Основы оценки сложных систем
Проектирование и эксплуатация сложных систем выявили проблемы, решение которых возможно только на основе комплексной оценки различных по своей природе факторов, разнородных связей, внешних условий, …. В связи с этим в системном анализе выделяют раздел, связанный с определением качества систем и эффективности процессов, реализуемых в этих системах (раздел «Теория эффективности») [3].
Цели оценки сложных систем:
оптимизация – выбор наилучшего алгоритма из нескольких, реализующих один закон функционирования системы;
идентификация – определение системы, качество которой наиболее соответствует реальному объекту в заданных условиях;
для принятия решений по управлению системой.
В системном анализе различают «оценивание» – процесс и «оценку» – результат процесса.
Выделяют четыре основных этапа оценивания сложных систем.
Определение цели оценивания.
Выделяют два типа целей: качественные – достижение выражается в номинальной шкале или в шкале порядка и количественные – достижение выражается в количественных шкалах. Определение цели должно осуществляться относительно системы, в которой оцениваемая система является подсистемой (элементом).
Измерение свойств системы.
Выделяют существенные, с точки зрения целей оценивания, свойства системы. Выбирают соответствующие шкалы измерения свойств и всем свойствам присваивают определенные значения на этих шкалах.
Обоснование критериев качества и критериев эффективности функционирования системы.
Проводится на основе результатов измерения свойств (этап 2).
Оценивание.
Все исследуемые системы рассматриваются как альтернативные, сравниваются по обоснованным критериям и (в зависимости от целей оценивания) ранжируются, выбираются, оптимизируются, ….
Понятие шкалы
В основе оценки лежит процесс сопоставления значений качественных или количественных параметров исследуемой системы значениям соответствующих шкал.
Шкалой называют
картеж из трех элементов
,
где
– реальный
объект,
– шкала,
– гомоморфное
отображение
на
.
– эмпирическая
система с отношением (множество свойств
,
на которых
в соответствии с целями измерений задано
некоторое отношение
.
При измерении
каждому свойству
следует поставить в соответствие
признак или число
его характеризующее.
– знаковая система
с отношением (является отображением
эмпирической системы в виде некоторой
образной или числовой системы,
соответствующей измеряемой эмпирической
системе).
Различают шкалы:
номинального типа;
шкалы порядка;
шкалы интервалов;
шкалы отношений;
шкалы разностей;
абсолютные шкалы.
Соотношение между различными типами шкал представлено на рис.3.2.
Шкалы номинального типа
Шкалы этого типа относятся к наиболее простым качественным шкалам. Их еще называют шкалами наименований или классификационными шкалами. По этой шкале реальным объектам или неразличимым группам объектов (системам) присваивается некоторый признак, имя.
Основное свойство номинальной шкалы – сохранение неизменными отношений равенства между элементами эмпирической системы в эквивалентных шкалах.
Номинальная шкала:
– взаимно однозначные
преобразования
Шкала порядка:
– монотонно возрастающие
преобразования :
Качественные шкалы
К
оличественные
шкалы
Степенная шкала:
– пропорциональные
преобразования:
Степенная шкала:
– линейные преобразования:
Логарифмическая
шкала:
Шкала разностей:
– преобразования
сдвига;
Шкала отношений:
– преобразования
подобия;
Абсолютная шкала:
– тождественные
преобразования;
Рис. 3.2. Соотношения между основными типами шкал
При обработке результатов измерений, полученных с использованием номинальной шкалы, следует учитывать следующие особенности:
измеряемым элементам системы может быть поставлено в соответствие одно и то же значение шкалы измерения (одно и то же имя), то есть при оценке эти элементы не будут различаться;
символы, используемые в качестве шкальных значений, не являются числами (об этом следует помнить, если в качестве этих символов используют цифры), то есть их нельзя сравнивать по величине.
Об этом не следует забывать, так как в противном случае при оценке системы могут быть сделаны ошибочные выводы. Как правило, номинальные шкалы используют для измерений, цель которых заключается в выявлении различий между объектами.
Шкалы порядка
Шкалы порядка имеют второе название – ранговые. Эти шкалы используются для упорядочения объектов по измеряемым свойствам. Такие измерения могут применяться в следующих случаях:
упорядочение объектов во времени или в пространстве;
упорядочение объектов в соответствии с каким-либо качеством (при этом не стоит вопрос о точном измерении этого качества).
