Прогнозирование в инновационной деятельности

В инновационной деятельности, для которой характерны повышенная неопределенность входной информации и риск принимаемых решений, роль прогнозирования становится определяющей.

Место прогнозирования в управлении иллюстрируется следующей схемой (см. рис. 13):

прогнозирование

оценка

план

исполнение

программа а

Рис. 13

На основе анализа возможных прогнозных сценариев и оценок осуществляется планирование – определение последовательности необходимых действий.

Следует различать: прогнозы – то, чего можно ожидать, планы – работы, которые надо делать.

Программа должна указывать необходимые ресурсы для выполнения плана и их рациональное распределение (как, чем, кому все делать и требуемые для этого затраты). Оценивать необходимо не только непосредственные результаты исполнения программы, но и каждый из этапов; после чего уточняется предыдущий прогноз или выполняется новый, - с новыми целями и задачами.

Прогнозы необходимо выполнять по следующим 4-ем ключевым направлениям: рынок (спрос, предложения конкурентов), основные финансово – экономические показатели жизнедеятельности (фирмы, отрасли, конкретных конкурентов), параметры продукции и технологии, социально – психологические условия (внутрифирменный климат, поведение потребителей).

Надо отметить, что ложной альтернативой (но для некоторых – заманчивой, из-за своей простоты) квалифицированному прогнозированию (требующему существенно больших затрат, ресурсов) являются: отсутствие каких – либо прогнозов; движение по прежнему руслу; надежда на эффективность авральных действий; доверие к «ясновидцам» будущего; вера в везение («авось пронесет, повезет!»).

В арсенале способов прогнозирования имеются различные методы, отличающиеся не только предсказательной силой, но и требуемыми исходной информацией, временем, квалификацией исполнителей. Среди наиболее распространенных:

- кривые роста (например, S - кривые) и экстраполяция тенденций;

- прогнозирование по аналогии;

- аналитические, факторные модели;

- групповые экспертные оценки;

(в [ 13] каждому из методов посвящена целая глава).

Следует остановиться на методе экспертных оценок, который соблазнителен тем, что он применим при отсутствии информации, необходимой для работы по другим методам. Основные его плюсы: суммарная информация в группе резко возрастает, учитывается больше факторов (что очень важно, т.к. часто встречающейся причиной ошибочных прогнозов является неучет существенных факторов, а особенно – внешних, для данной области прогноза), специалисты в группе обычно легче идут на коллективную ответственность, чем на личную.

Основные же минусы: возможность взаимного негативного информационного воздействия (когда убеждение сильнее доказательств), арифметика голосов «за» и «против» может неадекватно отражать соотношение фактов и аргументов. Метод Делфи, разработанный в «мозговой фабрике»РЭНД, используя плюсы известных ранее экспертных методов, устраняет большинство их минусов, что достигается благодаря ряду отличий. В частности: экспертизу проводят в несколько туров, с последовательным уточнением результатов каждого из предыдущих; характеристики групповых ответов анализируются статистически, выявляется и количественно оценивается их сходимость; проводится строгий отбор «дельфийских оракулов» по жестким критериям.

Особо следует рассмотреть тесно связанную с прогнозированием проблему принятия решений в условиях неопределенности исходных данных, - одного из базовых умений, которыми должен владеть инновационный менеджер. В такой ситуации объективность оценок может быть существенно повышена благодаря применению системы критериев теории игр и статистических решений. Прежде всего надо внести ясность в понятие неопределенности, ибо от правильной диагностики ее вида зависит верный выбор метода анализа, оценок, принимаемых решений (дело в том, что в некоторых публикациях этот вопрос рассмотрен путано и даже неверно).

Неопределенность, в отношении какой–нибудь оцениваемой величины, может быть двух типов:

а) вероятностно – статистическая, при которой из теории или из практики известны не только возможный диапазон этой величины, но и устойчивая закономерность частот реализации данной величины в каждом из интервалов этого диапазона (например, широко известны нормальный, равновероятный и другие законы распределения случайной величины);

б) неопределенность незнания (обусловленная отсутствием или незнанием устойчивого закона распределения), при которой имеется предварительная информация лишь об ожидаемом диапазоне величины (например, о параметрах рыночной конъюнктуры или свойств нового объекта).

