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(y1, у2, ., Уn) и x(x1, x2, ., Хn) 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 bo, bi, .,bk 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.