Суспільно-географічне прогнозування регіонального розвитку - К.В. Мезенцев 2005

Розділ 4. Методичні основи суспільно-географічного прогнозування регіонального розвитку
4.3. Методи суспільно-географічного прогнозування

Спочатку варто детальніше зупинитися на змісті таких понять, як методика, метод, спосіб, техніка, процедура та прийом прогнозування.

Методика суспільно-географічного прогнозування — це сукупність методів прогнозування, що послідовно упорядковані відповідно до обраних способів прогнозування та засобів наукового пізнання перспективної просторово-часової організації людської діяльності у регіоні.

Метод суспільно-географічного прогнозування — це сукупність розумових і практичних дій (процедур та прийомів), які спрямовані на розв'язання певного завдання у загальній системі прогнозування регіонального розвитку.

Спосіб суспільно-географічного прогнозування — це сукупність методів прогнозування, об'єднаних спільною метою прогностичної діяльності щодо передбачення майбутнього стану просторово-часової організації людської діяльності у регіоні. Так, з одного боку, прогнози можуть давати відповідь на питання: що буде, якщо існуючі тенденції регіонального розвитку збережуться, з іншого — передбачати шляхи досягнення певного стану просторово-часової організації людської діяльності у майбутньому. Відповідно до цього розрізняють екстраполяційний, нормативний, а також комбінований способи прогнозування.

Техніка суспільно-географічного прогнозування — це сукупність механізмів використання технічних засобів відповідно до обраної методики, Такими механізмами використання технічних засобів є, наприклад, механізми спілкування з респондентами чи власного безпосереднього сприйняття інформації про регіони, механізми використання того чи іншого комп'ютерного програмного забезпечення, або механізми використання певних геоінформаційних технологій тощо.

Процедура — це певною мірою завершена, самостійна дослідницька дія, що виступає як окремий елемент методу. Процедури можуть бути як методичні, так і технічні. Наприклад, розробка анкети — це методична процедура, а безпосереднє спілкування з респондентами — технічна процедура; змістовна розробка географо-математичної моделі регіонального розвитку — методична процедура, а створення відповідної комп'ютерної бази даних у певному програмному середовищі — технічна процедура і т.д. Тобто методичні та технічні процедури тісно взаємопов'язані і складають суть використання того чи іншого методу.

Прийом — це сукупність вмінь та навичок, необхідних для здійснення певної процедури. Наприклад, якщо методичними процедурами є оцінка кореляційно-регресивної моделі регіонального розвитку, аналіз накладених різночасових карт статистичних поверхонь потенціалу поля розселення або побудова перцепційних портретів регіонів, то вміння і навички, необхідні для їх здіснення, становлять суть відповідних методичних прийомів. Якщо технічними процедурами є, наприклад, комп'ютерна обробка інформації, створення електронних карт динаміки чи опитування населення, то аналогічно вміння і навички, необхідні для їх здійснення, становлять суть відповідних технічних прийомів.

Відомий австрійський футуролог Е. Янч нараховує близько 200 методів прогнозування, і його перелік не є вичерпним [250, с. 511-512]. Тому необхідність систематизації методів прогнозування не викликає сумнівів. Класичними вважаються класифікації методів прогнозування С. Саркісяна (1975) та І. Бєстужева-Лади (1982), які у найрізноманітніших модифікаціях зустрічаються у більшості робіт з прогнозування 1970-80-х років [175; 190]. Щодо географічних методів прогнозування, то тут базисними є класифікації Ю. Саушкіна та Т. Звонкової [192, с. 379-398; 66, с. 32-50]. Подібні класифікації використовуються і щодо методів економіко-, суспільно-географічного прогнозування (А. Трофімов та М. Шаригін, С. Мохначук та М. Пістун; І. Дудник) [224, с. 26-45; 126, с. 146-148; 54, с. 157].

Проте із розширенням загальнонаукової методології, впровадженням принципово нових методів прогнозування такі класифікаційні схеми потребують удосконалення. Так, наприклад, традиційно вважалося, що у разі прогнозування слабоструктурованих проблем варто використовувати передусім методи експертних оцінок. Нині ж їх успішно доповнюють нейромережеві методи. І такі приклади можна продовжувати за рахунок методів теорії нечітких множин та лінгвістичної змінної, фрактальної геометрії тощо.

