Вы находитесь на странице: 1из 108

Министерство образования и науки Российской Федерации

Федеральное агентство по образованию


Южно-Уральский государственный университет

У.я7
Г122

Габрин К.Э., Козлова Е.А.

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

Габрин К. Э., Козлова Е. А. Основы имитационного моделирования в


экономике и управлении: Учебное пособие для самостоятельной подготов-
ки студентов. – Челябинск: Издательство ЮУрГУ, 2004. – 108 с.

В пособии приведено описание теоретических основ и прикладных


методов имитационного моделирования социально-экономических систем
с использованием современных средств компьютерного моделирования.
Особое внимание уделено решению практических задач. Приведены вари-
анты контрольных заданий.

Пособие предназначено для студентов специальностей 060811, 061101,


061135 и 0605.

Ил. 39, табл. 18, прилож. 2, список лит. – 11 наимен.

Одобрено учебно-методической комиссией факультета «Экономика и


управление».

Рецензенты: д.э.н. Лутовинов П.П., к.э.н. Здунов В.И.

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

Вселенная состоит из бесконечного числа объектов, находящихся в со-


стоянии непрерывного развития в условиях огромного разнообразия. Кроме ма-
териальных частиц и энергии сюда относятся также разного рода поля, духовная
жизнь, сознание, эмоции, явления культуры, энергетические коллапсы в космосе
и исчезновения вещества, пространства и времени на расстояниях меньше, чем
предельная длина Планка (10-35 м). В этом разнообразии единственном призна-
ком, который имеется у всех объектов и явлений, является их системное строе-
ние. Нет объектов и явлений, которые не образовывали бы систему с другими
объектами и не являлись бы системой элементов. Для понятия «система» дано
множество формулировок. Каждое понятие может быть конкретизировано по
разным признакам структурой, функциями, динамическими изменениями по
времени и взаимоотношениями с окружающей средой. В динамических системах
одной из переменных может быть также и время.
Рассмотрим, что понимается под системой вообще, и какие основные ка-
чества свойственны такой сущности как система. Как известно, каждый реаль-
ный материальный объект имеет определенную внутреннюю организацию:
упорядоченность в пространстве и (или) во времени, т.е. структуру. Поэтому в
современном понимании материя — это единство вещества или поля, энергии и
организации. Бесконечная совокупность предметов и явлений находится в са-
мых разнообразных отношениях, связях, друг с другом.
Связь — это общее выражение зависимости между явлениями, отражение
взаимообусловленности их существования и развития. Связи могут быть внут-
ренние, внешние, непос-редственные и опосредованные, функциональные и ге-
нетические, закономерные и случайные и т.д. Любая форма связи имеет свое
определенное основание, т.е. существенную объективную причину или при-
чинность, которая обеспечивает образование и существование связи. Обычно
выделяют причины материальные, энергетические и информационные. Причи-
ны первых двух видов условно объединим в один вид: физический или сило-
вой. Закономерные причины будем считать однозначными, т.е. функциональ-
ными. Тогда физические причины в зависимости от способа их проявления
можно подразделить на функциональные, стохастические (вероятностные, слу-
чайные) и функционально-стохастические. Последний тип физических причин
означает, что причина состоит из двух компонент: одна из которых проявляется
как функциональная, а другая — как стохастическая. Тип, вид, причинности
определяет тип соответствующей связи, отношения и взаимодействия. Любые
изменения реального объекта вызываются определенными причинами и обу-
славливают некоторые следствия. Следовательно, связи, вызывающие некото-
рые изменения реального объекта, являются причинно-следственными или де-
терминированными и обязательно предполагают определенную последователь-
ность во времени развития этого изменения (взаимодействия).

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.

1.2 ОБЪЕКТИВНОСТЬ СУЩЕСТВОВАНИЯ СИСТЕМ

Кажущаяся мысленная свобода выбора систем по структуре, функцио-


нальным свойствам, масштабу, назначению, целенаправленности, количеству и
соотношению элементов и по другим признакам, может вызывать сомнения в
объективном существовании реальных систем. Известный специалист по сис-
темному анализу С. Л. Оптнер пишет даже, что система является всего-навсего
средством, при помощи которого достигают решение проблемы. Со стороны
потребностей субъекта это верно, но это не даёт повода для отрицания объек-
тивного существования реальных систем, их моделей и сознания. Все реально
существующие системы обладают огромным разнообразием и их невозможно в
полной глубине и объёму охватывать человеческим разумом.
В быстроизменяющимся мире одним из важнейших факторов в моделях
является время. Недостаточный учёт этого фактора вызывает быстрое старение
моделей. Составлению информационных моделей, особенно с учётом кинети-
ческих факторов, препятствует небольшая скорость принятия и обработки че-
ловеком информации. Органы чувств, особенно глаз человека, способны при-
нимать тысячи бит информации в секунду. Однако, обработать и сохранять в
памяти мозг способен только 10–50 бит/сек. Латентный период для раздражи-
телей различной модальности составляет 0,1–1,0 сек. Максимально усвоенная
за всю жизнь человеком информация составляет 1010 бит. В действительности
эта цифра значительно меньше из-за перерывов в принятии информации и
вследствие забвения. Активный фонд памяти около 105 бит. Оперативная па-
мять перед взором человека — около 100 бит. Сравнивая эти ничтожные объё-
мы и скорости освоения информации её объёмами в мире и скоростями измене-
ния систем, очевидно, что человек никогда не может осознать мир в полном
объёме, и он всегда вынужден оперировать только приближёнными моделями
о нем.
Итак, человек и наука используют для решения проблем упрощённые мо-
дели–системы, в т.ч. системы мыслей, понятий, теории и др. Однако, каждая
мысленная модель в сознании человека является также системой, только во
вторичной реальности (в мыслях). Мысли больше или меньше совпадают с пер-
вичной реальностью, но являются самостоятельными системами, содержащими
негэнтропию, массу и энергию.
Возражения против объективности систем исходят обычно не от отрица-
ния их состава — совокупности элементов, а от отрицания достоверности, од-
нозначности других признаков системы — целостности и отношения между
элементами. Например, понятие спирт не обозначает только совокупность —
систему данного химического соединения в мире. Спирт является и компонен-

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

Пределы систем мы можем выбирать из огромного числа вариантов, со-


блюдая определённые условия целостности. Можно рассмотреть в качестве
системы весь универсум. В то же время можно рассмотреть в качестве системы
атом, атомное ядро. Наименьшими воображаемыми в настоящее время систе-
мами являются кванты энергетических полей: электромагнитного, гравитаци-
онного и др.
Основной закономерностью в отношениях между всеми системами и их
элементами является иерархическая структура их общего расположения на
многих уровнях. Любая система сама уже имеет иерархическую структуру, её
элементы образуют нижний уровень. Сама система с её структурой, общими
свойствами и функциональной направленностью образует более высокий уро-
вень.
Каждая система является частью или элементом системы более высокого
уровня. В то же время система состоит из элементов, которые представляют со-
бой тоже системы, состоящие из элементов более низкого уровня. Системы
располагаются по закону потенциальной иерархичности систем. Универсум со-
стоит из огромного числа уровней систем. По этому закону и универсум дол-
жен быть элементом системы ещё более высокого уровня. Эта система нам ещё
неизвестна, но должна существовать. Условно можно её называть Богом. Ие-
рархия наблюдается и в комплексе моделей реального мира, в нашем сознании
— в мыслях, гипотезах, теории, прогнозах и чувствах.
Иерархическая система не является одномерной, т.е. иерархии перепле-
таются между собой. Конкретные элементы или системы могут участвовать во
многих иерархических комплексах. Как системы, так и элементы рассматрива-
ются в иерархическом комплексе по критериям одной целевой направленности
или целесообразности. Однако, системы или их элементы могут иметь много
целевых направленностей. Тем самым они участвуют во многих целевых ие-
рархических комплексах. Общий иерархический комплекс превращается в пе-
реплетённую в многомерном пространстве сложную сетку.
Например, атом углерода может быть составным элементом миллионов
видов органических молекул. Каждая молекула, в свою очередь, является ком-
понентом живых тканей разной структуры. Электронная структура атома угле-
рода, в зависимости от строения молекулы, несколько изменяется. Но атом со-
храняет свою целостность. Отдельный человек может быть участником в очень
многих иерархически структурированных системах. Во-первых, в системе всего
человечества (декларированные права человека). Дальше он является гражда-
нином (участвует в системе государства). Он работает в фирме или в организа-
ции, которые являются частью вышестоящих организаций. Он может быть ре-
лигиозным и участвует в деятельности церквей или сект и т.д. В общем, чело-

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

Системы могут обладать разной степенью открытости. Теоретически и


практически не удалось полностью изолировать ни одной системы. Информа-
ция может передаваться и через гравитационное поле, через поток нейтрино и
др. путём. В реальном мире не могут существовать и полностью открытые сис-
темы, т.е. ничем не изолированные и не ограниченные от внешней среды. В та-
ком случае они не являются системами по определению.
Между системами происходит обмен массой, энергией и информацией
— обобщенной негэнтропией. Причиной обмена является неравновесное со-
стояние систем, как во взаимодействии между элементами, так и между систе-
мами. Исходной причиной неравновесия являются существующие в универсуме
мощные потоки высококачественной (направленной) энергии и ОНГ. Огром-
ными запасами энергии и ОНГ обладает гравитационное поле, а также объеди-
ненное суперполе. Поскольку иерархии систем переплетаются между собой, то
и внутрисистемные массо-, энерго- или инфообмены могут влиять на процессы
в других иерархиях систем.
Если бы в системах наблюдались полный беспорядок, хаос, разнообразие,
то их со своими характерными свойствами не было бы. В реальном мире каж-
дая система обладает структурой и упорядоченностью, которые измеряются ко-
личеством ОНГ. Каждая система в мире обладает обобщенной энтропией —
ОЭ2 и ОНГ. ОНГ как связанная информация нейтрализует часть ОЭ и даёт сис-
теме упорядоченность.
Системы взаимодействуют между собой путём передачи массы, энергии,
ОЭ и ОНГ. В процессе обмена как масса и энергия, так и ОНГ могут концен-
трироваться или рассеиваться. В процессе инфообмена информацией считается

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

Абсолютно все системы в универсуме находятся в состоянии изменений и


превращений. Скорость изменений варьируется в очень широких пределах от
доли секунды до 1030 и более лет. Даже такие системы, которые кажутся при
нашей жизни неизменчивыми, в космическом масштабе изменяются. Например,
солнечная система, атомы и их ядра. Распадается даже протон, который до сих
пор считался абсолютно прочным (время жизни 1031…1033 лет). Причиной из-
менений являются потоки массы, энергии и ОНГ в космосе, которые переведут
системы в неравновесное состояние.
Любое превращение систем на микроуровне имеет случайный, стохасти-
ческий, вероятностный характер. На макроуровне вероятностный характер про-
цессов может быть скрыт средними значениями общих показателей. Однако
временное постоянство структур не может преодолеть общую неопределён-
ность и вероятностный характер всех систем. Случайные, вероятностные от-
клонения наблюдаются уже в объединённом суперполе — в абсолютном ва-
кууме. Возникновение виртуальных частиц (электронов, фотонов и др.) «из ни-
чего» связано со случайными флуктуациями. Невозможно описать точную ор-
биту электрона вокруг ядра атома. Можно описать только вероятностное обла-
ко возможных орбит электрона в атоме. Точное определение количества дви-
жения или места расположения частиц ограничивается в микромире соотноше-
нием неопределённости.
Неопределённость в универсуме и в системах существует не только из-
за наших незнаний, недостаточности информации, а из-за фундаментальных
свойств вещества, энергии и ОНГ. Пространство состояния и изменения сис-
тем в многомерном пространстве описываются нелинейными уравнениями, со-
держащими квадратные, кубические или многостепенные члены. Системы этих
уравнений имеют несколько или много решений. Во многих местах многомер-
ного пространства имеются точки, где незначительное изменение одного фак-
тора может вызвать движение системы в нескольких альтернативных направле-
ниях. Причём выбор направления является совершенно случайным, равноверо-
ятным. Непредсказуем конкретный путь развития, как причинное следствие де-
терминированных законов. Мир случайный уже с самого начала. Учёные счи-

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

Любая сложная система обладает иерархической структурой. Системы


содержат подсистемы, которые флуктуируют, в то же время сохраняя свою ус-
тойчивость, динамичность, преемственность и характерные свойства. Система
может быть охарактеризована, по мере повышения сложности, следующими
показателями: параметрами состояния, упорядоченности, структуры, организо-
ванности, управляемости. Состоянием системы называется точка или область
расположения его в многомерном пространстве состояния.
На сложные системы оказывает влияние огромное количество факторов
(независимых переменных) и математическая обработка их действия связана с
большими трудностями. В качестве меры упорядоченности системы R обычно
определяют степень отклонения её состояния от термодинамического равнове-
сия, т.н. введенную Клодом Шенноном величину «избыточности»:
ОЭф
R=1- ,,
ОЭм
где ОЭф — фактическая ОЭ системы , ОЭм — максимально возможная ОЭ;
R=0, если система находится в состоянии полного беспорядка (ОЭф=ОЭм);
R=1, для идеально упорядоченной системы, ОЭф=0.
Как уже отмечалось, наиболее существенной характеристикой систем яв-
ляется их структура, что определяет количество составляющих их элементов и
их взаимоотношение. Дефиниций структур много, однако, во всех формулиров-
ках для структуры прямо или косвенно подтверждается необходимость введе-
ния третьего компонента как дополнительной характеристики системы, кроме
элементов и их взаимоотношений. Компонент называется по-разному, но суще-
ство его выражается в общесистемных свойствах, целевых критериях и общих
закономерностях.
В общем, для обеспечения упорядоченности должны существовать какие-
то общие принципы, критерии, существенные свойства. Эти общие принципы
носят общее название обобщённой негэнтропии или связанной информации
(ОНГ).
1.7 НЕРАВНОВЕСНОСТЬ И ЦЕЛОСТНОСТЬ СИСТЕМ

В абсолютно равновесных системах энтропия достигает максимально


возможной величины при данном количестве элементов. Элементы при ОЭм
действуют неограниченно свободно, независимо от влияния других элементов.
В системе отсутствует какая-либо упорядоченность.

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.

1.8 СИСТЕМНЫЙ ПОДХОД И СИСТЕМНЫЙ АНАЛИЗ

Поскольку вес универсум состоит из систем, притом в виде различных


комплексов, иерархических уровней и совмещений, то представляют огромную
важность методы их исследования и преобразования. Этими вопросами уже
давно занимаются такие дисциплины, как исследование систем, системный
анализ и др. Однако, эти методы не нашли ещё достаточно широкого и всесто-
роннего применения. Причиной являются сложности исследования процессов
хранения и передачи информации в системах, а также отсутствие методических
основ. С этими связано неполное описание систем и их превращений. Соедине-
ние методов системного анализа с другими науками, теорией информации, век-
торным анализом в многомерном пространстве состояния и синергетикой от-
крывает в этой области новые возможности. При исследовании любого объекта
или явления необходим системный подход, что включает следующие основные
этапы работы.

