Прогнозирование развития технологий (стр. 2 из 7)

При наличии необходимых данных экстраполяция тенденций - достаточно недорогой и быстрый метод. С учетом простоты обработки данных этот метод используют как первую ступень технологического прогнозирования, получения некоего первого приближения.

В данном случае вряд ли эта экстраполяция будет справедлива и во все последующие годы, поэтому надо предположить, что действительные значения будут ниже.

Основным недостатком метода анализа тенденций является то, что любые экстраполяции справедливы только на малые отрезки времени. Поскольку характер влияния внешних обстоятельств на рассматриваемые переменные непостоянен во времени, постольку наилучшие результаты могут быть получены при использовании данного метода в близких прогнозах (несколько кварталов, один год).

3.2 Сериальные оценки

Метод основан на использовании однотипных данных, полученных в разные отрезки времени, и переносит метод экстраполяции тенденций на одну ступень дальше, позволяя с помощью статистических методов отличить систематические изменения от случайных. Полученные систематические изменения проецируются на будущее, где время принимается в качестве некоторой искусственной меры всех факторов, влияющих на прогнозируемую переменную.

В последнее время разработано достаточно большое количество статистических методов, позволяющих “экстрагировать” систематические линейные, логарифмические или экспоненциальные изменения на фоне квартальных, сезонных, разовых и других несистематических изменений.

Пример таких сериальных оценок в течение длительного времени приведен на рис.1.

Видна общая тенденция к увеличению на фоне больших и меньших циклов сезонных и других изменений. Существующие программные средства “смещения среднего”, экспоненциального сглаживания, многофакторного регрессионного анализа и др. позволяют получить сглаженную кривую, в частности, для прогнозирования в приведенном примере изменения потребления газет и за пределы 1980 года.

Основной недостаток этого метода, как и метода экстраполяции тенденций, определяющий ограниченное его использование только для краткосрочных прогнозов, - невозможность получения каких-либо причинно-следственных связей для объяснения полученных результатов. Он несколько более трудоемок, чем предыдущий, однако быстрое развитие компьютерных средств и простота получения первичных оценок обусловливают его несомненную эффективность и растущее использование в качестве первой ступени прогноза.

3.3 Регрессионный анализ

Регрессионный анализ можно считать обобщенной формой сериальных оценок, однако, регрессионные выражения позволяют прогнозировать изменение прогнозируемой переменной в виде функции (одной и более) других переменных, то есть в ситуации, когда прогнозируемая переменная находится в какой-то зависимости от другой переменной. Основной задачей регрессионного анализа является выявление этой зависимости.

Многочисленные пакеты программ статистической обработки и регрессионного анализа делают использование этого метода простым и недорогим.

Основой применения методов регрессионного анализа является наличие рядов (как правило, временных) значений переменных, взаимозависимость между которыми исследуется в ходе анализа. При этом выявляется лишь математическая форма данной зависимости, в которой, как правило, не отражается действительная причинно-следственная связь между рассматриваемыми переменными.

Получение качественного прогноза на основе регрессионного анализа зависит от правильного выбора независимых переменных, а также знания их возможных значений.

Регрессионный анализ непригоден для прогнозирования в тех случаях, когда неизвестны будущие значения независимых переменных. Таким образом, регрессионный анализ, в частности, не очень полезен для определения времени выведения нового продукта на рынок или предсказания того, какие новые технологические процессы возникнут через пять лет.

При наличии необходимых данных и некоторых дополнительных усилий по обработке данных регрессионный анализ дает более качественные прогнозы, чем метод экстраполяции тенденций и сериальные оценки, позволяя осуществлять средне- и долгосрочный прогноз.