Автор пропонує традиційно усі методи суспільно-географічного прогнозування об'єднати у дві групи — експертні (лат. expertus — досвідний) та фактографічні (лат. factum — зроблене, те, що сталося, та грец. γραφω — пишу). У свою чергу, у групі фактографічних виділяти методи аналізу динаміки регіонального розвитку, методи аналізу просторової взаємодії, методи таксономічної типізації, класифікації та методи оптимізації розвитку регіонів (рис. 4.3).

Коротко розглянемо практичну цінність основних методів суспільно-географічного прогнозування. При їх розгляді автор спирався на [20; 33; 58; 70; 238], а також власний підручник з регіонального прогнозування соціально-економічного розвитку [101]. При цьому особливий акцент здійснено на розкритті змісту нових для суспільно-географічного прогнозування методів.

Експертні методи. Методи експертної оцінки (інтуїтивні, евристичні методи) базуються на раціональних доводах та інтуїції висококваліфікованих спеціалістів-експертів, обробці їх інформації про об'єкт прогнозування. При розробці прогнозів використовуються інтуїція, досвід, творчість, уява. При цьому два різних експерти, вирішуючи ту саму проблему, використовуючи однакову вхідну інформацію, можуть дійти різних, а часом й протилежних висновків. Тому існує потреба оцінки рівня узгодженості думок експертів.

Експертні методи прогнозування застосовуються у таких ситуаціях:

— коли відсутня достатньо репрезентативна та достовірна статистична інформація про регіональний розвиток у минулому та сучасному;

— коли необхідно здійснити середньо- чи довготермінове прогнозування просторової організації нових видів людської діяльності у регіоні;

— коли виникають умови значної невизначеності регіонального розвитку (у районі так званих точок біфуркації);

— коли існує потреба виявити перцепційні уявлення населення про регіони.

Як експерти зазвичай використовуються експертні комісії та ради органів влади, колективи вчених академічних та вузівських наукових закладів, індивідуальні фахівці-експерти, а також окремі групи населення, обрані за певними критеріями (місцеві мешканці, споживачі певних видів товарів чи послуг, виборці тощо).

Найбільшого поширення набули традиційні методи опитування, Дельфі, «мозкової атаки», «дерева цілей», аналітичних оцінок. Останнім часом для цілей прогнозування широко використовується СВОТ-аналіз, який передбачає визначення перспектив розвитку територій («місії території») шляхом експертної оцінки внутрішніх (сильні і слабкі сторони — ресурси розвитку) та зовнішніх (можливості і загрози - умови розвитку) чинників.

Фактографічні методи суспільно-географічного прогнозування використовуються у таких випадках:

- коли наявна достатня кількість достовірної та репрезентативної інформації про регіональний розвиток у минулому та сучасному;

- коли здійснюється прогноз просторової організації традиційних видів людської діяльності у регіоні;

- коли умови розвитку регіону є стійкими (у межах окремих стадій).

Більшість фактографічних методів передбачає здійснення процедури формалізації.

Рис. 4.3. Систематизація методів суспільно-географічного прогнозування регіонального розвитку

Перша підгрупа фактографічних методів спрямована на аналіз та прогнозування динаміки регіонального розвитку і включає методи згладжування та аналітичного вирівнювання, спектрального аналізу, множинної регресії, авторегресії, ланцюгів Маркова, нейромережеві методи, методи фрактальної геометрії.

Методи згладжування ґрунтуються на процедурі визначення усередненої траєкторії розвитку показників у минулому та її продовженні на майбутнє. Найпоширенішими різновидами даного методу є згладжування за допомогою ковзної середньої (за деякою сукупністю оточуючих точок, що переміщується вздовж динамічного ряду) та експоненційне (з використанням поліномів, коефіцієнти яких повільно змінюються у часі).

Аналітичне вирівнювання передбачає підбір математичної функції, яка найкращим чином відбиває тенденцію динаміки показників регіонального розвитку в часі, та розрахунок на її основі прогнозних значень. Відповідно до типу розвитку (лінійний, експоненційний, асимптотичний, змішаний) обираються відповідні апроксимуючі математичні функції.

Спектральний аналіз (аналіз Фур'є, гармонійний аналіз) спрямований на виявлення циклічних коливань у динаміці показників регіонального розвитку шляхом їх вираження через ряд синусоїдальних та косинусоїдальний функцій різних частот. У результаті виділяються гармоніки з різним періодом, кожна з яких пояснює відповідні регулярні цикли.

