- •Министерство образования и науки российской федерации
- •Имитационное моделирование в управлении инновациями Методические рекомендации по изучению дисциплины
- •Курск 2011
- •Содержание
- •1. Моделирование в управлении и обучении
- •1.1. Управление на базе моделирования
- •1.2. Синергия управления и обучения в развивающихся организациях
- •1.2.1. Когнитивные основы моделирования
- •1.2.2.Моделирование - единая информационно-технологическая база управления и обучения
- •1.2.3. Интерактивные динамические case study и управленческие тренажеры
- •1.2.5. Синергетический эффект Интегрированных динамических систем управления и обучения
- •2. Моделирование в сферах экономики, финансов и маркетинга
- •3. Технологии моделирования
- •3.1. Основные принципы построения моделей
- •3.2. Технологии извлечения знаний
- •3.2.1. Технология Data Mining
- •3.2.2. Эволюционное программирование
- •3.2.3. Введение в многоагентное моделирование
- •3.3. Этапы моделирования
- •3.4.1. Рекомендации по исследованиям на моделях
- •3.4.2. Пример исследования на динамической модели факторов роста валового внутреннего продукта (ввп)
- •3.4.3. Пример моделирования для прогнозирования спроса на инновационную продукцию
- •3.4.4. Исследование точности, устойчивости и чувствительности моделей
- •3.4.5. Рекомендации по прогнозированию с использованием моделей
- •3.4.6.Этапы и содержание работ по внедрению систем моделирования
- •Приложение. Форма задания на курсовой проект
- •Основная литература
- •Использование информационных технологий
3.4.3. Пример моделирования для прогнозирования спроса на инновационную продукцию
Российская Группа компаний, производящая промышленную продукцию для пищевой отрасли, наняла известную американскую компанию БКГ «Бостон Консалтинг Глоуб» для прогнозирования спроса на новую продукцию. Компания провела большую работу (за очень большие по российским меркам деньги) и выдала несколько десятков графиков – зависимостей одного фактора от другого или зависимость одного фактора от времени.
Такой результат первичного анализа рынка новой продукции был необходим, но недостаточен для принятия актуального решения: «Закупать импортное оборудование стоимостью 3 млн долларов под организацию массового выпуска новой продукции или нет? Если да, то когда закупать?». Ведь лишних денег никогда не бывает.
Генеральный директор Группы компаний изучает эти графики:
1-ый график подводит к решению - да, покупать, 2-ой - не покупать, 3-ий - не покупать, 4-ый- покупать и т.д. После 20-го графика голова кругом идет, а решения как не было, так и нет. Совещания экспертов тоже ничего определенного не внесли. Привлекли специалистов по моделированию – компанию «Динамичное управление», которые с помощью технологии системной динамики интегрировали эти графики в модель, где были блоки: спрос, конкуренты, импорт и т.д. В модели было учтено более 30 факторов.
Исследование на модели привело к однозначному решению - покупать оборудование и покупать через полтора года. Если купить раньше, то средства были бы заморожены, если купить позже, то 2 из 8 конкурентов поделили бы новый рынок без Группы компаний. Дальнейшие события подтвердили правильность этого решения [16].
3.4.4. Исследование точности, устойчивости и чувствительности моделей
Валидация имитационной модели предполагает исследование свойств имитационной модели, в ходе которого оценивается точность, устойчивость, чувствительность результатов моделирования и другие свойства имитационной модели.
Получить эти оценки в ряде случаев бывает весьма сложно. Однако без успешных результатов этой работы доверия к модели не будет, невозможно будет провести корректный проблемный анализ и сформулировать статистически значимые выводы на основе данных, полученных в результате имитации.
Оценка точности результатов моделирования
Экспериментальная природа имитации требует, чтобы мы учитывали случайную вариацию оценок, получаемых на модели характеристик. В ходе этих испытаний исследователь интересуется выходами модели, прежде всего его интересует:
какой разброс данных на выходе имитационной модели или точность имитации;
какие выводы можно сделать по полученным результатам моделирования.
