Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Khristianovskiy_i_dr_Ekon_-mat_metody_i_modeli_Kurs_i_dipl_raboty-_2012.pdf
Скачиваний:
54
Добавлен:
26.03.2016
Размер:
14.14 Mб
Скачать

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ, МОЛОДЕЖИ И СПОРТА УКРАИНЫ ДОНЕЦКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ КАФЕДРА МАТЕМАТИКИ И МАТЕМАТИЧЕСКИХ МЕТОДОВ В ЭКОНОМИКЕ

В.В. Христиановский, Т.В. Нескородева, Ю.Н. Полшков

ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ:

ПРАКТИКА ПРИМЕНЕНИЯ В КУРСОВЫХ И

ДИПЛОМНЫХ РАБОТАХ

Учебное пособие для студентов экономических специальностей

Рекомендовано к изданию Учёным Советом Донецкого национального университета Протокол № 1 от 27.01.2012 г.

Донецк ДонНУ 2012

1

УДК 519.86:519.87:330.4 ББКУ 012. 18 в 621.5

Х 935

Рецензенты:

Р.Н. Лепа – д-р экон. наук, проф., заведующий отделом проблем моделирования экономических систем Института экономики промышленности НАН Украины.

Е.К. Щетинина – д-р физ.-мат. наук, проф., заведующая кафедры высшей и прикладной математики Донецкого национального университета экономики и торговли имени Михаила Туган-Барановского.

Христиановский В.В.

Х 935 Экономико-математические методы и модели: практика применения в курсовых и дипломных работах: учебное пособие / В.В. Христиановский, Т.В. Нескородева, Ю.Н. Полшков; под ред. В.В. Христиановского – Донецк: ДонНУ, 2012. – 324 с.

ISBN 978-966-639-518-7

Учебное пособие представляет собой методики применения экономикоматематических методов в виде примеров решения задач в различных областях экономики. Пособие также содержит инструкции по использованию современных информационных технологий для решения рассматриваемых задач (в частности офисного приложения MS Excel).

Пособие предназначено для студентов экономических специальностей, использующих математические методы, модели и информационные технологии при подготовке курсовых и дипломных работ на бакалаврском и магистерском уровне обучения.

© Христиановский В.В., 2012 © Нескородева Т.В., 2012 © Полшков Ю.Н., 2012 © ДонНУ, 2012

2

СОДЕРЖАНИЕ

 

ВВЕДЕНИЕ ..............................................................................................

6

1. МЕТОДИКА ЭКОНОМИКО-МАТЕМАТИЧЕСКОГО

 

МОДЕЛИРОВАНИЯ ..........................................................................................

9

2. БАЛАНСОВЫЕ МОДЕЛИ И МЕТОДЫ ИХ РЕШЕНИЯ ..............

14

2.1. Межотраслевой баланс производства и потребления .................

14

2.2. Отраслевой баланс производства и потребления ........................

24

2.3. Организация материально-технического снабжения при

 

условии межпродуктового баланса ................................................................

29

2.4. Планирование национальных доходов торгующих стран в

 

сбалансированной системе международной торговли .................................

37

3. ОПТИМИЗАЦИОННЫЕ МОДЕЛИ И МЕТОДЫ РЕШЕНИЯ

 

ЗАДАЧ ОРГАНИЗАЦИИ И ПЛАНИРОВАНИЯ ПРОИЗВОДСТВА .........

42

3.1 Экономические постановки и модели типовых оптимиза-

 

ционных задач ...................................................................................................

42

3.2. Планированиедобычиуглянашахтномобъединении .....................

53

3.3. Задача оптимальногораскроя«Сталепрокатныйцех» ......................

61

3.4. Анализ и планирование производства «Корма для рыб» ...........

63

3.5. Планированиемакроэкономических показателейбюджета

 

страны«Индексы цен на молочные продукты» ............................................

69

3.6. Организациядоставкипродукциипотребителючерезсклады ........

74

3.7. Организация доставки нескольких продуктов (случай

 

альтернативного решения) ..............................................................................

82

3.8. Проектирование размещения складов при условии посто-

 

янной цены хранения .......................................................................................

87

3.9. Проектирование размещения складов при условии возмож-

 

ного изменения цены хранения .......................................................................

89

3.10. Определение оптимального туристического маршрута ...........

92

3.11. Проектирование размещения фирменных магазинов пиво-

 

варенного завода «Евро-бир» в восточном регионе Украины .....................

99

3.12. Планирование размещения капитала предприятия на

 

международных фондовых рынках ..............................................................

103

4. ДИНАМИЧЕСКИЕ ЗАДАЧИ ОПТИМАЛЬНОГОУПРАВЛЕ-

 

НИЯНАПРЕДПРИЯТИИ ........................................................................................

112

4.1. Управление техническим обеспечением предприятия.

 

Определение оптимальной стратегии использования оборудования .......

113

4.2. Финансовое планирование на предприятии. Распределение

 

капитальных вложений в расширение предприятий компании ................

118

5. ЗАДАЧИ АНАЛИЗА И ПЛАНИРОВАНИЯ ПРОЕКТОВ ...........

123

5.1. Методикамоделированияпроектовимоделиихоптимизации ........

123

5.2. Анализ и планирование проекта «Реконструкция гостини-

 

цы» средствами программы MS Project .......................................................

129

3

5.3. Управлениепроектаминапредприятии. Анализиоптимиза-

 

цияпроекта«Разработкаивнедрениеновоговидапродукта» .........................

135

6. ЗАДАЧИ УПРАВЛЕНИЯ ТОВАРНЫМИ ЗАПАСАМИ .............

