СОЈУЗНА АГЕНЦИЈА ЗА РИБАРСТВО
МИНИСТЕРСТВО ЗА ЗЕМЈОДЕЛСТВО
ДРЖАВЕН ТЕХНИЧКИ УНИВЕРЗИТЕТ КАМЧАТКА
ОДДЕЛЕНИЕ ЗА ИНФОРМАТИЧКИ СИСТЕМИ
Тема: „СИМИТАЦИСКО МОДЕЛИРАЊЕ НА ЕКОНОМСКИ
ПРЕТПРИЈАТИВНИ АКТИВНОСТИ“
Работа на курсот
Раководител: позиција
Билчинскаја С.Г. „__“ ________2006 година
Развивач: студент гр.
Житенева Д.С. 04 Пи1 „__“ ________2006 година
Делото е заштитено со „___“ __________2006 година. со оцена______
Петропавловск-Камчатски, 2006 година
Вовед ................................................ .......................................................... .......................................... 3
1. Теоретски основи на симулационото моделирање................................................. ......... 4
1.1. Моделирање. Симулациско моделирање................................................ ... 4
1.2. Метод на Монте Карло ..................................................... .......................................................... .... 9
1.3. Користење на законите за распределба на случајни променливи................................................ 12
1.3.1. Еднообразна дистрибуција................................................ ................... 12
1.3.2. Дискретна дистрибуција (општ случај)................................................ ......... 13
1.3.3. Нормална дистрибуција................................................ ..................... 14
1.3.4. Експоненцијална дистрибуција................................................ ................................ 15
1.3.5. Генерализирана Ерланг дистрибуција................................................ ..................... 16
1.3.6. Триаголна распределба................................................ ................... 17
1.4. Планирање на компјутерски симулациски експеримент ................................ 18
1.4.1. Кибернетски пристап кон организирање експериментални студии на сложени објекти и процеси................................. .......................................................... ................................ 18
1.4.2. Регресивна анализа и контрола на модел експеримент. 19
1.4.3. Ортогонално планирање од втор ред.......................................... ...... 20
2. Практична работа................................................ .......................................................... ........... ..... 22
3. Заклучоци за деловниот модел „Ефикасност на производството“................................ ........... 26
Заклучок................................................ ................................................ .................... 31
Библиографија ................................................ .. ................................ 32
ПРИЛОГ А................................................. ................................................... ......... .......... 33
ПРИЛОГ Б................................................ ................................................... ......... .......... 34
ПРИЛОГ Б................................................ ................................................... ......... .......... 35
ПРИЛОГ Д................................................ ................................................... ......... .......... 36
ПРИЛОГ Д................................................ ................................................... ......... .......... 37
ПРИЛОГ Д................................................. ................................................... ......... .......... 38
ВОВЕД
Моделирањето во економијата почна да се користи долго пред економијата конечно да се оформи како независна научна дисциплина. Математички модели користеле Ф. Квеснеј (Економска табела 1758), А. Смит (класичен макроекономски модел), Д. Рикардо (меѓународен трговски модел). Во 19 век математичкото училиште дава голем придонес во моделирањето (Л. Валрас, О. Курно, В Парето, Ф. Еџворт итн.). Во 20 век, методите на математичко моделирање на економијата биле користени многу широко, а со нивната употреба се поврзуваат извонредни дела на нобеловците за економија (Д. Хикс, Р. Солоу, В. Леонтиев, П. Самуелсон).
Предметот по предметот „Симулациско моделирање на економските процеси“ е самостојна едукативна и истражувачка работа.
Целта на пишувањето на оваа предметна работа е да се консолидираат теоретските и практичните знаења. Покривање на пристапи и методи на користење на симулационо моделирање во проектните економски активности.
Главната задача е да се проучи ефикасноста на економските активности на претпријатието користејќи симулационо моделирање.
1. ТЕОРЕТСКИ ОСНОВИ НА СИМУЛАЦИСКО МОДЕЛИРАЊЕ
1.1. Моделирање. Симулациско моделирање
Во процесот на управување со различни процеси, постојано се јавува потребата да се предвидат резултати под одредени услови. За да се забрза донесувањето одлуки за избор на оптимална опција за контрола и да се заштедат пари на експерименти, се користи моделирање на процеси.
Моделирањето е пренос на својствата на еден систем, кој се нарекува објект за моделирање, на друг систем, кој се нарекува модел на објект; влијанието врз моделот се врши со цел да се утврдат својствата на објектот според природата на неговото однесување.
Таквата замена (пренос) на својствата на објектот треба да се направи во случаи кога неговото директно проучување е тешко или дури и невозможно. Како што покажува практиката на моделирање, заменувањето на објектот со неговиот модел често дава позитивен ефект.
Модел е приказ на објект, систем или концепт (идеја) во некоја форма која е различна од формата на неговото вистинско постоење. Моделот на објектот може да биде или точна копија на тој објект (иако направен од различен материјал и во различна скала), или може да прикаже некои карактеристични својства на објектот во апстрактна форма.
Во исто време, за време на процесот на моделирање е можно да се добијат сигурни информации за објектот со помалку време, пари, пари и други ресурси.
Главните цели на моделирањето се:
1) анализа и определување на својствата на предметите според моделот;
2) дизајнирање нови системи и решавање на проблеми за оптимизација со користење на модел (пронаоѓање на најдобра опција);
3) управување со сложени објекти и процеси;
4) предвидување на однесувањето на објектот во иднина.
Најчестите типови на моделирање се:
1) математички;
2) физички;
3) имитација.
Во математичкото моделирање предметот што се проучува се заменува со соодветните математички врски, формули, изрази, со чија помош се решаваат одредени аналитички задачи (се прави анализа), се наоѓаат оптимални решенија и се прават прогнози.
Физичките модели претставуваат реални системи од иста природа како предметот што се проучува или друг. Најтипична опција за физичко моделирање е употребата на макети, инсталации или избор на фрагменти од објект за спроведување на ограничени експерименти. А својата најраспространета примена ја најде во областа на природните науки, понекогаш и во економијата.
За сложени системи, кои вклучуваат економски, социјални, информациски и други општествени информациски системи, симулационото моделирање најде широка примена. Ова е вообичаен тип на аналогно моделирање, имплементиран со помош на збир на математички алатки на специјални симулирачки компјутерски програми и програмски технологии, кои преку аналогни процеси овозможуваат насочено проучување на структурата и функциите на вистински комплексен процес во компјутерската меморија во режим „симулација“ и оптимизација на некои од неговите параметри.
За да се добијат потребните информации или резултати, потребно е да се „изведат“ моделите за симулација, наместо да се „решат“. Симулациските модели не се способни да формираат сопствено решение на начин како што е случајот со аналитичките модели, туку можат да послужат само како средство за анализа на однесувањето на системот под услови кои ги одредува експериментаторот.
Затоа, симулацијата не е теорија, туку методологија за решавање проблеми. Покрај тоа, симулацијата е само една од неколкуте критични техники за решавање проблеми достапни за системскиот аналитичар. Бидејќи е неопходно да се прилагоди алатка или метод за решавање на проблем, а не обратно, се поставува природно прашање: во кои случаи е корисно симулационото моделирање?
Потребата за решавање на проблемите преку експериментирање станува очигледна кога има потреба да се добијат конкретни информации за системот кои не можат да се најдат во познати извори. Директното експериментирање на реален систем елиминира многу тешкотии доколку е неопходно да се обезбеди конзистентност помеѓу моделот и реалните услови; сепак, недостатоците на таквото експериментирање понекогаш се доста значајни:
1) може да ја наруши воспоставената оперативна постапка на друштвото;
2) ако луѓето се составен дел од системот, тогаш на резултатите од експериментите може да влијае таканаречениот ефект на Хоторн, кој се манифестира во фактот дека луѓето, чувствувајќи дека се набљудувани, можат да го променат своето однесување;
3) може да биде тешко да се одржуваат истите работни услови секогаш кога експериментот се повторува или низ серија експерименти;
4) добивањето на иста големина на примерокот (и, според тоа, статистичка значајност на експерименталните резултати) може да бара прекумерно време и пари;
5) кога се експериментира со реални системи, можеби нема да биде возможно да се истражат многу алтернативни опции.
Поради овие причини, истражувачот треба да размисли за соодветноста на користење на симулационо моделирање кога постои некој од следниве услови:
1. Не постои целосна математичка формулација на овој проблем или сè уште не се развиени аналитички методи за решавање на формулираниот математички модел. Многу модели на редици кои вклучуваат чекање во редици спаѓаат во оваа категорија.
2. Достапни се аналитички методи, но математичките процедури се толку сложени и одземаат многу време што симулацијата обезбедува поедноставен начин за решавање на проблемот.
3. Аналитички решенија постојат, но нивната имплементација е невозможна поради недоволната математичка обука на постоечкиот персонал. Во овој случај, трошоците за дизајнирање, тестирање и работа на моделот за симулација треба да се споредат со трошоците поврзани со поканување надворешни специјалисти.
4. Покрај проценката на одредени параметри, препорачливо е да се следи напредокот на процесот во одреден период користејќи симулациски модел.
5. Симулациското моделирање можеби е единствената опција поради тешкотиите при поставувањето на експерименти и набљудувањето на појавите во реални услови (на пример, проучување на однесувањето на вселенските летала за време на меѓупланетарни летови).
6. Долгорочните системи или процеси може да бараат компресија на временската линија. Симулациското моделирање овозможува целосно да се контролира времето на процесот што се проучува, бидејќи феноменот може да се забави или забрза по желба (на пример, студии за урбан пад).
Дополнителна користСимулациското моделирање може да се смета за најширока можна примена во областа на образованието и обуката. Развојот и употребата на симулациски модел му овозможува на експериментаторот да ги види и доживее реалните процеси и ситуации на моделот. Ова, пак, треба многу да помогне да се разбере и почувствува проблемот, што го стимулира процесот на барање иновации.
Симулациското моделирање се спроведува преку збир на математички алатки, специјални компјутерски програми и техники кои овозможуваат користење на компјутер за извршување на насочено моделирање во режимот „симулација“ на структурата и функциите на сложениот процес и оптимизација на некои од неговите параметри. Збир на софтверски алатки и техники за моделирање ги одредува спецификите на системот за моделирање - специјален софтвер.
Симулациското моделирање на економските процеси обично се користи во два случаи:
1. да управува со сложен деловен процес, кога симулациски модел на управуван економски субјект се користи како алатка во контурата на адаптивниот систем за управување создаден врз основа на информатичката технологија;
2. при спроведување на експерименти со дискретно-континуирани модели на сложени економски објекти да се добие и „набљудува“ нивната динамика во итни ситуации поврзани со ризици, чие моделирање во целосен обем е непожелно или невозможно.
Симулациското моделирање како посебна информатичка технологија се состои од следните главни фази:
1. Анализа на структурни процеси. Во оваа фаза, структурата на сложениот реален процес се анализира и се разложува на поедноставни меѓусебно поврзани потпроцеси, од кои секој извршува одредена функција. Идентификуваните потпроцеси може да се поделат на други поедноставни потпроцеси. Така, структурата на симулираниот процес може да се претстави како график со хиерархиска структура.
Структурната анализа е особено ефикасна во моделирањето на економските процеси, каде што многу од составните потпроцеси се случуваат визуелно и немаат физичка суштина.
2. Формализиран опис на моделот. Резултирачкиот графички приказ на моделот за симулација, функциите што ги извршува секој потпроцес и условите за интеракција на сите потпроцеси мора да бидат опишани на посебен јазик за последователен превод.
Ова може да се направи на различни начини: опишано рачно на одреден јазик или со помош на компјутерски графички дизајнер.
3. Модел зграда. Оваа фаза вклучува превод и уредување на врските, како и проверка на параметрите.
4. Спроведување на екстремен експеримент. Во оваа фаза, корисникот може да добие информации за тоа колку создадениот модел е близок до феномен од реалниот живот и колку овој модел е погоден за проучување на нови, непроверени вредности на аргументи и параметри на системот.
1.2. Метод на Монте Карло
Статистичките тестови со методот Монте Карло претставуваат наједноставно симулациско моделирање во целосно отсуство на какви било правила на однесување. Добивањето примероци со методот на Монте Карло е основен принцип на компјутерско моделирање на системи кои содржат стохастички или веројатни елементи. Потеклото на методот е поврзано со работата на фон Нојман и Улан во доцните 1940-ти, кога тие го вовеле името „Монте Карло“ за него и го примениле за решавање на одредени проблеми со заштитата на нуклеарното зрачење. Овој математички метод беше познат порано, но го најде своето повторно раѓање во Лос Аламос во затворена работа на нуклеарната технологија, која беше спроведена под ознаката за код „Монте Карло“. Примената на методот се покажа како толку успешна што стана широко распространета во други области, особено во економијата.
Затоа, за многу специјалисти, терминот „метод Монте Карло“ понекогаш се смета за синоним со терминот „симулационо моделирање“, што е генерално неточно. Симулациското моделирање е поширок концепт, а методот Монте Карло е важна, но далеку од единствената методолошка компонента на симулационото моделирање.
Според методот Монте Карло, дизајнерот може да симулира работа на илјадници сложени системи кои контролираат илјадници варијанти на слични процеси и да го испита однесувањето на целата група преку обработка на статистички податоци. Друг начин да се примени овој метод е да се симулира однесувањето на контролниот систем во текот на многу долг период на моделско време (неколку години), а времето на астрономско извршување на програмата за моделирање на компјутер може да биде дел од секундата.
Во анализата на Монте Карло, компјутерот користи процедура за генерирање на псевдослучајни броеви за да симулира податоци од популацијата што се проучува. Постапката за анализа во Монте Карло конструира примероци од популацијата според упатствата на корисникот, а потоа ги извршува следните дејства: симулира случаен примерок од популацијата, го анализира примерокот и ги складира резултатите. По голем број повторувања, зачуваните резултати тесно ја имитираат вистинската дистрибуција на статистиката на примерокот.
Во различни задачи што се среќаваат при креирање сложени системи, може да се користат количини чии вредности се одредуваат случајно. Примери за такви количини се:
1 случајни моменти во времето кога нарачките се примаат од компанијата;
3 надворешни влијанија (барања или измени на закони, плаќање казни и сл.);
4 исплата на банкарски кредити;
5 прием на средства од клиенти;
6 грешки при мерењето.
Соодветните променливи може да бидат број, збирка броеви, вектор или функција. Една од варијациите на методот Монте Карло за нумеричко решавање на проблеми кои вклучуваат случајни променливи е методот на статистичко тестирање, кој вклучува моделирање на случајни настани.
