БарГУ.by » 2 часть ЭМММ шпаргалки

2 часть ЭМММ шпаргалки

Автор: Maxvel 7-12-2014, 10:34

Скачать

 

31.Методы устранения мультиколлинеарности.
Самый простой (но не самый эффективный) сост. в том, что из двух объясняющих пере¬менных, имеющих высокий коэффициент корреляции (больше 0,8), одну переменную исключают из рассмотрения. При этом какую оставить, а какую удалить, решают в на основании экономических соображений. Если ни одной из переменных нельзя отдать предпочтение, то оставляют ту, которая имеет больший коэффициент корреляции с зависимой переменной.
Еще одним из методов является использование стратегии шагового отбора, реализованную в ряде алгоритмов пошаговой регрессии.
Наиболее широкое применение получили следующие схемы построения уравнения множественной регрессии: метод включения факторов и метод исключения – отсев факторов из полного его набора.
В соотв. с первой схемой признак включается в уравнение в том случае, если его включение существенно увеличивает значение множественного коэффициента корреляции, что позволяет последовательно отбирать факторы, оказывающие существенное влияние на результирующий признак даже в условиях мультиколлинеарности системы признаков, отобранных в качестве аргументов из содержательных соображений. При этом первым в уравнение включается фактор, наиболее тесно коррелирующий с Y, вторым в уравнение включается тот фактор, который в паре с первым из отобранных дает максимальное значение множественного коэффициента корреляции, и т.д. Существенно, что на каждом шаге получают новое значение множественного коэффициента (большее, чем на предыдущем шаге); тем самым определяется вклад каждого отобранного фактора в объясненную дисперсию Y.
Вторая схема пошаговой регрессии основана на последовательном исключении факторов с помощью t -критерия. Она заключается в том, что после построения уравнения регрессии и оценки значимости всех коэффициентов регрессии из модели исключают тот фактор, коэффициент при котором незначим и имеет наименьший коэффициент t . После этого получают новое уравнение множественной регрессии и снова производят оценку значимости всех оставшихся коэффициентов регрессии. Если среди них опять окажутся незначимые, то опять исключают фактор с наименьшим значением t -критерия. Процесс исключения факторов останавливается на том шаге, при котором все регрессионные коэффициенты значимы.

32.Необходимость использования качественных фиктивных переменных в регрессионном анализе.
В больш-ве случаев независимые переменные в регресс. моделях имеют непрерывные области изменения. Однако теория не накладывает никаких ограничений на характер коэф-тов регрессии, некот. переменные могут принимать всего два значения или в более общей ситуации – множество дискретных значений.
Необх-сть рассмотрения таких переменных возникает в случаях, когда надо оценить какой либо качественный признак, т. е. Когда факторы, вводимые в ур-ие регрессии являются качест-ми и не измеряются по числовой шкале. Н-р, при исследовании зависимости з/п от различных факторов может возникнуть вопрос, влияет ли на ее размер наличие у работника высшего образования; существует ли дискриминация в оплате труда женщин и мужчин. Одним из решений данного примера явл. оценка отдельных регрессий для каждой категории, а затем изучение различий м/у ними. Другой подход состоит в оценке единой регрессии с использованием всей совокупности наблюдений и измерений степени влияния качественного фактора посредством введения фиктивной переменной. Она является равноправной переменной наряду с др-ми переменными моделями. Ее фиктивность закл. лишь в том, что она количеств-м образом описывает качественный признак. Второй подход обладает след. преимущ: 1) это простой способ проверки, явл. ли воздействие качественного признака значимым; 2) при условии выполнения опред. предположений регрессионной оценки оказывается более эффективным.

33.Способы введения фиктивных переменных в регрессионную модель. Фиктивные переменные вводятся в модель регрессии след. образом. Н-р,
1) пусть Х=(х1, х2, …, хК) – это набор объясняющих независимых переменных,
Y(x)= f(x) –это ф-ия, описывающая зависимость з/п от различных факторов.
Тогда первоначальная модель будет выглядеть след. образом: Y(x)= a1*x1+a2*x2+…+aK*xK+∑ (5.1).
Надо определить влияние такого фактора, как наличие или отсутствие высшего образования. Для этого вводится фиктивная переменная d. Если работник имеет высшее образование, то d=1, если нет, то d=0. При введении фиктивной переменной ур-ие регрессии принимает след. вид Y(x)= a1*x1+a2*x2+…+aK*xK+σd+∑=x’*a+ σd+∑ (5.2), где σ – коэф-т регрессии при фиктивной переменной.
При изучении модели (5.2) считают, что средняя з/п есть x’*a – при отсутствии высшего образования, x’*a+ σ – при его наличии. Т. о., σ интерпретируется как среднее изменение з/п при переходе из одной категории в др-ю.
<График>
К полученному ур-ию нужно применить МНК и получить оценки соответствующих коэф-тов. Станд. ошибки коэф-тов при фиктивных переменных используются для проверки гипотез и построения доверительных интервалов. Наиболее распр. их применение состоит в проверке значимости отличия коэф-тов от 0. Она выполняется делением коэф-та на станд. ошибку для получения t-критерия Стъюдента. Расчетные значения сравниваются с критическим табличным значением при заданном уровне значимости. Качественные переменные могут отвечать не только за сдвиги у постоянного члена, но и за наклон линии регрессии. В данном случае используется фиктивная переменная для коэф-та наклона, к-ая наз-ся переменная взаимодействия.
В примере 1 был рассмотрен случай зависимости з/п от наличия высшего образования без учета опыта работы по данной специальности.
Для рассмотрения влияния этого фактора вводится новая фиктивная переменная zdx,
тогда Y(x) = x’*a+ σd+ zdx +∑; Y(x) = σd+ x*(a+zd) +∑; (5.3).
Если d=0, то коэф-т при Х как и раньше равен а, если d=1, то коэф-т приобретает вид (a+z).
Поэтому величина z рассматривается как разность между коэф-том при показателе наличия высшего образования для работника, к-ый имеет опыт работы, и коэф-том при показателе наличия высшего образования для работника без опыта работы. Качественные различия можно формализовать с помощью любой переменной, принимающей два значения. Однако в эк-ой практике обычно используется система 01, поскольку в этом случае интерпретация выглядит наиболее просто.

