У.я7
Г122
ОСНОВЫ ИМИТАЦИОННОГО
МОДЕЛИРОВАНИЯ
В ЭКОНОМИКЕ И УПРАВЛЕНИИ
Учебное пособие
для самостоятельной подготовки студентов
Челябинск
Издательство ЮУрГУ
2004
УДК 519.86(075.8)
ББК У.в6.я7
2
СОДЕРЖАНИЕ
1 СИСТЕМЫ КАК ОБЪЕКТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
1.1 Универсум как иерархический комплекс систем ..............................................4
1.2 Объективность существования систем..............................................................9
1.3 Иерархия систем................................................................................................11
1.4 Интеракция между системами ..........................................................................12
1.5 Стохастичность и нелинейность систем ..........................................................13
1.6 Структурные уровни систем..............................................................................14
1.7 Неравновесность и целостность ......................................................................14
1.8 Системный подход и системный анализ..........................................................15
2 ОБЩАЯ ХАРАКТЕРИСТИКА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ..............18
2.1 Основные преимущества имитационного моделирования.............................20
2.2 Общая схема и область применения имитационного моделирования..........22
2.3 Универсальные системы имитационного моделирования .............................24
2.3.1 Концепция универсальной моделирующей среды ........................................... 25
2.3.2 Основные компоненты универсальной моделирующей среды ....................... 27
2.3.3 Программное обеспечение .................................................................................. 30
2.3.4 Универсальная система моделирования (УСМ) ................................................ 31
2.4 Границы компьютерного моделирования ........................................................33
3 ИНСТРУМЕНТАРИЙ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ В ЭКОНОМИКЕ
И УПРАВЛЕНИИ
3.1 Электронные таблицы «Microsoft Excel»..........................................................35
3.2 Математический пакет «MathCAD» компании MathSoft ..................................35
3.3 Системы «MATLAB» и «SIMULINK» .................................................................36
3.4 Cистема разработки финансовых планов и инвестиционных проектов
«Project Expert» .................................................................................................39
3.5 Программные инструменты для моделирования бизнес-процессов .............42
3.6 Cистема имитационного моделирования «Arena» ..........................................43
3.7 Пакет «BPwin»....................................................................................................44
3.8 Моделирование в системах «Arena» и «BPwin»..............................................47
4 ПРАКТИЧЕСКИЕ ПРИМЕРЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
4.1 Имитационное моделирование инвестиционных рисков................................52
4.1.1 Методы и технологии количественного анализа рисков в инвестиционном
проектировании .................................................................................................... 53
4.1.2 Статистические критерии риска .......................................................................... 54
4.1.3 Методы количественного анализа рисков инвестиционных проектов ............. 57
4.1.4 Технология имитационного моделирования инвестиционных рисков ............. 59
4.1.4.1 Имитационное моделирование с применением функций EXCEL .... 61
4.1.4.2 Имитация с инструментом «Генератор случайных чисел» ........... 71
4.1.4.3 Статистический анализ результатов имитации........................... 80
4.2 Применение имитационного моделирования при расчете стоимости объекта
недвижимости ....................................................................................................87
4.3 Построение модели страхования автогражданской ответственности
с использованием программы BPwin ...............................................................91
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ...........................................................................99
ПРИЛОЖЕНИЕ 1
Задача 1...............................................................................................................100
Задача 2...............................................................................................................101
ПРИЛОЖЕНИЕ 2
Изучение динамики накопления прибыли средствами имитационного
моделирования MathLAB–Simulink ....................................................................104
3
1 СИСТЕМЫ КАК ОБЪЕКТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
1.1 УНИВЕРСУМ КАК ИЕРАРХИЧЕСКИЙ КОМПЛЕКС СИСТЕМ
4
Детерминизм, используемый в точных науках, в его современном пони-
мании проти-востоит любым формам телеологии — учению об особом целевом
виде причинности. Поэтому и разделяют причинности силовые, т.е. физические
и информационные, которые характеризуются (выделяются) своей целевой
сущностью. В дальнейшем будут рассматриваться в основном связи (отноше-
ния) двух типов (видов): физические (силовые) — Ф-связи, и информационные
— И-связи.
Ф-связи — это связи, причинность которых всегда можно описать из-
вестными законами физики и химии, т.е. в основе Ф-связей лежат физические
причины. В И-связях, естественно, также осуществляется перенос энергии и
вещества, но кроме этого считается, что в этих связях переносится еще нечто,
что называется информацией. Но по всей вероятности, более правильно опре-
делить И-связи, как связи, в основе которых лежит хотя бы одна информацион-
ная причина.
Физическая система — это система, в которой реализуются только Ф-связи,
а информационная система — ИС, это система, в которой имеется хотя бы одна И-
связь. Из приведенных определений видно, что оба типа связи: Ф-связи и И-связи,
могут отражать причинно-следственные отношения, являются каузальными. Ина-
че говоря, можно считать, что все-таки существуют Ф-каузальность и И-
каузальность или информационная детерминированность.
Теперь перейдем непосредственно к рассмотрению понятия системы. В
настоящее время не существует еще общепринятого определения понятия сис-
темы. Перед тем как привести очередное, рассмотрим основные свойства, кото-
рыми должен обладать объект, чтобы его можно было считать системой. Суще-
ствует по меньшей мере четыре таких свойства.
1. Целостность и членимость. Система — это, прежде всего целостная со-
вокупность элементов, т.е. с одной стороны это целостное образование, а с дру-
гой — в ее составе отчетливо могут быть выделены целостные объекты — эле-
менты.
Элемент системы — это объект, выполняющий определенные функции в
системе, который в условиях данной задачи не подлежит расчленению на части.
Элементами системы могут быть не только вещественные объекты, но также
свойства и состояния, связи и отношения, фазы, этапы, циклы и уровни функ-
ционирования и развития.
2. Связи. Связь как атрибут системы можно определить как физический
канал, по которому обеспечивается обмен между элементами системы, а также
между системой и окружающей ее средой, веществом, энергией и информаци-
ей, т.е. осуществляется то или иное взаимодействие.
С системных позиций значение имеют не любые, а лишь существенные,
системообразующие связи (отношения), которые с закономерной необходимо-
стью определяют интегративные свойства системы. Системообразующие связи
характеризуют такие взаимодействия между элементами системы, которые
предполагают их одновременность существования. В этом заключается прин-
ципиальное отличие системных отношений от причинно-следственных. В от-
личие от причинно-следственных связей, системообразующие связи при ста-
5
тичном рассмотрении системы проявляются не как «детерминация прошлым, а
как детерминация настоящим, как синхронная детерминация». Поэтому систе-
мообразующие связи выделяют в отдельный тип или вид.
3. Организация. Это свойство характеризуется наличием определенной
упорядоченности, организации, что проявляется в снижении энтропии (степени
неопределенности) системы по сравнению с энтропией системообразующих
факторов, определяющих возможность создания системы.
4. Интегративные качества. Системе присущи интегративные (системные)
качества, т.е. свойства, которые не свойственны ни одному из ее элементов в
отдельности, но зависят от их свойств.
Учитывая перечисленные свойства, которыми должен обладать объект,
чтобы его можно было считать системой, и, считая их необходимыми и доста-
точными, в качестве наиболее общего определения понятия системы можно
принять следующее утверждение.
Система — это внутренне организованная, на основе того или иного
принципа, гетерогенная целостность, элементы которой находятся в отно-
шениях (связях) между собой таким образом, что возникает, как минимум, од-
но новое интегративное качество, не свойственное ни одному из элементов
этой целостности.
Согласно общей теории систем (ОТС), любой объект есть объект-система.
Выделение системы из среды — это акт достаточно произвольный в том смыс-
ле, что мир состоит из бесконечного множества иерархических систем и выбор
критерия ограничения каждой системы зависит от произвольно выбранного
системообразующего фактора или системных качеств. Систему нельзя в доста-
точной степени понять, не исследовав некоторое ее «окружение», которое вме-
сте с рассматриваемой системой образует некую метасистему, выделенную по
тому или иному критерию (критериям).
В связи с тем, что любой объект есть объект-система, в общем случае ка-
ждый элемент системы также является системой, а с позиции рассматриваемой
системы — некоторой подсистемой, которая в свою очередь, состоит из своих
элементов и т.д. Поэтому в ОТС вводятся понятия членимости и вложенности
систем. Любая система имеет не менее двух уровней членения: старший или
нулевой — это сама рассматриваемая система, и младший или первый — эле-
менты выделенной системы.
Очевидно, что Ф-системы могут существовать как некоторые целостные
образования тогда и только тогда, когда мощность (сила) существенных систе-
мообразующих связей между элементами этих систем больше, чем мощность
(сила) связей этих же элементов с окружающей средой. Отсюда следует, что
мощность системообразующих связей элементов i-го (младшего) уровня члене-
ния системы всегда больше мощности таких же связей (i-1)-го (старшего) уров-
ня ее членения.
Еще одной характеристикой системы является ее структура, т.е. устой-
чивая упорядоченность в пространстве и во времени ее элементов и внутрисис-
темных связей. Системы, как правило, обладают различными структурами. По-
рядок вхождения элементов в подсистемы и объединение подсистем в целост-
6
ную систему образуют структуру членения системы. Структуры систем могут
быть редуцирующие и деградирующие, стабильные и нестабильные (лабиль-
ные). По временному признаку выделяются экстенсивные структуры, в которых
с течением времени происходит рост числа элементов; и интенсивные, в кото-
рых происходит рост числа связей и их мощности при неизменном составе эле-
ментов.
В общем случае каждый элемент системы обладает системообразующими
свойствами, свойствами нейтральными по отношению к системе, а также сис-
теморазрушающими свойствами. Последние свойства при вхождении элемента
в состав системы обычно подавляются, однако такое подавление, как правило,
не бывает полным. Эти свойства элементов и определяют дисфункции элемен-
тов, т.е. функции, негативно влияющие на функционирование системы, в кото-
рую они входят.
Наличие определенных системообразующих факторов — СОФ, обуслав-
ливает возникновение системы. Причем, в каждой системе помимо ведущих
СОФ основного уровня, как правило, играют роль и СОФ «нижнего» уровня
членения. Причины, которые обуславливают возникновение системообразую-
щих свойств элемента системы и подавляющие его системоразрушающие
свойства, в общем случае, могут быть как внутренними, так и внешними по от-
ношению к элементу.
К системоразрушающим факторам — СРФ, прежде всего, относятся:
внешние воздействия, развитие дисфункций элементов, возрастание энтропии.
Здесь следует отметить, что равенство нулю энтропии свидетельствует о вырож-
дении системы, т.е. о полной ее «заорганизованности». Абсолютная определен-
ность — другая сторона «энтропийной смерти». Существование системы требует
определенного разнообразия, подвижности в пространстве и изменчивости во
времени.
Как само понятие системы относительно в какой-то степени, так и отно-
сительно понятие элемента системы. Как отмечалось выше, членение системы в
общем случае не имеет предела, поскольку и элемент может рассматриваться
как система (подсистема). Элемент системы является лишь условно неделимой
частью системы. Условность состоит в том, что хотя элемент в общем случае и
делим, но в рамках рассматриваемой системы дальнейшее его деление приведет
к потере необходимых системозначащих свойств элемента.
Следует учитывать и то, что по разным элементам системы число уров-
ней членимости может быть различным. Из множества свойств каждого эле-
мента системы некоторые свойства обуславливают системообразующие связи
между этим элементом и другими элементами рассматриваемой системы. Дру-
гие свойства могут определять «внешние» связи данного элемента с окружаю-
щей средой, т.е. с элементами, которые не принадлежат данной системе.
В общем случае некоторая часть обоих типов этих свойств может быть
свойственна рассматриваемому элементу независимо от того, входит он в сис-
тему или нет. Назовем эти свойства условно локальными или индивидуальны-
ми свойствами элемента — ЛСЭ. Другая часть этих свойств возникает как сис-
темное качество, т.е. это системные свойства элемента — ССЭ, которые утра-
7
чиваются элементом при «изъятии» его из системы. Часть «внешних» связей,
как ЛСЭ, так и ССЭ, некоторого элемента системы могут быть системообра-
зующими для другой системы. Это обстоятельство делает существенно неопре-
деленным и понятие структуры системы. Поэтому более однозначным пред-
ставляется следующее определение этого понятия: структура системы — это
устойчивая упорядоченность во времени и в пространстве некоторых сущест-
венных системообразующих факторов, качеств (связей) данной системы.
Главное, что присутствует в любом определении структуры — это наличие не-
которого множества элементов, т.е. гетерогенность, наличие связей между эле-
ментами и определенная инвариантность во времени.
Поскольку структура — это только некоторая характеристика системы,
необходимо четко указать какие свойства и признаки системы в данном случае
принимаются структурными, а какие — нет. Этот выбор зависит от целей ис-
следования системы. Следовательно, для одной и той же системы можно по-
строить различные структуры и между системой и ее структурой отсутст-
вует однозначное соответствие. Формирование, выделение, структуры явля-
ется частью решения общей задачи исследования, идентификации системы,
причем такой, которая не определяет заранее систему в целом, а лишь выявляет
ее конфигурацию (в общем случае с какой-то степенью приближения).