3.4 Эконометрика

Этот метод позволяет группировать несколько полученных регрессионных выражений в некую модель более широких взаимосвязей. Например, необходимо узнать, сколько, по-видимому, будет весить портативный персональный компьютер в следующем году или через три года. Базовое уравнение для получения прогноза позволяет рассматривать вес компьютера в виде функции веса источника питания, диска, экрана, числа и веса дисководов. В свою очередь, вес источника питания может быть прогнозирован, по крайней мере, отчасти, в функции темпа технического прогресса натриево-серных батарей и, например, повышения температуры сверхпроводимости (стремясь к достижению сверхпроводимости при комнатной температуре). В третьем уравнении можно связать динамику параметров технического прогресса и весовые характеристики плоского экрана. В четвертом уравнении можно, например, описать скорость развития новых сверхпроводящих материалов. Необходимый прогноз относительно будущего веса портативного компьютера требует одновременного решения всех этих уравнений.

Эконометрика позволяет построить обобщенную причинно-следственную модель, использующую многие переменные и набор многофакторных регрессий.

Методы эконометрики наиболее эффективны, если 1)возможно выявление причинно-следственных связей между рассматриваемыми параметрами исследуемого объекта 2)возможно предсказать направление изменений этих “причинных” переменных. 3) можно описать факторы, влияющие на значения причинных переменных.

Построение такой модели более трудоемко и дорого, чем использование предыдущих методов, однако важным преимуществом эконометрических подходов является то, что характер выявленных взаимосвязей не меняется со временем, и полученная выверенная модель может быть использована для следующих или предыдущих по времени циклов (в пределах правомерности предсказаний изменений независимых переменных и отсутствия влияния не учитываемых параметров: например, политико-экономической ситуации).

4 Моделирование динамики объектов прогноза

Соответствующие решения основаны на кибернетических теориях и методах анализа систем, предполагающих, что большинство событий взаимосвязаны. В соответствие с этим факторы и влияющие переменные моделей динамики системы и соответствующие связи и взаимодействия рассматриваются в виде группы петель обратной связи.

Известны компьютерные модели роста мировой динамики, динамики развития производственного предприятия, социально-экономического развития страны или группы стран. Модели, полученные с использованием динамики систем, полезны для понимания характера взаимодействия различных факторов и стратегического анализа объекта прогнозирования.

Динамические закономерности могут моделироваться как аналитически, так и на качественном уровне в форме исторических аналогий, экспертных суждений и пр.

4.1 S-кривые

Анализ, получивший название S-кривых, основан на известных закономерностях, по которым технология, выводимая на рынок, имеет определенный цикл жизни, в рамках которого доля соответствующего рынка растет сначала медленно, потом быстро, а затем перестает расти и/или начинает уменьшаться.

Во многих работах показано, что эти закономерности не всегда применимы, а в тех случаях, когда применимы, их нельзя воспринимать слишком буквально. И в то же время прогнозы на основании S-кривых помогли некоторым компаниям в конкурентной борьбе, а игнорирование этих закономерностей нанесло ущерб другим.

Модель S-кривой может быть применена не только к проникновению на рынок новых продуктов, но и к скорости распространения использования новой технологии как одного из видов продуктов или к параметрам новой технологии.

На рис.2 представлено семейство кривых для отдельных технологий, характеризующих развитие средств перемещения, где скорость движения оценивается в долях от скорости света. Обобщенная кривая дает картину изменения скорости перемещения, асимптотически приближающейся со временем к скорости света. Во многих моделях прогнозирования технологий существуют такие физические или естественные ограничения, как, например, доля рынка, которая не может быть более 100%.

Ключом к эффективному прогнозированию с помощью S-кривых является наличие предыдущего опыта использования аналогичных технологий. Например, для прогнозирования развития скорости нового сверхзвукового самолета, использующего в качестве топлива метанол, полезно изучить историю первого турбинного самолета, относящуюся к 1936 году, убедиться, что первое реальное использование этого самолета относится к 1940-му году, а затем еще десять лет ушло на увеличение мощности турбины и совершенствование конструкции самолета, в течение которых постепенно увеличивалась скорость полета. Далее можно предположить, что освоение и развитие сверхзвукового самолета потребует столько же лет на коммерциализацию и последующее совершенствование.