34.Проверка регрессионной однородности выборочной совокупности (критерий Чоу). Сравнение двух регрессий. Ранее предполагалось, что изменение значения качеств-го фактора влияет лишь на изменение свободного члена. Но это, не всегда так. Следов-но, необходимо представить, что изменение качеств. фактора может привести как к изменению свободного члена уравнения, так и наклона прямой регрессии. Обычно это характерно для временных рядов экон-их данных при изменении институциональных условий, введении новых правовых или налоговых ограничений. Для сравн. двух регрессий м/б использован тест Чоу. Суть теста в следующем: пусть выборка имеет объем n. Через обозначим сумму квадратов отклонений значений от общего уравнения регрессии. Пусть есть основание предполагать, что целесообразно общую выборку разбить на две подвыборки объемами и соотв. и построить для каждой из выборок уравнение регрессии. Через и обозначим суммы квадратов отклонений значений каждой из подвыборок от соотв. уравнений регрессии. Очевидно, что возможно лишь при совпадении коэф. регрессии для всех трех уравнений. Чем сильнее различие в поведении Y для двух подвыборок, тем больше значение будет превосходить . Тогда разность может быть интерпретирована как улучшение качества модели при разбиении интервала наблюдений на два подынтервала. Следовательно, дробь определяет оценку уменьшения дисперсии регрессии за счет построения двух уравнений вместо одного. При этом число степеней свободы сократиться на , т. к. вместо параметра объединенного уравнения теперь необходимо оценивать параметра двух регрессий. Дробь , необъясненная дисперсия зависимой переменной при использовании двух регрессий. Тогда напрашивается вывод о том, что общую выборку целесообразно разбить на два подынтервала только в случае, если уменьшение дисперсии будет значимо больше оставшейся необъясненной дисперсии. Данный анализ осуществляется по стандартной процедуре сравнения дисперсий на основе F-статистики. Использование указанной F-статистики (теста Чоу) осуществляется достаточно просто. Однако оно менее информативно, нежели общий анализ сложной регрессии с фиктивными переменными, осуществляемый на базе t-статистик (с учетом вклада каждой фиктивной переменной), коэффициента детерминации и статистики Дарбина-Уотсона. Однако тест Чоу вполне достаточен, если требуется установить, что зависимости в подвыборках различаются.

35.Регрессионные модели с колич-ми и качественными переменными (ANCOVA-модели). Регр. модели, содерж. лишь качеств. переменные, наз. ANOVA-моделями (моделями дисперсион-го анализа). Однако такие модели в экономике крайне редки. Гораздо чаще встреч-ся Модели, в кот.объясняющие переменные носят как колич-ый, так и качест-ый хар-р, и наз-ся ANCOVA-моделями (моделями ковариационного анализа). ANCOVA-модель при наличии у фиктивной переменной двух альтернатив. Вначале рассмотрим простейшую ANCOVA-модель з/п сотрудника фирмы (Y) с одной колич. и одной качеств., имеющей два альтернативных состояния где X — стаж сотрудника; D — пол сотрудника. Т. е. 0 — если сотр — женщина и 1, если сотрудник — мужчина. Тогда ожидаемое значение з/п сотр-в при x годах труд. стажа будет иметь вид З/п в данном случае явл. линейной функцией от стажа работы. И для мужчин и для женщин з/п меняется с одним и тем же коэф. пропорц-сти . А вот своб. члены в моделях отличаются на величину . Проверив с помощью t-критерия статистические значимости коэф-тов и , можно опред-ть, имеет ли место в фирме дискриминация по половому признаку. Если эти коэф. окажутся статистически значимыми, дискрим-я есть. Более того, при она будет в пользу мужчин, при — женщин. В данном случае пол сотрудников имеет два альтернат. значения, и в модели это отражается одной фиктивной переменной. Коэффициент в модели иногда называется дифференциальным коэф. свободного члена, т/к он показывает, какой величиной отличается свободный член модели при значении фиктивной переменной, равной единице, от свободного члена модели при базовом значении фиктивной переменной.
36.Использование фиктивных переменных в анализе сезонности. Многие экономические показатели напрямую связаны с сезонными колебаниями. Например, спрос на туристические путевки, охлажденную воду и мороженое существенно выше летом, чем зимой. Спрос на обогреватели, шубы выше зимой. Некоторые показатели имеют существенные квартальные колебания и т. д. Обычно сезонные колебания характерны для временных рядов. Устранение или нейтрализация сезонного фактора в таких моделях позволяет сконцентрироваться на других важных количественных и качественных характеристиках модели, в частности на общем направлении развития модели, так называемом тренде. Такое устранение сезонного фактора называется сезонной корректировкой. Существует несколько методов сезонной корректировки, одним из которых является метод фиктивных переменных. Выбор правильной формы модели регрессии является в данной ситуации достаточно серьезной проблемой, так как в этом случае вполне вероятны ошибки спецификации. Вначале рассматривается математическая модель. Определяется статистическая значимость коэффициентов. Если в этой модели дифференциальные свободные члены оказываются статистически незначимыми, то делают вывод, что квартальные (сезонные) изменения несущественны для рассматриваемой зависимости [12].
В анализе временных рядов принято рассматривать следующие формы взаимосвязи: аддитивная и Мультипликативная модель изучения сезонности.

37.Модели с завис-ми качеств (альтерн-ми) переменными. Логит- и пробит-модели,оценив-ние их параметров. Представим модели результата сдачи с первой попытки экзамена в ГАИ в виде примера где — кол-во часов вождения ; — средний %% выпуск, сдающих экзамен с первой попытки; — исп. компьют. методики обучения. В этой ситуации
Пусть ч, Тогда получим сл. модель: Модели данного вида называется линейными вероятностными моделями (linear probability models) (LPM-моделями). LPM имеет определенные ограничения: 1. Случ. отклонения в данных моделях не явл. нормальными случ-ми величинами, а, имеют биноминальное распределение. 2. Случайные отклонения не обладают свойством постоянства дисперсии (гомоскедастичности). 3. Применение модели LPM весьма проблематично с содержательной точки зрения. Для преодол. недостатков LPM-моделей необх. исп. такие модели, в кот. не будут,нарушаться неравенства , и зависимость между и х не будет иметь линейный характер, а будет удовлетворять закону убывающей эффективности. В кач-ве одного из вариантов преодоления недостатков модели LPM можно предложить logit модель. Пример:
Вы изучаете поведение покупателей в Вашем магазине и хотите изучить чем поведение купивших отличается от поведения людей, не сделавших покупку. В этом случае факт покупки - зависимая бинарная величина, а поведение человека в магазине и половозрастные характеристики посетителя - факторы. Введем следующие обозначения: Покупка - значение "1", клиент ушел без покупки - "0".
T - время проведенное в магазине;Y - возраст клиента;
K - внешняя респектаб-ность клиента по 5-бальной шкале; е(i) - "ошибки". В e(i) -попадают отклонения, которые не объяснены моделью . В итоге, модель имеет следующий вид: Покупка(i) = a*T(i)+b*Y(i)+c*K(i)+e(i)
По ряду причин, применение линейного оценивания здесь дает некорректные результаты, поэтому для оценки коэффициентов"а,b,c" задается условное распределение положительного решения о покупке в зависимости от дохода. В случае если рассматривается стандартное нормальное распределение, модель называется probit, если логистическое, то - logit.

38.Системы уравнений, используемых в эконометрике. Независимые системы. Рекурсивные системы. Сист. ур-й в эконометрич. исслед. может быть построена по-разному. система независимых уравнений, когда каждая зависимая переменная рассматривается как функция одного и того же набора факторов :
Набор факторов в каждом ур-нии может варьировать. Каждое ур-ние сист. независ. ур-ний может рассматр-ся самостоятельно. Для нахожд. его параметров исп. метод наименьших квадратов. Т.е, каждое ур-ние этой сист. явл. ур-ем регрессии. Т.к. фактич. знач. завис. переменной отлич. от теорет.на величину случ. ошибки, то в каждом ур-нии присутствует величина случайной ошибки . Если завис. переменная одного ур-ния выступает в виде фактора в другом ур-нии, то исследователь может строить модель в виде системы рекурсивных уравнений
Завис. переменная включает в каждое послед. ур-ние в кач-ве факторов все завис. переменные предшествующих ур-ний наряду с набором факторов . Каждое ур-ние может рассмат. самост-но, и его параметры определяются методом наименьших квадратов.

