62019 (694736), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

По типу циркулирующей в процессе экспертизы информа­ции можно выделить три класса интуитивных моделей:

• индивидуальные оценки;

• коллективные оценки;

• комбинированные экспертные модели.

К индивидуальным относятся модели типа интервью, психоэвристической генерации идей, к коллективным - модели типа “мозговой атаки”, сессий выработки коллективного мне­ния, коллективной экспертной оценки; к комбинированным - модели итеративных опросов типа “Дельфи” и их модификации.

Аналитическими методами прогнозные модели получаются в тех случаях, когда известны общие закономерности развития процесса, его общая структура, важнейшие аналитически выра­женные функциональные связи, имеется опытная (контрольная) выборка, позволяющая проверить работоспособность модели.

Аналитические модели, разделяются на модели, построен­ные по типу:

• структуризации целей развития;

• имитационного моделирования;

• морфологического анализа.

К статистическим относят методы, основу которых составляет формирование стохастических моделей прогнозирования. Предпосылкой применения таких методов является наличие необходимых статистических данных. Характеризующих период ретроспекции, и сведений, необходимых для определения модели прогноза. Широкое применение в прогнозировании статистических методов объясняется тем, что предметом статистики служит изучение методов выявления закономерностей массовых процессов.

Относительно приложений математической статистики обратим внимание на появляющуюся у ряда авторов тенденцию рассматривать соответствующие методы как средство снятия неопределенности на различных этапах принятия решений. Подобное отношение сужает область применения статистических методов, однако справедливо акцентирует внимание на наиболее сложных случаях их использования.

Области приложений отдельных методов при решении задач прогнозирования в микроэкономике показаны в табл. 3 (приложение С).

Развитый математический аппарат и накопленный опыт применения делают привлекательным обращение в решаемой проблеме к статистическим прогнозным методам и моделям.

Таким образом, большинство методов, ориентированных на прогнозирование микроэкономических параметров и процессов требует в той или иной степени учета фактора старения используемой информации. В связи с этим представляется целесообразным рассмотреть статистические закономерности старения информации.

2.2.Статистические закономерности старения прогнозной информации.

Всякой информации присуще свойство старения. С течени­ем времени происходит частичная или полная потеря ценности для ее потребителя. Ценность информации - понятие доста­точно широкое и требует конкретизации и уточнения примени­тельно к рассматриваемой проблеме. С появлением новой ин­формации возникает необходимость уточнить и по-новому ин­терпретировать изменившийся прогнозный фон для прогнозных исследований с целью выработки управляющих воздействий.

Анализируя процесс кумуляции информации, по глубине ретроспекции можно выявить период старения информации.

Для описания этого процесса введем следующие перемен­ные:

п(Т) - глубина ретроспекции, выраженная в "квантах ин­формации" и использованная в прогнозной модели, на момент времени Т;

N(Т) - нижняя граница сферы распространения полезной информации, выраженная в тех же единицах.

Под “квантом информации” будем понимать некоторый элемент, который может восприниматься и использоваться са­мостоятельно. В рассматриваемой области это эксперименталь­ные данные (показатели рыночного спроса, зафиксированные в определенный момент времени, цена товара и др.).

Процесс кумуляции ретроспективной информации состоит в том, что объем полезной информации по мере увеличения рет­роспекции все время увеличивается, достигая в некоторый мо­мент T=T_k значения N(T_k):

при

при

Задача изучения процесса состоит в анализе кумулятивной функции n(Т) во времени, вытекающего из качественного и ко­личественного статистического исследования реальных процес­сов.

Естественно, что значение функции n(Т) в начальный мо­мент времени T=0 позволяет считать, что n(0)=0. Можно также считать, что N(0) заметно больше нуля.

Интегральные функции n(T) и N(T), выраженные в абсолютных единицах измерения (квантах информации), можно выразить в относительных единицах, что позволит устранить искажающее воздействие динамики границы ретроспекции. С этой целью введем новую переменную m(T), которая обозначает долю полезной информации в общем ее объеме при формировании прогнозного фона, достигнутую к моменту времени Т. По определению

(2.1)

При динамические характеристики m(T) совпадают с аналогичными характеристиками n(T).

