∘ იოსებ მასურაშვილი ∘ გიგა კიკორია ∘ ვლადიმერ ზექალაშვილი ∘
ტექნოლოგიური ბიზნესი სგანვითარების პროგნოზირების მეთოდები

შესავალი

მეცნიერებისა და ტექნოლოგიების სამყაროში ობიექტური კანონების არსებობა გვაძლევს იმის შესაძლებლობას, რომ შევადგინოთ საკმაოდ ზუსტი პროგნოზები მათი მომავალი განვითარების შესახებ. სტატისტიკური და ფაქტობრივი პროგნოზირების მეთოდები იყენებს სხვადასხვა სტატისტიკურ მოდელებს, რომლებიც ეყრდნობა საპროგნოზო ობიექტების რაოდენობრივი მახასიათებლების ანალიზს, რაც პროგნოზების შემუშავების პროცესში წარმოადგენს საინფორმაციო ბაზას. ეს ფაქტობრივი ინფორმაცია ობიექტის შესახებ თავის მხრივ წარმოადგენს რიცხვითი მონაცემების კომპლექსს, რომელიც ახასიათებს ობიექტის მდგომარეობის პროგნოზირებას დროის სხვადასხვა მომენტში. სტატისტიკური მონაცემების რეგისტრაციის, აღწერისა და ანალიზის მეთოდების შემუშავება, რომლებიც მიიღება შემთხვევითი მოვლენების მასობრივი დაკვირვებების შედეგად, წარმოადგენს მათემატიკურ სტატისტიკას. პროგნოზირების სტატისტიკური მეთოდები იყენებს მათემატიკური სტატისტიკის აპარატს, ალბათობის თეორიასა და დიდ რიცხვთა კანონს, რომელიც შემდეგნაირად ჟღერს: “თუ ნიმუში საკმარისად დიდია და არჩეულია შემთხვევით, მასში ნარჩუნდება მთელი გენერალური ერთობლიობის კანონზომიერება“. 

1.  საკვლევი ობიექტის განვითარების ტენდენციების ექსტრაპოლაციის მეთოდები

სტატისტიკური მიდგომები პროგნოზირების მიმართ შეიძლება დაიყოს ორ ქვეკლასად. პირველი – ესაა დროითი მწკრივების ან დინამიკის პროგნოზირება, რომელიც საშუალებას გვაძლევს დავადგონოთ საკვლევი ობიექტის ცვლილება მხოლოდ დროში (ერთფაქტორიანი მეთოდები). მეორე ქვეკლასი მოიცავს მრავალფაქტორული ანალიზის მეთოდებს, რომელთა მეშვეობითაც საკვლევი ობიექტის ცვლილება დგინდება როგორც დროში, ასევე სხვა ფაქტორებთან მიმართებაში, რომლებიც გავლენას ახდენს მასზე.

დროითი მწკრივების პროგნოზირების მეთოდები მოიცავს შემდეგ ჯგუფებს:

•    ტენდენციების ექსტრაპოლაციის მეთოდებს, რომლებიც თავის მხრივ მოიცავს უმცირეს კვადრატთა მეთოდს, ექსპონენციალურ მოსწორებას, მცოცავ საშუალოს, შ-მრუდებს და ა.შ.

•    პუბლიკაციების ანალიზის მეთოდებს: დაპატენტებისა და სამეცნიერო-ტექნიკური ნაშრომების დინამიკის ანალიზს.

საკვლევი ობიექტის განვითარების ტენდენციების ექსტრაპოლაციის მეთოდები ეფუძნება საკვლევი ობიექტის შესახებ წარსულში განვითარებულ კანონზომიერებებსა და ტენდენციებს, რომლებიც ვრცელდება მომავალზეც - ის ობიექტს შეისწავლის რეტროსპექტული გადმოსახედიდან. ექსტრაპოლაციის მეთოდები ეფუძნება ინერციულობას, რომელიც ამა თუ იმ დოზით ახასიათებს ყველა პროცესსა თუ მოვლენას, განსაკუთრებით კი მეცნიერების დიდ ობიექტებს, ტექნიკასა და ტექნოლოგიებს[1]. მაშასადამე, რაც უფრო მასშტაბურია ობიექტი, მით მეტად განიცდის ის ინერციულობას და შესაბამისად, უფრო მეტია მომავალში მის განვითარებაზე მოქმედი ფაქტორების ექსტრაპოლაციის შესაძლებლობა.

ტექნოლოგიური პროგრესი (დროის განსაზღვრულ პერიოდში) ექცევა მრავალი (მუდმივი და შემთხვევითი) ფაქტორების გავლენის ქვეშ. ეს ორი ჯგუფი გავლენას ახდენს დინამიური მწკრივების ცვალებადობის დონეებზე. მაგალითისთვის მოცემულია დროითი მწკრივი (ცხრ. 1) იმ კომპანიებისთვის, რომლებიც ბოლო ათწლეულში ახორციელებენ ტექნოლოგიურ ინოვაციებს.