В ситуации «а» правомерно и продуктивно применение аппарата теории вероятности и математической статистике. В ситуации «б» это ничем не обосновано; Но как чаще всего поступают на практике? Обычно ориентируются на ожидаемое наихудшее (по возможным последствиям) значение оцениваемой величины или произвольно вводят некую ее «виртуальную» вероятность (а по сути – закон распределения). Такие действия приводят или к неоправданной (и нередко дорогостоящей) перестраховке, или к необоснованному легкомысленному риску, что в итоге ведет к снижению конкурентоспособности.

В теории игр и статистических решений задачи такого рода формализованы, их представляют моделью («матрицей выигрышей») следующего вида (см. таблицу), где Pi – возможные альтернативные решения, а Пj – возможные состояния Природы (в отличие от классической теории антагонистических игр, где противник имеет интересы, противоположные нашим), a_ij – выигрыш, соответствующий сочетанию Pi и Пj (например, прибыль от реализации i – го варианта продукции при j – ом варианте рыночного спроса на нее).

Пj Pi	П1	П2	….	Пj	….	Пn
P1
P2
….
Pi				aij
….
Pm

Задача анализа - выбор наиболее рационального варианта решения P_i в условиях неопределенности состояния природы П_j. Ключевой вопрос: по какому критерию осуществлять выбор? Наиболее распространены критерии Лапласа, Вальда, Гурвица и Сэвиджа. Методика расчета по каждому из них иллюстрируется на следующем упрощенном числовом примере:

	П1	П2
P1
P2

Критерий Лапласа исходит из предпосылки (гипотезы), что все состояния Природы равновероятны (для данного примера вероятности P(П₁)=P(П₂)=0,5), поэтому ожидаемый средний выигрыш:

- при P₁ равен 0,5*1+0,5*2=1,5

- при P₂ равен 0,5*0+0,5*4=2;

-

1		1,5
0

следовательно, предпочтительнее вариант решения P₂.

Критерий Вальда - «критерий пессимизма» - соответствует самой осторожной тактике, по которой при каждом P_i фиксируется самый минимальный выигрыш, а затем из всех выделенных величин выбирается наибольшая (т.е. это «критерий максимина»); в нашем примере выбирается вариант P₁.

min max (min)

Критерий Гурвица – «критерий пессимизма - оптимизма», когда при каждом P_i учитывают и самый малый выигрыш (как в критерии Вальда), и самый большой, вводя для этого «коэффициент оптимизма» - «К» и затем вычисляют для каждого решения P_i (т.е. в каждой i – ой строке) численное значение критерия

;

затем выбирают вариант решения, для которого H .

Очевидно, что численное значение k = 0 соответствует крайнему пессимизму, а k = 1 – предельному оптимизму. Для рассматриваемого примера, если принять k=0,5, H₁=0,5*2+0,5*1=1,5; H₂=0,5*4+0,5*0=2; следовательно, вариант P₂ предпочтительнее. Необходимо варьировать К во всем диапазоне [0-1].

Критерий Сэвиджа – критерий минимаксного риска – обеспечивает наименьший риск («потери», сожаление о сделанном выборе P_i), если реализованное состояние Природы окажется при этом не самым благоприятным.

1 2 0 4

Расчет проследим по шагам. Вначале необходимо перейти от выигрыша a_ij к риску r_ij:

a_ij

если реализуется П₁, то выбор P₁ предпочтительнее; при нем риск r=0, но при выборе P₂ теряем “1” по сравнению с P₁, т.е. r=1; если реализуется П₂, то наименьший риск (r=0) дает выбор P₂, а выбору P₁ соответствует риск r=2. Итак, таблица рисков имеет приведённый ниже вид и, следовательно, наилучший выбор по этому критерию: P₂.

			max r	min(max r)
rij

Подводя итог, можно отметить, что выводы, получаемые по различным критериям, нередко противоречивы. Для достижения большей определенности в выборе рационального решения необходимы дополнительные сведения о неопределенных состояниях Природы (а именно – информации об их вероятностях), после чего может быть использован Байесовский подход, при котором исходные (априорные) оценки уточняются по результатам эксперимента.