「《予測》」の版間の差分

提供: ORWiki
ナビゲーションに移動 検索に移動
(新しいページ: ''''【よそく (forecasting) 】'''  将来を的確に見通すことができれば, 我々は常に最も適切な行動をとることができよう. 企業, 組織の...')
 
 
(2人の利用者による、間の2版が非表示)
13行目: 13行目:
 
 その他の予測手法として, 技術予測や未来予測においてよく用いられるブレーンストーミングや[[デルファイ法]]といった直感的方法, 将来の目標を定めそれを達成する課題を分析する関連樹木法などの手法もある.  
 
 その他の予測手法として, 技術予測や未来予測においてよく用いられるブレーンストーミングや[[デルファイ法]]といった直感的方法, 将来の目標を定めそれを達成する課題を分析する関連樹木法などの手法もある.  
  
 予測の手順は基本的には, (a)予測対象・目的の確認, (b)データ収集, (c)モデルの構築, (d)予測計算, (e)予測評価とまとめ, というステップからなる. これら各ステップについて, 考慮すべきポイントや特徴等は次の通りである.  
+
 予測の手順は基本的には, (a) 予測対象・目的の確認, (b) データ収集, (c) モデルの構築, (d) 予測計算, (e) 予測評価とまとめ, というステップからなる. これら各ステップについて, 考慮すべきポイントや特徴等は次の通りである.  
  
 
 なお, 最近ではデータ収集から, モデル化, 予測計算, そして結果の集約までの一連の作業を自動化し, さらには開発者の判断がインタラクティブに行える予測支援システムが開発されている.  
 
 なお, 最近ではデータ収集から, モデル化, 予測計算, そして結果の集約までの一連の作業を自動化し, さらには開発者の判断がインタラクティブに行える予測支援システムが開発されている.  
29行目: 29行目:
 
 収集したデータをもとに対象の構造を論理的, 合理的に表現したモデルを作成する. 対象の構造や収集データによりモデルの作成手法を選択し, モデルを推定する. そして推定されたモデルのあてはまりの良さのテストを繰り返し行い, 最適なモデルが作成される. この過程で必要に応じデータの再収集や手法の変更まで行うこともある.  
 
 収集したデータをもとに対象の構造を論理的, 合理的に表現したモデルを作成する. 対象の構造や収集データによりモデルの作成手法を選択し, モデルを推定する. そして推定されたモデルのあてはまりの良さのテストを繰り返し行い, 最適なモデルが作成される. この過程で必要に応じデータの再収集や手法の変更まで行うこともある.  
  
(4)予測計算
+
(4) 予測計算
  
 
 作成されたモデルを用いてさまざまな制約, 条件のもとでの予測シミュレーションを実施する. この段階においてもモデルのテストや修正が行われる.  
 
 作成されたモデルを用いてさまざまな制約, 条件のもとでの予測シミュレーションを実施する. この段階においてもモデルのテストや修正が行われる.  
  
(5)予測評価とまとめ
+
(5) 予測評価とまとめ
  
 
 予測計算結果の評価と必要な再計算を行い, 必要な決定や計画策定をとりまとめる. とくに予測計算結果をもとに前提条件, モデルの構造, 結果の図表さらにはその評価を行い, 必要な行動や政策の提示までを分かりやすくまとめることが重要である.  
 
 予測計算結果の評価と必要な再計算を行い, 必要な決定や計画策定をとりまとめる. とくに予測計算結果をもとに前提条件, モデルの構造, 結果の図表さらにはその評価を行い, 必要な行動や政策の提示までを分かりやすくまとめることが重要である.  
  
 
 予測対象によって結果の使い方や認識が異なることからまとめ方にも工夫が必要である. 例えば, 経済予測は条件付きの事前推測と認識すべきであり, 予測をする際の政策や外生的条件が多くそれら与件をどのように見込むかで予測結果は大きく異なる. 予測結果を単に政府の政策目標として評価する場合もあれば, 結果から政策や外生条件の変化や変動に対する感度などを分析し, 前提とした与件が望ましいものかを評価, 判断することも多い. したがって, 結果のまとめに際してはこれらの情報が分かるようにすることが求められる.
 
 予測対象によって結果の使い方や認識が異なることからまとめ方にも工夫が必要である. 例えば, 経済予測は条件付きの事前推測と認識すべきであり, 予測をする際の政策や外生的条件が多くそれら与件をどのように見込むかで予測結果は大きく異なる. 予測結果を単に政府の政策目標として評価する場合もあれば, 結果から政策や外生条件の変化や変動に対する感度などを分析し, 前提とした与件が望ましいものかを評価, 判断することも多い. したがって, 結果のまとめに際してはこれらの情報が分かるようにすることが求められる.
 +
 +
[[category:予測|よそく]]

2007年8月7日 (火) 03:01時点における最新版

【よそく (forecasting) 】

 将来を的確に見通すことができれば, 我々は常に最も適切な行動をとることができよう. 企業, 組織の行動においては, その目的達成や持続的発展に向け, 将来を先見することにより "先んずれば人を制する" ことが求められる. 予測はこのような適切な行動をとるための方針・計画の前提となるものである.

