75745-1 (613841), страница 2
Текст из файла (страница 2)
Регрессионный анализ можно считать обобщенной формой сериальных оценок, однако, регрессионные выражения позволяют прогнозировать изменение прогнозируемой переменной в виде функции (одной и более) других переменных, то есть в ситуации, когда прогнозируемая переменная находится в какой-то зависимости от другой переменной. Основной задачей регрессионного анализа является выявление этой зависимости.
Многочисленные пакеты программ статистической обработки и регрессионного анализа делают использование этого метода простым и недорогим.
Основой применения методов регрессионного анализа является наличие рядов (как правило, временных) значений переменных, взаимозависимость между которыми исследуется в ходе анализа. При этом выявляется лишь математическая форма данной зависимости, в которой, как правило, не отражается действительная причинно-следственная связь между рассматриваемыми переменными.
Получение качественного прогноза на основе регрессионного анализа зависит от правильного выбора независимых переменных, а также знания их возможных значений.
Регрессионный анализ непригоден для прогнозирования в тех случаях, когда неизвестны будущие значения независимых переменных. Таким образом, регрессионный анализ, в частности, не очень полезен для определения времени выведения нового продукта на рынок или предсказания того, какие новые технологические процессы возникнут через пять лет.
При наличии необходимых данных и некоторых дополнительных усилий по обработке данных регрессионный анализ дает более качественные прогнозы, чем метод экстраполяции тенденций и сериальные оценки, позволяя осуществлять средне- и долгосрочный прогноз.
3.4 Эконометрика
Этот метод позволяет группировать несколько полученных регрессионных выражений в некую модель более широких взаимосвязей. Например, необходимо узнать, сколько, по-видимому, будет весить портативный персональный компьютер в следующем году или через три года. Базовое уравнение для получения прогноза позволяет рассматривать вес компьютера в виде функции веса источника питания, диска, экрана, числа и веса дисководов. В свою очередь, вес источника питания может быть прогнозирован, по крайней мере, отчасти, в функции темпа технического прогресса натриево-серных батарей и, например, повышения температуры сверхпроводимости (стремясь к достижению сверхпроводимости при комнатной температуре). В третьем уравнении можно связать динамику параметров технического прогресса и весовые характеристики плоского экрана. В четвертом уравнении можно, например, описать скорость развития новых сверхпроводящих материалов. Необходимый прогноз относительно будущего веса портативного компьютера требует одновременного решения всех этих уравнений.
Эконометрика позволяет построить обобщенную причинно-следственную модель, использующую многие переменные и набор многофакторных регрессий.
Методы эконометрики наиболее эффективны, если 1)возможно выявление причинно-следственных связей между рассматриваемыми параметрами исследуемого объекта 2)возможно предсказать направление изменений этих “причинных” переменных. 3) можно описать факторы, влияющие на значения причинных переменных.
Построение такой модели более трудоемко и дорого, чем использование предыдущих методов, однако важным преимуществом эконометрических подходов является то, что характер выявленных взаимосвязей не меняется со временем, и полученная выверенная модель может быть использована для следующих или предыдущих по времени циклов (в пределах правомерности предсказаний изменений независимых переменных и отсутствия влияния не учитываемых параметров: например, политико-экономической ситуации).
4 Моделирование динамики объектов прогноза
Соответствующие решения основаны на кибернетических теориях и методах анализа систем, предполагающих, что большинство событий взаимосвязаны. В соответствие с этим факторы и влияющие переменные моделей динамики системы и соответствующие связи и взаимодействия рассматриваются в виде группы петель обратной связи.
Известны компьютерные модели роста мировой динамики, динамики развития производственного предприятия, социально-экономического развития страны или группы стран. Модели, полученные с использованием динамики систем, полезны для понимания характера взаимодействия различных факторов и стратегического анализа объекта прогнозирования.
Динамические закономерности могут моделироваться как аналитически, так и на качественном уровне в форме исторических аналогий, экспертных суждений и пр.
4.1 S-кривые
Анализ, получивший название S-кривых, основан на известных закономерностях, по которым технология, выводимая на рынок, имеет определенный цикл жизни, в рамках которого доля соответствующего рынка растет сначала медленно, потом быстро, а затем перестает расти и/или начинает уменьшаться.