39.Системы одновременных (совместных) уравнений. Структурная и приведенная формы модели. Наиб. распростр. в эконометрич. исслед. сист. взаимозависимых ур-ний. В ней одни и те же завис. переменные в одних ур-ях входят в левую часть, а в др — в правую часть сист:

Каждое ур-ние системы одновр. ур-ний не может рассмат. самостоят. С этой целью исп. спец. приемы оценивания. Эндогенные переменные — завис. переменные, число кот.равно числу ур-ний в системе; обозначаются через . Экзогенные переменные — предопределенные переем., влияющ. на эндог-ые переем., но не завис. от них. Обоз. . Классиф. переменных на энд. и экз. зависит от теорет. концепции принятой модели. Экономич. переменные могут выступать в одних моделях как энд., а в других как экз. переменные. Внеэкономич. переменные ( климат. условия, соц. положение, пол, возрастная категория) входят в систему только как экз. переменные. В кач-ве экз. переменных могут рассм. значения энд. переменных за предшествующий период времени (лаговые переменные). Структурная форма модели позв. увидеть влияние изменений любой экз. переменной на значения энд. переменной. Целесообразно в качестве экз.переменных выбирать такие переменные, которые могут быть объектом регулирования. Меняя их и управляя ими, можно заранее иметь целевые значения энд. переменных.
Стр. форма модели в правой части содержит при энд. переменных коэффициенты и экз. переменных — коэффициенты , которые называются структурными коэффициентами модели. Все переменные в модели выражены в отклонениях от среднего уровня, т. е. под подразумевается , а под — соответственно . Поэтому свободный член уравнении системы отсутствует. Обычно для определения стр. коэффициентов модели стр. форма модели преобразуется в приведенную форму модели. Для структурной модели вида
Прив. форма модели имеет вид

Из стр.модели можно выразить следующим образом
Подставляя во второе ур-ние , имеем
откуда
Преобразуя аналогично второе уравнение получим
т. е. система принимает вид

40.Проблема идентифицируемости модели. При переходе от приведенной формы модели к структурной сталкив. с проблемой идентификации, кот. явл. единственностью соответствия м/у привед. и структурной формами модели.
Структурная модель (6.3) в полном виде содержит параметров, а приведенная форма модели — параметров, Т. е. в полном виде структурная модель содержит большее число параметров, чем приведенная форма модели. Соответственно параметров структурной модели не могут быть однозначно определены из параметров приведенной формы модели.
Чтобы получить единственно возможное решение для структурной модели, необходимо предположить, что некоторые из структурных коэффициентов модели ввиду слабой взаимосвязи признаков с эндогенной переменной из левой части системы равны нулю. Тем самым уменьшится число структурных коэффициентов модели. Уменьшение числа структурных коэффициентов модели возможно и другим путем: например, путем приравнивания некоторых коэффициентов друг к другу, т. е. путем предположений, что их воздействие на формируемую эндогенную переменную одинаково. На структурные коэффициенты могут накладываться, например, ограничения вида .
С позиции идентифицируемости структурные модели можно подразделить на три вида:
Модель идентифицируема, если все структурные ее коэффициенты определяются однозначно, единственным образом по коэффициентам приведенной формы модели, т. е. если число параметров структурной модели равно числу параметров приведенной формы модели. В этом случае структурные коэффициенты модели оцениваются через параметры приведенной формы модели и модель идентифицируема.
Модель неидентифицируема, если число приведенных коэффициентов меньше числа структурных коэффициентов, и в результате структурные коэффициенты не могут быть оценены через коэффициенты приведенной формы модели.
Модель сверхидентифицируема, если число приведенных коэффициентов больше числа структурных коэффициентов. В этом случае на основе коэффициентов приведенной формы можно получить два или более значений одного структурного коэффициента. В этой модели число структурных коэффициентов меньше числа коэффициентов приведенной формы. Сверхидентифицируемая модель в отличие от неидентифицируемой модели практически решаема, но требует для этого специальных методов исчисления параметров.

41.Необходимое и достаточное условия идентиф-мости модели. Структурн.модель пред-ет систему совместных ур-ний, кажд. из кот.треб-тся проверять на идентификацию. Модель счит.идентифицируемой, если каждое ур-ние системы идентифицируемо. Чтобы ур-ние было идент-мо, необх., чтобы число предопредел-х переменных, отсутств-их в данном ур-нии, но присутств-их в системе, было равно числу эндогенных переменных в данном ур-нии без одного. Если обозн. число эндогенных переменных в i-м ур-нии H, а число экзогенных (предопред) переменных, кот содержатся в системе, но не входят в данное ур-ние, — D, то условие идентифицируемости модели в виде след. счетного правила:
Обозначение переменных Условие идентификации

уравнение идентифицируемо

уравнение неидентифицируемо

уравнение сверхидентифицируемо
Ур-ние идентиф-емо, если по отсутств. в нем переменным (эндогенным и экзогенным) можно из коэффициентов при них в других уравнениях системы получить матрицу, определитель которой не равен нулю, а ранг матрицы не меньше, чем число эндогенных переменных в системе без одного.

42.Методы оценивания параметров структурной модели.
Коэффициенты структурной модели м/б оценены разными способами в зав-ти от вида системы одноврем-ых уравнений. Косвенный и двухшаговый методы наименьших квадратов рассматр. как традиционные методы оценки коэффициентов структурной модели. Эти методы достаточно легко реализуемы. Метод максимального правдоподобия рассм. как наиболее общий метод оценивания, результаты кот. при нормальном распределении признаков совпадают с МНК. Однако при большом числе уравн-й системы этот метод приводит к достаточно сложным вычислительным процедурам. Поэтому в кач-ве модификации исп. метод максимального правдоподобия при ограниченной информации (метод наименьшего дисперсионного отношения), разраб.в 1949 г. Т. Андерсоном и Н. Рубиным. В отличие от метода максимального правдоподобия в данном методе сняты ограничения на параметры, связанные с функционированием системы в целом. Это делает решение более простым, но трудоемкость вычислений остается достаточно высокой. Несмотря на его значительную популярность, к середине 60-х гг. он был практически вытеснен двухшаговым методом наименьших квадратов в связи с гораздо большей простотой последнего. Дальнейшим развитием ДМНК является трехшаговый МНК (ТМНК), предложенный в 1962 г. А. Зельнером и Г. Тейлом. Этот метод оценивания пригоден для всех видов уравнений структурной модели. Однако при некоторых ограничениях на параметры более эффективным оказывается ДМНК [8].

