Классификация объектов прогнозирования

Прежде всего сформулируем цель классификации, так как в зависимости от нее определяются способ классификации и классификационные признаки. Целью классификации в данном случае является создание предпосылок для выбора адекватных методов анализа и прогнозирования объекта. В соответствии с такой целью в качестве способа классификации примем параллельный способ. В отличие от последовательного способа, характеризующегося наглядностью, но не допускающего пересечение классов по каждому из признаков, параллельный способ не так нагляден, но дает возможность более четко и гибко определять классы сразу по всей совокупности значений классификационных признаков. Если каждой такой области соответствует один или несколько методов анализа и прогнозирования, то проблема их выбора сводится к установлению классса объекта по набору значений его признаков.

В действительности такой полной классификации объектов, обеспечивающей однозначный выбор метода, в настоящее время предложить нельзя, да и неизвестно, возможна ли она вообще. На практике классификация служит лишь некоторым ориентиром в сложной процедуре выбора методов анализа и прогнозирования объекта. В качестве классификационных признаков примем следующие: природа, масштабность, сложность объекта прогнозирования; степень его детерминированности; характер его развития во времени; степень информационной обеспеченности.

По природе объекты прогнозирования можно подразделить на следующие классы (в скобках приведены примеры объектов соответствующих классов):

• 1) научно-технические (развитие фундаментальных и прикладных исследований, развитие областей техники, новые виды техники, технические характеристики, изобретения и открытия в области науки и техники, новые материалы, технология);
• 2) технико-экономические (экономика народного хозяйства по отраслям, развитие и размещение производства, народно-хозяйственные предприятия, технико-экономические показатели производства продукции, организационно-экономические системы управления, освоение новых видов продукции, финансирование производства);
• 3) социально-экономические (демография, миграция, трудовые ресурсы, размещение производительных сил, образование, национальный доход, спрос, потребление, производительность труда);
• 4) военно-политические (международные отношения, опасные зоны мира, военный потенциал стран, стратегический курс государств, военные конфликты);
• 5) естественно-природные (погода, землетрясения, ураганы, окружающая среда, природные ресурсы, космические явления).

По масштабности объекты прогнозирования можно классифицировать в зависимости от числа переменных, входящих в полное описание объекта на стадии анализа (в скобках приведены примеры объектов соответствующих классов):

• 1) сублокальные — с числом значащих переменных от 1 до 3 (численность населения страны, производственная функция, траектория движения в трехмерном пространстве, рабочее место);
• 2) локальные — с числом значащих переменных от 4 до 14 (производственный участок, материал, несложное техническое устройство, ход болезни);
• 3) субглобальные — с числом значащих переменных от 15 до 35 (цех, областная сеть авиалиний, спрос на продукцию предприятия с соответствующей номенклатурой);
• 4) глобальные — с числом значащих переменных от 36 до 100 (предприятие, техническая система типа станок, агрегат; транспортная сеть региона);
• 5) суперглобальные — с числом значащих переменных свыше 100 (отрасль, крупное предприятие, большая техническая система типа самолет, транспортная сеть страны).

Масштабность объекта не имеет самостоятельного значения для выбора метода анализа и прогнозирования. Ее следует учитывать лишь в совокупности с классификацией объектов по принципу сложности при организации процедур обработки исходной информации, выборе технических средств обработки, расчетах объемов памяти для хранения и обработки информации.

По сложности объекты прогнозирования можно классифицировать по степени взаимосвязи значащих переменных в их описании:

• 1) сверхпростые — объекты с отсутствием существенных взаимосвязей между переменными; такие объекты можно анализировать и разрабатывать для них прогнозы путем последовательного анализа независимых переменных, составляющих описание при любой масштабности объекта;
• 2) простые — объекты, в описании которых содержатся парные взаимосвязи между переменными;
• 3) сложные — объекты, для адекватного описания которых необходимо учитывать взаимосвязи и влияния нескольких переменных
• (трех и более), однако имеется возможность выделения главных групп переменных; для анализа такого рода объектов можно использовать методы ступенчатых регрессионных зависимостей, методы множественного регрессионного и корреляционного анализа, экспертные таблицы оценок взаимного влияния и предпочтений;
• 4) сверхсложные — объекты, в описании которых необходимо учитывать взаимосвязи межлу переменными; основными инструментами анализа в этом случае являются множественный корреляционный анализ, факторный и дисперсный анализ.

По степени детерминированности можно выделить следующие объекты прогнозирования:

• 1) детерминированные, описание которых может быть представлено в детерминированной форме без существенных для задачи прогнозирования потерь информации;
• 2) стохастические, при анализе и прогнозировании которых учет случайных составляющих необходим для удовлетворения требований точности и достоверности прогноза;
• 3) смешанные, описание которых возможно частично в детерминированном, частично в стохастическом виде.

По характеру развития во времени объекты прогнозирования классифицируются следующим образом:

• 1) дискретные — объекты, регулярная составляющая (тренд) которых изменяется скачками в фиксированные моменты времени;
• 2) апериодические — объекты, имеющие описание ре1улярной составляющей в виде апериодической непрерывной функции времени;
• 3) циклические — объекты, имеющие регулярную составляющую в виде периодической функции времени. Регулярная составляющая здесь понимается как описание процесса, очищенное от случайной составляющей (помехи).

По степени информационной обеспеченности объекты прогнозирования подразделяются на следующие:

• 1) объекты с полным обеспечением количественной информацией, для которых имеется в наличии ретроспективная количественная информация в объеме, достаточном для реализации метода экстраполяции либо статистического метода прогнозирования с заданной точностью на заданное время упреждения;
• 2) объекты с неполным обеспечением количественной информацией, для которых имеющаяся в наличии ретроспективная информация допускает использование статистических и экстраполяционных методов, однако не обеспечивает на заданное временя упреждения заданную точность прогноза;
• 3) объекты с наличием качественной ретроспективной информации, относительно прошлого развития которых имеется только качественная информация и полностью отсутствует либо очень ограничена количественная;
• 4) объекты с полным отсутствием ретроспективной информации — это, как правило, несуществующие, проектируемые объекты.