьма эффективным средством выявления тренда при наложении на эмпирический числовой ряд случайных помех и ошибок измерения. Для рядов со значительной ампли­тудой помехи имеется возможность проводить многократное сгла­живание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процеду­рой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применять­ся операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в сколь­зящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку число­вого ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представ­ления исходного ряда, оставляя прежними его значения.

Наиболее общими приемами выравнивания являются логариф­мирование и замена переменных.

В случае если эмпирическая формула предполагается содер­жащей три параметра либо известно, что функция трехпарамет­рическая, иногда удается путем некоторых преобразований иск­лючить один из параметров, а оставшиеся два привести к одной из формул выравнивания.

Можно рассматривать выравнивание не только как метод представления исходных данных, но и как метод непосредствен­ного приближенного определения параметров функции, аппрокси­мирующей исходный числовой ряд. Зачастую именно так и используется этот метод в некоторых экстраполяционных про­гнозах. Отметим, что возможность непосредственного его исполь­зования для определения параметров аппроксимирующей функ­ции определяется главным образом видом исходного числового ряда и степенью наших знаний, нашей уверенности относительно вида функции, описывающей исследуемый процесс.

В том случае, если вид функции нам неизвестен, выравнива­ние следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и прие­мов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд.

Одной из разновидностей метода выравнивания является исследование эмпирического ряда с целью выяснения некоторых свойств функции, описывающей его. При этом не обязательно преобразования приводят к линейным формам. Однако результа­ты их подготавливают и облегчают процесс выбора аппроксими­рующей функции в задачах прогностической экстраполяции. В простейшем случае предлагается использовать следующие три типа дифференциальных функций роста:

1) Первая производная, или абсолютная дифференциальная функция роста.

2) Относительный дифференциальный коэффициент, или лога­рифмическая производная,

3) Эластичность функции

2.3 Статистические методы

Прежде чем приступить к анализу статистических методов прогнозирования, рассмотрим некоторые общие понятия и опреде­ления, относящиеся к корреляционным и регрессионным моделям. Две случайные величины являются корреляционно связан­ными, если математическое ожидание одной из них меняется в зави­симости от изменения другой.

Применение корреляционного анализа предполагает выполне­ние следующих предпосылок:

а) Случайные величины y ( y ₁ , у₂ , ..., У _n ) и x ( x ₁ , x ₂ , ..., Х _n ) могут рассматриваться как выборка из двумерной генеральной совокуп­ности с нормальным законом распределения.

б) Ожидаемая величина погрешности и равна нулю

в) Отдельные наблюдения стахостически независимы, т. е. зна­чение данного наблюдения не должно зависеть от значения преды­дущего и последующего наблюдений.

г) Ковариация между ошибкой, связанной с одним значением зависимой переменной у, и ошибкой, связанной с любым другим значением y , равна нулю.

д) Дисперсия ошибки, связанная с одним значением у, равна дисперсии ошибки, связанной с любым другим значением .

е) Ковариация между погрешностью и каждой из независимых переменных равна нулю.

ж) Непосредственная применимость этого метода ограничивается случаями, когда уравнение кривой является линейным относительно своих параметров b_o , b_i , ...,b_k Это, однако, не означает, что само уравнение кривой относительно переменных должно быть линей­ным. Если эмпирические уравнения наблюдений не являются линейными, то во многих случаях оказывается возможным при­вести их к линейной форме и уже. после этого применять метод наименьших квадратов.

з) Наблюдения независимых переменных производятся без погрешности.

Перед началом корреляционного анализа необходимо проверить выполнение этих предпосылок.

Связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей — регрессионным анализом. Применение регрессионного анализа предполагает обя­зательное выполнение предпосылок (б-г) корреляцион­ного анализа. Только при выполнении приведенных предпосылок оценки коэффициентов корреляции и регрессии, получаемые с помощью способа наименьших квадратов, будут несмещенными и иметь минимальную дисперсию.

Регрессионный анализ тесно связан с корреляционным. При выполнении предпосылок корреляционного анализа выполняются предпосылки регрессионного анализа. В то же время регрессионный анализ предъявляет менее жесткие требования к исходной инфор­мации.» Так, например, проведение регрессионного анализа воз­можно даже в случае отличия распределения случайной величины от нормального, как это часто бывает для технико-экономических величин. В качестве зависимой переменной в регрессионном ана­лизе используется случайная переменная, а в качестве независи­мой — неслучайная переменная.