В качестве примеров шкал порядка, используемых в СЭС, можно назвать шкалу сортности товаров, шкалу квалификационных разрядов рабочих и служащих, единую тарифную сетку и т. п.
Шкалы интервалов
Это один из основных типов шкал, который находит довольно широкое применение. Основным свойством этих шкал является сохранение отношений интервалов в эквивалентных шкалах:
,
const.
При переходе к
эквивалентным шкалам интервалов с
помощью линейных преобразований могут
происходить изменения, как начала
отсчета (
),
так и масштаба измерения (
).
Примером шкал интервалов могут служить шкалы температур (Цельсия, Фаренгейта, Кельвина), шкалы валют (RUR, USD, EUR, …).
При исследовании социологических систем шкалы интервалов обычно применяют при измерении временных и пространственных характеристик объектов (даты событий, стаж работы, возраст персонала, время выполнения заданий и т. п.). При соответствующей обработке результатов замеренные характеристики позволяют оценивать определенные свойства систем.
Для шкал интервалов возможна характерная ошибка, когда свойства, измеряемые в шкале интервалов, применяются в качестве показателей для других свойств, монотонно связанных с данными.
Например, испытание умственных способностей персонала, при котором измеряется время, требуемое для решения тестовой задачи. В этом случае, время, как физическая величина, измеряется в шкале интервалов, а время, как мера умственных способностей, принадлежит шкале порядка. То есть, исходная шкала интервалов в результате становится всего лишь шкалой порядка. Это следует учитывать для правильной трактовки результата.
Шкалы отношений
В шкалах отношения (подобия) сохраняются постоянными отношения численных оценок объектов:
,
.
Шкалы отношений характеризуют отношения соответствующих свойств объектов. Шкалы отношений являются частным случаем шкал интервалов с нулевой точкой отсчета.
Шкалы разностей
В шкалах разностей неизменными остаются разности количественных оценок свойств систем. Их применяют в тех случаях, когда требуется определить, насколько один объект превосходит по определенному свойству другой объект.
Примерами использования шкал разностей в СЭС могут служить измерения годового прироста производства предприятий в единицах продукции, количество приобретенной за год техники и т. п.
Другой пример использования шкалы разностей – летоисчисление (в годах). Переход от одного летоисчисления к другому происходит изменением начала отсчета. Этот пример подтверждает, что шкала разностей также является частным случаем шкалы интервалов с фиксированным единичным масштабом измерений. При этом точка отсчета в шкалах разностей может быть произвольной:
.
Абсолютные шкалы
В соответствии с названием для абсолютных шкал существует только одно количественное отображение эмпирических объектов. Абсолютные шкалы широко применяют при измерении количества объектов, событий, решений. При этом могут использоваться как натуральные, так и действительные числа.
Абсолютные шкалы являются частным случаем ранее рассмотренных типов шкал, поэтому сохраняют соотношения между количественными оценками измеряемых свойств объектов: порядок, отношение интервалов, отношение и разность значений и т. д.
Показатели и критерии оценки систем
Искусственные системы создаются, как правило, с определенными целями, реализация которых предусматривает определенные виды деятельности. При этом планируемый и реальный результаты на выходе системы могут различаться. Степень отличия зависит от условий протекания процесса преобразования (качества ресурсов, качества системы, факторов окружающей среды и т. д.).
Поэтому при оценке систем принято различать качество систем и эффективность реализуемых системой процессов преобразования. Соотношение понятий качества и эффективности представлено в таблице 3.2.
