Стохастические модели

Как уже говорилось выше, стохастические модели – это модели вероятностные. При этом в результате расчетов можно сказать с достаточной степенью вероятности, каково будет значение анализируемого показателя при изменении фактора. Самое частое применение стохастических моделей – прогнозирование.

Стохастическое моделирование является в определенной степени дополнением и углублением детерминированного факторного анализа. В факторном анализе эти модели используются по трем основным причинам:

• необходимо изучить влияние факторов, по которым нельзя построить жестко детерминированную факторную модель (например, уровень финансового левериджа);

• необходимо изучить влияние сложных факторов, которые не поддаются объединению в одной и той же жестко детерминированной модели;
• необходимо изучить влияние сложных факторов, которые не могут быть выражены одним количественным показателем (например, уровень научно-технического прогресса).

В отличие от жестко детерминированного стохастический подход для реализации требует ряда предпосылок:

1. наличие совокупности;
2. достаточный объем наблюдений;
3. случайность и независимость наблюдений;
4. однородность;
5. наличие распределения признаков, близкого к нормальному;
6. наличие специального математического аппарата.

Построение стохастической модели проводится в несколько этапов:

• качественный анализ (постановка цели анализа, определение совокупности, определение результативных и факторных признаков, выбор периода, за который проводится анализ, выбор метода анализа);
• предварительный анализ моделируемой совокупности (проверка однородности совокупности, исключение аномальных наблюдений, уточнение необходимого объема выборки, установление законов распределения изучаемых показателей);
• построение стохастической (регрессионной) модели (уточнение перечня факторов, расчет оценок параметров уравнения регрессии, перебор конкурирующих вариантов моделей);
• оценка адекватности модели (проверка статистической существенности уравнения в целом и его отдельных параметров, проверка соответствия формальных свойств оценок задачам исследования);
• экономическая интерпретация и практическое использование модели (определение пространственно-временной устойчивости построенной зависимости, оценка практических свойств модели).

Основные понятия корреляционного и регрессионного анализа

Корреляционный анализ - совокупность методов математической статистики, позволяющих оценивать коэффициенты, характеризующие корреляцию между случайными величинами, и проверять гипотезы об их значениях на основе расчета их выборочных аналогов.

Корреляционным анализом называется метод обработки статистических данных, заключающийся в изучении коэффициентов (корреляции) между переменными.

Корреляционная связь (которую также называют неполной, или статистической) проявляется в среднем, для массовых наблюдений, когда заданным значениям зависимой переменной соответствует некоторый ряд вероятных значений независимой переменной. Объяснение тому – сложность взаимосвязей между анализируемыми факторами, на взаимодействие которых влияют неучтенные случайные величины. Поэтому связь между признаками проявляется лишь в среднем, в массе случаев. При корреляционной связи каждому значению аргумента соответствуют случайно распределенные в некотором интервале значения функции .

В наиболее общем виде задача статистики (и, соответственно, экономического анализа) в области изучения взаимосвязей состоит в количественной оценке их наличия и направления, а также характеристике силы и формы влияния одних факторов на другие. Для ее решения применяются две группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.

Поэтому в данном контексте можно говорить о корреляционном анализе в широком смысле – когда всесторонне характеризуется взаимосвязь. В то же время выделяют корреляционный анализ в узком смысле – когда исследуется сила связи – и регрессионный анализ, в ходе которого оцениваются ее форма и воздействие одних факторов на другие.

Задачи собственнокорреляционного анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причинных связей и оценке факторов оказывающих наибольшее влияние на результативный признак.

Задачирегрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования уравнения для оценки неизвестных значении зависимой переменной.

Решение названных задач опирается на соответствующие приемы, алгоритмы, показатели, что дает основание говорить о статистическом изучении взаимосвязей.

Следует заметить, что традиционные методы корреляции и регрессии широко представлены в разного рода статистических пакетах программ для ЭВМ. Исследователю остается только правильно подготовить информацию, выбрать удовлетворяющий требованиям анализа пакет программ и быть готовым к интерпретации полученных результатов. Алгоритмов вычисления параметров связи существует множество, и в настоящее время вряд ли целесообразно проводить такой сложный вид анализа вручную. Вычислительные процедуры представляют самостоятельный интерес, но знание принципов изучения взаимосвязей, возможностей и ограничений тех или иных методов интерпретации результатов является обязательным условием исследования.