სქემის სახით წარმოვადგინოთ დროითი მწკრივი, რომელიც იცვლება დროში. როგორც ცხრილი 1-დან ჩანს, დროთა განმავლობაში N-ის მნიშნელობა იზრდება, თუმცა სხვადასხვა პერიოდში შემდეგი მნიშვნელობები ნაკლებია წინაზე. 

                                                                                                                         ცხრილი 1 

საწარმოების რაოდენობა, რომლებმაც დანერგეს ტექნოლოგიური ინოვაციები

 

შეიძლება ითქვას, რომ მოცემულ დროით მწკრივში შეინიშნება იმ საწარმოთა რაოდენობის ზრდის ტენდენცია, რომლებიც იყენებენ ტექნოლოგიურ სიახლეებს, ხოლო ეპიზოდური რეცესია ატარებს შემთხვევით ხასიათს[2]. ეს დაკავშირებულია რიგ ობიექტურ მიზეზებთან, მათ შორის, დაკვირვებათა შეზღუდულ რაოდენობასთან. შემთხვევითობის ელემენტები მნიშვნელობას კარგავს დაკვირვებათა ძალიან დიდი რაოდენობის შემთხვევაში და შემთხვევითი მოვლენები იძენს გარკვეულ კანონზომიერებას. პრაქტიკაში ჩვენ საქმე გვაქვს დაკვირვებათა შეზღუდულ რიცხვთან, ამიტომ დროითი მწკრივისთვის ემპირიული თუ ექსპერიმენტული მრუდები იძენს თეორიული მრუდის სახეს, რომლებიც უკეთესად აღწერენ დამოკიდებულებას A=D/T, სადაც A არის რაოდენობა, D – ინოვაციური საქმიანობის დინამიკა, ხოლო T კი – დრო.

 

სქემა 1. ინოვაციური საქმიანობის დინამიკა (რეალური) 

ადეკვატური თეორიული მრუდის შესარჩევად გამოიყენება მოსწორების პროცედურა – დინამიური მწკრივის გამოთანაბრება, ანუ თეორიულად თანმიმდევრული მრუდის შერჩევა, რომელიც წარმოადგენს საპროგნოზო მოდელს. ექსპერიმენტული მრუდების გამოთანაბრების ყველაზე გავრცელებულ მეთოდებს წარმოადგენს უმცირეს კვადრატთა მეთოდი, მცოცავი საშუალოს მეთოდი, ექსპონენციალური განაწილების მეთოდი და ჯამური მრუდების აგების მეთოდი. მათ შორის ყველაზე უბრალოა ჯამური მრუდების აგების მეთოდი, მაგრამ მისი გამოყენება შესაძლებელია მხოლოდ საპროგნოზო ფაქტორების (პარამეტრების, მაჩვენებლების) შეზღუდული ჩამონათვალისთვის. არსებული პროგრამული საშუალებები იძლევა გლუვი მრუდების მიღების შესაძლებლობას.

რეალური გლუვი მრუდის შეცვლის შემდეგ (სქემა 1) მიიღება წრფივთან მიახლოებული მრუდი (სქემა 2), რომელსაც გააჩნია შემდეგი მათემატიკური მოდელი:     N = a + bt (1),

სადაც  N საკვლევი ობიექტია; a და b – მუდმივი კოეფიციენტები; t – დრო. (1) განტოლებაში დროის შესაბამისი (t, t+1, t+2, ... , t+n … , ტ+ნ) მნიშვნელობების ჩასმით გამოითვლება საკვლევი ობიექტის ზუსტი მნიშვნელობა. ხშირად დროითი მწკრივების აპროქსიმაციისთვის იყენებენ წრფივ, ექსპონენციალურ და ლოგიკურ ფუნქციებს.

  

სქემა 2. ინოვაციური საქმიანობის დინამიკა (მცოცავი საშუალოს მეთოდით)

ცნობილი მკვლევარი ბ. ტვისი[3]  მოდელებს ყოფს 4 ჯგუფად:

•    S მრუდები;

•    ციკლური მრუდები;

•    სტაბილურად ზრდადი ან კლებადი მრუდები;

•    არამუდმივი მრუდები.

ყველა საკვლევი ობიექტის აღწერა შეიძლება ამ მოდელებიდან ერთ-ერთი ან რამდენიმე მათგანის გამოყენებით.

სამეცნიერო-ტექნიკური პროგრესი და ბაზრის ზრდა შესაძლოა წარმოდგენილი იყოს S-მრუდის სახით (სქემა 3/ა). ამ მოდელს გააჩნია ასიმტოტა, ანუ შემზღუდველი დონე, რომელიც უპირველეს ყოვლისა განისაზღვრება რიგი სუბიექტური ფაქტორებით, ხოლო შემდგომ – ბაზრის გაჯერებით. მრუდის ფორმისა და მისი ასიმპტოტების ცოდნა იძლევა არსებული ინფორმაციის გრაფიკზე ზუსტი ასახვისა და მის საფუძველზე პროგნოზირების შესაძლებლობას.

