的距离。显然，在许多情形下这种方法并非一种有效的方式。一个例子是月销售量的预测，它按照一年的季节发生非线性变化。此外，所有的经理都知道，销售量并不只受时间的影响，还受到多种多样因素的影响，如国民总产量、价格、竞争对象、生产代价、税收等等。两个因素的线性相互作用，仅仅是经济中的一种简化，就像经典物理学的线性保守世界中的两体问题一样。
但是，一个更精确的复杂模型当然是需要更多的努力、更多的经验和更多的计算时间的。在许多决策的情形下，解释或预测一定的因变量要用到一个以上的变量。举一个普通的例子，销售经理希望预测下一年公司的总销售量，并对影响这种销售量的因素有更好的理解。因为他有一个以上的自变量，他的分析就成了多元回归分析。然而，他希望预测的因变量是表达为自变量的线性函数的。回归方程中的计算基于过去的观察样本的运用。结果是，基于此种回归方程的预测的可靠性，就主要取决于所使用的特定的样本。因此，可靠程度必定由统计显著性检测来度量。与多元回归涉及到一个方程不同，经济计量学模型可能包含多个联立回归方程。在线性方程中，求解的数学方法是基于线性代数和线性优化方法的（例如，单纯形方法）。尽管它们是线性的，经济计量模型可能是非常复杂的，有多个变量，只能用计算机程序和机器来把握。经济学中非线性编程的求解策略常常是将复杂的问题分解成子问题，使之可以近似地作为线性问题来处理。
运用这些方法时的一个隐含的假设是，与现有历史数据吻合得最好的模型将也是能超出这些数据作出未来预测的最好模型。但是，对于大量的真实世界的情形，这种假设并不见得有效。而且，在经济学和商业中使用的绝大多数数据，忽略了测量误差，也难以进行试验控制。因此，有必要理解，当已建立起来的过去模式发生变化时，种种预测方法是如何成功的。预测在标志着每一方法的不同预测水平上是不同的。显然，不存在唯一的方法，它可以很好地预测所有的序列和预测水平。有时，过去的数据完全不能显示未来的变化。因此，如果没有内部知识，要预测一个模式的变化是不可能的。模式转移或“范式变化”是商人和经理的日常经验，而非库恩等人的传统中某些科学哲学家们的超常见解。
有没有可以决定数据序列中的模式或关系何时发生变化的定量程序？这种方法的确存在着，其中运用追踪信号来显示预测误差中的变化，以表明何时发生了非杂乱的转移。在质量控制流程中，例如，对于小汽车的生产序列，对设备的输出要进行周期取样。只要样本的均值落在控制限度以内，设备的运行就被认为是正常的。当情况不是这样时，就停止生产并采取适当的措施，以使其重新正常运行。一般说来，定量预测方法的自动监测遵循着这种质量控制流程概念。任何时间进行的预测，其误差（即实际值减去预测值）都与控制限度的上限和下限进行对照。如果它落在可接受的范围中，外推的模式就没有变化。如果预测的误差落在控制误差之外，已建立的模式中就很可能发生了某种系统的变化。当涉及到大量的预测时，通过追踪信号进行自动监测可能是合适的。但是在只有一个序列或几个序列时，人们就只能伺机而动，去发现此商业数据的趋势中是否发生了变化。
预测技术和市场、新产品或服务的赢利的未来趋势以及与相应的就业和失业相联系的趋势，是管理者和政治家面临的最困难但也是最紧迫的任务之一。他们决策依赖于大量的技术、经济、竞争、社会和政治的因素。自从20世纪50年代出现了商业计算机以来，人们燃起了这样的希望，即通过计算速度的加快和数据存储的增加把握这些复杂的问题。的确，任何定量的预测方法都可以编程放进计算机中去运行。因为没有任何一种方法可以适用于所有的情形，于是发展起来以计算机为基础的多预测系统，从而为管理者提供一组选择方法的清单。一个例子是预测系统SIBYL，其名称来源于古代的预言家西比尔。相传西比尔曾把著名的《西比尔占语集》出售给罗马大帝塔克文（高傲的）。