Методы оценки тесноты связи подразделяются на корреляционные (параметрические) и непараметрические. Параметрические методы основаны на использовании, как правило, оценок нормального распределения и применяются в случаях, когда изучаемая совокупность состоит из величин, которые подчиняются закону нормального распределения. На практике это положение чаще всего принимается априори. Собственно, эти методы – параметрические – и принято называть корреляционными.

Непараметрические методы не накладывают ограничений на закон распределения изучаемых величин. Их преимуществом является и простота вычислений.

Автокорреляция - статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом, например, для случайного процесса - со сдвигом по времени.

Парная корреляция

Простейшим приемом выявления связи между двумя признаками является построение корреляционной таблицы:

В основу группировки положены два изучаемых во взаимосвязи признака – Х и У. Частоты f ij показывают количество соответствующих сочетаний Х и У.

Если f ij расположены в таблице беспорядочно, можно говорить об отсутствии связи между переменными. В случае образования какого-либо характерного сочетания f ij допустимо утверждать о связи между Х и У. При этом, если f ij концентрируется около одной из двух диагоналей, имеет место прямая или обратная линейная связь.

Наглядным изображением корреляционной таблице служит корреляционное поле. Оно представляет собой график, где на оси абсцисс откладывают значения Х, по оси ординат – У, а точками показывается сочетание Х и У. По расположению точек, их концентрации в определенном направлении можно судить о наличии связи.

Корреляционным полем называется множество точек {X i , Y i } на плоскости XY (рисунки 6.1 - 6.2).

Если точки корреляционного поля образуют эллипс, главная диагональ которого имеет положительный угол наклона (/), то имеет место положительная корреляция (пример подобной ситуации можно видеть на рисунке 6.1).

Если точки корреляционного поля образуют эллипс, главная диагональ которого имеет отрицательный угол наклона (\), то имеет место отрицательная корреляция (пример изображен на рисунке 6.2).

Если же в расположении точек нет какой-либо закономерности, то говорят, что в этом случае наблюдается нулевая корреляция.

В итогах корреляционной таблицы по строкам и столбцам приводятся два распределения – одно по X, другое по У. Рассчитаем для каждого Х i среднее значение У, т.е. , как

Последовательность точек (X i , ) дает график, который иллюстрирует зависимость среднего значения результативного признака У от факторного X, – эмпирическую линию регрессии, наглядно показывающую, как изменяется У по мере изменения X.

По существу, и корреляционная таблица, и корреляционное поле, и эмпирическая линия регрессии предварительно уже характеризуют взаимосвязь, когда выбраны факторный и результативный признаки и требуется сформулировать предположения о форме и направленности связи. В то же время количественная оценка тесноты связи требует дополнительных расчетов.

Математические модели в экономике и программировании

1. Детерминированные и вероятностные математические модели в экономике. Преимущества и недостатки

Методы исследования экономических процессов базируются на использовании математических - детерминированных и вероятностных - моделей, представляющих изучаемый процесс, систему или вид деятельности. Такие модели дают количественную характеристику проблемы и служат основой для принятия управленческого решения при поисках оптимального варианта. Насколько обоснованы эти решения, являются ли они лучшими из возможных, учтены ли и взвешены все факторы, определяющие оптимальное решение, каков критерий, позволяющий определить, что данное решение действительно наилучшее, - таков круг вопросов, имеющих большое значение для руководителей производства, и ответ на которые можно найти с помощью методов исследования операций [Чесноков С. В. Детерминационный анализ социально-экономических данных. - М.: Наука, 1982, стр. 45].

Одним из принципов формирования системы управления является метод кибернетических (математических) моделей. Математическое моделирование занимает промежуточное положение между экспериментом и теорией: нет необходимости строить реальную физическую модель системы, ее заменит математическая модель. Особенность формирования системы управления заключается в вероятностном, статистическом подходе к процессам управления. В кибернетике принято, что любой процесс управления подвержен случайным, возмущающим воздействиям. Так, на производственный процесс оказывают влияния большое количество факторов, учесть которые детерминированным образом невозможно. Поэтому считается, что на производственный процесс воздействуют случайные сигналы. В силу этого планирование работы предприятия может быть только вероятностным.

По этим причинам часто, говоря о математическом моделировании экономических процессов, имеют в виду именно вероятностные модели.