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

Управление в современном мире становится все более трудным делом,


поскольку организационная структура общества постоянно усложняется. Эта
сложность объясняется характером взаимоотношений между различными эле-
ментами организаций и физическими системами, с которыми они взаимодейст-
вуют. Хотя эта сложность существовала давно, только сейчас приходит пони-
мание ее истинного значения. Теперь становится очевидно, что изменение од-
ной из характеристик системы может легко привести к изменениям или создать
потребность в изменениях в других частях системы.
В связи с этим одним из наиболее важных и полезных орудий анализа
сложных процессов и систем стало имитационное моделирование. Имитиро-
вать, согласно словарю Вебстера, значит «вообразить, постичь суть явления, не
прибегая к экспериментам на реальном объекте».
По существу, каждая модель или представление вещи средствами, отлич-
ными от ее реального содержания есть форма имитации. Имитационное моде-
лирование является весьма широким и недостаточно четко определенным поня-
тием, имеющим очень большое значение для лиц, ответственных за создание и
функционирование практически любых систем. Вместе с тем, сама идея имита-
ционного моделирования проста и в то же время интуитивно привлекательна.
Она дает возможность экспериментировать с системами (существующими или
предлагаемыми) в тех случаях, когда делать это на реальном объекте практиче-
ски невозможно или нецелесообразно. Каждый современный руководитель, ес-
ли он хочет добиться максимальной эффективности своего предприятия, дол-
жен периодически обращаться к методам имитационного моделирования, по-
тому что оно является наиболее универсальным методом исследования систем
и количественной оценки характеристик их функционирования.
При имитационном моделировании динамические процессы системы-
оригинала подменяются процессами, имитируемыми в абстрактной модели, но
с соблюдением основных правил (режимов, алгоритмов) функционирования
оригинала. В процессе имитации фиксируются определенные события и со-
стояния или измеряются выходные воздействия, по которым вычисляются ха-
рактеристики качества функционирования системы.
Имитационное моделирование позволяет рассматривать процессы, про-
исходящие в системе, практически на любом уровне детализации. При этом в
имитационной модели можно реализовать практически любой алгоритм управ-
ленческой деятельности или поведения системы. Кроме того, модели, которые
допускают исследование аналитическими методами, также могут анализиро-
ваться имитационными методами. Все это служит причиной того, что имитаци-
онные методы моделирования в настоящее время становятся основными мето-
дами исследования сложных систем.
Имитационное моделирование, как новое научное направление в при-
кладной математике и кибернетике начало интенсивно развиваться в конце 60-х
годов ХХ века, когда стали широко внедряться и использоваться сложные тех-
нические системы в самых разнообразных отраслях человеческой деятельности
18
(космос, транспорт, биология, медицина, экономика, новые технологии на про-
изводстве и др.).
Такие системы базируются на средствах вычислительной техники, вклю-
чают в свой состав сложные измерительные и управляющие комплексы, техно-
логическое оборудование, людей-операторов. Их исследование традиционными
математическими средствами стало невозможным или же они описываются на-
столько большим количеством математических соотношений, что найти реше-
ния возникающих задач практически невозможно в приемлемое время даже с
помощью мощных ЭВМ. Законы функционирования подобных систем не все-
гда известны, либо имеют вероятностную природу. Поведение систем во мно-
гом определяется человеческим фактором, создающим дополнительную неоп-
ределенность при попытке его учета. Создаваемые системы во многом уни-
кальны, что не позволяет зачастую в полной мере использовать данные и ин-
формацию, полученные на других аналогичных системах. Эксперименты с са-
мой системой либо невозможны, либо имеют крайне ограниченное значение.
Кроме того, системы большого масштаба многофункциональны, т. е. качество
их работы оценивается по многим составляющим.
Проблемы повышения эффективности различных звеньев в технике и
экономике потребовали развития новых методов исследования, учитывающих
указанные особенности. Имитационное моделирование, по сути, и стало един-
ственным методом решения подобного рода задач.
Существует много определений метода «имитационное моделирование»,
как инструментария исследования сложных систем, но мы остановимся на оп-
ределении, приведенном в монографии известного американского специалиста
Р. Шеннона «Имитационное моделирование систем — искусство и наука»:
«имитационное моделирование является экспериментальной и прикладной ме-
тодологией, имеющей целью:
− описать поведение системы;
− построить теории и гипотезы, которые могут объяснить наблюдаемое по-
ведение;
− использовать эти теории для предсказания будущего поведения и оценки
(в рамках ограничений, накладываемых некоторым критерием или сово-
купностью критериев) различных стратегий, обеспечивающих функцио-
нирование данной системы».
С точки зрения компьютерной реализации имитационное моделирование
— это комплексный метод исследования сложных систем на ЭВМ, включаю-
щий построение концептуальных, математических и программных моделей,
выполнение широкого спектра целенаправленных имитационных эксперимен-
тов, обработку и интерпретацию результатов этих экспериментов.
Процесс моделирования включает такие этапы, как создание модели, про-
граммирование, проведение имитационных экспериментов, обработку и интер-
претацию результатов моделирования. Однако традиционно предпочтение от-
давалось этапу программирования. Возникающая при этом схема моделирова-
ния во многом повторяет схему проведения натурных испытаний и сводится
лишь к имитации траекторий изученных моделей. С появлением имитационных
19
моделей изменилась концепция моделирования, которая теперь рассматривает-
ся как единый процесс построения и исследования моделей, имеющий про-
граммную поддержку. Теперь во главу угла ставится формальное понятие мо-
дели, которое не только поясняет динамику системы, но и служит предметом
математических исследований. Становится возможным достоверный анализ
многих практически важных свойств модели (стационарных распределений,
малых вероятностей, чувствительности, надежности и достоверности результа-
тов моделирования). Эти свойства особенно существенны при исследовании
высокоответственных и крупномасштабных систем, где цена ошибки особенно
высока.
Традиционно методы имитационного моделирования реализуют процесс
формализации исследуемых систем на основе таких понятий как «концептуаль-
ная модель» и «обобщённая схема функционирования».
Высокоразвитые языки имитационного моделирования опираются на со-
ответствующие концептуальные базы (наборы понятий), в терминах которых и
формулируются (представляются) концептуальные модели исследуемых систем
и процессов.
Состав концептуальной базы формируется в зависимости от проблемной
ориентации языка моделирования (для систем с дискретными событиями, не-
прерывных систем и гибридных систем). Так, концептуальная база систем мо-
делирования дискретных процессов включает такие понятия как объект (про-
цесс), класс объекта, атрибут объекта, схема поведения объекта, приоритет
объекта, событие, время, список событий.
Хотелось также отметить еще один важный методолого-философский ас-
пект имитационного моделирования на основе высокоразвитых языков. Высо-
коразвитые языки моделирования превзошли своим значением их первоначаль-
ное назначение и стали важным фактором в познании мира и получении ин-
формации о нем. С их появлением реальной стала возможность изучать иссле-
дуемые системы во всей их сложности, не втискивая их в модели, удобные для
применения тех или иных известных математических методов анализа. Процесс
разработки имитационных моделей позволяет осмыслить действительность
(выявить взаимозависимости, необходимые мероприятия, временные соотно-
шения, требуемые ресурсы), кроме того, появляется возможность упорядочить
наши нечеткие или противоречивые понятия и несообразности. Такая модель
вынуждает разработчика организовать его замыслы, оценить и проверить их
обоснованность.

2.1 ОСНОВНЫЕ ПРЕИМУЩЕСТВА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

Все имитационные модели представляют собой модели типа так назы-


ваемого «черного ящика». Это означает, что они обеспечивают выдачу выход-
ных параметров системы, если на ее взаимодействующие подсистемы поступа-
ют входные воздействия. Поэтому для получения необходимой информации
или результатов следует осуществить «прогон» (реализацию, «репетицию»)

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.

2.2 ОБЩАЯ СХЕМА И ОБЛАСТЬ ПРИМЕНЕНИЯ ИМИТАЦИОННОГО


МОДЕЛИРОВАНИЯ

Для моделирования необходимо создать модель и провести ее исследова-


ние. Перед созданием модели требуется конкретизировать цели моделирования.
После исследования надо выполнить обработку и анализ результатов модели-
рования.
Процесс создания моделей проходит несколько стадий. Он начинается с
изучения (обследования) реальной системы, ее внутренней структуры и содер-
жания взаимосвязей между ее элементами, а также внешних воздействий и за-
вершается разработкой модели. В укрупненном плане имитационное моделиро-
вание предполагает наличие следующих этапов.
1. Разработка концептуальной модели.
2. Подготовка исходных данных.
3. Выбор средств моделирования.
4. Разработка программной модели.
5. Проверка адекватности и корректировка модели.
6. Планирование машинных экспериментов.
7. Собственно моделирование.
8. Анализ результатов моделирования и принятие решения.
Для одной и той же системы можно составить множество моделей. Они
будут отличаться степенью детализации и учета тех или иных особенностей и
режимов функционирования, отражать определенную грань сущности системы,
ориентироваться на исследование определенных ее свойств. Поэтому все этапы

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.

2.3 УНИВЕРСАЛЬНЫЕ СИСТЕМЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

Новейшие применения имитационного моделирования относятся к иссле-


дованию все более и более сложных объектов. Создание их моделей требует
для построения моделирующих алгоритмов многих месяцев (а иногда лет) ра-
боты многопрофильных коллективов высококвалифицированных специалистов.
Радикальный способ снижения трудоемкости при увеличении сложности
моделируемых объектов — автоматизация процедур, охватывающих построе-
ние и реализацию моделей. В настоящее время реальным средством достиже-
ния желаемого эффекта является применение современных систем моделирова-
ния. Однако до сих пор использование языков моделирования, составляющих
основу систем моделирования, позволяло преодолеть лишь часть возникающих
трудностей, а снижение трудоемкости оказалось недостаточным для того, что-
бы коренным образом изменить ситуацию в области имитации сложных систем.
Запись моделирующего алгоритма при помощи любого языка опирается на
представление процесса функционирования системы в некотором специальном
виде (например, в виде последовательности событий, упорядоченных в соот-
ветствии с характерными для данной системы закономерностями изменений
состояний во времени). Вручную такое представление можно построить в обо-
зримое время для сравнительно простых систем. Когда же моделируемый объ-
ект формализуется как многоуровневая иерархическая структура из элементов,
которые сами являются достаточно сложными системами, упомянутое пред-
ставление, по мере роста сложности системы, становится все менее доступным
и в конечном счете выходит за пределы возможностей человека. Наконец, при-
менение языков требует от пользователей некоторых специальных знаний и из-
вестных практических навыков.

24
2.3.1 Концепция универсальной моделирующей среды

Современный компьютер общего назначения уже сам по себе является


уникальной по универсальности информационной, вычислительной и модели-
рующей средой. И суть проблемы состоит в разработке адекватных программ-
ных средств, позволяющих не только в полной степени реализовать этот потен-
циал, но и интегрировать в единую для пользователя среду весь спектр совре-
менной вычислительной техники.
Достигнутый на сегодня уровень развития сетевых технологий и систем-
ного программного обеспечения позволяет говорить уже о единой универсаль-
ной информационной среде, как о реальности, объединяющей в общей сложно-
сти миллионы компьютеров во всем мире. Компонентами такой среды являют-
ся, в частности, Internet с развитой инфраструктурой информационного сервиса,
графические многооконные интерфейсы, распределенные файловые системы и
базы данных. Развитые возможности не только информационного обмена, но и
управления удаленными процессами, позволяют определить такую среду как
информационно-вычислительную и рассматривать её в качестве основной
предпосылки создания универсальных моделирующих сред.
Обеспечение универсальности моделирующей среды. Существует два
принципиально различных пути обеспечения универсальности, каждый из ко-
торых обладает весьма существенными недостатками.
Первый путь заключается в выявлении и реализации только базовых,
наиболее элементарных и общих для всех приложений функций, что перекла-
дывает основную часть работы на пользователя. Такой подход обеспечивает в
большинстве случаев максимальную эффективность использования функцио-
нальных возможностей системы, но предполагает высокую трудоемкость соз-
дания и модификации сложных моделей.
Второй путь заключается в реализации максимального количества раз-
личных функций, покрывающего весь диапазон возможных применений. В
этом случае, как правило, действует следующая закономерность: чем выше
функциональность системы, тем сложнее она в освоении и тем менее эффек-
тивно используются её возможности. В соответствующих исследованиях при-
водится пример Lisp-машины, содержащей около 30000 функций и 3000 объ-
ектно-ориентированных классов, документированных на 4500 страницах руко-
водства. При этом отмечается, что такого рода системы своей сложностью не
только создают проблемы для разработчиков и пользователей, но и практиче-
ски исключают эффективное использование всех их возможностей даже экс-
пертами, специализирующимися на их применении.
Применительно к моделированию можно утверждать, что на одном по-
люсе универсальности находятся языки программирования типа Fortran, позво-
ляющие при достаточной квалификации в программировании, создавать моде-
ли практически любого назначения и различной сложности, но ценой, как пра-
вило, значительных затрат времени и труда. А на другом — современные ин-
тегрированные системы широкого назначения. Причем в качестве практически
25
общедоступных средств моделирования, обладающих довольно высокой степе-
нью универсальности, могут рассматриваться как современные электронные
таблицы, вполне пригодные для быстрого создания и исследования относи-
тельно несложных числовых моделей, так и системы общематематического на-
значения типа «Mathematica», при условии интерпретации всей современной
математики как символьно-численного моделирования реального мира. Ещё
одним характерным примером является система матричных вычислений
MATLAB, имеющая более 200 тысяч официально зарегистрированных пользо-
вателей и включающая в свой состав мощную подсистему моделирования не-
линейных динамических систем SIMULINK (подробнее см. далее по тексту).
Однако имеющиеся универсальные средства далеко не всегда отвечают
всем требованиям конкретных задач. Наиболее критичным параметром при
этом чаще всего является производительность. При необходимости проведения
большого объема исследований наличие соответствующей специализированной
системы или языка моделирования может многократно, а иногда и на несколько
порядков, ускорить процесс исследования и существенно улучшить его качест-
венные характеристики. Последнее обстоятельство привело к появлению чрез-
вычайно большого разнообразия различных моделирующих средств и языков,
ориентированных на конкретные области применения. В ежегодном обзоре,
приводимом в журнале «Simulation», уже десять лет назад перечислялось около
ста языков и систем, предлагаемых различными фирмами и организациями. К
настоящему времени размер списка увеличился в несколько раз и имеет устой-
чивую тенденцию к дальнейшему росту.
В связи с этим представляется актуальной задача создания таких средств
моделирования, которые позволяют охватить как максимально широкий спектр
конкретных приложений, так и максимально широкий круг пользователей раз-
личного уровня подготовки. Кроме этого, концепция универсальной модели-
рующей среды предполагает эффективное использование всего диапазона со-
временных средств вычислительной техники.
Критерии качества системы моделирования. В общем случае качество
любого программного продукта может характеризоваться чрезвычайно широ-
ким набором характеристик, в числе которых эргономичность пользовательско-
го интерфейса, требования к аппаратным средствам, производительность, сте-
пень использования системных возможностей операционной среды, докумен-
тированность, качество сопровождения и др. Учитывая специфику именно сис-
тем моделирования, являющихся, как правило, многоцелевым инструментарием
интеллектуалоёмких и не всегда достаточно чётко специфицированных иссле-
довательских и поисковых работ, рассмотрим детально лишь те критерии, ко-
торые определяют уровень функциональных возможностей таких систем и свя-
занные с их освоением и эксплуатацией затраты времени.
В качестве основных критериев, которые подлежат максимизации в процес-
се разработки и эксплуатации конкретной системы моделирования, могут рас-
сматриваться следующие:
− предельный уровень функциональных возможностей собственно систе-
мы, который ограничивает предельную сложность моделей и решаемых в
26
процессе моделирования задач при условии использования только
средств, предоставляемых непосредственно системой моделирования.
− предельный уровень функциональных возможностей системы с учётом
возможностей расширения, если таковые имеются. В идеальной системе
все имеющиеся программные продукты так или иначе могут использо-
ваться для расширения функциональных возможностей системы модели-
рования. Уровень в этом случае характеризует предельные возможности
всего аппаратно-программного комплекса в целом.
− предельный срок эксплуатации системы. В идеальном случае однажды
освоенная система должна быть полезна «на всю оставшуюся жизнь», по-
добно тому, как мы всю жизнь пользуемся однажды выученными алфави-
том и таблицей умножения.
− отношение времени непосредственно полезного использования системы
ко времени всего срока её эксплуатации. Для идеальной системы это со-
отношение стремиться к единице.
В качестве основных минимизируемых критериев качества могут рассмат-
риваться следующие:
− минимально необходимый, пороговый, уровень освоения функциональ-
ных возможностей системы, достаточный для начала её практической
эксплуатации. В идеальной системе предполагается возможность полез-
ного использования системы для решения практических задач сразу же
после начала её освоения. При этом функциональные возможности сис-
темы в полном объёме осваиваются уже в процессе работы по мере необ-
ходимости.
− отношение предельного уровня функциональных возможностей системы
к функциональной сложности типичной задачи.
− период начального освоения системы.
− период полного освоения функциональных возможностей системы.
− время на подготовку моделей.
С учетом вышеизложенного, определение универсальной моделирующей
среды (УМС) может быть сформулирована следующим образом: УМС — это
совокупность информационно-вычислительной среды и программных средств
моделирования, обеспечивающих максимальное соответствие перечисленным
критериям качества путём гибкой адаптации к особенностям конкретных ус-
ловий применения, кругу решаемых задач и уровню подготовки пользователей.

