Tällä hetkellä mitään yhteiskunnan alaa ei voida hallita ilman ennakointia ennakoivana menetelmänä. Ennustamista käytetään eri aloilla: taloustieteessä, johtamisessa, urheilussa, teollisuudessa jne. Erilaisista prosesseista, ilmiöistä, reaktioista ja toiminnoista voidaan tehdä alustavia johtopäätöksiä ekstrapoloinnin ja trendin avulla.
Ennustamisen ydin
Sosioekonominen ennustaminen on tärkeä tieteellinen tekijä yhteiskunnallisen kehityksen strategioissa ja taktiikoissa. Siksi tutkimuskysymykset ja ennustemenetelmät ovat varsin relevantteja. Ennusteen merkityksellisyyden ongelman määrää myös riskiaste (esimerkiksi taloudelliset riskit) päätöksenteossa sellaisilla aloilla kuin aluejohtaminen, varastonhallinta, tuotannon suunnittelu, taloussuunnittelu jne.
Ennustetuloksia käytetään päätöksenteon tukena. Siksi päätösten luonteen määrää suurin osa järjestelmän halutuista ominaisuuksistaennustaminen. Tämän ongelman tutkimisen pitäisi auttaa vastaamaan kysymyksiin siitä, mitä ennustaa, missä muodossa ennusteen tulisi olla, mitä aikaelementtejä tulisi sisällyttää, mikä on ennusteen vaadittu tarkkuus.
Ulkoisen ympäristön epävarmuus tulevaisuudessa ja tiedon puute kohteen tilasta erilaisten ulkoisten ja sisäisten olosuhteiden vaikutuksesta tekee ennustamisesta melko vaikeaa, eikä itse prosessi välttämättä aina sovi tiettyyn algoritmiin. Tämä saa tutkijat etsimään uusia tapoja ratkaista ongelmia käyttämällä todennäköisyysteoriaa ja matemaattisia tilastoja, kombinatorista teoriaa ja epälineaarista dynamiikkaa jne.
Työtä ennusteisiin liittyvissä asioissa kehitetään seuraaviin pääsuuntiin:
- teoreettisen ja soveltavan tutkimuksen tehostaminen useille menetelmäryhmille, jotka täyttävät eri objektien ja ennustetyyppien vaatimukset;
- erikoismenetelmien ja -menettelyjen kehittäminen ja toteuttaminen käytännössä erilaisten metodologisten tekniikoiden käyttöön tietyn tutkimuksen aikana;
- ennustemenetelmien polunhaku ja algoritminen esitys sekä niiden toteutus tietokoneella.
Luokitteluongelma
Ennustemenetelmien tutkimisen ja luokittelun kysymys on erittäin ajankohtainen johtuen sen soveltamismahdollisuuksista vaaditun ennusteobjektin ja ennustemuodon mukaan. On tarpeen opiskella teoreettisia jaennustamisen metodologiset näkökohdat, määrittävät ennustamisen roolin objektinhallintajärjestelmässä. Tämä on tärkeää ennustamisen tehtävien, toimintojen ja periaatteiden selkeyttämiseksi, ennustamisen luokittelutoimintojen järjestämiseksi ja sen olemuksen selvittämiseksi. Toinen tehtävä on karakterisoida ja analysoida nykyisiä ennustemenetelmiä, analysoida erilaisten ennustemenetelmien käyttömahdollisuuksia erilaisten käytännön ongelmien ratkaisemisessa.
Määritelmä
Ennustaminen määritellään menetelmäksi, joka käyttää teoreettisia ja käytännön vaiheita ennusteiden kehittämiseen. Tämä määritelmä on yleinen ja antaa meille mahdollisuuden ymmärtää tätä termiä melko laajasti: yksinkertaisista ekstrapolointilaskelmista monimutkaisiin monivaiheisiin asiantuntijatutkimusmenetelmiin.
Peruskäsitteet
Tutkimusaiheessa on joitain peruskäsitteitä.
Ennustevaihe on osa ennusteen kehitysprosessia, jolla on tietyt tehtävät, menetelmät ja tulokset. Jako vaiheisiin liittyy prosessin rakentamisen ominaisuuksiin, joka sisältää:
- ennusteobjektin systemaattinen kuvaus;
- tiedonkeruu;
- simulaatio;
- ennuste.