43.Косвенный метод наименьших квадратов (КМНК), двушаговый метод наименьших квадратов (ДМНК). Косвенный метод прим-тся в случае точно идентиф-мой структурной модели. Процедура применения КМНК предполагает выполнение следующих этапов работы. 1.Структурная модель преобр-ется в приведенную форму модели.
2.Для каждого ур-ния приведенной формы модели обычным МНК оцен-тся приведенные коэффициенты .
3. Коэфф-нты приведенной формы модели трансформ-тся в параметры структурной модели. Если система сверхидентифицируема, то КМНК не используется, так как он не дает однозначных оценок для параметров структурной модели. В этом случае могут исп. разные методы оценивания, среди кот. наиб. распр. и простым является двухшаговый метод. Основная идея ДМНК — на основе приведенной формы модели получить для сверхидентифицируемого ур-ния теорет. значения эндоген. перемен., сод. в правой части ур-ния. Далее, подставив их вместо факт. значений, можно применить обычный МНК к структурной форме сверхидентифицируемого ур-ния. Метод получил название, так как дважды используется МНК: на первом шаге при определении приведенной формы модели и нахождении на ее основе оценок теорет. значений эндог. переменной и на втором шаге применительно к структурному сверхидентиф-му уравнению при опред. структурных коэффициентов модели по данным теоретических (расчетных) значений эндогенных переменных.

44.Практика применения систем одновр. уравнений в макроэкономическом анализе. Модель Кейнса (статист. и динамическая формы). Модель Клейна. Наиболее широко с.о.у. прим. для построения макроэкономических моделей функц-ния экономики той или иной страны. Большинство предст. собой мультипликаторные модели кейнсианского типа с той или иной степенью сложности. Статическая модель Кейнса для описания нар. хоз-ва страны в наиболее простом варианте имеет следующий вид: {С = a + by + ε,
y = C + I. где С — личн.потребл. в пост. ценах; у – нац. доход в постоянных ценах; ε — случайная составляющая; I — инвестиции в постоянных ценах.
В силу наличия тождества в модели (2ое ур-ние системы) структурный коэф-т b не может быть больше 1. Он характеризует предельную склонность к потреблению. Так, если b = 0,65, то из каждой дополнительной 1 тыс. руб. дохода на потребление расходуется в среднем 650 руб. и 350 руб. инвестируется,. Если b > 1, то у < С + /, т. е. на потребление расходуются не только доходы, но и сбережения.
Инвестиц. мультипликатор потребления рассчитывается по формуле: Mc = b / (1-b). При b = 0,65 Мс = 0,65 / (1 - 0,65) = 1,857.Эта величина означает, что доп. вложения в размере 1 тыс. руб. приведут при прочих равных условиях к доп. увеличению потребления на 1,857 тыс. руб.
Инвестиц. мультипликатор нац. дохода как Му = 1 / (1 -b).
В нашем случае он составит: Му= 1/(1 -0,65) = 2,857,т. е. доп. Инвест. в размере 1 тыс. руб. на длит. срок приведут при прочих равных условиях к доп. доходу в 2,857 тыс. руб.

В более поздних исслед. Стат. модель Кейнса включала уже не только функцию потребления, сбережений:
C = a + by + ε1 r = T + K(C + I) + ε2 y = C + I – r
С, у и I- те же по смыслу переменные, что и в предыдущей модели; r — сбережения.
Динамическая модель Кейнса пред. След. тремя ур-иями:
Ct = a+ b1Yt+ b2Yt-1 + ε1, Yt = Ct+ Gt + It + Lt, Pt = Yt + Zt.
В этой системе три эндогенные переменные:
Yt — имеющ. в распоряжении доход в период времени I;
Ct — частное потребление в период времени I;
Pt — валовой нац. продукт (ВНП) в период времени /. Кроме того, модель содержит пять предопред. переменных: Yt-1— доход предыдущего года; Gt — общественное потребление; It - валовые капиталовложения; Lt —изменение складских запасов; Zt — сальдо платежного баланса. Случайная переменная ε1, характеризует ошибки в первом уравнении ввиду его статистического характера. Параметр а отражает влияние других не учитываемых в данном ур-нии факторов потребления (например, цен). Первое ур-ние системы явл. сверхидентифицируемым, а второе и третье — определениями.

45.Использ-вание игровых методов и моделей в моделир. коммерч. процессов пр-тий и объектов агропром. пр-ва.
1. Принцип минимакса (осторожности). Простейший вид стратегич.игры - игра двух лиц с нулевой суммой,т.е. один игрок выигрывает столько, сколько проигрывает другой. Игра состоит из двух ходов: игрок А выбирает одну из своих возможных стратегий Ai (i=1,…,m), а игрок В выбирает стратегию Bj (j=1,…,n), причём каждый выбор производится при полном незнании выбора другого игрока.Задача состоит в определении: 1) наилучшей (оптимальной) стратегии игрока I из стратегий 2) наилучшей (оптимальной) стратегии игрока II из стратегий Для решения задачи применяется принцип, согласно которому участники игры разумны и каждый из них делает все для того, чтобы добиться своей цели — выиграть. Принцип, диктующий игрокам выбор соответствующих стратегий (максиминной и минимаксной), в теории игр называется принципом минимакса (принципом гарантированного результата). Этот принцип был впервые сформулирован Дж. фон Нейманом в 1928 г. Существуют матричные игры, для которых нижняя цена игры равна верхней, т. е. а = b. Такие игры называются играми с седловой точкой.
2. Геометрический метод. Решение игры в смешанных стратегиях допускает геометрическую интерпретацию, и, след., решение задачи можно показать графически. Геом. метод решения игры включает следующие этапы:
1. в декартовой системе координат по оси абсцисс откладывается отрезок, длина которого равна 1. Левый конец отрезка (точка х = 0) соответствует стратегии ; правый — стратегии (х = 1,0). Промежуточные точки х соответствуют вероятностям некоторых смешанных стратегий ;
2. на левой оси ординат откладываются выигрыши стратегии ;
3. на линии, параллельной оси ординат, из точки 1 откладываются выигрыши стратегии . 3. Метод линейного программирования. Антагонистическую матричную игру , где , не содержащую седловой точки, можно свести к паре двойственных задач линейного программирования. Решение такой игры может быть получено в соответствии с теоремой Неймана в смешанных стратегиях. 4. Игровые модели в условиях коммерческого риска. Для прин. решений в усл. риска исп. методы теории вероятности. Принимающий решение ориентируется на средние, наиб. вероятные результаты, однако при этом не исключен риск получения не того результата, на кот. была рассчитана коммерч. стратегия, тогда мерой риска следует считать среднее квадратическое отклонение. Т/о, путем сравнения на плоскости соотв. каждому решению, напр, среднего ожидаемого дохода и риска можно выбрать доминирующее решение. Сит-ции, в кот. риск связан не с сознат. противодейств. противоположной стороны (среды), а с недостат. осведомленностью о ее поведении или состоянии лица, приним. решение, наз. «играми с природой». В таких играх человек старается действовать осмотрительно, например, используя стратегию, позволяющую получить наименьший проигрыш