142

6.1. Общие положения функционирования системы регулиро-

 

вания товарных запасов .................................................................................

142

6.2. Оптимальное управление объёмами товарных запасов на

 

заводе холодильников ....................................................................................

149

6.3. Общие положения регулирования объёмами поставок .............

151

6.4. Задача об экономически выгодных размерах заказа на

 

складе цемента ................................................................................................

152

7. ЗАДАЧИ РЕГУЛИРОВАНИЯ СПРОСА И ПРЕДЛОЖЕНИЯ

 

В ЗАДАЧАХ МАРКЕТИНГА .......................................................................

156

7.1. Общие положения о взаимодействии спроса и

 

предложения ....................................................................................................

156

7.2. Анализ спроса и предложения на продукцию автомобиль-

 

ного концерна ..................................................................................................

164

8. ТЕОРИЯ ИГР В ЗАДАЧАХ ОПРЕДЕЛЕНИЯ МАРКЕТИН-

 

ГОВОЙ СТРАТЕГИИ ....................................................................................

167

8.1. Конечные игры с нулевой суммой ...............................................

167

8.2. Определение стратегии продажи «старых» и «новых»

 

товаров в супермаркете ..................................................................................

170

8.3. Определение оптимальной стратегии засева площадей

 

аграрным предприятием ................................................................................

171

9. ЗАДАЧИ ОПРЕДЕЛЕНИЯ ЖИЗНЕННОГО ЦИКЛА

 

ТОВАРА ..........................................................................................................

175

9.1. Жизненный цикл товара ...............................................................

175

9.2. Моделирование трендовой кривой жизненного цикла това-

 

ров бытовой химии .........................................................................................

177

10. ЗАДАЧИ АНАЛИЗА РАБОТЫ СИСТЕМ МАССОВОГО

 

ОБСЛУЖИВАНИЯ ........................................................................................

180

10.1. Методикамоделированияработысистем массового обслу-

 

живания (СМО) с применением программных средств .............................

180

10.2. Анализ и оптимизация работы СМО с неограниченной

 

очередью «Главпочтамт» ...............................................................................

189

10.3. Анализ и оптимизация работы СМО с ограниченной

 

популяцией «Станки-автоматы» ...................................................................

193

10.4. Анализ работы СМО с ограниченной очередью «Служба

 

вызова такси» ....................................................................................................

196

11. АНАЛИЗ И ПРОГНОЗ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕ-

 

ЛЕЙ С ПРИМЕНЕНИЕМ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ ............

200

11.1. Анализ влияния иностранных инвестиций на объем вало-

 

вого внутреннего продукта Украины ...........................................................

200

4

11.2. Выбор поставщика техники. Задача «Анализ надежности

 

работы компьютерной техники трех производителей» .............................

205

11.3. Анализ зависимости выпуска продукции от фонда

 

оплаты труда на заводах по ремонту шахтного оборудования Донец-

 

кой области .....................................................................................................

209

11.4. Анализ производства сахара на заводах финансово-про-

 

мышленной группы «Укрсклад» ..................................................................

213

11.5. Анализ влияния факторов на прибыль акционерного

 

общества «Укр-Сельхоз Холдинг» ...............................................................

219

11.6. Анализ влияния факторов на производительность труда

 

малых предприятий ........................................................................................

227

11.7. Проверка гипотезы о гомоскедастичности дисперсии

 

ошибок .............................................................................................................

230

11.8. Анализ зависимости между переменными с временными

 

трендами на примере показателей розничного товарооборота и дохо-

 

дов населения ..................................................................................................

234

11.9 Анализ временных рядов в задачах экономической

 

динамики..........................................................................................................

237

12. ЗАДАЧИ УПРАВЛЕНИЯ ТОВАРНЫМ ОБЕСПЕЧЕНИЕМ

 

НА ТОРГОВОМ ПРЕДПРИЯТИИ ...............................................................

248

12.1. Системный анализ торгового предприятия ..............................

248

12.2. Адаптивные модели контроля по прецедентам товарного

 

обеспечения торгового предприятия ............................................................

255

13. ЗАДАЧИ ОРГАНИЗАЦИИ УЧЕТА РЕЗУЛЬТАТОВ ДЕЯ-

 

ТЕЛЬНОСТИ ПРЕДПРИЯТИЯ ....................................................................

261

13.1. Системный анализ деятельности, хозяйственных средств

 

и источников предприятия ............................................................................

261

13.2. Модели учета результатов деятельности предприятия

 

на трех уровнях ...............................................................................................

268

14. РЕШЕНИЕ ЗАДАЧ АНАЛИЗА И ОПТИМИЗАЦИИ ЭКО-

 

НОМИЧЕСКИХ ПРОЦЕССОВ И СИСТЕМ МЕТОДАМИ И СРЕД-

 

СТВАМИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ .............................

283

14.1. Основные аспекты имитационного моделирования ...............

283

14.2. Математическое обеспечение имитационного модели-

 

рования ............................................................................................................

287

14.3. Сравнительный анализ современных систем имитаци-

 

онного моделирования ...................................................................................

290

14.4. Назначение и возможности инструментальной среды

 

AnyLogic. Примеры моделирования средствами программы AnyLogic ......

292

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ ............................

302

Приложение А. Статистические данные............................................

309

Приложение Б. Статистические таблицы ..........................................

