Повна версія

Головна arrow Політологія arrow Політичний аналіз і прогнозування

  • Увеличить шрифт
  • Уменьшить шрифт


<<   ЗМІСТ   >>

Об'єктивні методи прогнозування

Метод екстраполяції передбачає пошук деяких історичних даних, репрезентативних відносно прогнозованої події. Допущення при цьому полягає в тому, що майбутнє подія буде відповідати наявним даними.

Джерелами даних для екстраполяції можуть служити: історичні дані, аналогічні ситуації, лабораторні та польові симуляції.

Як правило, екстраполяція спирається на історичні дані, за умови, що ми вже мали досвід знайомства з цікавлять нас явищем.

Екстраполяція спирається на припущення, згідно якому всі фактори, що визначають динаміку ситуації в минулому, будуть мати місце і в майбутньому, породжуючи аналогічний характер зміни показників або аналогічну модель поведінки. Цей постулат відомий як допущення спадкоємності. Прийняття даного допущення передбачає деяку філософську та ідеологічну позицію, пов'язану з уявленнями про еволюційний і Інкрементальний характері суспільного розвитку.

Оскільки таке подання досить характерно для західної традиції взагалі, і традиції політичного аналізу зокрема, остільки екстраполяція знаходить широке визнання і застосування на практиці.

В силу того, що основоположне допущення з приводу стабільної динаміки прогнозованого явища втрачає свою достовірність але міру збільшення горизонту планування (тобто в довгостроковій перспективі), остільки екстраполяція дає більш надійні результати швидше в короткостроковій, ніж довгостроковій перспективі.

У разі якщо історичні дані недоступні або забезпечують надійну основу для прогнозування зважаючи очікуваних значних змін у ситуації, джерелом даних може служити аналогічна ситуація. Так, якщо предметом прогнозування є значна зміна в сформованих умовах діяльності окремих груп громадян, комерційних чи державних організацій (введення нової ставки митних зборів, нових умов реєстрації, впровадження нового виду громадського транспорту і т.д.), можна скористатися даними по інших країнах, регіонам, містам і т.д., в яких подібні ініціативи вже були реалізовані.

Нарешті, в відсутність реальних аналогічних ситуацій можна звернутися в якості джерела даних до симуляціям, які можуть бути здійснені як в лабораторних, так і в польових умовах.

Польові симуляції володіють перевагою більшого реалізму, разом з тим, є найбільш ресурсоємним способом отримання вихідних даних для екстраполяції. Для обох видів симуляції слабкою ланкою є проблема зміщення результатів як наслідок упередженості дослідника якої реакції випробовуваних на сам факт участі у випробуванні.

Експоненціальне згладжування. Даний метод екстраполяції є відносно простим, доступним і добре відомим [1].[1]

В основі методу лежить ідея декомпозиції, згідно з якою дані часових рядів складаються з деяких базових компонентів: середнє, тренд, сезонність і помилка. Перші три з них представлені на рис. 8.3.

На рис. 8.3 "хрестики" являють собою історичні дані. Лінія А являє оцінне середнє; лінія В являє прогноз, що враховує тренд в поєднанні з поточним статусом; лінія С являє прогноз з урахуванням поточного статусу, тренду і сезонності.

Процедура експоненціального згладжування передбачає таку послідовність кроків:

  • 1) очищення даних;
  • 2) усунення сезонності;
  • 3) вибір сглаживающих факторів;
  • 4) розрахунок нового середнього;
  • 5) розрахунок нового тренда;
  • 6) оцінка поточного статусу;
  • 7) розрахунок прогнозу;
  • 8) облік сезонних чинників (повернення до п. 3 для кожного наступного спостереження).