Функция m(T) – монотонно возрастающая функция ретроспекции, изменяющаяся в интервале (0,1).

Когда n(Т) приближается к N(T), то m(Т) стремится к едини­це асимптотически при . Это обстоятельство позволяет получить более простые аналитические зависимости для куму­лятивной функции, не искажая значительно реальной картины.

Для дальнейшей спецификации кумулятивной функции не­обходимо кроме интегральной функции рассмотреть и диффе­ренциальную, определив ее следующим образом

(2.2)

Тогда дифференциальная относительная кумулятивная функция будет иметь вид:

(2.3)

Требования к виду функций и вытекают из каче­ственного описания процесса. Эти функции всюду положитель­ные, к концу периода ретроспекции их значение монотонно убывает и стремится к нулю.

Поскольку процесс кумуляции ценной информации имеет верхний придел, то необходимо ввести в исследование переменную, характеризующую скорость приближения процесса к концу. Эта переменная будет определять темп старения информации. Она выражается в виде той части еще не учтенной полезной информации, которая может быть использована в прогнозной модели:

или (2.4)

Интенсивность старения информации H(T) и h(T) определяет конкретную конфигурацию кривой h(T) или m(T).

Отсюда следует, что дифференциальное уравнение кумуляции информации (далее рассматриваются относительные функции) имеет вид:

(2.5)

Проинтегрировав это уравнение при естественных ранее введенных допущениях , получим уравнение для определения интегральной функции

(2.6)

Здесь предполагается, что m(0)-0, а

при т.к.

Интенсивность старения информации в общем случае будет зависеть от самых различных факторов. Поэтому функция h(t) можно записать в следующем общем виде

h(T)=h(T,m(T),xi)

где xi – множество экзогенных факторов, определяющих конкретный процесс старения информации.

Здесь предполагается, что значения этих факторов явно не зависят от m(T), T.

Дальнейший анализ динамики процесса старения информации состоит в спецификации вида функции h, который необходимо проводить исходя из эмпирических соображений.

Для выявления тенденций использования информации в исследованиях получило распространение аналитическое выравнивание эмпирических рядов распределения с помощью различных функций, которые описывают полиномы и комуляты распределения квантов информации, получаемые при наблюдении. Традиционными моделями, описывающими старение науч­ной информации, являются кривые Бартона-Кеблера

(2.7)

или их модификации (Аврамеску, Коула)

, (2.8)

, и др. (2.9)

Анализ механизма старения информации по кривым Бартона-Кеблера позволяет умозрительно сделать вывод о том, что эти кривые соответствуют двум потокам научной информации, быстро стареющей и медленно стареющей, затухающей в два раза медленнее (по всей видимости второй поток относится к классическим и фундаментальным результатам). Применительно к исследуемой области это обстоятельство позволяет сделать вывод, что эти модели могут быть использованы в основном при применении системного анализа результатов фундамен­тальных исследований (см. табл. 3, приложение С).

Длительность существования полезной информации при прогнозировании в микроэкономике является величиной случайной и зависит от ряда факторов и может быть описана кривыми Гомперца или распределениями Гомперца-Макегама, в основе которых лежит идеализированная модель (экспоненциальное распределение)

, (2.10)

где - величина, обратная средней длительности жизненного цикла полезной информации.

Соотношению (2.10) соответствует пуассоновский поток событий, однако предположение о постоянстве параметра неприемлемо для широкого класса задач прогноза микроэкономических показателей, что обусловливает необходимость постулирования некоторых дополнительных предположений о вариации этого параметра. Модификация экспоненциальной зависимости (2.10) может осуществляться в двух направлениях, в одном из них можно принять параметр случайной величиной, в другом использовать предположение о том, что параметр имеет детерминированную тенденцию изменения во времени. На последнем постулате построены модели Гомперца и Гомперца-Макегама.

Характеристики

Список файлов реферата