Основные классы СМО следующие

1. Системы с отказами (с потерями). В таких системах заявка, поступившая в момент, когда все каналы заняты, получает «отказ», покидает СМО и в дальнейшем процессе обслуживания не участвует.

2.Системы с ожиданием (с очередью). В таких системах заявка, поступившая в момент, когда все каналы заняты, становится в очередь и ожидает, пока не освободится один из каналов. Когда канал освобождается, одна из заявок, стоящих в очереди, принимается к обслуживанию.

Обслуживание (дисциплина очереди) в системе с ожиданием может быть упорядоченным (заявки обслуживаются в порядке поступления), неупорядоченным (заявки обслуживаются в случайном порядке) или стековым (первой из очереди выбирается последняя заявка). Кроме того, в некоторых СМО применяется так называемое обслуживание с приоритетом, когда некоторые заявки обслуживаются в первую очередь, предпочтительно перед другими. Здесь также различаются системы со статическими и динамическими приоритетами (в последнем случае приоритет может, например, увеличиваться с длительностью ожидания заявки).

Системы с очередью делятся на системы с неограниченным и с ограниченным ожиданием.

В системах с неограниченным ожиданием каждая заявка, поступившая в момент, когда нет свободных каналов, становится в очередь и «терпеливо» ждет освобождения канала, который примет ее к обслуживанию. Любая заявка, поступившая в СМО, рано или поздно будет обслужена.

В системах с ограниченным о ж и д а н и е м на пребывание заявки в очереди накладываются те или другие ограничения. Эти ограничения могут касаться длины очереди (числа заявок, одновременно находящихся в очереди — система с ограниченной длиной очереди), времени пребывания заявки в очереди (после какого-то срока пребывания в очереди заявка покидает очередь и уходит — система с ограниченным временем ожидания), общего времени пребывания заявки в СМО и т. д.

В зависимости от типа СМО при оценке ее эффективности могут применяться те или другие величины (показатели эффективности). Например, для СМО с отказами одной из важнейших характеристик ее продуктивности является так называемая абсолютная пропускная способность — среднее число заявок, которое может обслужить система за единицу времени.

Наряду с абсолютной часто рассматривается относительная пропускная способность СМО — средняя доля поступивших заявок, обслуживаемая системой (отношение среднего числа заявок, обслуживаемых системой в единицу времени, к среднему числу поступающих за это время заявок).

Помимо абсолютной и относительной пропускной способностей при анализе СМО с отказами нас могут, в зависимости от задачи исследования, интересовать и другие характеристики, например:

• среднее число занятых каналов;

• среднее относительное время простоя системы в целом и

отдельного канала и т. д.

СМО с ожиданием имеют несколько другие характеристики. Очевидно, для СМО с неограниченным ожиданием как абсолютная, так и относительная пропускная способность теряют смысл, так как каждая поступившая заявка рано или поздно будет обслужена. Зато для такой С МО весьма важными характеристиками являются:

• среднее число заявок в очереди;

• среднее число заявок в системе (в очереди и под обслуживанием);

• среднее время ожидания заявки в очереди;

• среднее время пребывания заявки в системе (в очереди под обслуживанием);

и другие характеристики ожидания.

Для СМО с ограниченным ожиданием интерес представляют обе группы характеристик: как абсолютная и относительная пропускная способности, так и характеристики ожидания.

Для анализа процесса, протекающего в СМО, существенно знать основные параметры системы: число каналов n, интенсивность потока заявок λ, производительность каждого канала (среднее число заявок,и, обслуживаемое каналом в единицу времени)условия образования очереди (ограничения, если они есть).

В зависимости от значений этих параметров выражаются характеристики эффективности работы СМО.

42. Нахождение характеристик простейших систем массового обслуживания.

Наиболее легко поддаются анализу СМО с Марковскими процессами. Для того чтобы процесс, протекающий в системе, был марковским, нужно, чтобы все потоки событий, переводящие систему из состояния в состояние, были пуассоновскими (потоками без последействия). Для СМО потоки событий — это потоки заявок, потоки «обслуживании» заявок и т. д. Если эти потоки не являются пуассоновскими, математическое описание процессов, происходящих в СМО, становится несравненно более сложным и требует более громоздкого аппарата, доведение которого до аналитических формул удается только в простейших случаях.

Однако, аппарат «Марковской» теории массового обслуживания может пригодиться и в том случае, когда процесс, протекающий в СМО, отличен от марковского — с его помощью характеристики эффективности СМО могут быть оценены приближенно. Следует заметить, что чем сложнее СМО, чем больше в ней каналов обслуживания, тем точнее оказываются приближенные формулы, полученные с помощью марковской теории. Следует также заметить, что в ряде случаев для принятия обоснованных решений по управлению работой СМО вовсе и не требуется точного знания всех ее характеристик — зачастую достаточно приближенного, ориентировочного.

Основные классы СМО следующие.

1. Системы с отказами (с потерями). В таких системах заявка, поступившая в момент, когда все каналы заняты, получает «отказ», покидает СМО и в дальнейшем процессе обслуживания не участвует.

2.Системы с ожиданием (с очередью). В таких системах заявка, поступившая в момент, когда все каналы заняты, становится в очередь и ожидает, пока не освободится один из каналов. Когда канал освобождается, одна из заявок, стоящих в очереди, принимается к обслуживанию.

Обслуживание (дисциплина очереди) в системе с ожиданием может быть упорядоченным (заявки обслуживаются в порядке поступления), неупорядоченным (заявки обслуживаются в случайном порядке) или стековым (первой из очереди выбирается последняя заявка). Кроме того, в некоторых СМО применяется так называемое обслуживание с приоритетом, когда некоторые заявки обслуживаются в первую очередь, предпочтительно перед другими. Здесь также различаются системы со статическими и динамическими приоритетами (в последнем случае приоритет может, например, увеличиваться с длительностью ожидания заявки).

Системы с очередью делятся на системы с неограниченным и с ограниченным ожиданием.

В системах с неограниченным ожиданием каждая заявка, поступившая в момент, когда нет свободных каналов, становится в очередь и «терпеливо» ждет освобождения канала, который примет ее к обслуживанию. Любая заявка, поступившая в СМО, рано или поздно будет обслужена.

В системах с ограниченным о ж и д а н и е м на пребывание заявки в очереди накладываются те или другие ограничения. Эти ограничения могут касаться длины очереди (числа заявок, одновременно находящихся в очереди — система с ограниченной длиной очереди), времени пребывания заявки в очереди (после какого-то срока пребывания в очереди заявка покидает очередь и уходит — система с ограниченным временем ожидания), общего времени пребывания заявки в СМО и т. д.

В зависимости от типа СМО при оценке ее эффективности могут применяться те или другие величины (показатели эффективности). Например, для СМО с отказами одной из важнейших характеристик ее продуктивности является так называемая абсолютная пропускная способность — среднее число заявок, которое может обслужить система за единицу времени.

