Kodėl prognozės nustatomos tiksliai – kyla pavojus, kad bus nepaisoma atsiliepimų

Claudio Antonini ir Kamil Mizgier

Diskusijose apie prognozavimą gali būti naudinga prisiminti jos pagrindinį laivą: valdymo teorijos lauką. Šioje srityje tikslas yra valdyti sistemą, kartais vadinamą „įrenginiu“, kuri, pavyzdžiui, gali būti roboto ranka, povandeninio laivo gylio sistema arba tarpplanetinio zondo teleskopo kamera. Norint valdyti šias sistemas, reikia įgyvendinti veiksmus ir konceptualiai juos galima sugrupuoti į du vienu metu veikiančius procesus: vienas procesas komanduoja gamyklą, o kitas įvertina kintamuosius, kuriais grindžiama kontrolė. Panagrinėkime lėktuvą: jei tikslas yra išlaikyti kursą esant tam tikram greičiui ir aukščiui, valdymo dalis būtų vykdoma kartu su turbinos ir kelių valdymo paviršių (eleronų, vairo) ir įvertinamų kintamųjų veiksmais. bus oro greitis, požiūris ir aukštis, be kita ko. Ekonominėje sistemoje komandos gali būti mokesčiai, palūkanų normos arba importo apribojimai, o įverčiai gali būti užimtumo lygis, infliacijos lygis arba valiutos keitimas.

Nepriklausomai nuo to, kokie konkretūs kintamieji yra valdomi ar įvertinami, pagrindinė ir esminė savybė, leidžianti sistemai vykdyti komandas, kurias reikia valdyti, yra atsiliepimai. Šis darbo būdas, kai įgyvendinamas grįžtamasis ryšys, vadinamas „uždaruoju ciklu“. Ir atvirkščiai, be grįžtamojo ryšio sistema būtų pažymėta „atviros kilpos“. Apibendrinant, jokio grįžtamojo ryšio, jokios kontrolės.

Palyginti su atvirojo ciklo sistemomis, grįžtamasis ryšys padeda (a) sumažinti modeliavimo klaidos ir išorinių trikdžių poveikį, (b) pakeisti (jei reikia) visos sistemos stabilumą ir (c) pagerinti tikslumą, tai yra „atstumą“. iki pageidaujamos nustatytos vertės. Lėktuvo atveju, jei grįžtamasis ryšys dėl kokių nors priežasčių nutrūktų, lėktuvas negalėtų naudoti įvertintų (taip pat vadinamų, prognozuojamų) kintamųjų ir negalėtų būti valdomas. Iš esmės lėktuvas negalėtų išlaikyti reikiamo greičio ir aukščio. Valdymo inžinieriaus košmaras yra atviro ciklo, nekontroliuojama sistema.

Valdymo padalijimo į du procesus išdėstymas – pati kontrolė ir įvertinimas (priklausomai nuo autoriaus ir disciplinų, taip pat žinomų kaip „filtravimas“ arba „prognozavimas“) – gerai iliustruotas svarbioje knygoje „Laiko eilučių analizė: prognozavimas ir kontrolė“. George’as Boxas ir Gwilym Jenkinsas¹. Knygos svarbą liudija tai, kad nuo pirmojo, 1970 m., ji buvo išleista penkis leidimus. Šiame darbe Boxas ir Jenkinsas svarsto laiko ir dažnio srities metodus, skirtus analizuoti sistemas, aprašytas jų laiko eilutėmis, pabrėždami laiką ir vėlgi, kad svarbiausia valdymo sistemos savybė yra jos stabilumas. Tačiau šiais laikais Boxas ir Jenkinsas retai cituojamas prognozavimo literatūroje. Prognozuotojai orientuojasi į kitus sistemos veikimo parametrus ir gali nežinoti apie galimybę ją valdyti, kad būtų pasiektas dar geresnis našumas.

Labiausiai tikėtina, kad praktikai nepaiso atsiliepimų dėl riboto dėmesio ir nekreipia dėmesio į temas, kurias Box & Jenkins aptarė įvairiuose savo knygos leidimuose. Šiandien prognozuotojai taiko metodus beveik išimtinai laiko srityje (išskyrus kai kuriuos darbus su FFT); neatsižvelgiama į perdavimo funkcijas; apie polius ar nulius negirdėjote; ir neturi būdų, kaip išmatuoti sistemos stabilumą. Iš esmės prognozavimas veikia atvirojo ciklo architektūroje, todėl praktikuojantys specialistai taip susirūpinę „tikslumu“, o tai uždarojo ciklo sistemoje yra antraeilis dalykas, palyginti su pagrindine svarba šioje srityje: stabilumas.