Опишем каждый из типов математических моделей.

Детерминированные математические модели характеризуются тем, что описывают связь некоторых факторов с результативным показателем как функциональную зависимость, т. е. в детерминированных моделях результативный показатель модели представлен в виде произведения, частного, алгебраической суммы факторов, или в виде любой другой функции. Данный вид математических моделей наиболее распространен, поскольку, будучи достаточно простыми в применении (по сравнению вероятностными моделями), позволяет осознать логику действия основных факторов развития экономического процесса, количественно оценить их влияние, понять, какие факторы и в какой пропорции возможно и целесообразно изменить для повышения эффективности производства.

Вероятностные математические модели принципиально отличаются от детерминированных тем, что в вероятностных моделях взаимосвязь между факторами и результирующим признаком вероятностная (стохастическая): при функциональной зависимости (детерминированные модели) одному и тому же состоянию факторов соответствует единственное состояние результирующего признака, тогда как в вероятностных моделях одному и тому же состоянию факторов соответствует целое множество состояний результирующего признака [Толстова Ю. Н. Логика математического анализа экономических процессов. - М.: Наука, 2001, с. 32-33].

Преимущество детерминированных моделей в простоте их применения. Основной недостаток - низкая адекватность реальной действительности, т. к., как было отмечено выше, большинство экономических процессов носит вероятностный характер.

Достоинством вероятностных моделей является то, что они, как правило, больше соответствуют реальной действительности (более адекватны), чем детерминированные. Однако, недостатком вероятностных моделей является сложность и трудоемкость их применения, так что во многих ситуациях достаточно бывает ограничиться детерминированными моделями.

2. Постановка задачи линейного программирования на примере задачи о пищевом рационе

Впервые постановка задачи линейного программирования в виде предложения по составлению оптимального плана перевозок; позволяющего минимизировать суммарной километраж, была дана в работе советского экономиста А. Н. Толстого в 1930 году.

Систематические исследования задач линейного программирования и разработка общих методов их решения получили дальнейшее развитие в работах российских математиков Л. В. Канторовича, В. С. Немчинова и других математиков и экономистов. Также методам линейного программирования посвящено много работ зарубежных и, прежде всего, американских ученых.

Задача линейного программирования состоит в максимизации (минимизации) линейной функции.

при ограничениях

причем все

Замечание. Неравенства могут быть и противоположного смысла. Умножением соответствующих неравенств на (-1) можно всегда получить систему вида (*).

Если число переменных системы ограничений и целевой функции в математической модели задачи равно 2, то её можно решить графически.

Итак, надо максимизировать функцию к удовлетворяющей системе ограничений.

Обратимся к одному из неравенств системы ограничений.

С геометрической точки зрения все точки, удовлетворяющие этому неравенству, должны либо лежать на прямой , либо принадлежать одной из полуплоскостей, на которые разбивается плоскость этой прямой. Для того чтобы выяснить это, надо проверить какая из них содержит точку ().

Замечание 2. Если , то проще взять точку (0;0).

Условия неотрицательности также определяют полуплоскости соответственно с пограничными прямыми . Будем считать, что система неравенств совместна, тогда полуплоскости, пересекаясь, образуют общую часть, которая является выпуклым множеством и представляет собой совокупность точек, координаты которых являются решением данной системы - это множество допустимых решений. Совокупность этих точек (решений) называется многоугольником решений. Он может быть точкой, лучом, многоугольником, неограниченной многоугольной областью. Таким образом, задача линейного программирования состоит в нахождении такой точки многоугольника решений, в которой целевая функция принимает максимальное (минимальное) значение. Эта точка существует тогда, когда многоугольник решений не пуст и на нем целевая функция ограничена сверху (снизу). При указанных условиях в одной из вершин многоугольника решений целевая функция принимает максимальное значение. Для определения данной вершины построим прямую (где h - некоторая постоянная). Чаще всего берется прямая . Остается выяснить направление движения данной прямой. Это направление определяется градиентом (антиградиентом) целевой функции.

Вектор в каждой точке перпендикулярен прямой , поэтому значение f будет возрастать при перемещении прямой в направлении градиента (убывать в направлении антиградиента). Для этого параллельно прямой проводим прямые, смещаясь в направлении градиента (антиградиента).

