Научно-технического прогнозирования

 

Научное прогнозирование насчитывает в настоящее время около 140 различных по уровню, масштабам и научной обоснованности методов и приемов прогнозирования научно-технического развития. Действительное число методов, используемых в регулярной практике, значительно меньше.

Практически, наиболее целесообразно, эти методы сводятся в три основных класса (рис. 5.2):

1. Методы статистические.

2. Методы экспертизы.

3. Методы моделирования.

При этом каждый из основных классов включает в себя по несколько видов и характерных групп методов научного прогнозирования.

Основным видом статистического прогнозирования является экстраполяция. Методологической основой статистической экстраполяции тенденций является представление о развитии объекта прогнозирования как о неразрывной связи прошлого, настоящего и будущего его состояния (инертность развития), использование выявленных закономерностей за предшествующий период и в определении их на последующий период.

Понятие тенденции развития не имеет достаточно четкого определения. Принято под тенденцией развития понимать некоторое общее направление развития, долговременную эволюцию. Обычно тенденцию стремятся представить в виде гладкой траектории. Предполагается, что такая траектория, которую можно охарактеризовать в виде некоторой функции времени, назовем ее трендом, характеризует основную закономерность движения во времени и в некоторой мере (но не полностью) свободна от случайных воздействий. Тренд описывает фактическую усредненную для периода наблюдений тенденцию изучаемого процесса (технического показателя и др.) по времени, его внешнее проявление.

При наличии достаточного количества статистических данных (банк данных) (например, минимальное число данных для линейного, параболического и кубического трендов соответственно 6, 13 и 23) и при предлагаемом сохранении технологии и принципов работы машин (устройств и др.) тренд описывается математическим выражением (математическая модель). При этом метод прогнозирования заключается в экстраполяции, т.е. в продлении в будущее тенденции, наблюдаемой в прошлом.

При этом важным методическим обстоятельством рассматриваемого класса прогнозирования является выбор соотношения глубины ретроспекции экстраполируемой тенденции (базы экстраполяции – основания прогноза) и дальности экстраполируемого интервала.

При прогнозировании показателей технического уровня тракторов и сельскохозяйственных машин необходимое время ретроспекции   устанавливается из условия

,                                       (5.1)

где  - время упреждения прогноза (время экстраполяции).

При известном времени ретроспекции время экстраполяции

.                                           (5.2)

 

 

            

 

При этом различают: краткосрочный прогноз (5-10 лет), среднесрочный прогноз (10-15 лет), долгосрочный прогноз (15-25 лет).

Весьма распространены методы прогнозирования, связанные со сбором и систематизацией экспертных оценок.

Эксперт – это специалист в конкретной области науки или техники, у которого имеется гипотетическое представление о путях разрешения нынешних противоречий процессов, априорных оценок значимости различных решений науки и практики и интуитивных догадок об альтернативах и возможностях вариантах развития.

Методологической основой использования методов экспертных оценок при прогнозировании является отсутствие достаточного количества статистических данных (например, новое направление в науке или технике), а также прогнозирование некоторых аспектов развития, которые не имеют количественных оценок (например, пути решения технической проблемы, оценка вероятности использования в технике (в ожидаемые сроки) различных открытий и др.).

Основой экспертных оценок, полученных коллективом экспертов, является процедура сбора прогнозной информации, определение степени согласованности мнений экспертов по конкретным перспективам развития и оценка некоторых аспектов развития (прогнозирование). Методика организации проведения опроса экспертов и методы обработки полученной информации разработаны достаточно глубоко [116].

Большое значение приобретают в настоящее время методы прогнозирования, основанные на математических и информационных моделях (методы моделирования). При этом строятся модели, основанные на изучении внутренней логики развития конкретной научной дисциплины (историко-логические модели), информационные модели (например, моделирование информационных сигналов, содержащихся в потоке патентных документов о мировом техническом опыте в каком-либо конкретном направлении), функционально-иерархические модели, одним из простейших которых являются модели, описывающие закономерности работы (функционирования) технического объекта, позволяющие прогнозировать направления развития и кратчайшие пути достижения поставленных целей развития.

 

5.2.1. Метод экспертных оценок

 

Существует большое количество методов экспертной оценки [116]. Рассмотрим один из наиболее часто используемых.

