Прогнозирование и планирование экономического роста

7. Применение формализованных методов прогнозирования на практике

Формализация – это выявление структуры (формы) мысли, символическое обозначение и построение ее по определенным правилам и законам в виде знаковой системы, которая подлежит интерпретации. Формализация предполагает не просто выражение высказываний теории в знаковой форме, формулах, а определенное их реконструирование, преобразование в новую систему.

Формализация может быть нелогической и логической. В первом случае – это знаковая система, записанная на языке математики, физики, химии и т.д. и предназначенная для выявления и построения структуры отдельного понятия, суждения, закона, принципа и в целом системы конкретной науки [4, c.84].

Логическая же формализация означает выявление структуры (формы) мысли, символическое обозначение и построение ее по правилам и законам логики в виде логических исчислений, которые подлежат интерпретации.

Логическая формализация определяется только логическим аппаратом. Если нелогическая формализация применительно к каждой конкретной науке имеет специфический характер, то логическая – общий. В ней представлены единые закономерности построения научных знаний (и отдельных мыслей).

Логическая формализация строится, прежде всего, на базе искусственного логического языка как языка объекта. Естественный же язык выступает в виде метаязыка.

Принципы построения логической формализации следующие:

Задание алфавита

2. Определение формул и правил образования из простых формул сложных

3. Задание системы правил преобразования одних формул в другие (синтаксис)

4. Построение логических систем в соответствии с принципами непротиворечия, полноты, независимости, разрешимости

5. Установление обозначения и истинности (интерпретация – семантический уровень) и др.

Формализованные методы прогнозирования развития социально-экономических систем, получивших наибольшее распространение в практике, по специфике используемого математического аппарата можно разделить на следующие группы: экономико-статистические, экстраполяционные; имитационного моделирования; оптимизационные; распознавания образов, адаптивного прогнозирования; экспертные системы с использованием баз знаний; общенаучные.

Основой экономико-статистических методов является использование методов математической статистики и теории вероятностей для решения прикладных задач, связанных с анализом временных рядов и диагностикой систем (технико-экономических, природных и т. д.). Это большая группа методов, многие из которых широко применяются на практике особенно с использованием имеющихся пакетов прикладных программ.

В методическом плане основой методов данного класса является прогнозная экстраполяция, распространение выводов, полученных из наблюдения над одной частью явления на другую часть его.

Экономико-статистические методы прогнозирования экономических процессов чаще всего реализуются в форме эконометрических моделей, представляющих собой систему регрессионных уравнений, описывающих взаимосвязи и зависимости основных показателей развития экономических систем различного масштаба. В эконометрических моделях все множество переменных делится на экзогенные (определяемые заранее, априорно) и эндогенные (определяемые в результате расчетов по модели, то есть апостериорно). В экономических системах, обладающих большой инерцией, устойчивостью внутренних связей (народное хозяйство, регион), эконометрические модели дают достаточно приемлемые с точки зрения точности прогноза результаты.

Особый класс методов представляют экстраполяционные методы прогнозирования. Экстраполяционные методы наиболее многочисленны. Но все они основываются на принципе экстраполяции, то есть на переносе в будущее тенденций прошлого. Поэтому первой стадией экстраполяционных методов является получение так называемого «протокола», то есть информации о прошлом. Причем, для применения математических методов информация должна быть формализована и представлена либо в цифрах («динамические ряды», то есть последовательный ряд цифр, характеризующих изменение состояния объекта прогнозирования во времени), либо в соответствующих графиках.

Сложнее, когда речь идет о явлениях, которые нельзя выразить в цифрах, например, моде. Тогда или отказываются от математических методов и ограничиваются логической экстраполяцией, или все же стараются найти количественные характеристики. Например, количество высказываний прессы по данному вопросу, годы, когда была аналогичная мода и т. д. Во всяком случае, на первой стадии необходимо получить информацию о прошлом и представить ее в виде «протокола», годного к анализу.

Анализ «протокола» является вторым этапом прогнозирования. На этом этапе выявляются следующие тенденции: рост, затухание, периодичность, цикличность и т. д. Выявление тенденций – очень важный этап. На нем основаны все последующие расчеты. Но неверно просто проецировать тенденции прошлого на будущее. При такой позиции заранее утверждается, что те самые причины и условия, которые породили тенденцию в прошлом, сохранятся и на будущее. При экстраполяции следует также учитывать изменчивость условий, иначе может получиться абсурдный прогноз. Прогнозисты называют такую экстраполяцию «дурной» или «наивной». Например, прямая экстраполяция темпов роста численности людей на Земле покажет, что не пройдет и трех веков, как вес жителей нашей планеты окажется более массы земного шара и т. д.

Экстраполяционные методы состоят из трех стадий:

1. Ретроспекция – получение и анализ истории развития объекта прогнозирования с целью выявления сложившихся тенденций в прошлом

2. Выбор существующих или создание новых методов подхода к объекту

3. Проспекция – разработка прогноза

Методы адаптивного прогнозирования основаны на адаптации к данным или к другой информации, на базе которой строится прогноз. Основное свойство таких методов: при поступлении новых данных значение прогноза меняется, адаптируясь к вновь поступившей информации, и становится таким образом более чувствительным к ней. При небольшом изменении значений данных прогноз также будет мало изменяться.