的确，SIBYL是一个基于知识的系统（参见5．2节）的计算机化预测方法包。它提供的程序包括进行数据准备和数据处理，从屏幕上选用可利用的预测方法，所选方法的运用，对预测方法的比较、选取和组合。屏幕预测技术选择中，基于知识系统的推理组件提示了这样的方法：它们以大范围预测运用和决策规则样本为基础，是最接近于匹配特定的环境及其特点的。SIBYL的最终功能是，检验和比较其中的哪一种提供了最好的结果。使用者和系统的界面，要尽可能地友好和有效率，以适用于预测专家，也适合于新手。然而，我们决不要忘记，SIBYL只可能优化所存贮的预测方法。原则上，预测方法的预测水平，不可能由使用计算机而得到放大。与人的专家具有学习能力相反，如SIBYL这样的预测系统仍然是程序控制的，具有基于知识系统的典型局限性。
一般说来，基于计算机的预测自动机是遵循线性思维路线的。另一方面，现代计算机的能力不断增加，鼓舞着研究人员去分析非线性问题。在20世纪50年代中叶，气象学家偏向于使用基于线性回归概念的统计预测方法。这种发展，得到了诺什·维纳对于稳恒随机过程的成功预测的支持。爱德华·洛仑兹对这种统计预测思想产生了怀疑，并决定对比非线性动力学模型从实验上来检测其有效性（参见2．4节）。天气和气候是一个有能量耗散的开放系统的例子。为这种系统建立的模型中，用相空间的点表示其状态，用轨迹来表示其行为。经过一定时间后，轨迹就达到了某个吸引集（“吸引子”），这可以是此系统的某个稳定的点（图2．14a或图3．11c）、某个周期振荡，叫做极限环（图3．11b）或奇怪吸引子（图2．21）。如果人们希望预见包含某个稳定点或极限环的系统的行为，人们可以观察到附近的轨迹会发散，不会生长，甚至会消失（图7．2）。在这种情形下，整体的起始条件将达到定态，相应的系统也就是可预测的。一个例子是，用非线性的洛特卡…沃尔特拉方程建模的生态系统，捕食和被捕食群体具有周期轨迹。附近轨迹的发散和收敛，可以用所谓的李亚普诺夫指数进行数值度量：
我们考虑时刻t＝0起始条件为x（0）和x’（0）的两条邻近的轨迹x（t）和x’（t），矢量d（t）的长度d（t）＝＇x’（t）－x（t）＇。如果轨迹收敛，那么d（t）≈eΛt且Λ＜0。量Λ叫做李亚普诺夫指数，定义为
Λ（x（0），d（0））＝
［（1/t）ln（d（t）（0））］
如果其值为正，李亚普诺夫指数就给出了收敛速率。在图7．2中模型过程x’（t）对真实过程x（t）提供了可靠的预测，因为假定此系统具有依赖于其起始条件的收敛轨迹。
一个非线性系统的相图，可以具有若干吸引子，分别是不同轨迹趋向的区域（“分区”）（参见图2．10）。对于预测演化系统的未来，知道了所有的吸引子及其起始条件x（0）还是不够的。如果系统的初始状态正好是远离一定吸引盆的，那么相应的吸引子终态是不可预测的。
在图2。22a－c中，非线性的逻辑斯蒂映射描述了随控制参量的不断增加发生的从有序向混沌的转移。图2。23a，b描述了相应的超过一定临界值而出现的混沌区的分叉序列。如果相应的李亚普诺夫指数为正，那么系统的行为是混沌的。如果它为零，那么系统倾向于分叉。如果它为负，那么系统就处于稳定态或分叉树上的一支。在这种情形中，系统是可预测的。在其他情形中，对起始条件的敏感性就开始出现。显著之处在于，在混沌区的非线性系统决非意味着完全不可预测。在混沌未来的灰色区中的白条或“窗口”（图2．23b），显示了具有负的李亚普诺夫指数的局域有序状态。因此，在混沌的海洋中，我们可以找到可预测的有序岛。在这种情形下，至少对于短的特征时间间隔系统是可预测的。
一般来说，可预测程度的度量使用的是开始观察后的特定时刻的观察过程和模型之间的统计相关。接近一致的值相应于满意的预测，而小的值表明了观察和预测之间存在差距。所有预测模型都有一定的可预测行为的时间，超过了以后可预测性会减少，以不同速度趋向零。对于模型的改进可能使预测行为的时间有某种程度的扩展。但是，可预测的范围依赖于涨落参量。局域不稳定混沌系统中弱的微观扰动可以在短时间中达到宏观规模。因此，局域的不稳定性惊人地减少着对预测行为的改进。预测系统的预测水平，既不可能通过改进测量仪器也不可能通过精致预测模型来改进。当我们记起洛仑兹的大气模型，使用的是具有局域的和全局稳定性的非线性系统，我们就会意识到气象学家在获取有效的长期或甚至中期预测中遇到的困难。通过不断增加的计算机的能力，天气预报就会直线地进步，这是20世纪50年代的一种幻想。