Оценка качественного состава экспертной комиссии, как указывалось выше, процесс формирования экспертной группы и подготовка экспертов к измерениям – весьма важные и ответственные этапы. Применение экспертного метода предполагает соблюдение следующих условий:

- экспертная оценка должна производиться только в том случае, когда нельзя использовать для решения вопроса более объективные методы;

- в работе экспертной комиссии не должно быть факторов, которые могли бы влиять на искренность суждений экспертов, мнения экспертов должны быть независимыми;

- вопросы, поставленные перед экспертами, не должны допускать различного толкования;

- эксперты должны быть компетентны в решаемых вопросах;

- количество экспертов должно быть оптимальным;

- ответы должны быть однозначными и обеспечивать возможность их математической обработки.

Качественный состав экспертной комиссии – важное условие эффективности экспертного метода. Вполне очевидно, что во всех без исключения случаях экспертиза должна проводиться грамотными, высококвалифицированными, компетентными и достаточно опытными специалистами. Весьма полезно их предварительное специальное обучение и совершенно необходим инструктаж. На завершающем этапе формирования экспертной группы целесообразно провести тестирование, самооценку, взаимооценку экспертов и проверку согласованности мнений.

Тестирование состоит в решении экспертами задач, подобных реальным, с известными (но не экспертам) ответами. На основании результатов тестирования по критерию Р.А.Фишера проверяется равноточность отсчетов, даваемых экспертами, устанавливается их компетентность и профессиональная пригодность.

Самооценка экспертов состоит в том, что каждый из них в строго ограниченное время отвечает на вопросы специально составленной анкеты, в результате чего быстро и просто проверяет свои профессиональные знания и деловые качества по балльной системе. При всей субъективности такой оценки опыт показывает, что экспертные группы с высокими показателями самооценки экспертов ошибаются в меньшей степени.

Весьма показательной является взаимная оценка экспертами друг друга (также по балльной системе). Для этого, разумеется, необходим опыт совместной работы.

При наличии сведений о результатах работы эксперта в других экспертных группах критерием его квалификации может стать показатель или степень надежности – отношение числа случаев, когда мнение эксперта совпало с результатами экспертизы, к общему числу экспертиз, в которых он участвовал. Использование этого подхода к отбору экспертов требует накопления и анализа большого объема информации, но открывает возможность непрерывного совершенствования качественного состава эксперт - групп.

На заключительном этапе подготовки экспертной комиссии согласованность мнений экспертов, включенных в ее состав, определяют по общему для всей комиссии показателю качества – коэффициенту конкордации

,                                       (5.3)

где

; ,

где S - сумма квадратов отклонений суммы рангов каждого объекта экспертизы от среднего арифметического суммы рангов;  - число экспертов;  - число объектов экспертизы;  - ранг оценки -м экспертом -го объекта экспертизы.

В зависимости от степени согласованности мнений эксперта коэффициент конкордации может принимать значения от 0 (при отсутствии согласованности) до единицы (при полном единодушии).

ПРИМЕР. Определить степень согласованности мнений пяти экспертов, результаты ранжирования которыми семи объектов экспертизы приведены в табл.5.2.

 

Таблица 5.2

Результаты промежуточных вычислений

 

Номер j-го объекта экспертизы	Оценка -го эксперта,					Сумма рангов	Отклонение от среднего арифметического, Sj	Квадрат отклонения от среднего арифметического, Sj2
	1-го	2-го	3-го	4-го	5-го
1 2 3 4 5 6 7	4 3 2 6 1 5 7	6 3 2 5 1 4 7	4 2 1 6 3 5 7	4 3 2 5 1 6 7	3 4 2 6 1 5 7	21 15 9 28 7 25 35	-1 5 11 8 -13 5 15	1 25 121 64 169 25 225

Решение.

1. Составим вспомогательную табл. 5.2.

2. Среднее арифметическое рангов

.

3. Используя результаты промежуточных вычислений, приведенные в табл.5.2, получим

=630.

4. Коэффициент конкордации

.

Степень согласованности мнений экспертов можно считать удовлетворительной.

Если степень согласованности мнений экспертов оказывается неудовлетворительной , принимают специальные меры для ее повышения. Сводятся они, в основном, к проведению тренировок с обсуждением результатов и разбором ошибок. Если возможности для предварительной подготовки экспертов нет, измерение проводится по методу Дельфы. Характерными чертами этого метода являются:

- анонимность – эксперты не встречаются друг с другом, чтобы избежать влияния авторитета и красноречия кого-либо из них;

- многоэтапность – после каждого тура опроса эксперты знакомятся с мнениями друг друга и при необходимости представляют письменные обоснования своих точек зрения. Соглашаясь или не соглашаясь с мнениями коллег, они могут пересматривать свою точку зрения;

- контроль – после каждого тура проверяется согласованность мнений экспертов до тех пор, пока разброс отдельных мнений не снизится до заранее выбранного значения.