В тесной связи с проблемой выделения структуры изучаемой системы на-
ходится проблема определения границ системы, т.к. не всегда ясно, как отде-
лить изучаемую систему от ее окружения. Для такого отделения, в частности,
можно использовать в качестве соответствующего критерия характер систем-
ных связей или (и) мощность этих связей.
Одной из самых важных характеристик системы является ее сложность.
Понятие сложности почти не поддается формализации, и оценка сложности
системы обычно производится субъективно. Среди основных факторов, опре-
деляющих сложность системы, обычно выделяют: число элементов, связей,
разнообразие элементов и связей, число уровней иерархии систем. А. Н. Кол-
могоровым предложено оценивать сложность системы по объему оптимально
минимизированной программы (в битах), которая полностью описывает систе-
му, т.е. ее структуру и функции. В этом определении, по всей вероятности, на-
до уточнить, что подразумевается под понятиями «полностью» и «оптимально
минимизированной программой». Да и вообще, структура и функции системы
какого уровня членения имеются в виду: всех или только нулевого?
Если система рассматривается только как целостная совокупность, т.е.
изучаются только ее системные качества, то при оценке ее сложности доста-
точно учесть число ее элементов нулевого уровня членения, число системооб-
разующих и системных связей и количество способов реализации каждой из
этих связей. Если же система рассматривается как некоторая объект-система, во
всем многообразии своих отношений с окружающей средой, то ситуация резко
усложняется.
При попытке учитывать системные связи рассматриваемой системы и все
ее элементы, все связи всех нижних уровней иерархии (членения), ни о какой
количественной оценке сложности системы не может быть и речи, если только
8
не ограничиваться иерархией систем одного и того же рода. При оценке слож-
ности по таким же параметрам с ограничением глубины членения объект-
системы, элементы нижнего уровня членения могут оказаться сложнее верхне-
го уровня, т.е. элемент системы при такой оценке может оказаться сложнее са-
мой системы, в которую он входит.
9
том алкогольных напитков, следовательно, входит и в эту систему. Таким же
образом он входит и в понятие системы лекарственных препаратов, наркотиков,
жидкостей, лаков и т.д. Отдельные атомы тоже представляют собой системы.
Однако в молекуле эти атомы представляют системы, обладающие совсем дру-
гими свойствами. Электроны могут в молекулах перейти к другим атомам. В
металлах и кристаллах электроны часто могут вообще свободно передвигаться
в решётке из атомных ядер. Ещё большая неопределённость наблюдается при
рассмотрении разного рода полей в качестве систем (электромагнитное поле,
гравитационное поле и др.). Утверждение, что энтропия полей приближается к
бесконечности, справедливо только для общего случая (для первичной реаль-
ности). В действительности даже в абсолютном вакууме имеются поля, которые
характеризуются определёнными физическими величинами — напряженностя-
ми гравитационного, электромагнитного или электронно-позитронного полей.
Специфичным при возбуждении поля является его квантовый характер, прояв-
ляющийся в дискретности массы, энергии, импульса, заряда, спина в виде кван-
тов возбуждения. Квантовый характер возбуждения всех полей сам доказывает
их объективную, системную сущность (наличие обобщенной негэнтропии —
ОНГ1).
Значительно труднее искать систему в микромире. Уже на уровне элек-
трона начинает действовать соотношение неопределённости, т.е. в принципе
невозможно определить одновременно место нахождения и скорость электрона,
также её точную орбиту. Чем меньше становятся измеряемые размеры элемен-
тов (частиц) системы, тем больше растёт неопределённость их структуры, тем в
большей степени необходимо применить вероятностные закономерности.
Экспериментально почти невозможно исследовать структуру объединён-
ного суперполя, ниже длины Планка (10-35м). Однако косвенные спектральные
признаки, явления вибрации полей, флуктуации, когерентности, появление вир-
туальных частиц, которые имеют квантовую природу, дают основание предпо-
лагать о наличии системности и в этой области. Вибрировать, флуктуировать и
образовать виртуальные частицы с квантовой природой могут только хотя бы
минимально упорядоченные участки поля. Флуктуацию вызывают локальные
неоднородности системы. Неоднородности, в благоприятных для них условиях
(например, влияние гравитационных сил), имеют тенденцию увеличения. Воз-
никают локальные центры ОНГ, которые притягивают информацию тем боль-
ше, чем больше растёт ОНГ. Это является одной из исходных предпосылок
появления многообразия систем в универсуме.
Кажущаяся субъективность определения размеров и границ систем объ-
ясняется бесконечностью разнообразия первичных систем. Это даёт возмож-
ность моделировать их в сознании в виде огромного количества приближённых
моделей. Неопределённость моделей только подтверждает существование мно-
гомерных систем первичной объективной реальности. Даже при возникновении
в мыслях человека модели или проекта будущей системы, эта модель, как вто-
1
ОНГ — мера упорядоченности системы, ее внутренней структуры, связанной информации
— относительно целевого критерия системы.
10
ричная реальность, существует в голове объективно. Если человек прогнозиру-
ет будущее, он моделирует превращение систем во времени.
1.3 ИЕРАРХИЯ СИСТЕМ
11
век не теряя свою целостность, участвует в разных иерархиях на разных уров-
нях по разным целевым критериям.
Конкретную книгу можно часто по содержанию и тематике классифици-
ровать в состав многих иерархических комплексов. Известно, что во многих
случаях трудно найти правильный шифр для книги в библиографическом ука-
зателе. Например, в книгах по кибернетике часто затрагиваются вопросы дру-
гих наук, достижения бионики, информатике, психологии, физики, математики
и др. Следовательно, книга может принадлежать к иерархическому комплексу
по многим областям знаний. Часто существенные для одной науки данные и
идеи спрятаны в книгах и журналах другой направленности. Таким образом,
каждый элемент или система находится под влиянием различных иерархиче-
ских комплексов и при составлении их математических описаний необходимо
использовать законы пересечения и объединения множеств.
1.4 ИНТЕРАКЦИЯ МЕЖДУ СИСТЕМАМИ
2
ОЭ представляет собой сумму проекций средних условных энтропий относительно целево-
го критерия при условии действия отдельных влияющих на систему факторов. При этом
факторы можно рассматривать в качестве отдельных координат или систем со статистиче-
ским распределением исходов. Условные энтропии проектируются на общую ось целевого
критерия.
12
только такая связь между системами, в результате которой повышается количе-
ство ОНГ хотя бы одной системы. В остальных случаях мы имеем дело с рас-
сеянием информации, массы или энергии, или просто шумом.
Из-за ограниченности ресурсов происходит борьба, конкуренция между
системами за овладение ими. Та система, которая притягивает от других боль-
ше материальных, энергетических и информационных ресурсов и более эффек-
тивно их использует, та обладает более широкими возможностями для сущест-
вования и развития. В результате этого происходит местная локализация ресур-
сов и ОНГ. Такой же отбор по эффективности происходит также между мыс-
ленными моделями реального мира в индивидуальном и общественном созна-
нии.
1.5 СТОХАСТИЧНОСТЬ И НЕЛИНЕЙНОСТЬ СИСТЕМ
13
тают, что даже через доли секунд после «большого взрыва» вопрос выбора при
возникновении между миром или антимиром решался случайно. Если были бы
ничтожно мало изменены величины универсальных констант универсума, то
развитие его произошло бы в совсем другом направлении. Обобщённым пока-
зателем упорядоченности в стохастических и нелинейных процессах является
ОНГ систем.
1.6 СТРУКТУРНЫЕ УРОВНИ СИСТЕМ
14
Очевидно, что абсолютного хаоса в системах не существует. Все сущест-
вующие реально системы имеют в структуре менее или более заметный поря-
док и соответствующую ОНГ. Чем больше система имеет в структуре упорядо-
чённость, тем больше она удаляется от равновесного состояния. С другой сто-
роны неравновесные системы стремятся двигаться в сторону термодинамиче-
ского равновесия, т.е. увеличивать свою ОЭ. Если они не получают дополни-
тельную энергию или ОНГ, они не могут в длительное время сохранять своё
неравновесное состояние. Но равновесие может быть и динамическим, где
процессы протекают в равном объёме в противоположные стороны. Внешне
сохраняется равновесие, т.е. устойчивость системы. Если скорость таких про-
цессов мало изменяется, то такие режимы являются стационарными, т.е. отно-
сительно стабильными во времени. Скорость процессов может изменятся в
очень широких пределах. Если скорость процессов очень маленькая, то система
может находится в состоянии локального квазиравновесия, т.е. кажущегося
равновесия. Неравновесность систем играет существенную роль при их инфо-
обмене. Чем больше неравновесность, тем больше их чувствительность и спо-
собность принимать информацию и тем больше возможности саморазвития
системы.
Целостность систем вытекает из одного их признака — упорядоченности.
Однако, их цели или целесообразность можно определить, только получая ин-
формацию о вышестоящей системе. В то же время целостность и целенаправ-
ленное действие системы или её элементов может иметь разные степени упоря-
доченности. Например, в сложных системах и в организациях может быть цен-
тральное управление вместе с относительной самостоятельностью индивидов
(подразделений). Целостность систем вытекает из общих свойств объединён-
ного суперполя в универсуме. К таким свойствам считают гармонию и коге-
рентность, общие свойства квантовой природы явлений (т.н. «квантовый хо-
лизм») и вероятностная природа флуктуации и процессов развития.
15
1. Выделение объекта исследования от общей массы явлений. Очертание
контура, пределов системы, ее основных частей, элементов, связей с
окружающей средой. Установление цели исследования: выяснение
структуры или функции системы, изменение и преобразование её дея-
тельности или наличие длительного механизма управления и функцио-
нирования. Система не обязательно является материальным объектом.
Она может быть и воображаемым сочетанием всех возможных структур
для достижения определённой цели.
2. Выяснение основных критериев для обеспечения целесообразного или
целенаправленного действия системы, а также основные ограничения и
условия ее существования.
3. Определение альтернативных вариантов при выборе структур или эле-
ментов для достижения заданной цели. При этом необходимо учесть
все факторы, влияющие на систему и все возможные варианты решения
проблемы.
4. Составление модели функционирования системы, с учетом всех суще-
ственных факторов. Существенность факторов определяется по их
влиянию на определяющие критерии цели.
5. Оптимизация режима существования или работы системы. Градация
решений по их оптимальному эффекту, по функционированию (дости-
жению цели).
6. Проектирование оптимальных структур и функциональных действий
системы. Определение оптимальной схемы их регулирования или
управления.
7. Контроль за работой системы в эксплуатации, определение её надёжно-
сти и работоспособности. Установление надёжной обратной связи по
результатам функционирования.
Все эти операции обычно проводят повторно в виде нескольких циклов,
постепенно приближаясь к оптимальным решениям. После каждого цикла
уточняют критерии и другие параметры модели. До настоящего времени мето-
ды системного анализа позволяли делать качественные, часто не совсем кон-
кретные выводы. После уточнения методов определения потоков информации
эти методы позволяют значительно точнее прогнозировать поведение систем и
более эффективно управлять ими. В каждой системе можно выделить отдель-
ную более или менее сложную информационную схему. Последняя оказывает
особенно заметное влияние на функционирование системы и эффективность её
работы. Только учёт инфоструктур даёт возможность охватить целостность
системы и избегать применения недостаточно адекватных математических мо-
делей. Наибольшие ошибки при принятии решений делают из-за отсутствия
учёта некоторых существенных факторов, особенно учёта влияния потоков ин-
формации.
Выяснение вопроса взаимного влияния систем представляет сложную за-
дачу, так как они образуют тесно переплетённую сеть в многомерном про-
странстве. Например, любая фирма представляет собой сосредоточение эле-
ментов многих других систем: отраслевые министерства, территориальные ор-
16
ганы власти, банковские, страховые организации, торговые и налоговые орга-
низации и др. Каждый элемент в системе участвует во многих системных ие-
рархиях. Поэтому прогноз их деятельности сложен и требует тщательного ин-
формационного обеспечения. Такое же многоиерархическое строение имеют,
например, клетки любого живого организма.
17
2 ОБЩАЯ ХАРАКТЕРИСТИКА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
20
моделей, а не «решать» их. Имитационные модели не способны формировать
свое собственное решение в том виде, в каком это имеет место в аналитических
моделях, а могут лишь служить в качестве средства для анализа поведения сис-
темы в условиях, которые определяются экспериментатором. Этот кажущейся
на первый взгляд недостаток, на самом деле является главным достоинством
имитационного моделирования вследствие того, что целесообразность приме-
нения имитационного моделирования становится очевидной при наличии лю-
бого из следующих условий:
− не существует законченной математической постановки задачи, либо еще
не разработаны аналитические методы решения сформулированной ма-
тематической модели;
− аналитические методы имеются, но математические процедуры столь
сложны и трудоемки, что имитационное моделирование дает более про-
стой способ решения задачи;
− кроме оценки определенных параметров, желательно осуществить на
имитационной модели наблюдение за ходом процесса в течение некото-
рого времени;
− имитационное моделирование может оказаться единственной возможно-
стью вследствие трудностей постановки экспериментов и наблюдения яв-
лений в реальных условиях;
− для долговременного действия систем или процессов может понадобить-
ся сжатие временной шкалы. Имитационное моделирование дает возмож-
ность полностью контролировать время изучения системы, поскольку яв-
ление может быть замедлено или ускорено по желанию.