Ennustava malli on ennustajaobjektin malli, joka tarjoaa tietoa ennustajaobjektin mahdollisista tulevista tiloista ja/tai siitä, miten ja milloin ne voidaan toteuttaa.
Ennustemenetelmät edustavaton joukko erityisiä sääntöjä ja menetelmiä (yksi tai useampi), jotka varmistavat ennusteen kehittymisen.
Ennustejärjestelmä on menetelmäjärjestelmä, joka toimii ennustamisen perusperiaatteiden mukaisesti. Toteutusmenetelmät ovat asiantuntijaryhmä, joukko ohjelmia jne. Ennustusjärjestelmät voivat olla automatisoituja ja ei-automaattisia.
Ennustamisen kohde on prosessi, järjestelmä tai ilmiö, jonka tilan määrää ennuste. Ennustemuuttujaobjekti on ennusteobjektin kvantitatiivinen ominaisuus, joka otetaan ennusteen aikaväliin liittyvänä muuttujana.
Ennustetekniikka on joukko erityisiä sääntöjä ja menetelmiä, joita käytetään tiettyjen ennusteiden laatimiseen.
Ennuste voi olla yksinkertainen tai monimutkainen. Yksinkertainen ennuste on menetelmä, jota ei voi jakaa yksinkertaisempiin ennustemenetelmiin. Monimutkainen ennustaminen on menetelmä, joka koostuu useiden yksinkertaisten menetelmien johdonmukaisesta yhdistelmästä.
Menetelmien johdonmukaisuus
Tällä hetkellä ennustemenetelmän valinnan ongelmalla on useita kriteerejä, tämä prosessi on huonosti suunniteltu eikä täysin jäsennelty. Perusperiaate tällaisen ongelman ratkaisemisessa on johdonmukaisuuden periaate.
Järjestelmälähestymistavan avulla voit löytää ja toteuttaa johdonmukaisuuden periaatteen. Se on universaali ja vastaa kaikkien monimutkaisten järjestelmien analyysi- ja tutkimusmenetelmää.
BTämän lähestymistavan puitteissa tutkitaan esineiden, ilmiöiden ja prosessien ominaisuuksia, rakennetta ja toimintoja kokonaisuutena esittämällä niitä järjestelminä kaikilla monimutkaisilla elementtien välisillä suhteilla, elementtien keskinäistä vaikutusta järjestelmään ja ympäristöön sekä järjestelmän vaikutus rakenneosiin.
Ennustusmenetelmien ja mallien johdonmukaisuus ymmärretään mahdollisuutena niiden yhteiskäyttöön, mikä mahdollistaa johdonmukaisen ja johdonmukaisen ennusteen tekemisen kohteen kehityksestä. Tämä menetelmä perustuu säännöllisyyden nykyisten ja tulevien suuntausten tutkimukseen määritettyjen parametrien, käytettävissä olevien resurssien, tunnistettujen tarpeiden ja niiden dynamiikan mukaan.
Metodologia
Ennustejärjestelmä sisältää tietyn mallin käyttöjärjestyksen kattavan ennusteen muodostamiseksi tutkittavasta kohteesta tai ilmiöstä. Tämä menetelmä auttaa määrittelemään ennustemetodologian. Se sisältää joukon ennustemalleja, menetelmiä ja laskentamenetelmiä.
Systemaattinen tutkimusmenetelmä on erityisen tärkeä monimutkaisten ongelmien ratkaisemisessa. Ennustamisen systemaattisen lähestymistavan tarve seuraa tieteen ja tekniikan kehityksen erityispiirteistä. Suuri määrä elementtejä, erityyppisiä esineitä, niiden väliset monimutkaiset suhteet ja esineen käyttäytyminen ulkoisessa ympäristössä johtivat suurten teknisten ja teollisten (organisaatiotaloudellisten) järjestelmien syntymiseen.