Методот Монте Карло се заснова на статистичко тестирање и е екстремен по природа и може да се користи за решавање на целосно детерминистички проблеми како што се инверзија на матрица, решавање парцијални диференцијални равенки, наоѓање екстреми и нумеричка интеграција. Во пресметките на Монте Карло, статистичките резултати се добиваат преку повторени испитувања. Веројатноста овие резултати да се разликуваат од вистинските резултати не повеќе од дадена вредност е функција од бројот на испитувања.
Основата на пресметките на Монте Карло е случаен избор на броеви од дадена распределба на веројатност. Во практичните пресметки, овие бројки се земаат од табели или се добиваат преку некои операции, чии резултати се псевдо-случајни броеви со исти својства како и броевите добиени со случајно земање примероци. Има голем број пресметковни алгоритми кои ви овозможуваат да добиете долги секвенци на псевдослучајни броеви.
Еден од наједноставните и најефикасните пресметковни методи за добивање низа од рамномерно распределени случајни броеви јас,користејќи, на пример, калкулатор или кој било друг уред што работи во системот на децимални броеви, вклучува само една операција за множење.
Методот е следен: ако r i = 0,0040353607, потоа r i+1 =(40353607ri) mod 1, каде mod 1 значи операција на извлекување само на фракциониот дел по децималната точка од резултатот. Како што е опишано во различни извори на литература, броевите r i почнуваат да се повторуваат по циклус од 50 милиони броеви, така што r 5oooooo1 = r 1 . Редоследот r 1 излегува дека е рамномерно распределен во интервалот (0, 1).
Употребата на методот Монте Карло може да даде значаен ефект при моделирање на развојот на процеси, чие набљудување на терен е непожелно или невозможно, а другите математички методи во врска со овие процеси или не се развиени или се неприфатливи поради бројните резерви и претпоставки. што може да доведе до сериозни грешки или погрешни заклучоци. Во овој поглед, неопходно е не само да се набљудува развојот на процесот во непожелни насоки, туку и да се проценат хипотезите за параметрите на непожелните ситуации до кои ќе доведе таквиот развој, вклучувајќи ги и параметрите на ризиците.
1.3. Користење на законите за распределба на случајни променливи
За квалитативна проценка на сложен систем, погодно е да се користат резултатите од теоријата на случајни процеси. Искуството во набљудувањето на објекти покажува дека тие работат под влијание на голем број случајни фактори. Затоа, предвидувањето на однесувањето на сложениот систем може да има смисла само во рамките на веројатносните категории. Со други зборови, за очекуваните настани може да се наведат само веројатностите за нивно појавување, а за некои вредности потребно е да се ограничиме на законите за нивната дистрибуција или други веројатностични карактеристики (на пример, просечни вредности, варијанси итн. ).
За да се проучи процесот на функционирање на секој специфичен комплексен систем, земајќи ги предвид случајните фактори, неопходно е да се има прилично јасно разбирање на изворите на случајни влијанија и многу веродостојни податоци за нивните квантитативни карактеристики. Затоа, на секоја пресметка или теоретска анализа поврзана со проучување на сложен систем и претходи експериментална акумулација на статистички материјал што го карактеризира однесувањето на поединечните елементи и системот како целина во реални услови. Обработката на овој материјал ни овозможува да добиеме првични податоци за пресметка и анализа.
Законот за дистрибуција на случајна променлива е врска која овозможува да се одреди веројатноста за појава на случајна променлива во кој било интервал. Може да се специфицира табеларно, аналитички (во форма на формула) и графички.
Постојат неколку закони за дистрибуција на случајни променливи.
1.3.1. Униформа дистрибуција
Овој тип на дистрибуција се користи за добивање на посложени распределби, дискретни и континуирани. Ваквите распределби се добиваат со користење на две главни техники:
а) инверзни функции;
б) комбинирање на количини распределени според други закони.
Единствениот закон е закон за распределба на случајни променливи, кој има симетрична форма (правоаголник). Униформната густина на дистрибуција е дадена со формулата:
односно во интервалот на кој припаѓаат сите можни вредности на случајната променлива, густината одржува константна вредност (сл. 1).
Сл.1 Функција на густина на веројатност и карактеристики на рамномерна распределба
Во моделите за симулација на економските процеси, униформа дистрибуција понекогаш се користи за моделирање на едноставна (едностепена) работа, при пресметување според распоредот за работа на мрежата, во воени работи - за моделирање на времето потребно за патување на единиците, времето на копање ровови и изградбата на утврдувања.
Униформна распределба се користи кога единственото нешто што се знае за временските интервали е дека тие имаат максимално ширење, а ништо не се знае за распределбата на веројатноста на овие интервали.
1.3.2. Дискретна дистрибуција
Дискретната распределба е претставена со два закони:
1) бином, каде што веројатноста да се случи настан во неколку независни испитувања се одредува со формулата Бернули:
n – број на независни тестови
m е бројот на појави на настанот во n испитувања.
2) Дистрибуција на Поасон, каде што со голем број испитувања веројатноста да се случи некој настан е многу мала и се одредува со формулата:
k – број на појави на настан во неколку независни испитувања
Просечен број на појави на настан во повеќе независни испитувања.
1.3.3. Нормална дистрибуција
Нормалната или Гаусовата дистрибуција е несомнено еден од најважните и најчесто користените типови на континуирани распределби. Тој е симетричен во однос на математичкото очекување.
Континуирана случајна променлива тима нормална распределба на веројатност со параметри ТИ > О, ако неговата густина на веројатност ја има формата (сл. 2, слика 3):
Каде Т- очекувана вредност M[t];
Сл.2, Сл.3 Функција на густина на веројатност и карактеристики на нормална дистрибуција
Секоја сложена работа во економските капацитети се состои од многу кратки, последователни елементарни компоненти на работата. Затоа, кога се проценуваат трошоците за работна сила, секогаш е валидна претпоставката дека нивното времетраење е случајна променлива распределена според нормален закон.
Во симулационите модели на економските процеси, законот за нормална дистрибуција се користи за моделирање на сложена повеќестепена работа.
1.3.4. Експоненцијална дистрибуција
Исто така, зазема многу важно место при спроведување на систематска анализа на економската активност. Многу феномени го почитуваат овој закон за распределба, на пример:
1 време на прием на нарачката во претпријатието;
2 клиенти во посета на супермаркет;
3 телефонски разговори;
4 работен век на делови и склопови во компјутер инсталиран, на пример, во сметководствен оддел.
Функцијата експоненцијална дистрибуција изгледа вака:
F(x)= на 0 Параметар на експоненцијална дистрибуција, >0. Експоненцијалните распределби се посебни случаи на гама распределби. Ориз. 5 Функција на густина на веројатност на гама дистрибуција Во моделите за симулација на економските процеси, експоненцијалната дистрибуција се користи за моделирање на интервалите на нарачки кои доаѓаат во фирмата од бројни клиенти. Во теоријата на доверливост, се користи за моделирање на временскиот интервал помеѓу две последователни дефекти. Во комуникациите и компјутерските науки – за моделирање на тековите на информации. 1.3.5. Генерализирана дистрибуција на Ерланг P(t)= на t≥0; Каде К-елементарни секвенцијални компоненти распоредени според експоненцијален закон. Генерализираната дистрибуција Ерланг се користи за создавање и математички и симулациски модели. Оваа дистрибуција е погодна за употреба наместо нормалната дистрибуција ако моделот се сведе на чисто математички проблем. Покрај тоа, во реалниот живот, постои објективна веројатност групите на барања да се појават како реакција на некои дејства, затоа се појавуваат групни текови. Употребата на чисто математички методи за проучување на ефектите од таквите групни текови во моделите е или невозможна поради недостаток на начин да се добие аналитички израз, или е тешка, бидејќи аналитичките изрази содржат голема систематска грешка поради бројните претпоставки поради што истражувачот успеал да ги добие овие изрази. За да опишете една од сортите на групниот тек, можете да ја користите генерализираната дистрибуција Ерланг. Појавата на групни текови во сложените економски системи доведува до нагло зголемување на просечното времетраење на различни одложувања (нарачки во редици, доцнење на плаќањата итн.), како и до зголемување на веројатноста за ризични настани или осигурени настани. 1.3.6. Триаголна распределба Триаголната дистрибуција е поинформативна отколку униформа. За оваа распределба се одредуваат три количини - минимална, максимална и режим. Графикот на функцијата за густина се состои од два прави сегменти, од кои едниот се зголемува како Xод минималната вредност до режимот, а другата се намалува со промената Xод вредноста на режимот до максимум. Математичката очекувана вредност на триаголна распределба е еднаква на една третина од збирот на минимумот, режимот и максимумот. Триаголната распределба се користи кога е позната најверојатната вредност во одреден интервал и кога се претпоставува на парче линеарна природа на функцијата за густина. Сл.5 Функција на густина на веројатност и карактеристики на триаголната распределба. Триаголната распределба е лесна за примена и интерпретација, но треба да има добра причина за нејзино избирање. Во моделите за симулација на економските процеси, таквата дистрибуција понекогаш се користи за моделирање на времето на пристап до базите на податоци. 1.4. Планирање на компјутерски симулациски експеримент Моделот за симулација, без оглед на избраниот систем за моделирање (на пример, Pilgrim или GPSS), ви овозможува да ги добиете првите два моменти и информации за законот за дистрибуција на која било количина од интерес за експериментаторот (експериментаторот е субјект кој има потреба од квалитативни и квантитативни заклучоци за карактеристиките на процесот што се проучува). 1.4.1. Кибернетски пристап кон организирање експериментални студии на сложени објекти и процеси. Експерименталното планирање може да се смета како кибернетски пристап за организирање и спроведување на експериментални студии на сложени објекти и процеси. Главната идеја на методот е можноста за оптимална контрола на експериментот во услови на несигурност, што е слично на просториите на кои се заснова кибернетиката. Целта на повеќето истражувачки работи е да се одредат оптималните параметри на сложениот систем или оптималните услови за еден процес: 1. утврдување на параметрите на инвестициски проект во услови на неизвесност и ризик; 2. избор на структурни и електрични параметри на физичката инсталација, со што се обезбедува најповолниот начин на работа; 3. добивање на максимален можен принос на реакцијата со промена на температурата, притисокот и односот на реагенсите - во хемиските проблеми; 4. избор на легирани компоненти за да се добие легура со максимална вредност на која било карактеристика (вискозитет, цврстина на истегнување итн.) - во металургијата. При решавање на проблеми од ваков вид, потребно е да се земе предвид влијанието на голем број фактори, од кои некои не можат да се регулираат и контролираат, што го отежнува целосното теоретско проучување на проблемот. Затоа, тие го следат патот на воспоставување основни обрасци преку низа експерименти. Истражувачот можеше да користи едноставни пресметки за да ги изрази резултатите од експериментот во форма погодна за нивна анализа и употреба. 1.4.2. Регресивна анализа и контрола на модел експеримент Сл.7 Пример за просечни експериментални резултати Опсег на вредности η vво овој случај се одредува не само со грешки во мерењето, туку главно од влијанието на пречки z j. Комплексноста на оптималниот контролен проблем се карактеризира не само со сложеноста на самата зависност η v (v = 1, 2, ..., n), но и влијанието z j, кој воведува елемент на случајност во експериментот. График на зависност η v (x i)ја одредува корелацијата помеѓу количините η vИ x i, што може да се добие од резултатите од експериментот користејќи методи на математичка статистика. Пресметка на такви зависности со голем број на влезни параметри x iи значително влијание на пречки z jи е главна задача на експерименталниот истражувач. Покрај тоа, колку е покомплексна задачата, толку е поефикасна употребата на експериментални методи на дизајнирање. Постојат два вида на експерименти: Пасивно; Активен. На пасивен експериментистражувачот само го следи процесот (промени во неговите влезни и излезни параметри). Врз основа на резултатите од набљудувањето, потоа се донесува заклучок за влијанието на влезните параметри врз излезните параметри. Пасивен експеримент обично се изведува врз основа на тековен економски или производствен процес кој не дозволува активна интервенција на експериментаторот. Овој метод е ефтин, но одзема многу време. Активен експериментсе врши главно во лабораториски услови, каде што експериментаторот има можност да ги промени влезните карактеристики според однапред утврден план. Таквиот експеримент побрзо води до целта. Соодветните методи на приближување се нарекуваат регресивна анализа. Регресивна анализае методолошки прибор за решавање проблеми на предвидување, планирање и анализа на економските активности на претпријатијата. Целите на регресивната анализа се да се утврди формата на зависност помеѓу променливите, да се оцени функцијата на регресија и да се утврди влијанието на факторите врз зависната променлива, да се проценат непознатите вредности (предвидување на вредности) на зависната променлива. 