В одной из своих статей Маккини пишет: «Когда руководитель достигает
подлинного понимания проблемы и начинает свободно управлять своей моде-
лью, он обретает способность видеть содержание своей работы с иных точек
зрения. Он хочет проверить на модели множество альтернативных вариантов,
чтобы оценить открывшиеся ему новые возможности. По сути дела, он исполь-
зует модель для повышения своего мастерства управления, позволяющего ему
на новом уровне четко установить все существенные последствия вносимых в
систему изменений. Возможно, он мог бы проделать это и на реальной системе,
но вследствие ее сложности это было бы очень утомительно и сопряжено с
ошибками. Вот почему он обращается к модели как к средству оценки своих
новых интуитивных предположений и умозаключений.»(McKenney J. L., Clini-
cal Study of the Use of a Simulation Model, The Journal of Industrial Engineering,
N1, Jan. 1987).
Идея имитационного моделирования одинаково привлекательна и для ру-
ководителей и для исследователей систем благодаря своей простоте. Поэтому
метод имитационного моделирования в настоящее время стремятся применить
для решения практически каждой задачи, с которой приходится сталкиваться на
практике. По результатам обследования 1000 крупнейших фирм США (их пе-
речень постоянно приводится в журнале Fortune) установлено, что методами,
которые в наибольшей степени используются при анализе их деятельности, яв-
ляются методы имитационного моделирования (табл. 1).
21
Таблица 1 — Методы, наиболее часто используемые при анализе
деятельности фирм
МЕТОДЫ Частота Процент
использования
Имитационное моделирование 60 29
Линейное программирование 43 21
Сетевые методы планирования и управления 28 14
Теория управления запасами 24 12
Нелинейное программирование 16 8
Динамическое программирование 8 4
Целочисленное программирование 7 3
Теория массового обслуживания 7 3
Прочие 12 6
Данные табл.1 убедительно свидетельствуют о том, что, несмотря на не-
достаточное математическое изящество, имитационное моделирование являет-
ся одним из наиболее широко распространенных количественных методов, ис-
пользуемых при решении проблем управления.
22
имитационного моделирования пронизаны заранее сформулированной целью
исследования.
Очевидно, что особую важность имеют первые три этапа. Поэтому пред-
ставляется целесообразным рассмотреть их более подробно.
Концептуальная модель системы. После определения цели (целей) мо-
делирования строится концептуальная модель исследуемой системы.
Концептуальная модель (содержательная модель) — это абстрактная мо-
дель, определяющая состав и структуру системы, свойства элементов и при-
чинно-следственные связи, присущие анализируемой системе и существенные
для достижения целей моделирования. В концептуальной модели обычно в сло-
весной форме приводятся сведения о природе и параметрах (характеристиках)
элементарных явлений исследуемой системы, о виде и степени взаимодействия
между ними, о месте и значении каждого элементарного явления в общем про-
цессе функционирования системы.
Следующим шагом на пути создания концептуальной модели служит вы-
бор уровня детализации модели (стратификация). Модель системы представля-
ется в виде совокупности частей (подсистем, элементов). В эту совокупность
включаются все части, которые обеспечивают сохранение целостности систе-
мы, с одной стороны, а с другой — достижение поставленных целей моделиро-
вания.
В дальнейшем производится окончательная детализация, локализация
(выделение системы из окружающей среды), структуризация (указание и общее
описание связей между выделенными элементами системы), укрупненное опи-
сание динамики функционирования системы и ее возможных состояний.
Подготовка исходных данных. При создании концептуальной модели
практически параллельно формируется область исходных данных (информаци-
онное пространство системы). На данном этапе выявляются количественные
характеристики (параметры) функционирования системы и ее элементов, чис-
ленные значения которых составят исходные данные для моделирования.
Очевидно, что значительная часть параметров системы — это случайные
величины. Поэтому особое значение при формировании исходных данных
имеют выбор законов распределения случайных величин, аппроксимация
функций и т.д.
Выбор средств моделирования. Программные и технические средства
моделирования выбираются с учетом ряда критериев. Непременное условие
при этом — достаточность и полнота средств для реализации концептуальной
модели. Среди других критериев можно назвать доступность, простоту и лег-
кость освоения, скорость и корректность создания программной модели.
Если выбор технических средств сейчас не вызывает особых затрудне-
ний, то выбор программных средств зачастую довольно сложен.
В настоящее время известно более 500 языков моделирования. Такое
множество языков частично обусловлено разнообразием классов моделируе-
мых систем, целей и методов моделирования. Однако желание упростить и ус-
корить процесс создания моделей привело к реализации идеи автоматизации
программирования имитационных моделей. Создан ряд систем, которые избав-
23
ляют исследователя от программирования. Программа создается автоматически
по одной из формализованных схем на основании задаваемых исследователем
параметров системы, внешних воздействий и особенностей функционирования.
Это наиболее перспективное направление развития средств имитационного мо-
делирования.
Успешность проведения работ на первых трех этапах моделирования соз-
дает условия для успешного выполнения всех последующих мероприятий.
Среди методов прикладного системного анализа имитационное модели-
рование является самым мощным инструментом исследования сложных систем,
управление которыми связано с принятием решений в условиях неопределен-
ности. По сравнению с другими методами такое моделирование позволяет рас-
сматривать большое число альтернатив, улучшать качество управленческих
решений и точнее прогнозировать их последствия.
Этими обстоятельствами, по сути, и определяется та обширная область
человеческой деятельности, в которой имитационное моделирование по праву
занимает достойное место.
24
2.3.1 Концепция универсальной моделирующей среды
27
С целью анализа всё многообразие компьютерных средств сведём к двум
характерным группам, определяющим нижнюю и верхнюю границу производи-
тельности доступной пользователю вычислительной техники.
Первая группа будет соответствовать системам рекордной производи-
тельности, доступным только узкому кругу научной и инженерной элиты (от-
дельные суперкомпьютеры, вычислительные кластеры). Влияние, однако, этих
систем на ситуацию во всём научном сообществе существенно превосходит их
удельный вес среди прочей вычислительной техники. Основных причин для
этого две: во-первых, концентрация вокруг них интеллектуального потенциала
позволяет эффективно сочетать их вычислительную мощность со значимостью
и сложностью решаемых на них задач, и, во-вторых, большинство новых под-
ходов и решений, которые становятся впоследствии стандартными, впервые ап-
робируются именно на таких системах.
Вторая группа соответствует массовым системам, т. е. таким, которые на
текущий момент доступны практически любому инженеру, экономисту и науч-
ному сотруднику. Естественно, что степень доступности при этом прямо про-
порциональна общему объёму инсталляции таких систем. Но так как уже сей-
час речь идёт о десятках миллионов таких систем, выпускаемых ежегодно,
вполне правомерно говорить об их массовой общедоступности.
Анализ двух названных групп позволил достаточно чётко выявить три
следующих закономерности:
− начиная с 1955 года, производительность рекордных систем каждые 10
лет увеличивается примерно на два порядка;
− начиная с 1985 года (начало действительно массового распространения
ЭВМ), аналогичная тенденция наблюдается и для массовых вычисли-
тельных систем;
− текущая разница в производительности рекордных и массовых систем яв-
ляется примерно 1000-кратной и сохраняет тенденцию к стабильности на
обозримое будущее.
Миллиардный объём инсталляций к 2005 г. предполагает также, что в
распоряжении активно работающих пользователей будет одновременно более
одной вычислительной системы, т. е. по меньшей мере, две: стационарная с
полным набором функциональных возможностей и мобильная с развитыми
средствами связи.
Особо следует сказать о коммуникационных средствах, которые играют
важнейшую роль в формировании единой информационно-вычислительной
среды. Основные параметры их эволюции приведены в таблице 2.
28
Мбит/с
Региональная сеть (РС) 100 км 50 Кбит/с 1 Мбит/с 100
Мбит/с
Глобальная сеть (ГС) 10 000 1 Кбит/с 50 Кбит/с 100
км Мбит/с
30
2.3.4 Универсальная система моделирования (УСМ)
31
− высокая гибкость и адаптируемость системы за счёт комплектации таки-
ми наборами модулей, которые максимально соответствуют текущим
требованиям;
− расширение возможностей интеграции системы с другими программны-
ми продуктами как за счёт использования различных интерфейсных мо-
дулей для связи с внешними системами, так и за счёт независимого ис-
пользования отдельных модулей в других системах.
Масштабируемость. Данный принцип предполагает реализацию на ос-
нове модульности различных вариантов УСМ, отличающихся как сложностью
и объёмом, так и требованиями к аппаратным средствам. При этом обеспечива-
ется:
− возможность реализации простейших вариантов системы для целей озна-
комления и первоначального обучения с минимальными требованиями к
аппаратным средствам и ориентацией на компьютерные средства, массо-
во используемые в учебном процессе;
− постепенное наращивание функциональных возможностей системы по
мере роста подготовленности пользователя и использования более произ-
водительных и совершенных аппаратных средств;
− возможность эффективного использования массового параллелелизма
различных высокопроизводительных вычислительных систем при реше-
нии задач повышенной сложности и ресурсоёмкости.
Открытая архитектура. Чёткая спецификация межмодульных интер-
фейсов позволяет обеспечить их взаимозаменяемость, а также:
− возможность докомплектации системы при необходимости наборами
специализированных модулей, дополняющими и оптимизирующими её
функциональные характеристики в требуемом направлении;
− возможность разработки сторонними организациями отдельных комплек-
тующих модулей, ориентированных на конкретные приложения, что по-
зволяет существенно расширить потенциальные области применения сис-
темы;
− развитие системы непосредственно пользователем путём разработки и
совершенствования соответствующих модулей;
− расширение возможностей системы за счёт интеграции в систему внеш-
них программных средств, например, различных редакторов, средств
символьной манипуляции, средств визуализации и т.п.
− возможность интеграции отдельных программных модулей системы в
другие программные продукты различного назначения.
Иерархия моделей. Поддержка создания и редактирования иерархически
специфицированных моделей обеспечивает:
− построение на базе элементарных модельных блоков и структур синтези-
рованных блоков и структур, соответствующих конкретным моделируе-
мым объектам (электродвигатель, регулятор и т.п.), которые в свою оче-
редь также могут использоваться в качестве элементов для построения
более укрупненных моделей (производственный участок, устройство и
32
т.п.) и т.д., что позволяет успешно преодолеть модельную сложность ре-
альных динамических объектов;
− формирование библиотек различного уровня модельной иерархии, ориен-
тированных на широкий спектр приложений и различный уровень подго-
товки пользователя;
− возможность создания модельных библиотек высокого уровня готовности
и специализации для конкретных областей применения.
Графический интерфейс. Развитый графический интерфейс должен га-
рантировать:
− наглядность создаваемых моделей, процессов и результатов моделирова-
ния;
− возможность выполнения большинства операций на всех этапах от на-
чального синтеза модели до анализа полученных результатов без исполь-
зования алфавитно-цифровой клавиатуры, а при помощи только указа-
тельного устройства (манипулятора типа «мыши», трекбола и т. п.), что
существенно упрощает эксплуатацию системы;
− возможность непосредственного “визуального проектирования” моделей
путём манипуляции с пиктограммами без привлечения специальных язы-
ков описания моделей, требующих особого изучения, что позволяет зна-
чительно сократить время освоения системы и, во многих случаях, затра-
ты времени на подготовку, отладку и документирование моделей.
34
3 ИНСТРУМЕНТАРИЙ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
В ЭКОНОМИКЕ И УПРАВЛЕНИИ
35
2. Вычислительный процессор, умеющий проводить расчеты по введен-
ным формулам с использованием встроенных численных методов
3. Символьный процессор — систему искусственного интеллекта
4. Интерактивный электронный справочник
MathCAD 2001, в отличие от большинства других современных математиче-
ских приложений, построен в соответствии с принципом «What You See Is What
You Get» — «что вы видите то и получаете». Поэтому он очень прост в использова-
нии, в частности из-за отсутствия необходимости сначала писать программу, реали-
зующую те или иные математические расчеты, а потом запускать ее на исполнение.
Вместо этого достаточно просто вводить математические выражения с помощью
встроенного редактора формул, причем в виде, максимально приближенном к об-
щепринятому, и тут же получить результат. Кроме того, можно изготовить печат-
ную копию документа или создать страницу в Интернете именно в том виде, кото-
рый этот документ имеет на экране при работе с MathCAD. Для эффективной рабо-
ты с MathCAD достаточно базовых навыков пользователя. Профессиональные же
программисты могут извлечь из MathCAD намного больше, создавая различные
программные решения, существенно расширяющие возможности, непосредственно
заложенные в MathCAD. Дополнительную информацию можно получить по адре-
сам: http://www.mathcad.com, http://www.mathcad.ru и http://www.exponenta.ru. Под-
робное описание пакета MathCAD приведено в [6].
