Загрузка...
Учебная работа. Курсовая работа: Имитационное моделирование экономической деятельности предприятия
МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА
КАМЧАТСКИЙ ГOСУДАРСТВЕННЫЙ TЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
КАФЕДРА ИНФОРМАЦИОННЫХ СИСТЕМ
Тема : «ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ЭКОНОМИЧЕСКОЙ
деятель ПРЕДПРИЯТИЯ»
Курсовая работа
Управляющий: должность
Бильчинская С.Г. «__» ________2006г.
Разраб: студент гр.
Житенева Д.С. 04 Пи1 «__» ________2006г.
Работа защищена «___» __________2006г. с оценкой______
Петропавловск- Камчатский, 2006 г.
СОДЕРЖАНИЕ
Введение……………………………………………………………………………………………………………. 3
1. Теоретические базы имитационного моделирования…………………………………… 4
1.1. Моделирование. Имитационное моделирование…………………………………… 4
1.2. способ Монте-Карло……………………………………………………………………………… 9
1.3. Внедрение законов распределения случайных величин………………….. 12
1.3.1. Равномерное распределение………………………………………………………. 12
1.3.2. Дискретное распределение (общий вариант)………………………………… 13
1.3.3. Обычное распределение………………………………………………………… 14
1.3.4. Экспоненциальное распределение……………………………………………… 15
1.3.5. Обобщенное распределение Эрланга…………………………………………. 16
1.3.6. Треугольное распределение……………………………………………………….. 17
1.4. Планирование имитационного компьютерного опыта………………. 18
1.4.1. Кибернетический подход к организации экспериментальных исследовательских работ сложных объектов и действий…………………………………………………………………………………………. 18
1.4.2. Регрессионный анализ и управление модельным тестом. 19
1.4.3. Ортогональное планирование второго порядка………………………….. 20
2. Практическая работа……………………………………………………………………………………….. 22
3. Выводы по бизнес-модели «Эффективность производства»…………………………….. 26
Заключение………………………………………………………………………………………………………… 31
Перечень применяемой литературы………………………………………………………………………. 32
приложение А……………………………………………………………………………………………… 33
ПРИЛОЖЕНИЕ Б………………………………………………………………………………………………. 34
ПРИЛОЖЕНИЕ В………………………………………………………………………………………………. 35
ПРИЛОЖЕНИЕ Г………………………………………………………………………………………………. 36
ПРИЛОЖЕНИЕ Д………………………………………………………………………………………………. 37
ПРИЛОЖЕНИЕ Е………………………………………………………………………………………………. 38
ВВЕДЕНИЕ
Моделирование в экономике начали использовать еще за длительное время до того, как Экономика совсем оформилась как самостоятельная научная дисциплина. Математические модели использовались еще Ф. Кенэ (1758 г. Финансовая таблица ), А. Смитом (традиционная макроэкономическая модель), Д. Рикардо (модель интернациональной торговли). В XIX веке большенный вклад в моделирование занесла математическая школа (Л. Вальрас, О. Курно, В Парето, Ф. Эджворт и др.). В XX веке способы математического моделирования экономики применялись весьма обширно и с их внедрением соединены выдающиеся работы лауреатов нобелевской премии по экономике (Д. Хикс, Р. Солоу, В. Леонтьев, П. Самуэльсон).
Курсовая работа по предмету «Имитационное моделирование экономических действий» является самостоятельной учебно-исследовательской работой.
Целью написания данной курсовой работы является закрепление теоретических и практических познаний. Освещение подходов и методов внедрения имитационного моделирования в проектной экономической деятель.
Основная задачка – изучить при помощи имитационного моделирования эффективность хозяйственной деятель компании.
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
1.1. Моделирование. Имитационное моделирование
В процессе управления разными действиями повсевременно возникает необходимость прогнозирования результатов в тех либо других критериях. Для убыстрения принятия решения о выборе рационального варианта управления и экономии средств на одной системы, которая именуется объектом моделирования, на другую систему, которая именуется модель объекта, действие на модель осуществляется с целью определения параметров объекта по нраву ее поведения.
Такую подмену (перенос) параметров объекта приходится созодать в тех вариантах, когда конкретное его исследование затруднено либо даже нереально. Как указывает практика моделирования, подмена объекта его моделью дает нередко положительные эффект.
Модель является представлением объекта, системы либо понятия (идеи) в некой форме, хорошей от формы их настоящего существования. Модель какого-нибудь объекта быть может либо четкой копией этого объекта (хотя и выполненной из другого материала и в другом масштабе), либо показывать некие соответствующие характеристики объекта в абстрактной форме.
Сразу в процессе моделирования удается получить достоверную информацию о объекте с наименьшими затратами времени, денег, средств и остальных ресурсов.
Главными целями моделирования являются:
1) анализ и определение параметров объектов по модели;
2) проектирование новейших систем и решение на модели оптимизационных задач (нахождение лучшего варианта);
3) управление сложными объектами и действиями;
4) прогнозирование поведения объекта в дальнейшем.
Более всераспространены последующие виды моделирования:
1) математическое;
2) физическое;
3) имитационное.
При математическом моделировании исследуемый объект заменяется надлежащими математическими соотношениями, формулами, выражениями, при помощи которых решаются те либо другие аналитические задачки (делается анализ), находятся рациональные решения, также делаются прогнозы.