315

5

ВВЕДЕНИЕ

Особенностью нынешнего этапа развития отечественной науки и практики в экономической деятельности является повышение интереса специалистов к научному решению проблем с использованием экономико-матема- тических методов, моделей средствами информационных технологий. Эко- номико-математические методы дают фундаментальную основу решения аналитических задач в различных сферах деятельности современных предпринимателей и делают управленческие решения научно обоснованными. Построение математических моделей в экономике во многих случаях связано напрямую с анализом статистических данных, получение и обработку которых невозможно эффективно организовать без применения современных информационных технологий. Поэтому решение задач поставленных в курсовых и дипломных работах требует от студентов не только знаний в области конкретных экономических проблем, но умений применения методов эконо- мико-математического моделирования и информационных технологий при решении конкретных экономических задач.

Вукраинских университетах существуют два основных процесса, которые оказывают непосредственное влияние на развитие научной и инновационной деятельности регионов и страны в целом.

1. Выполнение научно-исследовательских работ и проектных разработок.

2. Подготовка специалистов, в том числе научно-педагогических кадров высшей квалификации [91].

Вэтих условиях главное – это обучение студентов умению открывать новые признаки неизвестного, анализировать явления, исследовать известное и неизвестное, систематизировать, формулировать проблему исследования, определять программу практических действий, предусматривать ход событий и последствия тех или иных этапов. Такие умения могут быть заложены только в процессе внедрения современных образовательных инновационных систем профессиональной подготовки студентов, и кредитно-модульная система обучения принадлежит именно к ним [92].

С переходом на кредитно-модульную систему обучения особое место отводится самостоятельной работе студента (СРС). Написание дипломных и курсовых работ – формы СРС, которые являются показателем качества подготовки специалиста.

Основная цель данного учебного пособия – закрепление системы полученных теоретических знаний, умений и навыков относительно возможности использования методов экономико-математического моделирования для решения задач в экономических областях знаний. Использование математического моделирования в экономике и управлении позволяет углубить полученные экономические знания, расширить область использования экономической информации, интенсифицировать экономические рас-

6

четы. Разработка экономико-математических моделей является важным звеном в теоретических и прикладных экономических исследованиях.

Предлагаемое пособие состоит из четырнадцати разделов.

В первом разделе описываются основные положения методики эко- номико-математического моделирования и типы задач, которые решаются с применением методов экономико-математического моделирования.

Во втором разделе рассматриваются примеры экономических задач, решение которых находится при условии выполнения баланса.

Втретьем разделе описывается построение моделей оптимизационных задач, их решение и анализ с помощью методов математического программирования средствами программы MS Excel (надстройка «Поиск решения»).

Вчетвертом разделе приведены примеры решения задач динамического программирования.

Впятом разделе описывается методика анализа и планирования проектов и примеры ее применения для решения практических задач.

Вразделах 6–9 рассматривается решение разнообразных задач маркетинга: задачи управления запасами, анализа спроса и предложения, определения жизненного цикла товара.

Вдесятом разделе приводится методика моделирования и анализа работы систем массового обслуживания (СМО) и ее реализация при решении задач организации работы СМО.

Водиннадцатом разделе рассматривается практика построения эконометрических моделей для решения задач анализа и прогноза экономических показателей.

Двенадцатый раздел посвящен моделированию управления товарным обеспечением на торговом предприятии.

Втринадцатом разделе описываются подходы к моделированию учета результатов деятельности предприятия.

Вчетырнадцатом разделе рассматриваются задачи анализа производственных систем, систем массового обслуживания, задач маркетинга методами и средствами имитационного моделирования (в частности про-

граммы AnyLogic).

Впособии подробно излагается методика решения задач математического программирования и корреляционно-регрессионного анализа с помощью использования встроенных функций, пакетов анализа и поиска решения программной среды MS Excel. Также описана методика применения надстройки Queue Mods.xlа для решения задач анализа и оптимизации работы систем массового обслуживания и программы MS Project для решения задач анализа и планирования проектов. Это позволяет успешно решать не только примеры, приведенные в учебном пособии, но и сложные экономические задачи, имеющие практическое применение.

Важной особенностью данного пособия является его практическая направленность. В нем не рассматриваются теоретические положения при-

7

меняемых математических методов и моделей, а дается только конкретная ссылка на первоисточники. Студент должен самостоятельно обратится к теоретическим положениям рассматриваемых задач для восстановления необходимой информации, которую достаточно легко найти в многочисленных научно-методических изданиях кафедры математики и математических методов в экономике ДонНУ.

Задачи, рассмотренные в пособии, соответствуют научным направлениям курсовых и дипломных работ, которые выполняются на кафедрах «Экономика предприятий», «Маркетинг», «Управления персоналом и экономика труда», «Менеджмент организаций» экономического факультета ДонНУ. Эконометрические модели, рассмотренные в одиннадцатом разделе и примеры финансовых задач в третьем разделе, будут полезны также студентам, выполняющим дипломные работы по направлению «Финансы и кредит». Модели управления товарным обеспечением и учета результатов деятельности предприятия, рассмотренные в двенадцатом и тринадцатом разделах, могут представлять интерес также для студентов специальности «Экономическая кибернетика».

Данное пособие предназначено помочь студентам ориентироваться в разнообразии применяемых экономико-математических методов при написании курсовых и дипломных работ. Оно также может быть полезным для специалистов, желающих углубить практические навыки в применении разнообразных экономико-математических методов и моделей при проведении анализа и прогноза при решении экономических задач.

