ЭММ и ПМ - 2009
.pdf
|
|
|
|
|
|
|
|
|
|
|
11 |
при ограничениях |
|
|
|
|
|
|
|
|
|
|
|
a11x1 a12 x2 a1n xn b1 |
|
||||||||||
a21x1 a22 x2 a2n xn b2 |
(8) |
||||||||||
... |
|
|
|
|
|
|
|
|
|
||
a |
x a |
m2 |
x |
2 |
a |
mn |
x |
n |
b |
, |
|
|
m1 1 |
|
|
|
|
m |
|
||||
|
x j |
0 |
( j 1, 2, , n). |
|
(9) |
Задача, состоящая в нахождении вектора Y (y1, y2 , ..., ym ), для которого достигается минимальное значение функции
Z |
b1y1 |
b2 y2 bm ym |
|
(10) |
|||||||
при ограничениях |
|
|
|
|
|
|
|
|
|
|
|
a11y1 a21y2 am1ym c1 |
|
||||||||||
a12 y1 a22 y2 am2 ym c2 |
(11) |
||||||||||
... |
|
|
|
|
|
|
|
|
|
|
|
a y a |
y |
2 |
a |
mn |
y |
m |
c |
m |
, |
||
1n |
1 |
2n |
|
|
|
|
|
||||
|
yi |
0 |
(i 1, 2, , m), |
|
|
(12) |
называется двойственной по отношению к задаче (7)–(9). Переменные двойственной задачи yi в экономической литерату%
ре получили различные названия: учетные, неявные, теневые, объективно обусловленные оценки, или двойственные оценки, или «цены» ресурсов.
Экономическая интерпретация взаимно двойственных задач.
Прямая задача: какое количество продукции X (x1, x2 , ..., xn ) надо произвести, чтобы при заданных значениях стоимости едини% цы продукции сj (j = 1, n), объемах имеющихся ресурсов bi (i = 1, m) и нормах расходов aij максимизировать выпуск продукции в сто% имостном выражении.
Двойственная задача: какова должна быть оценка единицы каж% дого из ресурсов Y (y1, y2 , ..., ym ), чтобы при заданных величинах bi, сj , и aij минимизировать общую оценку затрат на всю продукцию?
Каждая из задач двойственной пары фактически является само% стоятельной задачей линейного программирования и может быть решена независимо от другой задачи.
12
Правила составления двойственной задачи:
1)если целевая функция исходной задачи формулируется на максимум, то целевая функция двойственной задачи — на минимум
(и наоборот), при этом в двойственной задаче на максимум все не% равенства в функциональных ограничениях имеют вид ( ), в зада% че на минимум — вид ( );
2)матрица А, составленная из коэффициентов при неизвестных в системе ограничений исходной задачи, и аналогичная матрица АT в двойственной задаче получаются друг из друга транспонированием;
3)число переменных в двойственной задаче равно числу функци% ональных ограничений исходной задачи, а число ограничений в системе двойственной задачи — числу переменных в исходной;
4)коэффициентами при неизвестных в целевой функции двой% ственной задачи являются свободные члены в системе ограничений исходной задачи, а правыми частями в ограничениях двойственной задачи — коэффициенты при неизвестных в целевой функции ис% ходной;
5)каждому ограничению одной задачи соответствует переменная
другой задачи, номер переменной совпадает с номером ограничения. При этом ограничению, записанному в виде неравенства , соответ% ствует переменная, связанная условием неотрицательности. Если функциональное ограничение исходной задачи является равенством, то соответствующая переменная двойственной задачи может прини% мать как положительные, так и отрицательные значения.
Связь между оптимальными решениями исходной и двойствен% ной задач может быть установлена на основе теорем двойственно% сти [1, 8, 16, 18, 20].
К специальным задачам линейного программирования относят транспортную задачу и задачу о назначениях.
