Борис Литвак - Наука управления. Теория и практика

Для более чем 200 важных изобретений, сделанных в 1787–1935 гг., этот период колебался в среднем от 33 до 38 лет. Проанализированные им технологии разбиты на восемь уровней, начиная от возникновения первой идеи (уровень, условно названный «научные ресурсы») и кончая широкой ее реализацией в обществе (уровень, условно названный «общество»).

Основные уровни технологий представлены в табл. 5.12 в порядке возрастания их общественного значения и стадии реализации идеи. Переход от более низкого уровня реализации идеи к более высокому называется перемещением технологии. Для реализовавшихся важных идей характерно последовательное перемещение технологий от низшего до высшего уровня.

Модели технологического прогнозирования подразделяются на изыскательские (иногда их называют поисковыми) и нормативные.

В основе модели изыскательского прогнозирования лежит ориентация на предоставляющиеся возможности, установление тенденций развития ситуаций на базе имеющейся при разработке прогноза информации. Изыскательскому прогнозированию соответствует перемещение в пространстве технологий – от технологий более низкого уровня к технологиям более высокого уровня.

Примером изыскательского прогнозирования может служить прогнозирование в области электроники, когда прогнозируемый процесс представляют в виде последовательного перемещения технологий, начиная от квантовой электродинамики и кончая мгновенно осуществляемой всемирной связью.

В основе модели нормативного прогнозирования лежит ориентация на те потребности и цели, к достижению которых стремится организация. Нормативному прогнозированию соответствует перемещение в пространстве технологий – от технологий более высоких уровней к технологиям более низкого уровня.

Таблица 5.12

Основные уровни технологий и стадии реализации идей

Примером использования модели нормативного прогнозирования может служить прогнозирование в области космоса, когда прогнозируемый процесс представляется в виде последовательного перемещения технологий от понимания проблемы космоса как среды, которая должна служить на благо человеку, до конкретных средств ее решения – условий для ядерного деления и количества высвобождающейся при этом энергии.

В рамках технологического прогнозирования решаются такие задачи, как разработка прогнозов в экономической и коммерческой, социальной и политической областях деятельности.

Одной из основных проблем при разработке прогнозов является эффективное сочетание методов изыскательского и нормативного про гнозирования.

Для модели изыскательского прогнозирования характерно использование методов, базирующихся на анализе точных эмпирических данных. К ним относятся:

• экстраполяция;

• моделирование;

• метод исторической аналогии;

• написание сценариев и т. д.

При этом предпочтение отдается количественной информации, хотя использование качественной (неколичественной) информации в изыскательском прогнозировании также возможно.

Примером является использование метода сценариев или метода экспертных кривых, позволяющих определять наметившиеся тенденции изменения ситуации не только на базе эмпирических данных, но и на опыте высококвалифицированных специалистов-экспертов.

К числу основных методов, используемых в моделях нормативного прогнозирования, следует отнести методы ПАТТЕРН, Делфи, прогнозного графа Глушкова, Поспелова и др. Такой широко используемый в настоящее время инструментарий, как деревья целей, впервые появился как составная часть метода ПАТТЕРН (обоснование планирования посредством научно-технической оценки количественных данных), разработанного в 1963 г. для нужд аэронавтики и космоса.

Среди других видов прогнозирования выделяют прогнозирование с использованием обратной связи, интуитивные методы, «обходные» и др. Но основные идеи, используемые при разработке прогнозов, достаточно полно представлены именно в моделях изыскательского, нормативного и экспертного прогнозирования.

В последние годы получили развитие модели экспертного прогнозирования, ориентированные в значительной степени на работу не только с количественной, но и с качественной информацией, получаемой непосредственно от экспертов.

По мнению Н.Н. Моисеева, развитие экспертного прогнозирования совпало по времени с активным развитием ЭВМ. Последний факт нашел отражение в практике экспертного прогнозирования [17, 24].

Одной из основных технологий, используемых в моделях изыскательского прогнозирования, является экстраполяция временных рядов – статистических данных об объекте прогнозирования.

В основе экстраполяционных технологий лежит предположение, что динамика изменений, имевшая место в прошлом, сохранится и в будущем. При этом, естественно, должны быть сделаны поправки с учетом стадии жизненного цикла объекта.

Для расчета кривых, отражающих изменение прогнозируемых параметров, в ряде распространенных ситуаций прогнозирования используется экспонента, т. е. функция вида

y = a e bt , (5.8)

где t – время;

a и b – параметры экспоненциальной кривой.

К числу наиболее известных экспоненциальных кривых, используемых при прогнозировании [15], можно отнести кривую Перла, имеющую вид

y = L | (1+ a e − bt ), (5.9)

где L – верхний предел переменной y .

Не менее распространена при экстраполяции кривая Гомперца, имеющая вид

y = L e bt − kt , (5.10)

где k — также параметр экспоненты.

Кривые Перла и Гомперца использовались при прогнозе таких параметров, как возрастание коэффициента полезного действия паровых двигателей, рост эффективности радиостанций, рост тоннажа судов торгового флота и т. д.

Кривая Перла и кривая Гомперца могут быть отнесены к классу так называемых S-образных кривых. Для таких кривых характерен экспоненциальный или близкий к экспоненциальному рост на начальной стадии, а затем при приближении к точке насыщения они принимают более пологий вид.

Многие из экстраполируемых процессов могут быть описаны с помощью соответствующих дифференциальных уравнений, решением которых и являются рассмотренные выше кривые Перла и Гомперца (см., напр., [15, 28]).

В качестве примера можно привести дифференциальное уравнение, описывающее приращение объема информации (знания) / в зависимости от числа исследователей N , среднего коэффициента продуктивности одного исследователя q в единицу времени t и постоянного коэффициента с, характеризующего динамику изменения объема информации.