Авторы работы выражают глубокую признательность и благодарность всем членам кафедры математики и математических методов в экономике и лично доцентам: О.Г. Кривенчук, С.Н. Иванову, В.Ф. Ходыкину, В.Д. Породникову, Л.А. Гладковой, В.П. Щербине, которые приняли активное участие в обсуждении содержания и внесли существенные замечания и поправки при подготовке рукописи данного пособия. Глубокую признательность выражаем также заведующим кафедр и всему коллективу экономического факультета, которые своими советами помогали написанию данного учебного пособия.

8

РАЗДЕЛ 1

МЕТОДИКА ЭКОНОМИКО-МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

Вприменении к объекту исследования метод экономико-математи- ческого моделирования имеет ряд характерных особенностей. Выделим три из них.

1. Исследуется система экономических показателей, при помощи которых дается количественная оценка отдельных сторон хозяйственной деятельности экономического объекта или системы. Каждое экономическое явление или процесс описывается, как правило, комплексом экономических показателей, которые в зависимости от объекта анализа группируются в подсистемы.

2. Система показателей изучается в их взаимосвязи, взаимозависимости, взаимообусловленности.

Изучение взаимосвязи требует выявления соподчиненности показателей, выделения совокупного, результативного показателя и факторов, на него влияющих.

Впроцессе анализа показатели-факторы целесообразно предварительно классифицировать по группам: внешние и внутренние, основные и не основные, определяющие и не определяющие входные, выходные; соотнести с уровнями управления.

3. Производится количественное измерение влияния факторов на совокупный показатель. Это далеко не всегда можно сделать легко, так как большинство факторов находится не в прямой функциональной зависимости, а в вероятностной, стохастической. Для того чтобы в последнем случае определить форму связи, следует провести статистическое наблюдение, накопить множество фактов, создать массив информации, обработать его, построить математическую модель.

Таким образом, применение метода экономико-математического анализа включает в себя несколько последовательных процедур:

1) системный анализ объекта исследования;

2) определение системы показателей, описывающих предмет исследования;

3) установление соподчиненности показателей;

4) выделение групп соподчиненных факторов;

5) выделение в группе факторов основных и второстепенных;

6) установление формы взаимосвязей между показателями;

7) выбор приемов и способов для изучения взаимосвязей. Совокупность приемов и способов, которые применяются при изуче-

нии экономических процессов, составляет методику экономико-матема- тического анализа.

9

Методика анализа имеет свои особенности на различных этапах исследования:

при первичной обработке информации;

для изучения состояния и закономерностей развития исследуемых объектов и систем;

при определении взаимного влияния показателей-факторов друг на друга;

для оценки резервов роста эффективности экономического объекта или системы;

при принятии решений.

На каждом этапе применяется определенный перечень приемов и способов. Так, при первичной обработке информации применяются методы группировки показателей, сравнение, графическое представление анализируемой информации, расчет относительных и средних величин.

Изучение состояния и закономерностей развития исследуемых объектов осуществляется с помощью статистических методов и анализа показателей рядов динамики.

С целью определения взаимного влияния показателей-факторов используется множество приемов и способов, составляющих содержание факторного анализа.

При оценке резервов роста эффективности экономического объекта или системы и при принятии решений распространены методы: экономические, матричные, теории производственных функций, теории межотраслевого баланса, оптимального программирования.

Множество методов, применяемых при исследовании процессов и явлений, протекающих на экономических объектах и системах, может быть сгруппировано по нескольким признакам:

научному подходу;

характеру взаимосвязи между показателями;

по объектам исследования (методы микро- и макроэкономики);

оптимизации.

Научный подход позволяет выделить три группы методов: общеэкономические; статистические; математические.

К общеэкономическим методам анализа хозяйственной деятельности относятся: сравнение, графический, балансовой увязки, цепных подстановок, арифметических разниц, логарифмический, интегральный и др.

Статистические методы можно разделить на две группы: 1) традиционные (средних и относительных величин, индексный, обработки рядов динамики); 2) математико-статистические (дисперсионно-корреляционный анализ, регрессионный анализ, кластерный анализ).

Математические методы в обобщенном виде представлены тремя основными группами методов: методы оптимального программирования (линейное, динамическое, нелинейное); методы исследования операций и

10

принятия решений (теория графов, теория игр, теория массового обслуживания); эконометрические методы.

По характеру взаимосвязи между показателями различают методы детерминированного и стохастического анализа.

По сложности применяемого инструментария аналитические методы делятся на методы элементарной математики и высшей математики.

Методы элементарной математики используются в обычных традиционных экономических расчетах при обосновании потребностей в ресурсах, учете затрат на производство, разработке планов, проектов, при балансовых расчетах и т.д. Выделение методов классической высшей математики обусловлено тем, что они применяются не только в рамках других методов, например, методов математической статистики и математического программирования, но и самостоятельно. Так, факторный анализ изменения многих экономических показателей может быть осуществлен с помощью дифференцирования и интегрирования.

По признаку оптимальности все экономико-математические методы (задачи) подразделяются на две группы: оптимизационные и не оптимизационные. Если при решении используется критерий оптимальности, то метод относится к оптимизационным, в противном случае, он относится к группе не оптимизационных методов.

Многообразие перечисленных методов предоставляет экономисту широкие возможности в выборе инструментария исследования.

Рассмотрим основные методы первичной обработки экономической информации.

Способ сравнения. Наиболее часто применяется в анализе. Основные его виды:

сравнение фактических отчетных показателей с плановыми или нормативными, сцельюопределенияуровнявыполненияпланаилинормативов;

сравнение фактических показателей со средними по отрасли (с другими странами, с мировыми показателями), с целью определения конкурентного положения экономического объекта или системы;

сравнение показателей в динамике с целью выявления тенденций, закономерностей в развитии экономического явления.