2.3.2 Основные компоненты универсальной моделирующей среды

Аппаратные средства. Учитывая высокий динамизм изменения техниче-


ских характеристик современной вычислительной техники, при анализе аппа-
ратной платформы моделирующей среды нельзя ограничиваться рассмотрени-
ем только текущей ситуации. Необходимо на базе выявления тенденций пред-
шествующего периода определить прогнозную оценку, по меньшей мере, на
ближайшее десятилетие.

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.

Таблица 2 — Эволюция пропускной способности основных видов


сетей
Вид сети Диаметр 1985 1995 2005
Кластер, вычислительный центр 100 м 10 Мбит/с 100 1 Гбит/с
(ВЦ) Мбит/с
Локальная сеть (ЛС) 1 км 1 Мбит/с 10 1 Гбит/с

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

Локальный компьютер при недостаточном развитии коммуникационной


инфраструктуры служит для большинства пользователей единственной аппа-
ратной платформой для моделирования, и, соответственно, его характеристики
в этом случае являются основным ограничивающим фактором. Предполагается,
что во всех остальных случаях локальный компьютер выступает в качестве
терминала удалённого доступа к имеющимся в сети ресурсам.
Сетевой кластер позволяет увеличить суммарную производительность
используемых при моделировании вычислительных ресурсов в несколько раз за
счёт объединения возможностей нескольких объединённых локальной сетью
компьютеров. Такое объединение обеспечивается специальными программны-
ми средствами типа системы PVM (Parallel Virtual Machine — параллельная
виртуальная машина) в операционной среде UNIX. Достигаемый при этом рост
производительности существенно ограничен пропускной способностью ло-
кальной сети.
Системы с общей памятью позволяют с большей эффективностью, чем в
предыдущем случае, объединить ресурсы десятков процессоров, и, соответст-
венно, получить больший рост производительности. В новейших модификаци-
ях массовых микропроцессоров (Р6 и др.) предусмотрены развитые средства
для построения на их базе такого рода систем.
Аналогово-цифровой процессор ещё в недавнем прошлом признавался ос-
новным средством высокопроизводительного моделирования динамических
объектов, описываемых сложными системами дифференциальных уравнений.
Достигаемое при этом эквивалентное быстродействие примерно на два порядка
может превышать показатели массовых цифровых ЭВМ. И ещё в начале 90-х го-
дов велись разработки новых систем такого рода. Однако резко возросшие пока-
затели производительности при выполнении операций с плавающей запятой в
последних модификациях массовых микропроцессоров и стремительно расши-
ряющиеся возможности сетевого доступа к ресурсам суперЭВМ сводят, в пер-
спективе, практически на нет использование аналого-цифровой техники для вы-
сокопроизводительного моделирования.
Системы с массовым параллелизмом типа SIMD («одиночный поток ко-
манд, при множественном потоке данных») явились исторически первыми вы-
числительными системами с массовым параллелизмом (сотни и тысячи процес-
соров), которые позволили на широком классе задач получить рост производи-
тельности на два порядка и более. Однако, при использовании их в качестве
компонентов универсальной моделирующей среды усредненный рост произво-
дительности на широком классе задач будет существенно меньшим. В перспек-
тиве предполагается, что SIMD-системы постепенно эволюционируют в систе-
мы SPMD («одиночный поток программ при множественном потоке данных»).
29
Специализированные параллельные процессоры за счёт аппаратной под-
держки специальных операций и алгоритмов при широком функциональном
распараллеливании позволяют в ряде случаев увеличить производительность
почти на три порядка. Одним из наиболее характерных примеров использова-
ния такого подхода являются средства для синтеза высокопроизводительной
реалистичной графики, входящие в состав специализированных аппаратно-
программных моделирующих комплексов. В целом можно констатировать, что
такого рода компоненты в составе универсальных моделирующих сред позво-
ляют эффективно ликвидировать наиболее узкие места, но являются относи-
тельно дорогостоящими, что существенно ограничивает их использование.
Системы с массовым параллелизмом типа MIMD («множественный поток
команд и данных») являются наиболее перспективным высокопроизводитель-
ным компонентом универсальной вычислительной среды, позволяющим обес-
печивать максимальный рост производительности для широкого класса задач.

2.3.3 Программное обеспечение

Системное программное обеспечение является наиболее консервативным


элементом программной части моделирующей среды. Причём, если для широ-
кого спектра высокопроизводительных средств, начиная от рабочих станций и
заканчивая системами рекордной производительности, в качестве стандартной
операционной среды принята фактически UNIX / Xwindows, что существенно
облегчает интеграцию разнородных систем в единую среду, то для массовых
компьютеров основной является своя специфическая операционная среда, ко-
торая обозначена как MS Windows. Указанное обстоятельство требует от про-
граммного продукта, претендующего на универсальность, поддержки работы
как минимум в двух указанных операционных средах. Правда, дистанция меж-
ду ними постоянно сокращается, а появление и бурное развитие Linux, свобод-
но распространяемого варианта UNIX / Xwindows для ПК, можно считать пер-
вым шагом к будущей полной интеграции операционных сред.
Чрезвычайно важным компонентом моделирующей среды являются раз-
личные прикладные программные продукты, которые представляют ценность
не только сами по себе, но и как подсистемы, интегрированные в универсаль-
ную систему моделирования.
Особой проблемой является эффективная реализация алгоритмов моделирова-
ния на высокопроизводительных параллельных системах с различной архитек-
турой. Наиболее эффективным средством решения этой проблемы является ис-
пользование машинно-независимого языка параллельного программирования,
весьма удачным примером которого является язык Parallaxis, разработанный в
Штутгардтском университете (Германия).
Далее в настоящем пособии рассматриваются примеры наиболее распро-
страненных прикладных программ, используемых в имитационном моделиро-
вании.

30
2.3.4 Универсальная система моделирования (УСМ)

Эволюцию программных средств моделирования можно представить в ви-


де последовательной смены пяти поколений:
1. 50-е годы, FORTRAN, ALGOL... — программирование моделей на язы-
ках высокого уровня без какой-либо специальной поддержки;
2. 60-е годы, GPSS, SIMULA, SIMSCRIPT... — специальная поддержка
моделирования в виде соответствующих выражений языка, генераторов
случайных чисел, средств представления результатов;
3. 70-е годы, ACSL... — возможность комбинированного непрерывно-
дискретного моделирования;
4. 80-е годы, SIMFACTORY, XCELL... — ориентация на конкретные об-
ласти приложения, возможность анимации;
5. 90-е годы, SIMPLEX II, SIMPLE++... — графический интерфейс, интег-
рированная среда для создания и редактирования моделей, планирова-
ния экспериментов, управления моделированием и анализа результа-
тов.
Универсальную систему моделирования можно рассматривать в качестве
программного средства моделирования шестого поколения, интегрирующего и
развивающего важнейшие особенности средств пятого поколения, ориентиро-
ванного на использование не только массовых компьютеров, но и массивно па-
раллельных высокопроизводительных систем, а также построенную в соответ-
ствии с принципами, перечисленными в следующем разделе.
Принципы построения УСМ. В качестве основных принципов построе-
ния УСМ могут быть названы следующие:
− чёткая модульная структура;
− масштабируемость;
− открытая архитектура;
− иерархия моделей;
− развитый графический интерфейс.
Далее кратко поясняются содержание и значение каждого из перечисленных
принципов.
Модульная структура. Разбиение системы на относительно автономные
модули с чётко специфицированным интерфейсом полностью соответствует со-
временным технологиям программирования и позволяет обеспечить целый ряд
преимуществ:
− снижение порога сложности системы и максимальное распараллеливание
работ по её разработке, развитию и сопровождению за счёт независимой
разработки и отладки отдельных модулей;
− возможность постепенного развития системы за счет эволюции и замены
отдельных модулей;
− вариативность функциональных возможностей, обеспечиваемая возмож-
ностью разработки альтернативных наборов модулей соответствующего
назначения;

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.

2.4 ГРАНИЦЫ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ

Компьютерные сети и электронные средства связи вторгаются абсолютно


во все области человеческой деятельности. Они значительно ускоряют процес-
сы обработки информации. Информация превращается в непосредственную
производительную силу и в отдельную экономическую категорию. Однако,
компьютеры, даже после их быстрого усовершенствования и резкого количест-
венного роста, не обладают достаточным разнообразием (ОЭм и ОНГ), чтобы
управлять всеми существующими в мире сложными системами в их многообра-
зии и быстром изменении.
Не умаляя огромного значения компьютеризации общества, нельзя наде-
яться, что компьютеры решают все проблемы развития цивилизации. При лю-
бом (!) развитии компьютеры принципиально не могут достичь и микродоли
разнообразия (ОЭ) всего универсума. Следовательно, они не могут достичь не-
обходимой ОНГ и полностью управлять им. Людям всегда останется задача
моделирования неуправляемых компьютерами сложных систем, проверка го-
моморфности моделей и управления сложными процессами в любых частях
универсума в условиях неопределённости. Решающую роль играет также раз-
личие в скоростях движения информации в компьютерах и среди людей. Дело в
том, что компьютеры способны обработать огромные объёмы малоразмерной
информации, а человек и общество способны обработать информацию, обла-
дающую большой размерностью и качеством (ОНГ), но с меньшей скоростью и
33
точностью. Узкие места в инфопотоках, (небольшие пропускные способности
инфоканалов) образуются в местах перехода «человеческой» информации в
«компьютерную». Компьютеры способны обрабатывать и выдавать информа-
цию формально в миллионы бит в секунду, а принимать от человека содержа-
тельную информацию только в десятки бит в секунду.
Программирование и введение информации в компьютерную систему яв-
ляется дамбой, задерживающей увеличение ОНГ компьютеров за счёт потока
информации от систем реального мира, прежде всего от систем человеческого
общества. Во всяком случае, было бы наивно надеяться, что компьютеры ре-
шают все проблемы, связанные с потоком и обработкой информации и балан-
сом ОНГ. Этому противодействует второй закон термодинамики: ОЭ реального
мира должна расти быстрее, чем ОНГ всех компьютерных систем. Ценой роста
информационных технологии должно быть большее увеличение беспорядка и
разнообразия (ОЭ) в реальном мире, в частности в человеческом обществе. Это
реализуется, прежде всего, в увеличении количества возможных путей развития
общества, между которыми труднее найти оптимальный вариант при управле-
нии.

34
3 ИНСТРУМЕНТАРИЙ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
В ЭКОНОМИКЕ И УПРАВЛЕНИИ

3.1 ЭЛЕКТРОННЫЕ ТАБЛИЦЫ «MICROSOFT EXCEL»

Программа Excel предназначена для решения разнообразных задач, дан-


ные в которых удобно представить в табличной форме. Специалисты применя-
ют этот продукт для получения, обработки, анализа, совместного использова-
ния и отображения информации, от которой, например, зависит работа пред-
приятия. В то же время область применения Excel не ограничивается только
бухгалтерским и финансовым отделами. Пользователи могут ежедневно полу-
чать, анализировать, создавать и просматривать важные данные. Именно по-
этому приложение Excel разрабатывалось как средство, упрощающее доступ к
важной деловой информации, ее подключение и анализ. В то же время Excel
предлагает инструментальные средства, позволяющие добиваться максималь-
ной эффективности при работе с данными.
Наличие библиотеки встроенных функций, пакета анализа и механизма
поиска решений наряду с возможностью программирования большого числа
операций на языке Visual Basic (VB) позволяют решать большой класс имита-
ционных задач. По программе Excel имеется обширная литература и в данном
пособии рассмотрение этого инструмента ограничено подробным примером
(см. далее в пособии).

3.2 МАТЕМАТИЧЕСКИЙ ПАКЕТ «MATHCAD» КОМПАНИИ MATHSOFT

MathCAD — это программное средство, среда для выполнения на компь-


ютере разнообразных математических и технических расчетов, снабженная
простым в освоении и в работе графическим интерфейсом, которая предостав-
ляет пользователю инструменты для работы с формулами, числами, графиками
и текстами. В среде MathCAD доступны более сотни операторов и логических
функций, предназначенных для численного и символьного решения математи-
ческих задач различной сложности.
MathCAD — это мощная и в то же время простая универсальная среда
для решения задач в различных отраслях науки и техники, финансов и эконо-
мики, физики и астрономии, математики, статистики и др. MathCAD остается
единственной системой, в которой описание решения математических задач за-
дается с помощью привычных математических формул и знаков. MathCAD по-
зволяет выполнять как численные, так и аналитические (символьные) вычисле-
ния, имеет чрезвычайно удобный математико-ориентированный интерфейс и
прекрасные средства научной графики.
В состав MathCAD входят несколько интегрированных между собой ком-
понентов:
1. Мощный текстовый редактор, позволяющий редактировать текст и ма-
тематические выражения

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].