Физические модели представляют собой настоящие системы той же природы, что и исследуемый объект, или другой. Более обычным вариантом физического моделирования является внедрение макетов, установок либо выбор фрагментов объекта для проведения ограниченных тестов. И более обширно оно отыскало применение в сфере естественных наук, время от времени в экономике.
Для сложных систем, к числу которых относятся экономические, социальные, информационные и остальные социально-информационные системы, отыскало обширное применение имитационное моделирование. Это всераспространенная разновидность аналогового моделирования, реализуемого при помощи набора математических инструментальных средств особых имитирующих компьютерных программ и технологий программирования, позволяющих средством процессов-аналогов провести целенаправленное исследование структуры и функций настоящего сложного процесса в памяти компа в режиме «имитации», выполнить оптимизацию неких его характеристик.
Для получения нужной инфы либо результатов нужно производить “прогон” имитационных моделей, а не “решать” их. Имитационные модели не способны сформировывать свое собственное решение в том виде, в котором это имеет пространство в аналитических моделях, а могут только служить в качестве средства для анализа поведения системы в критериях, которые определяются экспериментатором.
Как следует, имитационное моделирование – не теория, а методология решения заморочек. Наиболее того, имитационное моделирование является лишь одним из нескольких имеющихся в распоряжении системного аналитика важных способов решения заморочек. Так как нужно приспосабливать средство либо способ к решению задачки, а не напротив, то возникает естественный вопросец: в которых вариантах имитационное моделирование полезно?
Необходимость решения задач методом экспериментирования становится тривиальной, когда возникает Потребность получить о системе специфическую информацию, которую недозволено отыскать в узнаваемых источниках. Конкретное экспериментирование на настоящей системе избавляет много затруднений, если нужно обеспечить соответствие меж моделью и настоящими критериями; но недочеты такового экспериментирования время от времени очень значительны:
1) может нарушить установленный порядок работы компании;
2) если составной частью системы являются люди, то на результаты тестов может воздействовать так именуемый хауторнский эффект, проявляющийся в том, что люди, чувствуя, что за ними наблюдают, могут поменять свое времени проведения серии тестов;
4) для получения одной и той же величины подборки (и, как следует, статистической значимости результатов экспериментирования) могут потребоваться лишние Издержки времени и средств;
5) при экспериментировании с настоящими системами может оказаться неосуществимым исследование огромного количества других вариантов.
По сиим причинам исследователь должен разглядеть необходимость внедрения имитационного моделирования при наличии хоть какого из последующих критерий:
1. Не существует законченной математической постановки данной задачки, или еще не разработаны аналитические способы решения сформулированной математической модели. К данной группы относятся почти все модели массового обслуживания, связанные с рассмотрением очередей.
2. Аналитические способы имеются, но математические процедуры настолько сложны и трудоемки, что имитационное моделирование дает наиболее обычной метод решения задачки.
3. Аналитические решения есть, но их реализация невозможна вследствие недостаточной математической подготовки имеющегося персонала. В этом случае следует сравнить издержки на проектирование, тесты и работу на имитационной модели с затратами, связанными с приглашением профессионалов со стороны.
4. Не считая оценки определенных характеристик, лучше выполнить на имитационной модели наблюдение за ходом процесса в течение определенного периода.
5. Имитационное моделирование может оказаться единственной возможностью вследствие проблем постановки тестов и наблюдений явлений в настоящих критериях (напримером, исследование поведения галлактических кораблей в критериях межпланетных полетов).
6. Для длительного деяния систем либо действий может пригодиться сжатие временной шкалы. Имитационное моделирование дает возможность вполне надзирать время изучаемого процесса, так как явление быть может замедлено либо ускорено по желанию (к примеру, исследования заморочек упадка городов).
имитационного моделирования можно считать широчайшие способности его внедрения в сфере образования и проф подготовки. Разработка и внедрение имитационной модели дозволяет экспериментатору созидать и испытывать на модели настоящие процессы и ситуации. Это в свою очередь обязано в значимой мере посодействовать осознать и прочуять делему, что провоцирует процесс поиска инноваций.
Имитационное моделирование реализуется средством набора математических инструментальных средств, особых компьютерных программ и приемов, позволяющих при помощи компа провести целенаправленное моделирование в режиме «имитации» структуры и функций сложного процесса и оптимизацию неких его характеристик. Набор программных средств и приемов моделирования описывает специфику системы моделирования – специального программного обеспечения.
Имитационное моделирование экономических действий обычно применяется в 2-ух вариантах:
1. для управления сложным бизнес-процессом, когда имитационная модель управляемого экономического объекта употребляется в качестве инструментального средства в контуре адаптивной системы управления, создаваемой на базе информационных технологий;
2. при проведении тестов с дискретно-непрерывными моделями сложных экономических объектов для получения и «наблюдения» их динамики в критических ситуациях, связанных с рисками, натурное моделирование которых не нужно либо нереально.
Имитационное моделирование как особенная информационная разработка состоит из последующих главных шагов:
1. Структурный анализ действий
. На этом шаге делается анализ структуры сложного настоящего процесса и разложение его на наиболее обыкновенные взаимосвязанные подпроцессы, любой из которых делает определенную функцию. Выявленные подпроцессы могут разделяться на остальные наиболее обыкновенные подпроцессы. Таковым образом, структуру моделируемого процесса можно представить в виде графа, имеющего иерархическую структуру.
Структурный анализ в особенности эффективен при моделировании экономических действий, где почти все составляющие подпроцессы протекают зрительно и не имеют физической сути.