Наряду с абсолютной часто рассматривается относительная пропускная способность СМО — средняя доля поступивших заявок, обслуживаемая системой (отношение среднего числа заявок, обслуживаемых системой в единицу времени, к среднему числу поступающих за это время заявок).

Помимо абсолютной и относительной пропускной способностей при анализе СМО с отказами нас могут, в зависимости от задачи исследования, интересовать и другие характеристики, например:

• среднее число занятых каналов;

• среднее относительное время простоя системы в целом и

отдельного канала и т. д.

СМО с ожиданием имеют несколько другие характеристики. Очевидно, для СМО с неограниченным ожиданием как абсолютная, так и относительная пропускная способность теряют смысл, так как каждая поступившая заявка рано или поздно будет обслужена. Зато для такой С МО весьма важными характеристиками являются:

• среднее число заявок в очереди;

• среднее число заявок в системе (в очереди и под обслуживанием);

• среднее время ожидания заявки в очереди;

• среднее время пребывания заявки в системе (в очереди под обслуживанием);

и другие характеристики ожидания.

Для СМО с ограниченным ожиданием интерес представляют обе группы характеристик: как абсолютная и относительная пропускная способности, так и характеристики ожидания.

Для анализа процесса, протекающего в СМО, существенно знать основные параметры системы: число каналов n, интенсивность потока заявок λ, производительность каждого канала (среднее число заявок,и, обслуживаемое каналом в единицу времени)условия образования очереди (ограничения, если они есть).

В зависимости от значений этих параметров выражаются характеристики эффективности работы СМО.

43. Имитационное моделирование.

Имитационное моделирование – это процесс конструирования на ЭВМ модели сложной реальной системы, функционирующей во времени, и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить различные стратегии, обеспечивающие функционирование данной системы.

Имитационное моделирование предполагает два этапа: конструирование модели на и ЭВМ проведение экспериментов с этой моделью. Каждый из этих этапов предусматривает использование собственных методов. На первом этапе важно грамотно провести информационное обследование, разработку всех видов документации и их реализацию. Второй этап должен предполагать использование методов планирования эксперимента с учетом особенностей машинной имитации.

Выделяют две возможные цели имитационных экспериментов:

— понять поведение исследуемой системы – потребность в этом часто возникает, например, при создании принципиально новых образцов продукции;

— оценить возможные стратегии управления системой, что также очень характерно для решения широкого круга экономико- прикладных задач.

С помощью имитационного моделирования исследуют сложные системы. Методом имитационного моделирования исследуют системы, функционирующие во времени, что определяет необходимость создания и использования специальных методов (механизмов) управления системным временем.

Основные достоинства имитационного моделирования:

— имитационная модель позволяет описать моделируемый процесс с большей адекватностью, чем другие;

— имитационная модель обладает известной гибкостью варьирования структуры, алгоритмов и параметров системы;

— применение ЭВМ существенно сокращает продолжительность испытаний по сравнению с натуральным экспериментом (если он возможен), а также их стоимость.

Основные недостатки:

— решение, полученное на имитационной модели, всегда носит частный характер, так как оно соответствует фиксированным элементам структуры, алгоритмам поведения и значениям параметров системы;

— большие трудозатраты на создание модели и проведение экспериментов, а также обработку их результатов;

— если использование системы предполагает участие людей при проведении машинного эксперимента, на результаты может оказать влияние так называемый «хаутонский эффект» (заключающийся в том, что люди зная и чувствуя, что за ними наблюдают, могут изменить поведение).

Имитационное моделирование предполагает работу с такими математическими моделями, с помощью которых результат исследуемой операции нельзя заранее вычислить или предсказать, поэтому необходим эксперимент (имитация) на модели при заданных исходных данных. В свою очередь, сущность машинной имитации заключается в реализации численного метода проведения на ЭВМ экспериментов с математическими моделями, описывающими поведение сложной системы в течение заданного или формируемого периода времени.

Имитационная модель представляет собой комбинацию шести составляющих:

— компонентов;

— переменных;

— параметров;

— функциональных зависимостей;

— ограничений;

— целевых функций.

Структура имитационной модели

Составление расписание событий как способ организации квазипараллелизма получило широкое распространение в силу простоты и наглядности реализации.

Имитационная модель с календарем (расписанием) событий состоит из трех частей:

¾ управляющей;

¾ функциональной, состоящей из функциональных модулей;

¾ информационной, включающей базу данных.

Управляющая часть содержит:

¾ блок управления моделированием – предназначен для реализации принятого плана имитационного эксперимента;

¾ блок диалога – предназначен для обеспечения комфортной работы пользователя с интерактивной моделью (в автоматических моделях этого блока нет);

¾ блок обработки результатов моделирования – осуществляет обмен информацией с базой данных, и реализует процедуры расчета показателя эффективности. Если отсутствует блок диалога, на блок обработки возлагаются функции выдачи результатов моделирования на внешние устройства;

¾ календарь событий – является важнейшим элементом имитационной модели, предназначенным для управления процессом появления событий в системе с целью обеспечения необходимой причинно-следственной связи между ними. Календарем событий решаются следующие основные задачи: ранжирование во времени плановых событий, вызов необходимых функциональных модулей в моменты наступления соответствующих событий, получение информационных выводных сигналов, их хранение и передача в нужные моменты времени адресатам.

Функциональная часть модели состоит из функциональных модулей, являющихся ее основными элементами. Именно в них описываются и реализуются все процессы в моделируемой системе. Обычно один функциональный модуль описывает либо отдельный ее элемент.

В функциональный модуль поступать пять видов входных сигналов:

¾ стартовый сигнал (сигнал о начале моделирования);

¾ сигнал о наступлении планового события;

¾ информационный сигнал;

¾ сигнал о прерывании моделирования;

¾ сигнал об окончании моделирования.

Важнейшей задачей функционального модуля является планирование следующих событий, т.е. определение видов и ожидаемых моментов наступления. Для выполнения этой функции в функциональном модуле реализуется специальный оператор планирования. Для больших моделей остро стоит вопрос о «глубине планирования» т.е. о длительности интервала времени, на который прогнозируется наступление событий, поскольку для больших интервалов почти наверняка придется осуществлять повторное планирование после при хода очередного информационного сигнала.

Информационная часть имитационной модели. База данных представляет совокупность специальным образом организованных (структурированных) данных о моделируемой системе. Как правило, информация из БД выдается в другие части имитационной модели в автоматическом режиме. Наличие БД в имитационной модели не является обязательным и полностью, а определяется масштабами модели, объемами необходимой информации и требованиями по оперативности получения результатов моделирования и их достоверности. Если принято решение о включении БД в состав имитационной модели, проектирование БД не имеет каких-либо специфических особенностей.