Методи множинної регресії передбачають пошук стійких залежностей між різними показниками регіонального розвитку в часі у минулому з метою їх екстраполяції на майбутнє. Для прогнозування використовуються як лінійні, так і нелінійні регресійні рівняння. Для врахування гетерохронності розвитку різних суспільно-просторових процесів у регіоні методи множинної регресії можуть передбачати аналіз розподілених лагів.

Методи авторегресії, або методи Бокса-Дженкінса, спрямовані на виявлення залежності значень певного показника, що характеризує розвиток регіону, від його попередніх значень. Для цього задається лише клас моделей, а далі за допомогою специфічних процедур визначаються параметри авторегресійної моделі, що буде використовуватися для прогнозування.

Методи ланцюгів Маркова передбачають дослідження дискретних у часі процесів регіонального розвитку, для яких характерна залежність ймовірності перебування у певному стані від попередніх станів. Для прогнозування використовуються ланцюги Маркова як першого порядку (коли кожний конкретний стан процесу залежить лише від попереднього), так і вищих порядків (коли нинішній стан залежить від двох і більше попередніх). На основі ретроспективного аналізу даних визначається матриця імовірнісного переходу P, кожний елемент якої (Pg) вказує на імовірність переходу зі стану s_і у стан s_j (наприклад, переходу міста з однієї категорії до іншої). На діагоналі матриці містяться значення імовірності того, що об'єкт залишиться у тому ж стані (тобто зміни категорії міста не відбудеться). Для переходу до ланцюгів вищих порядків матриця імовірностей переходу підноситься до відповідної степені (наприклад, P² для матриці другого порядку і т.д.). Додатково визначаються вектори імовірностей появи нових об'єктів (наприклад, отримання статусу міста новими поселеннями, ) та зникнення існуючих (втрати містом такого статусу, ). Взаємозв'язок цих складових відображає остаточна формула імовірностей переходів, що використовується для прогнозування: . Важливою особливістю таких процесів є те, що через певну кінцеву кількість кроків досягається сходимість, стабілізація, тобто усі елементи системи досягають певних значень, що далі практично не змінюються. Отже, ланцюги Маркова дозволяють розробляти або прогнози кількості міст у розрізі категорій на певну кількість років (5-10-15 і т.д.), або довготермінові прогнози їх стабілізації, коли визначається період, після якого зміна кількості міст кожної категорії не змінюватиметься.

Новітніми у суспільно-географічному прогнозуванні регіонального розвитку є нейромережеві методи адаптація яких лише розпочалася. Ці методи за змістом подібні до методів множинної регресії та авторегресії: вони дозволяють прогнозувати одні показники залежно від значень інших, а також значень окремих показників у майбутньому залежно від їх попередніх значень (з урахуванням певного часового лагу). Проте специфікою нейромережевих методів є використання як вхідних даних прикладів, що виступають основою для «навчання» нейромережі. Принцип дії цих методів ґрунтується на аналогії з дією нейронів у людському організмі.

Нейронна мережа (Neural network) являє собою сукупність нейронів, що певним чином взаємодіють між собою. Кожний нейрон має відростки нервових волокон (дендрити) двох типів: кілька дендритів, через які приймаються імпульси (входи, х_i) та один, через який передаються імпульси — аксон (вихід, у). Останній контактує з дендритами інших нейронів через спеціальні утворення — сінапси, які впливають на силу імпульсу. При проходженні синапсу імпульс змінюється у певну кількість разів (ваговий коефіцієнт, w_i). Імпульси, що поступають до нейрона одночасно через декілька дендритів, сумуються. Якщо сумарний імпульс перевищує певне порогове значення, то нейрон збуджується, формує власний імпульс і передає його далі через аксон. За цим же принципом діють і штучні нейромережі, які дозволяють обрахувати вихідний сигнал за сукупністю вхідних з урахуванням вагових коефіцієнтів: (рис. 4.4).

Отже, механізм використання нейромережевих методів такий: спочатку обирається тип мережі, потім здійснюється її навчання на прикладах (прикладами виступають певним чином модифіковані динамічні ряди), а після цього — власне застосування. Для цілей прогнозування найчастіше використовуються одно- і багатошарові перцептори та нейромережі із загальною регресією.

