Объективные методы прогнозирования

Метод экстраполяции предполагает поиск некоторых исторических данных, репрезентативных в отношении прогнозируемого события. Допущение при этом заключается в том, что будущее событие будет соответствовать имеющимся данным.

Источниками данных для экстраполяции могут служить: исторические данные, аналогичные ситуации, лабораторные и полевые симуляции.

Как правило, экстраполяция опирается на исторические данные, при условии, что мы уже имели опыт знакомства с интересующим нас явлением.

Экстраполяция опирается на допущение, согласно которому все факторы, определяющие динамику ситуации в прошлом, будут иметь место и в будущем, порождая аналогичный характер изменения показателей либо аналогичную модель поведения. Этот постулат известен как допущение преемственности. Принятие данного допущения предполагает некоторую философскую и идеологическую позицию, связанную с представлениями об эволюционном и инкрементальном характере общественного развития.

Поскольку такое представление достаточно характерно для западной традиции вообще, и традиции политического анализа в частности, постольку экстраполяция находит широкое признание и применение на практике.

В силу того, что основополагающее допущение по поводу стабильной динамики прогнозируемого явления утрачивает свою достоверность, но мере увеличения горизонта планирования (т.е. в долгосрочной перспективе), постольку экстраполяция дает более надежные результаты скорее в краткосрочной, нежели долгосрочной перспективе.

В случае если исторические данные недоступны либо дают надежное основание для прогнозирования ввиду ожидаемых значительных изменений в ситуации, источником данных может служить аналогичная ситуация. Так, если предметом прогнозирования является значительное изменение в сложившихся условиях деятельности отдельных групп граждан, коммерческих или государственных организаций (введение новой ставки таможенных пошлин, новых условий регистрации, внедрение нового вида общественного транспорта и т. д.), можно воспользоваться данными по другим странам, регионам, городам и т. д., в которых подобные инициативы уже были реализованы.

Наконец, в отсутствие реальных аналогичных ситуаций можно обратиться в качестве источника данных к симуляциям, которые могут быть осуществлены как в лабораторных, так и в полевых условиях.

Полевые симуляции обладают преимуществом большего реализма, вместе с тем, являются наиболее ресурсоемким способом получения исходных данных для экстраполяции. Для обоих видов симуляции слабым звеном является проблема смещения результатов как следствие предвзятости исследователя либо реакции испытуемых на сам факт участия в испытании.

Экспоненциальное сглаживание. Данный метод экстраполяции является относительно простым, доступным и хорошо известным^[1].

В основе метода лежит идея декомпозиции, согласно которой данные временных рядов складываются из некоторых базовых компонентов: среднее, тренд, сезонность и ошибка. Первые три из них представлены на рис. 8.3.

На рис. 8.3 «крестики» представляют собой исторические данные. Линия, А представляет оценочное среднее; линия В представляет прогноз, учитывающий тренд в сочетании с текущим статусом; линия С представляет прогноз с учетом текущего статуса, тренда и сезонности.

Процедура экспоненциального сглаживания предполагает следующую последовательность шагов:

• 1) очистка данных;
• 2) устранение сезонности;
• 3) выбор сглаживающих факторов;
• 4) расчет нового среднего;
• 5) расчет нового тренда;
• 6) оценка текущего статуса;
• 7) расчет прогноза;
• 8) учет сезонных факторов (возврат к п. 3 для каждого следующего наблюдения).

Рис. 8.3. Декомпозиция временного ряда:

х — фактические данные; А — среднее; В — среднее + тренд; С — среднее + тренд + сезонность Очистка данных призвана устранить очевидные ошибки, под которыми принято понимать фактические данные, лежащие далеко за пределами значений основного массива данных. Ошибкой можно считать не только возможные погрешности в измерении и наблюдении, но и результаты, вызванные действием чрезвычайных обстоятельств. Если же такие данные нельзя признать ошибкой, их влияние следует сгладить посредством специальных процедур, в противном случае их присутствие может исказить значения средней, тренда и сезонности.

Устранение сезонности осуществляется с помощью ряда альтернативных приемов, например, путем расчета отношения между значениями каждого месяца и соответствующим скользящим средним.

Фактор сглаживания, известный как, а (альфа), определяет, какой вес будет придан более поздним историческим данным: чем выше значение фактора, тем выше вес. Рекомендуется применять более высокие значения фактора в случае, если процесс характеризуется нестабильностью. Низкие значения фактора рекомендуются в случаях, когда ошибка измерения высока либо данные представлены по коротким временным базам (недельной, месячной). Выбор значения фактора сглаживания в значительной степени определяется суждением аналитика, однако, как правило, не выходит за пределы диапазона от 0 до 1.

Остальные шаги предполагают применение стандартных формул и доступно излагаются в многочисленных учебных пособиях и справочниках^[2].