44. Идея метода имитационного моделирования.

Имитационное моделирование – это процесс конструирования на ЭВМ модели сложной реальной системы, функционирующей во времени, и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить различные стратегии, обеспечивающие функционирование данной системы.

Имитационное моделирование предполагает два этапа: конструирование модели на и ЭВМ проведение экспериментов с этой моделью. Каждый из этих этапов предусматривает использование собственных методов. На первом этапе важно грамотно провести информационное обследование, разработку всех видов документации и их реализацию. Второй этап должен предполагать использование методов планирования эксперимента с учетом особенностей машинной имитации.

Выделяют две возможные цели имитационных экспериментов:

— понять поведение исследуемой системы – потребность в этом часто возникает, например, при создании принципиально новых образцов продукции;

— оценить возможные стратегии управления системой, что также очень характерно для решения широкого круга экономико- прикладных задач.

С помощью имитационного моделирования исследуют сложные системы. Методом имитационного моделирования исследуют системы, функционирующие во времени, что определяет необходимость создания и использования специальных методов (механизмов) управления системным временем.

Основные достоинства имитационного моделирования:

— имитационная модель позволяет описать моделируемый процесс с большей адекватностью, чем другие;

— имитационная модель обладает известной гибкостью варьирования структуры, алгоритмов и параметров системы;

— применение ЭВМ существенно сокращает продолжительность испытаний по сравнению с натуральным экспериментом (если он возможен), а также их стоимость.

Основные недостатки:

— решение, полученное на имитационной модели, всегда носит частный характер, так как оно соответствует фиксированным элементам структуры, алгоритмам поведения и значениям параметров системы;

— большие трудозатраты на создание модели и проведение экспериментов, а также обработку их результатов;

— если использование системы предполагает участие людей при проведении машинного эксперимента, на результаты может оказать влияние так называемый «хаутонский эффект» (заключающийся в том, что люди зная и чувствуя, что за ними наблюдают, могут изменить поведение).

Имитационное моделирование предполагает работу с такими математическими моделями, с помощью которых результат исследуемой операции нельзя заранее вычислить или предсказать, поэтому необходим эксперимент (имитация) на модели при заданных исходных данных. В свою очередь, сущность машинной имитации заключается в реализации численного метода проведения на ЭВМ экспериментов с математическими моделями, описывающими поведение сложной системы в течение заданного или формируемого периода времени.

Имитационная модель представляет собой комбинацию шести составляющих:

— компонентов;

— переменных;

— параметров;

— функциональных зависимостей;

— ограничений;

— целевых функций.

Структура имитационной модели

Составление расписание событий как способ организации квазипараллелизма получило широкое распространение в силу простоты и наглядности реализации.

Имитационная модель с календарем (расписанием) событий состоит из трех частей:

¾ управляющей;

¾ функциональной, состоящей из функциональных модулей;

¾ информационной, включающей базу данных.

Управляющая часть содержит:

¾ блок управления моделированием – предназначен для реализации принятого плана имитационного эксперимента;

¾ блок диалога – предназначен для обеспечения комфортной работы пользователя с интерактивной моделью (в автоматических моделях этого блока нет);

¾ блок обработки результатов моделирования – осуществляет обмен информацией с базой данных, и реализует процедуры расчета показателя эффективности. Если отсутствует блок диалога, на блок обработки возлагаются функции выдачи результатов моделирования на внешние устройства;

¾ календарь событий – является важнейшим элементом имитационной модели, предназначенным для управления процессом появления событий в системе с целью обеспечения необходимой причинно-следственной связи между ними. Календарем событий решаются следующие основные задачи: ранжирование во времени плановых событий, вызов необходимых функциональных модулей в моменты наступления соответствующих событий, получение информационных выводных сигналов, их хранение и передача в нужные моменты времени адресатам.

Функциональная часть модели состоит из функциональных модулей, являющихся ее основными элементами. Именно в них описываются и реализуются все процессы в моделируемой системе. Обычно один функциональный модуль описывает либо отдельный ее элемент.

В функциональный модуль поступать пять видов входных сигналов:

¾ стартовый сигнал (сигнал о начале моделирования);

¾ сигнал о наступлении планового события;

¾ информационный сигнал;

¾ сигнал о прерывании моделирования;

¾ сигнал об окончании моделирования.

Важнейшей задачей функционального модуля является планирование следующих событий, т.е. определение видов и ожидаемых моментов наступления. Для выполнения этой функции в функциональном модуле реализуется специальный оператор планирования. Для больших моделей остро стоит вопрос о «глубине планирования» т.е. о длительности интервала времени, на который прогнозируется наступление событий, поскольку для больших интервалов почти наверняка придется осуществлять повторное планирование после при хода очередного информационного сигнала.

Информационная часть имитационной модели. База данных представляет совокупность специальным образом организованных (структурированных) данных о моделируемой системе. Как правило, информация из БД выдается в другие части имитационной модели в автоматическом режиме. Наличие БД в имитационной модели не является обязательным и полностью, а определяется масштабами модели, объемами необходимой информации и требованиями по оперативности получения результатов моделирования и их достоверности. Если принято решение о включении БД в состав имитационной модели, проектирование БД не имеет каких-либо специфических особенностей.

45. Генерация случайных чисел.

Общая схема метода Монте-Карло. Пусть необходимо вычислить какую-то величину m, рассматривая величину ξ такую, что ее математическое ожидание равно: Мξ = m. При этом дисперсия данной случайной величины Dξ = b. Рассмотрим N случайных независимых величин ξ₁, ξ₂,… ξ_N, причем их распределения совпадают с распределением случайной величины ξ.

Тогда распределение суммы ρ_N = ξ₁ + ξ₂ +,…+ ξ_N приблизительно нормальное со средним, равным μ = Nm, и дисперсией σ² = Nb² . тогда расчет и оценка m погрешности метода производится по формуле: .

Сущность применения метода Монте-Карло заключается в определении результатов на основании статистики, полученной к моменту принятия решения. Достоверность результатов, полученных с помощью метода Монте-Карло, определяется качеством генератора случайных чисел, т.е. некоторая случайная величина вычисляется с помощью последовательности равномерно распределенных случайных чисел, заключенных в интервале от 0 до 1 и выбранных в соответствии с функцией распределения: , где — вероятность того, что величина Х принимает значение меньше х.

При таком распределении возможно появление значений случайной величины из рассматриваемого интервала.

Основной метод получения случайных чисел – генерация по модулю, т.е. псевдослучайное число х последовательности {x_i} получается согласно рекурсивному соотношению: x_i = ax_i-1 + c(mod m), где m,a, c, x₀ – целые положительные числа и m, x₀. неудачный выбор величин m, a, c приводит к ошибкам при моделировании методом Монте-Карло. При численном моделировании необходимо большое количество случайных чисел. Значит за период последовательности генерируемых случайных чисел должен быть достаточно большим, гораздо больше требуемого количества случайных чисел, чтобы результаты моделирования не искажались.