3.3 СИСТЕМЫ «MATLAB» И «SIMULINK»

Система MATLAB (сокр. от MATrix LABoratory) — это интерактивная


система, основным объектом которой является массив, для которого не требует-
ся явно указывать размерность. Это позволяет решать многие вычислительные
задачи, связанные с векторно-матричными формулировками, существенно со-
кращая время, которое понадобилось бы для программирования на скалярных
языках типа C .
Последние версии MATLAB содержат существенные изменения и улуч-
шения в каждом разделе, начиная от встроенных математических функций и
новых конструкций программирования и заканчивая новыми структурами дан-
ных, объектно-ориентированным подходом, новыми средствами визуализации
и графическим интерфейсом пользователя.
Одно из назначений математики — служить языком общения между уче-
ными и инженерами. Матрицы, дифференциальные уравнения, массивы дан-
ных, графики — это общие объекты и конструкции, используемые как в при-
кладной математике, так и в системе MATLAB. Именно эта фундаментальная
основа обеспечивает системе MATLAB непревзойденную мощь и доступность.
Стоит прислушаться к следующему афористичному мнению: «Причина, по ко-
торой MATLAB столь полезен для обработки сигналов, состоит в том, что он не
проектировался специально для этой цели, а создавался для математиков».
Система MATLAB — это одновременно и операционная среда и язык
программирования высокого уровня. Одна из наиболее сильных сторон систе-
мы состоит в том, что на языке MATLAB могут быть написаны программы для
36
многократного использования. Пользователь может сам написать специализи-
рованные функции и программы, которые оформляются в виде файлов вида *.m
— т.н. М-файлов. По мере увеличения количества созданных программ возни-
кают проблемы их классификации и тогда можно попытаться собрать родст-
венные функции в специальные папки. Это приводит к концепции пакетов при-
кладных программ (ППП), которые представляют собой коллекции М-файлов
для решения определенной задачи или проблемы.
В действительности ППП — это нечто большее, чем просто набор полез-
ных функций. Часто это результат работы многих исследователей по всему ми-
ру, которые объединяются в зависимости от области применения — теория
управления, обработка сигналов, идентификация и т. п. Именно поэтому пакеты
прикладных программ — MATLAB Application Toolboxes, входящие в состав
семейства продуктов MATLAB, позволяют находиться на уровне самых совре-
менных мировых достижений.
Операционная среда системы MATLAB — это множество интерфейсов, ко-
торые поддерживают связь этой системы с внешним миром. Это — диалог с поль-
зователем через командную строку или графический интерфейс, просмотр рабочей
области и путей доступа, редактор и отладчик М-файлов, работа с файлами и обо-
лочкой DOS, экспорт и импорт данных, интерактивный доступ к справочной ин-
формации, динамическое взаимодействие с внешними системами Microsoft Word,
Excel Microsoft Word, Excel и др.. Реализуются эти интерфейсы через командное
окно, инструментальную панель, системы просмотра рабочей области и путей дос-
тупа, редактор/отладчик М-файлов, специальные меню и т.п. С подробной инст-
рукцией по данной программе можно ознакомиться по адресу
http://www.exponenta.ru/soft/matlab/potemkin/book/matlab/.
Приложением к пакету MATLAB является программа SimuLink, позво-
ляющий осуществлять исследование (моделирование) поведения динамических
нелинейных систем. При имитационном моделировании с использованием
SimuLink реализуется принцип визуального программирования, в соответствии
с которым, пользователь на экране из библиотеки стандартных блоков создает
модель устройства и осуществляет расчеты. При этом, в отличие от классиче-
ских способов моделирования, пользователю не нужно досконально изучать
язык программирования и численные методы математики, а достаточно общих
знаний требующихся при работе на компьютере и, естественно, знаний той
предметной области в которой он работает. Библиотека блоков SimuLink пред-
ставляет собой набор визуальных объектов, при помощи которых можно, со-
единяя модули линиями, например, функциональной связи, составить схему
некоторой системы–оригинала. Библиотека блоков разбита на 7 разделов.
Шесть из них являются основными и не могут изменяться пользователем:
1. Sources — Источники. Предназначены для формирования сигналов,
обеспечивающих управление работой модели в целом или ее отдель-
ных частей. Все блоки–источники имеют по одному выходу и не име-
ют входов.
2. Sinks — Приемники. Имеют только входы и не имеют выходов. Ис-
пользуются как смотровые окна, сохраняют данные и управляют мо-
37
делированием.
3. Discrete — Дискретные элементы. Соответствующими блоками опи-
сывается поведение дискретных систем — с дискретными состояния-
ми или дискретным временем.
4. Nonlinear — Нелинейные элементы. Включает блоки для реализации
математических функций, логических опреаций, аппроксимации, пе-
реключения, задержки сигнала, автоматизации регулирования.
5. Linear — Линейные элементы. Содержит блоки общего назначения
(сумматоры, интеграторы и т.п.) и блоки описания линейных стацио-
нарных звеньев
6. Connections — Связи (соединения). Блоки, предназначенные для уста-
новления нужных связей между несколькими моделями
Седьмой раздел — Blocksets & Toolboxes (наборы блоков и инструмен-
тов) — содержит блоки, созданные пользователем и включенные в конфигура-
цию листа.
SimuLink является достаточно самостоятельным инструментом MATLAB
и при работе с ним совсем не требуется знать сам MATLAB и остальные его
приложения. С другой стороны доступ к функциям MATLAB и другим его ин-
струментам остается открытым и их можно использовать в SimuLink. Часть
входящих в состав пакетов имеет инструменты, встраиваемые в SimuLink (на-
пример, LTI-Viewer приложения Control System Toolbox — пакета для разра-
ботки систем управления). Имеются также дополнительные библиотеки блоков
для разных областей применения (например, Power System Blockset — модели-
рование электротехнических устройств, Digital Signal Processing Blockset — на-
бор блоков для разработки цифровых устройств и т.д).
При работе с SimuLink пользователь имеет возможность модернизировать
библиотечные блоки, создавать свои собственные, а также составлять новые
библиотеки блоков.
При моделировании пользователь может выбирать метод решения диф-
ференциальных уравнений, а также способ изменения модельного времени (с
фиксированным или переменным шагом). В ходе моделирования имеется воз-
можность следить за процессами, происходящими в системе. Для этого исполь-
зуются специальные устройства наблюдения, входящие в состав библиотеки
SimuLink. Результаты моделирования могут быть представлены в виде графи-
ков или таблиц.
Преимущество SimuLink заключается также в том, что он позволяет по-
полнять библиотеки блоков с помощью подпрограмм написанных как на языке
MATLAB, так и на языках С + +, Fortran и Ada. С подробной инструкцией по
данной программе можно ознакомиться по адресу
http://www.matlab.ru/simulink/book1/index.asp.
В приложении 2 приведен пример имитационной модели для прогноза
накопленной валовой прибыли предприятия с учетом неопределенностей цено-
образования.

38
3.4 CИСТЕМА РАЗРАБОТКИ ФИНАНСОВЫХ ПЛАНОВ И ИНВЕСТИЦИОННЫХ
ПРОЕКТОВ «PROJECT EXPERT»

Система Project Expert компании «Про-Инвест-ИТ» позволяет решать за-


дачи проектирования развития бизнеса, анализа рисков и эффективности инве-
стиционных проектов предприятий самого разного профиля, отраслевой при-
надлежности и масштабов деятельности на основе построения финансовой мо-
дели их функционирования с учетом изменяющегося экономического окруже-
ния.
В программе Project Expert применяется методика UNIDO по оценке ин-
вестиционных проектов и методика IAS финансового анализа. Project Expert яв-
ляется Win32-приложением, работает в среде Windows NT, Windows 98,
Windows 95, Windows 2000, Windows XP и отвечает современным требованиям
по быстродействию.
Основные функции программы. Project Expert позволяет пользовате-
лям, не имеющим специальной подготовки в области финансового анализа, в
короткий срок решить следующие задачи:
− детально описать и спроектировать деятельность любого предприятия, с
учетом изменения параметров внешней среды (инфляция, налоги, курсы
валют);
− разработать план реализации инвестиционного проекта, стратегии марке-
тинга и производства, обеспечивающие наиболее рациональное исполь-
зование материальных, людских и финансовых ресурсов;
− построить модель финансирования проекта;
− проанализировать различные сценарии развития предприятия, изменяя
значения параметров, влияющих на его финансовые результаты;
− выявить ключевые риски;
− подготовить финансовые отчеты (Отчет о движении денежных средств
(Кэш-фло), Баланс, Отчет о прибылях и убытках, Отчет об использовании
прибыли) и бизнес-план инвестиционного проекта, полностью соответст-
вующие международным требованиям;
− провести всесторонний анализ проекта, в том числе анализ чувствитель-
ности, анализ общей эффективности проекта (Индекс прибыльности,
Чистый приведенный доход, Внутренняя норма рентабельности), анализ
денежных потоков для каждого участника проекта и анализ финансовой
деятельности по ряду показателей (коэффициент текущей ликвидности,
прибыль на акцию и др.);
− провести статистический анализ проекта;
− построить графики в разных вариантах, включая трехмерные, как на ос-
нове отчетов, так и при помощи описания математической зависимости;
− подготовить собственные отчеты, учитывающие специфику проекта.
Возможности семейства программных продуктов Project Expert
1. Project Expert Lite позволяет быстро и подробно разработать инвести-
ционный план развития бизнеса с учетом начального финансового состояния

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.

3.5 ПРОГРАММНЫЕ ИНСТРУМЕНТЫ ДЛЯ МОДЕЛИРОВАНИЯ БИЗ-


НЕС-ПРОЦЕССОВ

За последние несколько лет был разработан целый ряд новых программ-


ных инструментов, непосредственно предназначенных для моделирования биз-
нес-процессов. В большинстве этих продуктов бизнес-процессы описываются с
использованием графических символов или объектов. Отдельные функции
процесса изображаются в виде последовательности прямоугольников и стрелок.
Специальные характеристики каждого процесса или функции могут быть затем
отображены как атрибуты процесса. Многие из таких программных инструмен-
тов позволяют также проводить некоторый анализ, глубина которого зависит от
степени сложности методологии, лежащей в основе программы. Программные

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.

3.6 CИСТЕМА ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ «ARENA»

Arena — разработанное компанией Systems Modeling Corporation про-


граммное обеспечение для имитационного моделирования — позволяет созда-
вать подвижные компьютерные модели, используя которые можно адекватно
представить очень многие реальные системы. Arena снабжена удобным объект-
но-ориентированным интерфейсом и обладает возможностями по адаптации ко
всевозможным предметным областям. В целом система исключительно проста
в использовании. Последняя версия системы — Arena 3.0. В ней удачно соеди-
нены интерфейсные возможности среды Windows и присущая Arena легкость
иерархического построения модели и ее последовательного приближения к ре-
альному объекту.
Архитектура Arena. Основа технологий Arena — язык моделирования
SIMAN и система Cinema Animation. SIMAN, впервые реализованный в 1982г.
— чрезвычайно гибкий и выразительный язык моделирования. Он постоянно
совершенствуется путем добавления в него новых возможностей. Для отобра-
жения результатов моделирования используется анимационная система Cinema

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.

3.7 ПАКЕТ «BPWIN»

BPwin — мощный инструмент моделирования, который используется для


анализа, документирования и реорганизации сложных бизнес-процессов. Мо-
дель, созданная средствами BPwin, позволяет четко документировать различ-
ные аспекты деятельности — действия, которые необходимо предпринять, спо-
собы их осуществления, требующиеся для этого ресурсы и др. Таким образом,
формируется целостная картина деятельности предприятия — от моделей орга-
низации работы в маленьких отделах до сложных иерархических структур.
Модели BPwin дают основу для осмысления бизнес-процессов и оценки
влияния тех или иных событий, а также описывают взаимодействие процессов и
потоков информации в организации. Неэффективная, высокозатратная или избы-
точная деятельность может быть легко выявлена и, следовательно, усовершенст-
вована, изменена или устранена в соответствии с общими целями организации.

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.

3.8 МОДЕЛИРОВАНИЕ В СИСТЕМАХ «ARENA» И «BPWIN»

Система Arena позволяет строить имитационные модели, проигрывать их


и анализировать результаты такого проигрывания. Имитационное моделирова-
ние — это универсальное средство для оптимизации процессов, поэтому моде-
ли с помощью Arena могут быть построены для самых разных сфер деятельно-
сти — производственных технологических операций, складского учета, банков-
ской деятельности, об-
служивания клиентов в
ресторане и т.д. и т.п. В
настоящем разделе описа-
на версия Arena BE 3.6.1.
Имитационная мо-
дель компании Systems
Modeling включает сле-
дующие основные эле-
Рис. 1 — Простейшая модель
менты:
− источники и стоки (Create и Dispose),
− процессы (Process),
− очереди (Queue).

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).

Рис. 3 — Отчет по результатам проигрывания модели

Модель в Arena может быть гораздо более сложной, чем представленная


на рис 1. Она может включать сотни модулей различных типов. Модули, обра-
батывающие сущности (подобные модулю Server из примера) могут иметь раз-
личные состояния, например «ожидание» или «работа». Каждому состоянию
можно поставить в соответствие определенное изображение и, тем самым, ани-
мировать имитационную модель. В поставку Arena входит набор примеров.
Один из примеров (файл Mortgage Extention 1.doe) приведен на рис. 4.

Рис. 4 — Модель обработки документа

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.

Рис. 5 — Диаграмма IDEF3 — пример иллюстрации экспорта в Arena

50
Рис. 6 — Имитационная модель Arena — результат импорта из
BPwin

На рис. 5 и 6 показаны пример функциональной модели и результат экс-


порта этой модели в Arena.
Совместное использование CASE-инструмента построения функциональ-
ной модели BPwin и системы имитационного моделирования Arena позволяет
наиболее эффективно оптимизировать технологические процессы практически
в любой сфере деятельности.

51
4 ПРАКТИЧЕСКИЕ ПРИМЕРЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

4.1 ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННЫХ РИСКОВ3

Как следует из определения, имитация — это компьютерный экспери-


мент. Единственное отличие подобного эксперимента от реального состоит в
том, что он проводится с моделью системы, а не с самой системой. Однако про-
ведение реальных экспериментов с экономическими системами, по крайней ме-
ре, неразумно, требует значительных затрат и вряд ли осуществимо на практи-
ке. Таким образом, имитация является единственным способом исследования
систем без осуществления реальных экспериментов.
Часто практически невыполним или требует значительных затрат сбор
необходимой информации для принятия решений. Например, при оценке риска
инвестиционных проектов, как правило, используют прогнозные данные об
объемах продаж, затратах, ценах и т.д.
Однако чтобы адекватно оценить риск необходимо иметь достаточное
количество информации для формулировки правдоподобных гипотез о вероят-
ностных распределениях ключевых параметров проекта. В подобных случаях
отсутствующие фактические данные заменяются величинами, полученными в
процессе имитационного эксперимента.
При решении многих задач экономики и управления используются моде-
ли, содержащие случайные величины, не зависящие от лиц, принимающих ре-
шения. Такие модели называют стохастическими. Применение имитации по-
зволяет сделать выводы о возможных результатах, основанные на вероятност-
ных распределениях случайных факторов. Стохастическую имитацию часто на-
зывают методом Монте-Карло. По своей сути этот метод представляет ком-
пьютерное моделирование статистического эксперимента. Пусть моделируется
случайный процесс, в котором при каждом из N независимых испытаний полу-
чается некоторая величина Si. Предположим, что эта величина обладает мате-
матическим ожиданием МSi=m и дисперсией σ. Тогда среднее арифметическое
является приближенным значением искомого математического ожидания и вы-
ражается формулой
N

∑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.

4.1.1 Методы и технологии количественного анализа рисков в инвестиционном


проектировании

Понятие риска. В общем случае под риском понимают возможность на-


ступления некоторого неблагоприятного события, влекущего за собой различ-

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.