Существуют альтернативные способы сглаживания сезонных, циклических и иных факторов во временных рядах. Скользящее среднее представляет собой простую и доступную альтернативу экспоненциальному сглаживанию. Единственное концептуальное различие заключается в том, что каждое историческое наблюдаемое значение имеет одинаковый вес. Линейная регрессия представляет собой другую хорошо знакомую студентам альтернативу. Ряд исследователей, впрочем, указывают на то, что скользящее среднее уступает в точности прогноза экспоненциальному сглаживанию.^[3]

Вопросы практики Современные и широко распространенные программные приложения в области статистики — SPSS, Statistica — значительно облегчают задачу аналитика, обращающегося к этим и другим методам анализа исторических данных. Так, Statistica предоставляет разнообразные возможности для просмотра и графического представления одномерных и многомерных рядов. Можно анализировать очень длинные ряды (более 100 тыс. наблюдений). С помощью различных преобразований исходного временного ряда можно понять его структуру и имеющиеся в нем закономерности; в модуле реализованы такие часто используемые преобразования, как удаление тренда, удаление автокорреляций, сглаживание скользящими средними, медианное сглаживание (среднее заменено медианой), простое экспоненциальное, взятие разностей, суммирование, вычисление остатков, сдвиг, косинус-сглаживание, преобразование Фурье, а также обратное преобразование Фурье и др. Можно выполнить анализ автокорреляций, частных автокорреляций и кросскорреляции. Предсказанные значения могут быть представлены в числовой и графической форме. Наконец, в системе Statistica реализованы регрессионные методы анализа временных рядов для переменных с запаздыванием (лагом) или без пего, в том числе — регрессия, проходящая через начало координат, нелинейная регрессия и интерактивное прогнозирование «что если» .

Широко распространенным является убеждение в целесообразности применения комбинированных методов анализа, суть которых сводится к последовательной обработке одного и того же массива исторических данных с помощью нескольких альтернативных методов. При этом наблюдается заметное снижение погрешности прогнозов в краткосрочной перспективе, однако в долгосрочной перспективе может наблюдаться обратная картина (различные методы дают все более расходящиеся прогнозы)4.

Важно запомнить!

Одна из наиболее уязвимых сторон статистического анализа временных рядов, опирающегося на регрессию и корреляцию, состоит в том, что полученные результаты никогда не позволяют судить о причинности, но только о совпадении интересующих нас событий и явлении. Эмпирические данные могут лишь продемонстрировать, что независимая и зависимая переменные изменялись в одном направлении, однако они не говорят нам ничего о том, явилась ли первая причиной второй.

Каузальное (теоретическое) прогнозирование исходит из того, что поведение зависимой переменной в будущем не связано решающим образом с прошлыми трендами и не может быть предсказано на их основе; это поведение детерминировано комплексом причинно-следственных взаимосвязей между зависимой переменной и независимыми факторами (рис. 8.4).

Допустим, мы желаем определить объем будущих расходов па нужды обороноспособности страны. Прибегая к экстраполяции, мы можем выявить среднегодовые темпы роста расходов на оборону за последние годы и на этой основе рассчитать динамику расходов на следующие 5—10 лет.

Либо мы можем сконструировать теоретическую модель, обобщающую наиболее значимые факторы обороноспособности, — такие как характер и география внешних угроз, ценности и приоритеты государственной политики, тенденции экономического роста, моральное и физическое устаревание вооружений и техники, повышение квалификации и переподготовка военнослужащих, переход на новую систему комплектования, миротворческие обязательства страны, научно-исследовательские и опытно-конструкторские разработки и т. д. — и на этой основе спрогнозировать будущие потребности в финансировании.

Рис. 8.4. Экстраполяция и теоретическое предсказание.

Экстраполяция и теоретическое прогнозирование обладают специфическими достоинствами и недостатками. Метод экстраполяции, как правило, прост и доступен, что особенно ценно, когда речь идет о краткосрочной прескриптивной рекомендации. Напротив, каузальное моделирование предполагает углубленное понимание комплекса причинно-следственных взаимосвязей. Такой метод больше подходит для долгосрочных политических исследований, стратегического планирования и прогнозирования.

В общих чертах при выборе того или иного метода прогнозирования рекомендуется следовать следующим рекомендациям^[4]. К методу экстраполяции следует прибегать, если:

• — в прошлом тенденция имела линейный и стабильный характер, то есть в краткосрочной перспективе изменения были незначительны;
• — отсутствует углубленное представление о природе причинно-следственных взаимосвязей;
• — отсутствует запас времени и ресурсов для проведения углубленного исследования ситуации.