Таблица 3.2
Соотношение понятий качества и эффективности
Параметр |
Качество |
Эффективность |
Определение понятия |
Свойство или совокупность существенных свойств системы, обеспечивающих ее пригодность для использования по назначению |
Комплексное операционное свойство процесса функционирования системы, характеризующее его соответствие достижению цели системы |
Область применения |
Объекты любой природы, в том числе, элементы систем |
Только целенаправленные процессы, проводимые системой |
Основная характеристика |
Совокупность свойств системы, существенных для ее использования по назначению |
Степень соответствия результатов преобразования его целям |
Фактор структурного анализа |
Строение системы (состав и свойства составных частей, структура, организация) |
Алгоритм функционирования, качество системы, реализующей алгоритм, воздействия внешней среды |
Размерность |
Показатель качества – вектор показателей существенных свойств |
Показатели результативности, ресурсоемкости, оперативности по исходу преобразования и по качеству алгоритма, обеспечивающего результат |
Способ оценивания |
Критерии пригодности, оптимальности, превосходства |
Критерии пригодности или оптимальности, определяемые в зависимости от типа преобразования (детерминированное, вероятностное, неопределенное) |
Оценка качества систем
Каждая существенная (с точки зрения качества системы) характеристика системы (социальная, юридическая, техническая, экономическая и др.) может быть описана с помощью одного или нескольких показателей, значения которых характеризуют меру (интенсивность) этого свойства. Эту меру называют частным показателем качества системы. Показатели могут быть количественными или качественными
Количественные показатели (параметры) можно измерить и оценить числом (например, производительность, стоимость). Качественные показатели не имеют общепризнанных единиц измерения (например, эстетические свойства, удобство использования и др.). Однако следует иметь в виду, что четко осознанные качественные показатели, как правило, тоже оцениваются числом (например, простота обслуживания измеряется временем, необходимым на обнаружение и устранение неисправности).
Любая СЭС представляет собой совокупность подсистем: технических агрегатов, людей, структурных подразделений и т. п. Методы определения параметров каждой из подсистем зависят от их природы и устанавливаются с помощью соответствующих дисциплин. В СЭС подсистемы могут соединяться между собой параллельно, последовательно или смешанным образом. Таким образом, вид зависимости параметров СЭС от параметров составляющих подсистем определяется способом соединения подсистем и их природой. По виду зависимости, связывающей значения параметров подсистем и СЭС, все параметры можно разделить на аддитивные, мультипликативные и логические.
Для аддитивных параметров справедлива зависимость
,
где
− параметр системы;
− параметр i-й
подсистемы; m
– количество подсистем в СЭС. Примером
аддитивного параметра может служить
стоимость системы (
,
где
− стоимости разработки, изготовления
и эксплуатации соответственно).
Мультипликативными параметрами называются такие параметры, которые подчиняются следующему закону:
.
Значение вероятности работы системы в соответствии с планом можно считать примером мультипликативного параметра.
Логические параметры:
или
По своему характеру значения параметров бывают детерминированными и случайными. По влиянию на качество системы различают повышающие и понижающие параметры.
Выбор правильного показателя предопределяет результаты оценки различных вариантов решений.
Пример [6].
«Во время Второй мировой войны транспортный флот союзников, действовавший в акватории Средиземного моря, нес большие потери от налетов немецкой авиации. В штабе ВМФ Великобритании было проведено совещание с целью определения путей снижения потерь судов в транспортных конвоях. В итоге рассматривались два варианта: включение в транспортные конвои дополнительных военных судов и установку на транспортных судах дополнительных зенитных батарей. Остановились на втором варианте.
Спустя некоторое время решили просчитать его эффективность. Оказалось, что эти зенитные батареи сбивали очень незначительное количество немецких самолетов. Раздались предложения использовать их в других военных целях.
Однако один специалист заметил, что был использован неправильный оценочный показатель, ведь главной задачей зенитных батарей являлось не сбивание немецких самолетов, а препятствование тому, чтобы немецкие самолеты топили транспортные суда. Выполняя чисто отпугивающие функции и не давая возможности немецким пилотам проводить прицельное бомбометание, зенитные батареи обеспечили снижение потерь среди транспортных судов».
Обобщенным
показателем качества системы называют
вектор
,
компоненты которого − частные показатели
отдельных свойств системы. Размерность
n
определяется числом существенных
свойств системы.
Частные показатели в общем случае имеют различную физическую природу и размерность. В связи с этим при определении обобщенного показателя качества системы используют не натуральные частные показатели, а их нормированные значения, что обеспечивает приведение показателей к одному масштабу:
,
где
– некоторое «идеальное» значение i-го
показателя.
Возможны несколько вариантов выбора «идеального» значения показателя:
«идеальное» значение задается ЛПР и является «образцовым»;
в качестве «идеального» можно выбрать максимально допустимое значение частного показателя;
в качестве «идеального» можно выбрать разность между максимальным и минимальным значениями частных показателей.
Идеальной системой принято называть гипотетическую модель исследуемой системы, удовлетворяющей всем критериям качества:
.