Построение генератора случайных чисел происходит с учетом следующих принципов (для машинного языка программирования).

1. начальное число Х выбирается произвольно.

2. число m должно быть большим (например 2³⁰), так как оно определяет период генерируемой псевдослучайной последовательности.

3. число а выбирается таким образом, чтобы а mod 8 = 5 при m равным степени двойки или а mod 10 = 21 при m равным степени 10. при этом генератор будет вырабатывать все m возможных значений еще до начала повторения.

4. двоичные или десятичные цифры числа а не должны иметь простую регулярную структуру, само число а должно лежать в интервале: 0,01m < a < 0.99m.

5. значение числа с не должно иметь общего множителя с числом m.

6. можно генерировать не больше m/1000 случайных чисел, при дальнейшей генерации выбирается новый множитель а.

При программировании на языках высокого уровня число m выбирается простым, близким к максимальному легко вычисляемому целому числу, число а берется равным первообразному корню их m, число с = 0. Например, а = 48 271, m = 2³¹ – 1.

46. Применение метода имитационного моделирования к простейшим задачам управления запасами.

Управление запасами — комплекс моделей и методов, предназначенных для оптимизации запасов, т. е. ресурсов, находящихся на хранении и предназначенных для удовлетворения спроса на эти ресурсы. Термины ресурсы и з а п а сы здесь понимаются обобщенно: можно говорить о запасах конечной продукции, о запасах полуфабрикатов (тогда соответствующая задача будет задачей об оптимизации незавершенного производства), о запасах сырья, природных и трудовых ресурсов, денежных средств и т. д. Роль производства сводится здесь к пополнению уровня запасов по мере возникновения потребности в них. Другим источником удовлетворения заявок на ресурсы является склад, собственно запас.

В качестве целевой функции в задачах управления запасами выступают суммарные затраты на содержание запасов, на складские операции, потери от порчи при хранении и моральное старение, потери от дефицита и штрафы и т. д. Естественно, что отыскивается минимум этой функции. Управляемыми переменными в таких задачах являются объем запасов, частота и сроки их пополнения (путем производства, закупки и т. д.), степень готовности продукции, хранящейся в виде запасов и др. Задачи бывают статические (когда принимается разовое решение об уровне запаса на определенный период) и динамические, или многошаговые, когда принимаются последовательные решения или корректируется ранее принятое решение с учетом происходящих изменений.

Упрошенным примером задач управления запасами может служить задача об оптимальной партии.

Теория игр — раздел, изучающий математические модели__

А н а л и т и ч е с к о е м о д е л и р о в а н и е сложных систем, очевидно, имеет ограниченные возможности, что и вызвало к жизни и м и т а ц и о н н ы е модели (реализуемые в форме аппаратурных комплексов и программ для ЭВМ). Могут быть выделены следующие основные классы имитационных моделей:

• непрерывные;

• дискретные;

• пространственные.

В первом случае предметная область описывается совокупностью динамических связей, отражающих развитие процесса во времени в форме конечно-разностных уравнений и рекуррентных соотношений. Модель воспроизводит поведение объекта за определенный период времени; в этом смысле имитационная модель является динамической. Значения всех переменных, входящих в имитационную модель, вычисляются в каждый момент модельного времени. Затем, через определенный интервал на основе старых значений вычисляются новые значения переменных, и т. д. Таким образом, имитационная модель «развивается» по определенной траектории в течение заданного отрезка модельного времени. Исходные аналитические модели — системы о б ы к н о в е н н ы х д и ф ф е р е н ц и а л ь н ы х уравнений.

Второй тип моделей описывает потоки случайных событий, проходящие через сложную совокупность путей и узлов, и направлен на исследование стационарных, установившихся процессов.

Здесь в качестве аналитического прототипа выступает теория с и с т ем м а с с о в о г о обслуживания.

В третьем случае рассматриваются процессы, проходящие впространстве (на плоскости или в объеме). Исходные аналитические модели — системы д и ф ф е р е н ц и а л ь н ы х уравнений в частных производных, особенно часто — такой их класс, как у р а в н е н и я м а т е м а т и ч е с к о й физики.

Следует отметить, что в настоящее время данная классификация во многом становится условной, поскольку современные интегрированные средства моделирования — ИСМ (например, отечественная разработка Pilgrim и ее зарубежные аналоги) охватывают как непрерывные, так и дискретные, и пространственно-временные процессы.

Модели системной динамики

В классической работе Дж. Форрестера в начале 1970-х гг. была построена математическая модель мировой динамики. Мировая система в этой модели описывается следующими переменными: население Земли Р, капитал К, доля капитала в сельском хозяйстве X, загрязнение Z\\ запасы не возобновляемых природных ресурсов R. Динамику этих переменных определяет система дифференциальных уравнений

Компьютерный анализ этой системы показал, что при сохранении тенденций развития глобальной системы, имевших место в начале 70-х гг., рост населения Р, капитала К, материального обеспечения приведет к истощению невозобновляемых ресурсов, чрезмерному загрязнению Земли и сменится быстрым падением численности населения и упадком производства. В качестве альтернативы такому упадку Дж. Форрестер предлагал перейти к глобальному равновесию, которое понималось им как выход переменных модели на стационарные значения.

Общепризнано, что работы Дж. Форрестера положили начало направлению с и с т е м н а я д и н а м и к а.

Системная динамика представляет собой совокупность принципов и методов анализа динамических управляемых систем с обратной связью и их применения для решения производственных, организационных и социально-экономических задач. Три достижения, обеспеченные в основном благодаря разработкам в области вооружений, сделали возможным применение системной динамики:

• успехи в проектировании и анализе систем управления с

обратной связью;

• прогресс в методах компьютерного моделирования и развитие

вычислительной техники;

• накопленный опыт в моделировании процесса принятия

решений.

Методология системной динамики базируется на предположении, что поведение (или история развития во времени) организации главным образом определяется ее информационно-логической структурой. Она отражает не только физические и технологические аспекты производственных процессов, но, что гораздо важнее, политику и традиции, которые явно или неявно определяют процесс принятия решений в организации. Такая структурная схема содержит источники усиления временных задержек и информационных обратных связей, подобных тем, которые встречаются в сложных инженерных системах.

Другой аспект системной динамики заключается в предположении, что организация более эффективно представляется в терминах лежащих в ее основе потоков, нежели в терминах отдельных функций. Потоки людей, денег, материалов, заявок и оборудования, а также интегрированные потоки информации могут быть выявлены во всех организациях. Направленность на потоковую структуру заставляет аналитика естественным образом преодолевать внутриорганизационные границы.

