روش تحلیل اثر بر روند و کاربردهای آن

روش تحلیل اثر بر روند و کاربردهای آن

روش تحلیل اثر بر روند

روش تحلیلی Trend Impact Analysis method

تاریخچه روش Trend Impact Analysis method:

تحلیل اثر بر گذر در اواخر دهه ۱۹۷۰ توسعه یافت تا بطور اخص سوال مشکل و مهم تحقیق آینده‎ها را پاسخگو باشد. روشهای کمّی که براساس داده‎های تاریخی هستند، برای استنتاج استقرایی از داده‎ها برای پیش بینی آینده به کار می‎رود، اما چنین روش‎هایی تاثیرات منحصر به‎فرد رویدادهای آینده را به‎ رسمیت نمی‎شناسند.

این انتقاد به همه روش‎های کمّی که منحصراً با داده های تاریخی، از تکنیک‎های سری‎های زمانی گرفته تا تکنیک‎های اقتصاد سنجی، سر و کار دارند، وارد است. در روش‎های کمی فرض برآن است که همان توان‎هایی که در گذشته به کار رفته اند، در آینده هم به کار خواهند رفت و رویدادهای آینده که می‎تواند روابط گذشته را تحت تاثیر قرار دهد یا روندها را منحرف کند، واقع نخواهد شد و تاثیرمحسوسی نخواهد داشت. در این روش‎ها احتمال وقوع نتایج پیش بینی‎ها در آینده،  بدون هیچ تعجبی، نادیده گرفته می‎شود، که در عمده موارد چنین است.     

تحلیل اثر بر روند یک روش ساده‎ای است که در آن یک سری زمانی اصلاح شده به کار می‎رود تا چگونگی برون ‎یابیِ تغییرات در خصوص رویدادهای آینده را پیش بینی نماید، که در غیر این صورت رویدادها موجب تعجب خواهد بود. در ایجاد یک تحلیل اثر بر روند یک مجموعه رویدادهای آینده، که می‎تواند عامل روندهای بدون تعجب برای تغییر در آینده باشد، باید مشخص شوند. وقتی تحلیل اثر بر روند به کار می‎رود، یک پایگاه داده از رویدادهای کلیدی بالقوه، احتمالات وقوع آن‎ها و تاثیرات آن‎ها ایجاد می‎شود.

روش تحلیل اثر بر روند بارها به کار گرفته شده است. حداقل یک سرویس اطلاعات تجاری، آینده پژوهی بهداشت و درمان، پیش بینی تولیدات بازارهای دارویی از این روش استفاده می کنند علاوه بر این، پیش بینی های تحلیل اثر بر روند توسط گروههای آینده پژوه مطالعات اداره هوانوردی فدرال ، دفتر تحقیقات فدرال، ستاد مشترک، بنیاد ملی علوم، وزارت انرژی، وزارت حمل و نقل، ایالت کالیفرنیا، و دیگر سازمان های ایالات متحده مورد استفاده قرار گرفته است. پروژه هزاره بارها این روش را در انجام پیش بینی متغیرهایی شامل شاخص‎های آینده در سطوح ملی و جهانی، استفاده کرده است.

شرح روش تحلیل اثر بر روند

تحلیل اثر بر روند یک روش پیش بینی است که اجازه می دهد برون یابی روند تاریخی از منظر انتظارات ما از رویدادهای آینده، اصلاح شود. این روش به یک تحلیلگر که علاقه مند به ردیابی یک روند خاص است، اجازه می‎دهد تا اثرحوادث آینده ممکنی را که از نظر او مهم تلقی می‎شود را به حساب آورده و بطور سیستماتیک بررسی نماید.

به عنوان مثال، یک مدیر علاقه مند به ردیابی قیمت مواد خام تحویل داده شده از یک مبدایی در خارج از کشور را در نظر بگیرید. برون یابی داده‎های تاریخی موجود قطعاً می‎تواند برای پیش بینی به کار رود، اما یک مدیر ممکن است احساس کند که احتمالات بسیار، برون یابی روند گذشته را غیر واقعی کند. تحلیل اثر بر روند یک روش تجزیه و تحلیل عواقب ناشی از تحولات آینده ناشی از این روند آینده است.