Luokittelun perusteet
Tällä hetkellä lukuisten julkaistujen ennustemenetelmien ohella on olemassamonia tapoja luokitella ne. Ennustemenetelmien luokittelun päätavoitteet:
- tutkimus- ja analyysiprosessin tukeminen;
- Tukee menetelmän valintaprosessia objektien ennusteiden kehittämistä varten.
Nykyään on vaikea tarjota yleistä luokittelua, joka on yhtä tärkeä näiden kahden tarkoituksen kann alta.
Ennustusmenetelmät voidaan luokitella useiden ominaisuuksien mukaan. Yksi tärkeimmistä luokittelukriteereistä on formalisaatioaste, joka kattaa ennustemenetelmät varsin täysin.
Yleensä luokittelu on avoin, koska se tarjoaa mahdollisuuden lisätä tasojen elementtien määrää ja lisätä tasojen määrää pirstouttamalla ja määrittämällä lopullisen tason elementtejä.
Toinen lähestymistapa määritelmään
Ennustamisen käsitteen, ennustetyyppien tarkemman määritelmän mukaan se on joukko menetelmiä ja ajattelutapoja, joiden avulla voidaan arvioida sen (objekti) tulevaa kehitystä. Se perustuu historiallisten tietojen, ennusteen kohteen eksogeenisten (ulkoisten) ja endogeenisten (sisäisten) suhteiden analyysiin sekä niiden mittaamiseen tämän ilmiön tai prosessin puitteissa.
Luokittelukriteerit ovat myös luokitusattribuutin yhtenäisyys kullakin tasolla; yhden osan disjunktiivinen luokittelu; ja luokitusjärjestelmän avoimuus.
Jokainen järjestelmän taso puolestaan määräytyy omalla luokituskriteerillään: formalisaatioaste, yleinen toimintaperiaate; tapa saada ennuste.
Menetelmien luokittelu
Yleisen lähestymistavan näkökulmasta monet ennustemenetelmät, jotka tähtäävät kohteen tilan analysointiin ja sen nykyisen kehityksen ennustamiseen sovellettujen ongelmien ratkaisemiseen, voidaan esittää seuraavassa luokituksessa.
Ennustamisen päätyypit voivat formalisaatioasteen mukaan olla intuitiivisia ja formalisoituja.
Intuitiivit voivat olla yksilöllisiä ja kollektiivisia.
Yksilöt puolestaan jakautuvat haastatteluihin, kyselyihin ja analyyttisten hierarkioiden käsittelyyn. Kollektiivisia menetelmiä ovat Delphi-menetelmä, aivoriihi, asiantuntijakomissio, käsikirjoituksen rakentaminen.
Formalisoidut menetelmät voivat olla matemaattisia, järjestelmärakenteisia, assosiatiivisia. Myös tähän kategoriaan kuuluu tiedon edistämismenetelmiä.
Matemaattiset menetelmät jaetaan kahteen luokkaan: tilastollisiin ja ekstrapolaarisiin.
Ensimmäistä luokkaa edustavat korrelaatioanalyysi, regressioanalyysi, aikasarjamallit, adaptiiviset mallit.
Toista luokkaa edustaa liukuva keskiarvo ja eksponentiaalinen tasoitus.
Matemaattisiin menetelmiin kuuluu myös yhdistelmämenetelmiä.
Järjestelmärakenteisia menetelmiä edustavat morfologinen analyysi, funktionaalinen-hierarkkinen mallinnus, verkkomallinnus ja matriisimallinnus.
Assosiatiivisia menetelmiä ovat simulaatio, historiallinen analogia, tiedon louhinta.
Ennustetyyppejä ovat mmKatso myös julkaisuvirran analyysin, keksinnön merkityksen ja patenttien analyysin esittämät tiedon edistämisen menetelmät.
Intuitiivisten menetelmien luonnehdinta
Asiantunteva (intuitiivinen, heuristinen) ennustetyypit perustuvat ammattiasiantuntijoilta saatuihin tietoihin systemaattisten tunnistus- ja synteesiprosessien tuloksena. Nämä menetelmät edellyttävät asiantuntijoilta syvällistä teoreettista tietoa ja käytännön taitoja kaiken saatavilla olevan tiedon keräämiseen ja syntetisoimiseen ennusteobjektista.