4.1.2 Статистические критерии риска

Вероятность p события A — отношение числа K случаев благоприятных


исходов, к общему числу всех возможных исходов М
K
p ( A) = .
M
Вероятность наступления события может быть определена объективным
или субъективным методом.
Объективный метод определения вероятности основан на вычислении
частоты, с которой происходит данное событие. Например, вероятность выпа-
54
дения «орла» или «решки» при подбрасывании идеальной монеты — 0,5.
Субъективный метод основан на использовании субъективных критериев
(суждение оценивающего, его личный опыт, оценка эксперта) и вероятность
события в этом случае может быть разной, будучи оцененной разными экспер-
тами.
В связи с этими различиями в подходах необходимо отметить несколько
особенностей. Во-первых, объективные вероятности имеют мало общего с ин-
вестиционными решениями, которые нельзя повторять много раз, тогда как ве-
роятность выпадения «орла» или «решки» равна 0,5 при значительном количе-
стве подбрасываний, а например при 6 подбрасываниях может выпасть 5 «ор-
лов» и 1 «решка». Во-вторых, одни люди склонны переоценивать вероятность
наступления неблагоприятных событий и недооценивать вероятность наступ-
ления положительных событий, другие наоборот, т.е. по разному реагируют на
одну и ту же вероятность (когнитивная психология называет это эффектом кон-
текста). Однако, несмотря на эти и другие нюансы, считается, что субъективная
вероятность обладает теми же математическими свойствами, что и объектив-
ная.
Размах вариации (R) — разница между максимальным и минимальным
значением фактора
R=Xmax–Xmin.
Этот показатель дает очень грубую оценку риску, т.к. он является абсолютным
показателем и зависит только от крайних значений ряда.
Математическое ожидание — число, вокруг которого сосредоточены
значения случайной величины. Математическое ожидание случайной величины
ξ обозначается Mξ . Математическое ожидание дискретной случайной величи-
ны ξ , имеющей распределение
x1 x2 … xn
p1 p2 … pn
называется величина
n
Mξ = ∑ pi xi ,
i =1

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.

4.1.3 Методы количественного анализа рисков инвестиционных проектов

Метод корректировки нормы дисконта. Метод корректировки нормы


дисконта с учетом риска (risk adjusted discount rate approach — RAD) — наибо-
лее простой и вследствие этого наиболее применяемый на практике. Основная
идея метода заключается в корректировке некоторой базовой нормы дисконта,
которая считается безрисковой или минимально приемлемой (например, ставка
доходности по государственным ценным бумагам, предельная или средняя
стоимость капитала для фирмы). Корректировка осуществляется путем прибав-
ления величины требуемой премии за риск, после чего производится расчет
критериев эффективности инвестиционного проекта — NPV, IRR, РI по вновь
полученной таким образом норме. Решение принимается согласно правилу вы-
бранного критерия.
В общем случае чем больше риск, ассоциируемый с проектом, тем выше
должна быть величина премии, которая может определяться по внутрифирмен-
ным процедурам, экспертным путем или по формальным методикам.
Как уже отмечалось выше главные достоинства этого метода — в просто-
те расчетов, которые могут выполнены с использованием даже обыкновенного
калькулятора, а также в понятности и доступности. Вместе с тем метод имеет
существенные недостатки.
Метод корректировки нормы дисконта осуществляет приведение буду-
щих потоков платежей к настоящему моменту времени (т.е. обыкновенное дис-
контирование по более высокой норме), но не дает никакой информации о сте-
пени риска (возможных отклонениях результатов). При этом полученные ре-
зультаты существенно зависят только от величины надбавки за риск.
Он также предполагает увеличение риска во времени с постоянным ко-
эффициентом, что вряд ли может считаться корректным, так как для многих
проектов характерно наличие рисков в начальные периоды с постепенным сни-
жением их к концу реализации. Таким образом, прибыльные проекты, не пред-
полагающие со временем существенного увеличения риска, могут быть оцене-
ны неверно и отклонены.
Данный метод не несет никакой информации о вероятностных распреде-
лениях будущих потоков платежей и не позволяет получить их оценку.
57
Наконец, обратная сторона простоты метода состоит в существенных ог-
раничениях возможностей моделирования различных вариантов, которое сво-
дится к анализу зависимости критериев NPV(IRR,PI и др.) от изменений только
одного показателя — нормы дисконта.
Несмотря на отмеченные недостатки, метод корректировки нормы дис-
конта широко применяется на практике.
Анализ чувствительности. Анализ чувствительности показателей широко
используется в практике финансового менеджмента. В общем случае он сво-
дится к исследованию зависимости некоторого результирующего показателя от
вариации значений показателей, участвующих в его определении. Другими
словами, этот метод позволяет получить ответы на вопросы вида: что будет с
результирующей величиной, если изменится значение некоторой исходной ве-
личины? Отсюда его второе название — анализ «что будет, если» («what if»
analysis).
Как правило, проведение подобного анализа предполагает выполнение
следующих шагов.
1. Задается взаимосвязь между исходными и результирующим показате-
лями в виде математического уравнения или неравенства.
2. Определяются наиболее вероятные значения для исходных показателей
и возможные диапазоны их изменений.
3. Путем изменения значений исходных показателей исследуется их
влияние на конечный результат.
Проект с меньшей чувствительностью NPV считается менее рисковым.
Обычная процедура анализа чувствительности предполагает изменение
одного исходного показателя, в то время как значения остальных считаются по-
стоянными величинами.
Данный метод является хорошей иллюстрацией влияния отдельных ис-
ходных факторов на конечный результат проекта.
Главным недостатком данного метода является предпосылка о том, что
изменение одного фактора рассматривается изолированно, тогда как на практи-
ке все экономические факторы в той или иной степени коррелированны.
Анализ чувствительности может быть легко реализован в среде EXCEL.
Метод сценариев. В отличие от трех предыдущих метод сценариев по-
зволяет совместить исследование чувствительности результирующего показа-
теля с анализом вероятностных оценок его отклонений. В общем случае проце-
дура использования данного метода в процессе анализа инвестиционных рис-
ков включает выполнение следующих шагов.
1. Определяют несколько вариантов изменений ключевых исходных по-
казателей (например, пессимистический, наиболее вероятный и опти-
мистический).
2. Каждому варианту изменений приписывают его вероятностную оценку.
3. Для каждого варианта рассчитывают вероятное значение критерия NPV
(либо IRR, РI), а также оценки его отклонений от среднего значения.
4. Проводится анализ вероятностных распределений полученных резуль-
татов.
58
Проект с наименьшими стандартным отклонением (σ) и коэффициентом
вариации (V) считается менее рисковым.
В целом метод позволяет получать достаточно наглядную картину для
различных вариантов реализации проектов, а также предоставляет информацию
о чувствительности и возможных отклонениях, а применение программных
средств типа Excel позволяет значительно повысить эффективность подобного
анализа путем практически неограниченного увеличения числа сценариев и
введения дополнительных переменных.
Метод сценариев может быть легко реализован в среде EXCEL.
Деревья решений. Деревья решений (decision tree) обычно используются
для анализа рисков проектов, имеющих обозримое или разумное число вариан-
тов развития. Они особо полезны в ситуациях, когда решения, принимаемые в
момент времени t = n, сильно зависят от решений, принятых ранее, и в свою
очередь определяют сценарии дальнейшего развития событий.
Дерево решений имеет вид нагруженного графа, вершины его представ-
ляют ключевые состояния, в которых возникает необходимость выбора, а дуги
(ветви дерева) — различные события (решения, последствия, операции), кото-
рые могут иметь место в ситуации, определяемой вершиной. Каждой дуге (вет-
ви) дерева могут быть приписаны числовые характеристики (нагрузки), напри-
мер, величина платежа и вероятность его осуществления. В общем случае ис-
пользование данного метода предполагает выполнение следующих шагов.
1. Для каждого момента времени t определяют проблему и все возможные
варианты дальнейших событий.
2. Откладывают на дереве соответствующую проблеме вершину и исхо-
дящие из нее дуги.
3. Каждой исходящей дуге приписывают ее денежную и вероятностную
оценки.
4. Исходя из значений всех вершин и дуг рассчитывают вероятное значе-
ние критерия NPV (либо IRR, РI).
5. Проводят анализ вероятностных распределений полученных результа-
тов.

4.1.4 Технология имитационного моделирования инвестиционных рисков

В общем случае под имитацией понимают процесс проведения на ЭВМ


экспериментов с математическими моделями сложных систем реального мира.
При анализе рисков инвестиционных проектов обычно используют в ка-
честве базы для экспериментов прогнозные данные об объемах продаж, затра-
тах, ценах и т.п.
При проведении финансового анализа часто используются модели, содер-
жащие случайные величины, поведение которых не детерминировано управле-
нием или принимающими решения. Стохастическая имитация известна под на-
званием «метод Монте-Карло».
Имитационное моделирование представляет собой серию численных экс-
периментов, призванных получить эмпирические оценки степени влияния раз-
59
личных факторов (исходных величин) на некоторые зависящие от них резуль-
таты (показатели).
В общем случае проведение имитационного эксперимента можно разбить
на следующие этапы.
1. Установить взаимосвязи между исходными и выходными показателями
в виде математического уравнения или неравенства.
2. Задать законы распределения вероятностей для ключевых параметров
модели.
3. Провести компьютерную имитацию значений ключевых параметров
модели.
4. Рассчитать основные характеристики распределений исходных и выходных
показателей.
5. Провести анализ полученных результатов и принять решение. Резуль-
таты имитационного эксперимента могут быть дополнены статистиче-
ским анализом, а также использоваться для построения прогнозных мо-
делей сценариев.
Имитационное моделирование рисков может быть достаточно просто
реализовано в среде EXCEL.
Результаты имитационного эксперимента могут быть дополнены стати-
стическим анализом, а также использоваться для построения прогнозных моде-
лей и сценариев.
Осуществим имитационное моделирование анализа рисков инвестицион-
ного проекта на основании данных примера 1.

Пример 1. Фирма рассматривает инвестиционный проект по производ-


ству продукта «А». В процессе предварительного анализа экспертами были
выявлены три ключевых параметра проекта и определены возможные границы
их изменений (табл. 3). Прочие параметры проекта считаются постоянными
величинами (табл. 4).
Таблица 3 — Ключевые параметры проекта по производству про-
дукта «А»
Сценарий Показатели
Наихудший Наилучший Вероятный
Объем выпуска — Q 150 300 200
Цена за штуку — P 40 55 50
Переменные затраты — 35 25 30
V

Таблица 4 — Неизменяемые параметры проекта по производству


продукта «А»
Показатели Наиболее вероятное
значение
Постоянные затраты — F 500
Амортизация — A 100
60
Налог на прибыль — T 60%
Норма дисконта — d 10%
Срок проекта — n 5
Начальные инвестиции — I0 2000

Первым этапом анализа согласно сформулированному выше алгоритму яв-


ляется определение зависимости результирующего показателя от исходных. При
этом в качестве результирующего показателя обычно выступает один из крите-
риев эффективности: NPV, IRR, PI.
Предположим, что используемым критерием является чистая современ-
ная стоимость проекта NPV:
n
NCFi
NPV = ∑ − I0 ,
(1 + d )
i
i =1

где NCFi — величина чистого потока платежей в периоде i.


По условиям примера, значения нормы дисконта d и первоначального
объема инвестиций I0 известны и считаются постоянными в течении срока реа-
лизации проекта (табл. 2).
По условиям примера ключевыми варьируемыми параметрами являются:
переменные расходы V, объем выпуска Q и цена P. Диапазоны возможных из-
менений варьируемых показателей приведены в табл. 3. При этом будем исхо-
дить из предположения, что все ключевые переменные имеют равномерное
распределение вероятностей.
Реализация третьего этапа может быть осуществлена только с применением
ЭВМ, оснащенной специальными программными средствами. Поэтому прежде
чем приступить к третьему этапу — имитационному эксперименту, познакомимся
с соответствующими средствами EXCEL, автоматизирующими его проведение.
Проведение имитационных экспериментов в EXCEL можно осуществить
двумя способами — с помощью встроенных функций и путем использования
инструмента «Генератор случайных чисел» дополнения «Анализ данных»
(Analysis ToolPack). Для сравнения ниже рассматриваются оба способа. При
этом основное внимание уделено технологии проведения имитационных экспе-
риментов и последующего анализа результатов с использованием инструмента
«Генератор случайных чисел».

4.1.4.1 Имитационное моделирование с применением функций


EXCEL

Следует отметить, что применение встроенных функций целесообразно


лишь в том случае, когда вероятности реализации всех значений случайной ве-
личины считаются одинаковыми. Тогда для имитации значений требуемой пере-
менной можно воспользоваться математическими функциями СЛЧИС() или
СЛУЧМЕЖДУ(). Форматы функций приведены в табл. 5.

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)

Функция СЛЧИС(). Функция СЛЧИС() возвращает равномерно распре-


деленное случайное число E, большее, либо равное 0 и меньшее 1, т.е.: 0 ≤ E <
1. Вместе с тем, путем несложных преобразований, с ее помощью можно полу-
чить любое случайное вещественное число. Например, чтобы получить случай-
ное число между a и b, достаточно задать в любой ячейке ЭТ следующую фор-
мулу: «=СЛЧИС()*(b-a)+a»
Эта функция не имеет аргументов. Если в ЭТ установлен режим авто-
матических вычислений, принятый по умолчанию, то возвращаемый функцией
результат будет изменяться всякий раз, когда происходит ввод или корректи-
ровка данных. В режиме ручных вычислений пересчет всей ЭТ осуществляется
только после нажатия клавиши [F9].
Настройка режима управления вычислениями производится установкой
соответствующего флажка в подпункте «Вычисления» пункта «Параметры» те-
мы «Сервис» главного меню.
В целом применение данной функции при решении задач финансового
анализа ограничено рядом специфических приложений. Однако ее удобно ис-
пользовать в некоторых случаях для генерации значений вероятности событий,
а также вещественных чисел.
Функция СЛУЧМЕЖДУ(нижн_граница; верхн_граница). Как следует
из названия этой функции, она позволяет получить случайное число из заданного
интервала. При этом тип возвращаемого числа (т.е. вещественное или целое) за-
висит от типа заданных аргументов.
В качестве примера, сгенерируем случайное значение для переменной Q
(объем выпуска продукта). Согласно табл. 1, эта переменная принимает значения
из диапазона 150…300.
Введите в любую ячейку ЭТ формулу: «=СЛУЧМЕЖДУ(150; 300)» (Результат:
210).
Если задать аналогичные формулы для переменных P и V, а также форму-
лу для вычисления NPV и скопировать их требуемое число раз, можно получить
генеральную совокупность, содержащую различные значения исходных показа-
телей и полученных результатов. После чего, используя рассмотренные в преды-
дущих главах статистические функции, нетрудно рассчитать соответствующие
параметры распределения и провести вероятностный анализ.
Продемонстрируем изложенный подход на решении примера 1. Перед тем,
как приступить к разработке шаблона, целесообразно установить в ЭТ режим

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.

Рис. 7 — Лист «Имитация»

Таблица 6 — Формулы листа «Имитация»


Ячейка Формула
Е7 =B7+10-2
A10 =СЛУЧМЕЖДУ($B$3;$C$3)
A11 =СЛУЧМЕЖДУ($B$3;$C$3)
B10 =СЛУЧМЕЖДУ($B$4;$C$4)
B11 =СЛУЧМЕЖДУ($B$4;$C$4)
C10 =СЛУЧМЕЖДУ($B$5;$C$5)
C11 =СЛУЧМЕЖДУ($B$5;$C$5)
D10 =(B10*(C10-A10)-Пост_расх-Аморт)*(1-Налог)+Аморт
D11 =(B11*(C11-A11)-Пост_расх-Аморт)*(1-Налог)+Аморт
E10 =ПC(Норма;Срок;-D10)-Нач_инвест
E11 =ПC(Норма;Срок;-D11)-Нач_инвест

Таблица 7 — Имена ячеек листа «Имитация»


Адрес ячейки Имя Комментарии
Блок A10:A11 Перем_расх Переменные расходы
Блок B10:B11 Количество Объем выпуска
63
Блок C10:C11 Цена Цена изделия
Блок D10:D11 Поступления Поступления от проекта NCFt
Блок E10:E11 ЧСС Чистая современная стоимость NPV

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.