Областью адекватности называют некоторую окрестность значений показателей существенных свойств системы, радиус которой имеет нормированное значение, определяемое следующей зависимостью:
.
При таком подходе все критерии качества системы в общем случае могут быть отнесены к одному из трех типов.
Критерий пригодности
:
система считается пригодной,
если значения
всех частных показателей качества этой
системы принадлежат области адекватности,
а радиус области адекватности
соответствует допустимым значениям
всех частных показателей.Критерий оптимальности
:
система считается оптимальной по i-му
показателю качества, если существует
хотя бы один частный показатель качества
,
значения которого принадлежат области
адекватности с оптимальным радиусом
(
)
по этому показателю.Критерий превосходства
:
система считается превосходной, если
значения частных показателей качества
принадлежат области адекватности с
оптимальным радиусом по всем показателям.
Критерии должны обладать следующими свойствами:
представительность означает оценку основных (а не второстепенных) целей системы и учет всех главных сторон ее деятельности;
критичность (эластичность) к исследуемым параметрам состоит в значительных изменениях величины критерия при сравнительно малых изменениях исследуемых параметров;
простота.
Оценка эффективности реализуемых процессов
Как правило, при функционировании СЭС большая роль принадлежит случайным процессам. Вследствие этого критерий может быть основан на случайных величинах, включающих параметры математической статистики.
Обычно в системном анализе в рамках применения математических методов оптимальным решением считается такое, которое обеспечивает выполнение поставленной цели при минимальных ресурсных затратах. Возможна и обратная постановка задачи – обеспечивать максимальный эффект при фиксированных затратах ресурсов4. В этом случае общая форма критерия при прямой постановке задачи может быть записана в следующем виде:
при
где
– величина критерия (суммарные затраты
ресурсов),
– допустимая эффективность. При обратной
постановке задачи формой критерия
эффективности при ограниченной ресурсной
базе будет
при
где
– допустимая величина затрат ресурсов.
Оценка функциональных свойств и свойств операции, которые характеризуют функционирование системы, проводится с точки зрения двух аспектов:
аспект 1 – оценка результатов операции;
аспект 2 – оценка алгоритма, обеспечивающего получение результатов.
Качество результатов операции и алгоритм, обеспечивающий получение результатов, оцениваются по показателям качества операции, к которым относятся результативность, ресурсоемкость и оперативность.
Результативность Е операции характеризуется получаемым целевым эффектом, ради которого функционирует система.
Ресурсоемкость R характеризуется ресурсами всех видов (людские, материальные, информационные и т. д.), используемыми системой для получения целевого эффекта.
Оперативность О операции определяется временем, необходимым для достижения цели операции.
В зависимости от типа систем и внешних воздействий операции могут быть:
детерминированными;
вероятностными;
неопределенными.
В соответствии с этим выделяют три группы показателей и критериев эффективности алгоритма функционирования систем:
дискретные;
случайные величины с известными законами распределения в вероятностной операции;
случайные величины, законы распределения которых неизвестны (определение вероятности связано со статистическими данными).
Обработка результатов измерений, полученных в разных шкалах
Особенность измерения и оценивания качества сложных систем проявляется в том, что для разных частных показателей одной и той же системы могут применяться разные типы шкал.
Кроме того, для уточнения значений могут проводиться несколько измерений каждого из показателей. В этом случае, как уже говорилось, обобщенный показатель системы представляет собой осредненную величину частных показателей. При работе с величинами, измеренными в разных шкалах, для исключения грубых ошибок при оценке системы следует помнить основные правила и допустимые операции осреднения показателей.
Процедура осреднения допускается только для различных измерений одного и того же показателя или для нескольких однородных показателей, если измерения проведены с использованием одной шкалы.
Каждое значение показателя
при оценке может иметь различную
ценность, которую учитывают с помощью
весовых
коэффициентов
:
.
Для получения осредненного значения показателя наиболее часто используют следующие формулы осреднения:
средневзвешенное арифметическое (
):
,
среднеарифметическое (
):
,
среднеквадратичное (
):
,
средневзвешенное геометрическое (
):
,
среднегеометрическое (
):
,
средневзвешенное гармоническое (
):
,
среднегармоническое (
):
.
Соотношение между
данными типами средних величин
определяется правилом
мажорантности средних
.
Простые и взвешенные средние величины
различаются как по способу вычисления,
так и по роли в решении задач системного
анализа: средневзвешенные величины
применяют при сравнении систем с учетом
вклада различных факторов в осредненную
оценку.