چگونگی اجرای روش تحلیل اثر بر روند

دو مرحله اصلی ضروری است:  

  1. یک منحنی برازش شده از داده‎های تاریخی برای محاسبه روند آینده، با توجه به هیچ رویداد دارای سابقه از آینده؛ و
  2. قضاوت کارشناسی به کار می‎رود تا مجموعه‎ای از حوادث آینده را شناسایی کند که اگر آن حوادث رخ می‎دادند، می‎توانست موجب انحراف از برون یابی داده‎های تاریخی شود. برای هر یک از این رویدادها، کارشناسان در مورد احتمال وقوع آن‎ها به عنوان تابعی از زمان و تاثیر مورد انتظار آن را در روند آینده، قضاوت می‎کنند. انتظار می رود یک رویداد با تاثیر زیاد، موجب نوسان نسبتاً زیاد روند، در جهات مثبت یا منفی شود. این مفاهیم در شکل ۱ نشان داده شده است.

شکل ۱. نمونه تاثیر پارامترهای یک رویداد

روش تحلیل اثر بر روند

 

 تحلیل اثر بر روند ابزاری سیستماتیک برای ترکیب برون یابی بدون تعجب با قضاوت در مورد احتمال و اثرات رویدادهای انتخاب شده آینده است. به عنوان مثال، شکل ۲ تخمینی از تولید ناخالص داخلی سرانه جهانی بر اساس داده‎های بانک جهانی و  سازمان توسعه کشورهای اروپایی را نشان می‎دهد. این نکته مهم ولی غیر منتظره است که حوادث آینده می‎تواند این روند را تحت تاثیر قرار دهد.

وقوع چنین رویدادی ممکن است یک رکود اقتصادی جهانی را پدید آورد. با چنین تغییری ممکن است انتظار آن را داشته باشیم که منحنی را رو به پایین نزولی کند. دراین مورد، یک برون یابی بدون تعجب از تولید ناخالص داخلی سرانه آینده که بیش از حد، بالا تخمین زده شود و یک منحنی نهفته پیش بینی بهتری خواهد بود.

گام اول برون یابی آزاد و بدون تعجب است. برازش اکثر منحنی‎ها ابتدا شکل کلی از یک منحنی را مشخص می‎کند تا مجموعه‎ای از داده‎های تاریخی را برازش کند، سپس یک الگوریتم برازش منحنی به کار می‎رود تا یک منحنی خاصی که  نزدیک ترین حد ممکن به داده‎های ارائه شده است، رسم شود.  سپس الگوریتم منحنی پیش بینی بدون تعجب را برون یابی می‎نماید. انتخاب شکل کلی منحنی مناسب می‎تواند مشکل باشد. به عنوان مثال دو شکل از منحنی‎های مختلف، هر یک می‎توانند به خوبی داده های تاریخی را برازش کنند و در عین حال منحنی‎های  برون یابی شده از هریک، به طور قابل توجهی متفاوت باشد. در واقع، عملاً انتخاب شکل منحنی از پیش تعیین کننده‎ی پیش بینی بدون تعجب است، برای برازش داده های تاریخی، تعدادی از انواع مختلف منحنی، اعم از خطوط مستقیم تا منحنی‎های پیچیده S  شکل به کار می‎رود.

شکل ۲٫ برآورد از سرانه برازش داده های تاریخی است تولید ناخالص داخلی جهانی

روش تحلیل اثر بر روند

در موردی که اینجا نشان داده شده، منحنی برازش شده یک منحنی چند جمله ای درجه سوم بوده است.

قضاوت و تخیل در مرحله دوم تحلیل اثر بر روند حیاتی هستند. در این مرحله، برنامه،  برون یابی بدون تعجب را تغییر می دهد تا رویدادهای مهم آینده غیر منتظره و بی سابقه را به حساب آورد. ابتدا فهرستی از چنین رویدادهای بالقوه‎ای  تهیه می‎شود. این رویدادها باید قابل قبول، به طور بالقوه در تأثیر گذاری قوی و در نگاه به گذشته قابل اثبات باشد. منبع این فهرست از رویدادها معمولاً ممکن است ناشی از یک تحقیق در ادبیات موضوع، مطالعه دلفی، یا یک توافق غیر رسمی در میان مشاوران باشد. رویدادهای انتخاب شده شامل نیروهای بالقوه موجود است که می‎تواند به عزیمت به آینده ای بدون تعجب منجرشود.

