战略研究的趋势预测方法分析

2.3　战略研究的趋势预测分析

趋势预测与环境分析是紧密结合的两个环节。在环境分析过程中，必然要用到趋势分析，而趋势分析的目的，也是为了更好地把握内外部环境的变动规律，如此才能更准确地界定发展目标。

趋势预测的方法，可以根据数据的可得性，分为定性预测、半定量预测和定量预测等类型。其中，定性预测具有灵活性强、简便易行的特点，但存在预测结果精确度不够、受预测人员主观经验影响较大、缺乏历史数据支撑等不足。半定量和定量预测主要基于数据分析和模型构建，其预测结果相对更为客观，但对数据序列的构成及样本量大小等要求较高。

在战略研究领域，常见的定性预测方法主要是德尔菲法，以及在定性基础上融合适度定量分析的交叉概率法、类推法等。定量预测方法方面，根据涉及变量多少，又可以分为单变量时序预测法和多变量回归预测法。根据样本量大小，多变量回归预测法又可以分为大样本和小样本的回归预测，其中多元预测回归、非线性回归、自相关回归以及格兰杰因果等方法适用于小样本的多元回归预测，而灰色系统预测、神经网络预测则是大样本预测的主要方法（见图2.8）。

图2.8　战略预测分析方法分类

2.3.1　定性预测

定性预测指的是，根据对城市系统发展的过去和现状所积累的经验和案例，借助专家群体的判断和直觉进行前瞻预测。预测过程中强调逻辑判断和理性推演，预测的重点在于城市系统发展的方向、速度、结构、状态等宏观发展趋势。

在城市发展预测和战略设计过程中，德尔菲法可以有效整合专家群体的经验和判断，避免受专家个体的片面性和主观性影响。在此基础上，可以进一步借助主观概率法、交叉预测法等，对预测结果的科学性和系统性进行补充完善，进一步分析未来各种事件的可能关系。当具备丰富的各类城市发展经验和案例时，也可引入类推法，借鉴同类城市的经验和实践，推测自身的未来发展趋势。

1.德尔菲法及其衍生方法

在城市发展战略研究方法中，进行定性预测时使用最多的方法是德尔菲法，即根据预测的目标和任务，有意识地组织一些专家采用咨询意见的方式，对所预测的问题进行充分的讨论，然后对事物的发展作出判断的一种方法。与一般的专家意见法相比，该方法具有匿名性、反馈性、量化统计等特征。

德尔菲法的主要程序是：（1）组织专家小组；（2）拟定调查提纲；（3）选择预测人选；（4）反复征询意见；（5）整理预测结果。

在最初的德尔菲方法基础上，后续研究陆续提出一些改进的德尔菲方法，主要可分为两类：（1）保留德尔菲法的基本特点，但对具体环节予以修正，借以排除德尔菲法的某些缺点。如列出预测事件一览表、向专家提供背景资料、减少应答轮数、对预测事件给出多重数据等。（2）改变德尔菲法基本特点的派生方法。主要是改变匿名性和反馈特征，如部分取消匿名性、部分取消反馈。

2.主观概率法

在城市发展战略研究中，常常遇到在历史资料不齐全和不适用的条件下进行预测，而主观概率法可以在一定条件下，结合主观经验判断，对事件发生可能性大小（概率）进行半定量的预测。

主观概率法作为一种常用的预测方法，是德尔菲法的有效补充，其实施步骤为：（1）搜集有关资料并进行资料整理，提供给有关专家；（2）编制主观概率调查表，由被调查者填写可能的预测值及其概率；（3）进行汇总整理，并计算平均值；（4）进行判断分析。

3.交叉概率法

交叉概率法是在德尔菲法和主观概率法基础上发展起来的一种更具系统性的预测方法。该方法根据各事物之间的相互影响，研究事物发生的概率，并用以修正专家的主观概率，从而对事物的发展作出较客观的评价。

该方法适用领域是：设有一个事件系列E_i（i＝1，2，3，…，n；i≠m），若其中的一个事件E_m（1≤m≤n）发生，即发生概率P_m＝1，求E_m对于其余事件P_i（i＝1，2，3，…，n；i≠m）的影响，也就是求P_i（i＝1，2，3，…，n；i≠m）的变化，其中包括有无影响、正影响还是负影响以及影响程度。

该方法的基本步骤包括：（1）确定各事物之间的影响关系；（2）进行专家调查评定影响程度；（3）计算某事物发生时对其他事物发生概率的影响；（4）分析其他事件对该事件的影响；（5）确定修正后的主观概率，进行预测、决策。

4.类推法

在城市发展战略研究中，作为德尔菲法和交叉概率法的补充，类推法可以根据不同城市之间存在的相似发展规律，类推预测出与其相近的城市也具有这种相同或相似的发展趋势。

该方法进行预测的具体步骤包括：（1）选择先导事件；（2）找出先导事件的发展规律、关键特征，绘制演变趋势图；（3）分析先导事件与迟发事件发展规律的差异程度，以判断是否可以根据先导事件进行类推预测；（4）根据先导事件的发展规律，类推预测迟发事件。