Среднеарифметическое значение используют для сравнения абсолютных значений какого-либо параметра нескольких систем (или одной системы при нескольких измерениях).
Среднеквадратичные значения используют для определения вариации параметра системы в совокупности (среднеквадратичного отклонения).
Среднегеометрические значения параметра системы используют в тех случаях, когда среднее значение качественно одинаково удалено от максимального и минимального значений, в результате чего становятся важными не абсолютные значения, а их относительный разброс.
Среднегармонические значения параметров используют в тех случаях, когда для определения критерия оценки используются суммарные значения величин, обратных индивидуальным значениям параметров системы.
Вопрос о применении средних в настоящее время исследован достаточно полно. Связывая его со шкалами измерений, можно сделать следующие выводы:
для величин, измеренных в номинальной шкале, никакие осреднения недопустимы;
среднеарифметическое осреднение может быть применено для величин, измеренных в шкалах интервалов, разностей, отношений и абсолютной, но недопустимо для шкал порядка;
в качестве основной оценки среднего для шкал порядка, интервалов, разностей, отношений и абсолютной рекомендуется медиана;
математическое ожидание допустимо для шкал интервалов, разностей, отношений и абсолютных (применение для величин, измеренных в шкале порядка, некорректно);
среднегеометрическое осреднение является единственно допустимым для степенных и логарифмических шкал;
для шкал отношений также допустимы средневзвешенное арифметическое, среднегармоническое и среднеквадратичное осреднения измеренных величин.
Методы оценки и прогнозирования систем
Методы прогнозирования и оценки систем разделяют по степени формализации на интуитивные (экспертные) и формализованные (фактографические).
Интуитивные методы используются на начальных этапах моделирования, когда реальная система не может быть выражена в количественных характеристиках, ощущается недостаток в фактическом материале, не позволяющий описать закономерности поведения системы в виде аналитических зависимостей. В результате такого моделирования разрабатывается концептуальная модель системы.
К основным интуитивным методам прогнозирования и оценивания характеристик систем, используемым в системном анализе, относят:
метод сценариев;
метод мозговой атаки или коллективной генерации идей;
метод Дельфи;
метод дерева целей
и другие.
Метод сценариев
Метод применяют при подготовке и согласовании представлений о проблеме или объекте. Вначале этот метод предполагал подготовку текста в письменном виде, содержащего логическую последовательность событий или возможные варианты решения проблемы, упорядоченные во времени.
Однако требование привязки ко времени позднее было снято при сохранении логической последовательности прогнозируемых событий.
В сценарии могут быть не только содержательные рассуждения, которые помогают учесть детали, обычно не принимаемые во внимание при формальном представлении системы, но и результаты количественного или статистического анализа с предварительными выводами, полученными на их основе.
Сценарий содержит предварительную информацию, на основе которой составляются последующие прогнозы или разрабатываются варианты проекта. Таким образом, сценарий помогает составить представление о проблеме, чтобы затем приступить к более формализованному анализу системы.
Мозговая атака
Автором метода считают американского психолога А. Осборна. Концепция «мозговая атака» получила широкое распространение с начала 50-х годов ХХ века. Она рассматривалась, как метод тренировки мышления, нацеленный на открытие новых идей и достижение согласия группы специалистов на основе интуитивного мышления.
При проведении сессий метода мозговой атаки придерживаются следующих основных правил [3]:
обеспечить как можно большую свободу мышления участников и высказывания ими новых идей;
приветствовать любые идеи, даже если вначале они кажутся сомнительными или абсурдными (обсуждение и оценка идей производятся позднее);
не допускать критики любой идеи (даже мимикой и жестами), не объявлять ее ложной и не прекращать обсуждение;
желательно высказывать как можно больше идей, особенно нетривиальных.
Как правило, в обсуждении принимают участие 10 – 15 экспертов. Участникам не разрешается зачитывать списки предложений, которые они подготовили заранее. В то же время, чтобы подготовить участников к обсуждению проблемы, им перед сессией представляют некоторую исходную информацию по обсуждаемой проблеме в письменной или устной форме. Сессии могут проводиться в виде совещаний, советов, временных комиссий и т. п.
Недостатки метода:
присоединение к мнению наиболее авторитетного специалиста;
нежелание отказаться от публично высказанного мнения;
следование за мнением большинства.