2. Формализованное описание модели
. Приобретенное графическое изображение имитационной модели, функции, выполняемые каждым подпроцессом, условия взаимодействия всех подпроцессов должны быть описаны на особом языке для следующей трансляции.
Это можно создать разными методами: обрисовать вручную на каком-либо определенном языке или при помощи компьютерного графического конструктора.
3. Построение модели
. Этот шаг содержит в себе трансляцию и редактирование связей, также верификацию характеристик.
4. Проведение экстремального опыта
. На этом шаге юзер может получить информацию о том, как близка сделанная модель реально существующему явлению, и как годна данная модель для исследования новейших, еще не опробованных значений аргументов и характеристик системы.
1.2. Способ Монте-Карло
Статистические тесты по способу Монте-Карло представляют собой простейшее имитационное моделирование при полном отсутствии каких-то правил поведения. Получение выборок по способу Монте-Карло — главный принцип компьютерного моделирования систем, содержащих стохастические либо вероятностные элементы. Зарождение способа соединено с работой фон Неймана и Улана в конце 1940-х гг., когда они ввели для него заглавие «Монте-Карло» и применили его к решению неких задач экранирования ядерных излучений. Этот математический способ был известен и ранее, но свое 2-ое рождение отыскал в Лос-Аламосе в закрытых работах по ядерной технике, которые велись под кодовым обозначением «Монте-Карло». Применение способа оказалось так удачным, что он получил распространение и в остальных областях, а именно в экономике.
Потому почти всем спецам термин «способ Монте-Карло» время от времени представляется синонимом термина «имитационное моделирование», что в общем случае ошибочно. Имитационное моделирование — это наиболее обширное понятие, и способ Монте-Карло является принципиальным, но далековато не единственным методическим компонентом имитационного моделирования.
Согласно способу Монте-Карло проектировщик может моделировать работу тыщи сложных систем, управляющих тыщами разновидностей схожих действий, и изучить иной метод внедрения этого способа состоит в том, чтоб моделировать времени (пару лет), при этом астрономическое время выполнения моделирующей программки на компе может составить толики секунды.
При проведении анализа по способу Монте-Карло комп употребляет функцию генерации псевдослучайных чисел для имитации данных из изучаемой генеральной совокупы. Процедура анализа по способу Монте-Карло строит подборки из генеральной совокупы в согласовании с указаниями юзера, а потом производит последующие деяния: имитирует случайную подборку из генеральной совокупы, проводит анализ подборки и сохраняет результаты. Опосля огромного числа повторений, сохраненные результаты отлично имитируют реальное распределение выборочной статистики.
В разных задачках, встречающихся при разработке сложных систем, могут употребляться величины, значения которых определяются случайным образом. Примерами таковых величин являются:
1 случайные моменты времени, в которые поступают заказы на фирму;
2 загрузка производственных участков либо служб объекта экономики;
3 наружные действия (требования либо конфигурации законов, платежи по штрафам и др.);
4 оплата банковских кредитов;
5 поступление средств от заказчиков;
6 ошибки измерений.
В качестве соответственных им переменных могут употребляться число, совокупа чисел, вектор либо функция. одной из разновидностей способа Монте-Карло при численном решении задач, включающих случайные переменные, является способ статистических испытаний, который заключается в моделировании случайных событий.
способ Монте-Карло основан на статистических испытаниях и по природе собственной является экстремальным, может применяться для решения вполне детерминированных задач, таковых, как воззвание матриц, решение дифференциальных уравнений в личных производных, отыскание экстремумов и численное интегрирование. При вычислениях способом Монте-Карло статистические результаты получаются методом циклических испытаний. Возможность того, что эти результаты различаются от настоящих не наиболее чем на заданную величину, есть функция количества испытаний.
В базе вычислений по способу Монте-Карло лежит случайный выбор чисел из данного вероятностного распределения. При практических вычислениях эти числа берут из таблиц либо получают методом неких операций, плодами которых являются псевдослучайные числа с теми же качествами, что и числа, получаемые методом случайной подборки. Имеется огромное число вычислительных алгоритмов, которые разрешают получить длинноватые последовательности псевдослучайных чисел.
один из более обычных и действенных вычислительных способов получения последовательности умеренно распределенных случайных чисел ri
,
при помощи, к примеру, калькулятора либо хоть какого другого устройства, работающего в десятичной системе счисления, включает лишь одну операцию умножения.
способ заключается в последующем: если ri
=
0,0040353607, то ri+1
={40353607ri} mod 1, где mod 1 значит операцию извлечения из результата лишь дробной части опосля десятичной точки. Как описано в разных литературных источниках, числа ri
начинают повторяться опосля цикла из 50 миллионов чисел, так что r5oooooo1
=
r1
. Последовательность r1
выходит умеренно распределенной на интервале (0, 1).
Применение способа Монте-Карло может отдать значимый эффект при моделировании развития действий, натурное наблюдение которых не нужно либо нереально, а остальные математические способы применительно к сиим действиям или не разработаны, или неприемлемы из-за бессчетных оговорок и допущений, которые могут привести к суровым погрешностям либо неверным выводам. В связи с сиим нужно не только лишь следить развитие процесса в ненужных направлениях, да и оценивать догадки о параметрах ненужных ситуаций, к которым приведет такое развитие, в том числе и параметрах рисков.