Перспективними для суспільно-географічного прогнозування регіонального розвитку є методи фрактальної геометрії. Фрактали, що відображають динаміку певного процесу, будують за допомогою ламаної - фрактального генератора, форма якого визначається за ретроспективними даними. Подальша процедура перетворень зображена на рис. 4.5. У результаті отримується так званий уніфрактал. Для того, щоб від уніфракталу перейти до мультифракталу (який відображає реальні, а не монотонні, підйоми і спади у динаміці певного процесу), горизонтальна вісь часу подовжується або скорочується таким чином, щоб частини фрактального генератора були розтягнути або стиснуті [268].

Рис. 4.4. Принцип дії нейромережі

Такі методи не дають точних кількісних прогнозів, але вони дозволяють оцінити ймовірність якісної зміни у динаміці процесу (перехід від зростання до спадання і навпаки). Тобто вони виступають лише індикаторами можливого «перелому» тренду, переходу від однієї хвилі (стадії) розвитку регіону до іншої, наближення точки біфуркації.

Рис. 4.5. Приклад побудови геометричних фракталів [268]

Друга підгрупа фактографічних методів — методи аналізу та прогнозування просторової взаємодії, зокрема, методи просторової регресії, теорії поля, оверлейний аналіз, методи теорії графів, а також методи пошуку емпіричних залежностей.

Методи просторової регресії дозволяють виявляти тренди у територіальній зміні певних показників розвитку регіонів та обчислювати відхилення від них (залишки просторової регресії). Саме залишки свідчать про аномалії, територіальні диспропорції, виступаючи основою для розробки цільових прогнозів. Незалежними змінними у просторовій регресійній моделі виступають координати рівновеликих квадратів, на які розбивається територія досліджуваного регіону. На основі обрахованих значень за допомогою методу просторового згладжування будуються карти трендової та залишкової поверхонь просторової регресії. Такі методи використовуються для прогнозування просторової організації тих видів людської діяльності, що мають континуальний просторовий вираз (наприклад, процеси землекористування, сільськогосподарського виробництва тощо).

Згідно теорії поля, поведінка людей у просторі є детермінованою існуючою незалежно від них просторовою структурою суспільно- географічних утворень — розміщенням міст, промислових підприємств тощо. Останні утворюють поле, що виражається системою потенційних взаємодій і зберігає доволі високу стабільність у часі. Отже, визначивши основні характеристики такої взаємодії, можна передбачати, прогнозувати поведінку людей у просторі. Обсяги переміщень визначаються пропорційно різниці потенціалів полів. Потенціал поля при цьому обраховується на основі показників, що враховують і силу впливу ядер концентрації людської діяльності (наприклад, чисельність чи доходи населення) та відстані до них (відстані можуть виражатися у кілометрах, грошових витратах, годинах, літрах бензину, або кількістю контактів — поїздок, телефонних розмов, поштових листівок). На основі обрахованих потенціалів полів будуються серії різночасових карт статистичних поверхонь, що дозволяють виявляти тенденції у розвитку відповідних процесів у регіонах та у разі необхідності екстраполювати їх на майбутнє. Такі методи використовуються для прогнозування просторової організації тих видів людської діяльності, що мають дискретний просторовий вираз (наприклад, розселення населення, промислове виробництво тощо).

Близькими за змістом до методів теорії поля є гравітаційні моделі, що передбачають емпіричний пошук аналогії суспільно-просторових процесів у математичних моделях фізики (зокрема, аналогія із формулою тяжіння Ньютона). Іншим прикладом пошуку емпіричних залежностей є формула Ципфа-Медведкова («ранг-розмір»), яка, зокрема, дозволяє за прогнозною величиною найбільшого поселення визначати прогнозну чисельність решти.

Оверлейний аналіз передбачає накладання двох і більше різночасових картографічних шарів, що дозволяє виявляти тенденції у зміні сфер впливу ядер концентрації людської діяльності, буферні зони, можливості формування нових просторово локалізованих утворень.

Методи теорії графів відносяться до так званої якісної геометрії, яка оперує безрозмірними величинами і передбачає аналіз просторових елементів. Граф — це фактично множина точок (вершини графу) та множина відношень між ними (ребра графа). За допомогою методів теорії графів аналізується територіальна структура регіону, що має лінійно-вузловий характер (т.зв. суспільно-географічні мережі), її окремі елементи, полюси та потоки, ієрархія, а також лінійні бар'єри — границі (з використанням графів із комірковими мережами). За конфігурацією графів можна визначати стадії та рівні розвитку суспільно-географічних мереж, а за її зміною у часі - територіальні зрушення.