По степени комплексности статистические исследования можно разделить на двумерные и многомерные. Первые касаются рассмот­рения парных взаимосвязей между переменными (парные корре­ляции и регрессии) и направлены в прогнозных исследованиях на решение таких задач, как установление количественной меры тес­ноты связи между двумя случайными величинами, установление близости этой связи к линейной, оценки достоверности и точности прогнозов, полученных экстраполяцией регрессионной зависимо­сти. Многомерные методы статистического - анализа направлены в основном на решение задачи системного анализа многомерных стохастических объектов прогнозирования. Целью такого анализа является, как правило, выяснение внутренних взаимосвязей между переменными комплекса, построение многомерных функций связи переменных, выделение минимального числа характеристик, описы­вающих объект с достаточной степенью точности. Одной из основ­ных задач здесь является сокращение размерности описания объ­екта прогнозирования.

Таким образом, статистические методы используются в основ­ном для подготовки данных, приведения их к виду, пригодному для производства прогноза. Как правило, после их применения исполь­зуется один из методов экстраполяции или интерполяции для полу­чения непосредственно прогнозного результата.

2.4 Экспертные методы

2.4.1 Область применения экспертных методов

Методы экспертных оценок в прогнозировании и перспективном планировании научно-технического прогресса применяются в сле­дующих случаях:

а) в условиях отсутствия достаточно представительной и досто­верной статистики характеристики объекта (например, лазеры, голографические запоминающие устройства, рациональное исполь­зование водных ресурсов на предприятиях);

б) в условиях большой неопределенности среды функционирования объекта (например, прогнозов человеко-машинной системы в кос­мосе или учет взаимовлияния областей науки и техники);

в) при средне- и долгосрочном прогнозировании объектов новых отраслей промышленности, подверженных сильному влиянию новых открытий в фундаментальных науках (например, микробио­логическая промышленность, квантовая электроника, атомное машиностроение);

г) в условиях дефицита времени или экстремальных ситуациях.

Экспертная оценка необходима, когда нет надлежащей теоре­тической основы развития объекта. Степень достоверности экспер­тизы устанавливается по абсолютной частоте, с которой оценка эксперта в конечном итоге подтверждается последующими собы­тиями. Существует две категории экспертов - это узкие специали­сты и специалисты широкого профиля, обеспечивающие формули­рование крупных проблем и построение моделей. Выбор экспертов для прогноза производится на основе их репутации среди опреде­ленной категории специалистов. Однако не следует забывать и того обстоятельства, что первоклассный специалист не всегда может достаточно квалифицированно рассмотреть и понять общие, глобальные, вопросы. Для этой цели нужно привлекать экспертов хотя и недостаточно узко информированных, но обладающих спо­собностью к дерзанию и воображению.

«Эксперт» в дословном переводе с латинского языка означает «опытный». Поэтому и в формализованном, и в неформализован­ном способах определения эксперта значительное место занимают профессиональный опыт и развитая на его основе интуиция. Усло­вия необходимости и достаточности отнесения специалиста к кате­гории экспертов вводятся следующим образом.

Важно установить не абсолютную степень надежности эксперт­ной оценки, а степень надежности по сравнению с оценкой среднего специалиста, а также корреляцию между вероятностью его прогноз­ной оценки и надежностью класса тех гипотез, которыми оперирует эксперт. В общем, нужно определить, что такое эксперт. Перечис­лим некоторые требования, которым должен удовлетворять эксперт:

1) оценки эксперта должны быть стабильны во времени и транзи-тивны; 2) наличие дополнительной информации о прогнозируемых признаках лишь улучшает оценку эксперта; 3) эксперт должен быть признанным специалистом в данной области знаний; 4) эксперт должен обладать некоторым опытом успешных прогнозов в дан­ной области знаний.

Характеризуя экспертов, следует иметь в виду, что в результате выработки оценок могут иметь место ошибки двух видов. Ошибки первого вида известны в технике измерений как систематические, ошибки второго вида — как случайные. Эксперт, склонный к ошиб­кам первого вида, выдает значения, которые устойчиво отличаются от истинного в сторону увеличения или уменьшения. Полагают, что ошибки этого вида связаны со складом ума экспертов. Для коррек­ции систематических ошибок можно применять поправочные коэф­фициенты или же использовать специально разработанные трени­ровочные игры. Ошибки второго вида характеризуются величиной дисперсии. Исходя из анализа основных видов ошибок при выне­сении экспертных суждений, можно добавить к рассмотренному ранее перечню требований к экспертам еще одно. Смысл его состоит в том, что следует предпочесть эксперта, оценки которого имеют малую дисперсию и систематическое отклонение средней ошибки от нуля, эксперту со средней ошибкой, равной нулю, но с большей дисперсией. К сожалению, априори определить способность человека делать правильные экспертные оценки невозможно. Важным средством подготовки экспертов являются специальные тренировочные игры.

Организация форм работы эксперта может быть программиро­ванной или непрограммированной, а деятельность эксперта может осуществляться в устной (интервью) либо в письменной форме (ответ на вопросы специальных таблиц экспертных оценок или сво­бодное изложение по заданной теме).