Транспортная задача — задача наиболее эффективного перемеще% ния ресурсов из одного пункта в другой — относится к двухиндек% сным задачам линейного программирования, так как в результате
решения задачи необходимо найти матрицу Х с компонентами xij. Постановка задачи. В т пунктах (поставщики A1, A2, …, Am), со% средоточено некоторое количество однородного продукта, которое
обозначим аi (i = 1, 2, ..., т). Данный продукт потребляется в п пун% ктах (потребителях) В1, В2, …, Вn; объем потребления равен bj (j =
=1, 2, ..., п). Расходы на перевозку единицы продукта из пункта Ai
13
впункт Bj равны cij и приведены в матрице транспортных расходов
С= (cij). Требуется составить такой план перевозок, при котором суммарные затраты на них были бы минимальны.
n n
cij xij min, i 1 j 1
n
xij bj , j 1,n,
i 1
n
xij ai , i 1,n.
j 1
(13)
(14)
(15)
Перевозимый объем продукта не может быть отрицательным:
xij 0, |
j |
1,n |
, i |
1,n |
. |
(16) |
Условия (14) означают полное удовлетворение спроса во всех пунктах потребления; условия (15) определяют полный вывоз про% дукции от всех поставщиков. Необходимым и достаточным услови% ем разрешимости задачи (13)—(16) является условие баланса:
m |
n |
|
aij |
bij . |
(17) |
i 1 |
j 1 |
|
Транспортная задача, в которой имеет место равенство (17), на% зывается закрытой и может быть решена как задача линейного про% граммирования с помощью симплексного метода. Транспортная задача также может быть решена специальными методами, напри% мер методом потенциалов [1, 17, 18], а также с использованием стандартных возможностей программы Excel [2, 19].
Задачи оптимизации, в результате решения которых искомые значения переменных должны быть целыми числами, называются задачами (моделями) целочисленного (дискретного) программиро% вания:
f (x1, x2 , , xn ) min(max);
gi (x1, x2 , , xn ){ , , }bi , i 1,m;
x j целые неотрицательные j n .
Достаточно часто при моделировании экономических процессов используется особый случай дискретности задачи — булевость пе%
14
ременных, то есть переменные могут принимать значения 0 или 1. Характерным примером этого случая является задача о назначени% ях. Задача о назначениях — это распределительная задача, в кото% рой для выполнения каждой работы требуется один и только один ресурс (один человек, одна автомашина и т.д.), и каждый ресурс может быть использован на одной и только одной работе. Задача о назначениях является частным случаем транспортной задачи. Зада% ча о назначениях имеет место при распределении людей на должно% сти или работы, автомашин на маршруты, водителей на машины, групп по аудиториям, научных тем по научно%исследовательским лабораториям и т.п.
Постановка задачи. Имеется n видов работ и n исполнителей этих работ. Известны экономические оценки эффекта Cij , i 1,n, j 1,n от назначения i%го исполнителя на j й вид работ. Требуется так рас% пределить исполнителей по видам работ, чтобы суммарный эффект от назначений был максимальным.
ЭММ. Введем необходимые обозначения, пусть
|
1, если i%го исполнителя следует направить на j%ю работу, |
||||
|
|
||||
xij |
|
|
|
|
|
|
|
||||
|
|
||||
|
0, в противном случае, i 1,n; j 1,n. |
xij — факт назначения или неназначения ресурса Ai на работу Bj. Тогда математически задачу о назначениях можно записать в виде:
n n
cij xij max, i 1 j 1
n
xij 1, j 1, n (накаждуюработудолженбытьназначенисполнитель),
i 1
n
xij 1, i 1,n (все исполнители должны получить назначение),
j 1
1
xij 0 (i, j).
Решение задачи о назначениях получают, как правило, с исполь% зованием электронных таблиц Excel (надстройка Поиск решения).