 予測とは, 対象となる事象の将来の起こり得る事態について, データ分析により事前の推測を行うことである. 実際の仕事や行動の場面に即して考えれば, 意思決定や行動に必要となる事前の情報分析, 政策分析, 情報の獲得行動の一つとして予測が実施される. すなわち, 与えられた制約や条件のもとで, 合理的な方法により対象にどのような結果が生ずるか, また何が起きるかを事前に定量的あるいは定性的に推測することである. 一般的には対象を計量可能なモデルとして表現し予測計算が行われる.

 予測の具体例としては需要予測, 販売予測, 経済予測, 人口予測, 気象予測, 技術予測, 未来予測など対象に応じて実にさまざまであり, それぞれに予測モデルが存在する. また, モデルは予測期間の長短により短期, 中期, 長期, 超長期予測モデルなどに分類されるが対象によって各期間の長さは異なる. 例えば, 経済予測では短期とは3ヶ月~1年前後とされるが, 電力の需要予測では短期は数分~30分先の予測から1ケ月先程度までをさすことが多い.

 予測モデルの構築に際しては, 物理的に対象の構造表現が確定している場合を除き, 対象の観測データから要因間の関係や内在する傾向やパターンを見つけ, 諸量を計算できる形のモデルとして表現しなければならない. モデルの作成方法にはいろいろな手法があるが, いずれのモデルにおいてもほとんどが必要なパラメータや外生的な条件などをデータから推定する必要がある. そうした推定には統計的な手法が採用されることから, 予測は統計学的観点からみれば, 推定されたモデルをもとに, 時間的, 空間的にまだ観測されていない範囲の状態を推定するという統計的推測の一応用と見なすこともできる.

 最近では, 伝統的な統計的予測に加え, コンピュータの活用により, 計量経済モデルシステムダイナミックスモデルといった大掛かりなモデル予測, さらに, 膨大なデータベースから自動的にデータ間の構造や傾向を探し出す手法としてAI, ニューラルネットワーク, データマイニングなどの手法も活用されている.

 その他の予測手法として, 技術予測や未来予測においてよく用いられるブレーンストーミングやデルファイ法といった直感的方法, 将来の目標を定めそれを達成する課題を分析する関連樹木法などの手法もある.

 予測の手順は基本的には, (a) 予測対象・目的の確認, (b) データ収集, (c) モデルの構築, (d) 予測計算, (e) 予測評価とまとめ, というステップからなる. これら各ステップについて, 考慮すべきポイントや特徴等は次の通りである.

 なお, 最近ではデータ収集から, モデル化, 予測計算, そして結果の集約までの一連の作業を自動化し, さらには開発者の判断がインタラクティブに行える予測支援システムが開発されている.

(1) 予測対象・目的の確認

 予測の対象, 範囲などをまず明らかにするとともに, 予測結果を与件にして他の目的に使うのか, 結果そのものを目標とするかなど, 利用目的を明確にしておくことが大切である. また, 予測をする側, 使う側の意識の違いを認識する必要がある. 予測をする側は一般に大きな誤差の容認を求める. 一方, 使う側は当然のことながらできるだけ小さい誤差を要求するが, 例えば収入計画や設備計画など立場の違いによリ誤差だけでなく結果そのものへの要求が異なることもある. しかし完全な予測は不可能であり, はずれてもそこにリスクの考え方を導入し, 余裕をもたせることが重要である. すなわち予測作業の結果得られる代替的な結果の事前情報は, 不確定な将来の行動の選択範囲を広げかつ余裕度をもたらすものなのである. このため, 予測誤差をどの程度見込むか, その損失はどの位かなどを事前に明らかにしておくことが望ましい.

(2) データ収集

 予測の対象や目的, 範囲などが確定すれば必要なデータが収集される. 新鮮かつ信頼性の高いデータや情報が必要なことは言うまでもない. このために日常からデータベースの整備, 開発が行われている. 最近では, 現場から直接オンラインでデータが収集されデータベースに取り込まれるシステムの開発も当たり前になってきており, インターネットなどを利用して, 内部のみならず外部データベースの利用も行われている.

(3) モデルの構築

 収集したデータをもとに対象の構造を論理的, 合理的に表現したモデルを作成する. 対象の構造や収集データによりモデルの作成手法を選択し, モデルを推定する. そして推定されたモデルのあてはまりの良さのテストを繰り返し行い, 最適なモデルが作成される. この過程で必要に応じデータの再収集や手法の変更まで行うこともある.

(4) 予測計算

 作成されたモデルを用いてさまざまな制約, 条件のもとでの予測シミュレーションを実施する. この段階においてもモデルのテストや修正が行われる.

(5) 予測評価とまとめ

 予測計算結果の評価と必要な再計算を行い, 必要な決定や計画策定をとりまとめる. とくに予測計算結果をもとに前提条件, モデルの構造, 結果の図表さらにはその評価を行い, 必要な行動や政策の提示までを分かりやすくまとめることが重要である.

 予測対象によって結果の使い方や認識が異なることからまとめ方にも工夫が必要である. 例えば, 経済予測は条件付きの事前推測と認識すべきであり, 予測をする際の政策や外生的条件が多くそれら与件をどのように見込むかで予測結果は大きく異なる. 予測結果を単に政府の政策目標として評価する場合もあれば, 結果から政策や外生条件の変化や変動に対する感度などを分析し, 前提とした与件が望ましいものかを評価, 判断することも多い. したがって, 結果のまとめに際してはこれらの情報が分かるようにすることが求められる.