Во многих работах показано, что эти закономерности не всегда применимы, а в тех случаях, когда применимы, их нельзя воспринимать слишком буквально. И в то же время прогнозы на основании S-кривых помогли некоторым компаниям в конкурентной борьбе, а игнорирование этих закономерностей нанесло ущерб другим.
Модель S-кривой может быть применена не только к проникновению на рынок новых продуктов, но и к скорости распространения использования новой технологии как одного из видов продуктов или к параметрам новой технологии.
На рис.2 представлено семейство кривых для отдельных технологий, характеризующих развитие средств перемещения, где скорость движения оценивается в долях от скорости света. Обобщенная кривая дает картину изменения скорости перемещения, асимптотически приближающейся со временем к скорости света. Во многих моделях прогнозирования технологий существуют такие физические или естественные ограничения, как, например, доля рынка, которая не может быть более 100%.
Ключом к эффективному прогнозированию с помощью S-кривых является наличие предыдущего опыта использования аналогичных технологий. Например, для прогнозирования развития скорости нового сверхзвукового самолета, использующего в качестве топлива метанол, полезно изучить историю первого турбинного самолета, относящуюся к 1936 году, убедиться, что первое реальное использование этого самолета относится к 1940-му году, а затем еще десять лет ушло на увеличение мощности турбины и совершенствование конструкции самолета, в течение которых постепенно увеличивалась скорость полета. Далее можно предположить, что освоение и развитие сверхзвукового самолета потребует столько же лет на коммерциализацию и последующее совершенствование.
В этом примере виден и основной недостаток метода - неопределенность в том, насколько прежняя технология сопоставима с принципиально новым претендентом на рынке.
Несмотря на редкость использования S-кривых непосредственно для целей технологического прогнозирования, полезно рассмотрение таких кривых для решений в области НИОКР и прогнозирования непредвиденных случаев.
Наиболее значимой пользой этого метода является напоминание о том, что скорости проникновения на рынок, диффузии технологий или увеличения технологических параметров не могут расти бесконечно.
4.2 Исторические аналогии
Известное на Западе выражение гласит: ”Те, кто не помнит прошлого, обречены его повторять”. В этой связи широко принятой практикой обучения менеджменту является изучение исторических аналогий на примере широко публикуемых на Западе Case Studies (исследований конкретных ситуаций). Большое число конкретных ситуаций для 1700 компаний в различных отраслях промышленности обобщено, в частности, в виде (правда, очень элитарной и дорогой) базы данных PIMS (Profit Impact of Market Strategy), которая называется “Воздействие рыночной стратегии на прибыль”.
Работа с подобными базами данных или конкретными ситуациями не является прогнозом в точном смысле слова, однако, она может позволить выбрать одно или несколько решений, принятых другими фирмами в аналогичных ситуациях, показав (предсказав) полученный отклик.
Необходимый уровень квалификации для осуществления подобного поиска невелик, однако его эффективность и возможный охват лимитируется наличием соответствующих данных. Бурное развитие баз данных и, в том числе, возможное создание более дешевых и способных конкурировать с PIMS, будет способствовать большему распространению этого метода анализа тенденций.
5. Методы анализа технологической среды
5.1 Анализ патентных тенденций
Этот метод наиболее полезен для мониторинга изменений в области конкретных технологий. Компании отсылают патентные заявки на технологические инновации, чтобы защитить их правовым образом от копирования конкурентами. Часто они отправляют свои заявки одновременно в США, Западную Европу и Японию, чтобы защитить свою интеллектуальную собственность в мировом масштабе. Патенты представляют собой некие публично доступные описания технологий. Следовательно, анализ патентов предоставляет информацию о технологических тенденциях и основных участниках разработки новых и улучшенных продуктов и процессов.
Большая часть профессиональных компаний придерживается определенной схемы патентного исследования, которая включает шесть шагов1:
Определение объектов исследования. Определяют предмет поиска, исходя из конкретных задач управления заданной технологией (например, повышение чувствительности линейных измерений). Затем в зависимости от вопросов, ответы на которые ищет аналитик и, учитывая возможное использование информации, формулируют фокус на одной или нескольких технологиях.
Формулирование проблемы и установление сферы поиска. Для формирования рамок анализа необходимо понять ключевые технические вопросы или проблемы, характерные для данной технологии. Для более детального и результативного анализа необходимо выбрать классы рассматриваемых далее патентов и разработать схему, описывающую последовательность их изучения. Часто оказывается полезным начать анализ патентов с обзора источников, не патентных по данному вопросу, включая технические журналы, научно-технические отчеты, каталоги. Такой предварительный обзор может выполнять несколько важных функций. Во-первых, он может в дальнейшем помочь в поиске нужных патентов и формулировании их класса. Полученные данные могут также выявить мало известные компании или их подразделения, вовлеченные в интересующую область разработок. Кроме того, непатентные источники дополняют и углубляют понимание всех аспектов данной проблемы.