46.Статистические игры. Матричная игра, в кот. игрок взаимод. с окр. средой, не заинтересов. в его проигрыше, и решает задачу определ. наиб. выгодного варианта поведен. с учётом неопределённости сост. окр. среды, наз. Стат. игрой или «игрой с природой». Создателем теории стат. игр считается А. Вальд. Лицо, принимающее решение опред. наиболее выгодную стратегию в зав-сти от целевой установки, кот.оно реализует в процессе решения задачи. При этом каждой стратегии ЛПР приписывается некоторый результат, характер. все последствия этого решения. Из массива результатов принятия решения ЛПР выбирает элемент W, кот. наилучшим образом отображает мотивацию его поведения. Оптимальной по данному критерию считается та стратегия ЛПР, при выборе которой значение математического ожидания выигрыша максимально Применение критерия максимального математического ожидания выигрыша, оправдано, если ситуацияя, следующая: 1. Лицу, прин. решения известны вероятности всех состояний окружающей среды. 2. Минимизация риска проигрыша представляется ЛПР менее существенным фактором принятия решения, чем максимизация среднего выигрыша. Необходимость иметь инф-цию о вероятностях состояний окр. среды ограничивает область применения данного критерия. Критерий недостаточного основания Лапласа исп. при наличии неполной инф-ции о вероятностях сост. Окр. среды в задаче принятия решения. Вероятности сост.окр. среды принимаются равными и по каждой стратегии ЛПР в платёжной матрице определяется, т/о, среднее значение выигрыша: Оптимальной по данному критерию считается та стратегия ЛПР, при выборе которой значение среднего выигрыша максимально . Исп. данного критерия оправдано в следующей ситуации: ***лицо, прин. решение не имеет инф-ции либо имеет неполную инф-цию о вероятностях окр. среды; ***вероятности состояний окр. среды близки по своим значениям; ***минимизация риска проигрыша представ-ся ЛПР менее существ. фактором принятия решений, чем максимизация среднего выигрыша.
Правило выбора решения в соответствии с максимальным критерием Вальда (ММ-критерием) можно объяснить тем, что платёжная матрица дополняется столбцом, каждый элемент которого представляет собой минимльное значение выигрыша в соответствующей стратегии ЛПР: Оптимальной по данному критерию считается та стратегия ЛПР, при выборе которой минимальное значение выигрыша максимально.
Выбранная таким образом стратегия полностью исключает риск. Это означает, что принимающий решение не может столкнуться с худшим результатом, чем тот, на который он ориентируется. Это свойство позволяет считать ММ-критерий одним из фундаментальных. Применение ММ-критерия оправдано, если ситуация, в которой принимается решение следующая:
• о возможности появления состояний окружающей среды ничего не известно;
• решения реализуются только раз;
• необходимо исключить какой бы то ни было риск.

47.Вероятностный хар-р информации и принятие решений в усл. неустойчивости рын. конъюнктуры и влияния факторов внешней среды.Принятие решений предложено рассматривать ч/з их роль в осущ. управл. функций в предп-стве. Повышение точности прогноза может способств. уменьшению интервала неопределен-ти и способств. повышению устойчивости принятого экон. решения. Его суть заключается в следующем. Оценивая выбранную прогнозную модель, в общем случае будут получены отличные друг от друга параметры моделей. Среди множества возможных методов оценивания параметров прогнозных моделей, использ.в экон. практике, чаще всего используют МНК и модификации метода Брауна (метод экспоненциального сглаживания). Метод наименьших квадратов дает приближение, при котором дисперсия отклонений расчетных значений модели от фактич.значений минимальна. Метод экспоненциального сглаживания дает модель, в наибольшей степени учитывающую последние наблюдения. Если коэф-нты этих моделей близки друг к другу, то можно говорить о том, что выбранная модель устойчива. Если отличаются друг от друга — то модель неустойчива. Существует еще один источник неустойчивости в принятии решения при оптимальном планировании — неточность информации. Прогнозная информация может быть трех типов:
• детерминированная, когда известно все и информация полностью устраняет неизвестность,
• стохастичная, когда с той или иной степенью вероятности можно определить математическое ожидание процесса и доверительные границы, в которых оно может находиться,
• неопределенная, когда имеющаяся информация не может устранить полностью неизвестность.
Когда инф-ция только детерминированная, могут прим. методы матем. программирования. Полученное при этом решение будет весьма устойчивым. Когда инф-ция носит вероятностный характер, исп. метод стохастического прогнозирования. Он дает оптим решение, кот. явл. лучшей оценкой матем. ожидания решения. При этом истинное решение может быть другим, хотя вероятность этого невелика. Когда часть прогнозной инф-ции имеет неопред. хар-тер, вероятность того, что принятое плановое решение будет устойчивым, очень мала. При этом обычно исп. методы теории принятия решений, заимств. из теории игр. После этого следует обеспечить организацию программы. След. элемент сист. прин. экон. решения — задействование системы мотивации, позволяющей полностью реализовать способности коллектива к выполнению поставленных задач. Последний из элем-тов сист. прин. эк. решения связан с контролем. Для этого следует тщательно проанализировать прин. решения на предыдущих этапах и выявить в последовательности реализации разработанного плана наиболее важные этапы и их основные результаты. Здесь следует порекомендовать методы и модели сетевого планирования для выявления критического пути. Т/о, только набор вышеприведенных методов, подходов и способов реализации каждого элемента системы принятия эк. решения позволит получить устойчивое эк. решение в предпр. деятельности и, тем самым, обеспечить эффективную предпр. деятельность .

48.Значение моделей управления запасами и сбытом готовой продукции. (УЗ) позволяют найти оптим. уровень запасов товара, минимизирующий суммарные затраты на покупку, оформление и доставку заказа, хранение товара, а также убытки от его дефицита. Модель Уилсона явл. простейшей моделью УЗ и описывает сит-ию закупки пр-ии у внеш. поставщика, кот. характериз. сл. допущениями: **интенсивность потребления явл. известной и постоянной величиной;
**заказ доставл. со склада, на кот. хранится ранее произв. товар;
**время поставки заказа явл. известной и пост. величиной; ** каждый заказ поставляется в виде одной партии; **затраты на осущ. заказа не зависят от размера заказа; **затраты на хранение запаса пропорцион. его размеру; **отсутствие запаса (дефицит) является недопустимым. Входные параметры модели Уилсона: ν — интенсивность потребл. запаса, [ед. тов. / ед. времени];s — затраты на хранение запаса, [р. / ед. тов. ∙ ед. времени ];K — затраты на осуществ. заказа, включающие оформление и доставку заказа, [р.]; — время доставки заказа, [ед. времени].
Выходные параметры модели Уилсона:
Q — размер заказа, [ед. тов. ];L — общие затраты на управл.запасами в ед. времени, [р. /ед. времени];τ — период поставки, т. е. время м/у подачами заказа или м/у поставками, [ед. t]; — точка заказа, т. е. размер запаса на складе, при кот. надо подавать заказ на доставку очередной партии, [ед. тов. ]. Циклы изм. уровня запаса в модели Уилсона графически представлены на рисунке 3.2. Макс. кол-во прод-ии, кот. находится в запасе, совпадает с размером заказа Q.
Формулы модели Уилсона: (формула Уилсона),
где — оптимальный размер заказа в модели Уилсона, , , .
График затрат на УЗ в модели Уилсона представлен на рисунке 3.3:

49.Понятие и роль тов. запасов, научное управление..
Тов. запасы предст. собой товары, находящиеся в сфере товарного обращения, а также у изготовителя и в пути. Их наличие характериз. статичное состояние, и местополож. товарной массы в процессе товародвижения на опред. момент времени. Они обеспечивают непрерывность пр-ва, потребления и бесперебойность реализации.
Управление запасами – это одна из сфер финансового менеджмента, цель его состоит в том, чтобы довести общую сумму затрат, связанных с запасами, до оптимального уровня при условии выполнения договоров.
Уровень запасов неодинаков для различных отраслей. Он зависит от объема и характера производства, объема продаж, состояния товарных рынков, взаимоотношений с поставщиками и покупателями, сезонности производства, наличия складских помещений, наличия финансовых ресурсов и выбранной политики в данной области.
Есть два подхода в управлении запасами.
1. В условиях инфляции и разрыва хозяйственных связей стало распространенным накапливание производственных запасов. Такой подход оправдан, так как в условиях неплатежей и низкого уровня межотраслевых связей риск разрыва ликвидности предприятия очень велик. Поэтому необходимо держать определенный остаток товарно-материальных запасов, предназначенный для экстренных ситуаций (например, таких как резкий рост цен на сырье и материалы). Кроме того, накапливание запасов часто является вынужденной мерой, продиктованной стремлением снизить риск непоставки (недопоставки) сырья, материалов, необходимых в производственном процессе.
2. Этот подход основан на оптимизации уровня запасов. Состоит в использовании рекомендаций зарубежного опыта, в частности, метода определения оптимального уровня запасов, основанного на такой их величине, которая, с одной стороны, минимизирует затраты по их поддержанию, а с другой – была бы достаточной для успешной работы предприятий.
Одной из проблем снабжения является определение оптимального объема поставок. Для ее решения используют модели оптимизации. Наибольшую известность получила модель оптимального размера (EOQ). Цель модели состоит в выборе того размера заказа (Q), который обеспечивает минимальные совокупные годо–вые затраты по поддержанию товарно-материальных запасов. Для расчета такого размера заказа используется формула:
где S – годовой объем продаж (потребность в единицах изделия);P—стоимость приобретения единицы изделия;C – годовые затраты по хранению запасов в процентах от цены изделия;F – постоянные расходы по размещению заказа;Q – заказываемое количество материалов.
Общие расходы на содержание товарно-ма–териальных запасов на год (ОР) будут складываться из затрат на хранение и расходов на под–О S готовку заказа:

Управление запасами необходимо проводить как в предметно-вещественном, так и в финансовом смысле.

50.Постановка задачи по управлению запасами. Политика упр. запасами закл. в оптимизации общего размера и структуры запасов ТМЦ, минимизац. затрат по их обслуж. и обеспеч. эффективн. контроля за их движением. 1. Анализ запасов ТМЦ в предшествующем периоде. Анализ проводится в разрезе основных видов запасов.
На первом этапе рассматр. показатели общей суммы запасов— темпы ее динамики, удельный вес в объеме оборотных активов и т. п.
На втором - изучается стр-ра запасов в разрезе их видов и осн. групп, выявл. сезонные колебания их размеров.
На третьем - изучается эффективность использования различных видов и групп запасов и их объема в целом, которая характеризуется показателями их оборачиваемости.
На четвертом - изучаются объем и структура текущих затрат по обслуживанию запасов в разрезе отдельных видов этих затрат.
2. Определение целей формирования запасов.
А) обесп. текущей произв. д-ти (тек. запасы сырья и мат-в);
Б) обесп. текущей сбыт. деят-ти (тек. запасы готов. прод-и);
В) накопление сезонных запасов, обесп. хоз. процесс в предст. периоде (сезон.запасы сырья, мат-в и гот. прод-и).
3. Оптимизация размера основных групп текущих запасов. Такая оптимиз. связана с предварит.разделением всей совокупности запасов на два осн.вида — производтвенные (сырья, мат-лов и полуфабрикатов) и запасы гот. прод-и. В разрезе каждого выд. запасы текущ. хранения — постоянно обновляемая часть запасов, формир. на регулярной основе и равномерно потребл. в процессе пр-тва прод-и или ее реализ. покупателям. Для оптимиз. р-ра текущих запасов ТМЦ исп. ряд моделей, среди которых наиб. Распростр. получила "Модель экономич. обоснованного р-ра заказа".
51.Модель управления однономенклатурными запасами в ком. деят-ти. Характеризуется постоянным во времени спросом, мгновенным пополнением запаса и отсутствием дефицита. Такую модель можно применять в сл. ситуациях:
1.использование осветительных ламп в здании;
2.исп. канц. товаров крупной фирмы;
3.исп. некот. промышл. изделий, таких как гайки и болты;
4.потребл. осн. прод. питания (например, хлеба и молока).
На рисунке показано изменение уровня запаса во времени.

Предполагается, что интенсивность спроса (в единицу времени) равна b . Наивысшего уровня запас достигает в момент поставки заказа размером y (предполагается, что запаздывание поставки является заданной константой). Уровень запаса достигает нуля спустя у/b единиц времени после получения заказа размером у. Чем меньше размер заказа у, тем чаще нужно размещать заказы. Однако при этом средний уровень запаса будет уменьшаться. С другой стороны, с увеличением размера заказов уровень запаса повышается, но заказы размещаются реже.

Так как затраты зависят от частоты размещения заказа и объема хранимого запаса, то величина у выбирается из условия обеспечения сбалансированности между двумя видами затрат. Это лежит в основе построения соответствующей модели управления запасами.
Пусть К – затраты на оформление заказа, имеющие место всякий раз при его размещении, h – затраты на хранение единицы заказа в единицу времени. Следовательно, суммарные затраты в единицу времени можно представить в виде:

Продолжительность цикла движения заказа составляет t0=у/b ; Средний уровень запаса равен у/2.
Оптимальное значение у получается в результате минимизации С(у) по у. Таким образом, в предположении, что у – непрерывная переменная, имеем:

Можно доказать, что у* доставляет минимум С(у), показав, что вторая производная в точке у* строго положительна.
Выражение (2) называют формулой экономичного размера заказа Уилсона.
________________________________________
Оптимальная стратегия модели предусматривает заказ у* единиц продукции через каждые t0=y*/b единиц времени.

52.Примеры задач по оптимизац. параметров системы управления запасами и сбытом прод-и в сфере АПК.