Intuitio (strukturoimaton tieto) auttaa asiantuntijoita tunnistamaan ennusteobjektin kehitystrendit ilman perustietoa siitä. Esimerkiksi uusien tavaroiden ja palvelujen kysynnän ennuste, innovaatioiden tehokkuus, talousuudistuksen päättyminen, energiatuotteiden, metallien (ei-rautametallien ja jalometallien) ja jopa valuuttojen maailmanmarkkinahinnat.
Tällaisia ennustetyyppejä ja -menetelmiä kuin asiantuntijamenetelmiä käytetään yleensä seuraavissa tapauksissa:
- kun on mahdotonta ottaa huomioon monien tekijöiden vaikutusta ennusteobjektin huomattavan monimutkaisuuden vuoksi;
- kun ennustepohjan käytettävissä olevissa tiedoissa on suuri epävarmuusaste.
Siksi intuitiivisia menetelmiä käytetään, kun ennustettu objekti on joko liian yksinkertainen tai liian monimutkainen ja arvaamaton, joten monien tekijöiden vaikutusta on lähes mahdotonta analysoida analyyttisesti.
Asiantuntijaarvioiden kollektiiviset menetelmät perustuvat siihen, että kollektiivinentietoisuus tarjoaa suuremman tulosten tarkkuuden. Lisäksi saatuja tuloksia käsiteltäessä voi syntyä tuottamattomia (epätavallisia, abstrakteja) ideoita.
Formalisoitujen menetelmien ominaisuudet
Formalisoidut (faktuaaliset) ennustetyypit perustuvat ennusteobjektin ja sen aikaisemman kehityksen todelliseen ja saatavilla olevaan tietoon. Niitä käytetään tapauksissa, joissa ennusteobjektin tiedot ovat pääosin kvantitatiivisia ja eri tekijöiden vaikutus voidaan selittää matemaattisilla kaavoilla.
Tämän menetelmäryhmän etuna on ennusteen objektiivisuus, mikä laajentaa mahdollisuutta harkita eri vaihtoehtoja. Kuitenkin formalisoinnin metodologiassa monet näkökohdat jäävät analyysin ulkopuolelle. Mitä suurempi formalisointiaste on, sitä huonompi malli on.
Tilastollinen menetelmä oli viime aikoihin asti pääasiallinen menetelmä ennustamisen käytännössä. Tämä johtuu pääasiassa siitä, että tilastolliset menetelmät perustuvat tekniikan analysointiin, kehittämiseen ja sovelluskäytäntöihin, joilla on melko pitkä historia.
Tilastollisiin suunnittelu- ja ennustamistyyppeihin perustuva prosessi on jaettu kahteen vaiheeseen. Ensinnäkin tietyltä aj alta kerätyn tiedon yleistäminen ja tähän yleistykseen perustuvan prosessimallin luominen. Mallia kuvataan kehityssuunnan analyyttisinä ilmaisuina (ekstrapolaatiotrendi) tai toiminnallisena riippuvuutena yhdestä tai useammasta argumenttitekijästä (regressioyhtälöt). Kaikenlaisen ennustavan mallin pitäisisisältää ilmiön dynamiikkaa kuvaavan yhtälön muodon valinnan, sen suhteen ja sen parametrien arvioinnin tietyllä menetelmällä.
Toinen vaihe on itse ennuste. Tässä vaiheessa eri kuvioiden perusteella määritetään projisoidun kuvion, koon tai ominaisuuden odotettu arvo.
Saatuja tuloksia ei tietenkään voida pitää lopullisena johtopäätöksenä. Tekijöiden, ehtojen ja rajoitusten arvioinnissa ja käytössä tulee ottaa huomioon kaikki tekijät, jotka eivät olleet mukana mallin määrittelyssä ja rakentamisessa. Niiden säätö tulee suorittaa niiden muodostumisolosuhteiden odotettavissa olevan muutoksen mukaisesti.
Menetelmien valintaperiaate
Erilaisten suunnittelu- ja ennustetyyppien avulla voit valita parhaan tavan ratkaista tietty ongelma. Oikein valitut menetelmät parantavat merkittävästi ennusteen laatua, sillä ne varmistavat ennusteen täydellisyyden, luotettavuuden ja tarkkuuden sekä mahdollisuuden säästää aikaa ja alentaa ennustamisen kustannuksia.