Эти построения будем продолжать до тех пор, пока прямая не пройдет через последнюю вершину многоугольника решений. Эта точка определяет оптимальное значение.

Итак, нахождение решения задачи линейного программирования геометрическим методом включает следующие этапы:

Строят прямые, уравнения которых получаются в результате замены в ограничениях знаков неравенств на знаки точных равенств.

Находят полуплоскости, определяемые каждым из ограничений задачи.

Находят многоугольник решений.

Строят вектор .

Строят прямую .

Строят параллельные прямые в направлении градиента или антиградиента, в результате чего находят точку, в которой функция принимает максимальное или минимальное значение, либо устанавливают неограниченность сверху (снизу) функции на допустимом множестве.

Определяют координаты точки максимума (минимума) функции и вычисляют значение целевой функции в этой точке.

Задача о рациональном питании (задача о пищевом рационе)

Постановка задачи

Ферма производит откорм скота с коммерческой целью. Для простоты допустим, что имеется всего четыре вида продуктов: П1, П2, П3, П4; стоимость единицы каждого продукта равна соответственно С1, С2, С3, С4. Из этих продуктов требуется составить пищевой рацион, который должен содержать: белков - не менее b1 единиц; углеводов - не менее b2 единиц; жиров - не менее b3 единиц. Для продуктов П1, П2, П3, П4 содержание белков, углеводов и жиров (в единицах на единицу продукта) известно и задано в таблице, где aij (i=1,2,3,4; j=1,2,3) - какие-то определённые числа; первый индекс указывает номер продукта, второй - номер элемента (белки, углеводы, жиры).

МАТЕМАТИЧЕСКИЕ МОДЕЛИ

2.1. Постановка задачи

Детерминированные модели описывают процессы в детерминированных системах.

Детерминированные системы характеризуются однозначным соответствием (соотношением) между входными и выходными сигналами (процессами).

Если задан входной сигнал такой системы, известны ее характеристикаy = F(x), а также ее состояние в начальный момент времени, то значение сигнала на выходе системы в любой момент времени определяется однозначно (рис. 2.1).

Существует два подхода к исследованию физических систем: детерминированный и стохастический.

Детерминированный подход основан на применении детерминированной математической модели физической системы.

Стохастический подход подразумевает использование стохастической математической модели физической системы.

Стохастическая математическая модель наиболее адекватно (достоверно) отображает физические процессы в реальной системе, функцио-нирующей в условиях влияния внешних и внутренних случайных факторов (шумов).

2.2. Случайные факторы (шумы)

Внутренние факторы −

1) температурная и временная нестабильность электронныхкомпонентов;

2) нестабильность питающего напряжения;

3) шум квантования в цифровых системах;

4) шумы в полупроводниковых приборах в результате неравномерности процессов генерации и рекомбинации основных носителей заряда;

5) тепловой шум в проводниках за счет теплового хаотического движения носителей заряда;

6) дробовой шум в полупроводниках, обусловленный случайным характером процесса преодоления носителями потенциального барьера;

7) фликкер – шум, обусловленный медленными случайными флуктуациями физико-химического состояния отдельных областей материалов электронных устройств и т. д.

Внешние факторы –

1) внешние электрические и магнитные поля;

2) электромагнитные бури;

3) помехи, связанные с работой промышленности и транспорта;

4) вибрации;

5) влияние космических лучей, тепловое излучение окружающих объектов;

6) колебания температуры, давления, влажности воздуха;

7) запыленность воздуха и т. д.

Влияние (наличие) случайных факторов приводит к одной из ситуаций, приведенных на рис. 2.2:

Следовательно, предположение о детерминированном характере физической системы и описание ее детерминированной математической моделью являетсяидеализацией реальной системы. Фактически имеем ситуацию, изображенную на рис. 2.3.

Детерминированная модель допустима в следующих случаях:

1) влияние случайных факторов столь незначительно, что пренебрежение ими не приведет к ощутимому искажению результатов моделирования.

2) детерминированная математическая модель отображает реальные физические процессы в усредненном смысле.

В тех задачах, где не требуется высокой точности результатов моделирования, предпочтение отдается детерминированной модели. Это объясняется тем, что реализация и анализ детерминированной математической модели много проще, чем стохастической.