Для описания сложных систем с обратными связями используются четыре основных понятия: переменная, связь, цикл обратной связи, система с обратными связями:

• п е р е м е н н а я представляет собой количество некоторого продукта, которое изменяется во времени. Переменная может выражать решение, например, «объем дополнительных ресурсов», или показывать результат ранее принятого решения, например «затраты». Если переменная не изменяется в зависимости от изменения других переменных системы, она называется «экзогенной», т. е. внешней для системы. Переменная, значение которой изменяется в зависимости от изменения других переменных внутри системы, называется «эндогенной»;

• с в я з ь отражает причинно-следственные соотношения между двумя переменными. Графически се легко себе представить как стрелку, в начале которой лежит исходная переменная, а на конце — зависимая переменная;

• цикл с о б р а т н о й с в я з ью в простейшем случае можно представить как совокупность двух переменных и двух связей, такую, что начальная переменная сначала влияет на значение зависимой (прямая связь), а та, в свою очередь, влияет на значение исходной (обратная связь). Характерным

для такого цикла является наличие временных задержек: сначала задержка между решением и следствием от него, а затем, задержка между следствием и тем моментом времени, когда информация об этом следствии повлияет на новое решение;

• с и с т е м а с обратными с в я з я м и — совокупность связанных между собой циклов с обратными связями. Поведение переменной, входящей в один цикл с обратной связью, может влиять на поведение другой переменной, входящей в другой цикл. Сложные задачи управления, представляемые в виде таких систем, могут состоять из большого числа циклов. Именно такие сложные системы с большим числом циклов и составляют предмет изучения системной динамики. По мере усложнения системы соответственно возрастает сложность получения формального аналитического решения. Поэтому для анализа таких систем применяется имитационное моделирование.

Для построения имитационных моделей динамических систем используются переменные четырех типов — время, фонд, поток и конвертор:

• время является первичной переменной для имитационной модели динамической системы: ее значение генерируется системным таймером и изменяется дискретно, т. е., начиная с некоторого начального значения, время за каждый такт увеличивается на заранее заданную величину, которая служит единицей модельного времени. Число тактов и единица времени являются параметрами «прогона» модели и определяются заранее;

• фонд — переменная, равная объему (количеству) некоторого «продукта», накопленного в некотором хранилище за время «жизни» модели с начального по текущий момент. Продукт может поступать в фонд и/или извлекаться из него. Поэтому значение фонда в текущий момент времени можно вычислить как сумму его значения в предыдущий момент и величины, равной разности величин входящего.и исходящего потоков продукта за единицу модельного времени. Помимо очевидных примеров, таких, как фонды материальных и людских ресурсов, переменные этого типа могут характеризовать объемы накопленной информации, служить оценкой субъективных вероятностей наступления некоторых событий к определенному моменту времени, выражать меру влияния одних субъектов некоторого процесса на другие. Средние величины всех видов также можно рассматривать как информационные фонды специального вида;

•поток —переменная, равная объему (количеству) продукта, который поступает или извлекается из соответствующего фонда в единицу модельного времени. Значение этой переменной может изменяться в зависимости от внешних воздействий на нее. В частности, поток можно представить ак функцию от значений других потоков и фондов. Простейший пример цикла с обратной связью образует входящий поток, величина которого зависит от значения фонда, в который этот поток поступает.

Фонды характеризуют статическое состояние системы, а потоки —ее динамику. Если, например, представить себе, что в какой-то момент времени все процессы в системе остановятся, то фонды будут иметь те значения, которые были на момент остановки, а потоки будут равны нулю. С другой стороны, о величине потока можно судить только за определенный промежуток времени.

Помимо фондов и потоков, при построении имитационных моделей динамических систем используются вспомогательные переменные —конверторы. Эти переменные могут быть равны константам или значениям математических функций от других переменных (в том числе и от переменной время), т. е. позволяют преобразовывать (конвертировать) одни числовые значения в другие.

47. Применение метода имитационного моделирования к простейшим задачам теории массового обслуживания.

Имитационное моделирование систем массового обслуживания (СМО) включает имитацию входных потоков и обслуживающих приборов для изучения характеристик работы системы на интервале моделирования.

Система массового обслуживания характеризуется следующими показателями: долей времени занятости приборов, числом обслуживаний, максимальной длиной очереди, средней длиной очереди, средней продолжительностью одного обслуживания, общим числом входов в очередь без последующего ожидания, средним временем, проведенным в очереди и некоторым другим.

К моделированию СМО есть два подхода:

1. Разбиение временного промежутка моделирования на малые дискретные промежутки, на каждом из которых затем с помощью соответствующих датчиков бернулиевых случайных величин рассматривается одно из событий, а потом производится проверка, не является ли рассматриваемый дискрет последним.

2. По наступлению критических событий, т.е. просматриваются только моменты прихода заявок и окончания обслуживания и проверяется, не истекло ли время моделирования.

При имитационном моделировании по наступлению критических событий на интервале имитации последовательно моделируются моменты критических событий в процессе выполнения некоторых стандартных шагов – тактов. Главными величинами являются: значение ближайшего для данного такта момента окончания обслуживания заявки прибором и значение ближайшего момента прихода заявки. Эти величины меняются от такта к такту, и согласованное изменение и х составляет суть их имитации.

В системе в установившемся режиме среднее время ожидания (пребывания в системе) не зависит от правила выбора из очереди. В частности, при случайном равновероятностном выборе и при инверсном выборе (при освобождении прибора на обслуживание поступает требование, пришедшее последним) среднее время ожидания то же, что и при обслуживании в порядке очереди.

Однако это свойство нарушается при обслуживании с прерыванием в системе, где при поступлении нового требования текущее обслуживание прерывается, а при окончании обслуживания из очереди выбирается поступившее последним требование.

48. Методы и приемы прогнозирования.

Научное познание и использование законов развития общества тесно связаны с прогнозами. Прогноз — научно обоснованное суждение о возможных состояниях объекта в будущем, альтернативных путях и сроках их осуществления.

В прогнозировании большое значение имеет выбранный метод, а также прием.

Прием прогнозирования — это одна или несколько математических или логических операций, направленных на получение конкретного результата при прогнозировании. В качестве примеров таких приемов можно назвать сглаживание или выравнивание динамических рядов, расчет средневзвешенного значения величин.

Метод прогнозирования — это способ исследования объекта прогнозирования, направленный на разработку прогноза. Совокупность специальных правил, приемов и методов составляет методику прогнозирования.

К наиболее распространенным методам прогнозирования относятся: экстраполяция, нормативные расчеты, в том числе интерполяция, экспертные оценки, аналогия, математическое моделирование.