ციკლური მრუდები (სქემა 3/ბ) – ეს არის მოდელები, რომლებიც მეორდებიან გარკევული პერიოდულობით. ისინი გამოიყენება ეკონომიკური მონაცემების ბევრი სახეობისთვის. ამის ნათელ მაგალითს წარმოადგენს ბიზნესის განვითარების ხუთწლიანი ციკლი. თუმცა ხანდახან რთულია ციკლისა და ფუნქციების ექსტრემუმების ცვლილების ზუსტი განსაზღვრა. ხშირად ყურადღება ექცევა იმ ფაქტს, რომ ყოველი მოკლევადიანი ტენდენცია შეიცავს მნიშვნელოვან ციკლურ შემადგენელ ნაწილებს, გარდა ამისა, მრეწველობის სხვადასხვა სფეროში შეინიშნება მოთხოვნის სეზონური ცვლილება. ამავე მოდელის გამოყენება შეიძლება დემოგრაფიულ მონაცემებთან მიმართებაში, ისეთების, როგორიცაა ქვეყანაში შობადობის მაჩვენებლის კლება და ზრდა.

სქემა 3. ზრდის მოდელები 

არანაკლებ გავრცელებულია მუდმივი ზრდის გრაფიკი (სქემა 3/გ), რომელიც გამოიყენება სხვადასხვა ბაზრისთვის და ასახავს მთლიანი შიდა პროდუქტის ზრდას. დარწმუნებით შეიძლება ითქვას, რომ გრძელვადიანი ექსპონენციალური ზრდის ტენდენცია არ განეკუთვნება არც ერთ მოვლენას. ეს მტკიცება ჭეშმარიტია მაშინაც, როცა ის დასტურდება მხოლოდ მოკლევადიანი ტენდენციებით.

ცვალებად მრუდებს (სქემა 3/დ) ახასიათებს მოულოდნელი, სწრაფი ცვლილება მოკლევადიან პერიოდში. უფრო ხშირად ასეთი მრუდები დამოკიდებულია პოლიტიკურ ან საკანონმდებლო სფეროზე (მაგ.: ეკოლოგიური).

მოკლევადიანი პროგნოზირებისას ახალი პროდუქტის წარმოების მოცულობის დაგეგმვის მიზნით შეიძლება დაგვჭირდეს შემდეგი შემადგენელი ნაწილების გამოყენება:

•  ძველი პროდუქტის ახლით შეცვლის ტემპი (S-მრუდი);

•  მთელი ბაზრის გრძელვადიანი ზრდა (მუდმივი ზრდის მრუდი);

•  ეკონომიკური მდგომარეობა (სამეურნეო საქმიანობის ციკლი);

•  სეზონური მოთხოვნა (12 თვიანი ციკლი).

ამ მხრივ, დროითი მწკრივის პროგნოზირების ამოცანას წარმოადგენს იმ კანონზომიერების ძებნა, რომელიც ხასიათდება ემპირიული მონაცემებით. ამ მეთოდის პრაქტიკული გამოყენება დაკავშირებულია ტექნოლოგიების ეფექტურობის, მოცემული პროდუქტის გაყიდვების დონისა და კონკრეტული ტექნოლოგიის ან პროდუქტის შემუშავების ვადების პარამეტრების პროგნოზირებასთან. მრავალი კომპანია თავის პრაქტიკულ საქმიანობაში აგროვებს ინფორმაციას მნიშვნელოვანი ცვლადების ცვლილების ისტორიული ტენდენციის შესახებ, შემდგომ მას იყენებს სტრატეგიული გადაწყვეტილების მისაღებად.

ტენდენციის ექსტრაპოლაციის მეთოდით პროგნოზის შემუშავების პროცესის ძირითადი პროცედურების მიმდევრობა შემდეგია:

•  პროგნოზირების ობიექტის, მისი შემადგენელი ნაწილებისა და ობიექტის არსებითი ტექნიკური მაჩვენებლების შერჩევა; პროგნოზირების მიზნების განსაზღვრა; ტექნიკური და ტექნოლოგიური განვითარების მეტად პერსპექტიული მიმართულებების განსაზღვრა; საკუთარი ადგილის განსაზღვრა მსოფლიო ტექნოლოგიურ განვითარებაში, ქვეყნის, სამეურნეო სფეროს განვითარებაში, წამყვან ფირმებში სამეცნიერო-ტექნიკური პროგრესის პოტენციალის ტენდენციის განსაზღვრა, კონკურენტთა პერსპექტივები და ა. შ.;

•  პროგნოზირების მიზნების შესაბამისად, საკვლევ ობიექტზე საწყისი ინფორმაციის შეგროვება (სამეცნიერო-ტექნიკური, პატენტური და სხვ.);

•  დროითი მწკრივის ფორმირება და მისი წინასწარი ანალიზი (საპროგნოზო ობიექტის ცვლილების ხასიათის დროში [წარსულიდან აწმყომდე] განსაზღვრა);

•  დეტერმინირებული საფუძვლის განსაზღვრა (ტრენდი, მოდელი) მწკრივის მათემატიკური დამუშავების გზით;

•  პროგნოზირების პერიოდისთვის მიღებული მოდელის ექსტრაპოლაცია და ზუსტი პროგნოზული მნიშვნელობის გამოთვლა (y);

•  ნდობის ინტერვალისა და საპროგნოზო სიდიდის ინტერვალური მნიშვნელობის (Y=Ῠ+L) განსაზღვრა;

•  მიღებული შედეგების ანალიზი;

•  პროგნოზი.

