2.4. Сущность и содержание инновационного прогнозирования

Особое место в ряду методов стратегического менеджмента занимает инновационное прогнозирование. Его сущность заключается в построении модели инновационного 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.