Ennuste ( kreikan sanasta πρόγνωση "ennakointi, ennustus ") on tieteellisesti perusteltu arvio kohteen mahdollisista tiloista tulevaisuudessa ja (tai) vaihtoehtoisista tavoista ja ajoituksesta niiden toteuttamiseen [1] . Suppeassa mielessä tämä on todennäköisyysarviointi tutkimuksen kohteen tulevasta tilasta.
Ennustaminen on ennusteen kehittämistä; suppeassa merkityksessä - erityinen tieteellinen tutkimus minkä tahansa prosessin jatkokehityksen erityisistä näkymistä.
Ennusteen tarve johtuu halusta tietää tulevaisuuden tapahtumat, mikä on luotettavaa - se on periaatteessa mahdotonta perustuen tilastollisiin (nykyisten arvioiden virheet), todennäköisyyksiin (seuraamusten monivarianssi), empiiriseen (metodologiset virheet). mallit), filosofiset (rajoitettu nykytietämys) periaatteet.
Minkä tahansa ennusteen tarkkuus johtuu:
Ennusteen tarkkuuteen vaikuttavien tekijöiden kokonaismäärän kasvaessa se käytännössä korvataan rutiinilaskelmalla, jossa on tietty vakaan tilan virhe.
Ennusteet jaetaan (ehdollisesti):
Tärkeimmät ennustusmenetelmät ovat:
( tulevaisuustutkimukset ) on yleistynyt erityisestiEnnakointi on menetelmäjärjestelmä sosioekonomisen ja innovatiivisen kehityksen strategisten alueiden asiantuntija-arviointiin, sellaisten teknologisten läpimurtojen tunnistamiseen, joilla voi olla vaikutusta talouteen ja yhteiskuntaan keskipitkällä ja pitkällä aikavälillä. Tällä menetelmällä luodaan erilaisia mahdollisia kuvia tulevaisuuden maailmasta, mukaan lukien sen yksittäiset, tärkeimmät tai kriittiset kiinnostuksen kohteet, jotka muodostuvat erilaisten tilanteen kehitysvaihtoehtojen ja omien toimien skenaarioiden seurauksena, joita suunnitellaan. samaan aikaan. Venäjällä yksi tärkeimmistä ennakointiin perustuvan ennustamisen keskuksista on kauppakorkeakoulu . [3]
Ennustaminen sisältyy erityyppisten (taloudellis-sosiaalinen, tieteellis-tekninen, alueellinen jne.) ja tason (nykyinen, keskipitkän aikavälin, pitkän aikavälin, strateginen ) suunnittelun valmisteluvaiheisiin, kun taas ennakointia käytetään strategisen suunnittelun valmistelussa. suunnitelmia (teknologinen, tieteellinen, tieteellinen-tekninen ja muu) maiden, kansallisen tason järjestelmien (terveys, koulutus jne.) ja organisaatioiden (yritykset, yritykset jne.) kehittämiseen.
Ennustaminen on tieteellinen tieteenala, joka tutkii kaikenlaisten objektien kehityksen ennustamisen yleisiä periaatteita ja menetelmiä, ennusteiden kehittämisprosessin malleja. Tieteenä ennustaminen muodostui 1970- ja 1980-luvuilla. "Prognostiikan" käsitteen lisäksi kirjallisuudessa käytetään termiä futurologia . Kuten kaikilla tieteillä, ennusteella on joukko omia termejä, joita käytetään viittaamaan tiettyihin käsitteisiin . Ennustamisen käsitteiden määritelmät vahvistettiin vuonna 1978.
Ennuste - kohtuullinen arvio kohteen mahdollisesta tilasta tulevaisuudessa tai vaihtoehtoisista tavoista ja ajoituksesta näiden tilojen saavuttamiseksi.
Ennustaminen on ennusteen kehittämisen (muodostamisen) prosessi. Ennustevaihe on osa ennusteen kehittämisprosessia, jolle on tunnusomaista sen tehtävät, menetelmät ja tulokset. Vaihejako liittyy ennusteobjektin systemaattisen kuvauksen rakentamisen erityispiirteisiin, tiedonkeruuun, mallin rakentamiseen , ennusteen tarkistamiseen .