1.4.3. Ортогонално планирање од втор ред. Ортогоналното експериментално планирање (во споредба со неортогоналното) го намалува бројот на експерименти и значително ги поедноставува пресметките кога се добива регресивна равенка. Сепак, таквото планирање е изводливо само ако е можно да се спроведе активен експеримент. Практично средство за наоѓање екстремум е експериментален експеримент. Главните предности на факторскиот експеримент се неговата едноставност и способноста да се најде екстремна точка (со одредена грешка) ако непознатата површина е доволно мазна и нема локални екстреми. Вреди да се забележат два главни недостатоци на факторскиот експеримент. Првата е неможноста да се бара екстремум во присуство на чекори дисконтинуитети на непознатата површина и локални екстреми. Вториот е недостатокот на средства за опишување на природата на површината во близина на екстремната точка поради употребата на наједноставните линеарни регресивни равенки, што влијае на инерцијата на контролниот систем, бидејќи во контролниот процес е неопходно да се спроведат факторилни експерименти за да изберете контролни дејства. За контролни цели, најпогодно е ортогоналното планирање од втор ред. Обично, експериментот се состои од две фази. Прво, со помош на факторски експеримент, се наоѓа регионот каде што постои екстремната точка. Потоа, во регионот каде што постои екстремната точка, се спроведува експеримент за да се добие регресивна равенка од втор ред. Равенката за регресија од втор ред ви овозможува веднаш да ги одредите контролните дејства, без да спроведувате дополнителни тестови или експерименти. Дополнително експериментирање ќе биде потребно само во случаи кога површината на одговор значително се менува под влијание на неконтролирани надворешни фактори (на пример, значајна промена во даночната политика во земјата сериозно ќе влијае на површината на одговорот што ги одразува производните трошоци на претпријатието 2. ПРАКТИЧНА РАБОТА. Во овој дел ќе разгледаме како горенаведените теоретски знаења може да се применат во конкретни економски ситуации. Главната задача на нашата работа на курсот е да ја одредиме ефикасноста на претпријатието кое се занимава со комерцијални активности За спроведување на проектот, го избравме пакетот Pilgrim. Пакетот Pilgrim има широк опсег на можности за симулирање на временската, просторната и финансиската динамика на моделираните објекти. Може да се користи за создавање дискретни-континуирани модели. Моделите што се развиваат имаат својство на колективна контрола на процесот на моделирање. Можете да вметнете какви било блокови во текстот на моделот користејќи го стандардниот јазик C++. Пакетот Pilgrim има својство на мобилност, т.е. пренослив на која било друга платформа ако е достапен компајлер C++. Моделите во системот Pilgrim се составени и затоа имаат високи перформанси, што е многу важно за донесување одлуки за управување и адаптивен избор на опции во супер забрзана временска скала. Објектниот код добиен по компилацијата може да се вгради во развиени софтверски системи или да се пренесе (продаде) на клиентот, бидејќи алатките од пакетот Pilgrim не се користат при ракување со моделите. Петтата верзија на Pilgrim е софтверски производ создаден во 2000 година на објектно-ориентирана основа и земајќи ги предвид главните позитивни својства на претходните верзии. Предности на овој систем: Фокус на заедничко моделирање на материјални, информации и „монетарни“ процеси; Достапност на развиена CASE школка која ви овозможува да конструирате модели на повеќе нивоа во режим на анализа на структурниот систем; Достапност на интерфејси со бази на податоци; Способност за крајниот корисник на модели директно да ги анализира резултатите благодарение на формализираната технологија за создавање функционални прозорци за следење на моделот со помош на Visual C++, Delphi или други алатки; Способност за управување со модели директно за време на нивното извршување користејќи специјални дијалози. Така, пакетот Pilgrim е добра алатка за креирање на дискретни и континуирани модели, има многу предности и во голема мера го поедноставува креирањето на модели. Предмет на набљудување е претпријатие кое продава произведена стока. За статистичка анализа на податоците за функционирањето на претпријатието и споредба на добиените резултати, беа споредени сите фактори кои влијаат на процесот на производство и продажба на стоки. Компанијата произведува стоки во мали серии (позната е големината на овие серии). Има пазар каде се продаваат овие производи. Големината на серијата на купениот производ е генерално случајна променлива. Блок дијаграмот на деловниот процес содржи три слоја. На два слоја има автономни процеси „Производство“ (Додаток А) и „Продажба“ (Додаток Б), чии шеми се независни една од друга бидејќи нема начини за пренос на трансакции. Индиректната интеракција на овие процеси се случува само преку ресурси: материјални ресурси (во форма на готови производи) и парични ресурси (главно преку тековна сметка). Управувањето со монетарните ресурси се случува на посебен слој - во процесот „Готовински трансакции“ (Додаток Б). Дозволете ни да воведеме објективна функција: времето на доцнење на плаќањата од тековната сметка ТРС. Главни контролни параметри: 1 единица цена; 2 волумен од произведената серија; 3 износот на кредитот побаран од банката. Поправени сите други параметри: Време на ослободување од 4 серии; 5 број на производни линии; 6 интервал на прием на нарачка од клиенти; 7 варијација во големината на лозата што се продава; 8 цена на компоненти и материјали за производство на серијата; 9 почетен капитал во тековната сметка; Трс може да се минимизира за одредена пазарна ситуација. Минималниот Trs се постигнува на еден од максимумите на просечниот износ на пари во тековната сметка. Згора на тоа, веројатноста за настан на ризик - неплаќање на долгови за заем - е блиску до минимум (ова може да се докаже при статистички експеримент со моделот). Првиот процес“ Производство„(Прилог А) ги спроведува основните елементарни процеси. Јазол 1 симулира прием на нарачки за производство на серии на производи од раководството на компанијата. Јазол 2 - обид да добиете заем. Во овој јазол се појавува помошна трансакција - барање до банката. Јазол 3 - се чека кредит од ова барање. Јазол 4 е банкарска администрација: ако се врати претходниот заем, тогаш се доделува нов (инаку барањето чека во редот). Јазол 5 го пренесува заемот на тековната сметка на компанијата. На јазол 6, помошното барање е уништено, но информацијата дека заемот е одобрен е „бариера“ за следното барање за друг заем (операција на задржување). Трансакцијата на главната нарачка поминува низ јазолот 2 без одлагање. Во јазол 7, плаќањето за компоненти се врши доколку има доволен износ на тековната сметка (дури и ако заемот не е примен). Во спротивно, се чека или за заем или плаќање за продадените производи. На јазолот 8, трансакцијата е во ред ако сите производни линии се зафатени. Во јазол 9, се произведува серија производи. На јазолот 10 се јавува дополнително барање за отплата на заемот доколку заемот бил претходно доделен. Оваа апликација се прима на јазол 11, каде што парите се префрлаат од тековната сметка на компанијата во банката; ако нема пари, тогаш апликацијата е во тек. Откако ќе се отплати заемот, оваа апликација се уништува (на јазол 12); Банката добила информација дека заемот е отплатен и на компанијата може да и се издаде следниот заем (работа релс). Трансакцијата на нарачката поминува низ јазолот 10 без одлагање, а во јазолот 13 се уништува. Следно, се смета дека серијата е произведена и пристигнала во магацинот на готови производи. Втор процес“ Продажба„(Додаток Б) ги симулира главните функции за продажба на производи. Јазол 14 е генератор на трансакции кои купуваат производи. Овие трансакции одат во складиштето (јазол 15), и ако бараната количина на стока е таму, тогаш стоката се пушта на купувачот; во спротивно купувачот чека. Јазол 16 симулира ослободување на стоки и контрола на редот. По приемот на стоката, купувачот префрла пари на банкарската сметка на компанијата (јазол 17). На јазол 18 клиентот се смета за услужен; соодветната трансакција повеќе не е потребна и е уништена. Трет процес“ Готовински трансакции„(Додаток Б) симулира сметководствени записи. Барањата за објавувања доаѓаат од првиот слој од јазлите 5, 7, 11 (Процес на производство) и од јазол 17 (процес на продажба). Испрекинатите линии го прикажуваат движењето на готовинските износи на сметката 51 („Тековна сметка“, јазол 20), сметката 60 („Добавувачи, изведувачи“, јазол 22), сметката 62 („Купувачи, клиенти“, јазол 21) и сметката 90 („Банка“, јазол 19). Конвенционалните бројки приближно одговараат на сметковниот план. Јазол 23 ја симулира работата на финансискиот директор. Сервисираните трансакции, по сметководствените записи, се враќаат на јазлите од кои дошле; броевите на овие јазли се во параметарот на трансакцијата t→updown. Изворниот код на моделот е претставен во Додаток D. Овој изворен код го гради самиот модел, т.е. ги создава сите јазли (претставени во блок дијаграмот на деловниот процес) и врски меѓу нив. Кодот може да се генерира од конструкторот Pilgrim (Gem), во кој процесите се изградени во форма на објект (Додаток Е). Моделот е креиран со помош на Microsoft Developer Studio. Microsoft Developer Studio е софтверски пакет за развој на апликации базиран на јазикот C++. Откако додадовме дополнителни библиотеки (Pilgrim.lib, comctl32.lib) и датотеки со ресурси (Pilgrim.res) на проектот, го составуваме овој модел. По составувањето добиваме готов модел. Автоматски се креира датотека со извештај што ги зачувува резултатите од симулацијата добиени по едно извршување на моделот. Досието на извештајот е претставено во Додаток Г. 3. ЗАКЛУЧОЦИ ЗА ДЕЛОВНИОТ МОДЕЛ „ЕФИКАСНОСТ НА ПРОИЗВОДСТВОТО“ 1) број на јазол; 2) Име на јазолот; 3) Тип на јазол; 5) М(т) просечно време на чекање; 6) Влезен бројач; 7) Преостанати трансакции; 8) Состојбата на јазолот во овој момент. Моделот се состои од три независни процеси: главен производствен процес (Додаток А), процес на продажба на производи (Додаток Б) и процес на управување со готовинскиот тек (Додаток Б). Основен процес на производство.
Во периодот на моделирање на деловните процеси во јазол 1 („Нарачки“) беа генерирани 10 апликации за производство на производи. Просечното време за создавање нарачки е 74 дена, како резултат на тоа, една трансакција не беше вклучена во временската рамка на процесот на моделирање. Останатите 9 трансакции влегоа во јазолот 2 („Fork1“), каде што беа креирани соодветен број барања до банката за заем. Просечното време на чекање е 19 дена, ова е времето на симулација во кое сите трансакции беа исполнети. Следно, можете да видите дека 8 барања добиле позитивен одговор во јазолот 3 („Издавање дозвола“). Просечното време за добивање дозвола е 65 дена. Оптоварувањето на овој јазол во просек изнесуваше 70,4%. Состојбата на јазолот на крајот од времето на симулација е затворена, ова се должи на фактот што овој јазол дава нов заем само ако се врати претходниот, затоа, заемот на крајот на симулацијата не беше отплатен ( тоа може да се види од јазолот 11). Јазол 5 го пренесува заемот на тековната сметка на компанијата. И, како што може да се види од табелата со резултати, банката префрлила 135.000 рубли на сметката на компанијата. На јазол 6, сите 11 барања за заем беа уништени. Во јазолот 7 („Плаќање на добавувачи“), плаќањето за компоненти беше извршено во износ од целиот заем добиен претходно (135.000 рубли). На јазол 8 гледаме дека 9 трансакции се во ред. Ова се случува кога сите производни линии се зафатени. Во јазол 9 („Исполнување на нарачката“) се врши директно производство на производи. Потребни се 74 дена за да се произведе една серија производи. Во периодот на моделирање беа завршени 9 нарачки. Оптоварувањето на овој јазол беше 40%. Во јазол 13, уништени се апликации за производство на производи во износ од 8 парчиња. со очекување дека сериите се произведени и пристигнати во магацинот. Просечното време на производство е 78 дена. На јазолот 10 („Вилушка 2“) беа креирани 0 дополнителни апликации за отплата на заемот. Овие апликации беа примени на јазолот 11 („Враќање“), каде што заемот во износ од 120.000 рубли беше вратен во банката. По враќањето на заемот, на јазол 12 беа уништени 7 барања за рефундирање. со просечно време од –37 дена. Процес на продажба на производи.
Во јазолот 14 („Клиенти“) беа генерирани 26 трансакции за купување производи со просечно време од 28 дена. Една трансакција чека во редот. Следно, 25 трансакции за купување „се свртеа“ во складиштето (јазол 15) за купување на стоката. Искористеноста на складиштето во периодот на моделирање беше 4,7%. Производите од магацинот беа издадени веднаш - без одлагање. Како резултат на дистрибуцијата на производите до купувачите, во магацинот останаа 1077 единици. производи, стоката не се очекува да биде примена во редот, затоа, по приемот на нарачката, компанијата може да ја издаде потребната количина на стока директно од магацинот. Јазол 16 симулира пуштање производи на 25 клиенти (1 трансакција во редот). По приемот на стоката, клиентите без одлагање платија за добиената стока во износ од 119.160 рубли. На јазолот 18, сите обработени трансакции беа уништени. Процес на управување со готовинскиот тек.
Во овој процес се занимаваме со следните сметководствени записи (чие барања за извршување доаѓаат од јазлите 5, 7, 11 и 17, соодветно): 1 заем издаден од банката - 135.000 рубли; 2 исплата на добавувачи за компоненти – 135.000 рубли; 3 отплата на банкарски заем – 120.000 рубли; 4 средства од продажба на производи беа префрлени на тековната сметка - 119.160 рубли. Како резултат на овие објави, ги добивме следните податоци за распределбата на средствата низ сметките: 1) Сметка 90: Банка. Обработени се 9 трансакции, една чека на ред. Салдото на средствата е 9.970.000 рубли. Потребно - 0 Бришење. 2) Сметка 51: Сметка. Обработени се 17 трансакции, една чека на ред. Биланс на средства - 14260 руб. Потребно - 15.000 рубли. Следствено, кога времето на симулација е продолжено, трансакцијата во редот не може веднаш да се сервисира поради недостаток на средства на сметката на компанијата. 3) Сметка 61: Клиенти. Обработени се 25 трансакции. Биланс на средства - 9880840 руб. Потребно - 0 Бришење. 4) Сметка 60: Добавувачи. Беа сервисирани 0 трансакции (процесот „Испорака на стоки“ не беше земен предвид во овој експеримент). Салдото на средствата е 135.000 рубли. Потребно - 0 Бришење. Јазол 23 ја симулира работата на финансискиот директор. Тие обработиле 50 трансакции Анализа на графиконот „Динамика на одложувања“.
Како резултат на водење на моделот, покрај датотеката што содржи табеларни информации, добиваме и графикон за динамиката на одложувањата во редот (сл. 9). График на динамиката на одложувања во редот во јазолот „Пресметка“. Оценката од 51 покажува дека доцнењето се зголемува со текот на времето. Времето на доцнење на плаќањата од тековната сметка на компанијата е ≈ 18 дена. Ова е прилично висока бројка. Како резултат на тоа, компанијата врши плаќања сè поретко, а наскоро доцнењето може да го надмине времето на чекање на доверителот - ова може да доведе до банкрот на компанијата. Но, за среќа, овие доцнења не се чести и затоа ова е плус за овој модел. Оваа ситуација може да се реши со минимизирање на времето за одложување на плаќањето за одредена пазарна ситуација. Минималното време на доцнење ќе се достигне на еден од максимумите на просечниот износ на пари на тековната сметка. Во овој случај, веројатноста за неплаќање на долгови за заем ќе биде блиску до минимум. Проценка на ефективноста на моделот.