15
Существуют многие экстремальные задачи, которые не могут быть решены методами линейного программирования (ЛП). Зада% ча (модель) нелинейного программирования (НЛП) формулирует% ся так же, как и общая задача оптимального программирования со следующими требованиями к целевой функции (ЦФ) и допусти% мой области: целевая функция f (x1, x2 , , xn ) и (или) одна из фун% кций gi (x1, x2 , , xn ) являются нелинейными —
min(max) f (x1, x2 , , xn );
gi (x1, x2 , , xn ){ , , }bi , i 1,m;
x j 0, j 1,n.
Не существует общего универсального метода решения задач НЛП, специальные методы решения НЛП изложены в [1, 14–20]. Технология решения задач нелинейной оптимизации с помощью надстройки Поиск решения Microsoft Excel подробно рассмотрена в литературе [2, 19].
Тема 3. Экономико0математическая модель межотраслевого баланса (модель Леонтьева)
В этой теме рассматриваются матричные модели межотраслево% го (МОБ) и межпродуктового балансов, основанные на балансовом методе планирования. Минимальный объем необходимого для изу% чения материала содержится в [1].
Эффективное функционирование экономики предполагает нали% чие баланса между отдельными отраслями. Каждая отрасль при этом выступает двояко: с одной стороны, как производитель неко% торой продукции, а с другой — как потребитель продуктов, выраба% тываемых другими отраслями. В рамках курса изучается наиболее простой вариант модели межотраслевого баланса (модель Леонть% ева, или модель затраты — выпуск).
Алгебраическая теория анализа «затраты — выпуск» сводится к системе линейных уравнений, в которых параметрами являются коэффициенты затрат на производство продукции. ЭММ межот% раслевого стоимостного баланса позволяет определить объемы ва% ловой или конечной продукции.
16
Вводится понятие матрицы коэффициентов прямых материаль% ных затрат, необходимо уметь проверять такую матрицу на ее про% дуктивность. На основе матрицы коэффициентов прямых матери% альных затрат можно определить матрицу коэффициентов полных материальных затрат. Кроме статической модели МОБ, рассматри% вается и динамическая модель межотраслевого баланса. Примеры использования матричных моделей, сведения о компьютерной ре% ализации с применением электронных таблиц приводятся в [1, 2, 8].
Необходимо усвоить основные идеи, на которых базируются ме% тоды и модели указанных теорий, владеть основными понятиями и терминологией. Уметь иллюстрировать понятия и определения; приводить примеры практических приложений и сделать подроб% ный разбор числовых примеров, содержащихся в [1, 2, 8].
Тема 4. Методы и модели анализа и прогнозирования экономических процессов с использованием временны´ х рядов*
Во временнóм ряде содержится информация об особенностях и закономерностях протекания процесса, а статистический анализ позволяет выявить и использовать выявленные закономерности для оценки характеристик процесса в будущем, то есть для прогно% зирования.
Временнóй ряд — это набор чисел, привязанный к последователь% ным, обычно равноотстоящим моментам времени. Числа, составля% ющие временнóй ряд и получающиеся в результате наблюдения за ходом некоторого процесса, называются уровнями временнóго ряда.
Временнóй ряд обычно обозначают Y(t), или yt, где t = 1, 2, …, n. В общем случае каждый уровень временнóго ряда можно пред% ставить как функцию четырех компонент: f(t), S(t), U(t), (t), отра% жающих закономерность и случайность развития, где f(t) — тренд (долговременная тенденция) развития; S(t) — сезонная компонента;
U(t) — циклическая компонента; (t) — остаточная компонента. Тренд, или тенденция f(t), представляет собой устойчивую законо%
мерность, наблюдаемую в течение длительного периода времени.
* Тему 4 не изучают студенты, обучающиеся по направлению 521600 (080100) «Бакалавр экономики».
17
Вмодели временнóго ряда принято выделять две основные со% ставляющие: детерминированную (систематическую) и случайную.