Экстраполяция — это метод, при котором прогнозируемые показатели рассчитываются как продолжение динамического ряда на будущее по выявленной закономерности развития. По существу экстраполяция является -переносом закономерностей и тенденций прошлого на будущее на основе взаимосвязей показателей одного ряда. Метод позволяет найти уровень ряда за его пределами в будущем. Экстраполяция эффективна для краткосрочных прогнозов, если данные динамического ряда выражены ярко и устойчиво.

Экстраполяция называется формальной экстраполяцией, если предполагается сохранение прошлых и настоящих тенденций развития на будущее. Если же фактическое развитие увязывается с гипотезами о динамике процесса развития с учетом физической и логической сущности, то говорят о прогнозной экстраполяции. Она может быть в виде тренда, огибающих кривых, корреляционных и регрессионных зависимостей, может быть основана на факторном анализе и др. Экстраполяция сложного порядка может перерасти в моделирование.

Нормативный метод прогнозирования заключается в определении путей и сроков достижения возможных состояний явления, принимаемых в качестве цели. Речь идет о прогнозе достижения желаемых сочетаний явления на основе заранее заданных норм, идеалов, стимулов и целей. Такой прогноз отвечает на вопрос: каким путем или путями можно достичь желаемого состояния системы.

Нормативный метод чаше применяется для программных или целевых прогнозов. Используются как количественное выражение норматива, так и определенная шкала возможностей оценочной функции.

Метод экспертных оценок используется преимущественно в

долгосрочных прогнозах. В качестве эксперта выступает квалифицированный

специалист (группа специалистов) по конкретной проблеме, который может сделать (долгосрочный) достоверный вывод об объекте прогнозирования. Метод чаще используется в тех случаях, когда трудно количественно оценить прогнозный фон, и специалисты делают это на основе своего понимания вопроса. По существу мнение специалиста — это результат мысленного анализа и обобщения процессов, относящихся к прошлому, настоящему и будущему, на основании своего собственного опыта, квалификации и интуиции.

Метод экспертных оценок имеет несколько видов:

• индивидуальная экспертная оценка;

• коллективная экспертная оценка;

• метод генерации идей;

• аналитический метод;

• метод интервью;

• метод экспертных комиссий;

• дельфийский метод;

• метод коллективной генерации идей;

• синоптический метод и др.

Метод аналогии предполагает перенос знаний об одном предмете (явлении) на другой. Такой перенос верен с определенной долей достоверности (вероятности), так как сходство между явлениями редко бывает полным. Различают аналогию историческую и математическую. Историческая аналогия основана на установлении и использовании аналогии объекта прогнозирования с одинаковыми по природе объектами, которые опережают прогнозируемые в своем развитии.

Метод математической аналогии основан на установлении аналогии математических описаний процессов развития различных по природе объектов с последующим использованием более изученного и более точного математического описания одного из них для разработки прогнозов другого. Этот метод используется в экономико-математическом моделировании и при экспериментальном подходе к изучению экономики, когда знание о признаках одного предмета возникает на основании его сходства с другими предметами. Моделирование и эксперимент обязательно используют метод аналогии.

Моделирование (математическое моделирование) означает описание экономического (моделируемого) явления посредством математических формул, уравнений и неравенств. Математический аппарат должен достаточно точно отражать прогнозный фон, хотя полностью отразить всю глубину и сложность прогнозируемого объекта довольно трудно. В широком смысле модель — это заместитель оригинала (объекта исследования), имеющий с ним такое сходство, которое позволяет получить новое знание об объекте. При более узком понимании модели она рассматривается как объект прогнозирования. Ее исследование позволяет получить информацию о возможных состояниях объекта в будущем и путях достижения этих состояний.

С помощью математических моделей определяют:

• зависимость между различными экономическими показателями;

• различного рода ограничения, накладываемые на показатели;

• критерии, позволяющие оптимизировать процесс.

В прогнозировании различают: макромоделирование, т. е. укрупненное моделирование показателей экономики развития страны в целом; микромоделирование, т. е. построение моделейдля отдельного объекта (фирмы); моделирование на мезоуровне, характеризующем моделирование экономических процессов региона, отрасли.

Возможности экономико-математического моделирования весьма широки — от анализа до выработки управленческого решения, включая вопросы прогнозирования развития хозяйственных процессов. Однако нельзя переоценивать значение моделирования. Моделирование обычно рекомендуется использовать как «консультирующее средство», но окончательное решение всегда должно оставаться за специалистом. Сложное экономическое явление (процесс) требует создания (разработки) сложных математических моделей, а они, в свою очередь, приводят к трудностям в расчетах. При упрощении модели возможно снижение ее достоверности.

Эти два полюса (две крайности) должны учитываться прогнозистом при использовании метода моделирования. Методы прогнозирования не исчерпываются перечисленными выше. Существуют иные методы и подходы:

•морфологический анализ;

•прогнозный сценарий;

•прогнозный граф и «дерево целей»;

•корреляционный и регрессионный анализ;

•метод группового учета аргументов;

•факторный анализ;

• теория распознавания образов;

• вариационное исчисление;

• спектральный анализ;

• цепи Маркова;

• элементы алгебры логики;

• теория игр и др.

Таким образом, существуют различные типовые методы прогнозирования. Задача прогнозиста — выбрать такой метод, который в наибольшей мере соответствовал бы задачам и принципам прогнозирования данного явления (объекта).

49. Классификация прогнозов.

Сущность и классификация прогнозов

1. Прогноз является следствием действительности как единого целого, а будущее, отражаемое в прогнозе, — это результат сложного комплекса причин и условий. Прогноз — это итог выводов, эмпирических данных и обоснованных предположений, представляет аргументированное заключение о направлениях развития в будущем.

2. Возникновение будущего как следствия реальных событий содержит элемент случайности. Поэтому прогноз должен иметь оценку степени вероятности наступления события.

3. Прогноз, обладающий потенциалом будущего, испытывает влияние различных признаков действительности или моделирует эти признаки. При отсутствии изученных закономерностей развития для прогноза используется гипотеза о закономерностях.

4. Для составления прогноза необходимы научные исследования количественного и качественного характера, включая количественную

оценку на будущее.

5. Прогноз является ориентиром для планирования, создает исследовательскую основу для подготовки плана.

6. Прогноз носит вероятностный характер, и является многовариантным

7. Временные и пространственные горизонты прогноза зависят от сущности рассматриваемого явления, он удобен как итеративный, т. е. повторяющийся и непрерывный процесс.

8. При разработке прогноза не ставятся конкретные задачи и исключается детализация.

9. Точность прогноза проверяется временем.

10. При разработке прогноза от специалиста требуются прежде всего объективность и научная добросовестность, субъективизм оценке прошлого, настоящего и будущего не допускается.

В основе прогноза лежит научное предвидение. Научное предвидение может иметь форму предсказания, которому присущ описательный характер, или предуказания, когда указываются необходимые действия для достижения цели.