Детерминированная модель недопустима в следующих ситуациях: случайные процессы ω(t) соизмеримы с детерминированными x(t). Результаты, полученные с помощью детерминированной математической модели, будут неадекватными реальным процессам. Это относится к системам радиолокации, к системам наведения и управления летательными аппаратами, к системам связи, телевидению, к системам навигации, к любым системам, работающим со слабыми сигналами, в электронных устройствах контроля, в прецизионных измерительных устройствах и т. д.

В математическом моделировании случайный процесс часто рассматривают как случайную функцию времени, мгновенные значения которой являются случайными величинами.

2.3. Суть стохастической модели

Стохастическая математическая модель устанавливает вероятностные соотношения между входом и выходом системы . Такая модель позволяет сделать статистические выводы о некоторых вероятностных характеристиках исследуемого процесса y(t):

1) математическое ожидание (среднее значение):

2) дисперсия (мера рассеивания значений случайного процесса y(t) относительно его среднего значения):

3) среднее квадратичное отклонение:

(2.3)

4) корреляционная функция (характеризует степень зависимости – корреляции – между значениями процесса y(t), отстоящими друг от друга на время τ):

5) спектральная плотность случайного процесса y(t) описывает его частотные свойства:

(2.5)

преобразование Фурье.

Стохастическаямодель формируется на основе стохастического дифференциального либо стохастического разностного уравнения.

Различают три типа стохастических дифференциальных уравнений: со случайными параметрами, со случайными начальными условиями, со случайным входным процессом (случайной правой частью). Приведем пример стохастического дифференциального уравнения третьего типа:

, (2.6)

где
– аддитивный случайный процесс – входной шум.

В нелинейных системах присутствуют мультипликативные шумы .

Анализ стохастических моделей требует использования довольно сложного математического аппарата, особенно для нелинейных систем.

2.4. Понятие типовой модели случайного процесса. Нормальный (гауссовский) случайный процесс

При разработке стохастической модели важное значение имеет определение характера случайного процесса
. Случайный процесс может быть описан набором (последовательностью) функций распределения – одномерной, двумерной, … , n-мерной или соответствующими плотностями распределения вероятности. В большинстве практических задач ограничиваются определением одномерного и двумерного законов распределения.

В некоторых задачах характер распределения
априорно известен.

В большинстве случаев, когда случайный процесс
представляет собой результат воздействия на физическую систему совокупности значительного числа независимых случайных факторов, полагают, что
обладает свойствами нормального (гауссовского) закона распределения . В этом случае говорят, что случайный процесс
заменяется его типовой моделью – гауссовским случайным процессом. Одномерная плотность распределения вероятности нормального (гауссовского)случайного процесса приведена на рис. 2.4.

Нормальное (гауссовское) распределение случайного процесса обладает следующими свойствами .

1. Значительное количество случайных процессов в природе подчиняются нормальному (гауссовскому) закону распределения.

2. Возможность достаточно строго определить (доказать) нормальный характер случайного процесса.

3. При воздействии на физическую систему совокупности случайных факторов с различными законами распределения их суммарный эффект подчиняется нормальному закону распределения (центральная предельная теорема ).

4. При прохождении через линейную систему нормальный процесс сохраняет свои свойства в отличие от других случайных процессов.

5. Гауссовский случайный процесс может быть полностью описан с помощью двух характеристик – математического ожидания и дисперсии.

Впроцессе моделирования часто возникает задача –определить характер распределения некоторой случайной величины x по результатам её многократных измерений (наблюдений)
.Для этого составляют гистограмму – ступенчатый график, позволяющий по результатам измерения случайной величины оценить её плотность распределения вероятности.

При построении гистограммы диапазон значений случайной величины
разбивают на некоторое количество интервалов, а затем подсчитывают частоту (процент) попадания данных в каждый интервал. Таким образом, гистограмма отображает частоту попадания значений случайной величины в каждый из интервалов. Если аппроксимировать построенную гистограмму непрерывной аналитической функцией, то эта функция может рассматриваться как статистическая оценка неизвестной теоретической плотности распределения вероятности.

При формировании непрерывных стохастических моделей используется понятие «случайный процесс». Разработчики разностных стохастических моделей оперируют понятием «случайная последовательность».

Особую роль в теории стохастического моделирования играют марковские случайные последовательности. Для них справедливо следующее соотношение для условной плотности вероятности:

Из него следует, что вероятностный закон, описывающий поведение процесса в момент времени , зависит только от предыдущего состояния процесса в момент времени
и абсолютно не зависит от его поведения в прошлом (т. е. в моменты времени
).