Ennustetekniikka on yksi tai useampi matemaattinen tai looginen operaatio, jonka tarkoituksena on saada tietty tulos ennusteen kehittämisprosessissa. Tekniikkana voi toimia dynaamisen sarjan tasoitus , asiantuntijan pätevyyden määrittäminen, asiantuntijoiden arvioiden painotetun keskiarvon laskeminen jne.
Ennustemalli on ennusteobjektin malli, jonka tutkimisen avulla saadaan tietoa ennusteobjektin mahdollisista tiloista tulevaisuudessa ja (tai) niiden toteutustavoista ja ajoituksista.
Ennustemenetelmä on menetelmä ennusteen kohteen tutkimiseksi, jonka tarkoituksena on kehittää ennuste. Ennustemenetelmät ovat ennustetekniikoiden perusta .
Ennustetekniikka on joukko erityisiä sääntöjä ja tekniikoita (yksi tai useampi menetelmä) ennusteiden kehittämiseen.
Ennustejärjestelmä - ennustamisen perusperiaatteiden mukaisesti toimiva menetelmien ja keinojen järjestelmä niiden toteuttamiseksi. Toteutuskeinoja ovat asiantuntijaryhmä, ohjelmasarja ja niin edelleen. Ennakointijärjestelmät voivat olla automatisoituja ja ei-automaattisia.
Ennustevaihtoehto on yksi ennusteista, jotka muodostavat ryhmän mahdollisia ennusteita.
Ennustamisen kohteena on prosessi, järjestelmä tai ilmiö, jonka tilasta annetaan ennuste.
Ennusteobjektin ominaisuus on ennusteobjektin jonkin ominaisuuden laadullinen tai kvantitatiivinen heijastus.
Ennusteobjektin muuttuja - ennusteobjektin kvantitatiivinen ominaisuus, joka on tai katsotaan muuttuvaksi ennusteen perustamisjakson ja (tai) läpimenoajan aikana.
Ennusteobjektin monimutkaisuus on ennusteobjektin ominaisuus, joka määrää sen elementtien, ominaisuuksien ja suhteiden monimuotoisuuden.
Ennusteen perusjakso on ajanjakso, jolta tietoja käytetään ennusteen laatimiseen. Tätä ajanjaksoa kutsutaan myös esihistorian ajanjaksoksi.
Ennusteen läpimenoaika on ajanjakso, jolle ennustetta kehitetään.
Ennustehorisontti - suurin mahdollinen ajanjakso tietyn tarkkuuden ennakkoennusteelle.
Ennusteen tarkkuus on arvio ennusteen luottamusvälistä sen toteutumisen tietylle todennäköisyydelle.
Ennusteen luottamus on arvio ennusteen tekemisen todennäköisyydestä tietylle luottamusvälille.
Ennustevirhe on ennusteen jälkipoikkeama kohteen todellisesta tilasta.
Ennustevirheen lähde - tekijä, joka voi johtaa ennustevirheen esiintymiseen. On olemassa säännöllisten ja epäsäännöllisten virheiden lähteitä.
Ennusteen todentaminen on ennusteen luotettavuuden ja tarkkuuden tai pätevyyden arviointia.
Asiantuntija on tietyn ongelman pätevä asiantuntija, joka on mukana arvioimassa ennustetehtävää.
Sosiaalisia ennusteita kehitettäessä tunnistetaan useissa tapauksissa eri väestöryhmien edustajien mielipiteet, jotka rinnastetaan ehdollisesti asiantuntijoihin.
Asiantuntijan pätevyys on asiantuntijan kykyä tehdä luotettavia arvioita ennusteen kohteesta ammatillisen tietämyksen, intuition ja kokemuksen perusteella. Asiantuntijan osaamisen määrällistä mittaa kutsutaan pätevyyskertoimeksi.
Asiantuntijaryhmä on asiantuntijaryhmä, joka on muodostettu tiettyjen sääntöjen mukaan ratkaisemaan tietyn ennusteongelman. Asiantuntijaryhmän erityistapaus on asiantuntijakomitea.
Asiantuntijaryhmän pätevyys on asiantuntijaryhmän kykyä tehdä ennustekohteesta arviota, joka on riittävä yleisen asiantuntijajoukon näkemykseen. Asiantuntijaryhmän pätevyys määritellään eri menetelmin.
