Технология

Технология «ЗОНТ» – совокупность выполняемых в определенной последовательности операций, которые обеспечивают создание такого специфического продукта интеллектуального труда, как прогноз колебаний природных, а в ряде случаев и социально-экономических условий жизнедеятельности.

Технология базируется на представлении о реально квазицикличном характере колебаний многих процессов природно-экономического свойства, о наличии определенных зависимостей динамики таких колебаний во времени и в пространстве, о принципиальной возможности познания этих зависимостей при использовании современного потенциала естественных, экономических и социальных наук, новых способов математической обработки информации, ее анализа и оценки достоверности результатов исследований.

Высокая оправдываемость прогнозов по технологии “Зонт” обеспечивается рядом условий.

1. Уникальная база данных.

2. Особые приемы подготовки исходной информации.

3. Опора на знание ряда статистических закономерностей в межгодовых колебаниях урожаев.

4. Многоаспектность оценок вероятных колебаний.

5. Осуществление прогностических работ в несколько этапов.

6. Опора на знание надежности полученных прогностических выводов.

База данных

База данных ныне насчитывает свыше 100 тысяч единиц информации (урожайностей сельскохозяйственных культур по разным странам и регионам, областям и административным районам России – в разрезе различных культур) за длительный период.

Трудности в ее создании связаны с рядом исторических причин. Так в России, вплоть до революции 1917 года, разные меры веса (четверти) имели хождение в различных губерниях и разнились между собой по культурам. Способы оценки урожайности также неоднократно менялись (урожаи в “самах”, пробные умолоты; бункерный вес; вес после доработки; в пересчете на стандартные показатели качества; чистый сбор; фактический сбор на обсемененную площадь и на фактически убранную площадь).

Приходится учитывать подвижки в административных и государственных границах и, наконец, тенденции в различные периоды истории к занижению или завышению фактического урожая. Эти трудности в соответствии с технологией «Зонт» снимаются как с помощью исторического анализа, так и применением таких математических методов как: статистические оценки ряда на устойчивость, особые приемы подготовки исходной информации.

Приемы подготовки исходной информации

Ряды динамики представляются в форме цепных индексов, характеризующих межгодовые колебания урожайности, а также в форме мажорантных отношений динамики урожаев, которые позволяют абстрагироваться от влияния технологического прогресса, организационно-экономических факторов и обнажать колебания природно-биологических условий производства, с последующим выделением реально существующей системы закономерностей в межгодовых колебаниях урожаев.

Следует также отметить, что вся совокупность наблюдений разбивается на две или даже три подвыборки: обучающую, проверочную и экзаменационную, что позволяет уверенно находить закономерности в поведении динамических рядов урожайностей и оценивать надежность и точность оценивания при использовании этих закономерностей для прогнозирования.

Используемые закономерности

а) В рядах урожайностей сельскохозяйственных культур методами современного математического анализа обнаружены фундаментальные внутренние статистические закономерности поведения, так называемая “долговременная память”, свидетельствующая о неслучайности сложившегося в каждом регионе чередования спадов и подъемов урожая.

б) Важная закономерность поведения рядов урожайностей сельскохозяйственных культур – они не подчинены нормальному закону распределения вероятностей. Большая часть рядов урожаев может быть описана с помощью полуустойчивых законов распределения, в частности, законом Леви-Ципфа, возникающим при исследовании сложных систем с обратной связью. Следствием обнаружения указанной закономерности является проблематичность использования для построения качественных регрессионных моделей прогноза традиционного метода наименьших квадратов. В связи с этим построены устойчивые к наличию ошибок в наблюдениях модели прогноза, основанные на альтернативных методах, типа минимизации суммы модулей, и других;

в) Колебания урожаев, особенно на макрорегиональном уровне, подвержены влиянию импульсивно-циклических процессов. Так, например, в России прослеживаются 6 — летний и 10- летний циклические импульсы спадов урожайности зерновых культур; в Аргентине – импульсивная семилетняя цикличность урожаев пшеницы, и т. д.