Перечисленные выше внутренние и внешние случайные факторы (шумы) представляют собой случайные процессы различных классов. Другими примерами случайных процессов являются турбулентные течения жидкостей и газов, изменение нагрузки энергосистемы, питающей большое количество потребителей, распространение радиоволн при наличии случайных замираний радиосигналов, изменение координат частицы в броуновском движении, процессы отказов аппаратуры, поступления заявок на обслуживание, распределение числа частиц в малом объеме коллоидного раствора, задающее воздействие в радиолокационных следящих системах, процесс термоэлектронной эмиссии с поверхности металла и т. д.

Технические системы. Параметрами технических объектов являются движущие объекты, объекты энергетики, объекты химической промышленности, объекты машиностроения, бытовая техника и многие другие. Объекты технических систем хорошо изучены в теории управления.

Экономические объекты. Экономическими объектами являются: цех, завод, предприятия различных отраслей. В качестве одной из переменных в них выступают экономические показатели - например - прибыль.

Биологические системы. Живые системы поддерживают свою жизнедеятельность благодаря заложенным в них механизмам управления.

Детерминированные и стохастические системы

Если внешние воздействия, приложенные к системе (управляющие и возмущающие) являются определенными известными функциями времени u=f(t). В этом случае состоянии системы описываемой обыкновенными дифференциальными уравнениями, в любой момент времени t может быть однозначно описано по состоянию системы в предшествующий момент времени. Системы для которых состояние системы однозначно определяется начальными значениями и может быть предсказано для любого момента времени называются детерминированными.

Стохастические системы - системы изменения в которых носят случайный характер. Например воздействие на энергосистему различных пользователей. При случайных воздействиях данных о состоянии системы недостаточно для предсказания в последующий момент времени.

Случайные воздействия могут прикладываться к системе из вне, или возникать внутри некоторых элементов (внутренние шумы). Исследование систем при наличии случайных воздействий можно проводить обычными методами, минимизировав шаг моделирования чтобы не пропустить влияния случайных параметров. При этом так как максимальное значение случайной величины встречается редко (в основном в технике преобладает нормальное распределение), то выбор минимального шага в большинстве моментов времени не будет обоснован.

В подавляющем большинстве случаев при проектировании систем закладываются не максимальным а наиболее вероятным значением случайного параметра. В этом случае поучается более рациональная система, заранее предполагая ухудшение работы системы в отдельные промежутки времени. Например установка катодной защиты.

Расчет систем при случайных воздействиях производится с помощью специальных статистических методов. Вводятся оценки случайных параметров, выполненные на основании множества испытаний. Например карта поверхности уровня грунтовых вод СПб.

Статистические свойства случайной величины определяют по ее функции распределения или плотности вероятности.

Открытые и закрытые системы

Понятие открытой системы ввел Л. фон Берталанфи. Основные отличительные черты открытых систем - способность обмениваться с внешней средой энергией и информацией. Закрытые (замкнутые) системы изолированны от внешней среды (с точностью принятой в модели).

Хорошо и плохо организованные системы

Хорошо организованные системы. Представить анализируемый объект или процесс в виде «хорошо организованной системы» означает определить элементы системы, их взаимосвязь, правила объединения в более крупные компоненты, т. е. определить связи между всеми компонентами и целями системы, с точки зрения которых рассматривается объект или ради достижения которых создается система. Проблемная ситуация может быть описана в виде математического выражения, связывающего цель со средствами, т. е. в виде критерия эффективности, критерия функционирования системы, который может быть представлен сложным уравнением или системой уравнений. Решение задачи при представлении ее в виде хорошо организованной системы осуществляется аналитическими методами формализованного представления системы.

Примеры хорошо организованных систем: солнечная система, описывающая наиболее существенные закономерности движения планет вокруг Солнца; отображение атома в виде планетарной системы, состоящей из ядра и электронов; описание работы сложного электронного устройства с помощью системы уравнений, учитывающей особенности условий его работы (наличие шумов, нестабильности источников питания и т. п.).

Для отображения объекта в виде хорошо организованной системы необходимо выделять существенные и не учитывать относительно несущественные для данной цели рассмотрения компоненты: например, при рассмотрении солнечной системы не учитывать метеориты, астероиды и другие мелкие по сравнению с планетами элементы межпланетного пространства.