სტატისტიკური მეთოდების გამოყენება გვაძლევს სისტემატური ცვლილებების შემთხვევითისგან გარჩევის შესაძლებლობას. ტენდენციის ანალიზის ასეთმა სახეობამ მიიღო `სერიული შეფასების~ სახელწოდება. მიღებული სისტემატური ცვლილებების გადატანა ხდება მომავალში, სადაც დრო განხილულია, როგორც ყველა ფაქტორის გარკვეული ხელოვნური ზომა, რომელიც გავლენას ახდენს საპროგნოზო ცვლადზე. თანამედროვე სტატისტიკური მეთოდები იძლევა სისტემატური წრფივების ლოგარითმული ან ექსპონენციალური ცვლილებების გამოყოფის შესაძლებლობას არასისტემატური ცვლილებების ფონზე.

 

2.  სამეცნიერო პუბლიკაციის ნაკადების ანალიზის მეთოდები (საპატენტო და არასაპატენტო ინფორმაცია) 

სამეცნიერო პუბლიკაციის ნაკადების ანალიზის მეთოდებს საფუძვლად უდევს დაპატენტებისა და სამეცნიერო პუბლიკაციის დინამიკის კანონზომიერება.

საპატენტო და არასაპატენტო ინფორმაცია ყოველი ტექნიკური მიმართულებით გადის განვითარების გარკვეულ ციკლს (სქემა 4).

სქემა 4-ის მიხედვით, დროის t_a პერიოდში ჩნდება კარდინალური შემოქმედება, რომელიც განსაზღვრავს ახალ მიმართულებას ტექნიკაში. მისი რეალიზებისათვის იქმნება მოწყობილობები და ტექნოლოგია. შემდგომი შემუშავების პროცესში ხდება მოწყობილობების სრულყოფა, ჩნდება საწყისი იდეის განვითარების ახალი გზები . საპატენტო ინფორმაციის ნაკადი იზრდება მზარდი სისწრაფით (t_a-t პერიოდი). i_j მომენტიდან საპატენტო ინფორმაციის ნაკადის ზრდის სისწრაფე კლებულობს. როდესაც ხდება ყოველწლიური პატენტუნარიანი იდეების დასტაბილურება ერთ დონეზე, ეს ნიშნავს, რომ საწყისი იდეის გაუმჯობესების შესაძლო გზები ამოწურულია (f-t₂ პერიოდი). შემდგომ პერიოდში (t₂) საპატენტო ინფორმაციის ნაკადები კლებულობს.

სქემა 4. დაპატენტების დინამიკის ზოგადი კანონზომიერება 

სადაც ტ წლებია; N – დაცული დოკუმენტების რიცხვი (ან ინფორმაციის სხვა წყარო).

დაპატენტების დინამიკის მათემატიკური გამოსახულება შეიძლება იყოს ექსპონენციალური განტოლება: N = ae^bt,

სადაც N ტექნიკური გადაწყვეტილებების დაცვაზე ყოველწლიურად შემოსული დოკუმენტების რიცხვია;

a, b – მუდმივი კოეფიციენტები; t – წლები; e – ნატურალური ლოგარითმის ფუძე.

დაპატენტების დინამიკის ანალიზის დროს[4]  (შემოქმედებათა დროითი მწკრივები) რეალურ დროით მწკრივებთან გამოსათანაბრებლად იყენებენ კუმულაციური აგების (ჯამური მრუდის) მეთოდს. ამ შემთხვევაში სქემა 4-ზე წარმოდგენილი მრუდი გარდაიქმნება ციკლურ მრუდად. ეს იმით აიხსნება, რომ მას არ გააჩნია მესამე პერიოდი. შემოქმედებათა ყოველწლიური მატების შემცირების დროს მათი ჯამი მინც გაიზრდება, მცირდება მხოლოდ ზრდის ტემპი. მოცემულ მიმართულებაში დაპატენტების შეწყვეტისას წინა ჯამს დაემატება ნული, რასაც მრუდი გაჰყავს ზრდის ზედა ზღვარზე ან გაჯერების დონეზე – მეორე პერიოდი.

სქემა 5. დაპატენტების (კუმულატების) დინამიკა ალტერნატიული ტექნოლოგიებით 

რამდენადაც ეს ტენდენცის გამოვლენის უმარტივესი მეთოდია, ის ფართოდ გამოიყენება გრაფიკული ექსტრაპოლაციისთვის, რაც ვიზუალურად განსაზღვრავს ანალიტიკურ ფუნქციას. ერთ გრაფიკზე რამდენიმე კუმულატის დასმით განისაზღვრება მათი შედარებითი პროგრესულობა (სქემა 5).

სადაც t წლებია; Y და ∑N – პატენტთა რიცხვი (მზარდი შედეგებით); t_i+n – მოსალოდნელი კაპიტალდაბანდების პერიოდი.

სქემა 5-თან დაკავშირებით შეგვიძლია შემდეგი კომენტარის გაკეთება:

1. III ტექნოლოგია ვითარდება მეტად სწრაფი ტემპებით. მიუხედავად იმისა, რომ ის გაჩნდა I და II ეტაპებზე გვიან, ის შეიძლება ჩაითვალოს მეტად პროგრესირებად ტექნოლოგიად.