Метод Дельфи
Это один из наиболее распространенных на Западе методов коллективного прогнозирования. Название метода своими корнями уходит в античный мир. Оно связано с древнегреческим городом Дельфи с храмом Аполлона. При храме служили специально выделенные жрицы – пифии. Их служба заключалась в том, чтобы довести до «клиента» свои видения. Причем делали они это независимо друг от друга.
В отличие от традиционных методов экспертной оценки метод Дельфи предполагает полный отказ от коллективных обсуждений. Это избавляет его от недостатков предыдущего метода.
В методе Дельфи прямые дебаты заменены последовательными индивидуальными опросами экспертов, проводимыми в форме анкетирования. Ответы обобщаются и вместе с дополнительной информацией доводятся до сведения экспертов, после чего они уточняют свои первоначальные ответы. Такая процедура повторяется несколько раз до получения приемлемой сходимости совокупности мнений экспертов. Результаты экспериментов показали, что для достижения приемлемой сходимости требуется не более пяти туров опроса.
Алгоритм метода Дельфи заключается в следующем:
организуется последовательность циклов «мозговой атаки»;
вопросы в анкетах ставятся таким образом, чтобы можно было дать количественную оценку ответам экспертов;
опрос экспертов проводится в несколько туров, контакты между экспертами исключаются, но предусматривают ознакомление экспертов с мнениями друг друга между турами, вопросы от тура к туру уточняются;
в наиболее хорошо организованных процедурах экспертам присваивают весовые коэффициенты значимости их мнений, определенные на основе предшествующего опыта.
С целью минимизации
расходов на получение прогноза стремятся
привлекать минимальное количество
экспертов при условии обеспечения
заданной ошибки результата прогнозирования
,
где
.
Минимальное количество экспертов
определяется зависимостью
.
Недостатки метода:
значительные временные затраты на проведение экспертизы (большое количество повторений оценок);
необходимость неоднократного пересмотра экспертами своих ответов, что может вызвать у них отрицательную реакцию на всю процедуру.
Однако не следует считать, что интуитивные методы идеальны при прогнозировании в долгосрочном периоде. Ни один из них не дает гарантированного результата. Основные отличия интуитивных методов заключаются в форме опроса экспертов и в способах усреднения результатов. При этом основой технологии получения результата для всего разнообразия интуитивных методов является интуиция специалиста – нечто загадочное, не поддающееся строгой алгоритмизации.
Квинтэссенцию экспертных методов предсказания будущего удачно выразил доктор исторических наук И.В. Бестужев-Лада в своей Рабочей книге по прогнозированию: «…Если имеется группа экспертов, компетентность которых максимальна, то среднее значение их оценок можно считать истинным»5. Но может быть именно узкий профессионализм экспертов и является причиной неудачных долгосрочных прогнозов с их участием? Так, например, не был выполнен ни один пятилетний план, составленный с применением столь мощного интеллектуального потенциала, не говоря уже о более дальнем прогнозировании.
Вместе с тем, Г.С. Альтшуллер приводит впечатляющие данные достоверности прогнозов известных писателей-фантастов (таблица 3.3) [9].
При этом ни один из авторов не пользовался сложными формулами экстраполяции и не подвергал свои идеи усреднению ни по одной из научных методик.
Но привлекают внимание следующие факты. Рабочий день Ж. Верна6: с пяти утра до двенадцати – работа над рукописью, правка корректуры, обед, снова работы – подбор источников, пополнение картотеки, чтение, а с девяти вечера – сон. После Ж. Верна осталась картотека, состоящая из 20 тысяч тетрадей.
Таблица 3.3
Достоверность прогнозов писателей-фантастов
Авторы |
Общее количество фантастических идей |
Судьба фантастических идей |
|||||
Сбылись или обязательно сбудутся |
Подтвердилась осуществимость |
Оказались ошибочными |
|||||
Кол-во |
% |
Кол-во |
% |
Кол-во |
% |
||
Ж. Верн |
108 |
64 |
59 |
34 |
32 |
10 |
9 |
Г. Уэллс |
86 |
57 |
66 |
20 |
23 |
9 |
11 |
А. Беляев |
50 |
21 |
42 |
26 |
52 |
3 |
6 |
Может быть, как раз в том, что авторы не являлись специалистами в какой- либо области науки, а обладали широким системным кругозором, позволяющим охватить истину в целом, и заключается причина их успеха. Из существующих научных методик прогнозирования такому подходу наиболее полно соответствует теория решения изобретательских задач (ТРИЗ) и развивающаяся в ней теория развития систем.