При особо ответственных измерениях экспертным методом могут учитываться весовые коэффициенты квалификации экспертов.

Количество экспертов тоже играет важную роль. С ростом числа экспертов в группе точность измерения повышается. Это фундаментальное свойство любого многократного измерения известно и используется для определения численности экспертной группы , обеспечивающей заданную точность измерения.

Экспертная оценка по методу весовых коэффициентов. Смысл метода весовых коэффициентов в том, что объекты, подлежащие экспертизе – экспертной оценке значимости объекта в представленной выборке объектов, представляются каждым экспертом в виде ранжированного ряда, определяющего место объекта в выборке. Статистическая обработка ранжированных объектов позволяет оценить весовые коэффициенты объектов. Величина весовых коэффициентов определяет прогнозную экспертную оценку значимости объекта в представленной выборке. Обычно порядок действий при этом бывает следующий.

1. Объекты экспертизы располагаются в порядке их предпочтения (ранжирование). Место, занятое при такой расстановке в ранжированном ряду, называется рангом.

2. Наиболее важному объекту приписывается больший балл или весовой коэффициент; всем остальным в порядке уменьшения их относительной значимости – баллы или весовые коэффициенты от максимального до 0.

3. Сопоставляется первый объект с совокупностью всех остальных. Если, по мнению эксперта (экспертов), он предпочтителен, чем совокупность всех остальных вместе взятых, то результат измерения в баллах или весовой коэффициент корректируется в сторону увеличения с таким расчетом, чтобы он стал больше (иногда определяют и насколько больше) суммы баллов или весовых коэффициентов всех остальных объектов экспертизы, которые ниже рангом. В противном случае результат измерения или весовой коэффициент первого объекта корректируется в сторону уменьшения так, чтобы он оказался меньше суммы баллов или весовых коэффициентов остальных объектов.

4. Сопоставляется второй объект с совокупностью всех остальных, стоящих ниже рангом. По установленному выше правилу корректируется результат его измерения или значение весового коэффициента (при этом нужно следить, чтобы не нарушилось предпочтение первого объекта перед совокупностью всех остальных, если оно установлено на предыдущем этапе). Такая процедура сопоставлений и корректировок продолжается вплоть до предпоследнего объекта.

5. Полученные результаты измерений или весовые коэффициенты нормируют, то есть делят на общую сумму баллов или весовых коэффициентов. После этого они принимают значения в пределах от 0 до 1, а их сумма становится равной 1.

Вся эта процедура проделывается при уточнении ранжированного ряда. (Этот метод впервые был предложен в начале 1950-х годов американскими учеными Т. Дж. Гордоном и О. Хелмером для решения военных проблем. Идеология его происходит из древнегреческого города Дельфы, где по преданию при храме Аполлона с IX в. до н.э. по IV в н.э. существовал совет мудрецов («дельфийский оракул»), славившийся своими предсказаниями.

Результат многократного измерения экспертным методом весовых коэффициентов должен учитывать мнения всех экспертов (все результаты однократных измерений)). Значения весовых коэффициентов  в таком случае рассчитывают по формуле

.                                            (5.4)

ПРИМЕР. Мнения пяти экспертов о семи объектах экспертизы выражены следующим образом:

1-й эксперт:     ;

2-й эксперт:     ;

3-й эксперт:     ;

4-й эксперт:     ;

5-й эксперт:     .

По сумме рангов каждого объекта экспертизы построить ранжированный ряд, являющийся результатом многократного измерения. Определить весомость членов ряда.

Решение.

1. Сумма рангов объектов по экспертам:

 равна 4+6+4+4+3=21;

 равна 3+3+2+3+4=15;

 равна 2+2+1+2+2=9;

 равна 6+5+6+5+6=28;

 равна 1+1+3+1+1=7;

 равна 5+4+5+6+5=25;

 равна 7+7+7+7+7=35.

Результат многократного измерения имеет вид:

.

2. По формуле (5.4) величина весовых коэффициентов:

; ; ;

; ; ; ;

.

Минимальный весовой коэффициент у объекта №5, максимальный – у объекта №7.

 

5.2.2. Статистическое прогнозирование показателей

технического уровня сельскохозяйственных машин

 

Для прогнозирования численных значений показателей технического уровня тракторов и сельскохозяйственных машин (СХМ) целесообразно применять методы статистического прогнозирования – экстраполяции тенденций при условии наличия достаточного банка статистических данных и при предполагаемом сохранении технологии и принципов работы машин.