Врз основа на описот на процесите, можеме да заклучиме дека процесите на производство и продажба на производи генерално функционираат ефикасно. Главниот проблем на моделот е процесот на управување со паричните текови. Главниот проблем на овој процес се долговите за враќање на банкарски кредит, со што се предизвикува недостиг на средства на тековната сметка, што нема да дозволи бесплатна манипулација со добиените средства, бидејќи тие мора да се искористат за отплата на заемот. Како што дознавме од анализата на графиконот „Динамика на одложувања“, во иднина компанијата ќе може да ги отплаќа сметките што се плаќаат навреме, но не секогаш во јасно одредени линии Затоа, можеме да заклучиме дека во моментов моделот е доста ефективен, но бара мали подобрувања. Генерализирање на резултатите од статистичка обработка на информации беше извршено со анализа на резултатите од експериментот. Графикот на доцнења во јазолот „Тековна сметка“ покажува дека во текот на целиот период на моделирање, времето на доцнење во јазолот останува главно на исто ниво, иако повремено се појавуваат одложувања. Оттука произлегува дека зголемувањето на веројатноста за ситуација кога едно претпријатие може да биде на работ на банкрот е исклучително ниско. Следствено, моделот е сосема прифатлив, но, како што споменавме погоре, бара мали измени. ЗАКЛУЧОК Системите кои се сложени во нивните внатрешни врски и имаат голем број елементи се економски тешки за употреба со директни методи на моделирање и често се свртуваат кон симулациски методи за изградба и проучување. Појавата на најновите информатички технологии ги зголемува не само можностите на системите за моделирање, туку овозможува и употреба на поголема разновидност на модели и методи за нивна имплементација. Подобрувањето на компјутерската и телекомуникациската технологија доведе до развој на методи за машинско моделирање, без кои е невозможно да се проучуваат процеси и феномени, како и да се градат големи и сложени системи. Врз основа на сработеното, можеме да кажеме дека важноста на моделирањето во економијата е многу голема. Затоа, современиот економист мора добро да ги разбира економските и математичките методи и да може практично да ги примени за моделирање на реални економски ситуации. Ова ви овозможува подобро да ги разберете теоретските прашања на модерната економија, помага да се подобри нивото на квалификации и општата професионална култура на специјалист. Користејќи различни деловни модели, можно е да се опишат економски објекти, обрасци, врски и процеси не само на ниво на индивидуална компанија, туку и на ниво на држава. И ова е многу важен факт за секоја земја: можно е да се предвидат подеми и падови, кризи и стагнации во економијата. БИБЛИОГРАФИЈА 1. Емелијанов А.А., Власова Е.А. Компјутерско моделирање - М.: Московски државен универзитет. Универзитет за економија, статистика и информатика, 2002 година. 2. Замков О.О., Толстопјатенко А.В., Черемних Ју.Н. Математички методи во економијата, М., Delo i servis, 2001 година. 3. Колемаев В.А., Математичка економија, М., УНИТИ, 1998 г. 4. Нејлор Т. Експерименти со машинска симулација со модели на економски системи. – М.: Мир, 1975. – 392 стр. 5. Советов Б.Ја., Јаковлев С.А. Моделирање на системи. – М.: Повисоко. Училиште, 2001 година. 6. Шенон Р.Е. Симулациско моделирање на системи: наука и уметност. - М.: Мир, 1978 година. 7. www.thrusta.narod.ru ПРИЛОГ А Дијаграм на бизнис модел „Ефикасност на претпријатието“ ПРИЛОГ Б Процесот на продажба на производи од бизнис моделот „Enterprise Efficiency“ ПРИЛОГ Б Процес на управување со готовински тек на бизнис моделот „Ефикасност на претпријатијата“ ПРИЛОГ Г Изворниот код на моделот ПРИЛОГ Е Датотека за извештај за модел ПРИЛОГ Е Метод на симулација на моделирање и неговите карактеристики. Симулациски модел: приказ на структурата и динамиката на симулираниот систем Методот на симулација е експериментален метод за проучување на реален систем со помош на неговиот компјутерски модел, кој ги комбинира карактеристиките на експерименталниот пристап и специфичните услови за користење на компјутерската технологија. Симулациското моделирање е метод на компјутерско моделирање, всушност, никогаш не постоел без компјутер, а само развојот на информатичката технологија доведе до воспоставување на овој тип на компјутерско моделирање. Горенаведената дефиниција се фокусира на експерименталната природа на симулацијата и употребата на симулациски истражувачки метод (експериментирањето се врши со моделот). Навистина, во симулационото моделирање, важна улога се игра не само со спроведување, туку и со планирање на експериментот на моделот. Сепак, оваа дефиниција не појаснува што е самиот симулациски модел. Ајде да се обидеме да откриеме кои својства има симулациски модел, која е суштината на симулационото моделирање. Во процесот на симулациско моделирање (сл. 1.2), истражувачот се занимава со четири главни елементи: компјутерски експеримент. Истражувачот проучува реален систем, развива логичко-математички модел на реален систем. Симулациската природа на студијата претпоставува присуство логички или логичко-математички модели,опишаниот процес (систем) што се изучува. За да може машински да се имплементира, комплексен систем е изграден врз основа на логичко-математички модел алгоритам за моделирање, кој ја опишува структурата и логиката на интеракцијата на елементите во системот. Ориз. 1.2. Постои софтверска имплементација на алгоритмот за моделирање симулациски модел.Се составува со помош на алатки за автоматско моделирање. Технологијата за симулација и алатките за моделирање - јазици и системи за моделирање со помош на кои се имплементираат симулациски модели - ќе бидат разгледани подетално во Поглавје. 3. Следно, насочен компјутерски експеримент е поставен и спроведен на симулациски модел, како резултат на кој се собираат и обработуваат информациите неопходни за донесување одлуки со цел да се влијае на реалниот систем. Погоре дефиниравме систем како збир на елементи кои дејствуваат со текот на времето. Композитната природа на сложениот систем го диктира претставувањето на неговиот модел во форма на тројно A, S, T>, каде што А -многу елементи (вклучувајќи ја и надворешната средина); С-збир на дозволени врски помеѓу елементите (структура на моделот); Т -разгледани повеќе точки во времето. Карактеристика на симулационото моделирање е тоа што симулациониот модел ви овозможува да репродуцирате симулирани објекти додека ја зачувувате нивната логичка структура и својства на однесување, т.е. динамика на интеракциите на елементите. При симулационото моделирање, структурата на симулираниот систем директно се прикажува во моделот, а процесите на неговото функционирање се играат (симулираат) на конструираниот модел. Изградбата на симулациски модел се состои од опишување на структурата и функционалните процеси на моделираниот објект или систем. Постојат две компоненти во описот на моделот за симулација: Идејата на методот од гледна точка на неговата имплементација на софтвер беше како што следува. Што ако некои софтверски компоненти беа доделени на елементите на системот, а состојбите на овие елементи беа опишани со помош на променливи за состојби. Елементите, по дефиниција, комуницираат (или разменуваат информации), што значи дека може да се имплементира алгоритам за функционирање на поединечни елементи и нивна интеракција според одредени оперативни правила - алгоритам за моделирање. Дополнително, елементите постојат во времето, што значи дека мора да се специфицира алгоритам за менување на променливите на состојбите. Динамиката во симулационите модели се имплементира со користење механизам за унапредување на времето на моделот. Посебна карактеристика на методот на симулација е способноста да се опише и репродуцира интеракцијата помеѓу различни елементи на системот. Така, за да креирате симулациски модел, потребно е: Клучната точка во симулационото моделирање е идентификацијата и описот на состојбите на системот. Системот се карактеризира со збир на променливи на состојби, од кои секоја комбинација опишува одредена состојба. Затоа, со менување на вредностите на овие променливи, можно е да се симулира преминот на системот од една во друга состојба. Така, симулацијата е претставување на динамичкото однесување на системот со негово преместување од една во друга состојба според добро дефинирани правила за работа. Овие промени на состојбата може да се појават или континуирано или во дискретни моменти во времето. Симулациското моделирање е динамичен одраз на промените во состојбата на системот со текот на времето. Значи, сфативме дека за време на симулацијата, логичката структура на реалниот систем се прикажува во моделот, а исто така се симулирани динамиката на интеракциите на потсистемите во симулираниот систем. Ова е важна, но не и единствена карактеристика на моделот за симулација, кој историски го предодредил не целосно успешното, според нас, името на методот ( симулационо моделирање), што истражувачите почесто го нарекуваат моделирање на системи. Концептот на моделско време. Механизам за промоција на времето на моделот. Дискретни и континуирани симулациски модели За да се опише динамиката на симулираните процеси во симулацијата, таа е имплементирана механизам за унапредување на времето на моделот.Овие механизми се вградени во контролните програми на кој било систем за моделирање. Ако однесувањето на една компонента од системот се симулира на компјутер, тогаш извршувањето на дејствата во моделот за симулација може да се изврши последователно, со повторно пресметување на временската координата. За да се обезбеди симулација на паралелни настани на реален систем, воведена е некоја глобална променлива (со која се обезбедува синхронизација на сите настани во системот) / 0, која се нарекува моделско (или системско) време. Постојат два главни начини за промена t П: Кога чекор по чекор методвремето напредува со минималната можна константна должина на чекорот (принцип А/). Овие алгоритми не се многу ефикасни во однос на користење на компјутерско време за нивна имплементација. На метод базиран на настани(принцип „посебни услови“)временските координати се менуваат само кога состојбата на системот се менува. Во методите базирани на настани, должината на чекорот на временско поместување е максималната можна. Времето на моделот се менува од тековниот момент до најблискиот момент на следниот настан. Употребата на методот настан по настан се претпочита ако фреквенцијата на појава на настани е мала, тогаш големата должина на чекорот ќе го забрза напредокот на времето на моделот. Методот настан по настан се користи кога настаните што се случуваат во системот се нерамномерно распоредени на временската оска и се појавуваат во значителни временски интервали. Во пракса, методот базиран на настани е најраспространет. Методот на фиксен чекор се користи ако: Така, поради секвенцијалната природа на обработката на информации во компјутер, паралелните процеси што се случуваат во моделот се трансформираат со користење на разгледуваниот механизам во секвенцијални. Овој метод на претставување се нарекува квази-паралелен процес. Наједноставната класификација во главните типови на симулациски модели е поврзана со употребата на овие два методи за унапредување на времето на моделот. Постојат континуирани, дискретни и континуирано-дискретни модели на симулација. ВО модели на континуирана симулацијапроменливите постојано се менуваат, состојбата на моделираниот систем се менува како континуирана функција на времето и, по правило, оваа промена се опишува со системи на диференцијални равенки. Според тоа, напредокот на времето на моделот зависи од нумеричките методи за решавање на диференцијални равенки. ВО дискретни симулациски моделипроменливите се менуваат дискретно во одредени моменти од времето на симулација (појава на настани). Динамиката на дискретните модели е процес на премин од моментот на почетокот на следниот настан до моментот на почетокот на следниот настан. Бидејќи во реалните системи, континуираните и дискретните процеси честопати е невозможно да се одвојат, континуирано-дискретни модели,кои ги комбинираат механизмите на временска прогресија карактеристични за овие два процеса. Проблеми на стратешко и тактичко планирање на симулациски експеримент. Режиран компјутерски експеримент на симулациски модел Значи ние го утврдивме тоа методологија на симулација- Ова е системска анализа. Тоа е второто што дава право да се нарече видот на моделирање што се разгледува системско моделирање. На почетокот на овој дел, дадовме општ концепт за методот на симулација и го дефиниравме како експериментален метод за проучување на реален систем користејќи го неговиот симулациски модел. Забележете дека концептот на метод е секогаш поширок од концептот на „симулациски модел“. Дозволете ни да ги разгледаме карактеристиките на овој експериментален метод (метод на симулација на истражување). Патем, зборовите „ симулација“, „експеримент“, „имитација“ на еден план. Експерименталната природа на симулацијата, исто така, го одреди потеклото на името на методот. Значи, целта на секое истражување е да се дознае што е можно повеќе за системот што се проучува, да се соберат и анализираат информациите неопходни за да се донесе одлука. Суштината на проучувањето на реален систем користејќи го неговиот симулациски модел е да се добијат (соберат) податоци за функционирањето на системот како резултат на спроведување на експеримент на симулациски модел. Моделите за симулација се модели од типот на стартување кои имаат влез и излез. Односно, ако внесете одредени вредности на параметрите на влезот на моделот за симулација, можете да добиете резултат што важи само за овие вредности. Во пракса, истражувачот се соочува со следната специфична карактеристика на симулационото моделирање. Симулациониот модел произведува резултати кои се валидни само за одредени вредности на параметрите, променливите и структурните односи вградени во програмата за симулација. Промената на параметар или врска значи дека програмата за симулација мора повторно да се изврши. Затоа, за да се добијат потребните информации или резултати, неопходно е да се извршат модели за симулација наместо да се решаваат. Моделот за симулација не е способен да формира сопствено решение на ист начин како што е случајот со аналитичките модели (види метод на пресметковно истражување), но може да послужи како средство за анализа на однесувањето на системот под услови утврдени од експериментаторот. За појаснување, разгледајте ги детерминистичките и стохастичките случаи. Стохастички случај.