Menetelmän valintaan vaikuttavat:
- ratkaistavan käytännön ongelman ydin;
- ennusteobjektin dynaamiset ominaisuudet ulkoisessa ympäristössä;
- käytettävissä olevan tiedon tyyppi ja luonne, tyypillinen ennusteobjektin tyyppi;
- vaatimus ennustetuloksista ja muista tietyn ongelman yksityiskohdista.
Kaikki nämä tekijät on pidettävä yhtenä järjestelmänä, kun taas vain merkityksettömiä tekijöitä voidaan jättää huomioimatta. KäytössäKäytännössä ennustemenetelmää valittaessa on suositeltavaa ottaa huomioon kaksi päätekijää - hinta ja tarkkuus.
Kun valitset menetelmää, harkitse vaihtoehtoja:
- tilastotietojen saatavuus vaaditulta ajanjaksolta;
- ennustajan pätevyys, laitteiden saatavuus;
- tarvittava aika tiedon keräämiseen ja analysointiin.
Ennusteet eri aloilla
Esitettyjä menetelmiä yhdessä tai toisessa yhdistelmässä käytetään eri aloilla. Yhteiskunnallisen ennustamisen tyypeistä voidaan erottaa kollektiiviset ja yksilölliset intuitiiviset menetelmät. Myös matemaattisia menetelmiä käytetään laajasti tällä alalla. Ne ovat myös pääasiallinen talousennuste. Se on itse asiassa tieteellisen tutkimuksen järjestelmä, jolla on määrällinen ja laadullinen luonne. Käytetään taloudellisten ratkaisujen kehittämisen alkuvaiheessa.
Erilaisten ennusteiden tekemiseen turvaudutaan usein ennustamiseen esimerkiksi urheilussa. Tämä koskee monenlaisia prosesseja: urheilun ja sen yksittäisten tyyppien kehitystä, kilpailuja, urheiluharjoittelujärjestelmiä, teknisiä ja taktisia ominaisuuksia, uusien urheiluennätyksiä jne. Urheilun ennustetyypeistä v altava määrä on käyttää erityisesti tieteellisiä, empiirisiä ja intuitiivisia menetelmiä: loogisen analyysin menetelmät; asiantuntija-arviot; ekstrapolointi; analogioita; mallinnus jne.
Erityisen kiinnostavaa on kriminologian ennusteiden laatiminen, joiden aikana tiedetään rikollisuuden tuleva tila, tekijätvaikuttaa sen muutoksiin, kriminologista ennustetta kehitetään. Sen avulla voit määrittää yleisimmät indikaattorit, jotka kuvaavat rikollisuuden kehitystä (muutosta) tulevaisuudessa, tunnistaa tältä pohj alta ei-toivotut trendit ja mallit, löytää tapoja muuttaa niitä oikeaan suuntaan.
Kriminologista ennustamista on useita: rikollisuus, rikoksentekijän henkilöllisyys, rikollisuuden tekijät ja seuraukset, rikollisuuden torjuntatoimenpiteet. Siellä ennakoidaan myös kriminologian tieteen kehitystä, rikollisuutta ja yksilön rikollista käyttäytymistä.
Esitetty menetelmien jako ryhmiin on melko ehdollinen. On huomattava, että näiden ennustemenetelmien ryhmien riippumaton käyttö on mahdotonta. Nykyaikaiset olosuhteet (tieteen ja tekniikan kehitys sekä järjestelmien yhteyksien ja niiden rakenteen kehittyneisyys) edellyttävät useiden ennustemenetelmien käyttöä yhden ongelman ratkaisemiseksi. Tämä johti yhdistettyjen menetelmien syntymiseen. Niiden käyttö on erityisen tärkeää monimutkaisissa sosioekonomisissa järjestelmissä, joissa voidaan käyttää erilaisia ennustemenetelmien yhdistelmiä kehitettäessä ennusteindikaattoreita järjestelmän jokaiselle elementille.