随着非线性的模型运用于不同的研究领域，我们获得了对于振荡化学反应，物种、群体的涨落，流体湍流和经济过程的一般性洞察。例如，太阳黑子的形成，以前用时间序列的统计方法进行分析，它决非是一种杂乱的活动。它可以用非线性混沌系统来建模，具有几种特征的周期和奇怪吸引子，对其活动的预测是有限的。例如，在公共舆论形成的非线性模型中，我们可以区分出选举（“分叉”）前的可预测的稳定态与向稳定多数的转变，选举前两种可能的意见都没有受到偏爱，而不可预测的微小涨落却可能在很短的分叉间隔中引起突然的转变。这种情形使我们想起在沸腾水中气泡的形成：当一个气泡变得充分大时，它以其向上的方式稳定地生长是可预测的。但是，它的出现和初期的生长却是一种随机涨落问题。显然，非线性建模解释了现代民意测验中毕希娅们和西彼尔们的困难。
今天，非线性预测模型并不总能够提供比标准线性程序更好的、更有效的预测。它们的主要优点在于，对真实过程中的实际的非线性动力学的解释，对局域的短期预测水平的证实和改进。但是，为了通过求解方程而预测未来的行为，首先要构造起支配了时间t的观测的适当动力学方程。甚至在自然科学中，对于如地震那样的复杂领域的适当的方程是否能够推导出来也还不清楚。我们可以希望在计算机的存贮中放入一张典型的非线性方程的表，在观察过程中系数可以自动地得到调节。与对所有可能的相关参量进行穷竭式搜索的做法相反，学习式策略可以从粗略的模型出发，只经过一段相对短的时间的运行，就可以说明相对窄的值域中的少量参量。通过神经网络的学习策略，已经实现了对于短期预测的改进。以学习数据为基础，神经网络通过自组织程序可以权衡输入数据，并减少对短期股票行情的预测误差（图5．22a，b）。若只有一部分股票市场的顾问使用这种技术支持，他们会做得很好。但是如果股票市场上的所有代理人都使用同样的学习策略，那么预测就将成为某种自欺欺人的预言。
原因在于，人类社会不是分子或蚂蚁的复杂系统，而是具有高度意向性行动的存在物，具有或多或少的自由意志。一个特殊的自我实现的预言是俄狄浦斯效应。在此人们如同那个传说中的古希腊国王一样徒劳地试图改变他们的被预测的命运。从宏观的观点看，我们当然可以观察到一个个的个体以其自己的活动，对于代表看文化、政治和经济秩序（“序参量”）的社会的集体宏观态有贡献。然而，社会的宏观态当然并非只是对其所有部分的平均。它的序参量，以定向（“役使”）其活动、激发或抑制其态度和能力，强烈地影响着社会中的个体。这种反馈在复杂动力系统中是典型的。如果由于内部或外部的相互作用，环境条件的控制参量达到了某种临界值，宏观变量就可能运动到某种不稳定区域，在此高度发散的多种可能途径成为可能。微小的不可预测的微观涨落（例如为数很少的有影响人物、科学发现、新的技术），就可能决定了社会将在分叉处不稳定态的发散途径中取得何种途径。
7．2复杂性、科学和技术
尽管存在上述困难，我们仍然需要对于局部和全球的短期。中期和长期预测的可靠支持。从政治角度上看，一个最新要求是为科学和技术的未来发展建立模型，因为科学和技术已经成为现代文明中的一个关键性因素。实际上，这种发展似乎是在受科学思想和研究群体的复杂动力学支配，科学思想和科学群体是嵌在复杂的人类社会之网中的。研究群体的共同主题，长时期或短时期地吸引着研究人员的兴趣和能力。这些研究的“吸引子”，表现为支配科学家的活动，如同流体动力学中的吸引子和涡旋。当研究状态变得不稳定时，研究群体可能分解成追求特殊研究途径的小群体，它们可能会以获得答案而告结束，或可能再度分叉，如此等等。科学的动力学表现为由其复杂性不断增加的分叉树中的相变来实现。有时，科学问题得到了明确定义，并导致清楚的解答。但是，也有“奇怪的”和“扩散的”状态，如同混沌理论中的奇怪吸引子。
历史上，对科学成长的定量探索始于统计方式，如雷诺夫关于“18世纪和19世纪的西欧物理学发展中创造性的波型涨落”（1929）的工作。罗伯特·默顿从社会学观点讨论了“科学和技术中兴趣中心的变化”，皮特里姆·索罗金分析了15世纪以来科学发现和技术发明的指数增长。他强调，发明或发现的重要性并不取决于主观的判断，而是取决于由基本创