Таблица 8 — Формулы листа «Результаты анализа»


Ячейка Формула
B8 =СРЗНАЧ(Перем_расх)
B9 =СТАНДОТКЛОНП(Перем_расх)
B10 =B9/B8
B11 =МИН(Перем_расх)
B12 =МАКС(Перем_расх)
C8 =СРЗНАЧ(Количество)
C9 =СТАНДОТКЛОНП(Количество)
C10 =C9/C8
C11 =МИН(Количество)
C12 =МАКС(Количество)
D8 =СРЗНАЧ(Цена)
D9 =СТАНДОТКЛОНП(Цена)
D10 =D9/D8
D11 =МИН(Цена)
D12 =МАКС(Цена)
E8 =СРЗНАЧ(Поступления)
E9 =СТАНДОТКЛОНП(Поступления)

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)

Таблица 9 — Имена ячеек листа «Результаты анализа»


Адрес ячейки Имя Комментарии
B2 Нач_инвест Начальные инвестиции
B3 Пост_расх Постоянные расходы
B4 Аморт Амортизация
D2 Норма Норма дисконта
D3 Налог Ставка налога на прибыль
D4 Срок Срок реализации прока

Рис. 8 — Лист «Результаты анализа»

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

Рис. 11 — Результаты анализа

По результатам имитационного анализа ожидаемая величина


NPV составляет 3361,96. Величина стандартного отклонения —
2271,31 и не превышает значения NPV. Коэффициент вариации (0,68)
меньше 1. Таким образом, риск данного проекта в целом ниже сред-

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.

Рис. 12 — Распределение значений параметров V, P и Q

Нетрудно заметить, что в целом, вариация значений всех трех параметров


носит случайный характер, что подтверждает принятую ранее гипотезу о их не-
70
зависимости. Для сравнения ниже приведен график распределений потока пла-
тежей NCF и величины NPV (рис. 13).

Рис. 13 — Зависимость между NCF и NPV

Как и следовало ожидать, направления колебаний здесь в точности сов-


падают и между этими величинами существует сильная корреляционная связь,
близкая к функциональной. Дальнейшие расчеты показали, что величина коэф-
фициента корреляции между полученными распределениями NCF и NPV оказа-
лась равной 1.
Подводя итоги, отметим, что в целом применение рассмотренной техно-
логии проведения имитационных экспериментов в среде EXCEL — достаточно
трудоемкий процесс, который к тому же ограничивается случаем равномер-
ного распределения исследуемых переменных. Гораздо более удобным и эф-
фективным способом решения таких задач в среде EXCEL является использова-
ние специального инструмента анализа — «Генератор случайных чисел».

4.1.4.2 Имитация с инструментом «Генератор случайных чисел»

Этот инструмент предназначен для автоматической генерации множества


данных (генеральной совокупности) заданного объема, элементы которого ха-
рактеризуются определенным распределением вероятностей. При этом могут
быть использованы 7 типов распределений: равномерное, нормальное, Бернул-
ли, Пуассона, биномиальное, модельное и дискретное. Применение инструмен-
та «Генератор случайных чисел», как и большинства используемых в этой ра-
боте функций, требует установки специального дополнения «Пакет анализа» .
Для демонстрации техники применения этого инструмента изменим ус-
ловия примера 1, определив вероятности для каждого сценария развития собы-

71
тий следующим образом (табл. 10). Мы также будем исходить из предположе-
ния о нормальном распределении ключевых переменных. Количество имитаций
оставим прежним — 500.

Таблица 10 — Вероятностные сценарии реализации проекта


Сценарий Наихудший Наилучший Вероятный
Показатели P = 0.25 P = 0.25 P = 0.5
Объем выпуска — Q 150 300 200
Цена за штуку — P 40 55 50
Переменные затраты — V 35 25 30
Приступим к формированию шаблона. Как и в предыдущем случае, выде-
лим в рабочей книге два листа: «Имитация» и «Результаты анализа».
Формирование шаблона целесообразно начать с листа «Результаты ана-
лиза» (рис. 14).

Рис. 14 — Лист «Результаты анализа» (шаблон II)

Как следует из рис. 14 этот лист практически соответствует ранее разра-


ботанному для решения предыдущей задачи (см. рис. 11). Отличие составляют
лишь формулы для расчета вероятностей, которые приведены в табл. 11.

Таблица 11 — Формулы листа «Результаты анализа» (шаблон II)


Ячейка Формула
В17 =НОРМРАСП(0;B8;B9;1)
В18 =НОРМРАСП(B11;B8;B9;1)
72
В19 =НОРМРАСП(B12;B8;B9;1)-НОРМРАСП(B8+B9;B8;B9;1)
В20 =НОРМРАСП(B8;B8;B9;1)-НОРМРАСП(B8-B9;B8;B9;1)
С17 =НОРМРАСП(0;C8;C9;1)
С18 =НОРМРАСП(C11;C8;C9;1)
С19 =НОРМРАСП(C12;C8;C9;1)-НОРМРАСП(C8+C9;C8;C9;1)
С20 =НОРМРАСП(C8;C8;C9;1)-НОРМРАСП(C8-C9;C8;C9;1)
D17 =НОРМРАСП(0;D8;D9;1)
D18 =НОРМРАСП(D11;D8;D9;1)
D19 =НОРМРАСП(D12;D8;D9;1)-НОРМРАСП(D8+D9;D8;D9;1)
D20 =НОРМРАСП(D8;D8;D9;1)-НОРМРАСП(D8-D9;D8;D9;1)
E17 =НОРМРАСП(0;E8;E9;1)
E18 =НОРМРАСП(E11;E8;E9;1)
E19 =НОРМРАСП(E12;E8;E9;1)-НОРМРАСП(E8+E9;E8;E9;1)
E20 =НОРМРАСП(E8;E8;E9;1)-НОРМРАСП(E8-E9;E8;E9;1)
F17 =НОРМРАСП(0;F8;F9;1)
F18 =НОРМРАСП(F11;F8;F9;1)
F19 =НОРМРАСП(F12;F8;F9;1)-НОРМРАСП(F8+F9;F8;F9;1)
F20 =НОРМРАСП(F8;F8;F9;1)-НОРМРАСП(F8-F9;F8;F9;1)

Используемые в нем собственные имена ячеек также взяты из аналогич-


ного листа предыдущего шаблона (см. табл. 9).
Для быстрого формирования нового листа «Результаты анализа» выпол-
ните следующие действия.
1. Загрузите предыдущий шаблон SIMUL_1.XLT и сохраните его под дру-
гим именем, например — SIMUL_2.XLT
2. Удалите лист «Имитация». Для этого установите указатель мыши на
ярлычок этого листа и нажмите правую кнопку. Результатом выполне-
ния этих действий будет появления списка операций в виде контекст-
ного меню. Выберите операцию «Удалить». Подтвердите свое решение
нажатием кнопки «ОК» в появившемся диалоговом окне.
3. Перейдите в лист «Результаты анализа». Удалите строки 17–18. Откор-
ректируйте заголовок ЭТ.
4. Добавьте формулы из табл. 11. Для этого введите соответствующие
формулы в ячейки блока В17:В20 и скопируйте их в блок С17:F20.
Введите соответствующие комментарии.
5. Сверьте полученную таблицу с рис. 14.
Перейдите к следующему листу и присвойте ему имя — «Имитация».
Приступаем к его формированию (рис. 15).

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).

Таблица 12 — Имена ячеек листа «Имитация» (шаблон II)


Адрес ячейки Имя Комментарии
Блок Е3:Е5 Вероятности Вероятность значения параметра
Блок A13:A512 Перем. расх. Переменные расходы
Блок B13:B512 Количество Объем выпуска
Блок C13:C512 Цена Цена изделия
Блок D13:D512 Поступления Поступления от проекта NCF
Блок E13:E512 ЧСС Чистая современная стоимость NPV

Таблица 13 — Формулы листа «Имитация» (шаблон II)


Ячейка Формула
В7 =СУММПРОИЗВ(B3:B5; Вероятности)
В8 {=КОРЕНЬ(СУММПРОИЗВ((B3:B5 - B7)^2; Вероятности))}
С7 =СУММПРОИЗВ(C3:C5; Вероятности)
С8 {=КОРЕНЬ(СУММПРОИЗВ((C3:C5 - C7)^2; Вероятности))}
D7 =СУММПРОИЗВ(D3:D5; Вероятности)
D8 {=КОРЕНЬ(СУММПРОИЗВ((D3:D5 - D7)^2; Вероятности))}
E10 =B10+13-1
74
D13 =(B13*(C13-A13)-Пост_расх-Аморт)*(1-Налог)+Аморт
E13 =ПЗ(Норма; Срок; -D13) - Нач_инвест

Обратите внимание на то, что для расчета стандартных отклонений ис-


пользуются формулы-массивы. Для формирования блока формул достаточно
определить их для ячеек В7:В8 и затем скопировать в блок С7:D8.
Формула в ячейке Е10 по заданному числу имитаций (ячейка В10) вычис-
ляет номер последней строки для блоков, в которых будут храниться сгенери-
рованные значения ключевых переменных.
Ячейки D13:E13 содержат уже знакомые нам формулы для расчета вели-
чины потока платежей NCF и его чистой современной стоимости NPV.
Сформируйте элементы оформления листа «Имитация», определите не-
обходимые имена для блоков ячеек (табл. 12) и задайте требуемые формулы
(табл. 13). Сохраните полученный шаблон под именем SIMUL_2.XLT.
Введите исходные значения постоянных переменных (табл. 2) в ячейки
В2:В4 и D2:D4 листа «Результаты анализа». Перейдите к листу «Имитация».
Введите значения ключевых переменных и соответствующие вероятности
(табл. 10). Полученная в результате ЭТ должна иметь вид рис. 16.

Рис. 16 — Лист «Имитация» после ввода исходных данных

Установите курсор в ячейку А13. Приступаем к проведению имитационно-


го эксперимента.
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 «Генерация случай-
ных чисел» и нажмите кнопку «ОК» (рис. 17).
3. На экране появится диалоговое окно «Генерация случайных чисел».
Укажите в списке «Распределения» требуемый тип — «Нормальное».

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.

Рис. 17 — Выбор инструмента «Генерация случайных чисел»

Рис. 18 — Заполнение полей окна «Генерация случайных чисел»

Приведем необходимые пояснения. Первым заполняемым аргументом


диалогового окна «Генерация случайных чисел» является поле «Число пере-
менных». Оно задает количество колонок, в которых будут размещаться сгене-
рированные в соответствии с заданным законом распределения случайные ве-
личины. В нашем примере оно должно содержать 1, так как ранее мы отвели
под значения переменной V (переменные расходы) одну колонку — «А». В слу-
чае, если указывается число больше 1, случайные величины будут размещены в
соответствующем количестве соседних колонок, начиная с активной ячейки.
Если это число не введено, то все колонки в выходном диапазоне будут запол-
нены.
Следующим обязательным аргументом для заполнения является содер-
жимое поля «Число случайных чисел» (т.е. — количество имитаций). Согласно

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.

Рис. 19 — Заполнение полей окна для переменной Q

Для получения генеральной совокупности значений потока платежей и их


чистой современной стоимости необходимо скопировать формулы базовой
строки (ячейки D13:E13) требуемое число раз (499):
– Выделите и скопируйте в буфер ячейку D13.
– Нажмите клавишу [F5]. На экране появится диалоговое окно «Переход».
– Укажите в поле «Ссылка» имя блока «Поступления» и нажмите кнопку «ОК».
Результатом этих действий будет выделение заданного блока.
– Нажмите клавишу [ENTER].
В случае, если был установлен режим ручных вычислений, нажмите клавишу [F9].
Аналогичным образом копируется формула из ячейки Е13. При этом в
поле «Ссылка» диалогового окна «Переход» необходимо указать имя блока —
«ЧСС». Можно также выбрать необходимое имя из списка «Перейти к».
Полученные результаты решения примера приведены на рис. 20, 21.
Результаты проведенного имитационного эксперимента нена-
много отличаются от предыдущих. Величина ожидаемой NPV равна
3412,14 при стандартном отклонении 2556,83. Коэффициент вариа-
ции (0,75) несколько выше, но меньше 1, таким образом, риск данного
проекта в целом ниже среднего риска инвестиционного портфеля
фирмы. Результаты вероятностного анализа показывают, что шанс
получить отрицательную величину NPV не превышает 9%. Общее
число отрицательных значений NPV в выборке составляет 32 из 500.
Таким образом с вероятностью около 91% можно утверждать, что
чистая современная стоимость проекта будет больше 0. При этом

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%.

Рис. 20 — Результаты имитационного эксперимента (шаблон II)

Рис. 21 — Результаты анализа (шаблон II)

79
4.1.4.3 Статистический анализ результатов имитации

Как уже отмечалось, в анализе стохастических процессов большое значе-


ние имеют статистические взаимосвязи между случайными величинами. В пре-
дыдущем примере для установления степени взаимосвязи ключевых и расчет-
ных показателей мы использовали графический анализ. В качестве количест-
венных характеристик подобных взаимосвязей в статистике используют два
показателя: ковариацию и корреляцию.
Ковариация выражает степень статистической зависимости между двумя
множествами данных. Коэффициент ковариации случайных величин X, Y, обо-
значаемый иногда как cov(X, Y), есть математическое ожидание произведения
отклонений каждой из этих величин от своего математического ожидания:

bXY = cov(X, Y) =M[(X – MX)(Y – MY)]

Для вычисления коэффициента ковариации надо знать закон распределения


двумерной случайной величины (X, Y). Тогда для непрерывных величин:

bXY = ∫∫ ( X − MX )(Y − MY ) p ( X , Y ) dXdY ,

а для дискретных величин

bXY = ∑∑ ( X t − MX ) (Yq − MY ) p ( X t , Yq )
t q

В последней формуле суммирование ведется по всем t значениям, которые при-


нимает величина X и всем q значениям, которые принимает величина Y.
Положительная ковариация наблюдается в том случае, когда большим
значениям случайной величины Х соответствуют большие значения случайной
величины Y, т.е. между ними существует тесная прямая взаимосвязь. Соответ-
ственно отрицательная ковариация будет иметь место при соответствии малым
значениям случайной величины Х больших значений случайной величины Y.
При слабо выраженной зависимости значение показателя ковариации близко к
0. Ковариация зависит от единиц измерения исследуемых величин, что ограни-
чивает ее применение на практике. Более удобным для использования в анализе
является производный от нее показатель — коэффициент корреляции r, вычис-
ляемый по формуле
cov ( X , Y )
r= .
σ X σY
Коэффициент корреляции обладает теми же свойствами, что и ковариа-
ция, однако является безразмерной величиной и принимает значения от –1 (ха-
рактеризует линейную обратную взаимосвязь) до +1 (характеризует линейную
прямую взаимосвязь). Для независимых случайных величин значение коэффи-
циента корреляции близко к 0.

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.

Рис. 22 — Список инструментов анализа (выбор пункта «Корреля-


ция»)

Рис. 23 — Заполнение окна диалога инструмента «Корреляция»

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.

Как следует из результатов корреляционного анализа, выдвинутая в


процессе решения предыдущего примера гипотеза о независимости
распределений ключевых переменных V, Q, P в целом подтвердилась.
Значения коэффициентов корреляции между переменными расходами
V, количеством Q и ценой Р (ячейки В3.В4, С4) близки к 0.
В свою очередь величина показателя NPV напрямую зависит от вели-
чины потока платежей (r=1). Кроме того, существует корреляцион-
ная зависимость средней степени между Q и NPV (r=0,548), P и NPV
(r=0,67). Как и следовало ожидать, между величинами V и NPV суще-
ствует умеренная обратная корреляционная зависимость (r=–0,39).