Buvo paskelbta keletas tyrimų, kuriais siekiama modeliuoti uždarojo ciklo sistemas, ypač tokiose srityse kaip ekonomika² ir tiekimo grandinės valdymas³. Šią koncepciją iliustruojame vykdydami nedidelę programą, skirtą hipotetiniam paklausos planavimo pratimui imituoti pasiūlą ir paklausą. Šiame modelyje mes modeliuojame produkciją (arba pagamintą kiekį) pagal poreikį ir stebime, kaip grįžtamojo ryšio kilpos uždarymas paveikia mūsų prognozių tikslumą. Pirmajame modelio paleidime modeliavimas daro prielaidą, kad paklausa auga tiesiškai. Antruoju bandymu patobuliname modelį įvesdami atsitiktinumą paklausai. Modelis be grįžtamojo ryšio tiesiog naudoja ankstesnių dviejų pavyzdžių paklausą, kad nuspėtų, kaip ji augs kitame pavyzdyje. Formulė yra tokia

kuris yra labai paprastas linijinis paklausos prognozavimo modelis.

Palyginimui, grįžtamojo ryšio modelis koreguoja prognozes taikydamas pataisos koeficientą, pagrįstą tuo, kiek faktinė produkcija (output_with_feedback) nukrypo nuo paklausos ankstesniame pavyzdyje (paklausa (t-1)), veiksmingai uždarant kilpą. Formulėje

Modeliavimo su grįžtamuoju ryšiu ir be jo rezultatai parodyti žemiau 1 paveiksluose (paklausa auga tiesiškai) ir 2 paveiksle (atsitiktinė paklausa).

1 pav. Gamybos produkcija su grįžtamuoju ryšiu ir be jo (tiesinė paklausa).

2 pav. Gamybos produkcija su grįžtamuoju ryšiu ir be jo (atsitiktinė paklausa).

Abiem atvejais matome solidų tikslumo pagerėjimą (priartėja prie paklausos) net tada, kai tai nebuvo dizaino tikslas.

Didelis tikslumo pagerėjimas priskiriamas naudojant naują struktūra siekiant sumažinti klaidą. Tai yra didžiulis skirtumas nuo straipsnių, kuriuose analizuojami alternatyvūs metodai tikslumui pagerinti metodus prognozavimui naudojami, bet visada išlaikomi tas pats atviros kilpos struktūra. Šiuo atveju mes uždarome kilpą, gerokai nukrypdami nuo minimalių algoritmų pakeitimų, kurie išlaiko tą pačią atvirojo ciklo struktūrą.

Bet… kodėl prognozuotojai nepaiso atsiliepimų?

Greičiausiai prognozavimo praktikai susiduria su sistemomis, kuriose jie negali modeliuoti grįžtamojo ryšio proceso, taigi „ko negalima modeliuoti, to negali kontroliuoti“. Tai galimos priežastys:

• socialines sistemas sunkiau modeliuoti nei fizines sistemas, kurios laikosi gerai žinomų dėsnių
• įvykiai socialinėse sistemose yra vieno atvejo eksperimentai – retai jie gali pasikartoti
• net jei jie būtų sėkmingai sumodeliuoti, žmonės bandytų išnaudoti spragas ir reaguotų taip, kaip nebuvo atsižvelgta modeliavimo etape (Luko principas ekonomikoje)
• manyti, kad paklausos prognozavimas (nors ir pats savaime naudingas) yra pakaitalas (pagal našumą) grįžtamojo ryšio proceso modeliui

Be socialinių sistemų, su kuriomis turi susidoroti prognozuotojai, neryškumo, socialinėje aplinkoje laiko skalės yra daug lėtesnės nei fizinėse sistemose. Lėktuvo autopiloto atveju signalai, naudojami įvertinti elero ar vairo padėtis ir turbinos parametrus, paprastai imami kas kelias milisekundes. Taigi žmonės gali nesugebėti valdyti lėktuvo realiu laiku (ypač dėl natūraliai nestabilių lėktuvų sklandytuvų), todėl valdymas turi būti automatizuotas. Kita vertus, prognozuoti pardavimus prekybos centre gali tekti naudojant mėnesio duomenis arba makroekonomines sistemas su ketvirčio duomenimis. Šie duomenys tokiais atvejais yra prieinami taip retai, kad žmonėms gali kilti mintis, kad jie turi pakankamai laiko priimti sprendimus ir paveikti savo sistemos rezultatus (pardavimą, produkciją pagal BVP, nedarbą ir kt.) norima kryptimi. Tuo tikslu jie iš tikrųjų imasi veiksmų, bet be griežto valdymo inžinieriaus, kuris deda daug pastangų modeliuodamas valdomą sistemą ir imituodamas įvairius metodus norimiems rezultatams pasiekti.