Декомпозиція часового ряду:

Рис. 8.3. Декомпозиція часового ряду:

х - фактичні дані; А - середнє; В - середнє + тренд; С - середнє + тренд + сезонність

Очищення даних покликана усунути очевидні помилки, під якими прийнято розуміти фактичні дані, що лежать далеко за межами значень основного масиву даних. Помилкою можна вважати не тільки можливі похибки у вимірюванні та спостереженні, а й результати, викликані дією надзвичайних обставин. Якщо ж такі дані не можна визнати помилкою, їх вплив слід згладити за допомогою спеціальних процедур, в іншому випадку їх присутність може спотворити значення середньої, тренду і сезонності.

Усунення сезонності здійснюється за допомогою ряду альтернативних прийомів, наприклад, шляхом розрахунку відносини між значеннями кожного місяця і відповідним ковзним середнім.

Фактор згладжування, відомий як а (альфа), визначає, яку вагу буде надано більш пізнім історичними даними: чим вище значення фактора, тим вище вагу. Рекомендується застосовувати більш високі значення фактора у випадку, якщо процес характеризується нестабільністю. Низькі значення фактора рекомендуються у випадках, коли помилка вимірювання висока або дані подані коротким тимчасовим базам (тижневої, місячної). Вибір значення фактора згладжування в значній мірі визначається судженням аналітика, однак, як правило, не виходить за межі діапазону від 0 до 1.

Решта кроки припускають застосування стандартних формул і доступно викладаються в численних навчальних посібниках і довідниках [2].[2]

Існують альтернативні способи згладжування сезонних, циклічних і інших факторів у тимчасових рядах. Ковзаюче середнє являє собою просту і доступну альтернативу експоненціального згладжування. Єдине концептуальне розходження полягає в тому, що кожна історична спостережуване значення має однакову вагу. Лінійна регресія являє собою іншу добре знайому студентам альтернативу. Ряд дослідників, втім, вказують на те, що ковзне середнє поступається в точності прогнозу експоненціального згладжування. [3]

Питання практики

Сучасні і широко поширені програмні додатки в галузі статистики - SPSS, Statistica - значно полегшують завдання аналітика, що звертається до цих та інших методів аналізу історичних даних. Так, Statistica надає різноманітні можливості для перегляду та графічного представлення одновимірних і багатовимірних рядів. Можна аналізувати дуже довгі ряди (більше 100 тис. Спостережень). За допомогою різних перетворень вихідного часового ряду можна зрозуміти його структуру і наявні в ньому закономірності; в модулі реалізовані такі часто використовувані перетворення, як видалення тренду, видалення автокореляцій, згладжування ковзними середніми, медіанне згладжування (середнє замінено медианой), просте експоненціальне, взяття різниць, підсумовування, обчислення залишків, зсув, косинус-згладжування, перетворення Фур'є, а також зворотне перетворення Фур'є та ін. Можна виконати аналіз автокореляцій, приватних автокореляцій і кросскорреляціі. Передбачені значення можуть бути представлені в числовій і графічній формі. Нарешті, в системі Statistica реалізовані регресійні методи аналізу часових рядів для змінних з запізненням (лагом) або без пего, у тому числі - регресія, що проходить через початок координат, нелінійна регресія і інтерактивне прогнозування "що якщо".

Широко поширеним є переконання в доцільності застосування комбінованих методів аналізу, суть яких зводиться до послідовної обробці одного і того ж масиву історичних даних за допомогою кількох альтернативних методів. При цьому спостерігається помітне зниження похибки прогнозів в короткостроковій перспективі, однак у довгостроковій перспективі може спостерігатися зворотна картина (різні методи дають все більш розходяться прогнози) 4.

Важливо запам'ятати!

Одна з найбільш вразливих сторін статистичного аналізу часових рядів, що спирається на регресію і кореляцію, полягає в тому, що отримані результати ніколи не дозволяють судити про причинності, але тільки про збігу цікавлять нас подій і явищі. Емпіричні дані можуть лише продемонструвати, що незалежна і залежна змінні змінювалися в одному напрямку, однак вони не говорять нам нічого про те, чи стала першою причиною другої.