сопоставление параллельных динамических рядов для изучения взаимосвязи исследуемых показателей;

сопоставление результатов альтернативных управленческих решений с целью выбора оптимального решения;

сравнение результатов деятельности до и после принятия управленческих решений с целью оценки их эффективности.

В экономическом анализе различают также горизонтальный, вертикальный, трендовый, одномерныйимногомерныйвидысравнительногоанализа.

Горизонтальный сравнительный анализ применяется для определения абсолютных и относительных отклонений фактического уровня исследуемых показателей от базового (планового, прошлого, среднего и т.д.); вертикаль-

11

ный – для изучения структуры экономических явлений и процессов путем расчета удельного веса частей в целом, соотношения удельных весов, этот вид широко применяется в финансовом анализе; трендовый анализ – при изучении относительных темпов роста и прироста показателей за ряд лет к уровню базисного года, т.е. при исследовании рядов динамики.

При одномерном сравнительном анализе сопоставляются один или несколько показателей одного объекта или несколько объектов по одному показателю. При многомерном сравнительном анализе проводится сопоставление результатов деятельности нескольких предприятий по нескольким показателям.

Обязательным условием сравнительного анализа является сопоставимость сравниваемых показателей, предполагающая:

единство объемных, стоимостных, качественных, структурных показателей;

единство периодов времени, за которые производится сравнение;

сопоставимость методики исчисления показателей;

сопоставимость других факторов, неучтенных при расчете коэффициентов.

Приведение данных к сопоставимому виду для выявления влияния объемных показателей, структурных сдвигов, ценового фактора, качественных изменений осуществляется в процессе факторного детерминантного анализа.

Группировка. Предполагает определенную классификацию явлений и процессов, а также причин и факторов, их обусловивших.

Балансовый способ. Может применяться в качестве, как основного, так и вспомогательного приема анализа хозяйственной деятельности.

В качестве основного балансовый способ используется при изучении показателей, находящихся в балансовой зависимости, например, при анализе обеспечения предприятия сырьем, материалами, товарами, при анализе бухгалтерского баланса и т.д.

Как вспомогательный, балансовый способ используется для проверки результатов расчетов влияния факторов на совокупный результативный показатель.

Графический способ. Графики являются масштабным изображением показателей и их зависимости с помощью геометрических фигур. Графический способ не имеет в анализе самостоятельного значения, а используется для иллюстрации изменений в динамике, структурных сдвигов или других видов сравнения.

Рассмотренные приемы в основном выполняют вспомогательную роль в анализе. Для решения более сложных задач таких как: определения состояния и закономерностей развития исследуемых объектов и систем; определения взаимного влияния экономических показателей-факторов друг на друга; оценки резервов роста эффективности экономического объекта или системы; управления экономическими объектами или системами

12

необходимо применение методов экономико-математического моделирования, применение которых основывается на использовании соответствующих моделей.

В общем смысле модель – это система, способная заменить оригинал (то есть реальную систему) так, чтобы её изучение давало информацию об оригинале. Модель может полностью или частично воспроизводить структуру моделируемой системы и её функции. Моделирование – процесс построения, реализации и исследования модели, который способен заменить реальную систему и дать информацию о ней.

Математическая модель – система математических и логических соотношений, которые описывают структуру и функции реальной системы.

Экономико-математическая модель – это математическое описание экономическогопроцессаилиявлениясцельюегоисследованияиуправления.

Методика проведения экономико-математического моделирования:

1)осуществляют экономическую постановку задачи, для чего формулируют объект и цель исследования, выделяют функциональные, структурные элементы и наиболее важные качественные характеристики объекта исследования, словесно, качественно описывают взаимосвязи между элементами модели;

2)вводят символические обозначения для учета характеристик экономического объекта и формализуют взаимосвязи между ними, то есть составляют математическую модель;

3)с помощью определенных методов проводят расчеты по математической модели и анализируют полученный результат;

4)корректируют построенную модель, если она не дает желаемых результатов.

На основании разработанных моделей осуществляется процесс принятия решений, который включает следующие этапы:

предварительное формулирование проблемы;

определение целей решения и выбор соответствующих критериев оптимальности;

выявление и установление ограничений;

составление списка альтернатив и их предварительный анализ с целью исключения явно неэффективных;

сбор экономической информации и прогнозирование изменения параметров решения в будущем;

точное формулирование поставленной задачи;

разработка модели решения;

анализ и выбор метода решения задачи и разработку алгоритма решения;

оценку альтернатив и выбор наиболее эффективных;

принятие решения.

13

РАЗДЕЛ 2

БАЛАНСОВЫЕ МОДЕЛИ И МЕТОДЫ ИХ РЕШЕНИЯ

2.1. Межотраслевой баланс производства и потребления

В методологии планирования пропорций, темпов и объемных показателей ведущее место принадлежит балансовому методу, который позволяет сравнивать народнохозяйственные потребности с возможностями их удовлетворения. Для анализа межотраслевых связей важное значение имеет построение межотраслевого баланса производства и распределения продукции, охватывающего движение совокупного общественного продукта с выделением отраслей. Синтезируя в единой таблице частные материальные балансы, межотраслевой баланс представляет собой систему показателей, дающих подробную характеристику воспроизводства совокупного общественного продукта по стоимости и по натурально-вещественному составу как в целом по народному хозяйству, так и по отдельным отраслям.