Описание объекта в виде хорошо организованной системы применяется в тех случаях, когда можно предложить детерминированное описание и экспериментально доказать правомерность его применения, адекватность модели реальному процессу. Попытки применить класс хорошо организованных систем для представления сложных многокомпонентных объектов или многокритериальных задач плохо удаются: они требуют недопустимо больших затрат времени, практически нереализуемы и неадекватны применяемым моделям.

Плохо организованные системы. При представлении объекта в виде «плохо организованной или диффузной системы» не ставится задача определить все учитываемые компоненты, их свойства и связи между ними и целями системы. Система характеризуется некоторым набором макропараметров и закономерностями, которые находятся на основе исследования не всего объекта или класса явлений, а на основе определенней с помощью некоторых правил выборки компонентов, характеризующих исследуемый объект или процесс. На основе такого выборочного исследования получают характеристики или закономерности (статистические, экономические) и распространяют их на всю систему в целом. При этом делаются соответствующие оговорки. Например, при получении статистических закономерностей их распространяют на поведение всей системы с некоторой доверительной вероятностью.

Подход к отображению объектов в виде диффузных систем широко применяется при: описании систем массового обслуживания, определении численности штатов на предприятиях и учреждениях, исследовании документальных потоков информации в системах управления и т. д.

Самоорганизующиеся системы. Отображение объекта в виде самоорганизующейся системы - это подход, позволяющий исследовать наименее изученные объекты и процессы. Самоорганизующиеся системы обладают признаками диффузных систем: стохастичностью поведения, нестационарностью отдельных параметров и процессов. К этому добавляются такие признаки, как непредсказуемость поведения; способность адаптироваться к изменяющимся условиям среды, изменять структуру при взаимодействии системы со средой, сохраняя при этом свойства целостности; способность формировать возможные варианты поведения и выбирать из них наилучший и др. Иногда этот класс разбивают на подклассы, выделяя адаптивные или самоприспосабливающиеся системы, самовосстанавливающиеся, самовоспроизводящиеся и другие подклассы, соответствующие различным свойствам развивающихся систем.

Примеры: биологические организации, коллективное поведение людей, организация управления на уровне предприятия, отрасли, государства в целом, т. е. в тех системах, где обязательно имеется человеческий фактор.

При применении отображения объекта в виде самоорганизующейся системы задачи определения целей и выбора средств, как правило, разделяются. При этом задача выбора целей может быть, в свою очередь, описана в виде самоорганизующейся системы, т. е. структура функциональной части АСУ, структура целей, плана может разбиваться так же, как и структура обеспечивающей части АСУ (комплекс технических средств АСУ) или организационная структура системы управления.

Большинство примеров применения системного анализа основано на представлении объектов в виде самоорганизующихся систем.

Страница
6

Метод разработки решения. Некоторые решения, как правило, типичные, повторяющиеся, могут быть с успехом формализованы, т.е. приниматься по заранее определённому алгоритму. Другими словами, формализованное решение – это результат выполнения заранее определённой последовательности действий. Например, при составлении графика ремонтного обслуживания оборудования начальник цеха может исходить из норматива, требующего определённого соотношения между количеством оборудования и обслуживающим персоналом. Если в цехе имеется 50 единиц оборудования, а норматив обслуживания составляет 10 единиц на одного ремонтного рабочего, значит, в цехе необходимо иметь пять ремонтников. Точно так же, когда финансовый менеджер принимает решение об инвестировании свободных средств в государственные ценные бумаги, он выбирает между различными видами облигаций в зависимости от того, какие из них обеспечивают в данное время наибольшую прибыль на вложенный капитал. Выбор производится на основе простого расчета конечной доходности по каждому варианту и установления самого выгодного.

Формализация принятия решений повышает эффективность управления в результате снижения вероятности ошибки и экономии времени: не нужно заново разрабатывать решение каждый раз, когда возникает соответствующая ситуация. Поэтому руководство организаций часто формализует решения для определённых, регулярно повторяющихся ситуаций, разрабатывая соответствующие правила, инструкции и нормативы.

В то же время в процессе управления организациями часто встречаются новые, нетипичные ситуации и нестандартные проблемы, которые не поддаются формализованному решению. В таких случаях большую роль играют интеллектуальные способности, талант и личная инициатива менеджеров.