قضاوت‎های متعددی  در مورد هر رویداد انتخاب شده انچام می‎شود. ابتدا احتمال وقوع هر یک از این رویداد‎ها به عنوان تابعی از زمان برآورد می‎شود سپس تأثیر هر رویداد در روند مورد مطالعه تخمین زده می شود. اثرات را می توان به روش های مختلف مشخص نمود، یک روش شامل مشخصات زمان از وقوع رویداد تأثیر تا:

۱)    شروع  روند تحت تاثیر قرار گرفتن.

۲)    تاثیر بر روند در بزرگترین وضعیت یا

۳)    رسیدن به تاثیر سطح نهایی و یا حالت پایدار

یا مقدار؛

۱)    بزرگترین اثر،یا

۲)    تاثیر در حالت پایدار.

هر یک از این سه زمان مشخص و دو مقدار تاثیر مرتبط با آنها به طور کامل مستقل در نظر گرفته شده است.به عنوان مثال حداکثر تاثیر، ممکن است مثبت بوده و تاثیر حالت ثابت منفی و یا تاثیر حالت پایدار ممکن است صفر و تاثیر آن صرفاً موقتی باشد. در نهایت، ممکن است حداکثر تاثیر همان تاثیر حالت پایدار باشد. البته، شکل تاثیر می تواند در وضعیت‎های دیگر قرار گیرد، اما کاربرد پنج مورد استفاده شده در اینجا در بسیاری از وضعیت‎ها به اثبات رسیده است.

برنامه کامپیوتری تحلیل اثر بر روند، قضاوت‌های  تاثیر و احتمال وقوع رویداد را با نتایج حاصل از برون یابی بدون تعجب برای تحقق یک برون یابی تعدیل شده ترکیب می‎کند. این تجزیه و تحلیل به طور معمول شامل برآوردهای  محدوده چارک بالا و پایین و یا برآوردهایی در محدوده هایی با سطوح احتمال دیگر می‎گردد. ارزش مورد انتظار از اثرات ترکیب شده، با جمع نتایج احتمالات تأثیر رویدادها در هر سالی که وقوع رویداد در آن محتمل بوده  با اثرات مورد انتظار آن‎ها و با لحاظ  تاثیر مشخص شده با تاخیر زمانی به دست می آید.  

ساده ترین روش برخورد با رویدادها اینگونه است که آن‎ها را مستقل از یکدیگر بدانیم. هنگامی که رویدادها با هم واقع می شوند، یعنی اگر وقوع یکی، احتمال وقوع دیگری را در پی داشته باشد، روش‎های تاثیر متقابل می‎تواند بخشی از راه حل باشد.

واریانس پیش بینی تاثیر تعدیل شده از مجموع واریانس روند برون یابی (که از طریق مربع خطای استاندارد تخمین اندازه گیری می‎شود) و واریانس اثرات رویدادهای موجود (که از احتمال رویدادها محاسبه می‎شود) بدست می‎آید.

برای برآورد چارک بالا و پایین از تعدیل پیش بینی سری زمانی سه روش استفاده شده است. در رویکرد اولیه، چهار مرحله اول ازتوزیع تاثیر مورد انتظار، محاسبه می شود و تابع پیرسون نزدیک ترین مرحله‎ای که به مرحله‎های تقریبی به دست آمده نزدیک است را پیدا می‎کند. پس از آن چارک‎ها از مقادیر جدول تابع پیرسون انتخاب و محاسبه می‎شود. در رویکرد دوم، چارک‎ها از متوسط ​​انحراف‎های مثبت و منفی مقدار مورد انتظار هر یک، به طور جداگانه محاسبه و برآورد می‎شود. در نهایت، چارک‎ها می تواند به طور مستقیم با استفاده از روش مونت کارلو که در آن، برای هر زمان در آینده، رویدادها به طور تصادفی انتخاب شده ، تصمیم بر اساس اتفاق رویداد یا از طریق انتخاب عدد تصادفی صورت می‎گیرد و سپس مقدار تعدیل متغیر در آن سال از آینده، با توجه به وقوع رویداد انتخاب شده، محاسبه می‎شود. این فرآیند در طول کل دوره زمانی ادامه می‎یابد و به عنوان یک سناریو کوچک ذخیره می‎شود . سپس این فرایند صدها بار است تکرار می‎شود و چارک‎های بالا و پایین (یا در واقع هر گونه معیار اندازه‎گیری) از حداقل‎های سناریو‎های ذخیره شده، انتخاب می‎شود.