По экономическому содержанию и характеру информации выделяют две основные разновидности межотраслевых балансов: отчетные и плановые. В свою очередь, все межотраслевые балансы можно классифицировать в соответствии с единицами измерения продукции на стоимостные, натурально-продуктовые и трудовые. Межотраслевые балансы делятся также на статические и динамические. Статические отражают экономические связи, складывающиеся в пределах определенного периода времени (обычно года). Динамические описывают динамические связи, складывающиеся в народном хозяйстве и обусловленные характером и способом распределения совокупного продукта на фонды воспроизводства. Наряду с межотраслевыми разрабатываются региональные балансы.

Эффективное ведение народного хозяйства предполагает наличие баланса между отдельными отраслями. Каждая отрасль при этом выступает двояко: с одной стороны, как производитель некоторой продукции, а с другой как потребитель продуктов, вырабатываемых другими отраслями. Для наглядного выражения взаимной связи между отраслями пользуются таблицами межотраслевого баланса.

Развитая математическая модель межотраслевого баланса, допускающая широкие возможности анализа, появилась в трудах экономиста В. Леонтьева (1936 г.). В. Леонтьев создал научно обоснованный метод «затраты

– выпуск», который позволяет анализировать межотраслевые связи в национальном хозяйстве и определять возможные направления оптимизации отраслевой структуры.

Рассмотрим применение модели Леонтьева на примере задачи отраслевого планирования экономики Украины. Теоретические вопросы, связанные с построением статической n – секторной модели Леонтьева студент может найти в учебном пособии [27].

14

Пример 2.1. На основании таблицы «Затраты выпуск» Украины за 2006 г. (приложение А) для экономической системы, состоящей из четырех секторов: сельское хозяйство, промышленность, строительство и отраслей сферы услуг определить (при условии, что технологии производства останутся неизменными):

1)межотраслевые поставки продукции и заполнить схему межотраслевого баланса;

2)матрицу коэффициентов прямых затрат A

3)матрицу коэффициентов полных затрат B ;

4)проверить продуктивность матрицы A ;

5) определить матрицы коэффициентов косвенных затрат первого A(1) второго A(2) и третьего порядка A(3) , сравнить сумму

E+ A + A(1) + A(2) + A(3) с полными затратами B ;

6)изменениевектораконечногопотребления Y2007 посравнениюс Y2006

длявектораваловоговыпуска X 2007 = (115000, 895000, 95000, 600500);

7) определить приросты валовых объемов выпуска, если конечное потребление должно измениться на Y % = (5 :15;7;12) по сравнению с Y2006 .

Решение

1. Для определения межотраслевых поставок, конечного и валового продукта четырех секторов: сельского хозяйства, строительства, промышленности и сферы услуг представленных в приложении А просуммируем сначала соответствующие столбцы, а затем строки таблицы «Затраты выпуск» Украины за 2006 г. (приложение А1–А3). Результаты вычислений сведены в таблице 2.1.

Таблица 2.1

Схема межотраслевого баланса Украины за 2006 г. (млн грн)

Производящие

Потребляющие отрасли

Конечный

Валовой

отрасли

 

 

 

 

продукт

продукт

1

2

3

4

 

 

 

1

34567

25377

87

4270

46023

110324

2

20588

335545

34439

85900

246761

723233

3

32

767

785

2054

63018

66656

4

12722

154639

7673

114956

188351

478341

Условно чистая

42415

206905

23672

271161

544153

 

продукция

 

 

 

 

 

 

Валовой

110324

723233

66656

478341

 

1378554

продукт

 

 

 

 

 

 

 

2. Элементы матрицы коэффициентов прямых затрат A определим

по формуле:

 

 

 

 

 

 

15

aij =

X ij

 

 

 

 

 

 

, i =1,4 , j =1,4

,

X j

 

 

 

 

 

 

 

где X ij и X j межотраслевыепоставкииваловойпродуктсоответственно. Вычисления выполняем в среде Excel (рис. 2.1):

Рис. 2.1 ВычислениевсредеExcel матрицыпрямыхзатратпримера2.1

3. Коэффициентами полных затрат являются соответствующие элементы матрицы B = (E A)1 (рис. 2.2):

Рис. 2.2 ВычислениевсредеExcel матрицыполныхзатратпримера2.1

4. Матрица A продуктивная, так как все элементы матрицы (E A)1 не-

отрицательные. Также продуктивность матрицы A прямых затрат можно установить непосредственно анализируя ее значения. Для этого необходимо проверитьвыполнениедостаточногоусловия:

16

A = max aij <1, aij 0 .

j i

Легко проверить, что в нашем случае A = 0,741 и aij 0 .

5. Матрицы коэффициентов косвенных затрат первого A(1) второго A(2) и третьего порядка A(3) определим по формулам (рис. 2.3, 2.4):

A(1) = A A , A(2) = A A(1) , A(3) = A A(2) .

Рис. 2.3 Вычисление в среде Excel матриц косвенных

затрат примера 2.1

Вычислим разность между полными и косвенными затратами по формуле (рис. 2.4):

B = B (E + A + A(1) + A(2) + A(3) )

В результате получим:

 

0,0193

0,0197

0,0189

0,0101

B =

0,1193

0,1434

0,1396

0,0750

0,0008

0,0009

0,0009

0,0005

 

0,0751

0,0903

0,0879

0,0473

17

Рис. 2.4 Сравнение матриц полных и косвенных затрат примера 2.1

6. Вектор конечного потребления Y2007 для вектора валового выпуска X 2007 определим по формуле (рис. 2.5):

Y2007 = (E A)X 2007

Рис. 2.5 Определение изменения вектора конечного потребления Y2007

Анализируя результаты вычислений, делаем вывод, что объемы конечного потребления в секторе сельского хозяйства в 2007 г. сократятся на 8,6% по сравнению с 2006 г., а в секторах производства, строительства и сферы услуг увеличатся на 22,1%, 43,3% и 27,8% соответственно.