53.Модели теории массового обслуж-я, их значение в оптимизации функционир. процессов для ряда эконом. систем. Осн. признаком сист. мас. обслуж-я явл. наличие обслуживающей системы, кот. предназначена для осущ. действий, совершенных согласно требованиям (заявкам), которые поступают нерегулярным образом. Особенность — случайность. При этом имеются две взаимод. стороны — обслуживаемая и обслуживающая. Случ.поведение хотя бы одной приводит к случ. характеру процесса обслуживания . Источниками случ. взаимод.явл. случ.события двух типов. 1.Появление заявки на обслуживание. Напр, торговое обслуживание часто характеризуется большим числом, массой потенциальных покупателей и, как следствие, непредсказуемостью момента предъявления требования на обслуживание конкретным покупателем.
2.Окончание обслуживания очередной заявки. Напр, продолжит-сть ремонта оборудования зависит от характера неисправности.
Указанные случ. события сост. систему мас.обслуживания:
- входного потока заявок (требований) на обслуживание;
- выходного потока обслуженных заявок.
Одной из гл. целей теории м/о. явл. исследование различ. характеристик случ. состояния системы м/ о. Знание таких характ-тик дает специалисту информацию для выработки направленного воздействия на эти характеристики и, след., для управления эффективностью процессов м/о .
В моделях м/о при описании потока поступающих требований и определении продолжительностей обслуживания требований, используется фундаментальное понятие теории вероятности, а именно распределение вероятности. Иначе говоря, оперируют понятиями «распределение моментов поступления требований» и «распределение времени обслуживания требований». Эти распределения вероятностей могут моделировать ситуации, когда требования поступают и обслуживаются индивидуально. Возможны такие ситуации, когда требования поступают и (или) обслуживаются группами. В последнем случае обычно говорят, что имеет место обслуживающая система с одновременным обслуживанием нескольких требований. Системы такого рода называют также обслуживающими системами с параллельно-групповым обслуживанием.

54.Характерные типы системы массового обслуживания (СМО), показатели функционирования СМО.
По числу каналов обслуживания - на одноканальные (с одним обс. устройством) и многоканальные (с большим числом обс. устройств).
В завис. от условий ожидания требованием начала обслуж. - СМО с отказами (потерями) и с ожиданием. В СМО с отказами требования, пост. в момент, когда все каналы обслуживания заняты, получают отказ и утрачиваются. В СМО с ожиданием треб., заставшее все обслуживающие каналы занятыми, ставится на очередь до освобожд. любого из обслуживающих каналов.
Системы с огранич. ожиданием и с неогранич. ожиданием. В системах с огр. ожид. может ограничиваться либо длина очереди, либо время пребывания в очереди.
По месту нахожд. источника требований - разомкнутые (источник треб. вне системы) и замкнутые (источник в самой системе).
Среднее число треб., поступ. в с/о за ед. времени, назыв. интенсивностью поступления требований: где Т — ср. значение интервала м/у поступл. очередных требований. При простейшем потоке треб., их распределение, подчиняются закону распределения Пуассона: вероятность того, что в обс. систему за время t поступит именно k требований где — ср. число треб., пост. на обс. в ед. в.
Время обсл. одного требования ( ) — случ. величина, кот. может изменяться в большом диапазоне. Она зависит от стабильности работы самих обсл. устройств, так и от разл. параметров, пост. в систему, требований (к примеру, разл. грузоподъемности трансп. ср-в).
Показательный закон распределения времени обс. имеет место тогда, когда плотность распределения резко убывает с возрастанием времени t. Напр, когда основная масса треб. обслуживается быстро, а продолжит.- встречается редко.
Вероятность события, что время обсужив. продлиться не более чем t, равна где v — интенсивность обс. одного треб. одним обслуж. устройством, кот. определ. из соотношения , где — среднее время обсл. одного требования одним обслуживающим устройством.
При наличии нескольких обсл. устройств одинаковой мощности закон распред. времени обсл. несколькими устройствами будет также показательным где n — количество обслуживающих устройств.
Важным параметром СМО явл. коэффициент загрузки , кот. опред. как отношение интенсивности поступления требований к интенсивности обслуживания v где a — коэф загрузки; — интенсивность поступления треб систему; v — интенсивность обсл. одного треб одним обсл устройством. Следов, получаем, выражение

55.Модели массового обслуживания с отказами, их параметры. При этом СМО состоит только из одного канала (n = 1) и на нее поступает пуассоновский поток заявок с интенсивностью , зависящей, в общем случае, от времени Заявка, заставшая канал занятым, получает отказ и покидает систему. Обслуж. заявки продолжается в течение случ. времени , распределенного по показат-му закону с параметром : . Из этого следует, что «поток обслуживания» — простейший, с интенсивностью . Требуется найти:
• абсолютную пропускную способность СМО (А);
• относительную пропускную способность СМО (q).
Рассмотрим единств. канал обслуживания как систему S, кот. может находиться в одном из двух состояний: — свободен, — занят. Из состояния в систему, очевидно, переводит поток заявок с интенсивностью ; из в — «поток обслуживания» с интенсивностью . Вероятности состояний: и Очевидно, для любого момента t:
Составим дифференциальные уравнения Колмогорова для вероятностей состояний согл. правилу, данному выше:

Для одноканальной СМО с отказами вероятность есть не что иное, как относительная пропускная способность q. Действительно, есть вероятность того, что в момент t канал свободен, или вероятность того, что заявка, пришедшая в момент t, будет обслужена. Следовательно, для данного момента времени t среднее отношение числа обслуженных заявок к числу поступивших также равно
.
В пределе, при , когда процесс обслуживания уже установится, предельное значение относительной пропускной способности будет равно
.
Зная относительную пропускную способность q, легко найти абсолютную А. Они связаны очевидным соотношением

Зная относительную пропускную способность системы q (вероятность того, что пришедшая в момент t заявка будет обслужена), легко найти вероятность отказа

или среднюю часть не обслуженных заявок среди поданных [15]:
.

56.Примеры экономических задач по определению показателей эффективности функционирования объектов АПК, занимающимися с коммерческими операциями, на основе моделей СМО.

57.Роль сетевых моделей для оптимизации планово-экономических расчетов. Использование методов сетевого планирования и позволяет:
- четко отобразить объем и структуру решаемой проблемы, выявить с любой требуемой степенью детализации работы, образующие единый комплекс процесса разрешения проблемы; определить события, совершение которых необходимо для достижения заданных целей;
- выявить и всесторонне проанализировать взаимосвязь между работами, так как в самой методике построения сетевой модели заложено точное отражение всех зависимостей, обусловленных состоянием объекта и условиями внешней и внутренней среды;
- разработать обоснованный план действий по созданию системы или решению проблемы, поскольку при составлении сети используются опыт и знание большого коллектива квалифицированных специалистов и экспертов, принимающих непосредственное участие в ее разработке;
- более эффективно использовать ресурсы, так как анализ сетевой модели и выявление "критических" работ и резервов времени на "некритических" работах позволяют определить пути рационального перераспределения ресурсов и ускорить достижение целей;
- широко использовать современную вычислительную технику, благодаря чему появляется возможность более точно учесть влияние тех или иных факторов, проверить эффективность различных вариантов действий и своевременно осуществлять перераспределение ресурсов;
- сконцентрировать внимание органов управления на работах, в первую очередь, определяющих достижение целей, и таким образом заблаговременно выявлять возможные "узкие места" и своевременно принять меры по их устранению;
- быстро обрабатывать большие массивы отчетных данных и обеспечивать руководство своевременной и исчерпывающей информацией о фактическом состоянии реализации программы, что создает благоприятное условие для принятия обоснованных решений;
- упростить и унифицировать отчетную документацию.
Наиболее эффективными областями применения сетевых методов планирования и управления является управление крупными целевыми программами, научно-техническими разработками и инвестиционными проектами, а также сложными комплексами социальных, экономических и организационно-технических мероприятий на федеральном и региональном уровнях.