Третя підгрупа фактографічних методів суспільно-географічного прогнозування регіонального розвитку — методи таксономічного групування, класифікації, що об'єднує кластерний, дискримінантний, факторний аналізи, метод побудови карт самоорганізації Кохонена, а також методи теорії нечітких множин, лінгвістичної змінної.

Групування об'єктів за подібністю певних характеристик здійснюється за допомогою кластерного аналізу. Він передбачає поділ вхідної сукупності об'єктів (регіонів) на кластери (класи, групи). Головним результатом використання кластерного аналізу для цілей прогнозування є визначення спільних тенденцій розвитку регіонів. Критерієм об'єднання у кластери є мінімум відстані у просторі показників, що характеризують їх розвиток, тому важливим є вибір типу відстані (евклідова, манхетенська та ін.). Використовуються як агломеративні (передбачають послідовне об'єднання подібних за обраними показниками регіонів у спільні кластери), так і дивізивні (передбачають ітераційний поділ сукупності регіонів на апріорно задану кількість кластерів) методи кластеризації.

Якщо для певних регіонів уже визначений тип розвитку, то за подібністю значень за основними, визначальними показниками можна виявити й тип розвитку будь-якого іншого регіону. Для цього використовується дискримінантний аналіз, що передбачає обрахунок функцій класифікації (на основі визначальних показників та групуючої змінної, яка відображає тип розвитку). Критерієм визначення типу розвитку регіону виступає максимум функції класифікації.

Карти самоорганізації Кохонена (Self Organizing Maps — SOM) — різновид нейромереж, що дозволяє здійснювати багатовимірну кластеризацію регіонів за подібністю показників, які характеризують їх розвиток. Побудова таких карт передбачає упорядкування структури нейронів зазвичай у двовимірну мережу з шестикутними або прямокутними комірками. Кожний нейрон являє собою л-вимірний вектор, розмір якого визначається розмірністю вхідних векторів. На кожному кроці навчання нейромережі з вхідного набору даних обирається один з векторів, а потім здійснюється пошук найбільш схожого на нього вектора коефіцієнтів нейронів. При цьому визначається нейрон- переможець, який найбільш схожий на вектор входів і ідентифікує, до якого класу належить приклад. Схожість при цьому визначається як евклідова відстань між векторами. До одного кластеру включаються вектори, відстані між якими у межах групи менші, ніж до сусідніх груп. Для визначення найістотніших показників виділення кластерів та їх типових характеристик використовуються класифікаційні «дерева розв'язків».

У випадках, коли основні параметри, що характеризують певний аспект розвитку регіону не можна виразити у вигляді чітко визначених кількісних показників, застосовуються методи теорії нечітких множин (Fuzzy sets theory). Елементи, що складають нечітку множину, володіють спільною властивістю різною мірою і, відповідно, належать до даної множини з різним ступенем. Характеристикою нечіткої множини є функція приналежності , значення якої знаходяться в діапазоні від 0 до 1. Наприклад, ступінь приналежності регіону із значенням коефіцієнта злочинності 950 злочинів на 100000 жителів до нечіткої множини «Соціально безпечний» становить ; до нечіткої множини «Помірно соціально безпечний» становить та до нечіткої множини «Соціально небезпечний» Найчастіше використовуються трикутна, трапецієподібна та Гаусова функції приналежності.

Для опису нечітких множин вводиться поняття лінгвістичної змінної, яка включає назву (наприклад, «Соціальна безпека регіону»); базову терм- множину Т (її елементи — назви нечітких множин, наприклад, Т1 — «Безпечний», Т2 — «Помірно безпечний», Т3 — «Небезпечний»); універсальну множину X (включає усі результати спостережень, наприклад, значення коефіцієнта злочинності від 500 до 1800); синтаксичне правило G, за яким генеруються терми множини Т (наприклад, «Безпечний»); семантичне правило Р, яке кожному значенню лінгвістичних змінної ставить у відповідність нечітку підмножину множини X.

