Инструменты интеллектуальной системы интегративного управления инновационными проектами

В современных условиях санкционного давления, обеспечения технологической независимости и глобальной цифровой трансформации управление инновационными проектами становится всё более сложной и многогранной задачей. Разработка эффективных методов прогнозирования и оценки показателей реализации инновационных проектов приобретает существенную значимость в приоритетных отраслях экономики, утвержденных Правительством РФ [1; 2].

В качестве наиболее перспективного направления повышения эффективности управления инновационными проектами в приоритетных отраслях экономики является применение интегративного подхода, основанного на разработке и функционировании интеллектуальной системы управления инновационными проектами. Разработка такой системы позволит автоматизировать анализ большого массива информации на основе объединения в ней различных инструментов, включающих в себя как количественные, так и качественные методы прогнозирования [3].

В качестве основных инструментов прогнозирования можно выделить следующие.

Метод аналогов , представляющий собой изучение изменения схожих показателей в различных секторах экономики или анализ изменений прогнозируемых значений показателей за предыдущие периоды. Его суть заключается в систематизации экспертных оценок по рассматриваемым параметрам.

Метод экстраполяции основывается на допущении, что текущие и настоящие тенденции экономического развития сохранятся в будущем. Этот метод эффективен при постепенном изменении ситуации и наличии необходимых данных. При этом в условиях резких колебаний, вызванных санкциями, кризисными явлениями и неопределённостью, такие прогнозы могут иметь значительную степень погрешности.

Метод моделирования предполагает выявление причинно-следственных связей путем создания математических моделей, которые позволяют прогнозировать будущие значения показателей эффективности инновационных проектов, связанных с разработкой высокотехнологичной продукции. Этот метод обеспечивает наиболее точные предсказания, однако требует детального анализа процессов реа- лизации проектов с учетом особенностей экономической среды [7].

На основе статистической информации о динамике аналогичных показателей, данных о значениях показателей за предыдущие периоды, информации о возможности реализации таких проектов формируются основные сведения для установления значений показателей реализации инновационных проектов [4].

Процесс установления значений показателей эффективности может базироваться на одном из следующих условий.

• 1.    Наличие математической модели, отображающей причинно-следственные взаимосвязи между текущими экономическими условиями и целевыми значениями планируемых показателей проекта.

• 2.    Наличие статистических сведений об изменениях рассматриваемых показателей в предшествующие периоды.

• 3.    Наличие схожих примеров, позволяющих экспертам прогнозировать значения показателей проекта.

На основании этих условий методы прогнозирования можно разделить на количественные и качественные. К количественным методам относятся:

• •    экономико-математическое моделирование;

• •    метод Муира;

• •    метод Хольта – Уинтерса;

• •    метод Бокса – Дженкинса;

• •    двойное сглаживание.

К качественным методам относятся:

• •    метод Дельфи;

• •    сценарное развитие;

• •    коллективная оценка экспертов и др.

Сегодня существует широкий спектр прогнозных методов и инструментов, применимых для определения количественной оценки показателей эффективности инновационных проектов в приоритетных отраслях экономики, что усложняет выбор наиболее подходящего метода прогнозирования для конкретного инновационного проекта в определенной отрасли экономики.

Поскольку прогнозные методы направлены на достижение высокой точности определения значений показателей, целесообразно использовать сравнительный анализ их прогнозных возможностей в отношении конкретного показателя. Однако высокая степень неопределенности, характерная для данного процесса, делает невозможной априорную оценку эффективности различных методов. Поэтому их выбор должен осуществляться в ходе самого процесса установления значений показателей.

С учетом особенностей экономико-информационной среды, присущей процессу определения показателей эффективности инновационных проектов в приоритетных отраслях экономики, оптимальный метод прогнозирования следует выбирать среди количественных методов прогнозирования.

Выбор конкретного метода прогнозирования может быть осуществлен посредством следующего алгоритма.

• 1.    Выбрать показатель реализации инновационного проекта или его измеряемые элементы.

• 2.    Разделить имеющуюся информацию о данном показателе на две части: обучающую и контрольную. Данные обучающей части предшествуют данным контрольной части. Сведем в Таблицу данные обучающей части выбранного показателя P ( t ) в моменты времени, обозначенные t ₁ , t ₂ ,…, t _m–1 , и данные контрольной части, которой соответствуют P ( t ) в моменты времени t _m , t _{m 1} ,…, t _n .

• 3.    Обозначим параметры модели прогнозирования , которые необходимо выбрать для каждого метода прогнозирования β _jB . B = { β ₁, β ₂,..., β _j } – это множество возможных параметров (или коэффициентов) прогнозных моделей. Каждый метод прогнозирования (например, линейная регрессия, нейросеть, экспоненциальное сглаживание) имеет свои параметры, которые необходимо оптимизировать.

• 4.    Наоснове обучающей части данных построим модель P ( t , β _j ) это прогнозная модель, зависящая от времени t и параметров β _J . Другими словами, модель строится на основе данных и настраивается так,чтобы наилучшим образом соответствовать обучающей части. β _J – это параметры, которые нужно подобрать на основе обучающей части данных, чтобы прогнозная модель P ( t , β _j ) давала наилучшие результаты.

• 5.    Осуществляем прогноз значений показателя реализации инновационного проекта для моментов времени t _m , t _{m 1} ,…, t _n .

