Литература
Сущность и содержание инновационного прогнозирования
Особое место в ряду методов стратегического менеджмента занимает инновационное прогнозирование. Его сущностьзаключается в построении моделиинновационного процесса, по которой можно было бы выявить и оценить влияние факторов на конечный результат процесса, а также получить прогноз результирующего показателя для иных значений факторов.
Говоря об инновационном прогнозе, мы имеем в виду оценку развития ситуации в течение некоторого отрезка времени в будущем. Поскольку речь идет о ситуации с новшеством, то наш прогноз по существу является лишь возможной догадкой. Тем не менее, при использовании определенной методики анализа рынка инноваций в прогнозе может содержаться нечто большее, чем догадка. Можно утверждать, что прогноз – это догадка, подкрепленная знанием. Естественное требование к научному, обоснованному прогнозу - минимизировать погрешности в соответствующих оценках. При этом длительность периода, ассоциированного с прогнозом, должна быть по меньшей мере достаточной для выработки соответствующего управленческого решения и претворения его в жизнь.
|
|
Чаще всего инновационное прогнозирование основано на идее экстраполяции. Под экстраполяцией обычно понимают распространение закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы. В более широком смысле слова ее рассматривают как получение представлений о будущем на основе информации, относящейся к прошлому и настоящему. Поскольку эти модели отражают закономерности, наблюдаемые в прошлом и настоящем, то достоверный прогноз по ним возможен лишь относительно таких объектов и явлений, которые в значительной степени детерминируются прошлым и настоящим.
Существуют две основные формы детерминации: внутренняя и внешняя. Внутренняя детерминация, или самодетерминация, более устойчива, ее проще идентифицировать с использованием экономико-математических моделей. Внешняя детерминация определяется большим числом факторов, поэтому учесть их все практически невозможно. Если некоторые методы моделирования, например адаптивные, отражают общее совокупное влияние на экономическую систему внешних факторов, т.е. отражают внешнюю детерминацию, то методы, базирующиеся на использовании трендовых моделей, отражают внутреннюю детерминацию объектов и явлений.
При экстраполяционном прогнозировании с использованием трендовых моделей выполняются следующие основные этапы:
· предварительный анализ данных;
· формирование набора моделей (например, набора трендов, т.е. кривых роста), называемых функциями-кандидатами;
|
|
· определение параметров моделей;
· оценка адекватности моделей;
· оценка точности адекватных моделей;
· выбор лучшей модели;
· получение точечного и интервального прогнозов;
· верификация прогноза.
На реализации части из этих этапов мы будем останавливаться в последующих дисциплинах программы. Здесь же рассмотрим два заключительных этапа.
Прогноз на основании трендовых моделей (кривых роста) содержит два элемента: точечный и интервальный прогнозы. Точечный прогноз — это прогноз, которым называется единственное значение прогнозируемого показателя. Это значение определяется подстановкой в уравнение выбранной кривой роста величины времени, соответствующей периоду упреждения: (t = n + 1; t = n + 2) и т. д.
Очевидно, что точное совпадение фактических данных в будущем и прогностических точечных оценок маловероятно. Поэтому точечный прогноз должен сопровождаться двусторонними границами, т.е. указанием интервала значений, в котором с достаточной долей уверенности можно ожидать появления прогнозируемой величины. Установление такого интервала называется интервальным прогнозом.
Интервальный прогноз на базе трендовых моделей осуществляется путем расчета доверительного интервала — такого интервала, в котором с определенной вероятностью можно ожидать появления фактического значения прогнозируемого экономического показателя. Расчет доверительных интервалов при прогнозировании с использованием кривых роста опирается на выводы и формулы Корреляционно-регрессионного анализа. Перенесение выводов теории регрессии на временные экономические ряды не совсем правомерно, так как динамические ряды отличаются от статистических совокупностей в силу хотя бы того, что неповторимы. Поэтому к оцениванию доверительных интервалов для кривых роста следует подходить с известной долей осторожности.
В эконометрике разработаны методы, позволяющие определить доверительный интервал по стандартной ошибке регрессионного уравнения для прогнозируемого показателя.
Стандартная (среднеквадратическая) ошибка оценки прогнозируемого показателя определяется в этом случае по формуле:
,
где — фактическое значение уровня временного ряда для времени t; — расчетная оценка соответствующего показателя по модели (например, по уравнению кривой роста); п — количество уровней в исходном ряду; k — число параметров модели.