Симулациониот модел е пригоден апарат за проучување на стохастички системи. Стохастичките системи се системи чија динамика зависи од случајни фактори; влезните и излезните променливи на стохастичкиот модел обично се опишуваат како случајни променливи, функции, процеси, секвенци. Да ги разгледаме главните карактеристики на процесите на моделирање земајќи го предвид дејството на случајните фактори (тука се имплементирани добро познатите идеи за методот на статистички тестови и методот Монте Карло). Резултатите од симулацијата добиени со репродукција на една имплементација на процеси, поради дејството на случајни фактори, ќе бидат имплементации на случајни процеси и нема да можат објективно да го карактеризираат предметот што се проучува. Затоа, потребните вредности при проучување на процесите со помош на методот на симулација обично се одредуваат како просечни вредности врз основа на податоци од голем број имплементации на процеси (проценка проблем). Затоа, експериментот на модел содржи неколку имплементации, работи и вклучува проценка врз основа на збир на податоци (примероци). Јасно е дека (според законот за големи броеви) колку е поголем бројот на имплементации, толку повеќе добиените проценки стануваат статистички постабилни. Значи, во случај на стохастички систем, потребно е да се соберат и да се проценат статистички податоци на излезот од моделот на симулација, а за да се направи тоа, да се извршат низа вртења и статистичка обработка на резултатите од симулацијата. Детерминистички случај. ВОВо овој случај, доволно е да се изврши едно извршување со одреден сет на параметри. Сега да замислиме дека целите на моделирањето се: проучување на системот под различни услови, проценка на алтернативи, наоѓање на зависноста на излезот на моделот од голем број параметри и, конечно, наоѓање на оптимална опција. Во овие случаи, истражувачот може да добие увид во функционирањето на моделираниот систем со менување на вредностите на параметрите на влезот на моделот, притоа изведувајќи бројни машински работи на симулациониот модел. Така, спроведувањето експерименти со модел на компјутер вклучува спроведување на повеќе машински работи со цел да се соберат, акумулираат и последователно да се обработат податоци за функционирањето на системот. Симулациското моделирање ви овозможува да истражувате модел на реален систем со цел да го проучите неговото однесување преку повторени работи на компјутер под различни работни услови на реалниот систем. Овде се појавуваат следниве проблеми: како да се соберат овие податоци, да се спроведат низа работи, како да се организира насочена експериментална студија. Излезните податоци добиени како резултат на таквото експериментирање може да бидат многу големи. Како да ги обработиме? Нивната обработка и проучување може да се претвори во независен проблем, многу потежок од задачата за статистичка проценка. Во симулационото моделирање, важно прашање не е само спроведување, туку и планирање на симулациски експеримент во согласност со наведената цел на студијата. Така, истражувач кој користи методи за симулационо моделирање секогаш се соочува со проблемот на организирање на експеримент, т.е. избор на метод за собирање информации што го обезбедува потребниот волумен (за постигнување на целта на истражувањето) по најниска цена (дополнителен број на вртења значи дополнително време за компјутер). Главната задача е да се намали времето поминато за ракување со моделот, да се намали времето на компјутерот за симулација, што го одразува трошењето на компјутерски временски ресурси за спроведување на голем број симулации. Овој проблем се нарекува стратешко планирањесимулациски истражувања. За негово решавање се користат методи на планирање на експериментот, регресивна анализа итн., за кои детално ќе се дискутира во делот 3.4. Стратешкото планирање е развој на ефективен експериментален дизајн кој или ја идентификува врската помеѓу контролираните променливи или наоѓа комбинација на вредности на контролирани променливи што го минимизира или максимизира одговорот (излезот) на симулациониот модел. Заедно со концептот на стратешки, постои и концептот тактичко планирање,што е поврзано со определување како да се спроведат симулациони возења наведени во експерименталниот план: како да се спроведе секое возење во рамките на изготвениот експериментален план. Овде се решаваат проблемите за одредување на времетраењето на трчање, проценка на точноста на резултатите од симулацијата итн. Ваквите експерименти со симулациски модел ќе ги наречеме насочени компјутерски експерименти. Експериментот за симулација, чија содржина е одредена со претходно спроведена аналитичка студија (т.е. која е составен дел на компјутерски експеримент) и чии резултати се веродостојни и математички оправдани, се нарекува. насочен компјутерски експеримент. Во гл. 3 детално ќе ги разгледаме практичните прашања за организирање и спроведување на насочени пресметковни експерименти со користење на симулациски модел. Општа технолошка шема, можности и опсег на симулационо моделирање Сумирајќи го нашето размислување, можеме да ја прикажеме во најопшта форма технолошката шема на симулационо моделирање (сл. 1.3). (Технологијата на симулациско моделирање ќе биде разгледана подетално во Поглавје 3.) Ориз. 1.3. Дозволете ни да ги разгледаме можностите на методот на симулациско моделирање, кои доведоа до негова широка употреба во различни области. Симулациското моделирање традиционално наоѓа примена во широк опсег на економски истражувања: моделирање на производствени системи и логистика, социологија и политички науки; моделирање на транспортните, информациските и телекомуникациските системи и конечно, глобалното моделирање на светските процеси. Методот на симулациско моделирање овозможува решавање на проблеми со исклучителна сложеност, обезбедува симулација на какви било сложени и разновидни процеси со голем број елементи; индивидуалните функционални зависности во таквите модели можат да се опишат со многу незгодни математички односи. Затоа, симулационото моделирање ефективно се користи во проблемите на проучување на системи со сложена структура со цел да се решат конкретни проблеми. Моделот за симулација содржи елементи на континуирано и дискретно дејство, затоа се користи за проучување на динамички системи, кога е потребна анализа на тесните грла, проучување на динамиката на функционирање, кога е пожелно да се набљудува напредокот на процесот на симулација модел во одредено време Симулациското моделирање е ефикасна алатка за проучување на стохастички системи, кога врз системот што се проучува може да влијаат бројни случајни фактори од сложена природа (математичките модели за оваа класа системи имаат ограничени можности). Можно е истражување во услови на неизвесност, со нецелосни и неточни податоци. Симулациското моделирање е највредната врска што формира систем во системите за поддршка на одлуки, бидејќи ви овозможува да истражите голем број алтернативи (опции за одлучување) и да играте различни сценарија за какви било влезни податоци. Главната предност на симулационото моделирање е тоа што истражувачот секогаш може да добие одговор на прашањето „Што ќе се случи ако?“ за тестирање на нови стратегии и донесување одлуки кога проучува можни ситуации. ...“. Моделот за симулација овозможува да се прават предвидувања кога се работи за системот што се дизајнира или кога се проучуваат развојните процеси, т.е. во случаи кога не постои реален систем. Моделот за симулација може да обезбеди различни (вклучувајќи многу високи) нивоа на детали за симулираните процеси. Во овој случај, моделот се создава во фази, постепено, без значителни промени, еволутивно. Во современата литература може да се најдат неколку гледишта за тоа што е симулациско моделирање. Некои тврдат дека тоа се математички модели во класична смисла, други веруваат дека тоа се модели во кои се симулираат случајни процеси, а други сугерираат дека симулационите модели се разликуваат од обичните математички во подетален опис. Сепак, сите се согласуваат дека симулацијата се применува на процеси во кои луѓето може да интервенираат од време на време. Методите за анализа на развојот на ситуациите засновани на менување на вредностите на различни фактори кои ги одредуваат овие ситуации станаа сè пораспространети. Значењето на оваа варијација е како што следува. Активностите на секој деловен субјект зависат од многу фактори, од кои огромното мнозинство се меѓусебно поврзани; во исто време, некои фактори се подложни на одредена регулатива, па оттука, со менување на множеството клучни параметри или нивните вредности, можно е да се симулираат различни ситуации и, благодарение на ова, да се избере најприфатливото сценарио за развој на настани. Една од тешкотиите во спроведувањето на овој пристап е рутиноста на акциите и мноштвото операции на броење; оваа тешкотија се елиминира со користење на компјутер и поврзан софтвер во она што е познато како симулационо моделирање. Симулациско моделирање -Ова е формализиран метод (може да се примени математиката). Зборот „имитација“ (од лат. imatatio)значи „имитација на некого или нешто, репродукција со можна точност“. Суштината на симулационото моделирање е како што следува: специфична економска ситуација се симулира во компјутерска средина. Откако ќе направите неколку пресметки, можете да изберете збир на параметри и нивните вредности, со кои потоа се обидувате да управувате (на пример, побарувањата не треба да одат подалеку од даден коридор, добивајќи одредена сума на добивка). Симулациското моделирање на финансиските и економските активности се заснова на комбинација на формализирани (математички) методи и стручни проценки на специјалисти и менаџери на економски субјект, при што преовладуваат вторите. Процесот на симулација е следен: прво се гради математички модел на предметот што се проучува (симулациски модел), потоа овој модел се претвора во компјутерска програма. Во процесот на работа, индикаторите од интерес за истражувачот се менуваат: тие се предмет на анализа, особено статистичка обработка. Симулационен модел се користи, од една страна, во случаи кога моделот (а со тоа и системот, процесот, феноменот што го рефлектира) е премногу сложен за да дозволи употреба на конвенционални методи на аналитичко решение. За многу проблеми на менаџментот и економијата, оваа ситуација е неизбежна: на пример, дури и такви добро воспоставени методи како линеарното програмирање, во некои случаи, обезбедуваат решение кое е премногу далеку од реалноста и невозможно е да се извлечат разумни заклучоци од резултатите. добиени. Самиот избор помеѓу симулација (нумеричко) или аналитичко решение за одреден економски проблем не е секогаш лесен проблем. Од друга страна, имитацијата се користи кога вистински економски експеримент е невозможен или премногу комплициран поради една или друга причина. Потоа делува како замена за таков експеримент. Но, уште повредна е неговата улога како прелиминарна фаза, „проценка“, која помага да се донесе одлука за потребата и можноста за спроведување на вистински експеримент. Со помош на статичка симулација, можно е да се идентификува со какви комбинации на влезни фактори се постигнува оптималниот резултат од процесот што се проучува и да се утврди релативната важност на одредени фактори. Ова е корисно, на пример, кога се проучуваат различни методи и средства за економски стимулации во производството. Симулациското моделирање се користи и во прогнозирањето, бидејќи тоа „го намалува времето“ и, особено, овозможува, за неколку часа, да се репродуцира на компјутер (во збирни термини) развојот на претпријатие или гранка на националната економија за месеци, па дури и години однапред. Неодамна е широко користен имитација на економските процеси, во која се судираат различни интереси како конкуренцијата на пазарот. Како што напредува деловната игра, се носат одредени одлуки, на пример: „зголемување на цените“, „зголемување или намалување на производството“ итн., а пресметките покажуваат на која од „конкурентните“ страни и оди подобро, а на која полошо. Симулациското моделирање на економските процеси во суштина е експеримент, но не во реални, туку во вештачки услови. Критериум за соодветноста на моделот е практиката. Кога се конструира математички модел на сложен систем, може да се појават тешкотии кога моделот содржи многу врски помеѓу елементите, има различни нелинеарни ограничувања и голем број параметри. Вистинските системи честопати се под влијание на различни случајни фактори кои тешко се земаат предвид, па споредбата на моделот и оригиналот во овој случај е можна само на почетокот. За да се надминат овие тешкотии, неопходно е да се земат предвид следниве правила при користење на симулациско моделирање: Студентите, дипломираните студенти, младите научници кои ја користат базата на знаење во нивните студии и работа ќе ви бидат многу благодарни. Објавено на http://www.allbest.ru/ Проект на курсот Предмет: „Моделирање на производствени и економски процеси“ На тема: „Симулациско моделирање на економски процеси“ Вовед 1.1 Концепт на моделирање 1.2 Концепт на модел IV. Практичен дел 4.1 Изјава за проблемот 4.2 Решавање на проблемот Заклучок Апликација Вовед Симулациското моделирање, линеарното програмирање и регресивната анализа долго време ги заземаа првите три места меѓу сите методи на операционо истражување во економијата во однос на опсегот и фреквенцијата на употреба. Во симулационото моделирање, алгоритмот што го имплементира моделот го репродуцира процесот на функционирање на системот во време и простор, а елементарните појави што го сочинуваат процесот се симулираат додека ја зачувуваат неговата логичка временска структура. Во моментов, моделирањето стана прилично ефикасно средство за решавање на сложени проблеми на автоматизација на истражување, експерименти и дизајн. Но, да се совлада моделирањето како работна алатка, неговите широки можности и понатаму да се развие методологијата за моделирање е можно само со целосно совладување на техниките и технологијата за практично решавање на проблемите на моделирање на процесите на функционирање на системите на компјутер. Ова е целта на оваа работилница, која се фокусира на методите, принципите и главните фази на моделирање во рамките на општата методологија за моделирање, а исто така ги испитува прашањата за моделирање специфични варијанти на системи и влева вештини за користење на технологијата за моделирање во практичното. имплементација на модели на функционирање на системот. Разгледани се проблемите на системите на редици на кои се засноваат симулациски модели на економски, информациски, технолошки, технички и други системи. Наведени се методи за веројатностичко моделирање на дискретни и случајни континуирани променливи, кои овозможуваат да се земат предвид случајните влијанија врз системот при моделирање на економските системи. Барањата што модерното општество ги поставува на специјалист од областа на економијата постојано растат. Во моментов, успешната активност во речиси сите сфери на економијата не е можна без моделирање на однесувањето и динамиката на развојните процеси, проучување на карактеристиките на развојот на економските објекти и разгледување на нивното функционирање во различни услови. Софтверот и хардверот треба да станат први асистенти овде. Наместо да учите од сопствените грешки или од грешките на другите луѓе, препорачливо е да го консолидирате и тестирате вашето знаење за реалноста со резултатите добиени на компјутерски модели. Симулациското моделирање е највизуелно и во пракса се користи за компјутерско моделирање на опции за решавање на ситуации со цел да се добијат најефикасни решенија за проблемите. Симулациското моделирање овозможува проучување на анализираниот или дизајнираниот систем според шемата на оперативно истражување, која содржи меѓусебно поврзани фази: · развој на концептуален модел; · развој и имплементација на софтвер на симулациски модел; · проверка на исправноста и веродостојноста на моделот и проценка на точноста на резултатите од моделирањето; · планирање и спроведување на експерименти; · донесување одлуки. Ова овозможува користење на симулациско моделирање како универзален пристап за донесување одлуки во услови на несигурност, земајќи ги предвид факторите кои тешко се формализираат во моделите, како и примена на основните принципи на системски пристап за решавање на практични проблеми. Распространетата имплементација на овој метод во пракса е попречена од потребата да се создадат софтверски имплементации на симулациски модели кои ја рекреираат динамиката на функционирањето на симулираниот систем во симулирано време. За разлика од традиционалните методи на програмирање, развојот на симулациски модел бара преструктуирање на принципите на размислување. Не е без причина што принципите на симулационото моделирање дадоа поттик за развојот на објектното програмирање. Затоа, напорите на развивачите на софтвер за симулација се насочени кон поедноставување на софтверските имплементации на моделите за симулација: за овие цели се создаваат специјализирани јазици и системи. Софтверските алатки за симулација се променија во нивниот развој во текот на неколку генерации, од јазици за моделирање и алатки за автоматизација за конструкција на модели до програмски генератори, интерактивни и интелигентни системи и дистрибуирани системи за моделирање. Главната цел на сите овие алатки е да се намали интензитетот на трудот при креирање софтверски имплементации на симулациски модели и експериментирање со модели. Еден од првите јазици за моделирање што го олесни процесот на пишување програми за симулација беше јазикот GPSS, создаден како финален производ од Џефри Гордон во IBM во 1962 