Каузальне (теоретичне) прогнозування виходить з того, що поведінка залежної змінної в майбутньому не пов'язано вирішальним чином з минулими трендами і не може бути передбачене на їх основі; це поведінка детермінована комплексом причинно-наслідкових взаємозв'язків між залежною змінною і незалежними факторами (рис. 8.4).

Припустимо, ми бажаємо визначити обсяг майбутніх витрат па потреби обороноздатності країни. Вдаючись до екстраполяції, ми можемо виявити середньорічні темпи зростання витрат на оборону за останні роки і на цій основі розрахувати динаміку витрат на наступні 5-10 років.

Або ми можемо сконструювати теоретичну модель, узагальнюючу найбільш значущі фактори обороноздатності, - такі як характер і географія зовнішніх загроз, цінності та пріоритети державної політики, тенденції економічного зростання, моральне і фізичне старіння озброєнь і техніки, підвищення кваліфікації та перепідготовка військовослужбовців, перехід на нову систему комплектування, миротворчі зобов'язання країни, науково-дослідні та дослідно-конструкторські розробки і т.д. - І на цій основі спрогнозувати майбутні потреби у фінансуванні.

Екстраполяція і теоретичне передбачення

Рис. 8.4. Екстраполяція і теоретичне передбачення

Екстраполяція і теоретичне прогнозування мають специфічними достоїнствами і недоліками. Метод екстраполяції, як правило, простий і доступний, що особливо цінно, коли мова йде про короткострокову прескриптивних рекомендації. Навпаки, каузальне моделювання передбачає поглиблене розуміння комплексу причинно-наслідкових взаємозв'язків. Такий метод більше підходить для довгострокових політичних досліджень, стратегічного планування і прогнозування.

У загальних рисах при виборі того чи іншого методу прогнозування рекомендується дотримуватися наступних рекомендацій [4]. До методу екстраполяції слід вдаватися, якщо:[4]

  • - У минулому тенденція мала лінійний і стабільний характер, тобто в короткостроковій перспективі зміни були незначні;
  • - Відсутня поглиблене уявлення про природу причинно-наслідкових взаємозв'язків;
  • - Відсутній запас часу і ресурсів для проведення поглибленого дослідження ситуації.

Питання практики

Існує безліч областей прийняття політичних рішень, в яких рутинне застосування методу екстраполяції виправдано й доречно. Це стосується політики в галузі:

  • - Культури і освіти;
  • - Охорони здоров'я;
  • - Житлового та соціального будівництва;
  • - Муніципальної політики;
  • - Ряду інших областей.

Дійсно, визначальну роль у перерахованих областях політики грають соціально-демографічні фактори, традиційно демонструють високий ступінь стабільності і лінійний характер:

  • - Народжуваність і смертність;
  • - Статево-віковий склад населення;
  • - Динаміка шлюбів і розлучень; рівень захворюваності;
  • - Рівень злочинності тощо.

Відповідно, лінійний і стабільний характер набувають політичні рішення: витрати на будівництво нових дитячих садків, шкіл, лікарень, об'єктів культури і спорту, в'язниць, автостоянок та гаражних комплексів, розвиток інфраструктури громадського транспорту і т.д.

Низька ступінь привабливості даних областей політики з погляду лобізму, пов'язана, у свою чергу, з традиційним (не тільки для Росії) залишковим принципом фінансування, також сприяє передбачуваності і стабільності. Хронічний дефіцит фінансування, крім того, обмежує можливості здійснення поглиблених комплексних досліджень.

На противагу цьому, політика в галузі фінансово-економічного регулювання, в галузі безпеки, зовнішньої політики, інформаційної політики та в деяких інших областях традиційно залишається досить динамічною і нелінійної, що обмежує застосовність методів екстраполяції.