• 6.    Оценка отклонения прогноза: Δ P ( t _k ) = P ( t _k ) – P ( t _k , β _j ), k = m , m 1, …, n , j = 1,2, …, J .

• 7.    Оценка средней погрешности прогноза:

  

• 8.    Определение наиболее точного метода прогнозирования заключается в нахождении такого набора параметров β _j *= β _j , при котором ошибка прогнозирования минимальна. Формально это можно выразить следующим образом:

  

• 9.    Прогнозирование показателя P ( t ) на момент времени t _{n 1} осуществляется с использованием данных и предварительно выбранного метода прогнозирования, обеспечивающего наибольшую точность. Для этого выполняются следующие шаги:

• •    в качестве основы для построения прогноз ной модели берутся наблюдения за рассматриваемым показателем в моменты времени t ₁ ,2,…, t _n и используются для анализа динамики изменения показателя и выявления закономерностей;

• •    в результате анализа возможных методов прогнозирования выбирается наиболее точный метод, соответствующий параметру β _j * , который минимизирует ошибку прогнозирования;

• •    на основе выбранного метода прогнозирова ния формируется модель P ( t , β _j * ) которая описывает зависимость рассматриваемого показателя от времени;

• •    на основе прогнозной модели рассчитывает ся значение показателя на плановый момент времени t _{n 1} : P ( t _{n 1} , β _j * ). Это значение представляет собой прогнозную оценку рассматриваемого показателя на заданный момент будущего, полученную на основе выявленных закономерностей в предшествующих данных.

Представленный процесс выбора методов прогнозирования, разработки прогнозных моделей и расчета на их основе показателя реализации инновационного проекта может быть представлен в виде модели, изображенной на Рисунке 1 [5].

Значения показателей инновационных проектов, полученных с помощью представленной модели, с математической точки зрения представляют собой точечные оценки будущих значений. Однако в реальности фактические значения прогнозируемых показателей, как правило, отличаются от запланированных. Это обусловлено различными факторами и рисками, которые могут оказать влияние на до-

Таблица

Сведения об изменении выбранного показателя реализации инновационного проекта

Время	t 1	t 2	t 3		t m–1	tm		tn
Параметр	P ( t 1)	P ( t 2)	P ( t 3)		P ( t m–1 )	P ( t m )		P ( t n )

Рисунок 1. Модель определения показателей реализации инновационного проекта

стижение установленных значений показателей. Это создает необходимость определения допустимого уровня отклонений, при котором можно считать, что инновационный проект будет успешно реализован. Решение данной задачи требует разработки вариативности показателей реализации инновационного проекта.

Для управления инновационным проектом предлагается инструмент оценки вариативности прогнозируемых показателей реализации инновационного проекта, поскольку спрогнозировать точное значение показателя инновационного проекта без учета возможных колебаний практически невозмож- но. Всегда существует некая погрешность между запланированными и фактическими значениями показателей реализации инновационного проекта [8].

Возникает необходимость формирования интервальной оценки, которая позволит охватывать некоторый диапазон значений, делая его более надежным, объективным и достоверным. Для этого важно определить границы этого диапазона, в пределах которого с высокой вероятностью будут находиться реальные значения показателей реализации инновационного проекта.

Вариативность значений показателей может быть выражена через доверительный интервал его значений, а точность прогноза – шириной этого интервала при заданной вероятности его осуществления; под достоверностью понимается вероятность того, что реальный показатель попадет в установленный интервал.

Полное совпадение фактического значения с прогнозируемыми точечными оценками маловероятно, особенно если они были получены методом экстраполяции. Это связано с рядом факторов, влияющих на точность прогнозов, включая внешние экономические условия, внутренние изменения в проекте, а также статистические и методологические ошибки прогнозирования.

Доверительный интервал прогноза будет выглядеть следующим образом (см. Рисунок 2).

Если изобразить границы доверительного интервала на графике, они будут находиться выше и ниже линии регрессии, формируя ветви, которые очерчивают область доверительного интервала (см. Рисунок 3) [6].

Использование данного инструмента позволяет определять значение показателя в пределах определенного диапазона. Представленный инструмент обеспечивает возможность оперативного определения и корректировки значений данного показателя с учетом рисков и неопределенностей на всех этапах реализации инновационного проекта в режиме реального времени в рамках информационной системы интегративного управления инновационным проектом [9].

Развитие инструментов интеллектуальной системы интегративного управления инновационными проектами является важным шагом в обеспечении высокой точности прогнозирования, стратегического планирования и успешной реализации инновационных проектов. В исследовании представлен комплексный подход к выбору методов прогнозирования и оценке вариативности значений показателей реализации инновационного проекта, что позволяет учитывать неопределенность и минимизировать риски [10].

Рисунок 3. Динамика доверительного интервала [ 187 ]

Применение предложенных инструментов в рамках интеллектуальной системы интегративного управления позволяет не только получать точечные оценки, но и формировать доверительные интервалы, что делает прогнозы более надежными и обоснованными. Разработанный инструмент оценки вариативности значений показателей обеспечивает возможность корректировки прогнозов в режиме реального времени на всех этапах жизненного цикла инновационного проекта.

Таким образом, представленные в исследовании решения могут быть успешно использованы в управлении инновационными проектами и повышении конкурентоспособности приоритетных отраслей экономики.