Методи теорії нечітких множин дозволяють на основі нечіткого логічного висновку отримувати чіткі значення вихідної змінної, яка і служить основою для групування регіонів (наприклад, чітко визначається тип соціальної безпеки регіонів /вихідна змінна/ на основі сукупності показників, що відображають рівень прояву різних соціальних негараздів /вхідні змінні/). Для цього здійснюються такі процедури: введення нечіткості (фазифікація), нечіткий висновок; композиція та приведення до чіткості (дефазицікація). Методи теорії нечітких множин можуть використовуватися у поєднанні з нейромережевими (Fuzzy-neural networks).

Зазвичай фактори, що впливають на розвиток суспільно-просторових процесів, характеризуються не одним, а множиною показників, що мають між собою певний зв'язок. Їх об'єднання у групи за подібністю впливу здійснюється за допомогою факторного аналізу. З одного боку, цей метод дозволяє скорочувати кількість показників, а з іншого - їх класифікувати, визначати «приховані» на перший погляд фактори та їх силу впливу. Важливою для цілей таксономічного групування є процедура обрахунку факторних ваг, які розглядаються як відносні оцінки вияву певного фактора у кожному окремому регіоні. Також для цілей прогнозування здійснюється визначення сили впливу факторів та їх структури за базові роки, що дозволяє виявляти відповідні тенденції.

Нарешті, четверта підгрупа фактографічних методів включає методи оптимізації розвитку регіонів, зокрема лінійне та нелінійне програмування, балансові, нормативні методи, а також метод Монте-Карло.

Методи математичного програмування відкривають широкі можливості при оптимізації господарської структури регіонів на перспективу. Найбільшого поширення у суспільній географії набуло лінійне програмування. Зазвичай за допомогою цих методів розв'язується два типи задач: задача про оптимальну структуру виробництва, що полягає у визначенні найкращого за обсягом реалізації або прибутку плану виробництва товарів при обмежених ресурсах або виробничих потужностях (найчастіше використовується при прогнозуванні агропромислового розвитку), та транспортна задача, суть якої — у виборі оптимального плану перевезень, що забезпечує мінімум транспортних витрат при виконанні заданих обсягів поставок споживачам у різних пунктах, при різних можливих маршрутах, з різних пунктів, у яких запаси або виробничі потужності обмежені. Іншими словами, транспортна задача полягає в оптимізації транспортних потоків від об'єктів виробництва (пропозиції) до об'єктів споживання (попиту).

До задач математичного програмування зводиться й ряд так званих задач теорії ігор. Теорія ігор — це теорія математичних моделей прийняття рішень в умовах конфлікту або невизначеності. Розрізняють «ігри» з пасивним «гравцем», що діє незалежно від наших планів, та з активними «гравцями», що діють у відповідь на наші дії. Розв'язок задач теорії ігор залежить від рівня можливо допустимого ризику, або базується на отриманні максимально гарантованої вигоди.

Балансові методи передбачають оптимізацію господарської діяльності шляхом узгодження міжгалузевих та міжрегіональних потоків виробництва і споживання, природних і трудових ресурсів тощо. Найпоширенішими при суспільно-географічному прогнозуванні є міжгалузеві балансові моделі виробництва і споживання продукції у регіоні. Вони дозволяють визначити можливості, шляхи та засоби узгодження потреб з ресурсами розвитку регіону на перспективу. У випадку перевищення потреб у тому чи іншому виді ресурсів над наявними запасами визначаються можливості збільшення виробництва, зменшення споживання чи використання замінників. За умови перевищення ресурсів над потребами можуть прогнозуватися збільшення резервів, експортних поставок, обсягів споживання. Баланси виражаються у вигляді системи рівнянь, в основі яких лежать коефіцієнти прямих затрат.

У цілому при всій науково-практичній значимості переоцінювати методи лінійного програмування та балансові методи не варто, оскільки вони практично не враховують суб'єктивних факторів регіонального розвитку.

Нормативні методи також широко застосовуються при суспільно- географічному прогнозуванні. Норми і нормативи, що лежать в основі прогнозних розрахунків, розробляються наперед на законодавчій чи відомчій основі. Норма — це максимально допустима величина, норматив — це певне співвідношення базових показників (складова норми). Найчастіше у прогностичній діяльності користуються такими нормативами: загальноекономічними, ресурсними, фінансовими, соціальними, екологічними. Наявність норм і нормативів дозволяє визначити прогнозні показники на основі прямого рахунку. Наприклад, при відомих соціальних нормативах легко визначити необхідні обсяги будівництва об'єктів соціальної інфраструктури (з урахуванням прогнозів чисельності населення, осіб певних вікових груп).