1.3. Внедрение законов распределения случайных величин
Для высококачественной оценки сложной системы комфортно употреблять результаты теории случайных действий. Опыт наблюдения за объектами указывает, что они работают в критериях деяния огромного количества случайных причин. Потому пророчество поведения сложной системы может иметь смысл лишь в рамках вероятностных категорий. Иными словами, для ожидаемых событий могут быть указаны только вероятности их пришествия, а относительно неких значений приходится ограничиться законами их распределения либо иными вероятностными чертами (к примеру, средними значениями, дисперсиями и т.д.).
Для исследования процесса функционирования каждой определенной сложной системы с учетом случайных причин нужно иметь довольно точное системы, предшествует экспериментальное скопление статистического материала, характеризующего несколько законов распределения случайных величин.
1.3.1. Равномерное распределение
Данный вид распределения применяется для получения наиболее сложных распределений, как дискретных, так и непрерывных. Такие распределения получаются при помощи 2-ух главных приемов:
a) оборотных функций;
b) комбинирования величин, распределенных по остальным законам.
Равномерный закон– закон распределения случайных величин, имеющий симметричный вид (прямоугольник). Плотность равномерного распределения задается формулой:
т.е.на интервале, которому принадлежат все вероятные значения случайной величины, плотность сохраняет неизменное
В имитационных моделях экономических действий равномерное распределение время от времени употребляется для моделирования обычных (одноэтапных) работ, при расчетах по сетевым графикам работ, в военном деле – для моделирования сроков прохождения пути подразделениями, времени копания окопов и строительства фортификационных сооружений.
Равномерное распределение употребляется , если о интервалах времени понятно лишь то, что они имеют наибольший разброс, и ничего не понятно о распределениях вероятностей этих интервалов.
1.3.2. Дискретное распределение
Дискретное распределение представлено 2-мя законами:
1) биноминальным, где возможность пришествия действия в нескольких независящих испытаниях определяется по формуле Бернулли:
, где
n – количество независящих испытаний
m – число возникновения действия в n испытаниях.
2) распределением Пуассона, где при большенном количестве испытаний возможность пришествия действия весьма мала и определяется по формуле:
, где
k – число возникновений действия в нескольких независящих испытаниях
— среднее число возникновений действия в нескольких независящих испытаниях.
1.3.3. Обычное распределение
Обычное, либо гауссово распределение, — это, непременно, одно из более принципиальных и нередко применяемых видов непрерывных распределений. Оно симметрично относительно математического ожидания.
Непрерывная случайная величина
имеет обычное распределение вероятностей с параметрами
и 
О, если ее плотность вероятностей имеет вид (Рис.2, Рис.3):
где
— математическое ожидание
— среднеквадратичное отклонение. 
Любые сложные работы на объектах экономики состоят из почти всех маленьких поочередных простых составляющих работ. Потому при оценках трудозатрат постоянно справедливо предположение о том, что их длительность – это случайная величина, распределенная по нормальному закону.
В имитационных моделях экономических действий закон обычного распределения употребляется для моделирования сложных многоэтапных работ.
1.3.4. Экспоненциальное распределение
Оно также занимает весьма принципиальное пространство при проведении системного анализа экономической деятель. Этому закону распределения подчиняются почти все явления, к примеру:
1 время поступления заказа на предприятие;
2 посещение покупателями магазина-супермаркета;
3 телефонные дискуссии;
4 срок службы деталей и узлов в компе, установленном, к примеру, в бухгалтерии.
Функция экспоненциального распределения смотрится последующим образом:
F(x)=
при 0<x<∞, где
— параметр экспоненциального распределения, >0.
Экспоненциальное распределение являются личными вариантами палитра — распределения.
На Рис.4 приведены свойства гамма-распределения, также график его функции плотности для разных значений этих черт.
В имитационных моделях экономических действий экспоненциальное распределение употребляется для моделирования интервалов поступления заказов, поступающих в фирму от бессчетных клиентов. В теории надежности применяется для моделирования интервала времени меж 2-мя поочередными дефектами. В связи и компьютерных науках – для моделирования информационных потоков.
1.3.5. Обобщенное распределение Эрланга
Это распределение, имеющее несимметричный вид. Занимает среднее положение меж экспоненциальным и обычным. Плотность вероятностей распределения Эрланга представляется формулой:
P(t)= при t≥0; где
K-элементарные поочередные составляющие, распределенные по экспоненциальному закону.
Обобщенное распределение Эрланга применяется при разработке как математических, так и имитационных моделей.
Это распределение комфортно использовать заместо обычного распределения, если модель свести к чисто математической задачке. Не считая того, в настоящей жизни существует беспристрастная возможность появления групп заявок в качестве реакции на какие-то деяния, потому появляются групповые потоки. Применение чисто математических способов для исследования в моделях эффектов от таковых групповых потоков или нереально из-за отсутствия метода получения аналитического выражения, или затруднено, потому что аналитические выражения содержат огромную периодическую погрешность из-за бессчетных допущений, благодаря которым исследователь сумел получить эти выражения. Для описания одной из разновидностей группового потока можно применить обобщенное распределение Эрланга. Возникновение групповых потоков в сложных экономических системах приводит к резкому повышению средних длительностей разных задержек (заказов в очередях, задержек платежей и др.), также к повышению вероятностей рисковых событий либо страховых случаев.
1.3.6. Треугольное распределение
Треугольное распределение является наиболее информативным, чем равномерное. Для этого распределения определяются три величины — минимум, максимум и мода. График функции плотности состоит из 2-ух отрезков прямых, одна из которых увеличивается при изменении
от малого значения до моды, а иная убывает при изменении
от значения моды до предела. Значение математического ожидания треугольного распределения равно одной трети суммы минимума, моды и максимума. Треугольное распределение употребляется тогда, когда понятно более возможное нрав функции плотности.