Полезность проведения последующего статистического анализа результатов


имитационного эксперимента заключается также в том, что во многих случаях он
позволяет выявить некорректности в исходных данных, либо даже ошибки в по-
становке задачи. В частности в рассматриваемом примере, отсутствие взаимосвя-
зи между переменными затратами V и объемами выпуска продукта Q требует до-
полнительных объяснений, так как с увеличением последнего, величина V также
должна расти. Таким образом, установленный диапазон изменений переменных
затрат V нуждается в дополнительной проверке и, возможно, корректировке.
Близкие к нулевым значения r указывают на отсутствие линейной связи
между исследуемыми переменными, но не исключают возможности нели-
нейной зависимости. Кроме того, высокая корреляция не обязательно всегда
означает наличие причинной связи, так как две исследуемые переменные могут
зависеть от значений третьей.
При проведении имитационного эксперимента и последующего вероят-
ностного анализа полученных результатов мы исходили из предположения о
нормальном распределении исходных и выходных показателей. Вместе с тем,

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»

Рис. 26 — Описательная статистика для исследуемых переменных

Многие из приведенных в данной таблице характеристик хорошо знако-


мы, а их значения уже определены с помощью соответствующих функций на
листе «Результаты анализа». Поэтому рассмотрим лишь те из них, которые не
упоминались ранее.
Вторая строка таблицы содержит значения стандартных ошибок ε для
средних величин распределений. Другими словами среднее или ожидаемое зна-
чение случайной величины определено с погрешностью ± ε .
84
Медиана — это значение случайной величины, которое делит площадь,
ограниченную кривой распределения, пополам (т.е. середина численного ряда
или интервала). Как и математическое ожидание, медиана является одной из
характеристик центра распределения случайной величины. В симметричных
распределениях значение медианы должно быть равным или достаточно близ-
ким к математическому ожиданию.
Как следует из полученных результатов, данное условие соблюдается для
исходных переменных V, Q, P (значения медиан лежат в диапазоне М ± ε , т.е.
практически совпадают со средними). Однако для результатных переменных
NCF, NPV значения медиан лежат ниже средних, что наводит на мысль о пра-
восторонней асимметричности их распределений.
Мода — наиболее вероятное значение случайной величины (наиболее
часто встречающееся значение в интервале данных). Для симметричных рас-
пределений мода равна математическому ожиданию. Иногда мода может отсут-
ствовать. В данном случае EXCEL вернул сообщение об ошибке. Таким обра-
зом, вычисление моды не представляется возможным.
Эксцесс характеризует остроконечность (положительное значение) или
пологость (отрицательное значение) распределения по сравнению с нормальной
кривой. Теоретически, эксцесс нормального распределения должен быть равен
0. Однако на практике для генеральных совокупностей больших объемов его
малыми значениями можно пренебречь.
В рассматриваемом примере примерно одинаковый положительный экс-
цесс наблюдается у распределений переменных Q, NCF, NPV. Таким образом,
графики этих распределений будут чуть остроконечнее, по сравнению с нор-
мальной кривой. Соответственно графики распределений для переменных V и Р
будут чуть более пологими, по отношению к нормальному.
Асимметричность (коэффициент асимметрии или скоса — s) характери-
зует смещение распределения относительно математического ожидания. При
положительном значении коэффициента распределение скошено вправо, т.е.
его более длинная часть лежит правее центра (математического ожидания) и
обратно. Для нормального распределения коэффициент асимметрии равен 0. На
практике, его малыми значениями можно пренебречь.
В частности асимметрию распределений переменных V, Q, P в данном
случае можно считать несущественной, чего нельзя, однако сказать о распре-
делении величины NPV.
Осуществим оценку значимости коэффициента асимметрии для распре-
деления NPV. Наиболее простым способом получения такой оценки является
определение стандартной (средней квадратической) ошибки асимметрии, рас-
считываемой по формуле
6 ( n − 1)
σ as = ,
( n + 1)( n + 3)
где n — число значений случайной величины (в данном случае — 500).
Если отношение коэффициента асимметрии s к величине ошибки σas
меньше трех (т.е. s σ as <3), то асимметрия считается несущественной, а ее на-
85
личие объясняется воздействием случайных факторов. В противном случае
асимметрия статистически значима и факт ее наличия требует дополнительной
интерпретации. Осуществим оценку значимости коэффициента асимметрии для
рассматриваемого примера.
Введите в любую ячейку ЭТ формулу: «=0,763/КОРЕНЬ(6*499/501*503)»
(Результат: 7,06).
Поскольку отношение s σ as > 3, асимметрию следует считать сущест-
венной. Таким образом, наше первоначальное предположение о правосторон-
ней скошенности распределения NPV подтвердилась.
Для рассматриваемого примера наличие правосторонней асимметрии
может считаться положительным моментом, так как это означает, что
большая часть распределения лежит выше математического ожидания, т.е.
большие значения NPV являются более вероятными.
Аналогичным способом можно осуществить проверку значимости вели-
чины эксцесса — е. Формула для расчета стандартной ошибки эксцесса имеет
следующий вид:
24n ( n − 2 )( n − 3)
σ ex = ,
( n − 1) ( n + 3)( n + 5)
2

где n — число значений случайной величины.


Если отношение s σ es <3, эксцесс считается незначительным и его вели-
чиной можно пренебречь.
Можно включить проверку значимости показателей асимметрии и экс-
цесса в разработанный шаблон, задав соответствующие формулы в листе «Ре-
зультаты анализа». Для удобства предварительно следует определить собствен-
ное имя для ячейки В10 листа «Имитация», например — «Кол_знач». Тогда
формула проверки значимости коэффициента асимметрии для распределения
NPV может быть задана следующим образом:
«=СКОС(ЧСС)/КОРЕНЬ(6*(Кол_знач -1))/((Кол_знач+1)*(Кол_знач+ 3))».
Для вычисления коэффициента асимметрии в этой формуле использована
статистическая функция СКОС(). Формула для проверки значимости показате-
ля эксцесса задается аналогичным образом. Числителем этой формулы будет
функция ЭКСЦЕСС(), а знаменателем соотношение (7), реализованное средст-
вами EXCEL.
Оставшиеся показатели описательной статистики (рис. 26) представляют
меньший интерес. Величина «Интервал» определяется как разность между
максимальным и минимальным значением случайной величины (численного
ряда). Параметры «Счет» и «Сумма» представляют собой число значений в за-
данном интервале и их сумму соответственно.
Последняя характеристика «Уровень надежности» показывает величину
доверительного интервала для математического ожидания согласно заданному
уровню надежности или доверия. По умолчанию уровень надежности принят рав-
ным 95%.

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.

4.2 ПРИМЕНЕНИЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ РАСЧЕТА


СТОИМОСТИ ОБЪЕКТА НЕДВИЖИМОСТИ

С математической точки зрения рыночная стоимость объекта недвижимо-


сти является случайной величиной в силу неопределенности влияющих факто-
ров. Поэтому корректное проведение оценки возможно только в случае приме-
нения вероятностных подходов, при которых расчетные параметры задаются не
в виде детерминированных величин, а как диапазоны значений с характерными
распределениями плотностей вероятности. Теоретически описано достаточно
большое количество законов распределения, однако на практике для большин-
87
ства задач оценки недвижимости используют равномерное, треугольное и нор-
мальное распределения.
Равномерное распределение предполагает, что случайная величина нахо-
дится в диапазоне с известными фиксированными границами. При этом все
значения случайной переменной внутри диапазона равновероятны.
Треугольные распределения применяются обычно в случаях, когда имеется
достоверная информация о минимальном, максимальном и наиболее вероятных
значениях переменной.
Нормальное распределение (распределение Гаусса) широко применяется
во всех областях науки и техники. Термин «нормальное распределение» описы-
вает семейство в общем случае симметричных кривых в виде «колоколов» с
различной кривизной, ветви которых асимптотически приближаются к гори-
зонтальной оси. Данный вид распределения описывается двумя параметрами —
средним значением (матожиданием) и дисперсией.
Общим для вышеприведенных видов распределений является то, что их
применение базируется на допущениях о предполагаемом характере распреде-
ления случайной величины. Допущения могут основываться как на принципах
статистической вероятности, так и на принципах субъективной вероятности, то
есть на основе экспертных предположений о характере случайных процессов.
Одной из важных составляющих расчета стоимости недвижимости затрат-
ным методом является определение величины накопленного износа. При этом
физический износ определяется на базе количественных характеристик, значе-
ния которых являются случайными.
Наиболее наглядным способом определения физического износа является
метод разбивки, при котором величина общего физического износа определяет-
ся как сумма трех составляющих:
− исправимого физического износа (отложенного ремонта);
− неисправимого физического износа короткоживущих элементов;
− неисправимого физического износа долгоживущих элементов.
При расчете исправимого физического износа не всегда возможно точно
указать объемы повреждений всех конструктивных элементов и требуемые за-
траты на их восстановление. Поэтому в таких случаях величину затрат целесо-
образно определять экспертным путем на основе результатов анализа практиче-
ских данных и исследований в данной области и представлять для конструк-
тивного элемента в целом в виде диапазона с заданием соответствующего зако-
на распределения.
Пример решения задачи 4. При выполнении осмотра объекта Оценщиком
была собрана информация о состоянии конструкций и инженерных систем объ-
екта. В результате экспертно оценены диапазоны величин относительных затрат
(в %% от стоимости элемента) на восстановление кирпичных стен, рулонной
кровли, дверей и системы водоснабжения. При этом накопленные данные о ве-
личинах затрат на восстановление конструктивных элементов при различных
видах и объемах их повреждений позволили сделать следующие выводы:
− характер повреждений кирпичных стен и деревянных дверей позволяет
предположить, что наиболее вероятные значения величин затрат на их восста-
88
новление составляют соответственно 20% и 30%; полученная информация по-
зволяет сделать вывод о возможности применения нормального закона распре-
деления;
− для рулонной кровли с высокой степенью достоверности можно опреде-
лить максимальное и минимальное значения (соответственно 10% и 15%) вели-
чины затрат на восстановление. Имеющаяся информация позволяет задать тре-
угольный закон распределения данной величины с постоянно возрастающей
вероятностью бóльших значений;
− на основе имеющихся данных затруднительно определить среднее, наи-
более вероятное или экстремальные значения величины затрат на восстановле-
ние системы водоснабжения. Оценщик смог лишь указать предполагаемый
диапазон, в котором могут находиться значения этой величины (10-15%). В
данном случае целесообразно задать равномерный закон распределения.
Результаты экспертизы сведены в табл. 14.
Таблица 14 – Исходные данные для расчета стоимости исправимого физиче-
ского износа
№ Конструктивные Стоимость уст- Величина затрат Закон
п/п элементы с призна- ройства нового на восстановле- Распределе-
ками износа элемента, тыс. ние, % ния
руб.
1 Стены 200 15…25 Нормальный
2 Двери 10 25…35 Нормальный
3 Система водоснаб- 42 10…15 Равномерный
жения
4 Кровля 30 10…15 Треугольный

В табл. 15 представлен пример вероятностного расчета исправимого физи-


ческого износа здания, выполненного в программе MathCAD, а итоговые ре-
зультаты моделирования сведены в табл. 16.

Таблица 15 – Пример расчета


Стены
1 n := 1000000 Задание числа испытаний
2 Θ := 200 Стоимость нового элемента
3 m := 0.2 ⋅ Θ ∆ := 0.05 ⋅ Θ σ := ∆ ÷ 3 Задание параметров закона распределения
4 Nw := rnorm ( n , m , σ) Генерация массива Nw
5 lo := floor ( min ( Nw ) ) up := ceil ( max ( Nw ) ) bi := 300 h := ( up − lo ) ÷ bi j := 0 .. bi int j := lo + h⋅ j
f := hist ( int , Nw ) Построение гистограммы Nw
4
2 . 10

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

Итоги расчета: математические ожидания и среднеквадратичные отклонения


Кирпичные стены: mean ( Nw ) = 39.9986 stdev( Nw ) = 3.3306
Деревянные двери: mean ( Nd ) = 3.0001 stdev( Nd ) = 0.1666
Система водоснабжения: mean ( Ns ) = 5.2504 stdev( Ns ) = 0.6070
Рулонная кровля: mean ( Nk) = 4.0003 stdev( Nk) = 0.3534

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 ⎦ ⎦

Таблица 16 – Результаты моделирования


Составляющие устранимого Математиче- Дисперсия,
физического износа ское ожидание, тыс. р.
тыс. р.
Стены 39,9986 3,3306
Двери 3,0001 0,1666
Система водоснабжения 5,2504 0,6070
Кровля 4,0003 0,3534
Итого: общий устранимый физический износ 52,2495 3,4080

4.3 ПОСТРОЕНИЕ МОДЕЛИ СТРАХОВАНИЯ АВТОГРАЖДАНСКОЙ ОТВЕТСТВЕН-


НОСТИ С ИСПОЛЬЗОВАНИЕМ ПРОГРАММЫ BPWIN4

Рассмотрим применение BPWin на примере построения модели страхова-


ния автогражданской ответственности. С целью упрощения из рассмотрения
исключены процессы отказа клиенту, ведения делопроизводства, материально-
технического обеспечения, и другие. Главное внимание уделено основной ли-
нии: страхование — выплаты.
На контекстной диаграмме С-0 (рис. 27) отразим основные входные пото-
ки, выходные данные, ресурсы и управление. Управляющими воздействиями
здесь будут Законодательство и Инструкции. Ресурсами являются сотрудники
центра и материальные ресурсы.

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).

Рис. 28 — Процессы страхования


Входными данными модели будут: вопросы клиентов; документы клиен-
тов; заявления на выплаты и другие документы. Кроме этого, страховщик обя-

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.

Рис. 30 — Заключение договора


93
В ходе предварительной беседы (рис.31) инспектор рассматривает доку-
менты клиента, выслушивает его пожелания, дает разъяснения. Результатом яв-
ляется «решение клиента», которое может быть положительным или отрица-
тельным. Поэтому эту стрелку мы сделаем разветвляющейся. Положительное
решение будет служить управляющим сигналом для подготовки документов, а
отрицательное пойдет в качестве выходного.

Рис. 31 — Предварительная беседа


В ходе «оформления договора» (рис.32) проводится: проверка транспор-
та, заполнение страхового полиса, прием оплаты, подпись и выдача страхового
полиса, помещение копии страхового полиса в архив. При проверке транспорта,
если обнаружены повреждения, несоответствие документам, может быть при-
нято решение об отказе в страховании.

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.

Рис. 33 — Страховые выплаты


К каждому блоку и стрелке при работе с BPWin можно написать коммен-
тарий. Можно также менять названия стрелок или сразу изменить название оп-
ределенной стрелки во всех диаграммах. Двигаются и надписи стрелок. Стрел-
ки можно объединять и создавать иерархию данных. Например: город, дом,
95
улица, — объединить в Адрес. Тогда, на верхний уровень будет выходить толь-
ко адрес. Для этого надо сделать ответвление со стрелки и назвать его по дру-
гому. При построении иерархических диаграмм в BPWin потоки родительской
диаграммы, входящие в дочернюю, автоматически переносятся туда. И, наобо-
рот, выходящие из дочерней, сразу отображаются в родительской. Если в роди-
тельской диаграмме мы удаляем стрелку, то в дочерней ее вход заключается в
скобки. Это позволяет отслеживать потоки между уровнями. Главной ценно-
стью в методологии IDEF0 и DFD является иерархический подход, позволяю-
щий описывать процессы любой сложности. В результате весь процесс отобра-
жается набором диаграмм различной степени обобщения, что и сделано в дан-
ном примере. С помощью BPWin можно изобразить дерево функций. Это дела-
ется автоматически и не требует усилий (рис.34).