2. II დომინირებული ტექნოლოგიის ზრდის ტემპი დაბალია, რაც მიუთითებს მის ნაკლებ პროგრესულობას.

3. II ტექნოლოგიის ზრდის ტემპი მაღალია I-ზე, მაგრამ III-ზე დაბალი. როგორც ჩანს, ამ ტექნოლოგიის მნიშვნელობა შენარჩუნდება პროგნოზირების პერიოდში.

4. IV ტექნოლოგიის ზრდის ტემპი პრაქტიკულად ნულის ტოლია. როგორც ჩანს, ამ მიმართულებამ ამოწურა თავისი ტექნიკური შესაძლებლობები ან არსებობს ტექნიკური (ტექნოლოგიური) დაბრკოლებები, რომელთა აღმოფხვრა შესაძლებელია განჭვრეტილ მომავალში. ამისათვის საჭიროა მეტად ღრმა (ექსპერტული) ანალიზი.

როგორც უკვე აღვნიშნეთ, განვითარებულ ქვეყნებში, საპატენტო ინფორმაცია გამოიყენება პროგნოზული კვლევების ჩატარებისას, ასევე ანალიტიკური ამოცანების ფართო წრის ამოსახსნელად. კონკურენტი ტექნოლოგიების შედარებით ანალიზს[5]  შეუძლია განსაზღვროს წარმატება ან მარცხი არა მარტო ახალი პროდუქციისთვის, არამედ სრულიად კომპანიისთვის. სახელდობრ საპატენტო ინფორმაცია შეიცავს მეტად ღირებულ სისტემატიზებულ ცნობებს ტექნიკის თანამედროვე დონეზე. გამოცდილ ანალიტიკოსს შეუძლია განსაზღვროს როგორც საკუთრივ შემოქმედების მეტად პერსპექტიული მიმართულებები, ასევე არსებული (უკვე დაპატენტებული) ტექნოლოგიის შეძენის ან ახალი იდეების შემუშავებისთვის მისი გამოყენების შესაძლებლობებიც.

საპატენტო-საინფორმაციო ანალიზი გამოიყენება როგორც მაკროეკონომიკურ დონეზე საბოლოო დასკვნებისათვის, ასევე კონკრეტული სამეცნიერო-ტექნიკური და ტექნოლოგიური პრობლემების დონეზე მეტად დეტალიზებული შეფასებების ჩასატარებლად. საქმე ისაა, რომ არსებობს საკმაოდ მჭიდრო კავშირი შემოქმედების პატენტირებასა და ისეთ მაჩვენებლებს შორის, როგორებიცაა: ქვეყნის ეკონომიკური განვითარების დონე, შესაბამისი სამეცნიერო-ტექნიკური მიმართულბის პერსპექტიულობა, გამოშვებული პროდუქციის ტექნიკურ-ეკონომიკური მაჩვენებლები და ა. შ.

3. რეგრესული ანალიზი. პროგნოზირებაში პროგრესის S-მრუდის გამოყენება 

ანალიზის თანამედროვე მეთოდები, ინფორმაციული ტექნოლოგიები და კომპიუტერული პროგრამები იძლევა პრაქტიკულად ნებისმიერი ინფორმაციული მასივის დამუშავების შესაძლებლობას, პროგნოზირებისა და გადაწყვეტილების მიღების მიზნით. სტატისტიკური გაანგარიშებებისა და გრაფიკების, დიაგრამებისა და კარტოგრამების ასაგებად გამოიყენება ისეთი სტატისტიკური პაკეტები, როგორიცაა შტატისტიცა, Statistica, SPSS, SAS და Excel .

ექსპონენციალური გამოთანაბრების მეთოდები, ავტორეგრესია და პროგნოზირების სხვა მეთოდები საწყისი დროითი მწკრივის მიხედვით უზრუნველყოფს ევოლუციური ეტაპის დამაკმაყოფილებელ შედგეგებს ერთი ხარისხობრივი ნახტომიდან მეორემდე. ერთგვაროვანი ტექნიკური საშუალებებისათვის ასეთი ეტაპი შეიძლება იყოს რამდენიმე. თუ განვიხილავთ ერთგვაროვანი ტექნიკური საშუალებების განვითარებას დროის ხანგრძლივ ინტერვალში, მაშინ ეს განვითარება შეიძლება აღვწეროთ რამდენიმე კერძო ტენდენციით, რომელთა დაჯამება დროში იძლევა განვითარების საერთო ტენდენციის სურათს. საერთო ტენდენცია ასევე იქნება S-მრუდი. იმ კერძო ერთგვაროვანი ტენდენციების გაერთიანებამ ერთიან შ-მრუდში, რომლებიც ახასიათებს პროგნოზირების ობიექტს, წარმოადგენს “გარშემო ხრის” მრუდს. 

სქემა 6-ზე წარმოდგენილია გარშემო ხრისა და S-მრუდების ოჯახი ტრანსპორტის სისწრაფისათვის.