38
3.4 CИСТЕМА РАЗРАБОТКИ ФИНАНСОВЫХ ПЛАНОВ И ИНВЕСТИЦИОННЫХ
ПРОЕКТОВ «PROJECT EXPERT»
39
предприятия, определить потребности в финансировании и разработать схему
финансирования, определить доходы и эффективность инвестиций для каждого
участника проекта, освоить методы финансового моделирования и анализа, по-
лучить все данные для финансового раздела бизнес-плана и подготовить каче-
ственное описание инвестиционного проекта. При использовании Project Expert
Lite имеется возможность:
− описать проект, указать начало и длительность проекта, ввести список
продуктов или услуг, которые Вы собираетесь производить;
− детально описать финансовое состояние компании на начало проекта,
указав запасы, готовую продукцию, условия погашения (возврата) креди-
торской (дебиторской) задолженности, текущие займы и их состояние,
структуру акционерного капитала;
− выбрать две валюты проекта, указать их курсовое соотношение, учесть
при расчетах ставки дисконтирования по ним и указать их изменения на
период действия проекта;
− для каждой валюты указать на время действия проекта инфляцию по раз-
личным объектам (сбыт, издержки, недвижимость и т.п.);
− учесть по валютам проекта учетные ставки рефинансирования, задать па-
раметры их изменения во время действия проекта и специфику отражения
в учете, выплату процентов по займам;
− описать налоговое окружение и его возможное изменение во время дей-
ствия проекта;
− построить календарный план проекта в виде списка работ с учетом вре-
менных взаимосвязей между этапами, указать для каждого вида работ на-
чало, продолжительность, стоимость и порядок оплаты используемых ре-
сурсов;
− описать создаваемые активы и указать параметры амортизации (линей-
ной, по остаточному принципу или на производство конкретных продук-
тов) и порядок отнесения на издержки, выбрать срок переоценки активов;
− описать различные варианты сбыта продукции в течение ее жизненного
цикла, в том числе, используя шаблон быстрого ввода данных. Учесть се-
зонность сбыта продукции, детально описать условия оплаты и поставок,
запасы готовой продукции и материалов;
− описать прямые издержки при производстве продукции, расход и потери
материалов в производственном цикле, сдельную заработную плату по
операциям, и другие прямые издержки, учесть объемы, график, партии
закупок;
− описать общие издержки, указав их размер, периодичность и время вы-
плат;
− определить потребность в финансировании проекта и подобрать схему
финансирования в виде займов, указав при этом схему поступления де-
нежных средств, условия их возврата и использования;
− описать схему распределения прибыли, учесть льготы на прибыль. Опи-
сать схему формирования резервов. Определить временно свободные де-
40
нежные средства и разместить их в виде инвестиций, указав при этом
сроки, условия их размещения и возврата;
− получить аналитические финансовые таблицы (Баланс, Отчет о прибылях и
убытках, Отчет о движении денежных средств, Отчет об использовании при-
были), отобразить содержащуюся в них информацию в графическом виде;
− рассчитать финансовые показатели и показатели эффективности инвести-
ций для проекта, определить их чувствительность к изменению различ-
ных факторов;
− оценить доходы и эффективность инвестиций для каждого участника
проекта;
− экспортировать и импортировать данные в формате txt, dbf, mpx для со-
вместимости с электронными таблицами, базами данных и Вашими учет-
ными системами;
− сформировать и напечатать на различных, языках (русский, английский,
немецкий и т.д.) финансовый отчет и текстовое описание разделов инве-
стиционного проекта (используя заданную структуру), при необходимо-
сти передать отчет в MS Word.
2. Project Expert Standard позволяет группе сотрудников тщательно и де-
тально разрабатывать стратегические планы развития бизнеса, проводить ста-
тистический анализ проектов в условия неопределенных (случайных) данных,
подготавливать подробные и развернутые аналитические отчеты. При исполь-
зовании Project Expert Standard имеются дополнительные возможности:
− детально описать налоговое окружение, используя настройки расчета на-
логов на основе формул, указания частных, местных налогов на каждый
вид продукции, прямых и общих издержек, возможности указания спосо-
ба списания налогов при амортизации активов;
− значительно детализировать описание инфляции за счет указания инфля-
ции на каждый вид продукции, прямых и общих издержек;
− учесть сезонные и скачкообразные изменения цен на продукцию;
− при описании закупок материалов и комплектующих учесть сезонные и
скачкообразные изменения цен, скидки, задержки платежей;
− при описании источников финансирования использовать лизинг оборудо-
вания, указывая условия лизинговых платежей, страхования и выкупа
оборудования;
− провести статистический анализ устойчивости проекта для выбранного
набора неопределенных данных;
− получить детализацию результатов в разрезе строки итоговых таблиц;
− формировать собственные таблицы, используя исходные данные и ре-
зультаты расчетов;
− использовать импорт стартового баланса и плана сбыта из Audit Expert и
Marketing Expert соответственно;
− преобразовать подготовленные отчеты в формат HTML для размещения в
Internet;
− создавать библиотеки данных для использования их в нескольких проек-
41
тах. Работать нескольким сотрудникам одновременно над различными
модулями проекта. Обеспечить защиту проекта паролем.
3. Project Expert Professional позволяет:
− создать систему финансового управления компанией на основе разработ-
ки стратегического финансового плана, как комплекса инвестиционных
проектов и контроля за его выполнением.
− описать внутреннюю структуру компании и степень участия каждого
подразделения в производстве продукции;
− разнести общие издержки и издержки подготовительного периода, а так-
же доходы от инвестиций и другие доходы по подразделениям компании
или производимой продукции;
− провести анализ деятельности подразделений компании и оценить их
вклад в общий финансовый результат;
− произвести анализ безубыточности для каждого вида продукции в любой
период времени;
− осуществить контроль выполнения проекта путем ввода фактических дан-
ных о выполнении проекта и календарного плана. Получить аналитические
таблицы рассогласования фактических и плановых данных, рассчитать
аналитические финансовые таблицы с учетом фактических данных;
− произвести сравнительный анализ различных вариантов проекта;
− рассчитать консолидированные аналитические таблицы и показатели эф-
фективности инвестиций по группе проектов.
5. PIC Holding — это модификация Project Expert Professional, предназна-
ченная для создания системы финансового управления холдинговой компании.
В дополнении к Project Expert Professional, PIC Holding позволяет создавать и
анализировать финансовую модель, описывающую деятельность нескольких
предприятий реализующих различные проекты, одно из которых распределяет
финансовые ресурсы необходимые для выполнения проектов. Программа по-
зволяет выбрать наиболее эффективную структуру проектов, обеспечить кон-
троль их выполнения, своевременно принять решение о прекращении финанси-
рования.
42
инструменты имитационного моделирования бизнес-процессов можно разбить
на три категории.
1. Инструментарий имитационного моделирования, основанного на пото-
ковых диаграммах. Подобный — самый простой — инструментарий
построения потоковых диаграмм помогает описывать выполняемые
функции и определять их последовательность. Модели, основанные на
потоковых диаграммах, не зависят от методологии и наиболее просты в
изучении. К сожалению, следствием легкости использования является
ограниченность возможностей моделирования и анализа. Примерами
инструментария имитационного моделирования подобного рода служат
Process Charter и Optima.
2. Инструментарий динамического моделирования. На следующем уровне
располагаются программные продукты аналогового моделирования,
которые позволяют отображать динамику системы. Модели, созданные
подобными продуктами, состоят из таких специфических для выбран-
ной методологии логических структур, как уровни, стеки, потоки, пре-
образователи и соединители. Примеры: ithink и PowerSim.
3. Инструментарий дискретно-событийного имитационного моделирова-
ния. Наиболее развитым и мощным инструментарием имитационного
моделирования бизнес-процессов являются программные продукты
дискретно-событийного моделирования. Эти инструменты поддержи-
вают моделирование потока объектов (продуктов) и предоставляют
возможности анимации, что позволяет пользователю производить на-
блюдение за движением в системе потоковых объектов. Некоторые из
подобных технологий обеспечивают даже возможности объектно-
ориентированного моделирования, упрощающего разработку больших
моделей бизнес-процессов. Примеры: ServiceModel и SIMPROCESS.
43
animation, известная на рынке с 1984 г. Процесс моделирования организован
следующим образом. Сначала пользователь шаг за шагом строит в визуальном
редакторе системы Arena модель. Затем система генерирует по ней соответст-
вующий код на SIMAN, после чего автоматически запускается Cinema
animation.
Интерфейс Arena включает в себя всевозможные средства для работы с
данными, в том числе электронные таблицы, базы данных, ODBC, OLE, под-
держку формата DXF. Новая политика, управляющие процедуры, правила
принятия решений, организационная структура, потоки информации и т.д. мо-
гут быть исследованы без вмешательства в работу реальной системы. Новые
технические средства, планы размещения, программное обеспечение, транс-
портные системы и т. п. могут быть опробованы до того, как деньги, время и
другие ресурсы будут потрачены на их приобретение и/или создание. Имитаци-
онное моделирование позволяет проверять гипотезы о причинах возникновения
тех или иных наблюдаемых феноменов. SIMAN позволяет рассматривать про-
цессы в различных масштабах времени. SIMAN позволяет выделить перемен-
ные, наиболее важные для успешного функционирования моделируемой систе-
мы, и проанализировать имеющиеся между ними связи. SIMAN позволяет вы-
являть «узкие места» в материальных, информационных и других потоках. Мо-
делирование дает возможность изучать объекты, о поведении которых имеется
недостаточно информации. Одно из основных преимуществ имитационного
моделирования заключается в том, что оно помогает получить ответ на вопрос
«что, если...».
В поставку Arena входят готовые шаблоны решений (Application Solution
Templates). Каждый такой шаблон представляет собой набор специализирован-
ных модулей, превращающих Arena в проблемно-ориентированную среду мо-
делирования. Создавая такие шаблоны или изменяя существующие, можно
приспособить Arena для решения конкретных задач и перейти от абстрактных
понятий методологии моделирования к принятым в рассматриваемой предмет-
ной области терминам.
44
Внешние обстоятельства зачастую вынуждают вносить изменения в дея-
тельность организации. Последствия этих изменений должны быть тщательно
изучены и осмыслены перед тем, как система будет переделана с их учетом.
BPwin может помочь пользователю на протяжении всего цикла, предоставив
возможность оптимизировать бизнес-процесс, которого коснутся эти измене-
ния.
BPwin позволяет:
− обеспечить эффективность операций, рассматривая текущие бизнес-
операции через мощные инструменты моделирования;
− совершенствовать бизнес-процессы, формулируя и определяя альтерна-
тивные реакции на воздействия рынка;
− быстро исключать непродуктивные операции, легко и интуитивно сопос-
тавляя операционные изменения. Неэффективные, неэкономичные или
избыточные операции могут быть легко выявлены и, следовательно,
улучшены, изменены или вовсе исключены — в соответствии с целями
компании.
Пользователь может просматривать и распечатывать общее представле-
ние своей модели в виде древовидных диаграмм.
BPwin совмещает в одном инструменте средства моделирования функций
(IDEF0), потоков данных (DFD) и потоков работ (IDEF3), координируя эти три
основных аспекта бизнеса для соответствия потребностям бизнес-аналитиков и
системных аналитиков. BPwin позволяет повторно использовать ключевую ин-
формацию моделирования с точки зрения базовых аспектов, чтобы определить
точки конфликтов и, в конечном счете, достичь их согласования.
С помощью функционального моделирования (нотация IDEF0), можно
провести систематический анализ бизнеса, сосредоточившись на регулярно ре-
шаемых задачах (функциях), свидетельствующих об их правильном выполне-
нии показателях, необходимых для этого ресурсах, результатах и исходных ма-
териалах (сырье).
Моделирование потоков данных (DFD), часто используемое при разработке
программного обеспечения, сосредоточено вокруг потоков данных, передающих-
ся между различными операциями, включая их хранение, для достижения макси-
мальной доступности и минимального времени ответа. Такое моделирование по-
зволяет рассмотреть конкретный процесс, проанализировать операции, из которых
он состоит, а также точки принятия решений, влияющих на его ход.
Моделирование потоков работ (нотация IDEF3) позволяет рассмотреть
конкретный процесс, проанализировать операции, из которых он состоит, а
также точки принятия решений, влияющих на его ход.
BPwin предоставляет средства для изучения операций и управления опе-
рациями на различных уровнях детализации. Например, иногда бывает важно
сосредоточиться на определенной части бизнеса организации. BPwin позволяет
вам разделить сложный процесс на множество управляемых частей, обеспечи-
вая группам разработчиков модели возможность сосредоточиться на интере-
сующих их аспектах. В итоге, эти различные аспекты могут быть согласованы и
объединены, чтобы составить единый, целостный взгляд на ваше предприятие.
45
BPwin позволяет вам объединить раздельные модели в единую согласованную
модель и достигнуть согласования проекта. BPwin помогает вам понять общее
влияние изменений на существующие бизнес-процессы, обеспечивая быструю
и эффективную адаптацию.
Отличительными чертами BPwin является следующее.
Интуитивно-понятный графический интерфейс, который быстро и легко
осваивается, что позволяет сосредоточиться на анализе самой предметной об-
ласти, не отвлекаясь на изучение инструментальных средств. Интерактивное
выделение объектов обеспечивает постоянную визуальную обратную связь при
построении модели. BРwin поддерживает ссылочную целостность, не допуская
определения некорректных связей и гарантируя непротиворечивость отноше-
ний между объектами при моделировании.
Автоматизация процесса проектирования. BPwin автоматизирует многие
задачи, обычно связанные с построением моделей процессов, обеспечивая се-
мантическую точность, необходимую для гарантии правильных и согласован-
ных результатов. Подсветка объектов упрощает построение модели, исключая
часто встречающиеся ошибки моделирования.