Несмотря на громоздкость некоторых формул, расчет точечных и интервальных прогнозов на основе трендовых моделей технически является достаточно простой процедурой. Однако не следует обольщаться технической простотой процедуры экстраполяции и пытаться заглянуть слишком далеко, это неизбежно приведет к грубым ошибкам. Оптимальная длина периода упреждения определяется на основе содержательного суждения о стабильности явления. Эта длина, как правило, не превышает для рядов годовых наблюдений одной трети объема данных, а для квартальных и месячных рядов — двух лет.
Если развитие обнаруживает циклический характер, следует брать период от середины первого до середины последнего периода цикла. Если ряд охватывает периоды с разными трендами, лучше сократить ряд, отбросив наиболее ранние уровни, которые относятся к периоду с иной тенденцией развития.
При экстраполяционном прогнозировании динамики инновационных процессов весьма важным является заключительный этап — верификация прогноза. Верификация дескриптивных моделей сводится к сопоставлению расчетных результатов по модели с соответствующими данными действительности — массовыми фактами и закономерностями экономического развития. Однако в ходе верификации в большей степени оценивается метод прогнозирования, с помощью которого был получен результат, чем производится оценка качества самого результата. Это связано с тем, что до сих пор не найдено эффективного подхода к оценке качества прогноза до его реализации.
|
|
Вместе с тем даже в тех случаях, когда прогноз не оправдался, нельзя категорически утверждать, что он был бесполезен. Менеджер, если он хотя бы частично контролирует ход событий и может воздействовать на инновационный процесс, должен использовать прогнозную информацию желаемым для себя образом. Так, получив по прогнозу нежелательное направление развития ситуации, он может принять меры, чтобы прогноз не оправдался. Если прогноз предсказал ход событий, устраивающий менеджера, то он может использовать все возможности для повышения вероятности ожидаемого исхода.
В практической деятельности о качестве прогноза принято судить по величине ошибки прогнозного соотношения — разности между фактическим значением исследуемого показателя и его прогнозным значением. Очевидно, что определить указанную разность можно лишь в двух случаях: либо если период упреждения уже окончился и известно фактическое значение прогнозируемого показателя (известна его реализация), либо если прогнозирование осуществлялось для некоторого момента времени в прошлом, для которого известны фактические данные.
Во втором из названных случаев имеющуюся информацию целесообразно разделить на две части. Часть, охватывающая ранние данные, служит для оценивания параметров прогностической кривой. Другая часть, т.е. более поздние данные, рассматриваются как реализация прогноза. Если сравнить их с данными, рассчитываемыми по трендовой модели, то можно в какой-то мере охарактеризовать точность применяемой методики прогнозирования.
Проверка точности одного прогнозного расчета недостаточна для оценки качества прогнозирования, так как она может оказаться результатом случайного совпадения. Целесообразно получить несколько реализаций и меру качества прогнозирования k вычислить по формуле
|
|
,
где
р — число прогнозов, подтвержденных фактическими данными;
q — число прогнозов, не подтвержденных фактическими данными.
Поскольку на практике проблему качества прогнозирования приходится решать, как правило, до окончания периода упреждения, т.е. когда фактическое значение прогнозируемого показателя еще неизвестно, то более приемлемой для прогноза полагается модель, дающая самые узкие коридоры ошибок.
Изучению самых новых количественных методов инновационного прогнозирования посвящены специальные дисциплины магистерской программы.
1. Зайцев Л.Г., Соколова М.И. Стратегический менеджмент: Учебник М.: Юристъ, 2002.
2. Мардас А.Н., Кадиев И.Г. Инновационный менеджмент. Учебное пособие - СПб., СПбГЭТУ, 2007.
3. Мардас А. Н., Гуляева О. А. Стратегический менеджмент: Учеб. пособие. — СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2011. — 172 с
4. Томпсон А.А., Стрикленд А. Дж. Стратегический менеджмент: Учебник для вузов. - М.: ЮНИТИ, 2008
5. Мардас А. Н., Гуляева О. А. Методы стратегического анализа в корпоративном управлении. Учеб. пособие — СПб.: Изд-во «Технолит», 2011. — 136 с.
6. Маленков Ю.А. Проблемы развития стратегического управления в России. СПб.: Вестник СпбГУ. Сер. 5, вып. 1, 2007, стр. 108.
7. Ламбен Ж. Ж. Стратегический маркетинг: Европейская перспектива. СПб., Наука, 1996.
8. Мардас А.Н. Эконометрика. – СПб.: ПГУПС, 2007