В зависимости от специфических особенностей и целевого назначения сельхозмашин прогнозирование показателей их технического уровня должно осуществляться по подгруппам и видам машин.

Учитывая, что сложные СХМ, как правило, не могут быть охарактеризованы одним показателем, в качестве основных показателей технического уровня СХМ используются следующие:

- производительность за час чистого времени;

- масса машин;

- мощность двигателей;

- универсальность;

- дорожный просвет;

- ширина захвата;

- рабочая скорость движения агрегата на основных операциях;

- коэффициент использования рабочего времени смены;

- коэффициенты надежности выполнения технологических процессов;

- среднесменное время технического обслуживания.

Структура прогнозирования численных значений показателей технического уровня СХМ представляет собой совокупность следующих этапов:

1. Выбор номенклатуры тракторов и СХМ и прогнозируемых показателей технического уровня.

2. Выявление и анализ тенденций развития.

3. Выбор формы кривых роста, описывающих закономерности развития прогнозируемых показателей.

4. Оценка параметров кривых роста, построение тренда.

5. Экстраполяция тренда и доверительные интервалы прогноза.

6. Оценка результатов прогнозирования.

Рассмотрим прогнозирование показателей технического уровня на примере основных видов зерноочистительных машин.

 

5.2.2.1. Выявление и анализ тенденций развития

 

Для выявления анализа тенденций развития основных показателей технического уровня СХМ необходимо проанализировать рассматриваемые машины, выпускаемые фирмами разных стран мира или только Российской Федерацией. При анализе и систематизации технических показателей этих машин в банки статистических данных необходимо учитывать их однородность и сопоставимость. Основой разбиения этих машин по видам и соответствующих им технических показателей является, как правило, целевое назначение этих машин (зерноуборочные комбайны, воздушно-решетные машины первичной очистки и др.).

Полученные динамические ряды – зависимости величин показателей технического уровня от времени (банки статистических данных) необходимо проанализировать на наличие статистически значимой разности этих показателей от времени. Решение этой задачи основывается на статистической проверке гипотез [111].

Наиболее простой подход заключается в разбиении анализируемого ряда на две примерно равные по числу членов части, каждая из которых рассматривается как некоторая самостоятельная выборочная совокупность данных. Испытание разности средних, исчисленных для каждой их этих совокупностей, покажет, существенно ли различаются между собой средние (т.е. существенна ли зависимость величины показателя от времени), или это расхождение не превышает доверительного интервала ряда случайных величин (т.е. не существует статистически значимого различия величины показателя в рассматриваемый отрезок времени).

Можно воспользоваться методом проверки, разработанным для малых выборок (предполагается, что они имеют нормальное распределение).

Ряд разбивается на две части, каждая из которых рассматривается как две выборки. Первая имеет среднюю , вторая . Необходимо проверить гипотезу о существенности разности . Проверка этой гипотезы проводится по - критерию Стьюдента [30], применение которого правомерно при однородности дисперсий двух исследуемых совокупностей  и .

Проверка однородности дисперсий реализуется с помощью -критерия Фишера [30], который основан на сравнении расчетного отношения

  (где )                              (5.5)

с табличным , величина которого выбирается для заданного уровня значимости  (для анализа функциональных зависимостей используют  или ) и числа степеней свободы числителя (большая из дисперсий)  и знаменателя  (  и  - соответственно число показателей в первой и второй выборке). Если , при заданном уровне доверительной вероятности, то гипотеза о равенстве дисперсий  и  принимается, в противном случае  - отклоняется и, следовательно, использование -критерия Стьюдента для оценки разности средних невозможно.

При выполнении условия () расчетное значение -критерия определяется из выражения

,

где  - среднее квадратическое отклонение разности средних,

.

При  гипотеза о зависимости величин показателя  от времени принимается, в противном случае  - отвергается (здесь  - табличное значение -критерия Стьюдента при заданном уровне значимости  и числе степеней свободы ). Проверка разности средних по -критерию Стьюдента не является единственным способом проверки зависимостей изменения показателей от времени, для этого разработан ряд критериев: использование повторных точек, корреляция рангов и др. [111].

 

5.2.2.2. Выбор формы кривой, описывающей

закономерности развития прогнозируемых показателей

Кривые роста, описывающие закономерности развития прогнозируемых показателей во времени, получают путем аналитического выравнивания динамических рядов. Процесс выравнивания (т.е. подгонка выбранных функций к данным динамического ряда) состоит из двух основных этапов:

1. Выбор типа кривой, форма которой соответствует характеру изменения динамического ряда.