В ТРИЗ выделяют три уровня прогнозирования7.
Определение граничных условий анализируемого процесса.
Качественное прогнозирование.
Количественное прогнозирование.
Определение граничных условий процесса обычно не дает конкретных количественных оценок, но требует наиболее глубокого понимания исследуемого процесса. Ясность с граничными условиями необходима для долгосрочного прогнозирования. Основным подходом на этом уровне прогнозирования является выявление системных связей процесса (системы).
Любая система (процесс) является составной частью надсистемы (надсистеного процесса) и выполняет определенные функции в соответствии с целями надсистемы. Задачей прогнозирования на этом верхнем уровне является выявление этих функций и определение условий, при которых их выполнение войдет в противоречие с целями надсистемы. Это может произойти в следующих случаях:
при переразвитии исследуемой системы надсистема не справляется с ее обслуживанием и вынуждена перестраиваться, меняя сложившиеся взаимосвязи;
при попытке переразвития системы надсистема стремится ликвидировать нарушение субординации;
при развитии надсистемы до такого уровня, когда ее не удовлетворяет выполнение функций системой, последняя заменяется на более совершенную;
когда исчезает необходимость в выполнении функций системы или надсистемы.
Основным инструментом на верхнем уровне прогнозирования являются законы развития систем (ЗРС), иерархия этих законом и разрешение противоречий, возникающих при анализе системы с различных точек зрения, при применении разных законов.
При проведении качественного прогнозирования (2 уровень) выявляются причинно-следственные связи между процессами одного системного уровня. Там, где это невозможно, необходимо вывить корреляцию между этими процессами. Основными инструментами на этом уровне являются модели процессов, ЗРС, статистические исследования процессов.
Целесообразность проведения количественных исследований определяется результатами первых двух уровней. Если прогнозы по двум верхним уровням говорят о том, что процесс в перспективе существенно не изменится или будет стремиться к вполне определенной точке равновесия, то возможно применение математических моделей. Однако эти модели требуют, как правило, большого количества сравнительно точных данных и больше подходят для планирования (например, бюджета системы), чем для долгосрочного прогноза. Реальные же субъекты рынка заинтересованы в прогнозировании моментов изменения тенденций развития системы.
Уровень прогнозирования зависит от дальности прогноза и монотонности ЗРС. Кроме того, чем длительнее сроки прогнозирования, тем более высокого уровня надсистему следует рассматривать [10].
Формализованные методы
Одним из наиболее распространенных формализованных (фактографических) методов прогнозирования является метод наименьших квадратов (МНК). Сущность метода: имеются результаты функционирования системы, привязанные к временной шкале, по которым необходимо определить закон функционирования системы во времени. При этом исходят из того, что и в дальнейшем система будет развиваться в соответствии с этим законом:
,
где
– расчетные значения исходного ряда,
− фактические значения исходного ряда,
− число наблюдений.
Но реальность часто вносит свои коррективы в прогнозные оценки.
Для учета этого
обстоятельства при оценке
социально-экономических систем в
вышеприведенную формулу вводят весовые
коэффициенты (коэффициенты дисконтирования),
которые характеризует изменение ценности
информации во времени (
):
.
К сожалению,
формальных процедур выбора параметра
не
разработано, и он выбирается исследователем
произвольно. Отсюда возникает парадокс:
насколько точно нужно представлять
исходную информацию, если коэффициенты
к ней подбираются произвольно. Кроме
того, при прогнозной оценке оценивается
и дальность прогнозирования. Для этого
часто используют показатель Б. Белоконя:
,
где
− абсолютное время упреждения,
– величина эволюционного цикла развития
системы.
При этом считается,
что формализованные методы прогнозирования
являются действенными, если величина
глубины упреждения укладывается в рамки
эволюционного цикла (
).
При возникновении в рамках прогнозного
периода развития системы «скачка» (
)
необходимо использовать интуитивные
методы (как для оценки силы «скачка»,
так и для оценки времени его осуществления).
В этом случае формализованные методы
используются для оценки эволюционных
участков развития системы до и после
скачка.