Прогноз не просто интерпретирует закономерности и внешние условия развития, а используется для поиска нужных решений. Он может рассматриваться как начальная стадия планирования, определяющая выбор путей достижения целей этого плана. В дополнение к ранее указанным общим характеристикам прогноза отметим, что экономический прогноз позволяет:

• оценить состояние и осуществить поиск возможных вариантову правленческих решений;

• определить область для направления изменения будущих событий;

• выявить проблемы, слабо выраженные в настоящем, но возможные в будущем;

• осуществить поиск вариантов активного воздействия на объективные факторы будущего;

• смоделировать варианты событий при учете ведущих факторов.

Назначение прогноза выражается в его функциях. К основным функциям прогноза относятся:

• анализ социально-экономических и научно-технических процессов и тенденций, объективных причинно-следственных связей этих явлений в конкретных условиях, в том числе оценка сложившейся ситуации и выявление проблем хозяйственного развития;

• оценка этих тенденций в будущем, предвидение новых экономических условий и проблем, требующих разрешения;

• выявление альтернативы развития в перспективе, накопление экономической информации и расчетов для обоснования выбора и принятия оптимального управленческого решения.

Принцип прогнозирования характеризует основную идею теории, или исходное положение. К основным принципам прогнозирования относятся: системность, согласованность, вариантность, непрерывность, верифицируемое™ и эффективность:

• системность означает требование взаимоувязанное и соподчиненное объекта прогнозирования, прогнозного фона и элементов прогнозирования, т. е. прогнозирование — сложный процесс, реализуемый системой;

• согласованность означает необходимость согласования поисковых и нормативных прогнозов различной природы (признаков) и различного срока упреждения времени;.

• вариантность в прогнозировании означает требование разработки вариантов прогнозного фона;

• непрерывность означает необходимость корректировки прогноза по мере поступления новой информации об объекте прогнозирования;

• верифицируемость — т. е. определение достоверности, точности и обоснованности прогноза;

• эффективность определяет необходимость превышения экономического эффекта от использования прогноза над затратами по его разработке.

В соответствии с проблемно-целевым признаком различают прогнозы поисковый и нормативный:

• поисковый прогноз (или исследовательский, трендовый, генетический)— это прогноз определения возможных состояний явления в будущем, отвечающий на вопрос: что вероятнее всего произойдет при условии сохранения действующих тенденций. Его метод — экстраполяция.

• нормативный прогноз (или программный, целевой) выполняется с целью определения путей и сроков достижения возможных состояний объекта прогнозирования в будущем, принимаемых в качестве цели. Основной метод прогнозирования — интерполяция.

По критерию природы объекта выделяют прогнозы:

• социальные (в том числе демографические);

• ресурсные (природные, материальные, трудовые, финансовые);

• научно-технические (перспективы развития науки и техники и влияние этих достижений на экономику);

• общественных и личных потребностей (спрос, потребление, потребности в образовании, здравоохранении, правопорядке, культуре и т. д.).

По критерию времени выделяют прогнозы: оперативные (до одного месяца); краткосрочные (от двух месяцев до года); среднесрочные (от 1 до 5 лет); долгосрочные (от 5 до 15 лет); даль несрочные (свыше 15 лет).

По критерию сложности различают прогнозы: сверхпростой, простой, сложный, сверхсложный. Эти прогнозы отличаются наличием взаимосвязанных переменных в их описании: в сверхпростом прогнозе отсутствуют существенные взаимосвязи, в сверхсложном — взаимосвязи тесные (с коэффициентом корреляции, близким к 1).

По степени детерминированности объекта прогнозы могут быть: детерминированными, т. е. без существенных потерь информации в описании условий; стохастическими, в которых требуется учет случайных величин; смешанными, включающими характеристики двух вышеуказанных прогнозов.

По критерию характера развития объекта во времени различаются прогнозы: дискретные, для которых характерен тренд со скачкообразными изменениями в фиксированные периоды времени; апериодические, которые представлены в виде непериодических функций времени; циклические, для которых характерна периодическая функция времени.

По критерию масштабности объекта различают прогнозы: сублокальные; локальные; суперлокальные (субглобальные); глобальные. Если говорить об отдельной фирме или объединении предприятий, то речь должна идти, как правило, о первых трех видах, а для стран или групп стран более характерны глобальные прогнозы.

50. Системы прогнозирования.

Прогнозирование как целенаправленный процесс должно реализовываться (осуществляться) в системе. В зависимости от масштаба и целей прогнозирования различают следующие системы:

• мирохозяйственная система;

• государственная система;

• отраслевая система;

• региональная система;

• межфирменная система (межфирменный проект);

• внутрифирменная система;

• система прогнозирования отдельной сферы деятельности,параметра, показателя.

Функционирование системы связано с периодической разработкой прогнозов и их корректировкой. Конечно, прогнозирование масштабной системы отличается от прогнозирования на уровне фирмы. Несмотря на многообразие организационных форм (видов) систем прогнозирования, в любой из них обязательно должны присутствовать следующие компоненты (составные части):

• объекты прогнозирования (явления, процессы, виды хозяйственной деятельности и т. д.);

• специалист (коллектив специалистов), осуществляющий прогнозирование;

• технические средства (ЭВМ, модели, алгоритмы и т. д.);

• метод (совокупность методов) прогнозирования;

• организационные мероприятия (управление процессом прогнозирования).

Коллектив специалистов, т. е. исполнителей работы, может включать специалистов в сфере экономики, финансов, маркетинга, менеджмента, социологии, технологии и ряда других областей знаний. Усилиями этих специалистов выполняется работа в соответствии с действующей методологией прогнозирования.

Рассматривая систему прогнозирования, необходимо учесть следующие элементы, обеспечивающие ее функционирование:

• система входной информации — вход в систему;

• прогнозный фон — совокупность внешних факторов, воздействие которых необходимо учитывать при прогнозировании;

• целевая функция — выход системы прогнозирования, то, ради чего создается система и осуществляется прогноз.

Следует остановиться, учитывая их роль и вес, на системе информации (вход системы прогнозирования) и организации прогнозирования (управление).

Система информации — это один из основных элементов системы прогнозирования, представляющий собой совокупность исходных данных, предпосылок, требований к прогнозу и т. д.