7. Приросты валовых объемов выпуска секторов народного хозяйства определим по формуле (рис. 2.6):

X = B Y

18

Рис. 2.6 Определение прироста валовых объемов выпуска X

примера 2.1

Такимобразом, приростваловыхобъемоввыпуска (млнгрн) составит:

3844,95

116527,66 X = 6838,64 72426,74

Анализируя относительные значения приростов валовых объемов выпуска, отметим, что, не смотря на плановое сокращение потребления в секторе сельского хозяйства на 5%, валовые объемы производства в данном секторе должны увеличиться на 3,49%.

Пример 2.1. решен полностью.

Рассмотрим еще одну разновидность балансовой модели, двойст-

венной к модели Леонтьева так называемую модель равновесных цен. Теоретические вопросы, связанные с построением данной модели студент может найти в книге [53].

Пусть A матрица прямых затрат, x = (x1, x2....xn ) вектор валового выпуска. Обозначим через p = ( p1, p2....pn ) вектор цен, i -я координата ко-

торого равна цене единицы продукции i -й отрасли. Тогда, например, первая отрасль получит доход, равный p1x1. Часть своего дохода эта отрасль потра-

тит на закупку продукции у других отраслей. Так, для выпуска единицы продукции ей необходима продукция первой отрасли в объеме a11 , второй от-

расли в объеме a21, n -й отрасли в объеме an1 т.д. На покупку этой продукции ею будет затрачена сумма, равная a11 p1 + a21 p2... + an1 pn . Следовательно, для выпуска продукции в объеме x1 первой отрасли необходимо потратить на закупку продукции других отраслей сумму, равную

19

x1(a11 p1 + a21 p2... + an1 pn ) . Оставшуюся часть дохода, называемую добавленной стоимостью, обозначим через V1 (эта часть дохода идет на выплату

зарплаты и налогов, предпринимательскую прибыль и инвестиции). Таким образом, имеет место следующее равенство:

x1 p1 = x1(a11 p1 + a21 p2... + an1 pn ) +V1.

Разделив это равенство на x1, получим:

 

 

 

 

p1 = a11 p1 + a21 p2... + an1 pn + v1 ,

где

v

=

V1

норма добавленной стоимости (величина добавленной стои-

 

 

1

 

x1

 

 

 

 

 

мости на единицу выпускаемой продукции).

Аналогично для остальных отраслей получаем такие же зависимости, в результате чего получим следующую систему:

p1 = a11 p1 + a21 p2... + an1 pn + v1

 

 

 

 

 

= a12 p1 + a22 p2... + an2 pn

+ v2

 

 

p2

,

(2.1)

..................................................

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

p

n

= a p

+ a

2n

p

2

... + a

nn

p

n

+ v

n

 

 

 

1n 1

 

 

 

 

 

 

 

Найденные равенства могут быть записаны в матричной форме сле-

дующим образом:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

p = AT p + v ,

 

 

 

 

 

 

(2.2)

где v = (v1,v2....vn ) вектор норм добавленной стоимости.

Как видим, полученные уравнения очень похожи на уравнения модели Леонтьева с той лишь разницей, что x заменен на p , y на v , A на AT .

Зная вектор норм добавленной стоимости равновесные цены можно

определить по формуле:

 

p = CT v ,

(2.3)

где CT = (E AT )1 транспонированная матрица полных затрат.

 

Если система (2.1) имеет неотрицательное решение p = ( p1, p2

....pn ),

то двойственная модель Леонтьева называется прибыльной. Это свойство является двойственным к понятию продуктивности модели Леонтьева в

20

том смысле, что выполнение одного из свойств влечет справедливость другого. Данное положение является следствием наличия тесной математической связи между взаимно двойственными моделями Леонтьева, которое формулируется в виде следующей теоремы:

Теорема. Для того чтобы модель Леонтьева x = Ax + y ( y вектор

конечного потребления) была продуктивной, необходимо и достаточно, чтобы двойственная к ней модель (2.2) была прибыльной.

Модель равновесных цен позволяет, зная величины норм добавленной стоимости, прогнозировать цены на продукцию отраслей. Она также позволяет прогнозировать изменение цен и инфляцию, являющиеся следствием изменения цены в одной из отраслей. Рассмотрим пример на построение двойственной модели Леонтьева и применение ее для экономического анализа.

Пример 2.2. На основании таблицы «Затраты выпуск» Украины за 2006 г. (приложение А) для экономической системы, состоящей из четырех секторов: сельское хозяйство, промышленность, строительство и отраслей сферы услуг определить равновесные цены при условии, что вектор норм добавленной стоимости равен: v = (4;10;4;9) . Проанализируйте, как изме-

нятся равновесные цены секторов народного хозяйства, если норма добавленной стоимости в промышленном секторе увеличиться на 10%.

Решение. Равновесные цены определим по формуле (2.3). Используем результаты вычисления матрицы коэффициентов прямых затрат A из примера 2.1. и выполним необходимые вычисления в среде Excel (рис. 2.7).