Конечно, на практике большинство решений занимает промежуточное положение между этими двумя крайними точками, допуская в процессе их разработки как проявление личной инициативы, так и применение формальной процедуры. Конкретные методы, используемые в процессе принятия решений, рассмотрены ниже.

· Количество критериев выбора .

Если выбор наилучшей альтернативы производится только по одному критерию (что характерно для формализованных решений), то принимаемое решение будет простым, однокритериальным. И наоборот, когда выбранная альтернатива должна удовлетворять одновременно нескольким критериям, решение будет сложным, многокритериальным. В практике менеджмента подавляющее большинство решений многокритериальны, так как они должны одновременно отвечать таким критериям, как: объем прибыли, доходность, уровень качества, доля рынка, уровень занятости, срок реализации и т.п.

· Форма принятия решений .

Лицом, осуществляющим выбор из имеющихся альтернатив окончательного решения, может быть один человек и его решение будет соответственно единоличным. Однако в современной практике менеджмента всё чаще встречаются сложные ситуации и проблемы, решение которых требует всестороннего, комплексного анализа, т.е. участия группы менеджеров и специалистов. Такие групповые, или коллективные, решения называются коллегиальными. Усиление профессионализации и углубление специализации управления приводят к широкому распространению коллегиальных форм принятия решений. Необходимо также иметь в виду, что определённые решения и законодательно отнесены к группе коллегиальных. Так, например, определённые решения в акционерном обществе (о выплате дивидендов, распределении прибыли и убытков, совершении крупных сделок, избрании руководящих органов, реорганизации и др.) отнесены к исключительной компетенции общего собрания акционеров. Коллегиальная форма принятия решении, разумеется, снижает оперативность управления и “размывает” ответственность за его результаты, однако препятствует грубым ошибкам и злоупотреблениям и повышает обоснованность выбора.

· Способ фиксации решения.

По этому признаку управленческие решения могут быть разделены на фиксированные, или документальные (т.е. оформленные в виде какого либо документа - приказа, распоряжения, письма и т.п.) , и недокументированные (не имеющие документальной формы, устные). Большинство решений в аппарате управления оформляется документально, однако мелкие, несущественные решения, а также решения, принятые в чрезвычайных, острых, не терпящих промедления ситуациях, могут и не фиксироваться документально.

· Характер использованной информации . В зависимости от степени полноты и достоверности информации, которой располагает менеджер, управленческие решения могут быть детерминированными (принятыми в условиях определённости) или вероятностными (принятыми в условиях риска или неопределённости). Эти условия играют чрезвычайно важную роль при принятии решений, поэтому рассмотрим их более подробно.

Детерминированные и вероятностные решения.

Детерминированные решения принимаются в условиях определённости, когда руководитель располагает практически полной и достоверной информацией в отношении решаемой проблемы, что позволяет ему точно знать результат каждого из альтернативных вариантов выбора. Такой результат только один, и вероятность его наступления близка к единице. Примером детерминированного решения может быть выбор в качестве инструмента инвестирования свободной наличности 20 % - ных облигаций федерального займа с постоянным купонным доходом. Финансовый менеджер в этом случае точно знает, что за исключением крайне маловероятных чрезвычайных обстоятельств, из-за которых правительство РФ не сможет выполнить свои обязательства, организация получит ровно 20 % годовых на вложенные средства. Подобным образом, принимая решение о запуске в производство определённого изделия, руководитель может точно определить уровень издержек производства, так как ставки арендной платы, стоимость материалов и рабочей силы могут быть рассчитаны довольно точно.

Анализ управленческих решений в условиях определенности это самый простой случай: известно количество возможных ситуаций (вариантов) и их исходы. Нужно выбрать один из возможных вариантов. Степень сложности процедуры выбора в данном случае определяется лишь количеством альтернативных вариантов. Рассмотрим две возможные ситуации:

а) Имеется два возможных варианта;

В данном случае аналитик должен выбрать (или рекомендовать к выбору) один из двух возможных вариантов. Последовательность действий здесь следующая:

· определяется критерий по которому будет делаться выбор;

· методом “ прямого счета ” исчисляются значения критерия для сравниваемых вариантов;

Возможны различные методы решения этой задачи. Как правило они подразделяются на две группы:

методы основанные на дисконтированных оценках;

методы, основанные на учетных оценках.