Asiantuntijaarviointi on asiantuntijan tai asiantuntijaryhmän arviota ennustamistehtävästä. Ensimmäisessä tapauksessa käytetään termiä "yksittäinen asiantuntijaarviointi", toisessa - "kollektiivinen asiantuntijaarviointi".
Tilastolliset ennustamismenetelmät on tieteellinen ja akateeminen tieteenala, jonka päätehtäviin kuuluu objektiiviseen tietoon perustuvien nykyaikaisten matemaattisten ja tilastollisten ennustemenetelmien kehittäminen, tutkiminen ja soveltaminen; asiantuntijaennustemenetelmien todennäköisyysstatistisen mallinnuksen teorian ja käytännön kehittäminen; ennustemenetelmät riskiolosuhteissa ja yhdistettyjä ennustemenetelmiä käyttäen sekä taloudellis-matemaattisia että ekonometrisiä (sekä matemaattis-tilastollisia että asiantuntija-) malleja. Tilastollisten ennustemenetelmien tieteellinen perusta on sovellettu tilasto - ja päätösteoria .
Yksinkertaisimmat menetelmät ennustamiseen käytettyjen riippuvuuksien palauttamiseksi tulevat tietystä aikasarjasta eli funktiosta, joka on määritelty aika-akselin äärelliseen määrään pisteitä. Tällöin aikasarjaa tarkastellaan usein jonkin todennäköisyysmallin puitteissa, ajan lisäksi otetaan käyttöön muita tekijöitä (riippumattomia muuttujia), esimerkiksi rahan tarjonnan määrä. Aikasarja voi olla monimuuttuja. Tärkeimmät ratkaistavat tehtävät ovat interpolointi ja ekstrapolointi. Pienimmän neliösumman menetelmän yksinkertaisimmassa tapauksessa (yhden tekijän lineaarinen funktio) kehitti K. Gauss vuosina 1794-1795. Muuttujien alustavat muunnokset, kuten logaritmien ottaminen, voivat olla hyödyllisiä. Yleisimmin käytetty menetelmä on pienimmän neliösumman menetelmä useilla tekijöillä. Vähimmäismoduulia, splaineja ja muita ekstrapolointimenetelmiä käytetään harvemmin, vaikka niiden tilastolliset ominaisuudet ovat usein paremmat.
Ennusteen tarkkuuden arvioiminen (erityisesti luottamusvälien avulla) on välttämätön osa ennusteprosessia. Yleensä käytetään todennäköisyystilastollisia riippuvuustoipumismalleja, jotka esimerkiksi rakentavat parhaan ennusteen käyttämällä maksimitodennäköisyysmenetelmää. Ennusteen tarkkuudesta ja sen luottamusrajoista (perustuu todennäköisyysteorian keskirajalauseeseen) on kehitetty parametrisia (yleensä normaalivirheiden malliin perustuvia) ja ei-parametrisia arvioita . Myös heuristisia tekniikoita, jotka eivät perustu todennäköisyys-statistiseen teoriaan, käytetään esimerkiksi liukuvien keskiarvojen menetelmää.
Monimuuttujaregressio, mukaan lukien ei-parametristen jakautumistiheysestimaattien käyttö, on tällä hetkellä tärkein tilastollinen ennusteen työkalu. Epärealistinen oletus mittausvirheiden ja poikkeamien normaalista regressioviivasta (pinnasta) ei ole välttämätön; kuitenkin, jotta hylättäisiin oletus normaalista, on tarpeen turvautua erilaiseen matemaattiseen laitteistoon, joka perustuu todennäköisyysteorian moniulotteiseen Keskiraja-lauseeseen, linearisointitekniikkaan ja konvergenssiperiytymiseen [4]. Sen avulla voit suorittaa parametrien piste- ja intervalliestimoinnin, tarkistaa niiden eron merkityksen nollasta ei-parametrisessa formulaatiossa ja rakentaa ennusteen luottamusrajoja.