Программирование формы работы эксперта предполагает:

построение граф-модели объекта на базе ретроспективного ана­лиза; определение структуры таблиц экспертных оценок (ТЭО) или программы интервью на базе граф-модели объекта и целей экспер­тизы; определение типа и формы вопросов в ТЭО или в интервью;

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

Организация стимуляции работы эксперта состоит в разработке:

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

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

Исходя из полученной в результате анализа модели объекта прогнозирования, определяются научные и технические направле­ния, по которым необходимо привлечь эксперта, выделяются группы экспертов по принадлежности вопроса к области фунда­ментальных, прикладных наук или к стыковым научным направ­лениям.[5]

При решении задачи формирования экспертной группы необхо­димо выявить и стабилизировать работоспособную сеть экспертов. Способ стабилизации экспертной сети заключается в следующем. На основе анализа литературы по прогнозируемой проблеме выби­рается любой специалист, имеющий несколько публикаций в дан­ной области. К нему обращаются с просьбой назвать 10 наиболее компетентных, по его мнению, специалистов по данной проблеме. Затем обращаются одновременно к каждому из десяти названных специалистов с просьбой указать 10 наиболее крупных их коллег-ученых. Из полученного списка специалистов вычеркиваются 10 первоначальных, а остальным рассылаются письма, содержащие указанную выше просьбу. Данную процедуру повторяют до тех пор, пока ни один из вновь названных специалистов не добавит новых фамилий к списку экспертов, т. е. пока не стабилизируется сеть экспертов. Полученную сеть экспертов можно считать генеральной совокупностью специалистов, компетентных в области прогнози­руемой проблемы. Однако в силу ряда практических ограничений оказывается нецелесообразным привлекать всех специалистов к экспертизе. Поэтому необходимо сформировать репрезентативную выборку из генеральной совокупности экспертов.

Определение специфики процедур для методов класса ПЭО (персональных экспертных оценок) осуществляется на основе ана­лиза требований к экспертам и их оценкам, вытекающим из сущно­сти методов :

а) аналитические записки предъявляют требования структуризации экспериментируемой проблемы, экспликации и ранжирования целей, анализа альтернативных путей достижения цели, оценки затрат на каждую альтернативу и рекомендаций по наиболее эффективным способам решения проблем;

б) парные сравнения, нормирование и ранжирование требуют одно­родности оцениваемых признаков, наличия логически обоснованных критериев и эталонов, наличие однозначно определенных процедур оперирования с критериями, эталонами и признаками;

в) интервью предъявляют специфические требования как к экспер­ту, так и к интервьюеру;

г) морфологическая структуризация требует четкого определения функциональных характеристик объекта или проблемы, которые необходимо улучшить, классификации научных принципов, на основе которых возможно улучшение характеристики; анализа все­возможных комбинаций этих принципов и отсева заведомо абсурдных; оценки комбинаций по степени осуществимости и затрат на их реализацию; сравнения комбинаций по комплексному критерию «затраты — эффективность — время».

2.4.2 Метод эвристического прогнозирования (МЭП)

Основная задача, стоящая перед специалистами по анализу и проектированию больших систем, в общем случае, как правило, заключается в нахождении наиболее оптимальных способов созда­ния более эффективных систем — либо вновь проектируемых, либо модернизируемых. Сложность решения этой задачи состоит прежде всего в том, что здесь обычно нет возможности найти решение чисто математическими методами, поскольку, как правило, не удается точно определить величины (функционалы), подлежащие оптими­зации (экстремализации) в математическом смысле. Это связано не только со сложностью описания функционирования больших систем, но и с такими принципиальными видами, как, например, специфика целей, для достижения которых предназначена система. Во-первых, перед системой может стоять не одна цель, а набор их, что сразу же приводит к задаче векторной оптимизации. Во-вторых, набор целей, поставленных перед системой, может содержать в своем составе чисто качественные цели, не подлежащие практи­чески реализующимся количественным измерениям. Это приводит, с одной стороны, к проблеме оценки степени достижения качествен­ной цели и, с другой — к проблеме соизмерения важности качест­венных и количественных целей и степени их достижения.

Аналогичная ситуация возникает и при оценке последствий предполагаемого способа достижения поставленной цели. Укажем для примера, что эти последствия могут одновременно носить эко­номический, политический, социальный или какой-либо другой характер.

В этих условиях решение системной задачи находится посред­ством эвристических приемов, использующих весьма сложный математический аппарат, и заключается в выдаче обоснованных рекомендаций, достаточных для выработки решения.

Методом эвристического прогнозирования называется метод получения и специализированной обработки прогнозных оценок объекта путем систематизированного опроса высококвалифициро­ванных специалистов (экспертов)


9-09-2015, 01:40