y=a•ebt,

где t—время,

a и b—параметры экспоненциальной кривой.

К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании можно отнести кривую Перла, выведенную на основании обширных исследований в области роста организмов и популяций, и имеющую вид:

y=L/(1+a•e-bt),

где L —верхний предел переменной y.

Не менее распространена кривая Гомперца, выведенная на основании результатов исследований в области распределения дохода и уровня смертности (для страховых компаний), имеющая вид:

,

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.

Как кривая Перла, так 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 упомянутых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются рассмотренные нами кривые Перла и Гомперца.

В качестве примера можно привести дифференциальное уравнение, описывающее приращение объема информации (знания) I в зависимости от числа исследователей N, среднего коэффициента продуктивности одного исследователя q в единицу времени t и С— постоянного коэффициента, характеризующего динамики изменения объема информации. Оно имеет следующий вид:

.

Интегрируя это дифференциальное уравнение получаем формулу для объема информации:

В общем виде динамика изменения прогнозируемых показателей и параметров во времени может быть представлена в виде:

,

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

e(t)—случайная функция, характеризующая отклонение 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 экстраполирующей функции и определения значений её 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.

Феноменологические модели строятся исходя из условий максимального приближения к тренду процесса, с учетом его особенностей и ограничений и принятыми гипотезами о его будущем развитии.

При многофакторном прогнозе в феноменологических моделях можно присваивать большие коэффициенты весомости факторам, которые в прошлом оказывали большее влияние на развитие событий в прошлом.

Если при прогнозировании рассматривается ретроспективный период, состоящий из нескольких отрезков времени, то, в зависимости от характера прогнозируемых показателей, менее удаленных от момента прогнозирования по шкале времени и т.д. Также должен быть учтен тот факт, что нередко при прогнозировании оценки экспертов относительно близкого будущего могут отличаться излишним оптимизмом, а оценки относительно более отдаленного будущего излишним пессимизмом.

Если в прогнозируемом процессе может участвовать несколько различных технологий, каждая из которых представлена соответствующей кривой, то в качестве результирующей экспертной кривой может быть использована огибающая частных кривых, соответствующих отдельным технологиям.

4.Нормативное прогнозирование.

Нормативное прогнозирование представляет собой подход к разработке прогноза исходя из целей и задач, которые ставит перед собой организация в прогнозируемом периоде. Основным методом, использующимся в нормативном прогнозировании, является метод горизонтальных матриц решений, когда производится определение первоочередности выполнения предлагаемых для достижения поставленных целей проектов.

Обычно используются двумерные и трехмерные матрицы. Наиболее часто горизонтальные матрицы решений используются для определения оптимального распределения ресурсов при заданных ограничениях. При этом в качестве ресурсов могут выступать денежные средства, рабочая сила, её качество и квалификация, оборудование, энергетические ресурсы и т.д.

В частности, одно измерение горизонтальной матрицы решений может соответствовать основным проблемам, возникающим при достижении цели, второе измерение—ресурсам, которые могут потребоваться для решения этих проблем.

Согласованные матрицы более низких иерархических уровней проблем объединяются в матрицы более высоких уровней вплоть до главных матриц для стратегических проблем организации.

В трехмерной горизонтальной матрице решений одно измерение, например, может соответствовать коммерческим миссиям (областям сбыта), второе—ресурсам, третье—времени. Ресурсы в свою очередь, могут подразделяться на финансовые, коммерческие, ресурсы сбыта, производства, оборудования и т.д.

Вертикальные матрицы решений предназначены для отслеживания вертикального перемещения технологий. Вертикальная матрица решений для внутрифирменного планирования по рекомендациям Стэнфоррдского института может выглядеть примерно так (рис.2.4.1.):

Рис.2.4.1.

В частности, трехмерная вертикальная матрица решений под названием «Общая схема разработки системы национальной космической программы» была разработана в компании «Норт америкэн авиэйшн».

Для более рационального выбора проектов для реализации могут быть использованы методы исследования операций такие, как: