Die Prognose ( ‚Vorwissen‘ oder ‚Voraus-Kenntnis‘), deutsch Vorhersage oder Voraussage, selten auch Prädiktion ( ‚voraussagen‘), ist eine Aussage über Ereignisse, Umweltzustände oder Entwicklungen in der Zukunft. Die Prognose hat einen anderen zeitlichen Verlauf als die Retrodiktion und die Erklärung. Von anderen Aussagen über die Zukunft (z. B. Prophezeiungen) unterscheiden sich Prognosen durch ihre Wissenschaftsorientierung.

Wissenschaft und Methodologie bzw. Methodik der Prognosen ist im engeren Sinn die Prognostik, in weiterem Sinn die Futurologie.

Einführung Grundlagen

Die Basis einer validen Prognose bilden Fakten, die oft mit formalisierten Methoden (Messungen, zeitlich gegliederten Messreihen oder Simulationen) zur Erstellung von Daten­material erhoben werden. Auf diesen Grundlagen können dann mit einer bestimmten Wahrscheinlichkeit Voraussagen gemacht und Entscheidungen getroffen werden. Hierbei werden Daten, auf die sich die Prognose stützt, als (bessere oder schlechtere) Prädiktoren bezeichnet. Im Gegensatz zur reinen Intuition zählen auch begründbares Erfahrungs­wissen und seine Extrapolation zu den anerkannten Prognosemethoden. Solche argumentierbaren Vorhersagen sind in Bereichen der Wissenschaft methodisch bedeutsam.

Ein wesentliches Merkmal der Entscheidungen in jedem Bereich ist ihre Zukunftsbezogenheit: Entscheidungen beruhen stets auf Prognosen oder prognostischen Erwartungen. Entscheidungen müssen objektiv unter Unsicherheit gefällt werden. Sie sind risikobelastet, da die Entscheider nur unvollkommene Informationen besitzen. Dabei kommt es im Bereich sozialwissenschaftlicher Prognosen zu einer zusätzlichen Erschwernis: Die „Objekte“ der Voraussage sind selbst Akteure („Subjekte“) und könnten aufgrund der Prognose ihr Verhalten ändern. (Siehe dazu die „selbstzerstörerische“ und die „selbsterfüllende Prophezeiung“.)

Eng verbunden ist die wissenschaftstheoretische Betrachtung von Prognosen mit den Begriffen der Kausalität und der Voraussagbarkeit, in der Umsetzung auch mit grundsätzlichen Aspekten von Wahrscheinlichkeit und Zufall. In der empirischen Forschung stellt die Prognosevalidität ein wichtiges Qualitätskriterium bei der Operationalisierung von Konstrukten dar.

Die Wissenschaft allgemeiner Vorhersagen ist die Futurologie. In der physikalischen Messtechnik spricht man vom Erwartungswert.

Anforderungen Eine Anzahl Erfordernisse einer triftigen Prognose werden genannt, darunter: Nichttrivialität: Folgendes Aussagenschema sollte nicht vorkommen: „Morgen regnet es oder auch nicht.“ Objektivität: Überprüfbarkeit der Methode, dazu gehört auch die vollständige Angabe und Spezifikation der Bedingungen (sogenannte Rahmenbedingungen), von denen das Eintreffen des prognostizierten Ergebnisses abhängig gemacht wird. Validität: Wird tatsächlich das prognostiziert, was prognostiziert werden soll?

Arten von Prognosetechniken Ein Prognoseverfahren sollte besser sein als die Naive Prognose, da sich sonst der Mehraufwand gegenüber der Naiven Prognose nicht lohnt.

Prognosetechniken lassen sich auf verschiedene Arten einordnen. Bezüglich ihres Horizonts lassen sich kurz-, mittel- und langfristige Prognosen unterscheiden. Darüber hinaus unterscheidet man qualitative und quantitative Techniken. Zusätzlich lassen sie sich bezüglich ihrer Erstellungsperspektive in „Top-Down“ und „Bottom-Up“ unterscheiden. Das einfachste Prognoseverfahren ist die Naive Prognose.

Qualitative Prognosetechniken sind subjektive Einschätzungen, die von Experten mit einem gereiften Fachwissen intuitiv erstellt werden eine mögliche Variante ist die lineare Extrapolation → Vergangenheitswerte werden grob in die Zukunft projiziert weitere Varianten → Meinungsbefragungen oder Lebenszyklusanalysen versuchen Trends vorherzusehen → sind aufwendiger liefern eher wenig konkrete Zahlen z. B. Aktienkurse, technische Entwicklung, längerfristige Wettervorhersage

Quantitative Prognosetechniken bestehen hauptsächlich aus der Aufarbeitung von Datenmaterial geben konkrete, zahlenmäßige Resultate z. B. Steueraufkommen, Bevölkerungsentwicklung, Wahl-Ergebnisse

Top-Down- oder Bottom-Up-Prognose

Der Top-Down-Prognoseansatz ist zentralistisch und eignet sich vor allem für stabile Nachfragesituationen. Hat ein Unternehmen beispielsweise vier Vertriebszentren, deren Bedarf in der Vergangenheit 4:3:2:1 verteilt war, so würde eine aggregierte Bedarfsmenge auf Basis der Nachfrage des gesamten Marktes in entsprechenden Verhältnis an die Vertriebszentren verteilt werden.

Bei der Bottom-Up-Prognosemethode würde jedes Vertriebszentrum seine Prognosen selbst erstellen und an die Produktionsstätte übermitteln, wo sie aggregiert würden. Die Methode berücksichtigt die regionalen Marktentwicklungen, ist aber schwieriger zu organisieren.

Prognosefehler Trotz aller Bemühungen, Prognosen technisch zu optimieren, werden zwischen der Prognose und dem tatsächlich eintretenden Ereignis immer größere oder kleinere Abweichungen bestehen. Es ist daher – auch bei der Wahl des richtigen Prognosemodells – sehr wichtig, die Güte des gewählten oder des betrachteten Verfahrens durch Ermittlung der Prognosefehler zu bewerten.

Im Rahmen des qualitativen Prognostizierens lassen sich Prognosefehler nicht von vornherein quantifizieren. Fehlerursachen sind u. a.: Jüngere Werte werden überbewertet. Im Moment populäre oder vieldiskutierte Werte werden überbewertet. Scheinbare Muster werden erkannt, die jedoch empirisch nicht existent sind. Besondere Ereignisse bleiben im Gedächtnis, während normale schnell vergessen werden. Wunsch- oder Angstvorstellungen können in Prognosen einfließen. Neigung, Informationen so auszuwählen, zu suchen und/oder zu interpretieren, dass diese die eigenen Erwartungen erfüllen (siehe Bestätigungsfehler).

Beim quantitativen Prognostizieren wird mit dem ermittelten Prognosefehler die Prognosegenauigkeit bewertet. Die gängigsten Verfahren sind im Folgenden kurz aufgeführt: Mittlere quadratische Abweichung ( Mean Squared Error, kurz: MSE) Mittlere absolute Abweichung vom Median (englisch Median absolute deviation, kurz: MAD) Mittlere absolute prozentuale Abweichung (englisch Mean Absolute Percentage Deviation, kurz: MAPD)

MAPD gibt einen relativen Wert an, wodurch er andere Vergleichsmöglichkeiten eröffnet als der MSE und MAD, die in absoluten Zahlen angegeben werden.

Prognosefehler im Haushaltsplan werden als überplanmäßige oder außerplanmäßige Ausgaben und Einnahmen durch die Kameralistik abgebildet (siehe auch Steuerschätzung).

Beispiele für wichtige quantitative Prognosetechniken Bei den quantitativen Verfahren, die auf Heuristiken und Algorithmen basieren, werden eindimensionale und multidimensionale Verfahren unterschieden.

Eindimensionale Verfahren benötigen eine große Datenmenge, sie liefern schlechtere Werte bei langfristigen Prognosen und liefern auch bei starken Absatzschwankungen häufig schlechte Prognosen. Sie lassen sich allerdings gut systematisieren und bei einer großen Produktanzahl einsetzen. Darüber hinaus sind sie leicht verständlich. Bekannte eindimensionale Verfahren sind: Exponentielle Glättung, Trendprognose, Gleitende Durchschnitte; hier werden rollierende Durchschnittswerte benutzt. Multidimensionale Verfahren basieren auf der Kausalität der Absatzzahlen zu verschiedenen Variablen, wie Preis und Promotionen. Es wird unterstellt, dass der Absatz mit Faktoren, wie z. B. dem Wetter beim Eis oder der Jahreszeit beim Mineralwasser in direkter Beziehung steht. Bekannte multidimensionale Verfahren sind: Ökonometrische Modelle und Regressionsanalyse.

Verfahren im Einzelnen: Mathematisch-statistische Grundmethoden sind Extrapolation und Hochrechnung. Trendprognose: Projektion einer Wertereihe in die Zukunft. Exponentielle Glättung: Bei der exponentiellen Glättung handelt es sich um ein Prognoseverfahren, mit dem Zukunftswerte auf der Basis vergangener Werte vorhergesagt werden. Regressionsrechnung: Analyse funktionaler Zusammenhänge zwischen mindestens zwei Größen. Ökonometrische Modelle: Analyse wirtschaftswissenschaftlicher Zusammenhänge aufgrund der Bildung von Gesamtmodellen mit vielen Variablen und Aussagen über den Zusammenhang all dieser Variablen untereinander. Portfolio-Analyse: zumeist graphisch orientierte Analyse von zwei oder manchmal drei Größen. Lebenszyklus-Analyse: Analyse des Verlaufs einer Entwicklung im Zeitablauf. Setzt genaue Marktbeobachtung und Marktforschung voraus.

Beispiele für qualitative Prognosetechniken

Delphi-Methode: Dies ist eine schriftliche, mehrphasige Befragung von Experten, wobei diese bei jeder neuen Fragerunde über die Ergebnisse der vorherigen Runde informiert werden. Ein Teil der Antwortenden wird jeweils aufgefordert, ihre Antwort zu begründen. Diese Begründungen dienen allen Befragten in der nächsten Runde dazu, ihre abgegebene Meinung zu überprüfen und gegebenenfalls zu ändern. Szenario-Technik: Darstellung mehrerer hypothetischer Ereignisfolgen, um kausale Zusammenhänge und entscheidungsrelevante Meilensteine zu identifizieren. Relevanzbaumanalyse: Steht der Spieltheorie nahe. Retrograde Ableitung von Lösungsmöglichkeiten für gegebene Situationen aufgrund der Entscheidungstheorie. Historische Analogie: Analyse einer Entwicklung im Zeitablauf. Marktspezifische Details werden in hohem Maße berücksichtigt.

Anwendungsgebiete im Bereich der naturwissenschaftlichen Modellierung Prognose ist sowohl Inhalt jeder wissenschaftlichen Modellierung, wie auch jedes Experiments.

Wettervorhersage (Synoptische Meteorologie), Klimamodelle Prognose von Überschwemmungen Prognose von Vulkanausbrüchen Prognose von Krankheits- oder Schädlingsbefall in der Landwirtschaft

Anwendung in der Genomik (inklusive Metagenomik) und Proteomik In der Genomik, speziell der Metagenomik und der Proteomik wird oft die mutmaßliche Funktionsweise von Genen oder Proteinen eines gegebenen Organismus oder Virus aufgrund von Homologien vorhergesagt, wenn diese nicht durch andere Verfahren an diesem Organismus oder Virus direkt ermittelt werden kann.

Durch Ermittlung der Stopcodons einer sequenzierten Genoms kann auch die Anzahl der Gene oder Open Reading Frames (ORFs) vorhergesagt werden, ohne deren Funktion in jedem Fall zu kennen oder zu vermuten.

Anwendungsgebiete im Bereich der Humanwissenschaften Politik und Politikwissenschaft Neben den in ihrer Methodenwahl nicht immer öffentlichen Think Tanks von Parteien und Politikern existieren zu Prognosezwecken besondere Kommissionen – etwa bei der deutschen Bundesregierung der Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung oder die Schutzkommission beim Bundesministerium des Innern. Auch geben die Regierungen selbst Prognosen ab, etwa ihre Jahreswirtschaftsberichte und den jährlichen Haushaltsplan, der in der Kameralistik die Prognose im Soll abbildet. Auch internationale Organisationen wie OECD, IWF und EU-Kommission haben entsprechende Unterorganisationen oder Beiräte und geben Prognosen ab.

In der Wahlforschung sind Wahlprognosen zentrales Thema. Sie sind deswegen von besonderem Interesse, weil sie am Wahltag früh und leicht überprüft werden können.

Demografie In der Demografie spielen Prognosen in Form von Bevölkerungsprognosen auf der Grundlage von Annahmen über die zukünftige Entwicklung von Fertilität, Mortalität und Migration eine wichtige Rolle. Für Deutschland führt das Statistische Bundesamt solche Prognosen durch.

Betriebswirtschaft Die Prognose wird in der Betriebswirtschaftslehre oft auch als (engl. ‚Vorhersage‘) bezeichnet. Es können verschiedene sowohl qualitative, als auch quantitative Prognoseverfahren in vielen Anwendungsbereichen zum Einsatz kommen (Auswahl): Langfristige Vorhersage von Absatzmöglichkeiten und Marktpotenzialen für neue Produkte im Rahmen der Produktionsplanung und -steuerung (Delphi-Methode).