Необходимость в том, чтобы прогнозы были чувствительными к изменениям данных, очевидна. Более чувствительный прогноз в конечном счете приведет и к меньшей разнице между прогнозируемым и фактическим значениями и, следовательно, точность будет выше. Прогноз также должен быть малочувствителен в условиях устойчивости (малого изменения данных), что не так очевидно, поскольку в этом случае и высоко- и низкочувствительный прогноз приведет приблизительно к одним и тем же значениям.

Необходимость в низкочувствительном прогнозе возникает, в частности, в случае, когда движение стационарно изменяющегося ряда нарушается в один из моментов времени скачком (импульсом). В подобной ситуации низкочувствительный прогноз, очевидно, мало изменит свое значение, и единственной большой ошибкой прогноза будет ошибка, связанная с моментом импульса.

В последние годы расширилось применение экспертных систем, использующих базы данных и базы знаний. Работы в этом направлении ускорились в связи с проведением исследований по созданию компьютеров пятого поколения, в которых основное внимание будет уделено развитию их «интеллектуальных возможностей», позволяющих оперировать не только числовыми и строковыми данными, но и знаниями, как это делают специалисты (эксперты) при выработке умозаключений. Такие системы нашли практическое применение в диагностических и консультационных системах и стали называться экспертными системами.

Идея создания первых экспертных систем для решения проблемных задач в различных сферах человеческой деятельности возникла более 30 лет назад. Однако только в последнее время специалисты пришли к выводу, что системы на основе знаний могут быть использованы для решения многих прикладных задач и область применения таких систем стала быстро расширяться. Соответственно возросла и доля научных работ, посвященных этому направлению.

Приобретенная экспертными системами популярность объясняется их способностью воспринимать знания от человека – эксперта в определенной предметной области и обеспечивать доступ к ним, без чего становится трудно обойтись при принятии решений в сложных ситуациях, например при управлении сложными объектами, решении задач оптимального размещения финансовых средств и т. д.

Группа по экспертным системам при Комитете British Computer Society определила экспертную систему как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знании, в такой форме, что машина может дать интеллектуальный совет или принять интеллектуальное решение относительно обрабатываемой функции. Желательно дополнительное свойство (которое многие считают главным) – способность системы по требованию объяснять ход своих рассуждений понятным для пользователя образом. Обеспечиваются эти свойства в результате программирования, основанного на формальных правилах».

Знания в виде набора фактов (предметное знание) и эвристических приемов (их можно назвать эмпирическими правилами) вводятся в базу знаний. Программа применяет эти эвристические приемы для выработки решений, и ход рассуждений системы может быть раскрыт пользователю с тем, чтобы показать, как она пришла к конкретному выводу [4, c.112].

Существующие экспертные системы способны действовать в качестве экспертов (или имитировать их деятельность) в различных предметных областях, выполняя такие функции, как установление диагноза, анализ данных и планирование.

При построении экспертных систем соблюдают следующие отправные принципы:

• отделить механизм вывода от базы знаний,

• использовать по возможности единообразное представление знаний, предпочтительнее в форме правил продукций,

• стремиться сохранить механизм логического вывода (управляющую структуру) как можно более простым.

• разработать средства, с помощью которых система могла бы разъяснять пользователю свои заключения,

• предпочитать задачи, требующие применения значительных объемов эмпирических ассоциативных знаний, тем, что могут быть решены с применением каузальных или математических знаний

Перечисленные принципы могут служить в качестве отправных построении экспертных систем. Представление знаний на основе правил, например, позволяет расширять знания по мере развития системы и не накладывает значительных ограничений на их содержание. В результате этого при создании экспертных систем появляется возможность объединять знания, требующие «глубокого» теоретического уровня понимания, с чисто эмпирическими примитивными правилами.

Применение относительно простой управляющей структуры также имеет свои преимущества. Выбор простого дедуктивного механизма во многих системах приводит к упрощению реализации «средств разъяснения», с помощью которых системорешатель задач может объяснить пользователю ход своих рассуждений. Подобные средства делают систему более приятной в общении, снижают скрытность ее заключений и облегчают модификацию и отладку базы знаний.

При решении практических задач с использованием экспертных систем рекомендуется соблюдать следующие принципы:

1. Сосредоточиться на узкой предметной области, для которой характерен небольшой объем знаний, основанных на здравом смысле

2. Выбрать задачу, которая не очень проста и не слишком трудна для эксперта-человека

3. Сформулировать четко задачу

4. Использовать знания эксперта, умеющего четко выражать свои мысли.

5. Ограничить пространство поиска знаний

6. Обратить внимание на достоверность знаний в предметной области (они не должны содержать ошибок и противоречий)

Задание 1. По полученным данным стандартизированных рангов (табл. 1.) спрогнозировать степень влияния девяти факторов на рост производительности труда рабочих коопзаготпрома.

Таблица 1. Стандартизированные ранги