Под детерминированной составляющей временнóго ряда y1, y2, ..., yn понимают числовую последовательность, элементы которой вычис%
ляются по определенному правилу как функция времени t. Случай ная компонента (t) — это составная часть временнóго ряда, остав% шаяся после выделения систематических компонент, она является обязательной компонентой любого временнóго ряда в экономике, так как случайные отклонения неизбежно сопутствуют любому экономическому явлению.
Требования к исходной информации для моделирования времен% ны´ х рядов изложены в [1]. В зависимости от вида связи между ком% понентами временнóго ряда может быть построена либо аддитив% ная модель, либо мультипликативная модель [1]. Этапы построения прогноза по временны´ м рядам перечислены в [1, 2].
Основная цель статистического анализа временны´ х рядов — изу% чение соотношения между закономерностью и случайностью в фор% мировании значений уровней ряда, оценка количественной меры их влияния. Закономерности, объясняющие динамику показателя
впрошлом, используются для прогнозирования его значений в бу% дущем, а учет случайности позволяет определить вероятность от% клонения от закономерного развития и его возможную величину.
Входе предварительного анализа определяют соответствие име% ющихся данных требованиям, предъявляемым к ним математичес% кими методами (сопоставимости, полноты, однородности и устой% чивости); строится график динамики и рассчитываются основные динамические характеристики (приросты, темпы роста, темпы при% роста, коэффициенты автокорреляции). К процедурам предвари% тельного анализа относятся:
выявление аномальных наблюдений; проверка наличия тренда; сглаживание временны´ х рядов;
расчет показателей развития динамики экономических про% цессов.
Так как наличие аномальных наблюдений приводит к искажению результатов моделирования, то необходимо убедиться в отсутствии аномалий данных. Поэтому процедура выявления аномальных наблюдений является обязательной процедурой этапа предвари%
18
тельного анализа данных. Для диагностики аномальных наблюдений разработаны различные критерии, например, метод Ирвина [1, 2].
Следующая процедура этапа предварительного анализа данных — выявление наличия тенденций в развитии исследуемого показате% ля. Тенденция прослеживается не только в увеличении или умень% шении среднего текущего значения временнóго ряда, но она прису% ща и другим его характеристикам: дисперсии, автокорреляции, кор% реляции с другими показателями и т.д. Тенденцию среднего визу% ально можно определить из графика исходных данных. Процедура проверки наличия или отсутствия неслучайной (и зависящей от времени t) составляющей состоит в статистической проверке
гипотезы о неизменности среднего значения временнóго ряда.
Эта процедура может быть осуществлена с помощью различных критериев [1, 2, 8]: методом Фостера%Стюарта, методом сравнения средних уровней ряда и др.
Классификация методов экономического прогнозирования свя% зана с видами прогнозных моделей [1, 2]. Модели временны´ х рядов представляют собой модели зависимости результативного признака от времени:
модели кривых роста (трендовые модели),
сезонные модели,
адаптивные модели,
модели авторегрессии и скользящего среднего.
С помощью таких моделей можно решать задачи прогнозирова% ния объема продаж, спроса на продукцию, краткосрочного прогноза процентных ставок и др.
Плавную кривую (гладкую функцию), аппроксимирующую вре% меннóй ряд, называют кривой роста. Основные этапы построения прогноза на основе временны´ х рядов с использованием трендовых моделей включают следующее:
1)предварительный анализ данных;
2)формирование набора моделей (например, набора кривых ро% ста), называемых функциями%кандидатами;
3)численное оценивание параметров моделей;
4)определение адекватности моделей;
5)оценка точности адекватных моделей;
6)выбор лучшей модели;
7)получение точечного и интервального прогнозов;
19
8) верификация прогноза.