На Рис.5 приведены свойства треугольного распределения и график его функции плотности вероятности.
Треугольное распределение просто использовать и интерпретировать, но для его выбора нужны весомые основания.
В имитационных моделях экономических действий такое распределение время от времени употребляется для моделирования времени доступа к базам данных.
1.4. Планирование имитационного компьютерного опыта
Имитационная модель независимо от избранной системы моделирования (к примеру, Pilgrim либо GPSS) дозволяет получить два первых момента и информацию о законе распределения хоть какой величины, интересующей экспериментатора (экспериментатор – это субъект, которому необходимы высококачественные и количественные выводы о свойствах исследуемого процесса).
1.4.1. Кибернетический подход к организации экспериментальных исследовательских работ сложных объектов и действий.
Планирование опыта можно разглядывать как кибернетический подход к организации и проведению экспериментальных исследовательских работ сложных объектов и действий. Основная мысль способа состоит в способности рационального управления тестом в критериях неопределенности, что родственно тем предпосылкам, на которых базируется продажная девка империализма. Целью большинства исследований является определение хороших характеристик сложной системы либо хороших критерий протекания процесса:
1. определение характеристик вкладывательного проекта в критериях неопределенности и риска;
2. выбор конструкционных и электронных характеристик физической установки, обеспечивающих более прибыльный режим ее работы;
3. получение очень вероятного выхода реакции методом варьирования температуры, давления и соотношения реагентов – в задачках химии;
4. выбор легирующих компонент для получения сплава с наибольшим значением какой-нибудь свойства (вязкость, сопротивление на разрыв и пр.) – в металлургии.
При решении задач такового рода приходится учесть воздействие огромного количества причин, часть из которых не поддается регулированию и контролю, что очень затрудняет полное теоретическое исследование задачки. Потому идут по пути установления главных закономерностей при помощи проведения серии тестов.
Исследователь получил возможность методом легких вычислений выражать результаты опыта в комфортной для их анализа и использования форме.
1.4.2. Регрессионный анализ и управление модельным тестом
В общем случае объект исследования можно представить как некий «темный ящик» (Рис.6), на входе которого действуют управляющие характеристики xi
, (
= 1, 2,…,
) и неконтролируемые возмущения zj
, (
= 1, 2, …,
). Выходом объекта исследования являются характеристики свойства либо какие-либо остальные свойства объекта
v
(
= 1, 2,…,
).
Если разглядеть зависимость одной из черт системы ηv
(xi
)
, как функцию лишь одной переменной xi
(Рис.7), то при фиксированных значениях xi
будем получать разные значения ηv
(xi
)
.
Разброс значений ηv
в данном случае определяется не только лишь ошибками измерения, а основным образом воздействием помех zj
. Сложность задачки рационального управления характеризуется не только лишь сложностью самой зависимости ηv
(v = 1, 2, …, n)
, да и воздействием zj
, что заносит элемент случайности в задачка, тем эффективнее становится применение способов планирования опыта.
Различают два вида опыта:
— пассивный;
— активный.
При
исследователь лишь ведет наблюдение за действием (за конфигурацией его входных и выходных характеристик). По результатам наблюдений потом делается вывод о воздействии входных характеристик на выходные. Пассивный способ не много накладный, но просит огромного времени.
проводится основным образом в лабораторных критериях, где экспериментатор имеет возможность изменять входные свойства по заблаговременно намеченному плану. Таковой анализ
является методическим инструментарием при решении задач прогнозирования, планирования и анализа хозяйственной деятель компаний.
Задачками регрессионного анализа являются установление формы зависимости меж переменными, оценка функции регрессии и установление воздействия причин на зависимую переменную, оценка неведомых значений (прогноз значений) зависимой переменной.
1.4.3. Ортогональное планирование второго порядка.
Ортогональное планирование опыта (по сопоставлению с неортогональным) уменьшает число опытов и значительно упрощает расчеты при получении уравнения регрессии. Но такое планирование осуществимо лишь при способности проведения активного опыта.
Удобным средством отыскания экстремума является факторный поверхность довольно гладкая и нет локальных экстремумов. Необходимо подчеркнуть два главных недочета факторного опыта. 1-ый заключается в невозможности поиска экстремума при наличии ступенчатых разрывов неведомой поверхности и локальных экстремумов. 2-ой — в отсутствии средств описания нрава поверхности поблизости экстремальной точки из-за использования простых линейных уравнений регрессии, что сказывается на инертности системы управления, потому что в процессе управления нужно проводить факторные опыты для выбора управляющих действий.
Для целей управления более подступает ортогональное планирование второго порядка. Обычно опыт состоит из 2-ух шагов. Поначалу при помощи факторного опыта отыскивается область, где существует экстремальная точка. Потом в районе существования экстремальной точки проводится сходу определять управляющие действия, без проведения доп опытов либо тестов. Доп причин (к примеру, существенное изменение налоговой политики в стране суровым образом воздействует на поверхность отклика, отображающую производственные издержки компании
2. ПРАКТИЧЕСКАЯ РАБОТА.
В данном разделе мы разглядим, как можно применить вышеизложенные теоретические познания к определенным экономическим ситуациям.