Статистичні прогнози, побудовані на історичних даних, як було показано вище, виключно залежні від стабільності спостережуваних змінних і їх взаємозв'язків. Дана обставина набуває вирішального значення, коли мова заходить про застосовність даних методів в інтересах інформаційного забезпечення процесу вироблення і прийняття політичних рішень. Якщо статистично виведені взаємозв'язку, якими оперує статистичний прогноз, містять саме ті змінні, які повинні стати об'єктом управлінського впливу, тоді вони повинні бути піддані теоретичної модифікації, в іншому випадку прогнозовані результати виявляються під великим питанням, оскільки порушується основне допущення статистичної екстраполяції - допущення спадкоємності.

Багато регулятивні політичні рішення, з якими має справу аналітик, припускають значні зрушення в поведінкових моделях окремих громадян, спільнот, організацій та інститутів, що роблять всі минулі спостереження практично іррелевантние. Як зауважує у цьому зв'язку Дж. Куми: "Перед лицем таких серйозних змін просто смішно завантажувати комп'ютери статистичними розрахунками, побудованими на історично спостережуваних взаємозв'язках для прогнозування па сто років вперед" [5].[5]

Приклад з практики

Дж. Куми наводить як приклад досить типову для прикладного політичного аналізу ситуацію:

У 1997 р Агентство з захисту навколишнього середовища США замовило аналіз передбачуваних податкових пільг для підприємств, що встановлюють ефективні енергозберігаючі установки. Метою аналізу було з'ясувати, який ефект дане рішення надасть на ринковий рівень цін на даний вид обладнання і, як наслідок, наскільки воно буде сприяти зростанню попиту на екологічно чисті технології з боку споживачів.

Шлях найменшого опору у вирішенні цього завдання припускав звернення до емпіричним даним, що характеризує реакцію ринків на зниження капітальних витрат більш ефективного обладнання (змінна "Прямий цінової ефект"). Однак подальший аналіз ситуації показав, що прогноз тільки на основі даного фактора буде коректним, оскільки він не приймає в розрахунок зміни в інших значущих параметрах прийняття рішень. Так, був виявлений фактор "інформаційного ефекту", який полягає в тому, що сам факт оприлюднення даного політичного рішення - незалежно від реальної ставки податку, - впливає на галузь, привертаючи увагу споживачів до даного продукту. Вплив даного чинника вдалося показати навіть при значенні податкової пільги, рівному нулю. Нарешті, був виявлений третій значимий фактор, пов'язаний з кумулятивним накопиченням досвіду з боку виробників устаткування, на також робить вплив на рівень відпускних цін.

У підсумку результати показали, що на початковий "прямої цінової ефект" припадає всього 10-20% від сукупного ефекту, таким чином, за відсутності поглибленого теоретичного осмислення і моделювання ситуації аналітики ризикували випустити з уваги левову частку потенційного ефекту даного політичного рішення.

Даний приклад переконливо демонструє, який комплексний характер мають навіть порівняно тривіальні і вузько спрямовані регулятивні рішення та їх наслідки, що представляють собою рутину прикладного політичного аналізу. Очевидно, що справді реформаторські політичні ініціативи, що зачіпають інтереси мільйонів людей, десятків галузей економіки і можливо, навіть іноземних держав, припускають експоненціально зростаючі аналітичні зусилля, спрямовані на моделювання, оцінку і прогнозування їх наслідків.

Побудова каузальної моделі в якості першого кроку припускає специфікацію моделі, тобто формулювання причинно-наслідкових зв'язків між залежними і незалежними змінними. Вже на цьому етапі відмінності між аналізом часових рядів і теоретичним моделюванням набувають ясність: для побудови моделі, в якій єдиним пояснювальним фактором є тимчасовою тренд, нам не потрібна теорія, що пояснює причини і наслідки у досліджуваній ситуації. Теоретичне моделювання, навпаки, вимагає поглибленого розуміння такого роду взаємозв'язків.

Недоліками методів прогнозування, що припускають комплексне теоретичне моделювання, - в порівнянні з більшістю екстраполяціонних та експертних методів, - є підвищена складність і ресурсомісткість. Переваги в прогностичної точності таких методів можуть бути продемонстровані головним чином па комплексних, довгострокових прикладах, в той час як для тривіальних і короткострокових ситуацій можливий виграш в точності небудь важко продемонструвати, або він не витримує тесту "ціна-якість".