Свойства, определяемые пользователем. Вы можете настроить BPwin для
сбора информации, существенной для вашего бизнеса. Эта информация стано-
вится сразу же доступной через генератор отчетов BPwin и может быть экспор-
тирована в другие программы, например, Microsoft Word и Excel.
Диаграммы Swim Lane. BPwin поддерживает диаграммы Swim Lane, пре-
доставляя эффективный механизм для визуализации и оптимизации сложных
бизнес-процессов. Диаграммы Swim Lane координируют сложные процессы и
функциональные ограничения и позволяют вам видеть процессы, роли и обя-
занности во всем их многообразии.
Настраиваемый интерфейс электронных таблиц. Новая структура словаря
модели делает ввод и управление информацией быстрым и простым. Этот на-
страиваемый интерфейс электронных таблиц прост в применении и предостав-
ляет отличный механизм для распространения моделей, независимо от того,
вводите вы данные вручную или импортируете их.
Развитые диаграммы. Контекстные диаграммы для описания границ сис-
темы, области действия, назначения объектов. Иерархическая структура диа-
грамм, облегчающая последовательное уточнение элементов модели. Декомпо-
зиционные диаграммы для описания особенностей взаимодействия различных
процессов. BPwin также поддерживает автоматическую настройку размеров
диаграмм и возможность изменения масштабов изображения моделей.
Организационные диаграммы. Организационные структуры оказывают
огромное влияние на определение и выполнение бизнес-процессов. BPwin под-
держивает явное определение ролей, а это определяет и категоризирует задачи
или работы, составляющие бизнес-процессы. Основываясь на ролях, опреде-
ленных пользователем, BPwin формирует организационные диаграммы.
Технологии моделирования. BPwin обеспечивает совместное и повторное
использование технологий моделирования бизнес-процессов (IDEF0), потоков
работ (IDEF3) и потоков данных (DFD).
46
Функционально-стоимостной анализ (ABC). BPwin полностью поддержи-
вает методы расчета себестоимости по объему хозяйственной деятельности
(ABC) и оптимизирована для анализа процессов. Развитые средства подготовки
отчетов и двунаправленный интерфейс со специализированным инструмента-
рием ABC облегчают реализацию корпоративной стратегии на основе управле-
ния хозяйственной деятельностью.
Собственный генератор отчетов. Report Template Builder (RTB) - это но-
вый генератор отчетов, общий для ERwin и BPwin, создающий разнообразные
отчеты и Web-страницы. Вы можете определять шаблоны отчетов, применяя их
затем к любым своим моделям. Подход "определить однажды - применять по-
вторно и повсюду" позволяет организации быстро создавать и продвигать стан-
дарты отчетности. RTB поддерживает множество форматов, включая RTF,
HTML, XLS (Excel) и обычный текст.
Интерфейс к средствам имитационного моделирования. Для моделирова-
ния сложных условий деятельности BPwin предлагает интерфейс к имитацион-
ному ПО (например, Arena). Это позволяет использовать готовые модели для
изучения изменяющегося во времени (динамического) взаимодействия бизнес-
процессов. Распределение ресурсов и потоки могут быть оптимизированы для
достижения эффективной загрузки. Имитационное моделирование позволяет в
динамике проанализировать воздействие изменений. Прежде чем эти измене-
ния будут произведены, можно проверить различные сценарии и обеспечить
тем самым принятие оптимального решения. Дополнительная информация по
BPwin находится по адресу http://interface.ru/ca/bpwin.html.
47
Источники — это элементы, от которых в модель поступает информация
или объекты. Скорость поступления данных или объектов от источника обычно
задается статистической функцией. Сток — это устройство для приема инфор-
мации или объектов. Понятие очереди близко к понятию хранилища данных —
это место, где объекты ожидают обработки. Времена обработки объектов (про-
изводительность) в разных процессах могут быть разными. В результате перед
некоторыми процессами могут накапливаться объекты, ожидающие своей оче-
реди. Часто целью имитационного моделирования является минимизация коли-
чества объектов в очередях. Тип очереди в имитационной модели может быть
конкретизирован. Очередь может быть похожа на стек
— пришедшие последними в очередь объекты первыми
отправляются на дальнейшую обработку (LIFO: last-in-
first-out). Альтернативой стеку может быть последова-
тельная обработка, когда первыми на дальнейшую об-
работку отправляются объекты, пришедшие первыми
(FIFO: first -in-first-out). Могут быть заданы и более
сложные алгоритмы обработки очереди. Процессы —
это аналог работ в функциональной модели. В имита-
ционной модели может быть задана производитель-
ность процессов. Простейшая имитационная модель,
созданная в Arena показана на рис. 1.
Для построения моделей Arena имеет набор
средств, которые включают палитру инструментов, на-
бор гидов и др. Для создания модели сначала нужно
щелкнуть по кнопке New на панели инструментов. Сле-
ва появляется палитра инструментов (рис. 2) , которая
содержит два типа модулей.
Модули типа «Flowchart» (в том числе Create, Рис. 2 — Палитра
Dispose и Process) служат для отображения потоков инструентов
объектов и могут быть перенесены на рабочее про-
странство модели drag&drop. Модули типа «Data» (например Queue) не могут
быть размещены в рабочее пространство модели и служат для настройки пара-
метров модели. Окно редактирования параметров появляется в нижней части
модели, когда фокус установлен на модуле типа «Data».
Перенесем из панели инструментов в рабочее пространство модели по
одному модулю Create, Dispose и Process. Связи между модулями устанавлива-
ются автоматически (хотя могут быть и переопределены вручную). Модуль
Create является источником сущностей в системе. Так, например, если описы-
вается изготовление изделий, то модуль Create может описывать поступление
заготовок на конвейер. Модуль Process отвечает за обработку сущностей. На-
пример, он может имитировать станок, обрабатывающий заготовки. Модуль
Dispose является стоком сущностей из системы. Он может моделировать снятие
готовых изделий с конвейера.
Для задания свойств модулю типа «Flowchart» необходимо дважды щелк-
нуть по нему и в появившемся диалоге задать значения параметров. Для зада-
48
ния свойств модулю Resourse (типа «Data») необходимо щелкнуть по нему один
раз на панели инструментов и в нижнем окне внести значения параметров (на-
пример Busy/Hour = 15, Idle/Hour = 15 и Per Use =2.5). Для контроля проигры-
вания модели необходимо внести в модель модуль Simulate и задать параметры
этого модуля (например, Run Length = 40, Hours/Day = 8).
Для проигрывания модели необходимо перейти в меню Run/Go. После проиг-
рывания модели автоматически генерируются отчеты в формате Crystal Reports
(рис.3).
49
Модель показывает систему обработки документа (закладной). Сначала
документ регистрирует секретарша (иконка слева в нижней части рисунка, за-
тем просматривает клерк (иконка справа). Затем клерк либо принимает доку-
мент, либо возвращает. Очередь документов показывается в виде набора ико-
нок сверху от процесса Review Application и в виде графика в правой нижней
части рисунка. Иконки, отображающие секретаря и клерка могут быть разными
в зависимости от состояния (занят–ожидает), следовательно, модель может
быть анимирована.
Создавать имитационные модели без предварительного анализа бизнес-
процессов не всегда представляется возможным. Действительно, не поняв сути
бизнес-процессов предприятия бессмысленно пытаться оптимизировать кон-
кретные технологические процессы. Поэтому функциональные модели и ими-
тационные модели не заменяют, а дополняют друг друга, при этом они могут
быть тесно взаимосвязаны. Имитационная модель дает больше информации для
анализа системы, в свою очередь результаты такого анализа могут стать причи-
ной модификации модели процессов. Наиболее целесообразно сначала создать
функциональную модель, а затем на ее основе строить модель имитационную.
Для поддержки такой технологии инструментальное средство функционального
моделирования BPwin 4.0 имеет возможность преобразования диаграмм IDEF3
в имитационную модель Arena (версии 3.6 и выше). Для преобразования диа-
граммы IDEF3 в модель Arena необходимо, чтобы BPwin 4.0 и Arena одновре-
менно были запущены. В BPwin 4.0 следует открыть диаграму IDEF3 и, затем
выбрать меню File/Export/Arena. Далее экспорт производится автоматически.
Поскольку имитационная модель имеет гораздо больше параметров, чем
диаграмма IDEF3, в BPwin 4.0 имеется возможность задать эти параметры с
помощью свойств, определяемых пользователем (UDP). В поставку BPwin 4.0
входят примеры моделей с предварительно внесенными UDP для экспорта в
Arena (Program Files/Computer Associates/BPwin 4.0/Samples/Arena/) и модель
ArenaBEUDPs.bp1, в которой определены все необходимые для экспорта UDP и
которую можно использовать в качестве шаблона для создания новых моделей.
50
Рис. 6 — Имитационная модель Arena — результат импорта из
BPwin
51
4 ПРАКТИЧЕСКИЕ ПРИМЕРЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
∑S i
m≈S = i =1
.
N
Дисперсия случайной величины вычисляется по формуле
∑(S )
N 2
i −S
σ2 = i =1
.
N −1
3
При написании раздела 4.1 использовались материалы с сайтов
http://www.koshechkin.narod.ru/ и http://www.cfin.ru/finanalysis/ (Фрагменты из книги И.Я. Лу-
касевича «Анализ финансовых операций»)
52
Отклонение искомой величины от ее математического ожидания δ = S − m
есть математическая ошибка этого метода, оценка которой производится с дос-
товерностью (1–ε), где ε→0. Определить величину ошибки с вероятностью не
меньшей чем (1–ε) можно применив неравенство Чебышева δ = S − m ≤ σ 1 δN .
Также, согласно закону больших чисел, при достаточно большом числе испы-
таний N становится справедливым соотношение δ ≈ 1 N . Последнее означает,
что при увеличении числа испытаний ошибка вычислений уменьшается.
При моделировании методом Монте-Карло важно также знать следующее:
− математическое ожидание является линейным функционалом на простран-
стве случайных величин, т.е. для любых двух случайных величин ξ, η и про-
извольных постоянных a и b будет справедливо равенство
M(aξ+bη)=aM(ξ)+bM(η);
− математическое ожидание произведения двух независимых случайных вели-
чин равно произведению их математических ожиданий, т.е.
M(ξη)=M(ξ)M(η);
− дисперсия суммы двух независимых случайных величин равна сумме их
дисперсий: σ2(ξ±η)= σ2(ξ)+σ2(η).
Общий алгоритм расчета методом Монте-Карло можно представить в виде
последовательности следующих операций.
1. Определение перечня случайных величин из общего числа участвующих в
расчете.
2. Задание законов распределения случайных величин.
3. Задание точности вычислений посредством выбора числа испытаний N.
4. Выбор случайных чисел из соответствующих диапазонов согласно заданным
законам распределения при помощи генератора случайных чисел.
5. Детерминированный расчет искомой величины с применением выбранных
случайных чисел.
6. Повторение операций по пп.4 и 5 N раз.
7. Получение итогового результата расчета как суммы N решений.
Существуют и другие преимущества имитации. Подробное изложение
основ имитационного моделирования и его применения в различных сферах
можно найти в специальной литературе.
Рассмотрим технологию применения имитационного моделирования для
анализа рисков инвестиционных проектов в программе EXCEL.
53
ного рода потери (например, получение физической травмы, потеря имущества,
получение доходов ниже ожидаемого уровня и т.д.).
Существование риска связано с невозможностью с точностью до 100%
прогнозировать будущее. Исходя из этого, следует выделить основное свойство
риска: риск имеет место только по отношению к будущему и неразрывно связан
с прогнозированием и планированием, а значит и с принятием решений вообще.
Следуя вышесказанному, стоит также отметить, что категории «риск» и «неоп-
ределенность» тесно связаны между собой и зачастую употребляются как си-
нонимы. Однако между этими понятиями есть определённые различия.
Во-первых, риск имеет место только в тех случаях, когда принимать ре-
шение необходимо (если это не так, нет смысла рисковать). Иначе говоря,
именно необходимость принимать решения в условиях неопределённости по-
рождает риск, при отсутствии таковой необходимости нет и риска.
Во-вторых, риск субъективен, а неопределённость объективна. Напри-
мер, объективное отсутствие достоверной информации о потенциальном объё-
ме спроса на производимую продукцию приводит к возникновению спектра
рисков для участников проекта. Например, риск, порожденный неопределенно-
стью вследствие отсутствия маркетингового исследования для инвестиционно-
го проекта (ИП), обращается в кредитный риск для инвестора (банка, финанси-
рующего этот ИП), а в случае не возврата кредита в риск потери ликвидности и
далее в риск банкротства, а для реципиента этот риск трансформируется в риск
непредвиденных колебаний рыночной конъюнктуры, причём для каждого из
участников ИП проявление риска индивидуально как в качественном, так и в
количественном выражении.
Риск присутствует практически во всех сферах человеческой жизни, по-
этому точно и однозначно сформулировать его невозможно, т.к. определение
риска зависит от сферы его использования (например, у математиков риск —
это вероятность, у страховщиков — это предмет страхования и т.д.). Неслучай-
но в литературе можно встретить множество определений риска.