58.Понятие о сетевых моделях планирования и управления. Метод РЕRТ прим. в планировании научно-исслед. и опытно-конструкторских разработок, для кот. характерна неопределенность в оценке затрат времени, необх. для выполнения отд. операций. Метод СРМ прим. тогда, когда оценки времени операций являются детерминированными. Методы СПУ используются при планировании сложных комплексных проектов, таких как: строительство и реконструкция каких-либо объектов; выполнение научно-исследовательских и конструкторских работ; подготовка производства к выпуску продукции; развертывание системы медицинских или профил. мероприятий; перевооружение армии и т. п.
Характерной особенностью таких проектов является то, что они состоят из ряда отдельных, элементарных работ. Работы обусловливают друг друга так, что выполнение некоторых из них не может быть начато раньше, чем завершены некоторые другие. Например, укладка фундамента не может быть начата раньше, чем будут доставлены необходимые материалы; эти материалы не могут быть доставлены раньше, чем будут построены подъездные пути; любой этап строительства не может быть начат без составления соответствующей технической документации и т. д.
Сетевое планирование и управление состоит из трех основных этапов:
• структурное планирование;
• календарное планирование;
• оперативное управление.
Структурное планирование начинается с разбиения проекта на четко определенные операции, для которых определяется продолжительность. Затем строится сетевой график, который представляет взаимосвязи работ проекта. Это позволяет детально анализировать все работы и вносить улучшения в структуру проекта еще до начала его реализации.
Календарное планирование предусматривает построение календарного графика, определяющего моменты начала и окончания каждой работы и другие временные характеристики сетевого графика. Это позволяет, в частности, выявлять критические операции, которым необходимо уделять особое внимание, чтобы закончить проект в директивный срок. Во время календарного планирования определ. временные характеристики всех работ с целью оптимизации сетевой модели, которая улучшает эффективность использования какого-либо ресурса.
В ходе оперативного управления используются сетевой и календарный графики для составления периодических отчетов о ходе выполнения проекта. При этом сетевая модель может подвергаться оперативной корректировке, вследствие чего будет разрабатываться новый календарный план остальной части проекта.

59.Сетевой график, его основные элементы, взаимосвязи между ними. Сет. графики представл. ориентированные графы, дугам или вершинам кот. приписаны некоторые числовые значения. Вершины, наз. событиями, соотв. моментам времени начала или оконч. одной или неск.операций, а дуги — операциям. Различают события: Исходное — событие, с которого начинается выполнение комплекса операций. Завершающее соотв. достижению конечной цели, т. е. завершению комплекса операций. Сетевые графики с неск. завершающими событиями наз. многоцелевыми. К промежуточным относятся все прочие события. События, обозначаются кружками.
Различают операции: действительная — процесс, требующий затрат времени и ресурсов (разработка проекта, подвоз мат-лов, вып. монтажных работ т. д.); операция-ожидание — процесс, треб. только затрат времени (затверд. бетона, ест. сушка штукатурки, рост растений и т. д.); фиктивная операция —отражает технологич. или ресурсную зависимость в выполнении некоторых операций.
При постр.сет. графиков необх. соблюдать правила:
-в сети не должно быть событий (кроме исходного), в которые не входит ни одна дуга;
- не должно быть событий (кроме завершающего), из которых не выходит ни одной дуги;
- сеть не должна содержать контуров;
- любая пара событий сетевого графика может быть соединена не более чем одной дугой.;
- номер начального события любой операции должен быть меньше номера ее конечного события.
Построение сетевого графика начинается с составления списка операций (работ), подлежащих выполнению. Последовательность операций в списке является произвольной, порядок нумерации осуществляется в соответствии с последовательностью их записи в списке. Перечень операций в зависимости от конкретных условий детализируется. Операции, включенные в список, характеризуются определенной продолжительностью, которая устанавливается на основе действующих нормативов или по аналогии с ранее выполнявшимися операциями. Такие временные оценки называются детерминированными. В случае отсутствия нормативных временных оценок определяются вероятностные оценки [19].
После составления списка операций приступают к процедуре построения сети.

60. Расчет критического пути и других харак-тик сетевой модели. Критич. путем наз. полный путь, имеющий наибольшую длину (продолжительность) из всех полных путей. Ero длина опред. срок выполнения работ по СГ. В rрафике может быть несколько критич. путей. Работы, лежащие на критич. пути, наз. критическими. Увеличение продолжительности критич. работ соответств. увеличивает общую продолжительность работ по СГ, а сокращение приводит к некоторому уменьшению. Пути, продолжит-сть кот. несколько меньше продолжит. критич. пути на заданную величину, называют подкритическими. Такой величиной может быть, период контроля (съема информац. о ходе вып. работ). При недельно суточном оперативном планировании период контроля составляет 7 календ. дней. Совокупность всех критических и подкритических работ называют критической зоной. Работы, лежащие на этих путях, требуют к себе внимания, так же, как и работы критическоrо пути. В рассм. примере критич. будет третий путь продолж. в 21 дн.. При периоде контроля, равном, 4 дн., подкритическими путями являются первый и второй, продолж. кот. меньше критич. пути соотв-но на 1 и 3 д н.. Критич. путь выдел-ся утолщенной, двойной линией или др.

Разницу м/у длиной критического пути и длиной любого полного пути определяет полный резерв времени этого пути R (L): R(L) = Lкр - Lп ; Резерв времени пути показывает, на сколько может увеличиться продолж-сть всех работ, лежащих на этом пути, без существенного влияния на срок выполнения разработки. Наиболее ранний срок свершения события (Тip) i (минимальное время, необх. для свершения события i) определ-ся как максимальный путь от исходного события (1) до рассматриваемого (i):
Наиболее поздний срок свершения события (Tin) i (максим. допустимое время свершения события i) опред. как разность м/у длиной критического пути и путем максимальной продолжительности, от рассматриваемого события (i) до завершающего события (С):
Полный резерв времени работы (Rполн.ij) - это максимальное время, на которое можно увеличить продолжительность данной работы, не изменяя при этом продолжительности критического пути.

Свободный резерв времени работы (Rсв.ij) - максимальное время, на которое можно увеличить продолжительность работы или отсрочить ее начало, не изменяя при этом ранних сроков начала последующих работ, при условии, что начальное событие этой работы наступило в свой ранний срок.



Обсудить на форуме

Комментарии к статье:

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем
Информация
Посетители, находящиеся в группе Гости, не могут оставлять комментарии к данной публикации.

Регистрация

Реклама

Последние комментарии