跳转到内容

趋势外推

来自VeritasWiki 真理百科

趋势外推是预测方法中最古老也最常用的一类:把某项指标的历史序列拟合成曲线,假定其变化机制在预测期内不变,然后沿曲线向前延伸,得到未来若干时点的数值。中文文献也称趋势外推法、统计外推法。它的全部力量来自"连续性"这一假设,它全部的脆弱也来自这里。

两条前提

使用趋势外推必须先接受两个条件:第一,事物的特性沿过去、现在、未来在时间上连续演变,不会突然换一套机制;第二,影响该事物发展趋势的条件在预测期内保持不变。这两条在短期内往往成立,在长期内几乎总有一条不成立。

方法族按对"趋势形状"的假设分成几层。最简单的是直线外推,用最小二乘法拟合一条斜率为常数的直线,适用于短期内近似匀速增长的情形。再上一层的移动平均与指数平滑不预设形状,只对近期数据加权,用于削平波动、提取趋势。更复杂的是回归模型,把被预测量与一个或多个解释变量联系起来,外推时其实是在外推解释变量的走向。最高一层是有上限的曲线,即生长曲线与包络曲线,它们承认增长终会放缓,因而在长周期预测中比直线可靠得多。[1]

它为什么能奏效

趋势外推之所以在技术领域长期有效,是因为技术演进确实存在惯性。一项技术一旦进入产业体系,就会连带出配套的供应链、标准、人才与维修体系,这些沉没成本使它的性能改进沿着既有方向持续推进,而不易突然改道。半导体工艺的逐代缩小、光伏组件成本的持续下降、电池能量密度的提升,都是这种惯性的表现,也因此成为外推法最常引用的样本。

惯性还表现为规模的自我强化:产量越大,单位成本越低,市场越大,投入研发的资源越多,性能改进越快。这种正反馈在曲线上看起来就是一段稳定的指数增长。

什么时候会失效

失效通常来自四个方向。

一是物理极限。任何技术都有理论上限,接近上限时改进速率必然下降,而外推法会持续给出乐观数字。航空发动机的涡轮前温度、硅基器件的线宽、电池的能量密度,都曾让外推法给出过不可能实现的预测。

二是替代技术。当另一条技术路线以更快的速率改进时,原有序列会在某个时点突然中断。外推法看不见替代者,因为它只看被外推的那一条线。

三是外部冲击。1973年的石油危机、2008年的金融危机、2020年的全球疫情,都在极短时间内改变了大量指标的趋势方向,让此前所有的外推同时作废。

四是统计口径变化。产业分类调整、统计范围扩大、计量单位更换,都会让历史序列出现台阶式跳动,若不加处理直接拟合,得到的曲线只是把行政变更当成了趋势。

用得对与用得不对

用得对的前提是把外推限定在"机制不变"的时间窗内,并且明确写出这个窗口有多长。工程实践中常见的做法是:外推期不超过历史序列长度的三分之一,超过这个比例就改用有上限的模型,或者干脆改用情景分析。

用得不对的典型有两种。一种是把外推当成预言,用一条平滑曲线去论证某个远期目标的必然实现,从而为当下的投入提供依据——这在产业规划文本里极为常见,逻辑上是把假设当成了结论。另一种是把相关性当成因果,用回归模型外推出漂亮的数字,却说不清为什么这两个变量会一起动;一旦结构变化,模型立刻失效。

还有一层方法上的自觉值得强调:外推法在数学上只能产生"没有新事物"的未来。它的输出永远是既有趋势的延伸,因此它适合用来做基线,不适合用来发现机会。真正有价值的判断往往来自"这条曲线会在哪里断"这个问题,而这个问题必须由人来回答。

怎样检验一条外推是否可靠

最直接的办法是回测:留出最近若干年的数据不作拟合,用较早的数据建模型,再看它能否命中被留出的那一段。能命中,说明该指标在这段时间内确实由同一机制驱动;命不中,模型再漂亮也不该用于外推。这一做法成本很低,却常被跳过,原因是规划文本更在意结论的表述,而不在意结论的来路。

第二个办法是组合预测。把直线、平滑、回归、生长曲线各算一遍,若结论彼此接近,可信度较高;若相差很大,说明模型选择的影响超过了数据本身的信息量,此时应当报告区间而不是点值。统计研究反复发现,多个模型的简单平均往往比精心挑选的单一模型更稳,原因很简单:不同模型的误差方向不完全相同,平均会互相抵消一部分。

第三是给出预测区间而不只给点估计。外推的不确定性随时间迅速放大,第五年的区间可能已经宽到失去决策意义,而这恰恰是有用的信息——它告诉你这条曲线在什么时间尺度上还能用。

与其他方法的关系

在技术预测的方法谱系里,趋势外推属于探索性预测的入门工具。它向下衔接生长曲线与包络曲线——后两者可以看作加了约束的外推;向上衔接情景规划——情景需要一条基线作为参照,基线通常就由外推给出;横向衔接类比预测——当自身历史太短、无法拟合时,借别人走过的曲线来外推。它也常与德尔菲配合:先用外推给出一个数值范围,再请专家判断这个范围是否合理,把定量与定性接在一起。

在中国,趋势外推是各类规划与可行性研究里使用频率最高的定量方法,从电力负荷预测到客运量预测再到专利产出预测,几乎无处不在。它的问题不在用得多,而在于很少有人在报告里写清"这条曲线在什么条件下会断"。补上这一句,方法的可靠性会提高很多。[2][3]