Mallin riittävyyden tarkistamisen ongelma sekä tekijöiden valintaongelma on erittäin tärkeä. A priori -luettelo vasteeseen vaikuttavista tekijöistä on yleensä melko laaja, sitä on toivottavaa vähentää, ja suuri osa nykyaikaisesta tutkimuksesta on omistettu "informatiivisten ominaisuusjoukkojen" valintamenetelmiin. Tätä ongelmaa ei kuitenkaan ole vielä lopullisesti ratkaistu. Epätavallisia vaikutuksia ilmenee. Siten on havaittu, että yleisesti käytetyillä polynomin asteen arvioilla on geometrinen jakauma asymptotiikassa [1, 3]. Ei-parametriset menetelmät todennäköisyystiheyden estimoimiseksi ja niiden soveltaminen mielivaltaisen muodon regressioriippuvuuden palauttamiseen ovat lupaavia. Yleisimmät tulokset tällä alalla saadaan käyttämällä ei-numeerisia datatilastomenetelmiä.
Nykyaikaisiin tilastollisiin ennustemenetelmiin kuuluvat myös mallit eksponentiaalisesta tasoituksesta , autoregressiosta liukuvalla keskiarvolla, sekä parametriseen että ei-parametriseen lähestymistapaan perustuvia ekonometrisiä yhtälöjärjestelmiä.
Tietokonetilastotekniikat ovat hyödyllisiä, jotta voidaan määrittää mahdollisuus soveltaa asymptoottisia tuloksia rajallisille (niin sanotuille "pienille") otoskokoille. Niiden avulla voit myös rakentaa erilaisia simulaatiomalleja. Huomaa tiedon levitysmenetelmien (bootstrap-menetelmien) hyödyllisyys. Tietokoneintensiiviset ennustejärjestelmät yhdistävät erilaisia ennustemenetelmiä yhdessä ennustajatyöasemassa.
Ei-numeeriseen tietoon perustuva ennuste, erityisesti laadullisten ominaisuuksien ennustaminen perustuu ei-numeerisen tiedon tilastojen tuloksiin. Intervallitietoihin perustuva regressioanalyysi näyttää olevan erittäin lupaava ennustamiseen, mukaan lukien erityisesti nuotin ja rationaalisen otoskoon määrittäminen ja laskeminen sekä [5]:ssä kehitetty sumean datan regressioanalyysi. Regressioanalyysin yleinen lausunto [1] ei-numeerisen datan tilaston puitteissa ja sen erikoistapaukset - varianssi- ja erotteluanalyysi (kuvioiden tunnistus opettajan kanssa), joka antaa yhtenäisen lähestymistavan muodollisesti erilaisiin menetelmiin, on hyödyllinen nykyaikaisten tilastollisten ennustemenetelmien ohjelmistototeutus.
Ennakoivan asiantuntija-arvioinnin käsittelyn päämenettelyt ovat johdonmukaisuuden tarkistus, klusterianalyysi ja ryhmälausunnon löytäminen. Luokituksilla ilmaistujen asiantuntijalausuntojen johdonmukaisuuden tarkistaminen suoritetaan käyttämällä Kendallin ja Spearmanin rankkorrelaatiokertoimia, Kendallin ja Babington Smithin järjestyskonkordanssikerrointa. Käytetään parivertailujen parametrisia malleja (Thurstone, Bradley-Terry-Lews) ja Lucianin teorian ei-parametrisia malleja [1, 3]. Hyödyllinen menettely ranking- ja luokittelujen yhteensovittamiseksi on sovittavien binäärisuhteiden rakentaminen. Johdonmukaisuuden puuttuessa asiantuntijalausuntojen jakaminen samankaltaisiin ryhmiin suoritetaan lähin naapurin menetelmällä tai muilla klusterianalyysimenetelmillä (automaattinen luokittelun rakentaminen, hahmontunnistus ilman opettajaa). Lucianien luokittelu tapahtuu todennäköisyys-tilastollisen mallin perusteella.
Asiantuntijatoimikunnan lopullisen lausunnon muodostamiseen käytetään erilaisia menetelmiä. Aritmeettisten keskiarvojen ja mediaaniarvojen menetelmät erottuvat yksinkertaisuudestaan. Tietokonemallinnus [3] mahdollisti joukon ominaisuuksia Kemenyn mediaanista, jota usein suositellaan käytettäväksi asiantuntijakomitean lopullisena (yleistettynä, keskiarvona). Ei-numeerisen datan suurten lukujen lain tulkinta asiantuntijakyselyn teorian kannalta on seuraava: lopullinen mielipide on vakaa, eli se muuttuu vähän asiantuntijatoimikunnan kokoonpanon muuttuessa ja lisääntyessä Asiantuntijoiden määrässä se lähestyy "totta". Samalla [4]:ssä omaksutun lähestymistavan mukaisesti oletetaan, että asiantuntijoiden vastauksia voidaan pitää virheellisten mittausten tuloksina, jotka kaikki ovat itsenäisiä identtisesti jakautuneita satunnaiselementtejä, joiden todennäköisyys hyväksyä tietty arvo pienenee etäisyyden myötä tietystä keskustasta - "totuus", ja asiantuntijoiden kokonaismäärä on melko suuri.