Вопросы практики Существует множество областей принятия политических решений, в которых рутинное применение метода экстраполяции оправдано и уместно. Это касается политики в области:

• — культуры и образования;
• — здравоохранения;
• — жилищного и социального строительства;
• — муниципальной политики;
• — ряда других областей.

Действительно, определяющую роль в перечисленных областях политики играют социально-демографические факторы, традиционно демонстрирующие высокую степень стабильности и линейный характер:

• — рождаемость и смертность;
• — поло-возрастной состав населения;
• — динамика браков и разводов; уровень заболеваемости;
• — уровень преступности и др.

Соответственно, линейный и стабильный характер приобретают политические решения: расходы на строительство новых детских садов, школ, больниц, объектов культуры и спорта, тюрем, автостоянок и гаражных комплексов, развитие инфраструктуры общественного транспорта и т. д.

Низкая степень привлекательности данных областей политики с точки зрения лоббизма, связанная, в свою очередь, с традиционным (не только для России) остаточным принципом финансирования, также способствует предсказуемости и стабильности. Хронический дефицит финансирования, кроме того, ограничивает возможности осуществления углубленных комплексных исследований.

В противоположность этому, политика в области финансово-экономического регулирования, в области безопасности, внешней политики, информационной политики и в некоторых других областях традиционно остается достаточно динамичной и нелинейной, что ограничивает применимость методов экстраполяции.

Статистические прогнозы, построенные на исторических данных, как было показано выше, исключительно зависимы от стабильности наблюдаемых переменных и их взаимосвязей. Данное обстоятельство приобретает решающее значение, когда речь заходит о применимости данных методов в интересах информационного обеспечения процесса выработки и принятия политических решений. Если статистически выведенные взаимосвязи, которыми оперирует статистический прогноз, содержат именно те переменные, которые должны стать объектом управленческого воздействия, тогда они должны быть подвергнуты теоретической модификации, в противном случае прогнозируемые результаты оказываются под большим вопросом, поскольку нарушается основное допущение статистической экстраполяции — допущение преемственности.

Многие регулятивные политические решения, с которыми имеет дело аналитик, предполагают значительные сдвиги в поведенческих моделях отдельных граждан, сообществ, организаций и институтов, делающие все прошлые наблюдения практически иррелевантными. Как замечает в этой связи Дж. Куми: «Перед лицом таких серьезных изменений просто смешно загружать компьютеры статистическими расчетами, построенными на исторически наблюдаемых взаимосвязях для прогнозирования па сто лет вперед»^[5].

Пример из практики Дж. Куми приводит в качестве примера достаточно типовую для прикладного политического анализа ситуацию:

В 1997 г. Агентство по защите окружающей среды США заказало анализ предполагаемых налоговых льгот для предприятий, устанавливающих эффективные энергосберегающие установки. Целью анализа было выяснить, какой эффект данное решение окажет на рыночный уровень цен на данный вид оборудования и, как следствие, насколько оно будет способствовать росту спроса на экологически чистые технологии со стороны потребителей.

Путь наименьшего сопротивления в решении этой задачи предполагал обращение к эмпирическим данным, характеризующим реакцию рынков на снижение капитальных издержек более эффективного оборудования (переменная «Прямой ценовой эффект»). Однако дальнейший анализ ситуации показал, что прогноз только на основе данного фактора будет некорректен, поскольку он не принимает в расчет изменения в других значимых параметрах принятия решений. Так, был выявлен фактор «информационного эффекта», который заключается в том, что сам факт обнародования данного политического решения — вне зависимости от реальной ставки налога, — оказывает воздействие на отрасль, привлекая внимание потребителей к данному продукту. Влияние данного фактора удалось показать даже при значении налоговой льготы, равном нулю. Наконец, был выявлен третий значимый фактор, связанный с кумулятивным накоплением опыта со стороны производителей субсидируемого оборудования, также оказывающий воздействие на уровень отпускных цен.

В итоге результаты показали, что на первоначальный «прямой ценовой эффект» приходится всего 10—20% от совокупного эффекта, таким образом, в отсутствие углубленного теоретического осмысления и моделирования ситуации аналитики рисковали упустить из внимания львиную долю потенциального эффекта данного политического решения.

Данный пример убедительно демонстрирует, какой комплексный характер имеют даже сравнительно тривиальные и узко направленные регулятивные решения и их последствия, представляющие собой рутину прикладного политического анализа. Очевидно, что подлинно реформаторские политические инициативы, затрагивающие интересы миллионов людей, десятков отраслей экономики и возможно, даже иностранных государств, предполагают экспоненциально растущие аналитические усилия, направленные на моделирование, оценку и прогнозирование их последствий.