година. Во моментов има преведувачи за DOS оперативни системи - GPSS/PC, за OS/2 и DOS - GPSS/H и за Windows - GPSS World. Проучувањето на овој јазик и креирањето модели ви овозможува да ги разберете принципите на развивање програми за симулација и да научите како да работите со симулациски модели. GPSS (General Purpose Simulation System) е јазик за моделирање кој се користи за изградба на дискретни симулациски модели управувани од настани и спроведување експерименти со помош на персонален компјутер. Системот GPSS е јазик и преведувач. Како и секој јазик, тој содржи вокабулар и граматика со чија помош може да се развијат модели на системи од одреден тип. I. Основни поими на теоријата на моделирање на економски системи и процеси 1.1 Концепт на моделирање Моделирањето се однесува на процес на конструирање, проучување и примена на модели. Тоа е тесно поврзано со такви категории како апстракција, аналогија, хипотеза итн. Процесот на моделирање нужно вклучува изградба на апстракции, заклучоци по аналогија и изградба на научни хипотези. Главната карактеристика на моделирањето е тоа што е метод на индиректно сознавање со помош на прокси објекти. Моделот делува како еден вид когнитивна алатка која истражувачот ја става помеѓу себе и предметот и со чија помош го проучува предметот што го интересира. Секој социо-економски систем е сложен систем во кој содејствуваат десетици и стотици економски, технички и социјални процеси, кои постојано се менуваат под влијание на надворешните услови, вклучувајќи го и научниот и технолошкиот напредок. Во такви услови, управувањето со социо-економските и производните системи се претвора во сложена задача која бара посебни алатки и методи. Моделирањето е еден од главните методи на сознавање, е форма на рефлексија на реалноста и се состои во откривање или репродукција на одредени својства на реални предмети, предмети и појави со помош на други предмети, процеси, појави или користење на апстрактен опис во форма на слика, план, карта, збир на равенки, алгоритми и програми. Во најопшта смисла, моделот е логички (вербален) или математички опис на компонентите и функциите кои ги рефлектираат суштинските својства на објектот или процесот што се моделира, обично се сметаат како системи или елементи на системот од одредена гледна точка. Моделот се користи како конвенционална слика, дизајнирана да го поедностави проучувањето на објектот. Во принцип, не само математичките (симболички) туку и материјалните модели се применливи во економијата, но материјалните модели имаат само демонстративна вредност. Постојат две гледишта за суштината на моделирањето: * ова е студија за објекти на сознавање со помош на модели; * ова е изградба и проучување на модели на објекти и феномени од реалниот живот, како и предложени (конструирани) објекти. Можностите за моделирање, односно пренесување на резултатите добиени при изградбата и истражувањето на моделот на оригиналот, се засноваат на фактот дека моделот во одредена смисла прикажува (репродуцира, моделира, опишува, имитира) некои карактеристики на предмет што се од интерес за истражувачот. Моделирањето како форма на рефлексија на реалноста е широко распространето, а прилично целосна класификација на можните видови моделирање е исклучително тешка, само поради полисемијата на концептот „модел“, кој е широко користен не само во науката и технологијата, туку и во уметноста и во секојдневниот живот. Зборот „модел“ доаѓа од латинскиот збор „modulus“, што значи „мерење“, „примерок“. Неговото првобитно значење беше поврзано со уметноста на градење, а во речиси сите европски јазици се користеше за означување слика или прототип или нешто слично во некој поглед со друго. Меѓу социо-економските системи, препорачливо е да се истакне производствениот систем (ПС), кој, за разлика од системите од другите класи, содржи како најважен елемент свесно дејствување лице кое врши функции на управување (донесување одлуки и контрола). Во согласност со ова, различни поделби на претпријатија, самите претпријатија, истражувачки и дизајнерски организации, здруженија, индустрии и, во некои случаи, националната економија како целина може да се сметаат како ПС. Природата на сличноста помеѓу моделираниот објект и моделот се разликува: * физички - предметот и моделот имаат иста или слична физичка природа; * структурен - постои сличност помеѓу структурата на објектот и структурата на моделот; * функционален - објектот и моделот извршуваат слични функции под соодветно влијание; * динамична - постои кореспонденција помеѓу последователно променливите состојби на објектот и моделот; * веројатност - постои кореспонденција помеѓу процесите од веројатна природа во објектот и моделот; * геометриски - постои кореспонденција помеѓу просторните карактеристики на објектот и моделот. Моделирањето е еден од најчестите начини за проучување на процесите и појавите. Моделирањето се заснова на принципот на аналогија и ви овозможува да проучувате објект под одредени услови и земајќи ја предвид неизбежната еднострана гледна точка. Објект кој е тешко да се проучува се изучува не директно, туку преку разгледување на друг, сличен на него и попристапен - модел. Врз основа на својствата на моделот, обично е можно да се проценат својствата на предметот што се проучува. Но, не за сите својства, туку само за оние кои се слични и во моделот и во објектот и во исто време се важни за истражување. Таквите својства се нарекуваат суштински. Дали има потреба од математичко моделирање на економијата? За да се потврди ова, доволно е да се одговори на прашањето: дали е можно да се заврши технички проект без акционен план, т.е. цртежи? Истата ситуација се случува и во економијата. Дали е потребно да се докаже потребата од користење на економски и математички модели за донесување на менаџерски одлуки во економската сфера? Под овие услови, економско-математичкиот модел се покажува како главно средство за експериментално истражување во економијата, бидејќи ги има следните својства: * имитира реален економски процес (или однесување на објект); * има релативно ниска цена; * може повторно да се користи; * ги зема предвид различните работни услови на објектот. Моделот може и треба да ја одразува внатрешната структура на економскиот објект од дадени (одредени) гледишта, а ако е непознат, тогаш само неговото однесување, користејќи го принципот „црна кутија“. Во основа, секој модел може да се формулира на три начини: * како резултат на директно набљудување и проучување на појавите на реалноста (феноменолошки метод); * изолација од поопшт модел (дедуктивен метод); * генерализации на поконкретни модели (индуктивен метод, т.е. докажување со индукција). Моделите, бескрајни во нивната различност, можат да се класифицираат според различни критериуми. Како прво, сите модели можат да се поделат на физички и описни. Постојано се занимаваме со двајцата. Особено, описните модели вклучуваат модели во кои моделираниот објект е опишан со зборови, цртежи, математички зависности итн. Таквите модели вклучуваат литература, ликовни уметности и музика. Економските и математичките модели се широко користени во управувањето со деловните процеси. Во литературата не постои утврдена дефиниција за економско-математички модел. Да ја земеме следнава дефиниција како основа. Економско-математички модел е математички опис на економски процес или објект, извршен со цел нивно проучување или управување: математичко запишување на економскиот проблем што се решава (затоа, термините проблем и модел често се користат како синоними). . Моделите може да се класифицираат и според други критериуми: * Моделите кои ја опишуваат моменталната состојба на економијата се нарекуваат статични. Моделите кои го покажуваат развојот на моделираниот објект се нарекуваат динамични. * Модели кои можат да се градат не само во форма на формули (аналитичко претставување), туку и во форма на нумерички примери (нумеричко претставување), во форма на табели (матричен приказ), во форма на посебен вид графикони (мрежна репрезентација). 1.2 Концепт на модел Во моментов, невозможно е да се именува област на човечка активност во која методите на моделирање нема да се користат до еден или друг степен. Во меѓувреме, не постои општо прифатена дефиниција за концептот на моделот. Според наше мислење, следнава дефиниција заслужува предност: модел е објект од која било природа што го создава истражувач со цел да добие ново знаење за оригиналниот објект и ги одразува само суштинските (од гледна точка на развивачот) својства на оригинален. Анализирајќи ја содржината на оваа дефиниција, можеме да ги извлечеме следните заклучоци: 1) секој модел е субјективен, го носи печатот на индивидуалноста на истражувачот; 2) секој модел е хомоморфен, т.е. не ги одразува сите, туку само суштинските својства на оригиналниот предмет; 3) можно е да има многу модели на ист оригинален објект, кои се разликуваат во целите на студијата и степенот на соодветност. Моделот се смета за адекватен на оригиналниот објект ако тој, со доволен степен на приближување на ниво на разбирање на симулираниот процес од страна на истражувачот, ги одразува моделите на функционирање на реалниот систем во надворешната средина. Математичките модели можат да се поделат на аналитички, алгоритамски (симулации) и комбинирани. Аналитичкото моделирање се карактеризира со тоа што системи на алгебарски, диференцијални, интегрални или равенки со конечни разлики се користат за опишување на процесите на функционирање на системот. Аналитичкиот модел може да се изучува со користење на следниве методи: а) аналитички, кога се стремат да добијат, во општа форма, експлицитни зависности за саканите карактеристики; б) нумерички, кога не можејќи да решаваат равенки во општа форма, настојуваат да добијат нумерички резултати со конкретни почетни податоци; в) квалитативно, кога, без експлицитно решение, може да се најдат некои својства на решението (на пример, да се процени стабилноста на решението). Во алгоритамското (симулациско) моделирање се опишува процесот на функционирање на системот со текот на времето и се симулираат елементарните појави кои го сочинуваат процесот, зачувувајќи ја нивната логичка структура и редоследот на појавување со текот на времето. Моделите за симулација можат да бидат и детерминистички и статистички. Општата цел на моделирање во процесот на донесување одлуки беше формулирана порано - ова е определување (пресметување) на вредностите на избраниот индикатор за изведба за различни стратегии за спроведување на операција (или опции за имплементација на дизајнираниот систем). Кога се развива конкретен модел, целта на моделирањето треба да се разјасни земајќи го предвид користениот критериум за ефективност. Така, целта на моделирањето се одредува и од целта на операцијата што се проучува и од планираниот метод на користење на резултатите од истражувањето. На пример, проблемска ситуација која бара одлука е формулирана на следниов начин: најдете опција за изградба на компјутерска мрежа која би имала минимални трошоци додека ги исполнува барањата за перформанси и доверливост. Во овој случај, целта на моделирањето е да се пронајдат мрежните параметри кои ја обезбедуваат минималната вредност на PE, која е претставена преку трошоците. Задачата може да се формулира поинаку: од неколку опции за конфигурација на компјутерска мрежа, изберете ја најсигурната. Овде, еден од индикаторите за доверливост (средно време помеѓу дефекти, веројатност за работа без дефекти итн.) е избран како PE, а целта на моделирањето е компаративна проценка на мрежните опции според овој индикатор. Горенаведените примери ни овозможуваат да потсетиме дека самиот избор на индикатор за изведба сè уште не ја одредува „архитектурата“ на идниот модел, бидејќи во оваа фаза неговиот концепт не е формулиран или, како што велат, концептуалниот модел на системот. предмет на студија не е дефиниран. II. Основни концепти на теоријата на моделирање на економски системи и процеси 2.1 Подобрување и развој на економските системи Симулациското моделирање е најмоќниот и универзален метод за проучување и оценување на ефективноста на системите чие однесување зависи од влијанието на случајните фактори. Таквите системи вклучуваат авион, популација на животни и претпријатие кое работи во услови на слабо регулирани пазарни односи. Моделирањето на симулациите се заснова на статистички експеримент (метод Монте Карло), чија имплементација е практично невозможна без употреба на компјутерска технологија. Затоа, секој симулациски модел на крајот е повеќе или помалку сложен софтверски производ. Се разбира, како и секоја друга програма, моделот за симулација може да се развие на кој било универзален програмски јазик, дури и во јазикот на собранието. Меѓутоа, во овој случај, на патот на развивачот се појавуваат следниве проблеми: * потребно е знаење не само за предметната област на која припаѓа системот што се проучува, туку и за програмскиот јазик и тоа на прилично високо ниво; * Развојот на специфични процедури за обезбедување на статистички експеримент (генерирање случајни влијанија, планирање експеримент, обработка на резултати) може да потрае не помалку време и напор од развојот на самиот системски модел. И конечно, уште еден, можеби најважниот проблем. Во многу практични проблеми интересот не е само (и не толку) за квантитативната проценка на ефективноста на системот, туку за неговото однесување во дадена ситуација. За такво набљудување, истражувачот мора да има соодветни „прозорци за набљудување“ кои, доколку е потребно, би можеле да се затворат, преместат на друга локација, да ја сменат скалата и формата на прикажување на набљудуваните карактеристики итн., без да се чека крајот на струјата. модел експеримент. Во овој случај, симулациониот модел делува како извор на одговор на прашањето: „што ќе се случи ако...“. Спроведувањето на таквите способности во универзален програмски јазик е многу тешко. Во моментов, има доста софтверски производи кои ви дозволуваат да симулирате процеси. Таквите пакети вклучуваат: Pilgrim, GPSS, Simplex и ред други. Во исто време, моментално постои производ на рускиот пазар на компјутерска технологија кој овозможува многу ефикасно решавање на овие проблеми - пакетот MATLAB, кој ја содржи алатката за визуелно моделирање Simulink. Simulink е алатка која ви овозможува брзо да симулирате систем и да добиете индикатори за очекуваниот ефект и да ги споредите со напорот потребен за нивно постигнување. Постојат многу различни типови на модели: физички, аналогни, интуитивни итн. Посебно место меѓу нив заземаат математичките модели, кои, според академик А.А. Самарски, „се најголемото достигнување на научната и технолошката револуција на 20 век“. Математичките модели се поделени во две групи: аналитички и алгоритамски (понекогаш наречени симулации). Во моментов, невозможно е да се именува област на човечка активност во која методите на моделирање нема да се користат до еден или друг степен. Економската активност не е исклучок. Сепак, во областа на симулационото моделирање на економските процеси, сè уште се забележуваат одредени тешкотии. Според нас, оваа околност се објаснува со следните причини. 1. Економските процеси се случуваат во голема мера спонтано и неконтролирано. Тие не реагираат добро на обидите за контрола со силна волја од страна на политичките, владините и економските лидери на одделни индустрии и економијата на земјата како целина. Поради оваа причина, економските системи се тешки за проучување и формално опишување. 2. Специјалистите од областа на економијата, по правило, имаат недоволна математичка обука воопшто, а особено за математичко моделирање. Повеќето од нив не знаат како формално да ги опишат (формализираат) набљудуваните економски процеси. Ова, пак, не ни дозволува да утврдиме дали овој или оној математички модел е соодветен за економскиот систем што се разгледува. 