Х = (х₁, х₂, …, x_n ), где x_i, i= 1,..., п, — составляющая, элемент совокупности, последовательности. Расчет прогноза должен опираться на такую информацию по проблеме, которая существенно опережает по времени реально протекающий процесс развития. Желательно, чтобы временной лаг опережения информации составлял более 10 лет. Величина минимального опережения информации является условием эффективности использования самого прогноза. Она позволяет уменьшить неопределенность знаний о каком-либо явлении, событии. Для задач прогнозирования требуется создание лишь определенного массива информации. Он представляет собой совокупность данных об объекте прогнозирования, приведенных в соответствие с задачами и методами прогнозирования. Здесь важны качество и надежность исходной информации. В прогнозировании различают четыре категории надежности информации:

1-я категория — надежные ожидания, т. е. имеется полная и точная информация. Такая ситуация благоприятна для прогноза, но редко встречается;

2-я категория — рискованные ожидания, т. е. имеющаяся информация не является достаточно надежной. В таком случае рекомендуется выполнить расчет с целью определения ее отклонения от предполагаемой;

3-я категория — субъективно ненадежные ожидания, т. е. имеющаяся информация является неточной и ненадежной, но получить новую невозможно;

4-я категория — объективно ненадежные ожидания. В этом случае говорят об отсутствии данных для оценки возможного реального, развития события.

При прогнозировании может использоваться следующая информация:

• фактографическая, содержащая фактические данные;

• экспертная, содержащая экспертные оценки для достижения задач прогноза;

• научно-техническая;

• информация по переменной объекта прогнозирования, т. е. содержащаяся в значениях переменной.

Информация прогнозного фона должна учитывать происходящие изменения в окружающей среде, в том числе: социально экономические, технические, технологические, политические факторы, оказывающие влияние на объект прогнозирования.

Организация прогнозирования. Основа функционирования системы прогнозирования (независимо от ее сложности) — это организация прогнозирования или управление процессом прогнозирования. Как и любое управление, организация прогнозирования включает (в общем случае):

• планирование;

• оперативное управление, связанное с корректировкой ранее принятых решений (планов) с учетом изменившегося прогнозного фона;

• контроль, заключающийся в оценке полученных результатов прогнозирования и определении эффективности функционирования системы.

Прогностические исследования крупного масштаба начинаются, как правило, с разработки задания на прогноз, т. е. нормативного акта — документа, определяющего объект прогнозирования, его цель, задачи и порядок разработки. Задание на прогноз — это основание для разработки прогноза. Оно составляется с участием заказчика и исполнителя. В случае значительного количества исполнителей может составляться координационный план, утверждаемый заказчиком.

Порядок и последовательность работ как элемент организации прогнозирования определяется в зависимости от основных элементов системы прогнозирования. Обычно эта работа выполняется в несколько этапов.

Первый этап — прогнозная ретроспекция, т. е. установление объекта прогнозирования и прогнозного фона. Работа на первом этапе выполняется в такой последовательности:

• формирование описания объекта в прошлом, что включает пред прогнозный анализ объекта, оценку его параметров, их значимости и взаимных связей;

• определение и оценка источников информации, порядка и организации работы с ними, сбор и размещение ретроспективной информации;

• постановка задач исследования.

Второй этап — прогнозный диагноз. В ходе него исследуется систематизированное описание объекта прогнозирования и прогнозного фона с целью выявления тенденций их развития и выбора моделей и методов прогнозирования. Работа выполняется в такой последовательности:

• разработка модели объекта прогноза, в том числе формализованное описание объекта, проверка степени адекватности модели объекту;

• выбор методов прогнозирования (основного и вспомогательных), разработка алгоритма и рабочих программ.

Третий этап — проспекция, т. е. процесс обширной разработки прогноза, в том числе:

• расчет прогнозируемых параметров на заданный период;

• синтез отдельных составляющих прогноза.

Четвертый этап — оценка прогноза, в том числе его верификация, т. е. определение степени достоверности, точности и обоснованности.

Результаты прогноза оформляются в виде справки, доклада или иного материала и представляются заказчику. В ходе прогнозирования у исполнителей могут возникнуть прогнозный вариант, прогнозная альтернатива и необходимость проверки прогнозного эксперимента.

Прогнозный вариант — это один из прогнозов, составляющих группу взаимоисключающих прогнозов.

Прогнозный эксперимент — это варьирование характеристик объекта прогнозирования на прогнозных моделях с целью выявления возможных, допустимых и недопустимых прогнозных и альтернативных вариантов развития объекта прогнозирования.

Полученные результаты прогнозов могут в дальнейшем корректироваться, т. е. подвергаться уточнению по итогам верификации с учетом дополнительных материалов и исследований. В прогнозировании может быть указана величина отклонения прогноза от действительного состояния объекта, которая называется ошибкой прогноза.

51. Макро– и микропрогнозирование.

Макроэкономические показатели, отражающие масштабные экономические явления, прогнозируются на уровне государства. Эти прогнозы используются для:

• применения в качестве самостоятельных расчетов;

• планирования, прежде всего бюджетного.

В макроэкономических показателях страны находят отражение параметры функционирования экономики, структура и потенциал ее отраслей, пропорции и взаимосвязи субъектов РФ.

К макроэкономическим показателям, прогнозы которых по заказу правительства страны осуществляет система государственного прогнозирования, относятся:

• валовой внутренний продукт (ВВП);

• объем промышленной продукции;

• объем продукции сельского хозяйства;

• производство потребительских товаров, в том числе продовольственных

и непродовольственных;

• объем розничного товарооборота;

• объем инвестиций (в том числе долговременных материальных

активов);

• эмиссия денег;

• индекс изменения цен, включая и потребительские товары;

• уровень безработицы и др.

Кроме того, к прогнозам макроуровня относятся прогнозные обзоры состояния экономики страны. Их осуществляют не только специальные научные учреждения, но и независимые лица. Варианты прогнозов развития экономики страны часто публикуются в периодической печати. Многообразие альтернатив социально- экономического развития подтверждает факт отсутствия в обществе монополии взглядов на будущее, но одновременно усложняет процедуру выбора одного из вариантов для последующего использования при разработке планов или собственных прогнозов.

Прогнозы макроэкономических показателей, используемых в планировании в качестве базы для обоснования планов государства и регионов, учитываются в расчетах:

• бюджетных планов;

• индикативных планов всей страны и ее регионов;

• планов государственных и муниципальных предприятий, входящих в предпринимательский сектор экономики страны

и пр.

Для получения достоверных прогнозов необходимо знание законов развития общества, особенностей состояния экономики страны, причин и движущих сил развития. Высокая степень неопределенности будущего, особенно в политическом аспекте, обусловливает вероятностный характер достижения параметров макроэкономических прогнозов.

К основным факторам влияния на макроэкономические показатели (объект прогнозирования) относятся (прогнозный фон):

• международная обстановка;

• социальные потребности;

• технические возможности;

• политическое состояние;

• состояние ресурсов;

• экономическая целесообразность.

Результаты макроэкономического прогнозирования используются при решении следующих основных задач:

• установление целей развития:

• изыскание оптимальных путей и средств достижения целей;

• определение потребностей в ресурсах для достижения целей развития. Например, определение доходной части государственного бюджета страны для решения социальных задач общества, определение