Наука управления. Теория и практика - Борис Литвак

Для более чем 200 важных изобретений, сделанных в 1787–1935 гг., этот период колебался в среднем от 33 до 38 лет. Проанализированные им технологии разбиты на восемь уровней, начиная от возникновения первой идеи (уровень, условно названный «научные ресурсы») и кончая широкой ее реализацией в обществе (уровень, условно названный «общество»).

Основные уровни технологий представлены в табл. 5.12 в порядке возрастания их общественного значения и стадии реализации идеи. Переход от более низкого уровня реализации идеи к более высокому называется перемещением технологии. Для реализовавшихся важных идей характерно последовательное перемещение технологий от низшего до высшего уровня.

5.4.1. Модели прогнозирования

Модели технологического прогнозирования подразделяются на изыскательские (иногда их называют поисковыми) и нормативные.

В основе модели изыскательского прогнозирования лежит ориентация на предоставляющиеся возможности, установление тенденций развития ситуаций на базе имеющейся при разработке прогноза информации. Изыскательскому прогнозированию соответствует перемещение в пространстве технологий – от технологий более низкого уровня к технологиям более высокого уровня.

Примером изыскательского прогнозирования может служить прогнозирование в области электроники, когда прогнозируемый процесс представляют в виде последовательного перемещения технологий, начиная от квантовой электродинамики и кончая мгновенно осуществляемой всемирной связью.

В основе модели нормативного прогнозирования лежит ориентация на те потребности и цели, к достижению которых стремится организация. Нормативному прогнозированию соответствует перемещение в пространстве технологий – от технологий более высоких уровней к технологиям более низкого уровня.

Таблица 5.12

Основные уровни технологий и стадии реализации идей

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

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

Одной из основных проблем при разработке прогнозов является эффективное сочетание методов изыскательского и нормативного про гнозирования.

Для модели изыскательского прогнозирования характерно использование методов, базирующихся на анализе точных эмпирических данных. К ним относятся:

• экстраполяция;

• моделирование;

• метод исторической аналогии;

• написание сценариев и т. д.

При этом предпочтение отдается количественной информации, хотя использование качественной (неколичественной) информации в изыскательском прогнозировании также возможно.

Примером является использование метода сценариев или метода экспертных кривых, позволяющих определять наметившиеся тенденции изменения ситуации не только на базе эмпирических данных, но и на опыте высококвалифицированных специалистов-экспертов.

К числу основных методов, используемых в моделях нормативного прогнозирования, следует отнести методы ПАТТЕРН, Делфи, прогнозного графа Глушкова, Поспелова и др. Такой широко используемый в настоящее время инструментарий, как деревья целей, впервые появился как составная часть метода ПАТТЕРН (обоснование планирования посредством научно-технической оценки количественных данных), разработанного в 1963 г. для нужд аэронавтики и космоса.

Среди других видов прогнозирования выделяют прогнозирование с использованием обратной связи, интуитивные методы, «обходные» и др. Но основные идеи, используемые при разработке прогнозов, достаточно полно представлены именно в моделях изыскательского, нормативного и экспертного прогнозирования.

В последние годы получили развитие модели экспертного прогнозирования, ориентированные в значительной степени на работу не только с количественной, но и с качественной информацией, получаемой непосредственно от экспертов.

По мнению Н.Н. Моисеева, развитие экспертного прогнозирования совпало по времени с активным развитием ЭВМ. Последний факт нашел отражение в практике экспертного прогнозирования [17, 24].

5.4.2. Технологии прогнозирования

Одной из основных технологий, используемых в моделях изыскательского прогнозирования, является экстраполяция временных рядов – статистических данных об объекте прогнозирования.

В основе экстраполяционных технологий лежит предположение, что динамика изменений, имевшая место в прошлом, сохранится и в будущем. При этом, естественно, должны быть сделаны поправки с учетом стадии жизненного цикла объекта.

Для расчета кривых, отражающих изменение прогнозируемых параметров, в ряде распространенных ситуаций прогнозирования используется экспонента, т. е. функция вида

y = a ebt , (5.8)

где t – время;

a и b – параметры экспоненциальной кривой.

К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании [15], можно отнести кривую Перла, имеющую вид

y = L | (1+ a e−bt ), (5.9)

где L – верхний предел переменной y.

Не менее распространена при экстраполяции кривая Гомперца, имеющая вид

y = Lebt −kt , (5.10)

где k — также параметр экспоненты.

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

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

Многие из экстраполируемых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются рассмотренные выше кривые Перла и Гомперца (см., напр., [15, 28]).

В качестве примера можно привести дифференциальное уравнение, описывающее приращение объема информации (знания) / в зависимости от числа исследователей N, среднего коэффициента продуктивности одного исследователя q в единицу времени t и постоянного коэффициента с, характеризующего динамику изменения объема информации.

Оно имеет следующий вид:

dI | dt = qNect . (5.11)

Интегрируя это дифференциальное уравнение, получаем формулу для объема информации

I = qN | c (ect −1). (5.12)

В общем виде динамика изменения прогнозируемых показателей и параметров во времени может быть представлена [15] в виде

yt = y(t) + e(t), (5.13)

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

e(t) – случайная функция, характеризующая отклонения прогнозируемой переменной от тренда.

При экстраполяции используются регрессионные и феноменологические модели.

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

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

В то же время регрессионные модели обладают и определенными недостатками. В частности, возникают проблемы с корректным определением периода прогнозирования, с определением вида экстраполяционной кривой, а главное, далеко не всегда в будущем сохраняются закономерности, имевшие место в прошлом.