В данном примере риск — это уровень финансовой потери, выражаю-
щейся в
а) возможности не достичь поставленной цели;
б) неопределённости прогнозируемого результата;
в) субъективности оценки прогнозируемого результата.
если число значений случайной величины конечно. Если число значений слу-
чайной величины счетно, то
∞
Mξ = ∑ pi xi .
i =1
При этом, если ряд в правой части равенства расходится, то говорят, что слу-
чайная величина ξ не имеет математического ожидания.
Математическое ожидание непрерывной случайной величины с плотно-
стью вероятностей pξ (x) вычисляется по формуле
∞
Mξ = ∫ xp ( x ) dx .
−∞
ξ
При этом, если интеграл в правой части равенства расходится, то говорят, что
случайная величина ξ не имеет математического ожидания.
55
Основные свойства математического ожидания:
− математическое ожидание константы равно этой константе, Mc=c ;
− математическое ожидание — линейный функционал на пространстве
случайных величин, т.е. для любых двух случайных величин ξ, η и произволь-
ных постоянных a и b справедливо: M(aξ+bη)=aM(ξ)+bM(η);
− математическое ожидание произведения двух независимых случайных ве-
личин равно произведению их математических ожиданий, т.е. M(ξη)=M(ξ)M(η).
Дисперсия случайной величины характеризует меру разброса случай-
ной величины около ее математического ожидания. Если случайная величина ξ
имеет математическое ожидание Mξ, то дисперсией случайной величины ξ на-
зывается величина Dξ=M(ξ–Mξ )2 — математическое ожидание квадрата от-
клонения значения величины от ее математического ожидания. Легко показать,
что Dξ=M(ξ–Mξ )2=Mξ2–M(ξ)2. Эта универсальная формула одинаково хорошо
применима как для дискретных случайных величин, так и для непрерывных.
Величина Mξ2 для дискретных и непрерывных случайных величин соответст-
венно вычисляется по формулам
n ∞
Mξ = ∑ p x и Mξ =
2 2
i i
2
∫ x p ( x ) dx .
2
ξ
i =1 −∞
Для определения меры разброса значений случайной величины часто ис-
пользуется среднеквадратичное отклонение σξ, связанное с дисперсией соот-
ношением
σξ = Dξ .
Основные свойства дисперсии:
− дисперсия любой случайной величины неотрицательна, Dξ≥0;
− дисперсия константы равна нулю, Dc=0;
− для произвольной константы D(cξ)=c2D(ξ);
− дисперсия суммы двух независимых случайных величин равна сумме их
дисперсий: D(ξ±η)=D(ξ)+D(η).
Использование дисперсии как меры риска не всегда удобно, т.к. размер-
ность ее равна квадрату единицы измерения случайной величины.
На практике результаты анализа более наглядны, если показатель разбро-
са случайной величины выражен в тех же единицах измерения, что и сама слу-
чайная величина. Для этих целей используют σξ.
Все вышеперечисленные показатели обладают одним общим недостатком
— это абсолютные показатели, значения которых предопределяют абсолютные
значения исходного фактора. Гораздо удобнее использовать коэффициент ва-
риации (V):
V=σξ/Mξ.
Определение V особенно наглядно для случаев, когда средние величины
случайного события существенно различаются.
В отношении оценки риска финансовых активов необходимо сделать три
замечания.
56
1. При сравнительном анализе финансовых активов в качестве базисного
показателя следует брать рентабельность, т.к. значение дохода в абсо-
лютной форме может существенно варьировать.
2. Основными показателями риска на рынке капиталов являются диспер-
сия и среднее квадратическое отклонение. Поскольку в качестве базиса
для расчета этих показателей берется доходность (рентабельность),
критерий относительный и сопоставимый для различных видов акти-
вов, нет острой нужды в расчете коэффициента вариации.
3. Иногда в литературе вышеприведенные формулы даются без учёта
взвешивания на вероятности. В таком виде они пригодны лишь для
ретроспективного анализа.
61
Таблица 5 — Математические функции для генерации случайных
чисел
Наименование функции Формат функции
Оригинальная Локализованная
версия версия
RAND СЛЧИС СЛЧИС() — не имеет аргументов
СЛУЧМЕЖДУ(нижн_граница;
RANDBETWEEN СЛУЧМЕЖДУ
верхн_граница)
62
ручных вычислений. Для этого необходимо выполнить следующие действия.
1. Выбрать в главном меню тему «Сервис».
2. Выбрать пункт «Параметры» подпункт «Вычисления».
3. Установить флажок «Вручную» и нажать кнопку «ОК».
Приступаем к разработке шаблона. С целью упрощения и повышения на-
глядности анализа выделим для его проведения в рабочей книге EXCEL два листа.
Первый лист — «Имитация», предназначен для построения генеральной
совокупности (рис. 7). Определенные в данном листе формулы и собственные
имена ячеек приведены в табл. 6 и 7.
Первая часть листа (блок ячеек А1:Е7) предназначена для ввода диапазо-
нов изменений ключевых переменных, значения которых будут генерироваться
в процессе проведения эксперимента. В ячейке В7 задается общее число имита-
ций (экспериментов). Формула, заданная в ячейке Е7, вычисляет номер послед-
ней строки выходного блока, в который будут помещены полученные значения.
Смысл этой формулы будет раскрыт позже.
Вторая часть листа (блок ячеек А9:Е11) предназначена для проведения
имитации. Формулы в ячейках А10:С11 генерируют значения для соответст-
вующих переменных с учетом заданных в ячейках В3:С5 диапазонов их изме-
нений. Обратите внимание на то, что при указании нижней и верхней границы
изменений используется абсолютная адресация ячеек.
Формулы в ячейках D10:E11 вычисляют величину потока платежей и его
чистую современную стоимость соответственно. При этом значения постоян-
ных переменных берутся из следующего листа шаблона — «Результаты анали-
за».
Лист «Результаты анализа» кроме значений постоянных переменных со-
держит также функции, вычисляющие параметры распределения изменяемых (Q,
V, P) и результатных (NCF, NPV) переменных и вероятности различных событий.
Определенные для данного листа формулы и собственные имена ячеек приведе-
ны в табл. 8 и 9. Общий вид листа показан на рис. 8.
64
E10 =E9/E8
E11 =МИН(Поступления)
E12 =МАКС(Поступления)
F8 =СРЗНАЧ(ЧСС)
F9 =СТАНДОТКЛОНП(ЧСС)
F10 =F9/F8
F11 =МИН(ЧСС)
F12 =МАКС(ЧСС)
F13 =СЧЁТЕСЛИ(ЧСС;»<0»)
F14 =СУММЕСЛИ(ЧСС;»<0»)
F15 =СУММЕСЛИ(ЧСС;»>0»)
Е18 =НОРМАЛИЗАЦИЯ(D18;$F$8;$F$9)
F18 =НОРМСТРАСП(E18)
65
Поскольку формулы листа содержат ряд новых функций, приведем необходи-
мые пояснения.
Функции МИН() и МАКС() вычисляют минимальное и максимальное
значение для массива данных из блока ячеек, указанного в качестве их аргу-
мента. Имена и диапазоны этих блоков приведены в табл. 7.
Функция СЧЕТЕСЛИ() осуществляет подсчет количества ячеек в ука-
занном блоке, значения которых удовлетворяют заданному условию. Функция
имеет следующий формат:
=СЧЕТЕСЛИ(блок; «условие»).
В данном случае, заданная в ячейке F13, эта функция осуществляет под-
счет количества отрицательных значений NPV, содержащихся в блоке ячеек
ЧСС (см. табл. 9).
Механизм действия функции СУММЕСЛИ() аналогичен функции СЧЕ-
ТЕСЛИ(). Отличие заключается лишь в том, что эта функция суммирует зна-
чения ячеек в указанном блоке, если они удовлетворяют заданному условию.
Функция имеет следующий формат:
=СУММЕСЛИ(блок; «условие»).
В данном случае, заданные в ячейках F14:F15, функции осуществляет
подсчет суммы отрицательных (ячейка F14) и положительных (ячейка F14) зна-
чений NPV, содержащихся в блоке ЧСС. Смысл этих расчетов будет объяснен
позже.
Две последние формулы (ячейки Е18 и F18) предназначены для проведе-
ния вероятностного анализа распределения NPV и требуют небольшого теоре-
тического отступления.
В рассматриваемом примере мы исходим из предположения о независи-
мости и равномерном распределении ключевых переменных Q, V, P. Однако
какое распределение при этом будет иметь результатная величина — показа-
тель NPV, заранее определить нельзя.
Одно из возможных решений этой проблемы — попытаться аппроксими-
ровать неизвестное распределение каким-либо известным. При этом в качестве
приближения удобнее всего использовать нормальное распределение. Это свя-
зано с тем, что в соответствии с центральной предельной теоремой теории ве-
роятностей при выполнении определенных условий сумма большого числа слу-
чайных величин имеет распределение, приблизительно соответствующее нор-
мальному.
В прикладном анализе для целей аппроксимации широко применяется ча-
стный случай нормального распределения — т.н. стандартное нормальное
распределение. Математическое ожидание стандартно распределенной случай-
ной величины ξ равно 0: Mξ=0. График этого распределения симметричен от-
носительно оси ординат и оно характеризуется всего одним параметром —
стандартным отклонением σξ=1.
Приведение случайной переменной ξ к стандартно распределенной вели-
чине Z осуществляется с помощью нормализации:
66
ξ − Mξ
Z= . (1)
σξ
Как следует из формулы (1), величина Z выражается в количестве стан-
дартных отклонений. Для вычисления вероятностей по значению нормализо-
ванной величины Z используются специальные статистические таблицы.
В EXCEL подобные вычисления осуществляются с помощью статисти-
ческих функций НОРМАЛИЗАЦИЯ() и НОРМСТРАСП().
Функция НОРМАЛИЗАЦИЯ(x; среднее; станд_откл). Эта функция воз-
вращает нормализованное значение Z величины x, на основании которого затем
вычисляется искомая вероятность p(ξ ≤ x). Она реализует соотношение (1).
Функция требует задания трех аргументов:
1) х — нормализуемое значение;
2) среднее — математическое ожидание случайной величины ξ;
3) станд_откл — стандартное отклонение.
Полученное значение Z является аргументом для следующей функции —
НОРМСТРАСП().
Функция НОРМСТРАСП(Z). Эта функция возвращает стандартное
нормальное распределение, т.е. вероятность того, что случайная нормализован-
ная величина ξ будет меньше или равна х. Она имеет всего один аргумент — Z,
вычисляемый функцией НОРМАЛИЗАЦИЯ().
Нетрудно заметить, что эти функции следует использовать в тандеме.
При этом наиболее эффективным и компактным способом их задания является
указание функции НОРМАЛИЗАЦИЯ() в качестве аргумента функции —
НОРМСТРАСП(), т.е.:
«=НОРМСТРАСП(НОРМАЛИЗАЦИЯ(x; среднее; станд_откл))».
С целью повышения наглядности, в проектируемом шаблоне функции за-
даны раздельно (ячейки Е18 и F18).
Сформируйте данный шаблон и сохраните его на магнитном диске под
именем SIMUL_1.XLT. Приступаем к имитационному эксперименту. Для его
проведения необходимо выполнить следующие шаги.
1. Ввести значения постоянных переменных (табл. 4) в ячейки В2:В4 и
D2:D4 листа «Результаты анализа».
2. Ввести значения диапазонов изменений ключевых переменных (табл. 3)
в ячейки В3:С5 листа «Имитация».
3. Задать в ячейке В7 требуемое число экспериментов.
4. Установить курсор в ячейку А11 и вставить необходимое число строк в
шаблон (номер последней строки будет вычислен в Е7).
5. Скопировать формулы блока А10:Е10 требуемое количество раз.
6. Перейти к листу «Результаты анализа» и проанализировать полученные
результаты.
Рассмотрим реализацию выделенных шагов более подробно. Выполнение
первых трех пунктов не должно вызвать особых затруднений. Введите значения
постоянных переменных в ячейки В2:В4 листа «Результаты анализа». Введите
значения диапазонов изменений ключевых переменных в ячейки В3:С5 листа
67
«Имитация». Укажите в ячейке В7 число проводимых экспериментов, например
— 500. Установите табличный курсор в ячейку А11.
На следующем шаге необходимо вставить в шаблон нужное количество
строк (498). Однако выделение такого количества строк при помощи указателя
мыши — достаточно трудоемкая операция. EXCEL предоставляет более эффек-
тивные процедуры для выполнения подобных операций. В частности, в данном
случае можно воспользоваться операцией перехода, которую также удобно при-
менять и для выделения больших диапазонов ячеек.
Нажмите функциональную
клавишу [F5]. На экране появится
окно диалога «Переход» (рис. 9).
Для перехода к нужному
участку электронной таблицы
достаточно указать в поле «Ссыл-
ка» адрес или имя соответствую-
щей ячейки (блока). В данном
случае, таким адресом будет лю-
бая ячейка последней вставляе-
мой строки, номер которой вы-
Рис. 9 — Окно диалога числен в ячейке Е7 (508). Напри-
«Переход» мер, в качестве адреса перехода
может быть указана ячейка А508.