On olemassa lukuisia esimerkkejä tilanteista, jotka liittyvät sosiaalisiin, teknologisiin, taloudellisiin, poliittisiin, ympäristöllisiin ja muihin riskeihin. Tällaisissa tilanteissa ennustaminen on yleensä tarpeen. Päätösteoriassa [2] käytetään erilaisia kriteerejä epävarmuuden (riskin) olosuhteissa. Eri kriteerien mukaan saatujen päätösten epäjohdonmukaisuuden vuoksi tarve soveltaa asiantuntija-arvioita on ilmeinen.
Tietyissä ennustetehtävissä on tarpeen luokitella riskit, asettaa tehtäväksi tietyn riskin arviointi, suorittaa riskien strukturointi, erityisesti rakentaa syypuita (muussa terminologiassa vikapuut) ja seurauspuita (tapahtumapuut). Keskeisenä tehtävänä on rakentaa ryhmä- ja yleisindikaattoreita, esimerkiksi kilpailukyvyn ja laadun mittareita. Riskit on otettava huomioon ennustettaessa tehtyjen päätösten taloudellisia seurauksia, kuluttajien käyttäytymistä ja kilpailuympäristöä, Venäjän ulkoisia taloudellisia olosuhteita ja makrotaloudellista kehitystä, ympäristön ekologista tilaa, teknologioiden turvallisuutta ja ympäristöriskiä. teollisuus- ja muut tilat.
Nykyaikaiset tietokoneennustetekniikat perustuvat interaktiivisiin tilastollisiin ennustemenetelmiin, joissa käytetään ekonometrisiä tietokantoja, simulaatioita (mukaan lukien tilastollisen testausmenetelmän käyttöön perustuvat) ja talousmatemaattisia dynaamisia malleja, joissa yhdistyvät asiantuntija-, matemaattis-tilastolliset ja mallinnuslohkot.
Talousennuste
Organisaation kehitykseen vaikuttavien taloudellisten tekijöiden tulevaisuuden tilan analyysi.
Yhteiskunnallinen ennustaminen
Ennustetaan muutoksia ihmisten sosiaalisissa asenteissa sekä koko yhteiskunnan tunnelmassa. Usein yhteiskunnalliset ja taloudelliset ennusteet yhdistetään yleiseksi sosioekonomiseksi ennusteeksi maan, alueiden, useita läheisesti toisiinsa liittyviä alueita yhdistävistä megaalueista sekä erilaisista hallinnollis-alueellisista kokonaisuuksista.
Teknologiaennuste
Viittaa teknologisen kehityksen tasoon ennustealueella, mikä auttaa analysoimaan tulevaisuuden tärkeimpiä ja kriittisimpiä teknologioita.
Demografinen ennuste
Ennuste väestökehityksen ja yhteiskunnan demografisen tilan kehityksestä tietyillä ennustehorisonteilla.
Budjettiennuste Budjettiennuste
. [2]
Ennuste myyntimäärästä (kysynnästä)
Tuotteiden myyntiin vaikuttavien tekijöiden (sen kysynnän) ennustaminen.
Kilpailun kehityksen
ennustaminen Mahdollisten muutosten ennakointi ja kilpailijoiden jatkostrategia
Kriminologinen ennuste
Aikasarjaennusteissa käytetään yleensä tietokoneohjelmia. Näin voit automatisoida suurimman osan toiminnoista ennustetta laadittaessa ja välttää myös tietojen syöttämiseen ja mallin rakentamiseen liittyvät virheet. Tällaiset sovellukset voivat olla sekä paikallisia (käytettäväksi yhdessä tietokoneessa) että Internet-sovelluksia (saatavilla esimerkiksi verkkosivustona). Paikallisista sovelluksista kannattaa mainita seuraavat ohjelmat: R, SPSS, Statistica, Forecast Pro , Forecast Expert.