Поиск необходимых патентов. Существует определенная стратегия идентификации нужных патентов с использование патентных баз данных.
Важно иметь необходимые данные за возможно большее число лет. Поскольку срок действия патента по конкретному техническому решению в США - 17, а в России - 20 лет, желательно, чтобы глубина поиска (если, конечно, само технологическое направление не возникло в более недавнее время) составляла не менее 17-20 лет.
Критическое значение для качества полученной оценки тенденций имеют тщательность поиска, полнота и уместность выбранных для анализа патентов.
Загрузка патентов в программу для обработки. Здесь важна классификация полученных данных по таким категориям как тип технологии, тип материала, метод производства, процесс или продукт, характер организации. Можно также классифицировать характер и число патентов по времени их подачи, что может дать информацию об активности в конкретной сфере в определенный период времени.
Компьютерная обработка. На этой стадии обобщаются конкретные показатели патентных тенденций.
Интерпретация результатов патентного анализа. Список некоторых важных показателей, которые могут быть получены при патентном анализе, включает:
Анализ активности разработок в данном направлении. Последняя характеризуется числом патентов по данному типу технологии по отдельным годам и соответственно ростом или падением интереса к данной области технологий во времени, что находится в прямой корреляции с затратами на соответствующие НИР и ОКР.
Доминирование конкретного разработчика или производителя. Этот показатель может быть определенен численно по взаимному цитированию различных групп исследователей, работающих в близкой патентной области. Наиболее часто цитируемые компании, как правило, являются обладателями наиболее прочной патентной позиции.
Характеристики индивидуальной патентной активности компаний. В эти характеристики могут входить не просто число патентов, но и общее число авторов изобретений, средний возраст патента или изобретателя и т.д.
Анализ портфеля патентов. Результаты такого анализа содержат суммарную сводку патентов, права на которые имеет данная компания, а также их опубликованные патентные описания.
Анализ патентных тенденций используется во всем мире во все увеличивающемся объеме. Сотни компаний предоставляют услуги по проведению патентного анализа. Использование баз патентных данных становится главным источником международной конкурентной разведки в области технологий. В крупных компаниях до 10 человек занято исключительно проведением патентного анализа. В последние годы патентные базы становятся более обширными и более легкими для поиска.
На основании указанных в патентах целей фирмы по совершенствованию своей продукции, а также используемых ею средств для достижения этих целей, определяют направления проводимых конкурентами научно-технических разработок. Кроме того, патентное описание можно рассматривать в качестве анкеты, в которой изобретатель отвечает на вопрос, какую потребность он хочет удовлетворить своим изобретением. Статистический анализ описаний изобретений и полезных моделей позволяет не только выявить исчерпывающий список требований, предъявляемых к данной продукции, но и проранжировать их по степени значимости (весомости), то есть составить так называемый профиль потребностей для данного вида продуктов.
К недостаткам патентного анализа относится его сравнительная дороговизна, определяемая преимущественно необходимыми затратами времени высоко оплачиваемых сотрудников, а также тот факт, что не все изобретения патентуются и кроме того, существует, по крайней мере, 18-месячное (иногда до 36 месяцев) запаздывание между временем осуществления исследования и временем появления соответствующей заявки в патентной базе данных. Для обеспечения необходимой полноты сведений следует обновлять или повторять патентный поиск каждые 6-12 месяцев.
Несмотря на эти недостатки, данный метод является наиболее многообещающим способом получения информации о конкурентах в области НИОКР, новых потенциальных продуктах и технологических процессах. Анализ патентов позволяет предсказать новые разработки на рынке за 6-18 месяцев до их появления и является в настоящее время одним из лучших способов отслеживания технологических изменений по всему миру, позволяя также выявить потенциальных кандидатов для покупки или лицензирования разрабатываемой технологии.
Гармонизация формы патентов разных стран, увеличение мощности компьютерной обработки, а также увеличение доступности патентных баз обусловливают растущее значение данного метода анализа технологических тенденций.
5.2 Анализ научной литературы
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