类推法的关键是选择先导事件。常用的先导模型有：（1）历史上发生过的同类事件，如利用内燃机车的发展过程类推电气机车的演变过程；（2）国外或外地发生过的同类事件，如用国外机械制造技术的发展速度类推我国机械制造技术未来的发展；（3）其他领域内发生过的同类事件，如用铁路技术类推航天技术等。在进行推导时还要考虑有关的环境影响因素，如社会、政治、经济、技术、管理、文化和生态等。

2.3.2　定量预测

在城市发展战略研究中，通过分析关键战略变量的时间序列之间的相关性、延续性以及独立性等特点，可建立和形成适宜不同序列变化趋势的预测模型。当预测对象影响因素较多且关系复杂时，常采用多元回归分析进行战略预测。

从变量样本数据的特征看，时间序列数据在分析现在、过去、未来的联系时，有比较好的效果，但有时受制于时间序列长度不够，数据量较小。而且，时间序列仅仅反映了对象线性的、单向的联系，当面对各种非时序、非线性、大样本的数据时，仅靠时间序列分析还不够，需要综合运用时序、非时序、小样本、大样本等多种定量分析方法，进行多角度的观察和相互印证。

1.单变量时间序列预测

针对单一变量，比如人口规模，可以对其时间序列数据进行多角度的观察和分析，据此来预判其未来走势。

在进行单变量时间序列走势分析时，相关的方法模型非常多，但从功能用途角度，可分为波动轨迹分析、增长动力分析、波动周期分析等若干类。

（1）波动轨迹分析。

在针对一个环境变量进行预测时，首先需要系统收集整理历史数据，从宏观角度来观察一下历史走势和初步的规律。

以上海城市人口为例。2011年上海市常住人口有2 347.46万人，其中常住外来人口928.1万人。“九五”、“十五”、“十一五”三个时期，常住人口分别增长了157.6万人、221.93万人、338.55万人，而常住外来人口在三个时期内分别增长140.4万人、188.81万人、294.31万人。1996—2011年常住外来人口在常住人口中的占比由10.1%提高到39.5%。

从图2.9可以看出，上海城市常住人口的增长，主要跟外来人口涌入呈现高度正相关。不过，自2007年达到顶峰（88.69万人）之后，外来人口的年度增量开始出现大幅下滑。同时，考虑到金融危机导致就业困难、收入增长缓慢、生活成本上升等问题，均将明显制约外来人口的涌入。故此，可以粗略预判，未来5到10年，外来人口年度增量将围绕其历史波动轨迹的中轨和下轨震荡，不排除拐头向下的可能性。

图2.9　1978—2011年上海城市人口增长情况

图2.10　1979—2011年上海城市外来人口年度增量的波动态势

（2）波动周期分析。

为把握单一变量的变动规律，可以借助谱分析、平滑异同移动平均（MACD）等方法，测算该变量历史序列的波动周期，进而预判接下来将处于上行还是下行周期。

仍以人口为例。利用平滑异同移动平均方法，对1978年至2011年以来外来人口的增量序列进行周期分析，可以发现：自2007年以来，外来人口增量总体呈现下行趋势，其中2009年有所陡增，主要源于世博会筹办期间大量用工需求的激增，世博会之后则仍旧趋于下行。由此预判未来5到10年，外来人口年度增量难以有明显改观，外来人口涌入上海的高峰期已经结束。

图2.11　上海城市外来人口年度增量的波动周期分析

（3）增长动力分析。

“增长动力分析”主要是指，对比一段时期内的平均上行序列和平均下行序列，来综合判断这段时期内上行或下行力量的强弱，从而作出未来走势的推断。增长动力分析的对象，既可以是原始监测变量，也可以是其差分序列，包括一阶差分甚至二阶差分，从差分序列的走势再汇总推断其原始变量的未来趋势。(www.xing528.com)

根据近30年来上海城市人口的年度增量序列，测算其相对强弱指标，可以明显看出：2009年以来，外来人口涌入的增长动力逐年衰减，未来一段时间内将难以出现明显、大幅上升。

图2.12　上海城市外来人口年度增量的相对强弱指标分析

2.多变量回归预测

相关与回归分析，主要用来描述社会经济变量之间的相互关联、相互制约、相互转化的关系，并对这些关系进行定量解释。

（1）多元回归预测。

多元回归预测就是分析一个因变量与若干个自变量的相关关系。通过建立多元回归方程，从若干自变量的变化去预测一个因变量的变化程度和未来的数量状况。例如，从施肥量、气温、降雨量去预测某种农作物的收获率；从商业企业的劳动生产率和流通费率去预测利润率等等。