3. Специјалистите од областа на математичкото моделирање, без да имаат на располагање формализиран опис на економскиот процес, не можат да создадат математички модел адекватен на него. Постојните математички модели, кои вообичаено се нарекуваат модели на економски системи, може да се поделат во три групи. Првата група вклучува модели кои сосема точно одразуваат еден аспект на одреден економски процес што се случува во систем од релативно мал обем. Од математичка гледна точка, тие претставуваат многу едноставни врски помеѓу две или три променливи. Обично тоа се алгебарски равенки од 2 или 3 степен, во екстремни случаи систем на алгебарски равенки што бара употреба на методот на повторување (сукцесивни приближувања) за решавање. Тие наоѓаат примена во пракса, но не се од интерес од гледна точка на специјалисти од областа на математичкото моделирање. Втората група вклучува модели кои опишуваат реални процеси што се случуваат во мали и средни економски системи, кои се предмет на влијание на случајни и несигурни фактори. Развојот на таквите модели бара да се направат претпоставки за да се решат неизвесностите. На пример, треба да наведете дистрибуции на случајни променливи поврзани со влезни променливи. Оваа вештачка операција до одреден степен предизвикува сомнеж за веродостојноста на резултатите од моделирањето. Сепак, не постои друг начин да се создаде математички модел. Меѓу моделите од оваа група, најкористени се моделите на таканаречените системи на редици. Постојат два вида на овие модели: аналитички и алгоритамски. Аналитичките модели не го земаат предвид ефектот на случајните фактори и затоа може да се користат само како модели за прва приближување. Користејќи алгоритамски модели, процесот што се проучува може да се опише со кој било степен на точност на ниво на неговото разбирање од создавачот на проблемот. Третата група вклучува модели на големи и многу големи (макроекономски) системи: големи комерцијални и индустриски претпријатија и здруженија, сектори на националната економија и економијата на земјата како целина. Создавањето математички модел на економски систем од овој размер е сложен научен проблем, чиешто решение може да го реши само голема истражувачка институција. 2.2 Компоненти на моделот за симулација Нумеричкото моделирање се занимава со три типа на вредности: влезни податоци, пресметани вредности на променливите и вредности на параметрите. На листот Excel, низите со овие вредности заземаат посебни области. Првичните реални податоци, примероци или серии на броеви се добиваат со директно набљудување на терен или со експерименти. Во рамките на постапката за моделирање, тие остануваат непроменети (јасно е дека, доколку е потребно, множествата на вредности може да се надополнат или намалат) и играат двојна улога. Некои од нив (независни еколошки променливи, X) служат како основа за пресметување на моделските променливи; најчесто тоа се карактеристики на природни фактори (минување на времето, фотопериод, температура, изобилство на храна, доза на токсикант, волумени на испуштени загадувачи итн.). Другиот дел од податоците (зависни променливи на објектот, Y) е квантитативна карактеристика на состојбата, реакциите или однесувањето на истражувачкиот објект, која е добиена во одредени услови, под влијание на регистрирани фактори на животната средина. Во биолошка смисла, првата група значења не зависи од втората; напротив, објектните променливи зависат од променливите на околината. Податоците се внесуваат во лист Excel од тастатурата или од датотека во вообичаениот режим на табеларни пресметки. Податоците за пресметување на моделот ја репродуцираат теоретски замисливата состојба на објектот, која е одредена од претходната состојба, нивото на набљудуваните фактори на животната средина и се карактеризира со клучните параметри на процесот што се проучува. Во обичниот случај, при пресметување на вредностите на моделот (Y M i) за секој временски чекор (i), параметрите (A), карактеристиките на претходната состојба (Y M i -1) и сегашните нивоа на факторите на животната средина (X i) се користени: Y M i = f(A, Y M i-1, X i, i), f() - прифатената форма на врската помеѓу параметрите и променливите на животната средина, типот на моделот, i = 1, 2, … T или i =1, 2, … n. Пресметките на карактеристиките на системот користејќи формули на моделот за секој временски чекор (за секоја состојба) овозможуваат да се генерира низа од моделски експлицитни променливи (Y M), кои мора точно да ја повторуваат структурата на низата реални зависни променливи (Y), што е неопходни за последователно прилагодување на параметрите на моделот. Формулите за пресметување на променливите на моделот се внесуваат рачно во ќелиите на листот Excel (видете го делот Корисни техники). Параметрите на моделот (А) ја сочинуваат третата група на вредности. Сите параметри може да се претстават како множество: A = (a 1, a 2,…, a j,…, a m), каде j е бројот на параметарот, м? вкупен број на параметри, и се става во посебен блок. Јасно е дека бројот на параметри се одредува според структурата на усвоените моделски формули. Заземајќи посебна позиција на листот Excel, тие ја играат најзначајната улога во моделирањето. Параметрите се дизајнирани да ја карактеризираат самата суштина, механизмот за спроведување на набљудуваните појави. Параметрите мора да имаат биолошко (физичко) значење. За некои задачи, неопходно е да се споредат параметрите пресметани за различни збирки на податоци. Тоа значи дека понекогаш мора да бидат придружени со свои статистички грешки. Односите помеѓу компонентите на системот за симулација формираат функционално единство фокусирано на постигнување заедничка цел - проценка на параметрите на моделот (сл. 2.6, Табела 2.10). Неколку елементи се истовремено вклучени во спроведувањето на поединечни функции, означени со стрелки. За да не се натрупува сликата, графичкото претставување и блоковите за рандомизација не се рефлектираат на дијаграмот. Симулацискиот систем е дизајниран да поддржува какви било промени во дизајните на моделите што, доколку е потребно, може да ги направи истражувачот. Основните дизајни на симулационите системи, како и можните начини на нивно разложување и интеграција се претставени во делот Рамки на симулациски системи. моделирање симулација економски серија III. Основи на симулација 3.1 Симулациски модел и неговите карактеристики Симулациското моделирање е вид на аналогно моделирање имплементирано со помош на збир на математички алатки, специјални симулирачки компјутерски програми и програмски технологии кои овозможуваат, преку аналогни процеси, да се спроведе насочено проучување на структурата и функциите на вистински комплексен процес во компјутерската меморија во режим „симулација“ и оптимизирање на некои негови параметри. Симулациски модел е економски и математички модел, чие проучување се врши со експериментални методи. Експериментот се состои од набљудување на резултатите од пресметките за различни специфицирани вредности на влезните егзогени променливи. Моделот за симулација е динамичен модел поради фактот што содржи таков параметар како времето. Моделот за симулација се нарекува и специјален софтверски пакет кој ви овозможува да ги симулирате активностите на кој било комплексен објект. Појавата на симулациско моделирање беше поврзана со „новиот бран“ во економијата и моделирањето на теми. Проблемите на економската наука и практика во областа на менаџментот и економското образование, од една страна, и растот на компјутерската продуктивност, од друга страна, предизвикаа желба да се прошири опсегот на „класичните“ економски и математички методи. Имаше одредено разочарување во можностите на нормативните, билансот на состојба, оптимизацијата и теоретските модели на игри, кои на почетокот заслужено го привлекоа вниманието на фактот дека тие внесуваат атмосфера на логичка јасност и објективност на многу проблеми на економското управување, а исто така водат до „разумно“ (балансирано, оптимално, компромисно) решение . Не беше секогаш можно целосно да се разберат априори целите и, уште повеќе, да се формализира критериумот за оптималност и (или) ограничувањата на прифатливите решенија. Затоа, многу обиди сепак да се применат такви методи почнаа да водат до неприфатливи, на пример, нереализирани (иако оптимални) решенија. Надминувањето на тешкотиите што се појавија тргна по патот на напуштање на целосната формализирање (како што се прави во нормативните модели) на процедурите за донесување социо-економски одлуки. Почна да се дава предност на разумна синтеза на интелектуалните способности на експертот и информациската моќ на компјутерот, што обично се имплементира во дијалошките системи. Еден тренд во оваа насока е транзицијата кон „полунормативни“ повеќекритериумски модели човек-машина, вториот е поместување на центарот на гравитација од рецептивни модели фокусирани на шемата „услови - решение“ кон описни модели кои одговараат на прашање „што ќе се случи, ако...“. Симулациското моделирање обично се прибегнува во случаи кога зависностите помеѓу елементите на симулираните системи се толку сложени и несигурни што не можат формално да се опишат на јазикот на модерната математика, т.е., користејќи аналитички модели. Така, истражувачите на сложените системи се принудени да користат симулационо моделирање кога чисто аналитичките методи се или неприменливи или неприфатливи (поради сложеноста на соодветните модели). Во симулационото моделирање, динамичките процеси на оригиналниот систем се заменуваат со процеси симулирани со алгоритам за моделирање во апстрактен модел, но одржувајќи ги истите соодноси на времетраење, логички и временски секвенци како во реалниот систем. Затоа, методот на симулација може да се нарече алгоритамски или оперативен. Патем, таквото име би било поуспешно, бидејќи имитацијата (преведено од латински како имитација) е репродукција на нешто со вештачки средства, т.е. моделирање. Во овој поглед, моментално широко користеното име „симулационо моделирање“ е тавтолошко. Во процесот на симулирање на функционирањето на системот што се проучува, како во експериментот со самиот оригинал, се евидентираат одредени настани и состојби, од кои потоа се пресметуваат потребните карактеристики на квалитетот на функционирањето на системот што се проучува. За системи, на пример, информации и компјутерски услуги, таквите динамички карактеристики може да се дефинираат како: * перформанси на уреди за обработка на податоци; * должина на редици за услуга; * време на чекање за услуга во редици; * број на апликации што го оставија системот без услуга. Во симулационото моделирање, процесите од кој било степен на сложеност може да се репродуцираат доколку постои опис за нив, даден во која било форма: формули, табели, графикони, па дури и вербално. Главната карактеристика на моделите за симулација е тоа што процесот што се проучува е, како што беше, „копиран“ на компјутер, па затоа моделите за симулација, за разлика од аналитичките модели, дозволуваат: * земете предвид огромен број фактори во моделите без груби поедноставувања и претпоставки (и според тоа, зголемете ја адекватноста на моделот на системот што се проучува); * доволно е едноставно да се земе предвид факторот на несигурност во моделот предизвикан од случајната природа на многу моделски променливи; Сето ова ни овозможува да извлечеме природен заклучок дека моделите за симулација можат да се креираат за поширока класа на објекти и процеси. 3.2 Суштината на симулационото моделирање Суштината на симулационото моделирање е насочено експериментирање со симулациски модел со „играње“ на него различни опции за функционирање на системот со нивна соодветна економска анализа. Веднаш да забележиме дека е препорачливо резултатите од ваквите експерименти и соодветната економска анализа да се презентираат во форма на табели, графикони, номограми итн., што во голема мера го поедноставува процесот на донесување одлуки врз основа на резултатите од моделирањето. Имајќи погоре наведени голем број на предности на симулационите модели и симулации, ги забележуваме и нивните недостатоци, кои мора да се запомнат кога се користи симулацијата во пракса. Ова: * недостаток на добро структурирани принципи за конструирање на симулациски модели, што бара значителна елаборација на секој конкретен случај на неговата конструкција; * методолошки тешкотии при изнаоѓање оптимални решенија; * зголемени барања за брзина на компјутерите на кои се имплементираат симулациски модели; * тешкотии поврзани со собирање и подготовка на репрезентативна статистика; * уникатност на симулациски модели, што не дозволува користење на готови софтверски производи; * комплексноста на анализа и разбирање на резултатите добиени како резултат на компјутерски експеримент; * доста голема инвестиција на време и пари, особено кога се бараат оптимални траектории на однесување на системот што се проучува. Бројот и суштината на наведените недостатоци е многу импресивен. Сепак, со оглед на големиот научен интерес за овие методи и нивниот исклучително интензивен развој во последните години, слободно може да се претпостави дека многу од горенаведените недостатоци на симулационото моделирање можат да се отстранат, како концептуално, така и во апликативна смисла. Симулациското моделирање на контролиран процес или контролиран објект е информатичка технологија на високо ниво која обезбедува два вида дејства извршени со помош на компјутер: 1) работа на креирање или измена на симулациски модел; 2) функционирање на симулациониот модел и интерпретација на резултатите. Симулациското моделирање на економските процеси обично се користи во два случаи: * за управување со сложен деловен процес, кога се користи симулациски модел на управуван економски субјект како алатка% во контурата на адаптивен систем за управување создаден врз основа на информатичката технологија; * при спроведување на експерименти со дискретни-континуирани модели на сложени економски објекти за да се добие и следи нивната динамика во итни ситуации поврзани со ризици, чие моделирање во целосен обем е непожелно или невозможно. Може да се идентификуваат следниве типични задачи кои можат да се решат со помош на симулационо моделирање при управување со економски објекти: * моделирање на логистичките процеси за одредување на параметрите за време и трошоци; * управување со процесот на имплементација на инвестициски проект во различни фази од неговиот животен циклус, земајќи ги предвид можните ризици и тактики за распределба на средствата; * анализа на клириншките процеси во работата на мрежата на кредитни институции (вклучувајќи примена во процесите на меѓусебно порамнување во рускиот банкарски систем); * прогнозирање на финансиските резултати на претпријатието за одреден временски период (со анализа на динамиката на состојбата на сметките); * деловно реинженеринг на несолвентно претпријатие (промена на структурата и ресурсите на банкротирано претпријатие, по што, користејќи симулациски модел, може да се направи прогноза на главните финансиски резултати и да се дадат препораки за изводливоста на една или друга опција за реконструкција, инвестиции или кредитирање на производствени активности); Симулациониот систем кој обезбедува создавање модели за решавање на наведените проблеми мора да ги има следните својства: * можност за користење на програми за симулација во врска со специјални економски и математички модели и методи засновани на теорија на контрола; * инструментални методи за спроведување на структурна анализа на сложен економски процес; * способност за моделирање на материјални, монетарни и информациски процеси и текови во рамките на еден модел, генерално, моделско време; * можност за воведување режим на постојано појаснување при примање излезни податоци (главни финансиски показатели, временски и просторни карактеристики, параметри на ризик итн.) и спроведување на екстремен експеримент. Многу економски системи се во суштина системи на редици (QS), односно системи во кои, од една страна, постојат барања за извршување на какви било услуги, а од друга, овие барања се задоволени. IV. Практичен дел 4.1 Изјава за проблемот Истражете ја динамиката на економски индикатор врз основа на анализа на еднодимензионална временска серија. Девет последователни недели беше забележана побарувачка Y(t) (милиони рубли) за кредитни ресурси на финансиска компанија. Временската серија Y(t) на овој индикатор е дадена во табелата. Потребно: 1. Проверете дали има аномални набљудувања. 