Методы прогнозирования управленческих решений

Стадия исследований и  разработок:

• Продукт
• Заказчик
• Ресурсы
• Открытие
• Создать
• Воплотить
• Разработать

В частности, трехмерная вертикальная матрица решений под названием  «Общая схема разработки системы  национальной космической программы» была разработана в компании «North American Aviation».

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

• линейное программирование, позволяющее сформулировать оптимизационную задачу в виде линейных ограничений (неравенств или равенств) и линейной целевой функции;
• динамическое программирование, рассчитанное на решение многоступенчатых оптимизационных задач;
• целочисленное программирование, позволяющее решать оптимизационные задачи, в том числе задачи оптимального распределения ресурсов, при дискретных (целочисленных) значениях переменных и др.

В инструментарий нормативного прогнозирования входят методы построения деревьев целей, методы типа Паттерн  и др.

В этом случае каждой из рассматриваемых  целей приписываются количественные весовые коэффициенты, а для каждого  проекта оценивается вклад в  достижение каждой из целей, если он ненулевой. Степень вклада впоследствии умножается на весовой коэффициент цели.

3.2.Экспериментальный метод - применяется для прогнозирования эффективности и сроков замены проектируемого оборудования, сроков выпуска продукции, возможности и сроков насыщения проектируемой продукцией рынков сбыта, нетрадиционных объектов массового производства, не имеющих аналогов на стадии завершения рабочего проектирования. Срок упреждения до 10—15 лет.

Этот метод прогнозирования  применяется для решения частных  задач в массовом производстве на стадиях НИОКР и организационно-технологической  подготовки производства. Для экспериментальных  установок, испытательных полигонов, опытно-промышленных партий товаров, которые  потом будут выпускаться в  больших количествах, устанавливаются  различные нормативы качества и  элементов затрат. Например, нормативы  полезного расхода конкретных материалов и других ресурсов на освоение, производство, техническое обслуживание или ремонт товара, нормативы потерь, нормативы  показателей качества, организации  процессов и т. д. К примеру, устанавливается  расход конкретной марки бензина  на 100 км пробега конкретной марки автомобиля в типовых условиях, норматив расхода электроэнергии на час работы конкретного электродвигателя, нормативы снижения производительности конкретного вида оборудования по мере его старения

Экспериментальный метод прогнозирования  дорогой, так как требует строительства (реконструкции) опытно-экспериментальных  установок, полигонов и других объектов. Поэтому для его применения необходимо провести тщательное технико-экономическое  обоснование, обеспечить высокий уровень  организации работ.

3.3.Статистический (параметрический) метод - применяется для составления среднесрочных прогнозов полезного эффекта, возможного изменения рынков сбыта анализируемой продукции серийного производства. Срок прогнозирования до 10 лет.

На стадиях разработки технического задания и технического проекта по объекту массового  производства отсутствуют сведения по каждой детали и сборочной единице. Объекты еще не прошли опытно-промышленных испытаний. Поэтому на этих стадиях нет возможности выполнить детальные расчеты затрат на освоение, изготовление, обращение, эксплуатацию и ремонт проектируемых объектов. А по продукции единичного и мелкосерийного производства нецелесообразно применять описанные выше точные методы прогнозирования. В этих случаях рекомендуется применять параметрические методы прогнозирования полезного эффекта и затрат, основанные на установлении зависимостей между параметрами объекта и организационно-технического уровня производства, с одной стороны, и полезным эффектом или элементом затрат — с другой.

Прежде чем приступить к анализу  статистических методов прогнозирования, рассмотрим некоторые общие понятия  и определения, относящиеся к корреляционным³ 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 могут рассматриваться как выборка из двумерной генеральной совокупности с нормальным законом распределения.

б) Ожидаемая величина погрешности равна нулю.

в) Отдельные наблюдения стохастически⁴ независимы, т. е. значение данного наблюдения не должно зависеть от значения предыдущего и последующего наблюдений.

г) Ковариация⁵ между ошибкой, связанной с одним значением зависимой переменной, и ошибкой, связанной с любым другим значением, равна нулю.

д) Дисперсия⁶ ошибки, связанная с одним значением, 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. Это, однако, не означает, что само уравнение кривой относительно переменных должно быть линейным. Если эмпирические⁷ 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.

Метод экстраполяции - применяется когда оцениваются отдельные виды ресурсов в целом по предприятию, объединению, а также полезный эффект продукции мелкосерийного производства. Срок прогнозирования до 5 лет.

На практике на ранних стадиях  разработки объекта часто ограничено число известных параметров будущего объекта и показателей организационно-технического уровня производства у изготовителя и потребителя объекта. В этих условиях рекомендуется применять более простые, но и менее точные методы прогнозирования - методы экстраполяции, основанные на прогнозировании поведения или развития объектов в будущем по тенденциям его поведения в прошлом. Применение методов экстраполяции, как правило, не требует моделирования частных параметров объекта и показателей организационно-технического уровня производства.

Наиболее распространенными  являются методы экстраполяции по математическим моделям и графический (от руки). Оба метода требуют наличия информации о прогнозируемом параметре объекта за период в два и более раза больше прогнозируемого периода. Для учета изменений качества объекта в прогнозируемом периоде и организационно-технического уровня производства у изготовителя и потребителя объекта применяются корректирующие коэффициенты.

Методы экстраполяции тенденций  являются, пожалуй, самыми распространенными  и наиболее разработанными среди  всей совокупности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих - регулярной и случайной:

y(x) = f(a, x) + n(x)

(1)

Считается, что регулярная составляющая f(a, х) представляет собой гладкую функцию от аргумента (в большинстве случаев - времени), описываемую конечномерным вектором параметров a, которые сохраняют свои значения на периоде упреждения прогноза. Эта составляющая называется также трендом⁸, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуитивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от случайной составляющей. Все зависит от того, какую цель преследует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррелированным случайным процессом с нулевым математическим ожиданием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

Специфическими чертами прогнозной экстраполяции можно назвать  методы предварительной обработки  числового ряда с целью преобразования его к виду, удобному для прогнозирования, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как на выбор вида экстраполирующей функции, так и на определение границ изменения ее параметров.

Предварительная обработка исходного  числового ряда направлена на решение следующих задач (всех или части из них): снизить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая группа состоит из предыдущей и последующей точек, в более сложных — функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью  многочленов, приближающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях  весьма эффективным средством выявления  тренда при наложении на эмпирический числовой ряд случайных помех  и ошибок измерения. Для рядов  со значительной амплитудой помехи имеется возможность проводить многократное сглаживание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процедурой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применяться операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в скользящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку числового ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представления исходного ряда, оставляя прежними его значения.