Основная задачка нашей курсовой работы – найти эффективность компании, занимающегося коммерческой Деятельностью
Для реализации проекта мы избрали пакет Pilgrim. Пакет Pilgrim владеет широким диапазоном способностей имитации временной, пространственной и денежной динамики моделируемых объектов. С его помощью можно создавать дискретно-непрерывные модели. Разрабатываемые модели имеют свойство коллективного управления действием моделирования. В текст модели можно вставлять любые блоки при помощи обычного языка C++. Пакет Pilgrim владеет свойством мобильности, т.е. переноса на любую другую платформу при наличии компилятора C++. Модели в системе Pilgrim компилируются и потому имеют высочайшее стремительнодействие, что весьма принципиально для отработки управленческих решений и адаптивного выбора вариантов в сверхускоренном масштабе времени. Приобретенный опосля компиляции объектный код можно встраивать в разрабатываемые программные комплексы либо передавать (продавать) заказчику, потому что при эксплуатации моделей инструментальные средства пакета Pilgrim не употребляются.
5-ая версия Pilgrim — это программный продукт, созданный в 2000 г. на объектно-ориентированной базе и учитывающий главные положительные характеристики прежних версий. Достоинства данной системы:
• ориентация на совместное моделирование вещественных, информационных и «валютных» действий;
• наличие развитой CASE-оболочки, позволяющей конструировать многоуровневые модели в режиме структурного системного анализа;
• наличие интерфейсов с базами данных;
• возможность для конечного юзера моделей непосредственно рассматривать результаты благодаря формализованной технологии сотворения многофункциональных окон наблюдения за моделью с помощью Visual C++, Delphi либо остальных средств;
•возможность управления моделями конкретно в процессе их выполнения при помощи особых окон диалога.
Таковым образом, пакет Pilgrim является неплохим средством сотворения как дискретных, так и непрерывных моделей, имеет много плюсов и существенно упрощает создание модели.
Объектом наблюдения является предприятие, которое занимается реализацией выпускаемого продукта. Для статистического анализа данных функционирования компании и сопоставления приобретенных результатов сопоставлялись все причины, действующие на процесс выпуска и реализации продукта.
Предприятие занимается выпуском продукта маленькими партиями (размер этих партии известен). Имеется Рынок, где эта продукция продается. Размер партии покупаемого продукта в общем случае — случайная величина.
Структурная схема бизнес-процесса содержит три слоя. На 2-ух слоях размещены автономные процессы «Создание» (приложение А) и «Сбыт» (Приложение Б), схемы которых независимы друг от друга т.к. нет путей для передачи транзактов. Опосредованное взаимодействие этих действий осуществляется лишь через ресурсы: вещественные ресурсы (в виде готовой продукции) и валютные ресурсы (в главном через расчетный счет).
Управление валютными ресурсами происходит на отдельном слое — в процессе «Валютные операции» (приложение В).
Введем мотивированную функцию: время задержки платежей с расчетного счета Трс.
Главные управляющие характеристики:
1 стоимость единицы продукции;
2 размер выпускаемой партии;
3 сумма кредита, запрашиваемого в банке.
Зафиксировав все другие характеристики:
4 время выпуска партии;
5 число производственных линий;
6 интервал поступления заказа от покупателей;
7 разброс размеров продаваемой партии;
8 стоимость девайсов изделий и материалов для выпуска партии;
9 стартовый капитал на расчетном счете;
можно минимизировать Трс для определенной рыночной ситуации. Минимум Трс достигается при одном из максимумов среднего размера валютной суммы на расчетном счете. При этом возможность рискового действия – неуплаты долгов по кредитам — близка к минимуму (это можно обосновать во время статистического опыта с моделью).
1-ый процесс «Создание
» (приложение А) реализует главные простые процессы. Узел 1 имитирует поступления распоряжений на изготовка партий продукции от управления компании. Узел 2 – попытка получить кредит. В этом узле возникает вспомогательный транзакт – запрос в банк. Узел 3 – ожидание кредита сиим запросом. Узел 4 – это администрация банка: если предшествующий возвращен, то предоставляется новейший (в неприятном случае запрос ожидает в очереди). Узел 5 производит перечисление кредита на расчетный счет компании. В узле 6 вспомогательный запрос уничтожается, но информация о том, что кредит предоставлен, — это «шлагбаум» на пути последующего запроса на получение другого кредита (операция hold).
Главный транзакт-распоряжение проходит через узел 2 без задержки. В узле 7 делается оплата девайсов, если на расчетном счете есть достаточная сумма (даже если не получен). В неприятном случае происходит ожидание или кредита, или оплаты продаваемой продукции. В узле 8 транзакт становится в очередь, если все производственные полосы заняты. В узле 9 осуществляется изготовка партии продукции. В узле 10 возникает доборная заявка на возврат кредита, если ссуда ранее была выделена. Эта заявка поступает в узел 11, где происходит перечисление средств с расчетного счета компании в банк; если средств нет, то заявка ждет. Опосля возврата кредита эта заявка уничтожается (в узле 12); в банке возникла информация о том, что кредит возвращен, и компании можно выдать последующий (операция rels).
Транзакт-распоряжение проходит узел 10 без задержки, а в узле 13 он уничтожается. Дальше считается, что партия сделана и поступила на склад готовой продукции.