2. Определения числовых значений (оценивание) параметров кривой.

Вопрос о выборе типа кривой является основным при выравнивании ряда. Ошибка в решении этого вопроса оказывается более значимой по своим последствиям (особенно для прогнозирования), чем ошибка, связанная со статистическим оцениванием параметров. К выбору типа кривой можно подойти различными путями. Предварительно познакомимся с основными типами кривых, используемых при прогнозировании, и их основными свойствами.

Для выравнивания динамических рядов наиболее часто применяют такие относительно простые функции, как многочлены (полиномы), различного рода экспоненты и логистические кривые.

Многочлены имеют следующий вид:

первой степени          ,  (рис. 5.3,а);                       (5.6)

второй степени      (рис.5.3,б);                  (5.7)

третьей степени         (рис.5.3,в)           (5.8)

-й степени         .              (5.9)  

Здесь  - параметры многочленов;  - независимая переменная (время).

 

Рис. 5.3. Основные типы кривых, используемых при выравнивании показателей процесса

Многочлен первой степени (5.6) (см. рис. 5.3,а) – на графике ему соответствует прямая линия – предполагает постоянство прироста ординат и поэтому применяется для процессов, равномерно развивающихся во времени.

Парабола второй степени (5.7) (см. рис. 5.3,б) описывает движение с равномерным измерением приростов, причем приросты положительны для одной ветви параболы и отрицательны для другой. Парабола второй степени применима для описания процессов, характерной особенностью которых является равноускоренный рост или равноускоренное снижение уровня.

У полинома третьей степени (5.8) (см. рис. 5.3,в) знак прироста ординат может изменяться один или два раза.

Самая простая экспоненциальная (показательная) кривая имеет вид (см. рис. 5.3,г)

,                                              (5.10)

.                                              (5.11)

Более усложненным вариантом экспоненциальной кривой является логарифмическая парабола

.                                     (5.12)

Все рассмотренные выше кривые, соответствующие многочленам, не имеют асимптот, т.е. их рост ничем не ограничен. Теоретически ордината  может принимать любое значение.

Экспоненциальная кривая и логарифмическая парабола имеют асимптоты (например, у экспоненциальной кривой  при , если ).

В ряде случаев, когда процесс характеризуется насыщением, его описание имеет смысл лишь при помощи кривой, имеющей асимптоту, отличающуюся от нуля. Наиболее простым представителем семейства таких кривых является модифицированная экспонента

.                                       (5.13)

Эта функция имеет горизонтальную асимптоту  (см. рис. 5.3,д).

Достаточно широкое применение нашла -образная кривая (кривая Гомперца) (см. рис.5.3,е)

                                        (5.14)

и логистическая кривая (см. рис.5.3,ж)

,                                        (5.15)

где  - некоторая функция от  (часто принимают ).

Экспоненциальные кривые роста хорошо описывают процессы, когда прирост зависит в основном от уже достигнутого уровня, при этом различного рода ограничения для роста не оказывают сколь-нибудь заметного влияния. Если же ограничивающий фактор все время воздействует, причем эффектность его влияния растет вместе с ростом достигнутого уровня, то хорошее описание этого процесса можно получить с помощью модифицированной экспоненты. Наконец, если ограничивающий фактор начинает влиять только после некоторого момента (точка перегиба), до которого процесс развивался, следуя близко к некоторому экспоненциальному закону, то наилучшее приближение дают -образные кривые.

Существует несколько практических подходов, которые позволяют удовлетворительно выбрать адекватную действительному ряду форму кривой.

Визуальный – выбор формы кривой на основе графического изображения динамического ряда – риск ошибки велик, дает приемлемые результаты при относительно простой конфигурации тенденции развития.

Метод последовательных разностей - используется в основном при подборе кривых, описываемых многочленами.

Метод, основанный на точности описания динамического ряда, исходя из величин выбранного критерия согласия (например, остаточная дисперсия).

Определение числовых значений параметров выбранного вида кривой решается известными статистическими методами обработки данных наблюдений.

 

5.2.2.3. Экстраполяция трендов

и доверительные интервалы прогноза

 

Экстраполяция – продление в будущее тенденции, наблюдавшейся в прошлом. Экстраполяция тенденций динамических рядов базируется на допущениях:

1. Развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией – трендом.

