125 ОПИСАТЕЛЬНЫЕ МОДЕЛИ ПРОТИВ ОБЪЯСНИТЕЛЬНЫХ.

Напомним, что в предшествующей главе при обсуждении связей между переменными решений, было проведено коренное различие между связями чисто описательными (дескриптивными) и связями «причина — следствие» и «производитель—продукт», каждая из которых является объяснительной. Из этого следует, что модели, в основе которых лежат связи первого типа, являются дескриптивными, и только те из них, которые базируются на отношениях «причина — следствие» или «производитель — продукт», являются объяснительными. Дескриптивные модели описывают совместные изменения различных переменных.

Они не описывают, как изменения одной переменной влияют на изменения другой.

Дескриптивные модели определенного типа могут быть использованы для прогнозирования. Это такие модели, которые связывают значение некоторых переменных в один момент времени со значениями других переменных в более поздний момент. К этому типу относятся эконометрические модели, но рассмотрим более простой пример.

Было обнаружено, что число книг в доме, где растет ребенок, коррелирует с тем, сколько он читает, когда становится взрослым. Зная число книг в доме ребенка в настоящее время, мы можем предсказать, какой будет у него привычка к чтению, когда он вырастет. Однако мы не можем из этой связи сделать вывод, что, если изменить число книг в доме в настоящее время, это повлияет па объем чтения ребенка в дальнейшем. Допустим (а это, по-видимому, так и есть), что именно отношение родителей к чтению определяет число книг в доме и желание ребенка читать. Тогда, если бы мы увеличили число книг в доме не меняя привычки родителей к чтению, это не оказало бы значительного воздействия па последующее чтение ребенка.

Поскольку применение средств связано с изменением значений контролируемых переменных и определением воздействия этих изменений на одну или больше результирующих переменных, дескриптивные модели не могут использоваться для оценки средств. Тем не менее они часто используются именно для этой цели. Например, эконометрические модели некорректно используются для оценки альтернативных вариантов экономической политики и стратегии. Не стоит удивляться, что столь многие предсказания в экономике бьют мимо цели.

Объяснительная модель отображает способ, каким одна или большее число переменных воздействуют на одну или больше результирующих переменных. Поэтому их можно использовать для оценки средств. Разница между этими двумя типами моделей иллюстрируется следующим примером (см. в гл. 4 в другом контексте).

В конце 50-х годов нефтяная компания захотела оценить потенциальные места размещения станций обслуживания, чтобы избежать таких мест, где эти станции оказались бы неприбыльными. Внутренней исследовательской группе была поставлена задача предсказать прибыльность станций в потенциальных местах размещения. Члены группы начали проводить широкий опрос разных категорий служащих компании, собирая мнения о том, какие свойства станций обслуживания и мест их размещения оказывают влияние на сбыт. Было идентифицировано около 65 переменных. О каждой переменной были собраны данные по нескольким сотням станций, и на основе этих переменных построена множественная линейная регрессия сбыта. Около половины переменных оказалось тесно связанными со сбытом. Однако полученная в результате регрессионная модель не обеспечила такой точности прогнозов, которая позволила бы избежать большинства невыгодных мест размещения. Она снизила их число приблизительно на 15%.

Причина столь разочаровывающего результата ясна. Например, если увеличивается число колонок на станции, это не означает, что станция будет продавать больше бензина. Тот факт. что станции, у которых выше сбыт, имеют в среднем больше колонок, чем станции с низким сбытом, не говорит о том, что увеличение числа колонок увеличит число потребителей или средний объем продаж. В действительности количество колонок может определяться числом потребителей. Кроме того, если число колонок растет, а потребителей — снижается, сбыт, вероятно, также уменьшится. Затем к работе по этой проблеме приступила вторая (внешняя) исследовательская группа. Она была против использования большого числа переменных, поскольку ее члены разделяли убеждение, ранее выраженное в этой книге: чем лучше явление понято, тем меньше переменных требуется для его объяснения. Поэтому группа решила определить вначале, насколько можно продвинуться в объяснении сбыта станций обслуживания, используя только одну переменную. Она начала с числа автомобилей, проезжающих мимо станции, так как, по мнению членов группы, если ни один автомобиль не проезжает мимо станции, она не может функционировать, каковы бы ни были ее другие характеристики.

Во-первых, был разработан точный способ описания движения через станцию. Поскольку имеется четыре пути, по которым автомобиль может въезжать на обычный перекресток или выезжать с него, есть (в принципе, но не обязательно на практике) 16 путей, по которым автомобиль может проходить через станцию, включая развороты через нее. Изучение движения, классифицированного по этим маршрутам, выявило, что большинство потребителей используют для подъезда четыре из них. Сравнение долей общего числа автомобилей, использующих различные маршруты при постановке на обслуживание, заставило предположить, что если время, затрачиваемое на подъезд, увеличивается, то процент остановок снижается. Эта гипотеза была затем проверена экспериментально и подтвердилась. Способ, которым потерянное время воздействует на сбыт, также нашел объяснение: действительная потеря времени (объективное время) превращалась в ощущаемую потерю времени (субъективное время).

Затем исследовательская группа проверила переменные, которые были признаны важными ранее, и обнаружила, что большинство из них связано со сбытом через потери времени. Например, увеличение числа колонок увеличило бы сбыт только в том случае, если бы снизило время обслуживания.

Начальная регрессионная модель была дескриптивной, следовательно, не обеспечивала эффективной оценки выбора мест расположения. Она не давала объяснения их результативности. Разработанная впоследствии объяснительная модель дала возможность не только более эффективно выбирать места размещения станций, но также проектировать их таким образом, чтобы получать при этом наилучший результат в данном месте размещения. Это дало компании возможность снизить число неприбыльных станций на 85%.