Точность имитации явлений представляет собой оценку влияния стохастических элементов на функционирование модели сложной системы.
Для достижения заданной точности результатов эксперимента либо повторяют эксперимент несколько раз, либо имитируют более продолжительный период времени и оценивают полученные результаты. Для повышения точности используют специальные методы понижения дисперсии.
Степень точности определяется величиной флуктуации случайного фактора (дисперсией). Мерой точности является доверительный интервал.
Оценка устойчивости результатов моделирования
Под устойчивостью результатов имитации будем понимать степень нечувствительности ее к изменению условий моделирования. Универсальной процедуры для такой проверки не существует.
Устойчивость результатов моделирования характеризуется сходимостью контролируемого параметра моделирования к определенной величине при увеличении времени моделирования варианта сложной системы.
На практике рекомендуется устойчивость результатов моделирования оценивать дисперсией значений отклика (по выбранной компоненте). Если эта дисперсия при увеличении времени моделирования Тмод не увеличивается, значит, результаты моделирования устойчивы.
Может быть рекомендована следующая методика оценки устойчивости. В модельном времени с шагом t контролируются выходные параметры Y . Оценивается амплитуда изменений параметра Y. Рост разброса контролируемого параметра от начального значения при изменении t + Δt указывает на неустойчивый характер имитации исследуемого процесса.
Анализ чувствительности модели
Анализ чувствительности модели определяет оценку влияния колебаний значений входных переменных на отклики (выходные переменные) модели. Необходимо установить, при каком разбросе входных данных сохраняется справедливость основных выводов, сделанных по результатам моделирования.
Под анализом чувствительности понимаем определение чувствительности наших окончательных результатов моделирования к изменению используемых значений параметров. Анализ показывает, как меняется выходная переменная Y при небольших изменениях различных параметров модели или ее входов X.
Величины параметров систематически варьируются в некоторых представляющих интерес пределах (Xмин - Хмах) и наблюдается влияние этих вариаций на характеристики системы (Yмин - Yмах).
Если при незначительных изменениях величин некоторых параметров результаты меняются очень сильно, то это основание для затраты большого количества времени и средств с целью получения более точных оценок.
И наоборот, если конечные результаты при изменении величин параметров в широких пределах не изменяются, то дальнейшее экспериментирование в этом направлении бесполезно и неоправданно. Поэтому очень важно определить степень чувствительности результатов относительно выбранных для исследования величин - параметров.
Исследование чувствительности является предварительной процедурой перед планированием эксперимента и позволяет определить стратегию планирования экспериментов на имитационной модели. Этой информации бывает достаточно для ранжирования компонент вектора параметров модели X по значению чувствительности вектора отклика модели. Если модель оказывается малочувствительной по какой-либо q-й компоненте вектора параметров модели Xq , то зачастую не включают в план имитационного эксперимента изменение Xq , чем достигается экономия ресурса времени моделирования.
Анализ чувствительности поможет также внести коррективы в разрабатываемую модель - упростить, например, перейти от использования закона распределения к использованию среднего значения переменной, а некоторые подсистемы вообще отбросить (или процессы не детализировать). И наоборот, анализ чувствительности может показать, какие части модели было бы полезно разработать более детально.
Чувствительность имитационной модели представляется величиной минимального приращения выбранного критерия качества, вычисляемого по статистикам моделирования, при последовательном варьировании параметров моделирования на всем диапазоне их изменения[17].
Модели обычно строятся «сверху вниз» по ярусам. Возникает вопрос: «Сколько ярусов должна содержать модель?». Практика подсказала последовательность действий [9]. Задается целевой показатель. Строится верхний ярус модели. Запоминается значение целевого показателя, полученного после прогона модели. Далее детализируется модель: строится ярус, вытекающий из верхнего яруса. Делается прогон детализированной модели. Полученное значение целевого показателя сравнивается с запомненным значением показателя, полученного до построения этого яруса. Если различие меньше 5-10%, то построенный ярус не нужен. Если различие больше, то - нужен. Тогда его надстраиваем снизу (детализируем) еще одним ярусом и так далее.