（2）非线性回归预测。

在社会经济生活中，很多现象之间的关系并不是线性关系，此时便需要引入非线性回归预测。实践操作中，既可以直接构建非线性函数关系，也可以用线性回归方法解决非线性回归预测问题，即通过变量代换，将非线性回归转化为线性回归。在直接构建非线性函数关系，难点主要在于如何选择合适的非线性曲线函数类型。一般主要依靠专业知识和经验，在常用的曲线类型中进行选择，如幂函数、指数函数、抛物线函数、对数函数、S型函数等。

（3）自回归预测。

自回归预测就是用一个时间序列的因变量序列与向过去推移若干时期的一个或几个自变量数列进行预测。例如对按月编制的时间序列，用当年1—12月的序列作为因变量数列，用以前某月至某月的序列作为自变量数列，计算其相关系数，建立回归方程进行预测。从回归方程的类型看，可分为线性回归方程预测和非线性（曲线）回归方程预测两种。

（4）格兰杰因果关系分析。

在时间序列情形下，两个经济变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的将来变化，则认为变量X是引致变量Y的格兰杰原因。格兰杰检验的特点决定了它只能适用于时间序列数据模型的因果性检验，无法检验只有横截面数据时变量间的因果性。

3.多变量大样本预测

根据数据可得性以及性质分类，线性的小样本数据往往采用多元回归以及格兰杰因果预测模型，对于那些随机的、杂乱无章的、但总体上是有序有界的大样本数据，往往采用灰色系统、神经网络等预测模型。

（1）灰色系统预测模型。

所谓灰色系统，是介于白色系统和黑箱系统之间的过渡系统，其具体含义是：如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰色系统。一般地说，社会系统、经济系统、生态系统都是灰色系统。例如物价系统，导致物价上涨的因素很多，但已知的却不多，因此对物价这一灰色系统的预测可以用灰色预测方法。

灰色系统理论认为，对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。

（2）神经网络预测模型。

神经网络模型是一种数据驱动型非线性预测模型，其代表性网络是BP（back propagation）神经网络，已成功地应用于许多领域，诸如经济预测、财政分析、贷款抵押评估和矿产预测等。

图2.13　BP网络结构

BP神经网络模型全称是：误差反向传播神经网络，是目前应用最为广泛的一种神经网络模型。该网络是一种单向传播的多层前向网络，解决了多层网络中隐含单元连接权的学习问题。输入信号从输入节点依次传过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，因此，BP网络可看作是一个从输入到输出的高度非线性映射。

对上述模型评价如下：

（1）灰色GM（1，1）预测模型在计算过程中主要以矩阵为主，简单实用，容易操作，预测精度较高。但是GM（1，1）的模型没有考虑各个因素之间的联系，因此误差偏大，尤其是对中长期预测的偏差很大。

（2）神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。同时，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力。

（3）在实际操作中，可以将灰色系统预测和神经网络模型有机结合，共同进行组合预测。

2.3.3　多情景分析

在预测过程中，不可避免地需要进行多情景分析。那么，如何设定可能的情景呢？总结常用的多情境分析方法，总体上也可以归结为两类。第一种是定性的情境设定，主要是按照乐观、悲观和中性三种情况来进行全覆盖。第二种是定量的情境设定，一般是依据预测模型中涉及的关键参数，来分别考虑不同参数的变动区间，进而通过组合分析，得到不同的情景设计。

1.定性的多情境分析

定性情景分析通常视未来为三种情景：无突变情景、悲观情景、乐观情景。一般而言，首先假设目前的状况会持续发展，据此分析未来会出现什么样的情景，即得到无突变情景；其次再找出影响未来情景变化的各种环境因素，对它们进行不同程度的调整和改变，从而得到有利的环境和不利的环境，并据此分析在有利环境和不利环境下分别得到什么样的乐观情景和悲观情景。

在美国国家情报委员会发布的《全球趋势2030》报告中，根据6种影响全局的因素，主要包括全球经济、全球治理、技术进步、地区冲突和稳定，以及美国在全球扮演的角色和作用等，将未来世界的发展区分为4种情景：大停滞的世界，大融合的世界，大分化的世界，非国家化的世界（见表2.5）。

2.定量的多情境分析

定量情境分析主要是依据定量预测模型的构成，通过调高或调低模型中重要参数的波动范围，从而得到不同的预测结果。

实践操作中，可以按照以下4个步骤进行：

（1）通过计算机拟合，测算得到适当的拟合曲线，根据过去的趋势进行外推（中性情境）。

（2）确定对预测对象的外推趋势有影响的关键参数，或可能出现的重大事件。

（3）调整拟合函数中的参数取值，或将未来重大事件作为新变量引入拟合函数之中，重新测算和修正外推趋势（乐观情境或悲观情境）。

（4）分析不同情境下得到的预测结果，进行必要修正之后再输入计算机。

重复这4个步骤，直到得出满意的结果为止。

图2.14　定量情景分析的路线图