რეგრესული ანალიზი შეიძლება ჩაითვალოს სერიული შეფასებების განზოგადებულ ფორმად, თუმცა რეგრესული გამოსახულებები იძლევა ფუნქციაში იმ საპროგნოზო ცვლადების პროგნოზირების საშუალებას, რომლებშიც არ არის გათვალისწინებული დროითი ფაქტორი. რეგრესული ანალიზის მიზანია ცვლადებს შორის კავშირების სივიწროვის განსაზღვრა. მაგალითად, საბურავების გამძლეობა და მათი გასავლელი მანძილი შეიძლება განვიხილოთ რეზინის სიმყარის, მეტალის სტრუქტურის, ავტომობილის მასისა და ა. შ. ფუნქციებში. სტატისტიკური დამუშავებისა და რეგრესული ანალიზის მრავალი პროგრამული პაკეტი ამარტივებს ამ მეთოდის გამოყენებას, მხოლოდ იმ პირობით, თუ ცნობილია მონაცემები ყოველი ცვლადის რამდენიმე მნიშვნელობის შესახებ.

სქემა 6. გარშემოხრის მრუდი ტრანსპორტის სისწრაფისთვის 

რეგრესული ანალიზის[6]  ძირითად ღირსებას წარმოადგენს ის, რომ მას შეუძლია აღმოჩენილი კავშირებისა და ცვლილებების მიზეზობრივი გამოკვლევა, რამდენადაც საპროგნოზო ცვლადი იცვლება რაიმე დამოკიდებულებით სხვა ცვლადთან. მაგალითად, საბურავების გარბენი იცვლება ავტომობილის მასის შემცირებით. რეგრესული ანალიზით გაკეთებული პროგნოზის ხარისხი დამოკიდებულია დამოუკიდებელი ცვლადების სწორ შერჩევაზე, ასევე შესაძლო მნიშვნელობების ცოდნაზე. შესაბამისად, პროგნოზირებაში რეგრესული ანალიზის გამოყენება შეუძლებელია იმ შემთხვევებში, როცა უცნობია საპროგნოზო ცვლადის შესაძლო ცვლილების მიზეზი ან დამოუკიდებელი ცვლადების მომავალი მნიშვნელობები. ამ მხრივ, რეგრესული ანალიზი არ არის სასარგებლო იმის პროგნოზირებისთვის, თუ რომელი ტექნოლოგიური პროცესები გამოჩნდება რამდენიმე წლის შემდეგ. თუმცა მისი დახმარებით მეტ-ნაკლებად შესაძლებელია არსებული ტექნიკური სისტემის ქცევის პროგნოზირება, რაც დამოკიდებულია ცნობილ ფაქტორებზე. ასეთი პროგნოზის შედეგად შეიძლება განისაზღვროს არსებული ან შემუშავებადი ტექნიკური სისტემების შესაძლებლობები. მათი ფუნქციების გამოვლენილი შეზღუდვები გვკარნახობს მომავალ სამეცნიერო და ტექნოლოგიურ გამოგონებათა განვითარების მიმართულებას.

ამდენად, საჭირო მონაცემების ფლობითა და რამდენიმე დამატებითი ძალისხმევით, მონაცემთა დამუშავებისას რეგრესული ანალიზი გვაძლევს მეტად ხარისხიან პროგნოზს, ვიდრე ტენდენციების ექსტრაპოლაცია და სერიული შეფასებები, რაც საშუალებას გვაძლევს განვახორციელოთ არსებული ტექნიკური სისტემების საშუალო და გრძელვადიანი პროგნოზირება. 

4. ანალიზისმრავალ ფაქტორული მეთოდი 

მეთოდს, რომელიც იძლევა რამდენიმე რეგრესული გამოსახულების ერთ მრავალფაქტორიან მოდელად დაჯგუფების საშუალებას[7], არის ეკონომეტრიკა. დავუშვათ, საჭიროა განისაზღვროს ის, თუ რამდენს აიწონის მობილური ტელეფონი 3 წლის შემდეგ. პროგნოზის მისაღებად საჭირო საბაზისო განტოლება მობილური ტელეფონის წონას განსაზღვრავს, როგორც კვების წყაროს, ეკრანის, ფოტოკამერის, რადიომიმღებისა და სხვა ტექნიკური მოწყობილობების წონის ფუნქციას. თავის მხრივ, შესაძლებელია კვების წყაროს წონის პროგნოზირება ლითიო-იონური ბატარიების ტექნიკური პროგრესის ფუნქციის მიხედვით და ა. შ.

საპროგნოზო მრავალფაქტორიანი მოდელი შეგვიძლია წარმოვადგინოთ (2) განტოლების სახით:

Y = ƒ {(x₁, x₂, x₃, ... ,x_n), (a₁, a₂, a₃, ... , a_n)}         2)

სადაც Y საპროგნოზო სიდიდეა;

x₁, x₂, x₃, ... , x_n – Y -ის განმსაზღვრელი ფაქტორები;

a₁, a₂, a₃, ... , a_n – კავშირის კოეფიციენტები.