Рис. 34 — Дерево функций


Дополнительно можно построить диаграммы потоков данных (DFD-
диаграммы). Они отображены ниже. DFD-диаграммы играют основную роль
для описания системы на верхнем уровне. Диаграммы потоков данных можно
рисовать с различных точек зрения. Например, с точки зрения функций, или с
точки зрения объектов. Построим сначала «объектную» диаграмму потоков
данных. Пусть основным объектом будет Центр страхования (рис.35).

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.

Рис. 36 — Состав центра страхования

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

ЗАДАЧА 1. Осуществить имитационное моделирование рисков инвести-


ционного проекта по исходным данным, приведенным в табл.17 — с помощью
встроенных функций Excel и путем использования инструмента «Анализ дан-
ных» этой же программы.
В задаче необходимо выполнить следующее:
1. Сформировать шаблон № 1 в соответствии с образцом, приведенным на
рис.7, 8 и табл. 6–9.
2. Ввести значения постоянных величин в соответствующие ячейки листа
«Результаты анализа».
3. Ввести значения диапазонов изменений ключевых переменных в соответ-
ствующие ячейки листа «Имитация».
4. Задать требуемое число экспериментов.
5. Установить курсор в ячейку А11 и вставить необходимое число строк в
шаблон (номер последней строки будет вычислен в Е7).
6. Скопировать формулы блока А10.Е10 требуемое количество раз.
7. Перейти к листу «Результаты анализа» и проанализировать полученные
результаты.
8. Построить графики V, P, Q, NCF и NPV.
9. Сформировать элементы оформления листа «Имитация», определить не-
обходимые имена для блоков ячеек и задать требуемые формулы шабло-
на № 2 в соответствии с образцом, приведенным на рис.15, 16 и табл. 11–
13.
10. Ввести исходные значения постоянных величин в ячейки листа «Резуль-
таты анализа». Перейти к листу «Имитация». Ввести значения ключевых
переменных и соответствующие вероятности.
11. Установить курсор в ячейку А13 и приступить к проведению имитацион-
ного эксперимента согласно описанной в разделе 4.1.4.2 последованости
действий.
12. Произвести анализ полученных результатов моделирования.
13. Произвести статистический анализ имитационной модели:
1) с помощью инструмента анализа данных «Корреляция» определить
степень тесноты взаимосвязей между переменнымиV, P, Q, NCF и
NPV и проанализировать полученные результаты;
2) с помощью инструмента анализа данных «Описательная статисти-
ка» определить параметры описательной статистики для перемен-
ных V, P, Q, NCF и NPV и проанализировать полученные результа-
ты;
3) произвести оценку значимости коэффициента асимметрии и экс-
цесса для распределения NPV.

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

1 135 282 207 38 53 47 36 22 32 503 91 25 24 7 1800


2 149 311 218 41 57 48 34 23 32 491 90 30 32 7 1900
3 132 287 180 42 53 50 34 27 29 496 90 35 34 6 2700
4 156 327 199 44 48 52 32 26 30 496 110 40 32 5 2000
5 149 310 193 39 51 53 38 25 30 512 109 35 32 6 2200
6 159 322 211 44 48 53 34 24 31 501 96 25 29 7 2400
7 148 321 192 36 55 54 32 24 30 506 94 25 24 6 2184
8 151 312 206 43 52 47 32 27 32 519 95 35 25 4 2600
9 153 280 189 37 50 48 38 22 32 510 107 35 25 8 2400
10 130 296 211 39 53 51 38 26 32 513 104 40 25 6 2800
11 130 304 196 42 55 49 34 22 32 508 106 25 29 4 2900
12 136 285 190 45 56 53 38 25 29 493 103 15 27 5 2500
13 155 294 216 37 54 47 37 25 30 492 90 25 35 5 2800
14 144 315 193 41 53 50 35 27 30 503 103 35 27 7 2600
15 147 285 196 45 48 54 35 24 31 490 90 35 28 4 2600
16 142 297 205 41 51 47 36 27 30 510 105 45 20 6 2700
17 149 328 188 40 51 49 34 26 29 516 105 30 33 5 2000
18 140 289 188 42 55 50 36 26 29 520 97 30 22 6 1800
19 134 310 182 39 54 49 34 24 32 516 99 35 29 7 2400
20 139 298 217 37 49 49 33 23 29 512 90 35 23 4 2300
21 149 315 202 35 51 52 33 23 29 499 100 30 29 7 2200
22 151 302 186 40 48 54 34 27 29 490 102 20 31 6 1900
23 154 291 207 42 58 53 37 22 29 507 90 20 32 4 2900
24 152 314 182 39 54 51 34 23 30 509 104 35 30 5 1900
25 138 290 198 43 58 52 36 23 30 499 100 45 29 4 2200

ЗАДАЧА 2. Средствами программы MathCAD провести статистическое моде-


лирование процесса ценообразования и рассчитать математические ожидания и
дисперсии поэлементной и суммарной стоимости устранимого физического из-
носа (отложенного ремонта) объекта недвижимости на основе исходных дан-
ных, приведенных в табл. 18 — в соответствии с вариантом выданного задания.
В задаче необходимо выполнить следующее.
1. Разработать математические зависимости, необходимые для генерации
массивов случайных величин.
2. Записать программу в соответствии с приведенным в табл. 15 примером.
3. Ввести исходные данные и произвести расчет. Результаты моделирования
оформить в виде табл. 14, 15 и 16.

101
Таблица 18 — Варианты исходных данных к задаче 2
Стены Двери Водоснаб. Кровля N×103
Вари-

Тыс. Закон Тыс. Закон Тыс. Закон Тыс. Закон


ант

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

Равномер- f(x) Нормальный f(x) Треугольный


й

x
m x
x
b 3σ 3σ a b

Варианты законов распределения

103
Приложение 2

ИЗУЧЕНИЕ ДИНАМИКИ НАКОПЛЕНИЯ ПРИБЫЛИ СРЕДСТВАМИ


ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ «MATHLAB–SIMULINK»

Задача. Оперирующая сторона организует производство товара А. Для


выпуска 1 шт. изделия А необходимо 2 единицы (Gain) комплектующего изде-
лия В и 3 единицы (Gain 1) комплектующего изделия С, которые покупаются по
неопределенным ценам на рынке (см. рис.37). Известны базовые значения этих
цен (Price 1 и Price 2) и поправки к ним (Random 1 и Random 2) — равномерно
распределенные случайные величины, каждая меняющиеся со своей частотой.
Все расходы оперирующей стороны задаются в процентах от суммарной стои-
мости товаров В и С (Gain 3).
Цена продажи единицы продук-
та А зависит от фиксированной
надбавки к себестоимости (Gain
2), сезонного фактора (Varia-
tion) со своей амплитудой и
частотой и случайной нормаль-
но распределенной частотной
добавки (Random Number). За-
коны распределения всех слу-
чайных величин считаются из-
вестными. Имея возможность
Рис. 37 — Имитационная мо- регулировать отпускную цену
(Gain 2, Gain 3) оперирующая сторона желает спрогнозировать величину нако-
пленной валовой прибыли с учетом всех неопределенностей, имеющихся в за-
даче.
На рис. 37 и рис. 38 приведена одна из
возможных имитаций рассмотренной ситуации.
Условные обозначения элементов модели при-
ведены в скобках в условии задачи.

В приведенной модели использованы сле-


дующие блоки библиотеки Simulink.

1. Источник синусоидального сигнала


«Sine Wave». Назначение: формирует синусои-
дальный сигнал с заданной частотой, амплиту-
дой, фазой и смещением.
Для формирования выходного сигнала
блоком могут использоваться два алгоритма.
Вид алгоритма определяется параметром Sine
Type (способ формирования сигнала):
− Time-based — по текущему времени; Рис. 38 — Результаты
моделирования
104
− Sample-based — по величине шага модельного времени.

2. Источник случайного равномерно распределеннного сигнала «Uniform


Random Number». Назначение: формирование случайного сигнала с равномер-
ным распределением.
Параметры :
1. Minimum — минимальный уровень сигнала.
2. Maximum — максимальный уровень сигнала.
3. Initial seed — начальное значение.
50
3. Источник постоянного сигнала «Constant». Назначение: задает посто-
янный по уровню сигнал.
Параметры:
1. Constant value — постоянная величина.
2. Interpret vector parameters as 1-D — интерпретировать вектор параметров как
одномерный (при установленном флажке). Данный параметр встречается у
большинства блоков библиотеки Simulink. В дальнейшем он рассматриваться
не будет.
Значение константы может быть действительным или комплексным чис-
лом, вычисляемым выражением, вектором или матрицей.
T

z-1
4. Блок дискретного интегратора «Discrete-Time Integrator». Назначе-
ние: Блок используется для выполнения операции интегрирования в дискрет-
ных системах.
Параметры:
1. Integration method — Метод численного интегрирования:
– Forward Euler — Прямой метод Эйлера. Метод использует аппроксима-
цию T/(z-1) передаточной функции 1/s. Выходной сигнал блока рассчитывается
по выражению: y(k)= y(k–1)+T*u(k–1), y — выходной сигнал интегратора, u —
входной сигнал интегратора, T — шаг дискретизации, k — номер шага модели-
рования.
– Backward Euler — Обратный метод Эйлера. Метод использует аппрок-
симацию T*z/(z–1) передаточной функции 1/s. Выходной сигнал блока рассчи-
тывается по выражению: y(k) = y(k–1)+T*u(k).
– Trapeziodal — Метод трапеций. Метод использует аппроксимацию
T/2*(z+1)/(z–1) передаточной функции 1/s. Выходной сигнал блока рассчитыва-
ется по выражению x(k) = y(k–1)+T/2*u(k–1).
2. Sample time — Шаг дискретизации по времени.

5. Осциллограф «Scope». Назначение: строит графики исследуемых сиг-


налов в функции времени. Позволяет наблюдать за изменениями сигналов в
процессе моделирования.
+
6. + Блок вычисления суммы «Sum». Назначение: выполняет вычисление
суммы текущих значений сигналов.
105
Параметры:
1. Icon shape — форма блока. Выбирается из списка:
round — окружность;
rectangular — прямоугольник.
2. List of sign — список знаков. В списке можно использовать следующие зна-
ки:
+ (плюс), – (минус) и | (разделитель знаков).
3. Saturate on integer overflow (флажок) — подавлять переполнение целого. При
установленном флажке ограничение сигналов целого типа выполняется кор-
ректно.
Количество входов и операция (сложение или вычитание) определяется
списком знаков параметра List of sign, при этом метки входов обозначаются со-
ответствующими знаками. В параметре List of sign можно также указать число
входов блока. В этом случае все входы будут суммирующими. Если количество
входов блока превышает 3, то удобнее использовать блок Sum прямоугольной
формы.
Блок может использоваться для суммирования скалярных, векторных или
матричных сигналов. Типы суммируемых сигналов должны совпадать. Нельзя,
например, подать на один и тот же суммирующий блок сигналы целого и дей-
ствительного типов.
Если количество входов блока больше, чем один, то блок выполняет по-
элементные операции над векторными и матричными сигналами. При этом ко-
личество элементов в матрице или векторе должно быть одинаковым.
Если в качестве списка знаков указать цифру 1 (один вход), то блок мож-
но использовать для определения суммы элементов вектора.
1.4

7. Усилитель «Gain». Назначение: выполняют умножение входного


сигнала на постоянный коэффициент.
Параметры:
1. Gain — коэффициент усиления.
2. Multiplication — способ выполнения операции. Может принимать значения
(из списка):
Element-wise K*u — поэлементный;
Matrix K*u — матричный. Коэффициент усиления является левосторонним
операндом;
Matrix u*K — матричный. Коэффициент усиления является правосторон-
ним операндом.
3. Saturate on integer overflow (флажок) — подавлять переполнение целого. При
установленном флажке ограничение сигналов целого типа выполняется кор-
ректно.
Блоки усилителей Gain и Matrix Gain — это один и тот же блок, но с раз-
ными начальными установками параметра Multiplication. Параметр блока Gain
может быть положительным или отрицательным числом, как больше, так и
меньше 1. Коэффициент усиления можно задавать в виде скаляра, матрицы или
вектора, а также в виде вычисляемого выражения. В том случае если парметр
106
Multiplication задан как Element-wise K*u, то блок выполняет операцию умно-
жения на заданный коэффициент скалярного сигнала или каждого элемента
векторного сигнала. В противном случае блок выполняет операцию матричного
умножения сигнала на коэффициент заданный матрицей.
По умолчанию коэффициент усиления является действительным числом
типа double. Для операции поэлементного усиления входной сигнал может быть
скалярным, векторным или матричным любого типа, за исключением логиче-
ского (boolean). Элементы вектора должны иметь одинаковый тип сигнала. Вы-
ходной сигнал блока будет иметь тот же самый тип, что и входной сигнал. Па-
раметр блока Gain может быть скаляром, вектором или матрицей либого типа,
за исключением логического (boolean).
При вычислении выходного сигнала блок Gain использует следующие
правила:
− если входной сигнал действительного типа, а коэффициент усиления
комплексный, то выходной сигнал будет комплексным;
− если тип входного сигнала отличается от типа коэффициента усиления, то
Simulink пытается выполнить приведение типа коэффициента усиления к
типу входного сигнала. В том случае, если такое приведение невозможно,
то расчет будет остановлен с выводом сообщения об ошибке. Такая си-
туация может возникнуть, например, если входной сигнал есть беззнако-
вое целое (uint8), а параметр Gain задан отрицательным числом.

8. Мультиплексор (смеситель) «Mux». Назначение: Объединяет входные сиг-


налы в вектор.
Параметры:
1. Number of Inputs — количество входов.
2. Display option — способ отображения. Выбирается из списка:
− bar — вертикальный узкий прямоугольник черного цвета;
− signals — прямоугольник с белым фоном и отображением меток вход-
ных сигналов;
− none — прямоугольник с белым фоном без отображения меток вход-
ных сигналов.
Входные сигналы блока могут быть скалярными и (или) векторными. Ес-
ли среди входных сигналов есть векторы, то количество входов можно задавать
как вектор с указанием числа элементов каждого вектора. Например, выраже-
ние «[2 3 1]» определяет три входных сигнала, первый сигнал — вектор из двух
элементов, второй сигнал — вектор из трех элементов, и последний сигнал —
скаляр. В том случае, если размерность входного вектора не совпадает с ука-
занной в параметре Number of Inputs, то после начала расчета Simulink выдаст
сообщение об ошибке. Размерность входного вектора можно задавать как –1
(минус один). В этом случае размерность входного вектора может быть любой.
Параметр Number of Inputs можно задавать также в виде списка меток сигналов,
например: Vector1, Vector2, Scalar. В этом случае метки сигналов будут ото-
бражаться рядом с соответствующими соединительными линиями. Сигналы,

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

Рис. 39 — Параметры источников


характер. Можно предположить, что главенствующую роль здесь играет перио-
дический сезонный фактор. Влияние же случайностей на исход операции про-
слеживается слабо.

108

Вам также может понравиться