§2. Повышение качества научных прогнозов с помощью
минимаксной идентификации.
Продуктивна, на наш взгляд, методология повышения достоверности
прогнозирования в области экономики, экологии, социологии и т.п.,
предложенная Анисимовым С.А. 1 - это минимаксная идентификация.
Логика обоснования использования этого подхода сводится к следующему.
Человечество в результате военных, политических, социальных,
экономических, экологических и других экспериментов X X века оказалось
перед лицом глобальных проблем. И разрешение их традиционными
способами (методом проб и ошибок) чревато губительными последствиями.
Путь решения найден: необходимы предварительные исследования всех
крупных проектов с целью оценки их возможных последствий. Однако
возникла проблема качества прогнозов, которая может свести на нет
1 См.: Анисимов С.А. Минимаксная идентификация и экспертные системы - тезисы докладов XI
Всесоюзного совещания "Проблемы управления". -Ташкент, 1989.
164
практическую значимость прогнозирования, если ею серьезно не заняться.
Поскольку прогнозирование всегда связано с наличием элементов
неопределенности в условиях задачи, то качество ее решения тесно связано с
понятиями точности, достоверности прогноза. В отличие от физических
процессов, при прогнозировании в экономике, экологии, социологии всегда
велика неопределенность, причем настолько, что требуются специальные
исследования. И часто стандартные методы не устраивают, не удовлетворяют
исследователя и ему приходится использовать, разрабатывать свои приемы и
способы, применительно к объекту прогноза и соответственно задачам
исследования(что собственно и пришлось сделать автору в случае с методом,
уже приведенном в качестве примера). Безусловно, в такой ситуации
качество прогнозирования становится ключевым моментом.
Анисимов С.А. предлагает методологию минимаксной
идентификации, которая включает не только специальные методы
прогнозирования в условиях неопределенности, но и некоторые общие
принципы, следование которым может уберечь исследователя от грубых
ошибок при решении задач (разработки прогноза).
Автор этой методологии уже на этапе предпрогнозной ориентации
структурирует исходную информацию и разделяет ее на два класса:
2 - класс знаний и
М - класс моделей,
причем в Ъ входят:
• исходные данные - Э
• экспертная информация - Е
• гипотезы о связях между параметрами изучаемых явлений-О.
Кроме того, какими бы полными не были знания исследователя о
прогнозируемом процессе, в описание класса 2 всегда включается фактор
неопределенности V, таким образом, 2 = 0 + Е + 0 + 1 1 .