Arba dėl pasirinkimo (remiantis modeliavimo paklausa ir ignoruojant grįžtamojo ryšio sprendimo proceso modeliavimą), būtinybės (socialines sistemas sunku modeliuoti arba duomenis galima gauti per retai) arba modeliavimo metodų neišmanymo (remtis grubiomis ir paprastomis regresijomis, o ne dinamiškesnėmis). metodus) ir susidūrę su sistemomis, kurios veikia pagal savo atvirojo ciklo dinamiką, prognozuotojai neturi kitos galimybės, kaip tik išmatuoti, kaip toli jie yra nuo numatyto tikslo. Tai yra, jie neturi kitos galimybės, kaip tik toliau tobulinti ir naudoti „tikslumo“ rodiklius, panašiai kaip žmogus, einantis gatvės viduriu, nusprendžia, kad gerai, jei jis atsitrenkia į bortelį per 3 minutes eidamas aklas, o ne 1 minutę. .

Lyginant grįžtamojo ryšio ir be grįžtamojo ryšio numatymo modelius, tampa akivaizdu, kad žmogaus valdomos sistemos dažnai nepasiekia optimalaus veikimo, palyginti su lėktuvais ir kitomis inžinerinėmis sistemomis. Sistemos, perpildytos didžiuliu informacijos ir rodiklių kiekiu, gali paaštrinti problemas, o ne jas išspręsti. Toks valdymas labai priklauso nuo triukšmingų, neišsamių ar klaidinančių duomenų, todėl gali būti priimti sprendimai, mažinantys našumą.

Svarbiausias dalykas yra tai, kad atsparumas turėtų būti dizaino susirūpinimas tuo atveju, kai pablogėja veikimas. Sistemos, kurios teikia pirmenybę prisitaikomumui ir tvirtumui, kartu pripažįstant numatymo ribas, yra geriau pasirengusios susidoroti su neapibrėžtumu ir sumažinti riziką. Pavyzdžiui, potvynių prognozavimo sistemos Europoje 2024 m. kelis kartus sugedo, o tai rodo, kad per daug pasikliaujama netiksliomis orų prognozėmis, nesukuriant pakankamai sistemos atsparumo, kyla pavojus. Nereikia nė sakyti, kad tais atvejais, kai būtų galima įgyvendinti grįžtamojo ryšio modeliavimą, jo ignoravimas būtų rizikingas, jei ne aplaidus, darbas.

Apie Autorius

Dr. Klaudijus Antoninas, MIT branduolinės saugos inžinierius, dirbęs kurdamas GNC sistemas raketoms ir bepiločiams orlaiviams, tą skaitmeninę patirtį pritaikė finansų srityje pastaruosius 25 metus. Dirbdamas UBS, sukūrė didžiausią pasaulyje genetinio algoritmo įgyvendinimą bankininkystėje ir toliau taikė duomenų gavybos, mašininio mokymosi ir dirbtinio intelekto algoritmus rizikos valdymui konsultacinėse įmonėse (Deloitte, AlixPartners) ir Bank of New York Mellon. Jis nuosekliai skelbia publikacijas prognozavimo temomis.

dr. Kamilas Mizgieris atneša savo didelę praktinę patirtį ir gilias žinias, kad galėtų ištirti strateginės rizikos valdymo iššūkius. Išnaudodamas savo 15 metų patirtį, įgytą atliekant pagrindinius vaidmenis, įskaitant pasaulinių santykių su tiekėjais ir rizikos valdymo lyderį Dow ir rizikos modeliavimo vadovaujančias pareigas BNY Mellon ir UBS, jis gilinasi į naujausias rizikos valdymo tendencijas, įrankius ir metodus, siūlydamas neįkainojamų perspektyvų. kad sujungia akademinį griežtumą ir praktinį pritaikymą.

Nuorodos

1. Box, G. ir kt. 2015. „Laiko eilučių analizė: prognozavimas ir kontrolė“. 5-asis leidimas, John Wiley and Sons Inc., Hoboken, Naujasis Džersis.

2. Carranza, RG 2016. „Uždarojo ciklo ekonomika“. International Journal of Design & Nature and Ecodynamics, 11(4), p. 600-609.

3. MahmoumGonbadi, A. ir kt. 2021 m. „Uždarojo ciklo tiekimo grandinės dizainas, skirtas perėjimui prie žiedinės ekonomikos: sisteminga metodų, taikomųjų programų ir esamų spragų literatūros apžvalga“. Švaresnės gamybos žurnalas 323: 129101.