Суть методів імітаційного моделювання Монте-Карло (MCS — Monte-Carlo Simulation) полягає в обрахунку імовірнісного розподілу ключових параметрів проекту (стратегії регіонального розвитку), що наперед не визначені. Для кожного проекту задаються припустимі межі зміни цих параметрів, їх імовірнісні характеристики (найчастіше — математичне очікування та середньоквадратичне відхилення) та взаємні кореляційні зв'язки. Змістовно методи Монте-Карло передбачають такі процедури: визначення імовірнісної моделі для генерації ризикоутворюючих факторів (найчастіше використовуються моделі геометричного броунівського руху та експоненційна); генерація випадкових чисел та їх трансформація у відповідності до обраного імовірнісного розподілу (нормальний, постійний, трикутний, покроковий та ін.); генерація сценаріїв зміни ризикоутворюючих факторів та їх оцінка (чим більше сценаріїв, тим точніше кінцеві результати); отримання ступеня ризику та інтерпретація результатів (на основі побудованого профілю ризику - імовірності кожного можливого варіанту стратегій розвитку регіонів). У цілому методи Монте-Карло дозволяють прогнозувати імовірності вартості проектів, часу їх виконання, критичних шляхів розвитку тощо.

Згідно поставленої мети прогнозування концептуальні підходи та відповідні набори методів суттєво різняться. З одного боку, прогнози можуть давати відповідь на питання: що буде за тих чи інших умов, з іншого —передбачати шляхи досягнення поставленої мети. Відповідно до цього розрізняють способи прогнозування:

— екстраполяційне прогнозування (пошукове, генетичне, ресурсне), яке передбачає, що знайдені тенденції розвитку суспільно-просторових процесів у минулому та сучасному будуть зберігатись і надалі. Екстраполяція (лат. extra — поза та polio — змінюю, пригладжую) — це поширення (перенесення, продовження) результатів, отриманих із спостережень над однією частиною явища, на другу його частину. Прогнозна екстраполяція — це продовження виявлених тенденцій у минулому на майбутнє. При екстраполяційному прогнозуванні не враховуються ті умови, що здатні змінити тенденції (урядові рішення, цільові програми, непередбачені негативні випадки тощо). Його завдання — виявити, як буде розвиватись досліджуваний процес при збереженні існуючих тенденцій (якщо прогностичний фон буде незмінним). Екстраполяційний спосіб прогнозування передусім передбачає використання методів аналізу динаміки регіонального розвитку, а також методів таксономічного групування, класифікації, які дозволяють виявити кластери регіонів з подібними тенденціями розвитку.

нормативне прогнозування (інтерполяційне, гіпотетичне, телеологічне), яке передбачає виявлення шляхів досягнення бажаного стану суспільно-просторових процесів на основі наперед заданих критеріїв, цілей розвитку. Воно базується на сформованій теоретичній концепції розвитку суспільно-просторових процесів у майбутньому. Додатково враховується досвід «передових» регіонів стосовно можливостей його використання іншими. Таким чином, обґрунтовуються гіпотетичні значення основних показників на прогнозні роки. Основне завдання нормативного прогнозування — визначити шляхи і строки досягнення можливих станів просторової організації людської діяльності у регіоні у майбутньому, що приймаються як мета. При нормативному способі прогнозування передусім застосовуються методи оптимізації розвитку регіонів та аналізу просторової взаємодії, що передбачають виявлення територіальних диспропорцій, аномалій, невідповідностей, а також оптимальних структур, потенційних обсягів переміщень тощо.

комбіноване прогнозування, яке являє собою поєднання попередніх і дає можливість будувати варіантні прогнози розвитку суспільно-просторових процесів. При прогнозуванні складних об'єктів, зрозуміло, найкраще застосовувати комбінований спосіб, у межах якого домінування кожного з попередніх визначається концептуально. Найкращий варіант — оптимальне поєднання екстраполяційності та нормативності. А. Трофімов, Р. Хузєєв, І. Дудник підхід, що включає елементи пошукового і нормативного способів прогнозування, називають функціональним, оскільки у його основі лежить свідомий цілеспрямований перерозподіл функцій у системі [172, с. 101; 54, с. 156-157].