2. Общие условия, определяющие тенденцию развития в прошлом, не претерпят существенных изменений в будущем.

При выполнении этих допущений процесс экстраполяции заключается в подстановке соответствующей величины периода упреждения в формулу, описывающую тренд.

Экстраполяция, вообще говоря, дает точечную прогностическую оценку. Точное совпадение фактических данных и прогностических точечных оценок, полученных путем экстраполяции трендов, характеризующих тенденцию – явление маловероятное.

Соответствующая погрешность имеет следующие источники:

1. Выбор формы кривой, характеризующей тренд, содержит элементы субъективизма. Нет твердой основы того, что выбранная форма кривой является наилучшей для экстраполяции в данных конкретных условиях.

2. Оценивание параметров кривых производится на основе ограниченной совокупности наблюдений, каждое из которых содержит случайную компоненту. В силу этого параметрам кривой, а следовательно, и ее положению в пространстве свойственна некоторая неопределенность.

3. Тренд характеризует некоторый средний ряд на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом. Естественно ожидать, что подобного рода отклонения будут происходить и в будущем.

Погрешность, связанная со вторым и третьим ее источником, может быть отражена в виде доверительного интервала прогноза (рис. 5.4.). С помощью такого интервала точечный экстраполяционный прогноз преобразуется в интервальный.

Методы расчета доверительного интервала прогноза для основной группы трендов разработаны [111].

Формально доверительный интервал учитывает ту неопределенность, которая связана с ограниченностью числа наблюдений и соответствующей неточностью найденных оценок параметров кривой. Однако при этом остается в силе предположение о том, что прогнозируемый показатель равен средней, а доверительный интервал для прогностической оценки учитывает возможное (с заданной доверительной вероятностью) ее варьирование вокруг средней в будущем.

 

Рис. 5.4. Схема формирования точечного

и интервального экстраполяционного прогноза

 

5.2.2.4. Пример статистического прогнозирования основных

показателей технического уровня зерноуборочных комбайнов

 

Парк комбайнов в нашей стране в 1956 г. насчитывал 385,1 тыс. шт. (в основном с шириной захвата 4-4,9 м). Первое поколение отражает период становления и формирования конструкций комбайнов как в нашей стране, так и в других промышленно развитых странах Америки и Европы [91].

Ко II-му поколению следует отнести самоходные комбайны, обозначившиеся своим сравнительно несложным конструктивным оформлением - начальный этап их развития. В нашей стране эволюционный цикл развития II-го поколения комбайнов составил  лет, он начался в 1947 году и закончился в 1973 году.

Оборудование самоходных комбайнов кабинами ознаменовало появление III-го поколения машин. Это связано с существенным улучшением условий труда комбайнеров. Эволюционный цикл развития комбайнов III-го поколения составил 26 лет (начиная с 1969 года – «Сибиряк»).

Гидрообъемные передачи обозначили появление IV-го поколения комбайнов. Гидрообъемные передачи позволяют создавать высокопроизводительные комбайны с эксплуатационной массой 20 т и более, они обеспечивают бесступенчатую передачу мощности 75 кВт и более на привод МСУ, например, в аксиально-роторной модели М8570 фирмы Western (Канада). В России старт IV-му поколению дал «Дон-1500» в 1986 году. Этому поколению комбайнов предстоит дальнейшее развитие.

Рассмотрим инженерную методику применительно к прогнозированию развития поколений зерноуборочных комбайнов.

С учетом рекомендации [111] глубина прогноза развития IV-го поколения комбайнов принята равной средней величине из трех циклов – 26 лет (т.е. с 1986 по 2012 гг.). Однако следует учесть некоторую задержку развития комбайнов из-за кризисных явлений в экономике России и других стран. Поэтому глубина прогноза определена ориентировочно до 2015 года.

Универсальный показатель развития комбайнов – их эксплуатационная производительность. Однако присутствие в этом показателе элементов влияния эксплуатационных факторов заставляет обратиться к другому известному показателю или параметру – производительность за час чистого времени, которая практически независима от эксплуатационных факторов, но тесно связана с эксплуатационной производительностью, выражая ее потенциальные возможности.

Рис.5.5. Рост производительности за час чистого времени  по времени

 

На рис. 5.5 представлены графические и аналитические зависимости роста производительности  по годам для четырех поколений комбайнов, полученные методом наименьших квадратов. В отличие от прицепных машин самоходные по темпам роста оказались сходными между собой. Объединив в один массив точки II-го и III-го поколений, получим зависимость

.

Присоед