Введите в поле «Ссылка» адрес: А508 и нажмите комбинацию клавиш
[SHIFT] + [ENTER]. Результатом выполнения этих действий будет выделение
блока А11:А508. После чего осуществите вставку строк любым из известных
вам способов.
Теперь необходимо заполнить вставленные строки формулами блока яче-
ек А10:Е10. Для этого выполните следующие действия.
1. Выделите и скопируйте в буфер блок ячеек А10:Е10.
2. Нажмите комбинацию клавиш [CTRL] + [SHIFT] + [↓ ].
3. Нажмите клавишу [ENTER].
4. Нажмите клавишу [F9].
Результатом выполнения этих действий будет заполнение блока А10:Е509
случайными значениями ключевых переменных V, Q, P и результатами вычис-
лений величин NCF и NPV. Фрагмент результатов имитации, приведен на
рис.10. Соответствующие проведенному эксперименту результаты анализа
приведены на рис.11.
68
Рис. 10 — Результаты имитации
69
него риска инвестиционного портфеля фирмы. Результаты вероят-
ностного анализа показывают, что шанс получить отрицательную
величину NPV не превышает 7%. Еще больший оптимизм внушают
результаты анализа распределения чистых поступлений от проекта
NCF. Величина стандартного отклонения здесь составляет всего
42% от среднего значения. Таким образом, с вероятностью более
90% можно утверждать, что поступления от проекта будут поло-
жительными величинами.
Сумма всех отрицательных значений NPV в полученной генеральной сово-
купности (ячейка F14) может быть интерпретирована как чистая стоимость не-
определенности для инвестора в случае принятия проекта. Аналогично сум-
ма всех положительных значений NPV (ячейка F15) может трактоваться как
чистая стоимость неопределенности для инвестора в случае отклонения
проекта. Несмотря на всю условность этих показателей, в целом они представ-
ляют собой индикаторы целесообразности проведения дальнейшего анализа.
В данном случае они наглядно демонстрируют несоизмеримость суммы
возможных убытков по отношению к общей сумме доходов (-11691,92 и
1692669,76 соответственно).
На практике одним из важнейших этапов анализа результатов имитацион-
ного эксперимента является исследование зависимостей между ключевыми па-
раметрами. Количественная оценка вариации напрямую зависит от степени кор-
реляции между случайными величинами. Методы оценки степени зависимости, а
также технология ее автоматизации путем применения специальных инструмен-
тов EXCEL, будут продемонстрированы ниже. Здесь же мы ограничимся визу-
альным (графическим) исследованием. На рис. 12 приведен график распределе-
ния значений ключевых параметров V, P и Q, построенный на основании 75 ими-
таций.
71
тий следующим образом (табл. 10). Мы также будем исходить из предположе-
ния о нормальном распределении ключевых переменных. Количество имитаций
оставим прежним — 500.
73
Рис. 15 — Лист «Имитация» (шаблон II)
Первая часть этого листа (блок ячеек А1:Е10) предназначена для ввода
исходных данных и расчета необходимых параметров их распределений. На-
помним, что нормальное распределение случайной величины характеризуется
двумя параметрами — математическим ожиданием (средним) и стандартным
отклонением. Формулы расчета указанных параметров для ключевых перемен-
ных модели заданы в блоках ячеек В7:D7 и B8:D8 соответственно (см. табл.
13). Для удобства определения формул и повышения их наглядности блоку яче-
ек Е3:Е5 присвоено имя «Вероятности» (см. табл. 12).
75
Заполните остальные поля изменившегося окна согласно рис. 18 и на-
жмите кнопку «ОК». Результатом будет заполнение блока ячеек
А13:А512 (переменные расходы) сгенерированными случайными зна-
чениями.
76
условиям примера оно должно быть равно 500 (см. рис. 18). При этом EXCEL
автоматически подсчитывает необходимое количество ячеек для хранения ге-
неральной совокупности.
Необходимый вид распределения задается путем соответствующего вы-
бора из списка «Распределения». Как уже отмечалось ранее, могут быть полу-
чены 7 наиболее распространенных в практическом анализе типов распределе-
ний, каждое из которых характеризуется собственными параметрами. Выбран-
ный тип распределения определяет внешний вид диалогового окна. В рассмат-
риваемом примере выбор типа распределения «Нормальное» повлек за собой
появление дополнительных аргументов — его параметров «Среднее» и «Стан-
дартное отклонение», рассчитанных ранее для исследуемой переменной V в
ячейках В7 и В8 листа «Имитация». Эти аргументы могут быть заданы толь-
ко в виде констант. Использование адресов ячеек и собственных имен
здесь не допускается!
Указание аргумента «Случайное рассеивание» позволяет при повторных
запусках генератора получать те же значения случайных величин, что и при
первом. Таким образом, одну и ту же генеральную совокупность случайных чи-
сел можно получить несколько раз, что значительно повышает эффективность
анализа (сравните с предыдущим шаблоном!). В случае если этот аргумент не
задан (равен 0), при каждом последующем запуске генератора будет формиро-
ваться новая генеральная совокупность. В нашем примере этот аргумент задан
равным 1, что позволит нам оперировать с одной и той же генеральной сово-
купностью и избежать постоянных перерасчетов ЭТ.
Последний аргумент диалогового окна «Генерация случайных чисел» —
«Параметры вывода» определяет место расположения полученных результатов.
Место вывода задается путем установления соответствующего флажка. При этом
можно выбрать три варианта размещения:
1) выходной блок ячеек на текущем листе — введите ссылку на левую верх-
нюю ячейку выходного диапазона, при этом его размер будет определен
автоматически и в случае возможного наложения генерируемых значений
на уже имеющиеся данные на экран будет выведено предупреждающее
сообщение;
2) новый рабочий лист — в рабочей книге будет открыт новый лист, содер-
жащий результаты генерации случайных величин, начиная с ячейки A1;
3) новая рабочая книга — будет открыта новая книга с результатами имита-
ции на первом листе.
В рассматриваемом примере для проведения дальнейшего анализа необ-
ходимо, чтобы случайные величины размещались в специально отведенные для
них блоки ячеек (см. табл. 12). В частности для хранения 500 значений первой
переменной ранее был отведен блок ячеек А13:А512. Поскольку для этого бло-
ка определено собственной имя — «Перем_расх», оно указано в качестве вы-
ходного диапазона. Отметим, что при увеличении либо уменьшении количества
имитаций необходимо также переопределить и выходные блоки, предназначен-
ные для хранения значений переменных.
77
Генерация значений остальных переменных Q и Р осуществляется анало-
гичным образом, путем выполнения шагов 1–3. Пример заполнения окна «Ге-
нерация случайных чисел» для переменной Q (количество) приведен на рис. 19.
78
вероятность того, что величина NPV окажется больше чем
М(NPV)+σ , равна 16% (ячейка F19). Вероятность попадания значе-
ния NPV в интервал [М(NPV)–σ ; М(NPV)] равна 34%.
79
4.1.4.3 Статистический анализ результатов имитации
bXY = ∑∑ ( X t − MX ) (Yq − MY ) p ( X t , Yq )
t q
80
Определение количественных характеристик для оценки тесноты взаимо-
связи между случайными величинами в EXCEL может быть осуществлено дву-
мя способами:
1) с помощью статистических функций КОВАР() и КОРРЕЛ();
2) с помощью специальных инструментов статистического анализа.
Если число исследуемых переменных больше 2, более удобным является
использование инструментов анализа.
Инструмент анализа данных «Корреляция». Определим степень тесно-
ты взаимосвязей между переменными V, Q, P, NCF и NPV. При этом в качестве
меры будем использовать коэффициент корреляции r.
1. Выберите в главном меню тему «Сервис» пункт «Анализ данных». Ре-
зультатом выполнения этих действий будет появление диалогового ок-
на «Анализ данных», содержащего список инструментов анализа.
2. Выберите из списка «Инструменты анализа» пункт «Корреляция» и
нажмите кнопку «ОК» (рис. 22). Результатом будет появление окна
диалога инструмента «Корреляция».
3. Заполните поля диалогового окна, как показано на рис. 23 и нажмите
кнопку «ОК».
Вид полученной таблицы после выполнения элементарных операций
форматирования приведен на рис. 24.
81
Рис. 24 — Результаты корреляционного анализа
Результаты корреляционного анализа представлены в виде квадратной
матрицы, заполненной только наполовину, поскольку значение коэффициента
корреляции между двумя случайными величинами не зависит от порядка их
обработки. Нетрудно заметить, что эта матрица симметрична относительно
главной диагонали, элементы которой равны 1, так как каждая переменная кор-
релирует сама с собой.
82
справедливость сделанных допущений, по крайней мере, для выходного пока-
зателя NPV, нуждается в проверке.
Для проверки гипотезы о нормальном распределении случайной величи-
ны применяются специальные статистические критерии: Колмогорова-
Смирнова, ω2, χ2. В целом EXCEL позволяет быстро и эффективно осущест-
вить расчет требуемого критерия и провести статистическую оценку гипотез.
Однако в простейшем случае для этих целей можно использовать такие
характеристики распределения, как асимметрия (скос) и эксцесс. Напомним,
что для нормального распределения эти характеристики должны быть равны 0.
На практике близкими к нулевым значениями можно пренебречь. Для вычисле-
ния коэффициента асимметрии и эксцесса в EXCEL реализованы специальные
статистические функции — СКОС() и ЭКСЦЕСС().
Мы же будем использовать возникшую проблему как повод для знаком-
ства с еще одним полезным инструментом анализа данных EXCEL — «Описа-
тельная статистика».
Инструмент анализа данных «Описательная статистика». Чем больше
характеристик распределения случайной величины нам известно, тем точнее
мы можем судить об описываемых ею процессов. Инструмент «Описательная
статистика» автоматически вычисляет наиболее широко используемые в прак-
тическом анализе характеристики распределений. При этом значения могут
быть определены сразу для нескольких исследуемых переменных.
Определим параметры описательной статистики для переменных V, Q, P,
NCF, NPV. Для этого необходимо выполнить следующие шаги.
1. Выберите в главном меню тему «Сервис» пункт «Анализ данных». Ре-
зультатом выполнения этих действий будет появление диалогового ок-
на «Анализ данных», содержащего список инструментов анализа.
2. Выберите из списка «Инструменты анализа» пункт «Описательная ста-
тистика» и нажмите кнопку «ОК». Результатом будет появление окна
диалога инструмента «Описательная статистика».
3. Заполните поля диалогового окна, как показано на рис. 25 и нажмите
кнопку «ОК».
Результатом выполнения указанных действий будет формирование от-
дельного листа, содержащего вычисленные характеристики описательной ста-
тистики для исследуемых переменных. Выполнив операции форматирования,
можно привести полученную таблицу к более наглядному виду (рис. 26).
83
Рис. 25 — Заполнение полей диалогового окна «Описательная ста-
тистика»
86
Для рассматриваемого примера это означает, что с вероятностью 0,95
(95%) величина математического ожидания NPV попадет в интервал 3412,14
± 224,88.
Вы можете указать другой уровень надежности, например — 98%, путем
ввода соответствующего значения в поле «Уровень надежности» диалогового
окна «Описательная статистика». Следует отметить, что чем выше принятый
уровень надежности, тем больше будет величина доверительного интерва-
ла для среднего.
Расчет доверительного интервала для среднего значения можно также
осуществить с помощью специальной статистической функции ДОВЕРИТ() .
Дополнение «Анализ данных» содержит целый ряд других полезных ин-
струментов, позволяющих быстро и эффективно осуществить требуемый вид
обработки данных. Вместе с тем, большинство из них требует осмысленного
применения и соответствующей подготовки пользователя в области математи-
ческой статистики.
В заключении отметим, что имитационное моделирование позволяет
учесть максимально возможное число факторов внешней среды для поддержки
принятия управленческих решений и является наиболее мощным средством
анализа инвестиционных рисков. Необходимость его применения в отечествен-
ной финансовой практике обусловлена особенностями российского рынка, ха-
рактеризующегося субъективизмом, зависимостью от внеэкономических фак-
торов и высокой степенью неопределенности.
Результаты имитации могут быть дополнены вероятностным и статисти-
ческим анализом и в целом обеспечивают менеджера наиболее полной инфор-
мацией о степени влияния ключевых факторов на ожидаемые результаты и
возможных сценариях развития событий.
К недостаткам рассмотренного подхода следует отнести:
− трудность понимания и восприятия менеджерами имитационных моде-
лей, учитывающих большое число внешних и внутренних факторов,
вследствие их математической сложности и объемности;
− при разработке реальных моделей может возникнуть необходимость при-
влечения специалистов или научных консультантов со стороны;
− относительную неточность полученных результатов, по сравнению с дру-
гими методами численного анализа и др.