Не дивно, що в практиці прикладного політичного аналізу застосування теоретичних моделей прогнозування знаходить обмежене, хоча і вельми значиме застосування (див. Гл. 6).

Історичний екскурс

Систематичне звернення до методів теоретичного моделювання і прогнозування набуло широкого визнання у сфері зовнішньополітичного та військового планування, особливо зі вступом людства в століття атома і епоху холодної війни. Різко зросла ціна ризику такого роду рішень, вимірювана часом не тільки мільярдами доларів, але і мільйонами людських життів, якісним чином підвищила ступінь відповідальності осіб, які приймають рішення в областях напування і зовнішньої політики. У цій ситуації навчання па власних помилках стало недоступною опцією, і прогнозування наслідків прийнятих рішень перейшло в область математичного моделювання. Саме на розробці прогнозів і сценаріїв глобального термоядерного конфлікту для Пентагону і Білого Дому у 50-ті р XX в. зробив собі ім'я один з найбільш відомих і великих центрів політичного аналізу в США, RAND Corporation.

Разом з тим, політична історія XX ст. знає і чимало прикладів невдалих, амбітних спроб звернення до прогнозування на основі комплексних теоретичних моделей з метою впливу на політичний процес і прийняття рішень.

Наробив чимало шуму прогноз Римського Клубу "Межі зростання", опублікований в 1972 р, стверджував, що "за умови збереження нинішніх трендів зростання населення світу, індустріалізації, забруднення навколишнього середовища, виробництва продуктів харчування і вичерпання невідновних природних ресурсів, межі зростання на даній планеті будуть досягнуті десь протягом наступних 100 років. Найбільш вірогідним результатом цього буде раптовий і неконтрольований занепад як людського, так і промислового потенціалу "[6]. Основний методологічний порок даної моделі, як показали критичний аналіз і об'єктивний досвід, полягає в тому, що, екстраполюючи, формально поширюючи па майбутнє сучасні їм тенденції економічного, науково-технічного і демографічного зростання, автори не враховують тієї обставини, що накопичення кількісних змін не може не супроводжуватися перервою в поступовості, стрибками, корінними якісними змінами в знаннях, технологіях, формах виробництва і моделі споживання і т.д. Тим часом подібні аларміські прогнози в значній мірі сприяли появі глобальних політичних стратегій, що передбачають штучне гальмування економічного зростання; при цьому, всупереч формальній логіці (але цілком у дусі логіки великої політики) об'єктами докладання цих стратегій виявилися не головні виробники забруднення і споживачі левової частки планетарних ресурсів (США та індустріально розвинені країни Заходу), але країни, що зв'язують з промисловим зростанням перспективи виходу з глухого кута відсталості п хронічної бідності - країни, що розвиваються Третього світу. Так некоректні результати прогнозування транслювалися в етично сумнівні і потенційно вибухонебезпечні політичні стратегії.[6]

  • [1] Див .: Clements М. P., Hendry DF Forecasting Economic Time Series. Cambridge: Cambridge University Press, 1998; Kelejian N., Oates W. Introduction to Econometrics: Principles and Applications. NY, 1981; Levenbach H., Cleary J. The Beginning Forecaster: The Forecasting Process Through Data Analysis. Belmont, 1981.
  • [2] Див .: Makridakis S., Wheelwright S., McGee V. Forecasting: Methods and Applications / 2nd ed. NY. 1983; Levenbach IL, ClearyJ. The Beginning Forecaster: The Forecasting Process Through Data Analysis. Belmont, 1981.
  • [3] Див .: 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-45383. pdf (дата звернення: 29 апреля 2015).
  • [6] Див .: Meadows D. П .. Meadows D. L, Randers J., Behrens III WW The Limits to Growth. A Report to The Club of Rome. NY, Universe Books, 1972.
 
<<   ЗМІСТ   >>