2. Конструирајте линеарен модел Y(t) = a 0 + a 1 t, чии параметри може да се проценат со најмали квадрати (Y(t)) - пресметани, симулирани вредности на временските серии). 3. Проценете ја адекватноста на конструираните модели користејќи ги својствата на независноста на преостанатата компонента, случајноста и усогласеноста со законот за нормална дистрибуција (при користење на критериумот R/S, земете ги табеларните граници од 2,7-3,7). 4. Проценете ја точноста на моделите врз основа на употребата на просечната релативна грешка на приближување. 5. Врз основа на двата конструирани модели, прогнозирајте ја побарувачката за следните две недели (пресметете го интервалот на доверба на прогнозата со веројатност за доверба од p = 70%) 6. Претставете ги вистинските вредности на индикаторот, моделирањето и прогнозирањето на резултатите графички. 4.2 Решавање на проблемот 1). Присуството на аномални набљудувања доведува до нарушување на резултатите од моделирањето, па затоа е неопходно да се обезбеди отсуство на аномални податоци. За да го направиме ова, ќе го користиме методот на Ирвин и ќе го најдеме карактеристичниот број () (Табела 4.1). Пресметаните вредности се споредуваат со табеларните вредности на критериумот Ирвин, а доколку се поголеми од табеларните, тогаш соодветната вредност на сериското ниво се смета за аномална. Додаток 1 (Табела 4.1) Сите добиени вредности беа споредени со вредностите на табелата и не ги надминаа, односно немаше аномални набљудувања. 2) Конструирајте линеарен модел, чии параметри може да се проценат со методи на најмали квадрати (пресметани, симулирани вредности на временските серии). За да го направите ова, ќе користиме анализа на податоци во Excel. Додаток 1 ((Сл. 4.2). Сл. 4.1) Резултатот од регресивната анализа е содржан во табелата Додаток 1 (табела 4.2 и 4.3.) Во втората колона од табелата. 4.3 ги содржи коефициентите на регресивната равенка a 0, a 1, третата колона ги содржи стандардните грешки на коефициентите на регресивната равенка, а четвртата содржи t - статистика што се користи за тестирање на значајноста на коефициентите на регресивната равенка. Регресивната равенка на зависност (побарувачка за кредитни ресурси) од (време) има форма. Додаток 1 (сл. 4.5) 3) Проценете ја адекватноста на конструираните модели. 3.1. Ајде да ја провериме независноста (отсуството на автокорелација) користејќи го тестот Durbin-Watson d според формулата: Додаток 1 (Табела 4.4) Бидејќи пресметаната вредност d паѓа во опсег од 0 до d 1, т.е. во интервалот од 0 до 1,08, тогаш својството на независност не е задоволено, нивоата на одреден број резидуали содржат автокорелација. Според тоа, моделот е несоодветен според овој критериум. 3.2. Ќе ја провериме случајноста на нивоата на одреден број остатоци врз основа на критериумот на пресвртни точки. P> Бројот на пресвртни точки е 6. Додаток 1 (сл. 4.5) Неравенството е исполнето (6 > 2). Затоа, својството на случајност е исполнето. Моделот е соодветен според овој критериум. 3.3. Дозволете ни да одредиме дали одреден број на остатоци одговараат на законот за нормална дистрибуција користејќи го критериумот RS: Максималното ниво на одреден број остатоци, Минималното ниво на одреден број на остатоци, Стандардна девијација, Пресметаната вредност спаѓа во интервалот (2,7-3,7), затоа, својството на нормална дистрибуција е задоволено. Моделот е соодветен според овој критериум. 3.4. Проверка на еднаквоста на математичкото очекување на нивоата на низа остатоци до нула. Според тоа, во нашиот случај, хипотезата дека математичкото очекување на вредностите на преостанатата серија е еднакво на нула е задоволена. Табелата 4.3 ја сумира анализата на одреден број остатоци. Додаток 1 (Табела 4.6) 4) Проценете ја точноста на моделот врз основа на употребата на просечната релативна грешка на приближување. За да ја процениме точноста на добиениот модел, ќе го користиме индикаторот за релативна приближна грешка, кој се пресметува со формулата: Пресметка на релативна грешка при приближување Додаток 1 (Табела 4.7) Ако грешката пресметана со формулата не надминува 15%, точноста на моделот се смета за прифатлива. 5) Врз основа на конструираниот модел, прогнозирајте ја побарувачката за следните две недели (пресметете го интервалот на доверба на прогнозата на ниво на доверба од p = 70%). Да ја користиме функцијата Excel STUDISCOVER. Додаток 1 (Табела 4.8) За да изградиме прогноза за интервал, го пресметуваме интервалот на доверба. Да ја земеме вредноста на нивото на значајност, затоа, веројатноста за доверба е еднаква на 70%, а студентскиот тест е еднаков на 1,12. Ние ја пресметуваме ширината на интервалот на доверба користејќи ја формулата: (најдовме од табелата 4.1) Ги пресметуваме горните и долните граници на прогнозата (Табела 4.11). Додаток 1 (Табела 4.9) 6) Графички прикажете ги вистинските вредности на индикаторот, резултатите од моделирањето и прогнозирањето. Ајде да го трансформираме распоредот за избор, дополнувајќи го со податоци за прогноза. Додаток 1 (Табела 4.10) Заклучок Економскиот модел се дефинира како систем на меѓусебно поврзани економски појави, изразени во квантитативни карактеристики и претставени во систем на равенки, т.е. е систем на формализиран математички опис. За целно проучување на економските појави и процеси и формулирање на економски заклучоци - и теоретски и практични, препорачливо е да се користи методот на математичко моделирање. Посебен интерес е прикажан за методите и средствата за симулациско моделирање, што е поврзано со подобрувањето на информациските технологии кои се користат во системите за симулационо моделирање: развој на графички обвивки за конструирање модели и толкување на излезните резултати од моделирањето, употреба на мултимедијални алатки, Интернет. решенија, итн. Во економската анализа, симулационото моделирање е најуниверзалната алатка во областа на финансиското, стратешкото планирање, деловното планирање, управувањето со производството и дизајнот. Математичко моделирање на економски системи Најважното својство на математичкото моделирање е неговата универзалност. Овој метод овозможува, во фазите на дизајнирање и развој на економски систем, да се формираат различни варијанти на неговиот модел, да се спроведуваат повторени експерименти со добиените варијанти на моделот со цел да се утврди (врз основа на одредени критериуми за функционирање на системот ) параметрите на креираниот систем неопходни за да се обезбеди неговата ефикасност и доверливост. Во овој случај, нема потреба да купувате или произведувате опрема или хардвер за да ја извршите следната пресметка: само треба да ги промените нумеричките вредности на параметрите, почетните услови и режимите на работа на сложените економски системи што се испитуваат. Методолошки, математичкото моделирање вклучува три главни типа: аналитичко, симулациско и комбинирано (аналитичко-симулациско) моделирање. Аналитичкото решение, доколку е можно, дава поцелосна и појасна слика, овозможувајќи да се добие зависноста на резултатите од моделирањето од севкупноста на првичните податоци. Во оваа ситуација, треба да се премине на употреба на симулациски модели. Симулациониот модел, во принцип, овозможува да се репродуцира целиот процес на функционирање на економскиот систем, притоа зачувувајќи ја логичката структура, врските помеѓу појавите и редоследот на нивното појавување со текот на времето. Симулациското моделирање ви овозможува да земете предвид голем број реални детали за функционирањето на симулираниот објект и е неопходно во последните фази на создавање систем, кога сите стратешки прашања се веќе решени. Може да се забележи дека симулацијата има за цел да ги реши проблемите за пресметување на карактеристиките на системот. Бројот на опции што треба да се проценат треба да биде релативно мал, бидејќи имплементацијата на симулационото моделирање за секоја опција за конструирање на економски систем бара значителни пресметковни ресурси. Факт е дека основна карактеристика на симулационото моделирање е фактот дека за да се добијат значајни резултати потребно е да се користат статистички методи. Овој пристап бара повеќекратно повторување на симулираниот процес со променливи вредности на случајни фактори, проследено со статистичко просекување (обработка) на резултатите од поединечни единечни пресметки. Употребата на статистички методи, неизбежни во симулационото моделирање, бара многу компјутерско време и компјутерски ресурси. Друг недостаток на методот на симулациско моделирање е фактот што за да се создадат доволно значајни модели на економски систем (и во оние фази на создавање на економски систем кога се користи симулациско моделирање, потребни се многу детални и значајни модели) значителни концептуални и програмски напори се потребно. Комбинираното моделирање ви овозможува да ги комбинирате предностите на аналитичкото и симулационото моделирање. За да се зголеми веродостојноста на резултатите, треба да се користи комбиниран пристап, базиран на комбинација на аналитички и симулациски методи за моделирање. Во овој случај, треба да се користат аналитички методи во фазите на анализа на својствата и синтетизирање на оптималниот систем. Така, од наша гледна точка, неопходен е систем на сеопфатна обука на студентите за средствата и методите и на аналитичкото и на симулационото моделирање. Организација на практична настава Учениците изучуваат начини за решавање на оптимизациски проблеми кои можат да се сведат на проблеми со линеарно програмирање. Изборот на овој метод на моделирање се должи на едноставноста и јасноста и на суштинската формулација на релевантните проблеми и на методите за нивно решавање. Во процесот на изведување лабораториски работи учениците ги решаваат следниве типични проблеми: транспортен проблем; задача за распределба на ресурсите на претпријатието; проблемот на поставување на опрема и сл. 2) Проучување на основите на симулационото моделирање на системи за производство и непроизводство во редица во GPSS World (General Purpose System Simulation World) околина. Разгледани се методолошки и практични прашања за креирање и користење на симулациски модели при анализа и дизајн на сложени економски системи и одлучување во комерцијални и маркетинг активности. Се изучуваат методи за опишување и формализирање на симулирани системи, фази и технологија за конструирање и користење на симулациски модели и прашања за организирање на целни експериментални студии со користење на симулациски модели. Список на користена литература Основни 1. Акулич И.Л. Математичко програмирање во примери и задачи. - М.: Виша школа, 1986 година. 2. Власов М.П., Шимко П.Д. Моделирање на економски процеси. - Ростов-на-Дон, Феникс - 2005 година (електронски учебник) 3. Јаворски В.В., Амиров А.Ж. Економска информатика и информациски системи (лабораториска работилница) - Астана, Фолиант, 2008 година. 4. Симонович С.В. Информатика, Санкт Петербург, 2003 година 5. Воробјов Н.Н. Теорија на игри за економисти - кибернетичари. - М.: Наука, 1985 година (електронски учебник) 6. Алешинскаја Т.В. Економски и математички методи и модели. - Таган Рог, 2002 година (електронски учебник) 7. Гершгорн А.С. Математичко програмирање и негова примена во економските пресметки. -М. Економика, 1968 година дополнително 1. Дарбинјан М.М. Залихи во трговијата и нивна оптимизација. - М. Економика, 1978 година 2. Џонстон Д.Ј. Економски методи. - М.: Финансии и статистика, 1960 година. 3. Епишин Ју.Г. Економски и математички методи и планирање на соработка со потрошувачите. - М.: Економика, 1975 година 4. Житников С.А., Биржанова З.Н., Аширбекова Б.М. Економски и математички методи и модели: Учебник. - Караганда, издавачка куќа КЕУ, 1998 г 5. Замков О.О., Толстопјатенко А.В., Черемних Ју.Н. Математички методи во економијата. - М.: ДИС, 1997 година. 6. Иванилов Ју.П., Лотов А.В. Математички методи во економијата. - М.: Наука, 1979 година 7. Калинина В.Н., Панкин А.В. Статистика по математика. М.: 1998 година 8. Колемаев В.А. Математичка економија. М., 1998 година 9. Кремер Н.Ш., Путко Б.А., Тришин И.М., Фридман М.Н. Операциски истражувања во економијата. Учебник - М.: Банки и берзи, ЕДИНСТВО, 1997 г 10. Спирин А.А., Фомин Г.П. Економски и математички методи и модели во трговијата. - М.: Економика, 1998 година Анекс 1 Табела 4.1 Табела 4.2 Економетриско моделирање на цената на становите во московскиот регион. Проучување на динамиката на економски индикатор врз основа на анализа на еднодимензионална временска серија. Линеарни параметри на регресија во пар. Проценка на адекватноста на моделот, правење прогноза. тест, додаден 09/07/2011 Економетриско моделирање на цената на становите во московскиот регион. Матрица на коефициенти на корелација на парови. Пресметка на параметри на регресија на линеарни парови. Проучување на динамиката на економски индикатор врз основа на анализа на еднодимензионална временска серија. тест, додаден на 19.01.2011 година Истражување на концептот на симулациско моделирање. Модел за симулација на временски серии. Анализа на показатели за динамиката на развој на економските процеси. Абнормални сериски нивоа. Автокорелација и временско задоцнување. Проценка на адекватноста и точноста на тренд моделите. работа на курсот, додадена 26.12.2014 Изучување и вежбање вештини за математичко моделирање на стохастички процеси; проучување на реални модели и системи со користење на два типа модели: аналитички и симулациски. Главни методи на анализа: дисперзија, корелација, регресија. работа на курсот, додадена 19.01.2016 година Суштината и содржината на методот на моделирање, концептот на модел. Примена на математички методи за прогнозирање и анализа на економските појави, креирање на теоретски модели. Основни карактеристики карактеристични за конструирање на економски и математички модел. тест, додаден на 02.02.2013 година Поделбата на моделирањето во две главни класи - материјал и идеален. Две главни нивоа на економски процеси во сите економски системи. Идеални математички модели во економијата, примена на методи за оптимизација и симулација. апстракт, додаден 06/11/2010 Хомоморфизмот е методолошка основа на моделирањето. Форми на претставување на системи. Секвенца на развој на математички модел. Моделот како средство за економска анализа. Моделирање на информациски системи. Концептот на симулациско моделирање. презентација, додадена на 19.12.2013 година Теоретски основи на математичко предвидување на промоција на инвестициски инструменти. Концептот на симулациски систем. Фази на конструирање модели на економски процеси. Карактеристики на Bryansk-Capital LLC. Проценка на адекватноста на моделот. работа на курсот, додадена на 20.11.2013 година Симулациско моделирање како метод за анализа на економските системи. Предпроектен преглед на компанија која обезбедува печатарски услуги. Проучување на даден систем со помош на модел на Марков процес. Пресметка на време за сервисирање на едно барање. работа на курсот, додадена на 23.10.2010 година Примена на методи за оптимизација за решавање на специфични производни, економски и менаџерски проблеми со користење на квантитативно економско и математичко моделирање. Решавање на математички модел на предметот што се проучува со помош на Excel.
Слика 4 ги прикажува карактеристиките на дистрибуцијата на гама, како и графиконот на неговата функција на густина за различни вредности на овие карактеристики. 
Ова е дистрибуција која има асиметричен изглед. Зазема средна позиција помеѓу експоненцијално и нормално. Функцијата за густина на веројатност на распределбата Erlang е претставена со формулата:
Слика 5 ги прикажува карактеристиките на триаголната распределба и графикот на неговата функција на густина на веројатност.
Ако ја земеме предвид зависноста на една од карактеристиките на системот η v (x i), како функција на само една променлива x i(сл.7), потоа на фиксни вредности x iќе добиеме различни вредности η v (x i)
. 
Ориз
.8
Багање
форма
Microsoft Developer Studio
Сл.9 График на одложувања во јазолот „Тековна сметка“.
Испратете ја вашата добра работа во базата на знаење е едноставна. Користете ја формата подолу
Слични документи