ეკონომეტრიკის მეთოდი მეტად ეფექტურია, თუ:

•  შესაძლებელია მიზეზშედეგობრივი კავშირების გამოვლენა;

•  შეინიშნება მიზეზობრივი ცვლადების დიდი ცვლილება დროში;

•  შესაძლებელია ამ მიზეზობრივი ცვლადების ცვლილებების მიმართულების წინასწარმეტყველება.

ასეთი მოდელების აგება საკმაოდ ძვირადღირებული და შრომატევადი პროცესია, ვიდრე წინა მეთოდების გამოყენება. თუმცა ეკონომეტრიკული მიდგომის უპირატესობას წარმოადგენს ის, რომ გამოვლენილი კავშირების ხასიათი არ იცვლება დროში და მიღებული მოდელის გამოყენება შეიძლება წარსულ ან მომავალ ციკლში იმის გათვალისწინებით, რომ შესაძლებელია დამოუკიდებელი ცვლადების ცვლილების წინასწარმეტყველება მართლზომიერების ფარგლებში და გაუთვალისწინებელი პარამეტრების ზემოქმედების არარსებობა (მაგალითად, პოლიტიკურ-ეკონომიკურ სიტუაციაში). განსაკუთრებით აღსანიშნავია, რომ ტენდენციის უბრალო ანალიზისგან განსხვავებით, ეკონომეტრიკული მოდელი არ მიგვიყვანდა XXI საუკუნეში სინათლის წყაროს ეფექტურობის ანომალიურად მაღალ მაჩვენებლამდე (სქემა 6).

გარდა ამისა, მრავალ ნაშრომში აღნიშნულია, რომ ეს კანონზომიერება ყოველთვის არ სრულდება, ხოლო იმ შემთხვევაში, თუ სრულდება, მისი პირდაპირ აღქმა არ შეიძლება. ამავე დროს, ამ მრუდზე დაყრდნობით გაკეთებული პროგნოზები მრავალ კომპანიას დაეხმარა კონკურენტულ ბრძოლაში, ხოლო ამ კანონზომიერების იგნორირებით ბევრმა კომპანიამ განიცადა ზარალი.

S-მრუდის გამოყენებით ეფექტური პროგნოზირების კვანძს წარმოადგენს ანალოგიური ტექნოლოგიების გამოყენების წარსული გამოცდილება. თუმცა, თუ დავუშვებთ იმას, რომ ახალი, მეთანოლის საწვავზე მომუშავე ზებგერითი თვითმფრინავის განვითარების სისწრაფის პროგნოზირებისათვის სასარგებლოა შევისწავლოთ პირველი ტურბინული თვითმფრინავის ისტორია (1936) და იმაში დარწმუნება, რომ ამ თვითმფრინავის პირველი რეალური გამოყენება განეკუთვნება 1940 წელს (კიდევ 10 წელი დასჭირდა ტურბინის სიმძლავრის გაზრდასა და თვითმფრინავის კონსტრუქციის სრულყოფას. ამ პერიოდში თანდათან იზრდებოდა ფრენის სისწრაფე), შეიძლება გამოვიტანოთ დასკვნა, რომ ზებგერითი თვითმფრინვის ათვისებისა და განვითარების კომერციალიზაციასა და სრულყოფას ამდენივე წელი დასჭირდება. თუმცა თანამედროვე პირობებში, სამეცნიერო-ტექნიკური შემუშავებებისა და მათი ათვისების სისწრაფე მნიშვნელოვნად გაიზარდა. ამ მაგალითში ჩანს მეთოდის ძირითადი ნაკლოვანება – შესაბამისად განუსაზრვრელია ის, თუ რამდენად ძველი ტექნოლოგია მიესადაგება პრინციპულად ახალ შემუშავებას.

ამ მეთოდის მეტად არსებით სარგებელს წარმოადგენს იმის შეხსენება, რომ ბაზარზე შეღწევის, ტექნოლოგიის დიფუზიის ან ტექნიკური პარამეტრების ზრდის ტემპი არ შეიძლება უსასრულოდ იზრდებოდეს.

დასკვნა 

სიმულაციის მეთოდს (მოდელირებას) საფუძვლად უდევს გარკვეული მომავლის მოდელი, რაც გამოისახება პირობითი აღნიშვნებით, აღწერებით ან მათემატიკური ფორმულებით. მეორე ელემენტს წარმოადგენს გარკვეული სტრუქტურირებული ქმედებები, რომელთა დახმარებითაც ვლინდება შემავალი პირობების ცვლილების ზემოქმედება საბოლოო შედეგზე. სიმულაციის უბრალო და ყველასათვის ცნობილ მაგალითს წარმოადგენს ჭადრაკი, რაც ქმნის საომარი მოქმედებების სიმულაციას. აღსანიშნავია, რომ პროგნოზულ კვლევებში სიმულაცია უფრო ხშირად გამოიყენება იმ მოდელების შესამოწმებლად, რომლებიც შექმნილია შესასწავლად, პროგნოზირების სხვა მეთოდების გამოყენებით, ვიდრე გადაწყვეტილების მისაღებად რეალურ პირობებში.