Одним із найефективніших сучасних засобів пізнання складних утворень є моделювання. Це універсальний загальнонауковий засіб наукових досліджень. Він передбачає вивчення таких об'єктів дослідження, безпосереднє прогнозування яких (традиційними засобами) в силу певних причин неможливе, ускладнене чи недоцільне.

У загальнонауковій літературі поняття моделювання трактується як дослідження певних явищ, процесів шляхом побудови, вивчення та використання моделей. Моделювання взагалі є широким поняттям, що відноситься практично до усіх сторін людської діяльності. Тому у даному разі йдеться про наукове моделювання, а з точки зору географії — географічне (суспільно-географічне) моделювання як процес побудови, вивчення і використання географічних (суспільно-географічних) моделей у практичній і теоретичній діяльності.

Залежно від методичного апарату та технічних засобів, що використовуються, усі види прогнозного суспільно-географічного моделювання можна об'єднати у групи: географо-математичне, геоінформаційне, біхевіористичне моделювання.

Географо-математичне моделювання ґрунтується на використанні математичних методів дослідження та комп'ютерних програм користувача, зокрема, Excel, Statistica, QSB тощо. Це традиційний засіб наукових досліджень у суспільно-географічній прогностиці, зміст якого широко та всебічно розкритий у фаховій літературі.

Можна виділити дві великих групи географо-математичних моделей — статистичні та оптимізаційні. Статистичні моделі ґрунтуються на застосуванні методів математичної статистики і, у свою чергу, поділяються на факторні (наприклад, декомпозиційні, трендові (однофакторні), кореляційно-регресійні (багатофакторні) моделі) та типологічні (наприклад, кластерні моделі). Оптимізаційні моделі ґрунтуються на методах математичного програмування та пошуку емпіричних залежностей і поділяються на структурні моделі (наприклад, модель виробничої задачі лінійного програмування) та моделі потоків (наприклад, моделі транспортної задачі, гравітаційні). Зміст основних географо-математичних моделей висвітлений автором у відповідному навчальному посібнику [101, с. 14-46].

Геоінформацйне моделювання базується на використанні передусім математико-картографічних методів дослідження, ГІС-аналізу та відповідних комп'ютерних програм (зокрема, ArcView, MapInfo, Surfer тощо). Тут варто дещо детальніше зупинитися на змісті геоінформаційних систем. ГІС — це автоматизована інформаційна система, призначена для обробки просторово-часових даних, основою інтеграції яких є географічна інформація [229]. ГІС являють собою комп'ютерну базу просторово організованих (координатно визначених) даних у поєднанні з електронними засобами та програмами їх аналізу. ГІС — це інформаційна модель реального простору за встановленим переліком ознак і характеристик [216, с. 114].

Основними особливостями ГІС є мультиформативність (сприймає, обробляє та візуалізує інформацію у різних формах — текстовому, графічному, табличному, картографічному), блоковість (включає окремі тематичні блоки, наприклад, блоки аналізу, прогнозу регіонального розвитку, практичної реалізації у рамках регіональної політики), багаторівневість (дозволяє переходити від локального до регіонального, національного і т.д. рівнів агрегації інформації), просторово-часова упорядкованість даних (поєднання, узгодження просторової та динамічної інформації щодо розвитку регіонів), багаторазове та багатоаспектне використання даних тощо.

Основними різновидами геоінформаційних моделей є такі: картографічні моделі (передбачають побудову та накладання карт просторової організації різних видів людської діяльності у регіонах), моделі «статистичного рельєфу» (наприклад, моделі потенціалу поля, трендові та залишкові моделі просторової регресії), імітаційні моделі (наприклад, моделі просторової дифузії, еволюції транспортних мереж, моделі прийняття рішень щодо локалізації та переміщення у просторі тощо).

Біхевіористичне моделювання ґрунтується передусім на використанні методів опитування, і передбачає узагальнення кількісної інформації, отриманої у результаті експертних оцінок. Респондентами можуть виступати як фахівці-експерти, так і жителі певних регіонів. Відповідно будуються моделі стратегій розвитку (дозволяють передбачити імовірність зміни стадій регіонального розвитку, настання певних подій, визначити пріоритетність напрямів розвитку регіонів, оцінити найістотніші ризики і загрози) та моделі образів (дозволяють сформувати перцепційні стереотипні портрети регіонів, оцінити їх притягальну силу, рівень сформованості тощо).