4
1 . 10
0
30 40 50
89
Двери
6 Θ := 10 Стоимость нового элемента
7 m := 0.3 ⋅ Θ ∆ := 0.05 ⋅ Θ σ := ∆ ÷ 3 Задание параметров закона распределения
8 Nd := rnorm ( n , m , σ) Генерация массива Nd
9 lo := floor ( min ( Nd ) ) up := ceil ( max ( Nd ) ) h := ( up − lo ) ÷ bi int j := lo + h⋅ j f := hist ( int , Nd )
Построение гистограммы Nd
4
2 . 10
4
1 . 10
0
2.5 3 3.5
Система водоснабжения
10 Θ := 42 Стоимость нового элемента
11 a := 0.1 ⋅ Θ b := 0.15 ⋅ Θ Ns := runif ( n , a , b )
Задание параметров закона распределения Ns и генерация соответствующего массива
12 lo := floor ( min ( Ns ) ) up := ceil ( max ( Ns ) ) h := ( up − lo ) ÷ bi int j := lo + h⋅ j f := hist ( int , Ns )
Построение гистограммы Ns
5000
0
5 6
Кровля
13 Θ := 30 Стоимость нового элемента
14 a := 0.1⋅ Θ b := 0.15 ⋅ Θ Задание параметров закона распределения
Nk
15
( 2
Nk := a + runif ( n , 0 , 1 ) ⋅ b − 2 ⋅ runif ( n , 0 , 1 ) ⋅ b ⋅ a + runif ( n , 0 , 1 ) ⋅ a
2
) 0.5
Генерация массива Nk
16 lo := floor ( min ( Nk ) ) up := ceil ( max ( Nk ) ) h := ( up − lo ) ÷ bi int j := lo + h⋅ j f := hist ( int , Nk)
Построение гистограммы Nk
4
1 . 10
0
3 4
90
Суммарные затраты:
MNsum := mean ( Nw) + mean( Nd) + mean ( Ns ) + mean ( Nk) MNsum = 52.2495
2 2 2 2
σNsum := stdev( Nw ) + stdev( Nd) + stdev( Ns ) + stdev( Nk) σNsum = 3.4080
n−1
Проверка: Nsum ( i) := Nwi + Ndi + Ns i + Nki MNsum :=
∑ Nsum ( i) ÷ ( n − 1)
0.5 i =0
⎡⎡ n− 1 ⎤ ⎤
σNsum := ⎢⎢
∑ ( Nsum ( i) − MNsum ) ⎥ ÷ ( n − 2)⎥
2
MNsum = 52.2495 σNsum = 3.4082
⎢⎢ ⎥ ⎥
⎣⎣ i = 0 ⎦ ⎦
4
При написании раздела 4.3 использовались материалы с сайтов http://www.interface.ru и
http://sancase.narod.ru.
91
Рис. 27 — Контекстная диаграмма
Далее, определим основные процессы страхования. Это будут: консуль-
тации; заключение договора; страховые выплаты. Отразим эти блоки на диа-
грамме первого уровня С0 (рис.28).
92
зан регулярно вносить обусловленную договором страхования плату (страхо-
вую премию).
Выходными данными модели будут: отказ в страховании; страховой по-
лис и договор; страховое возмещение. Теперь создадим диаграмму «Консуль-
тации» (рис.29). Сотрудник, являющийся консультантом, используя законода-
тельные документы и внутренние инструкции, находит ответ на вопрос и сооб-
щает его клиенту по телефону.
Рис. 29 — Консультации
«Заключение договора» (рис.30) состоит из двух частей: Предварительная бесе-
да и Оформление договора.
94
Рис. 32 — Оформление договора
«Страховые выплаты» (рис.33) проводятся в случае наступления страхового со-
бытия. Инспектор рассматривает заявление клиента, страховой полис и доку-
менты, подтверждающие факт страхового события. Проводится осмотр авто-
транспорта. На основании этого принимается решение о выплате или отказе.
96
Рис. 35 — Центр страхования
В его состав включим: договорный отдел, отдел страховых выплат и ру-
ководителя центра (рис.36). Необходимо иметь в виду, что в реальном процессе
существует гораздо больше организационных единиц. Теперь вернемся на
верхний уровень и определимся, с какими внешними объектами мы будем
взаимодействовать. Во-первых, — это страхователь, который будет заключать
договор. Во-вторых, — это опять страхователь, который будет получать стра-
ховое возмещение. Можно также рассматривать взаимодействие с банками, ор-
ганами внутренних дел, судебные споры, материально-техническое обеспече-
ние, рекламу и т.д.
97
Чтобы узнать, что делает страхователь, надо обратиться к модели IDEF0.
Он будет: задавать вопросы; подавать документы; подавать заявление о выпла-
те страхового возмещения. На выходе он может получить: ответ на вопрос;
страховой полис; страховое возмещение; отказ в страховании; отказ в выплате
страхового возмещения. Кроме того, он сам может отказаться от заключения
договора. Вопросы клиентов могут поступать как в договорный отдел, так и в
отдел страховых выплат. То же касается и документов клиента. При заключе-
нии договора сотрудник договорного отдела оформляет полис. Клиент вносит
деньги и получает полис. Теперь, если посмотреть первую модель, можно заме-
тить, что в ней забыта касса. На этом этапе, после рассмотрения документов,
возможен и отказ в страховании. Далее, создадим архив, куда будут помещать-
ся копии документов. Заявление на выплату рассматривается в отделе страхо-
вых выплат. Туда же подаются акты, протоколы и другие документы, подтвер-
ждающие факт наступления страхового случая. Заявление утверждает началь-
ник центра. После рассмотрения документов возможен отказ в страховом воз-
мещении. Таким способом можно дальше развертывать организационную
структуру.
При желании можно построить организационные диаграммы и выдавать
отчеты по проекту. В версии 4.1 есть мастер отчетов, который позволяет сфор-
мировать по своему желанию отчет в формате HTML или Word. Можно ис-
пользовать готовые шаблоны.
Имеется возможность создавать Определенные Пользователем Свойства (User
Defined Property, UDP). Каждой работе можно поставить в соответствие набор
UDP и проанализировать результат в специальном отчете Diagram Object
Report. Через UDP могут быть запущены другие документы и приложения.
BPWin позволяет рассчитать стоимость и продолжительность работ. Для
это необходимо создать Центры затрат (Cost centers), которые можно тракто-
вать как статьи расхода. При проведении стоимостного анализа в BPwin снача-
ла задаются единицы измерения времени и денег, затем описываются центры
затрат и, наконец для каждой работы на диаграмме декомпозиции назначаются
продолжительность (duration), частота проведения данной работы в рамках об-
щего процесса (frequency) и суммы по каждому центру затрат, то есть задается
стоимость каждой работы по каждой статье расхода. Этот принцип подсчета
справедлив, если работы выполняются последовательно.
Возьмем, например, диаграмму С22: «Оформление договора» и проведем
расчет стоимости. Будем считать, что в этом процессе участвуют: руководи-
тель, который утверждает документы; четыре инспектора, которые заключают
договоры страхования; один кассир, который принимает деньги. Ежедневно по-
ступает 40 заявлений на страхование. Будем считать, что зарплата инспектора –
300 р/день, руководителя 500 р/день, а кассира – 200 р/день. Создадим следую-
щие центры затрат: зарплата; оборудование; расходные материалы.
В блок «Проверка транспорта» запишем всю дневную зарплату инспекторов
(чтобы не делить ее на несколько частей) – 300рх4=1200р. Продолжительность
проверки примем равной 0,2 час. В блоке «Заполнение страхового полиса» оп-
ределим, что на все полисы в день потребуется: 200р на расходные материалы и
98
50р на амортизацию оборудования. Продолжительность операции примем рав-
ной 0,3 час. В блоке «Прием оплаты» запишем всю дневную зарплату кассира –
200р. Продолжительность операции примем равной 0,1 час. Затраты на расход-
ные материалы – 50р, на оборудование – 50р. В блоке «Подпись и выдача стра-
хового полиса» запишем всю дневную зарплату руководителя – 500р, на рас-
ходные материалы – 50р, на оборудование – 0р. Продолжительность примем
равной 0,1 час. В блоке «Помещение копии страхового полиса в архив» запи-
шем на расходные материалы – 30р, на оборудование – 20р. Продолжитель-
ность примем равной 0,1 час. В результате на диаграмме будут отражены ре-
зультаты расчета стоимости. А на диаграмме верхнего уровня будет выведена
стоимость 2350р. Если в свойствах модели указать «отображать продолжитель-
ность» процессов, то получим, что общая продолжительность оформления до-
говора составит 0,8 часа.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Адлер Ю. П. Статистические методы в имитационном моделировании М.:
Мир, 1990.
2. Калашников В. В. Организация моделирования сложных систем. – М.: Выс-
шая школа, 1990.
3. Максимей И. В. Имитационное моделирование на ЭВМ. – М.: Радио и связь,
1988.
4. Павловский Ю. Н. Имитационные модели и системы. – М.: Высшая школа,
1990.
5. Советов Б. Я., Яковлев С.А. Моделирование систем. – М.: Высшая школа,
1998.
6. Спицнадель В. Н. Основы системного анализа: Учебное пособие.–СПб.:
«Изд. Дом «Бизнес-пресса», 2000.
7. Кельтон В., Лоу А. Имитационное моделирование. Классика CS. 3-е изд.–
Спб.: Питер; Киев: Издательская группа BHV, 2004.
8. Кирьянов Д. В. Самоучитель MathCAD 2001 – СПб.: БХВ-Петербург, 2001.
9. Коштоев В.В. Информационные системы и феномен жизни. – Тбилиси, 1998.
10. Лийв Э. Х. Обобщённая негэнтропия, её поле и информационная среда. –
Таллинн:Изд-во Таллиннского технического университета, 2001.
11. Лийв Э. Х. Инфодинамика. Обощенная энтропия и негэнтропия. –
http://www.staff.ttu.ee/~elmliiv/book/book.htm.
99
Приложение 1
100
Таблица 17 — Варианты исходных данных к задаче 1
Q наихудший
Q наилучший
V наихудший
V наилучший
P наихудший
P наилучший
Q вероятный
V вероятный
P вероятный
№ F A T r n I0
101
Таблица 18 — Варианты исходных данных к задаче 2
Стены Двери Водоснаб. Кровля N×103
Вари-
руб. m/a 3σ/b руб. m/a 3σ/b руб. m/a 3σ/b руб. m/a 3σ/b
1 618 Норм. 10 Tреуг. 40 Равн. 50 Норм. 300
20 5 10 15 15 20 40 15
2 480 Tреуг. 20 Равн. 30 Норм. 44 Tреуг. 100
10 15 25 35 20 5 10 50
3 702 Равн. 15 Норм. 42 Треуг. 80 Равн. 80
25 35 30 10 10 40 20 25
4 535 Норм. 8 Треуг. 50 Равн. 54 Норм. 50
30 10 20 25 20 30 25 10
5 400 Треуг. 30 Равн. 33 Норм. 35 Треуг. 500
20 25 10 20 40 10 15 40
6 228 Равн. 20 Норм. 17 Tреуг. 28 Равн. 40
10 20 25 5 10 25 25 40
7 272 Норм. 17 Tреуг. 22 Равн. 40 Норм. 100
25 5 10 15 30 50 35 5
8 385 Tреуг. 20 Равн. 33 Норм. 40 Tреуг. 200
20 30 20 30 50 5 20 35
9 267 Равн. 10 Норм. 18 Треуг. 50 Равн. 300
20 40 20 5 30 50 5 20
10 282 Норм. 20 Треуг. 19 Равн. 44 Норм. 100
10 5 10 5 30 35 40 15
11 399 Треуг. 15 Равн. 27 Норм. 80 Треуг. 80
15 30 20 25 20 10 35 50
12 408 Равн. 8 Норм. 30 Tреуг. 54 Равн. 50
5 20 25 10 15 20 20 40
13 814 Норм. 30 Tреуг. 44 Равн. 35 Норм. 500
20 5 15 25 40 50 40 10
14 618 Tреуг. 20 Равн. 38 Норм. 28 Tреуг. 40
20 30 10 30 35 5 5 20
15 480 Равн. 17 Норм. 49 Треуг. 40 Равн. 100
10 20 35 5 0 10 25 40
16 343 Норм. 20 Треуг. 30 Равн. 40 Норм. 200
20 5 10 20 5 20 30 10
17 535 Треуг. 10 Равн. 42 Норм. 50 Треуг. 300
20 30 30 40 35 15 15 30
18 489 Равн. 20 Норм. 40 Tреуг. 44 Равн. 100
25 50 40 10 30 40 40 50
19 228 Норм. 15 Tреуг. 19 Равн. 80 Норм. 80
30 10 10 20 20 25 40 10
102
20 385 Tреуг. 8 Равн. 29 Норм. 54 Tреуг. 50
10 30 15 30 30 5 5 15
21 510 Равн. 30 Норм. 55 Треуг. 35 Равн. 500
15 20 25 10 5 20 30 40
22 282 Норм. 20 Треуг. 25 Равн. 28 Норм. 40
30 5 25 40 25 40 35 10
23 399 Треуг. 17 Равн. 22 Норм. 40 Треуг. 100
20 25 30 50 35 5 30 40
24 422 Равн. 20 Норм. 35 Треуг. 40 Равн. 200
10 30 50 10 40 60 30 50
25 667 Норм. 24 Треуг. 42 Равн. 80 Норм. 150
40 10 30 50 20 50 50 10
x
m x
x
b 3σ 3σ a b
103
Приложение 2
107
подаваемые на входы блока должны быть одного типа (действительного или
комплексного).
Параметры, заданные для используемых в данной модели источников
сигналов, приведены на рис. 39.
Как видно из рис. 38 при данной комбинации исходных данных зависи-
мость накопления прибыли от времени имеет ярко выраженный нелинейный
108