დღესდღეობით არსებობს საყოველთაოდ მიღებული პროგრამული უზრუნველყოფის პაკეტები, რომელთა გამოყენებაც შეიძლება სისტემის დინამიკის მოდელირებისთვის: ჳტჰინკ, ვენსიმ, ჵოწერსიმ და ა.შ. მოდელირების მეთოდი გამოირჩევა რიგი ნაკლოვანებით: 1. მოდელირებაში გამოყენებული საბაზისო მოდელები გამოირჩევა სიზუსტის დაბალი ხარისხით, რამაც შეიძლება მიგვიყვანოს მოდელირების მცდარ შედეგებამდე. 2. საბაზისო მოდელების აგება მოითხოვს მნიშვნელოვან რესურსებს. რაც უფრო ახლოსაა მოდელი რეალობასთან, მით უფრო რთულია იგი და ნაკლებად შესაძლებელია მისით მანიპულირება.

პროგნოზირების მეთოდის შერჩევისას სასურველია გამოვიდეთ მიზნების, კონკრეტული საპროგნოზო ობიექტის თავისებურებების, მეთოდების ღირსებებისა და ნაკლოვანებების შესაბამისად. პროგნოზირების სტატისტიკური (ფაქტოგრაფიული) მეთოდები გამოიყენება მაშინ, როცა აკუმულირებულია საკმარისი მასალა კვლევის ობიექტის შესახებ განსაზღვრულ ისტორიულ დროით ჭრილში, როცა პროგნოზისტი ფლობს საკმარის დროსა და შესაბამის რესურსებს და როცა პროგნოზი მუშავდება მოკლე ან საშუალოვადიან პერსპექტივაში. 

გამოყენებული ლიტერატურა

1. Abhaysinh V. Surve.  Study of Technology Forecasting Methods. IJETST-Volume||01||Issue||05||Pages 600-605||July||ISSN 2348-9480. 2014.
2. Amy Gallo. A refresher a regresion analysis. Harvard Business Review. November 4, 2015.
3. Brian C.Twiss. Forecasting for technologists and engineers. P.Pereginus LTD London, 1992.
4. DC Rao, R Wette, WJ Ewens. Multifactorial analysis of family data ascertained through truncation: a comparative evaluation of two methods of statistical inference. Am J Hum Genet, v.42(3); 1988 Mar. 42(3): 506-515.
5. Lars Fuglsang, Jon Sundbo, Flemming Sorensen. Dynamics of experience service innovation: innovation as a guided activity – results from a Danish survey. “The Service Industries Journal”, Volume 31, 2011-Issue 5. 
6. Yveline Lecler, Tetsuo Yoshimoto.The Dynamics of Regional Innovation: Policy Challenges in Europe and Japan. World Scientific Publishing Co.Pte Ltd. 2012.
7. Metin Yildirim & Ferda Nakipoglu Ozsoy & Asli Ozpolat & Filiz Cayiragasi, 2017. "Comparative Analysis of Competition Power in High Technology and Low Technology Intensive Manufactures," International Journal of Innovation and Economic Development, Inovatus Services Ltd., vol. 3(4), pages 41-52, October.
8. Paolo Federico, Florian Heimerl, Steffen Koch. A Survey on Visual Approaches for Analyzing Scientific Literature and Patents. Volume: 23, Issue: 9, Sept. 1, 2017.
9. Yveline Lecler, Tetsuo Yoshimoto.The Dynamics of Regional Innovation: Policy Challenges in Europe and Japan. World Scientific Publishing Co.Pte Ltd. 2012.
10. 10. Rzepka Agnieszka, Masurashvili Ioseb. Strategic perspectives for Georgian business – an analysis for medium-sized enterprises in EU and Georgia. “Modern Management Review”, Quarterly, Volume XXI (July - September), Research Journal 23 (3/2016). [indexed in ERIH PLUS and Index Copernicus].
11. Masurashvili Ioseb. Easy doing business and future of investments in Georgia. Economics, Buisness and Tourism: Challenges, Achvements and Innovations. Kutaisi. 2017.
12. Masurashvili Ioseb. Development business sector and labor market. Global perspective in labour market. Amelia Aneta Siewiorek Publishing House, Rzeszow, 2017.
13. მასურაშვილიი. ტექნოლოგიების მენეჯმენტის აქტუალური საკითხები. საერთაშორისო რეფერირებადი და რეცენზირებადი ჟურნ. `ეკონომიკა და ბიზნესი~, #2, 2012.
14. მასურაშვილი ი. ტექნოლოგიური პარკები და მათი როლი საერთაშორისო ბიზნესში. საერთაშორისო რეცენზირებადი და რეფერირებადი სამეცნიერო ჟურნალი „ეკონომიკა“, 7-8, 2017.
15. მასურაშვილი ი.,  მიქელაძე ა. ტექნოლოგიების ტრანსფერის ხელშეკრულებები და მათი მიზნები საერთაშორისო ბიზნესში.  თსუ პ.გუგუშვილის ეკონომიკის ინსტიტუტის გამომცემლობა. 2017.
16. მასურაშვილი ი. გლობალური ბიზნესი და ტექნოლოგიური მეწარმეობის პერსპექტივები. თსუ პ. გუგუშვილის ეკონომიკის ინსტიტუტის გამომცემლობა. 2016.

---