Использование метода экстраполяции на основе кривых роста для прогнозирования базируется на двух предположениях:
• временнóй ряд экономического показателя действительно име% ет тренд, то есть преобладающую тенденцию;
• общие условия, определявшие развитие показателя в прошлом, останутся без существенных изменений в течение периода упреж% дения.
Чтобы правильно подобрать наилучшую кривую роста для моде% лирования и прогнозирования экономического явления, необходи% мо знать особенности каждого вида кривых. Наиболее часто в эко% номике используются полиномиальные, экспоненциальные и S% образные кривые роста.
Предпосылки применения метода наименьших квадратов (МНК) изложены в учебном пособии [1]. В тех случаях, когда пред% посылки выполняются, оценки, полученные по МНК, будут обла% дать свойствами несмещенности, состоятельности и эффективнос% ти.
Параметры большинства «кривых роста», как правило, оценива% ются по методу наименьших квадратов (МНК), то есть подбирают% ся таким образом, чтобы график функции «кривой роста» распола% гался на минимальном удалении от точек исходных данных.
При построении кривых роста предпочтение, как правило, отда% ется простым моделям, допускающим содержательную интерпрета%
цию. К числу таких моделей относится линейная модель роста |
|
yˆt a0 a1t, |
(18) |
где a0 и a1 — параметры модели, а t = 1, 2,…, n. Параметр а0 задает на% чальные условия развития, параметр а1 определяет скорость или интенсивность развития.
Математически критерий оценки параметров модели по МНК записывается в виде:
n |
|
S (a0 ,a1) yt (a0 a1t) 2 min. |
(19) |
t 1
Для нахождения минимума функции двух переменных S (a0, a1) следует взять частные производные по a0 и a1, а затем приравнять их нулю. В результате получим так называемую систему нормаль%
20
ных уравнений:
|
|
n |
|
n |
|
|
a0 n a1 t yt , |
|
|||||
|
|
t 1 |
|
t 1 |
(19) |
|
|
n |
n |
|
|
n |
|
|
t a1 t |
2 |
|
yt t. |
|
|
a0 |
|
|
||||
|
t 1 |
t 1 |
|
|
t 1 |
|
Решая систему двух линейных уравнений с двумя неизвестными, получим расчетные формулы для оценки параметров линейной трендовой модели:
|
|
n |
|
|
|
|
|
|
|
n |
|
|
2 |
|
|
t t |
yt |
/ t t |
|
||||||||||||
a1 |
|
|
y |
|
|
, |
|||||||||
|
t 1 |
|
|
|
|
|
|
t 1 |
|
(20) |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a0 Y |
a1t , |
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
где t и y — средние значения моментов наблюдения и уровней ряда, соответственно.
Оценку качества модели следует изучать по материалам парагра% фа 5.2 [1]. Модель считается хорошей со статистической точки зре% ния, если она адекватна и точна. Проверка адекватности модели реальному явлению является важным этапом прогнозирования социально%экономических процессов. Для этого исследуют ряд ос% татков t yt yˆt , то есть отклонения расчетных значений от фак% тических данных. Наиболее важными свойствами остаточной ком% поненты являются независимость последовательных уровней ряда остатков, их случайность и соответствие нормальному закону рас пределения, а также равенство нулю математического ожидания ос% татков. Проверка этих свойств осуществляется с помощью соответ% ствующих статистических гипотез [1, 2]. Для адекватной модели производят оценку точности модели. В качестве показателя точно% сти можно выбрать: среднеквадратическое отклонение от тренда, среднюю относительную ошибку аппроксимации, максимальную по абсолютной величине ошибку, коэффициент детерминации R 2.
На основе построенной модели рассчитываются точечные и интер% вальные прогнозы. Точечный прогноз на основе временны´ х моделей получается подстановкой в модель (уравнение тренда) соответству% ющего значения фактора времени, то есть t = n + 1, n + 2, ..., n + k.
Интервальные прогнозы строятся на основе точечных прогнозов. Доверительным интервалом называется такой интервал, относи%