г) Существуют количественные зависимости между мажорантными отношениями урожаев в зонах-индикаторах в текущем году и колебаниями урожаев в следующем году в различных регионах. Эти зависимости можно определить в качестве ЗАКОНА межгодовой колеблемости урожаев. Данный закон демонстрирует себя тем, что межгодовые колебания урожаев на больших территориях с годичным запаздыванием определяются межгодовыми микроколебаниями в системе солнечно-земных связей, которые трансформируются в межрегиональные колебания мажорантных отношений урожаев – в рамках «малых циклов», в свое время описанных К.Марксом.

Это подтверждается повсеместно, о чем свидетельствует выполненное на основе технологии «ЗОНТ» распознавание колебаний урожаев зерновых культур («плюс» – рост урожайности, «минус» – спад к предыдущему году) как в целом по странам мира, по крупным территориям (РФ, Западная Европа, Канада, США), так и по отдельным регионам (области РФ, штаты США и Канады) за более чем полувековой период (см. приложение 5).

Благодаря этому появляется возможность количественно конкретного составления ретропрогноза с помощью более эффективных моделей, описывающих динамику всего ряда урожаев в форме численного анализа кусочно-линейных функций.

Этапы прогностических работ

Первый этап – качественная оценка изменения урожайности (прогнозируется тенденция — спад, подъем, отклонение от медианной точки равновесия в ту или иную сторону, и т. д.).

Второй этап – разработка количественного прогноза, причем, сначала в виде интервальной, а затем точечной оценки. Далее используется такая последовательность исполнения расчетов, которая позволяет разворачивать прогностические исследования – от более общих к более частным.

В региональном аспекте прогноз начинается с крупных регионов и лишь затем опускается на уровень областей и более мелких территориальных образований. При этом учитывается степень синхронности поведения урожаев в отдельных соседних регионах, а также баланс между прогнозом урожая в крупном регионе и прогнозами урожая в составляющих его более мелких регионах.

В отраслевом аспекте прогноз начинается с зерновых культур в целом, а уже далее выделяются озимые и яровые культуры, отдельные виды зерновых, технических культур и т.д. При этом учитывается баланс прогноза урожая по зерновым культурам в целом – с озимыми и яровыми составляющими прогноза.

Третий этап – окончательный прогноз на базе многоаспектных приемов проверки надежности результатов прогноза.

Предполагается, что по мере освоения метеопрогнозов большой заблаговременности их итоговые показатели тоже будут включаться в модели прогноза колебаний урожая.

Обоснование надежности полученных выводов

В технологии “Зонт” развит новый теоретический подход к получению надежных оценок качества разрабатываемых прогнозов с использованием трех методов прогнозирования: обнаружение периодических импульсов в колебаниях урожаев; прогноз колебаний урожаев на основе синхронности поведения динамических рядов по регионам и культурам; прогноз урожая на основе разделения на классы (дискриминантный, кластерный анализ).

Подход основан, во-первых, на оценке вероятности случайного появления предполагаемой закономерности поведения; во-вторых на принципе хаотизации временного ряда. Изучается возможность возникновения предполагаемой закономерности на псевдовыборке, то есть на выборке в частотном отношении идентичной исходной, но при разрушенной искомой зависимости.

Полученные результаты позволяют оценивать качество прогностических выводов с заданным уровнем надежности. При этом учитываются конкретные параметры выборки, степень сложности используемых для прогноза закономерностей. Для получения эффективных оценок качества прогноза с заданной надежностью на выборках малого и среднего объема удалось реализовать байесовский подход, который учитывает длину выборки, эмпирическое качество прогноза, сложность выбранного способа разделения на классы.

Во всех случаях табулированы таблицы, позволяющие исследователю принимать решения о надежности прогнозов (табл.1).