2-ой процесс «Сбыт
» (Приложение Б) имитирует главные функции по реализации продукции. Узел 14 — это генератор транзактов-покупателей продукции. Эти транзакты обращаются на склад (узел 15), и если там есть запрашиваемое количество продукта, то продукт отпускается покупателю; в неприятном случае клиент ожидает. Узел 16 имитирует отпуск продукта и контроль очереди. Опосля получения продукта клиент перечисляет средства на расчетный счет компании (узел 17). В узле 18 клиент считается обслуженным; соответственный ему транзакт больше не нужен и уничтожается.
3-ий процесс «Валютные операции
» (приложение В) имитирует проводки в бухгалтерии. Запросы на проводки поступают с первого слоя из узлов 5, 7, 11 (процесс «Создание») и из узла 17 (процесс «Сбыт»). Пунктирными линиями показано движение валютных сумм по Счету 51 («Расчетный счет», узел 20), счету 60 («Поставщики, подрядчики», узел 22), счету 62 («Покупатели, заказчики», узел 21) и по счету 90 («Банк», узел 19). Условные номера приблизительно соответствуют плану счетов бухгалтерского учета.
Узел 23 имитирует работу денежного директора. Обслуженные транзакты опосля бухгалтерских проводок попадают назад в те узлы, откуда они поступили; номера этих узлов находятся в параметре транзакта t→updown.
Начальный код модели представлен в Приложении Г. Данный начальный текст строит саму модель, т.е. делает все узлы (выставленные в структурной схеме бизнес-процесса) и связи меж ними. Код быть может сгенерирован конструктором Pilgrim (Gem), в каком строятся процессы в объектном виде (приложение Е).
Модель создаётся при помощи Microsoft Developer Studio. Microsoft Developer Studio – пакет программ для разработки приложений, базирующийся на языке С++.
Опосля присоединения к проекту доп библиотек (Pilgrim.lib, comctl32.lib) и файлов ресурсов (Pilgrim.res), компилируем данную модель. Опосля компиляции получаем уже готовую модель.
автоматом создается файл отчета, в каком хранятся результаты моделирования, приобретенные опосля 1-го пуска модели. файл отчета представлен в Приложении Д.
3. ВЫВОДЫ ПО бизнес-МОДЕЛИ «ЭФФЕКТИВНОСТЬ ПРОИЗВОДСТВА»
Из содержания результатного файла (приложение Д) мы лицезреем, что любой узел нашей модели характеризуется определенными параметрами.
1) № узла;
2) Наименование узла;
3) Тип узла;
4) загрузка (%);
5) M(t) среднее время ожидания;
6) Счетчик входов;
7) Осталось транзактов;
8) состояние узла в этот момент.
Модель состоит из 3-х независящих действий: основного производственного процесса (приложение А) , процесса реализации продукции (Приложение Б) и процесса управления валютными потоками (приложение В).
За период моделирования бизнес-процесса в узле 1 («Заказы») было сформировано 10 заявки на изготовка продукции. Среднее время формирования заказов – 74 денька, вследствие этого, один транзакт не вошел в рамки времени процесса моделирования. Другие 9 транзактов вошли в узел 2 («Развилка1»), где было сотворено соответственное число запросов в время моделирования, за которое были удовлетворены все транзакты.
Дальше видно, что 8 запросов получили положительный ответ в узле 3 («Разрешение выдачи»). Среднее время получения разрешения – 65 дней. Загрузка данного узла составила в среднем 70,4%. состояние узла на момент окончания времени моделирования закрытое, это обосновано тем, что этот узел предоставляет новейший лишь в случае возврата предшествующего, как следует, на момент окончания моделирования не был погашен (это видно из узла 11).
Узел 5 производит перевод кредита на расчетный счет компании. И, как видно из таблицы результатов, были уничтожены.
В узле 7 («Плата поставщикам») была произведена оплата девайсов в размере всего приобретенного ранее кредита (135000 руб.).
В узле 8 мы лицезреем, что 9 транзактов стоят в очереди. Это происходит, когда все производственные полосы заняты.
В узле 9 («Выполнение заказа») осуществляется конкретное изготовка продукции. На изготовка одной партии продукции уходит 74 денька. За период моделирования был выполнен 9 заказов. загрузка данного узла составила 40%.
В узле 13, заявок на изготовка продукции были уничтожены в количестве 8 шт. с расчетом, что партии сделаны и поступили на склад. Среднее время производства – 78 дней.
В узле 10 («Развилка 2») было сотворено 0 доп заявок на возврат кредита. Эти заявки поступили в узел 11 («Возврат»), где банку был возвращен в размере 120000 руб. Опосля возврата кредита заявки на возврат были уничтожены в узле 12 в количестве 7 шт. со средним временем –37 дней.
В узле 14 («Клиенты») было порождено 26 транзактов-покупателей продукции со средним временем 28 дней. Один транзакт ждет в очереди.
Дальше 25 транзактов-покупателей «обратились» на склад (узел 15) за продуктом. загрузка склада за период моделирования составила 4,7%. Продукция со склада выдавалась немедля – без задержек. В итоге выдачи продукции покупателям на складе осталось 1077 ед. продукции, в очереди получение продукта не ожидается, как следует, при получении заказа предприятие может выдать необходимое количество продукта прямо со склада.
Узел 16 имитирует отпуск продукции 25 клиентам (1 транзакт в очереди). Опосля получения продукта клиенты без задержки оплатили приобретенный продукт в сумме 119160 руб. В узле 18 все обслуженные транзакты были уничтожены.
