Экспертные методы применяются в следующих случаях:
– отсутствия достаточной статистической информации;
– в условиях большой неопределенности среды функционирования объекта прогнозирования;
– при отсутствии достаточного времени и/или средств для выполнения прогноза иными методами;
– при отсутствии теоретической картины объекта (недостаточно выявлены причинно-следственные связи).
Существует две категории экспертов – узкие специалисты и специалисты широкого профиля. Необходимо привлекать обе указанные категории, так как узкие специалисты не всегда могут оценить общие отраслевые, региональные, глобальные тенденции, а специалисты широкого профиля не обладают достаточной детальной информацией.
Степень достоверности эксперта устанавливается по относительной частоте, с которой оценка эксперта совпадает с фактическим положением дел, т. е. на основании процентного соотношения «правильных» прогнозов к общему количеству прогнозов. Если прогнозируются численные значения, то необходимо рассчитывать среднее арифметическое и дисперсию величин ошибок – отклонений прогноза от факта.
В результате выработки экспертами своих прогнозов могут иметь место два вида ошибок – систематические и случайные.
Прогнозы эксперта, подверженного ошибкам первого рода, устойчиво отличаются в большую либо меньшую сторону от фактического значения. В этом случае размах вариации и дисперсия ошибок незначительны и входят в установленные требования точности прогноза. Для коррекции таких ошибок используется поправочный коэффициент равный среднему значению ошибок эксперта.
Ошибки второго рода имеют место при высокой дисперсии и/или размаху вариации и незначительном среднем ошибки. Следует предпочесть эксперта, совершающего ошибки первого рода эксперту, склонному к ошибкам второго рода.
|
|
На основании дисперсии ошибок экспертов целесообразно ранжировать, и в дальнейшем использовать их прогнозы с применением поправочного коэффициента k:
,
где R – конечный результат прогнозирования; rj – прогноз j -го эксперта; n – количество экспертов.
Коэффициент ошибок второго рода рассчитывается как
где s – дисперсия ошибок эксперта (дисперсия между прогнозом и фактическим значением).
Эксперты могут работать самостоятельно и независимо друг от друга, что гарантирует отсутствие психологического воздействия более авторитетного специалиста на менее авторитетного и повышает точность прогноза. Однако в этом случае те или иные факторы влияния, известные одному или немногим экспертам, остаются неизвестными для остальных, что в свою очередь точность прогноза снижает.
В то же время при совместной работе экспертов производится детальный анализ влияющих факторов, однако при этом возможны искажения в прогнозе в связи с влиянием наиболее авторитетных специалистов.
Анализ существующих методов экспертных оценок («Дельфи», программного прогнозирования, эвристического прогнозирования, коллективной генерации идей и др.) позволил разработать и предложить следующую последовательность составления прогноза объемов перевозок с помощью экспертного метода.
Шаг 1. На этом этапе экспертами производится совместное обсуждение существующих и ожидающихся факторов, оказывающих влияние на предстоящие объемы перевозок.
|
|
Шаг 2. Каждый эксперт самостоятельно и независимо от других определяет численное значение прогноза с кратким описанием своего решения.
Шаг 3. Производится численная обработка прогнозов с использованием рассчитанных для каждого эксперта поправочных коэффициентов ошибок первого и второго рода.
Шаг 4. По окончании периода, на который составлялся прогноз, производится корректировка поправочных коэффициентов на ошибки первого и второго рода каждого эксперта, исходя из расхождений между оценками каждого эксперта и фактическим показателем, учитывая причины расхождений и указанные каждым экспертом факторы в обосновании своих прогнозных оценок. Например, существенное влияние может оказать случайно возникший фактор, который предугадать было невозможно. Не рекомендуется сообщать экспертам поправочные коэффициенты.
Шаг 5. Анализ факторов, учтенных и неучтенных экспертами, что позволяет им в дальнейшем основывать свои прогнозы на более детальной информации. Такой анализ следует проводить самостоятельно каждому эксперту.
КАУЗАЛЬНОЕ (ПРИЧИННО-СЛЕДСТВЕННОЕ) МОДЕЛИРОВАНИЕ. Каузальное моделирование – наиболее замысловатый и математически сложный количественный метод прогнозирования из числа применяемых сегодня. Он используется в ситуациях из более чем одной переменной. Уровень личных доходов, демографические изменения и подавляющая ставка процента по кредитам, например, влияют на будущий спрос на новые одинсемейные дома. КАУЗАЛЬНОЕ МОДЕЛИРОВАНИЕ – это попытка спрогнозировать то, которое состоится в подобных ситуациях, путем исследования статистической зависимости между рассмотренным фактором и другими переменными. Каузальная модель может показать, что каждый раз, когда ставка процента по кредитам увеличивается на 1%, спрос на новые дома падает на 5%.