Построение каузальной модели в качестве первого шага предполагает спецификацию модели, то есть формулирование причинно-следственных связей между зависимыми и независимыми переменными. Уже на этом этапе различия между анализом временных рядов и теоретическим моделированием приобретают ясность: для построения модели, в которой единственным объяснительным фактором является временной тренд, нам не нужна теория, объясняющая причины и следствия в изучаемой ситуации. Теоретическое моделирование, напротив, требует углубленного понимания такого рода взаимосвязей.

Недостатками методов прогнозирования, предполагающих комплексное теоретическое моделирование, — в сравнении с большинством экстраполяционных и экспертных методов, — являются повышенная сложность и ресурсоёмкость. Преимущества в прогностической точности таких методов могут быть продемонстрированы главным образом па комплексных, долгосрочных примерах, в то время как для тривиальных и краткосрочных ситуаций возможный выигрыш в точности либо трудно продемонстрировать, либо он не выдерживает теста «цена-качество» .

Неудивительно, что в практике прикладного политического анализа применение теоретических моделей прогнозирования находит ограниченное, хотя и весьма значимое применение (см. гл. 6).

Исторический экскурс Систематическое обращение к методам теоретического моделирования и прогнозирования получило широкое признание в сфере внешнеполитического и военного планирования, в особенности со вступлением человечества в век атома и эпоху холодной войны. Резко возросшая цена риска такого рода решений, измеряемая порой не только миллиардами долларов, но и миллионами человеческих жизней, качественным образом повысила степень ответственности лиц, принимающих решения в областях поенной и внешней политики. В этой ситуации обучение па собственных ошибках стало недоступной опцией, и прогнозирование последствий принимаемых решений перешло в область математического моделирования. Именно на разработке прогнозов и сценариев глобального термоядерного конфликта для Пентагона и Белого Дома в 50-е г. XX в. сделал себе имя один из наиболее известных и крупных центров политического анализа в США, RAND Corporation.

Вместе с тем, политическая история XX в. знает и немало примеров неудачных, амбициозных попыток обращения к прогнозированию на основе комплексных теоретических моделей в целях воздействия на политический процесс и принятие решений.

Наделавший немало шума прогноз Римского Клуба «Пределы роста», опубликованный в 1972 г., утверждал, что «при условии сохранения нынешних трендов роста населения мира, индустриализации, загрязнения окружающей среды, производства продуктов питания и исчерпания невосполнимых природных ресурсов, пределы роста на данной планете будут достигнуты где-то в течение следующих 100 лет. Наиболее вероятным результатом этого будет внезапный и неконтролируемый упадок как человеческого, так и промышленного потенциала»^[6]. Основной методологический порок данной модели, как показали критический анализ и объективный опыт, состоит в том, что, экстраполируя, формально распространяя па будущее современные им тенденции экономического, научно-технического и демографического роста, авторы не учитывают того обстоятельства, что накопление количественных изменений не может не сопровождаться перерывом в постепенности, скачками, коренными качественными изменениями в знаниях, технологиях, формах производства и моделях потребления и т. д. Между тем подобные алармистские прогнозы в значительной степени способствовали появлению глобальных политических стратегий, предполагающих искусственное торможение экономического роста; при этом, вопреки формальной логике (но вполне в духе логики большой политики) объектами приложения этих стратегий оказались не главные производители загрязнения и потребители львиной доли планетарных ресурсов (США и индустриально развитые страны Запада), но страны, связывающие с промышленным ростом перспективы выхода из тупика отсталости п хронической нищеты — развивающиеся страны Третьего мира. Так некорректные результаты прогнозирования транслировались в этически сомнительные и потенциально взрывоопасные политические стратегии.

• [1] См.: Clements М. P., Hendry D. F. Forecasting Economic Time Series. Cambridge: Cambridge University Press, 1998; Kelejian N., Oates W. Introduction to Econometrics: Principles and Applications. N.Y., 1981; Levenbach H., Cleary J. The Beginning Forecaster: The Forecasting Process Through Data Analysis. Belmont, 1981.
• [2] См.: Makridakis S., Wheelwright S., McGee V. Forecasting: Methods and Applications / 2nd ed. N.Y. 1983; Levenbach IL, ClearyJ. The Beginning Forecaster: The Forecasting Process Through Data Analysis. Belmont, 1981.
• [3] См.: Makridakis 5., Wheelwright S., McGee, V. Op. cit.
• [4] Gupta D. Analyzing Public Policy. Concepts, Tools and Techniques. P. 202.
• [5] Koomey J. Avoiding «The Big Mistake» in Forecasting Technology Adoption // Papers for Energex Conference, Las Vegas. 23−28 July 2000. URL: enduse.lbl.gov/Info/LBNL-45 383. pdf (дата обращения: 29 апреля 2015 г.).
• [6] См.: Meadows D. П. Meadows D. L, Randers J., Behrens III W. W. The Limits to Growth. A Report to The Club of Rome. N.Y., Universe Books, 1972.