В этом процессе мы имеем дело со последующими бухгалтерскими проводками (запросы, на выполнение которых поступают из узлов 5, 7, 11 и 17 соответственно):
1 выдан банком – 135000 руб.;
2 оплата поставщикам за комплектующие – 135000 руб.;
3 возврат банковского кредита – 120000 руб.;
4 на расчетный счет поступили средства от реализации продукции – 119160 руб.
В итоге выполнения этих проводок мы получили последующие данные о распределении средств по счетам:
1) Сч. 90: один ждет в очереди.
Остаток средств –14260 руб. Требуется — 15000 руб.
Как следует, при продлении времени моделирования транзакт, находящийся в очереди, сходу обслужен быть не может, вследствие нехватки средств на счете компании.
3) Сч. 61: Клиенты. 25 транзактов обслужено.
Остаток средств – 9880840 руб. Требуется — 0 руб.
4) Сч. 60: Поставщики. 0 транзактов обслужено (процесс «Поставка продуктов» не рассматривался в рамках данного опыта).
Остаток средств – 135000 руб. Требуется — 0 руб.
Узел 23 имитирует работу денежного директора. Им было обслужено 50 транзактов
В итоге прогона модели не считая файла, содержащего табличную информацию, мы получаем график динамики задержек в очереди (Рис.9).
График динамики задержек в очереди в узле «Расч. счет 51» свидетельствует о том, что задержка со временем увеличивается. Время задержки платежей с расчетного счета компании ≈ 18 дней. Это довольно высочайший показатель. В итоге, что предприятие все пореже производит платежи, и скоро может быть время задержки превзойдет время ожидания кредитора — это может привести к банкротству компании. Но, к Счастью, эти задержки не нередкие, а как следует, это плюс к данной модели.
Разрешить сложившуюся ситуацию можно при помощи минимизации времени задержки платежей для определенной рыночной ситуации. Минимум времени задержки будет достигнут при одном из максимумов среднего размера валютной суммы на расчетном счете. В этом случае возможность неуплаты долгов по кредитам будет близка к минимуму.
На основании описания действий мы можем прийти к выводу, что процессы производства и реализации продукции в целом работают отлично. Главный неувязкой модели является процесс управления валютными потоками. Основная неувязка этого процесса – это долги по погашению банковского кредита, тем вызывается нехватка средств на расчетном счете, что не дозволит свободно манипулировать приобретенными валютными средствами, т.к. их нужно направлять на погашение кредита. Как нам сделалось понятно из анализа графика «Динамики задержек», в дальнейшем предприятие сумеет впору погашать кредиторскую задолженность, но не постоянно в чётко обозначенные строчки
Как следует, можно прийти к выводу, что на данный момент модель довольно эффективна, но просит мелких доработок.
Обобщение результатов статистической обработки инфы производилось методом анализа результатов опыта.
График задержек в узле «Расчетный счет» указывает, что, в протяжении всего периода моделирования, время задержек в узле держится, в главном, на этом же уровне, хотя время от времени возникают задержки. Отсюда следует, что повышение вероятности возникновения ситуации, когда предприятие может оказаться на грани банкротства, очень низковато. Как следует, модель полностью применима, но, как указывалось выше, просит маленьких доработок.
ЗАКЛЮЧЕНИЕ
Сложные по внутренним связям и огромные по количеству элементов системы экономически тяжело поддаются прямым способам моделирования и часто для построения и исследования перебегают к имитационным способам. Возникновение новейших информационных технологий наращивает не только лишь способности моделирующих систем, да и дозволяет использовать большее обилие моделей и методов их реализации. Улучшение вычислительной и телекоммуникационной техники привело к развитию способов машинного моделирования, без которых нереально исследование действий и явлений, также построение огромных и сложных систем.
На основании проделанной работы можно сказать, что значение моделирования в экономике весьма велико. Потому современный экономист должен отлично разбираться в экономико-математических способах, уметь их фактически использовать для моделирования настоящих экономических ситуаций. Это дозволяет лучше усвоить теоретические вопросцы современной экономики, содействует увеличению уровня квалификации и общей проф культуры спеца.
При помощи разных бизнес-моделей можно обрисовать экономические объекты, закономерности, связи и процессы не только лишь на уровне раздельно взятой компании, да и на уровне страны. А это очень принципиальный факт для хоть какой страны: можно предсказать подъемы и спады, кризисы и застои в экономике.
СПИСОК ЛИТЕРАТУРЫ
1. Емельянов А.А., Власова Е.А. Компьютерное моделирование – М.: Столичный гос. Институт экономики, статистики и информатики, 2002.
2. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические способы в экономике, М., Дело и сервис, 2001.
3. Колемаев В.А., Математическая Экономика, М., ЮНИТИ, 1998.
4. Нейлор Т. Машинные имитационные опыты с моделями экономических систем. – М.: мир, 1975. – 392 с.
5. Советов Б.Я., Яковлев С.А. Моделирование систем. – М.: Высш. Шк., 2001.
6. Шеннон Р.Е. Имитационное моделирование систем: наука и Искусство. — М.: Мир, 1978.
7. www.thrusta.narod.ru
ПРИЛОЖЕНИЕ А
Схема бизнес-модели «Эффективность компании»
ПРИЛОЖЕНИЕ Б
Процесс реализации продукции бизнес-модели «Эффективность компании»
ПРИЛОЖЕНИЕ В
Процесс управления валютными потоками бизнес-модели «Эффективность компании»
ПРИЛОЖЕНИЕ Г
Начальный код модели
приложение Д
Файл отчета модели
ПРИЛОЖЕНИЕ Е
Процессы
]]>