Рис. 2.7 Определение равновесных цен примера 2.1

21

Врезультатеполучимследующиезначенияравновесныхцен(рис. 2.7):

16,34 p = 27,18 20,44 18,58

Определим равновесные цены в случае, если в промышленном секторе произойдет увеличение нормы добавленной стоимости на 1,11. Принимая во внимание, что v = (4; 1,11; 4; 9) получим (рис. 2.8):

Рис. 2.8 Анализ изменения равновесных цен примера 2.1

4,46% p = 8,57%6,28% 3,05%

Следовательно, при увеличении нормы добавленной стоимости на 1,11 в промышленном секторе, произойдет увеличение цен во всех секторах от 3,05% до 8,57%. Зная объемы выпуска, можно также подсчитать вызванную этим повышением инфляцию.

Обобщение модели Леонтьева. Одним из существенных упрощений модели Леонтьева является отсутствие в ней первичных (невозобновляемых) факторов производства. Модель будет более близкой к реальности, если наряду с воспроизводимыми (вторичными) ресурсами, описываемыми в модели произведением Ax , будут учтены и первичные факторы. Предположим, что товар производится с использованием продукций всех n отраслей и еще m

первичных факторов. Обозначим через bkj количество k -го первичного фак-

тора, необходимого для производства одной единицы товара j . Из определения этих величин следует, что имеет место равенство:

bkj0 = bkj x j , j =

 

, k =

 

(2.4)

1,n

1,m

22

Суммируя эти уравнения по j , получим зависимости, определяющие

суммарные затраты по всем отраслям объемы затрат вторичных факторов производства:

n

bkj0 j =1

n

= bkj x j , k =1,m (2.5)

j =1

Аналогичное равенство имеет место для вторичных факторов производства:

n

aij0 j =1

n

= aij x j , i =1,n (2.6)

j =1

Так как x = (x1, x2 ,...xn ) вектор выпуска продукции, используемой

как на производственное так и на конечное потребление, то он должен удовлетворять условию баланса:

x = Ax + y .

 

 

 

Введем матрицу

 

 

 

 

 

b

b

...

b

 

 

11

12

...

1n

 

 

b

b

b

 

,

B = 21

22

 

2n

 

...

... ...

...

 

 

b

b

...

b

 

 

m1

m2

 

mn

 

которая интерпретируется как технологическая матрица расхода первичных ресурсов. Также предположим, что известен вектор v = (v1,...vm ) запа-

сов первичных ресурсов. Следовательно:

n

bkj0 vk , k =1,m . j =1

В матричной форме последнее условие примет вид:

Bx v .

Обозначим через p = ( p1, p2....pn ) и w = (w1,...wm ) векторы цен вто-

ричных и первичных ресурсов соответственно.

В результате введенных обозначений, можно определить при каком векторе выпуска x = (x1, x2....xn ) реализация конечного продукта

23

y = ( y1, y2....yn ) приведет к максимальному доходу с учетом наличного запаса v = (v1,...vm ) первичных ресурсов.

Обобщенная модель Леонтьева будет иметь вид:

n

 

F = p j y j max ,

(2.7)

j =1

 

x = Ax + y ,

(2.8)

Bx v ,

(2.9)

x 0 .

(2.10)

Так как максимизация дохода осуществляется за счет варьирования вектора выпуска, в целевой функции вектор конечного потребления (спро-

са) y выразим через вектор выпуска x = (x1, x2....xn ) .

 

F = pt (E A) x max ,

(2.11)

Bx v ,

(2.12)

x 0 .

(2.13)

К последней задаче (2.11) – (2.13) существует двойственная задача равновесных цен:

m

 

G = wk vk min ,

(2.14)

k =1

 

BT w p(E A) ,

(2.15)

w 0 .

(2.16)

Задачи (2.11) – (2.16) являются задачами линейного программирования. Решение задачи (2.11) – (2.13) позволяет определить спрос на товары y = y( p, w) для различных вариантов цен на первичные и вторичные ре-

сурсы. Решение задачи (2.14) – (2.16) определяет вектор предложения первичных факторов v = v( p, w) .

2.2. Отраслевой баланс производства и потребления

Эффективное ведение народного хозяйства предполагает наличие баланса не только между отдельными отраслями, но и между последовательными периодами производства в одном производственном секторе. Баланс между производством, потреблением и инвестициями в течение последовательных плановых периодов можно описать с помощью динамических односекторных балансовых моделей В. Леонтьева [53]. Рассмотрим несколько таких моделей.

24

Модель Леонтьева с дискретным временем. Эта модель определяет случайпеременногопотребленияиосновананаследующихпредположениях.

1.Рассматривается производственный сектор, производящий и частично потребляющий произведенную продукцию.

2.Сектор работает k плановых периодов ( k месяц, квартал, год).

3. Валовой выпуск продукции сектора в i -м году равен xi , i =1,k ( k натуральное число).

4.Известен выпуск продукции за первый период работы сектора x1.

5.Известна доля a ( 0 < a <1) выпуска продукции сектора, потребляемая самим сектором.

6.В i -м периоде i =1,k конечный продукт сектора полностью расходуются на инвестиции Ii и потребление Pi , которые определяются по

формулам:

Ii = q(xi+1 xi ) ,

(2.17)

Pi = pxi

(2.18)

где q – доля прироста валового продукта, которая расходуется на инвестиции, p – доля потребления валового продукта.

Требуется найти последовательность выпусков продукции за k периодов: xi , i =1,k .

На основании предположений 1 6 составим балансовое уравнение модели:

xi axi = q(xi+1 xi ) + pxi , i =1,2,.... .

(2.19)

Преобразуем уравнение (2.19) к виду:

 

 

1

a p + q

 

 

 

x

=

x

(2.20)

 

 

 

i+1

 

 

 

q

 

i

 

 

 

 

 

 

 

 

Формула (2.20) задает геометрическую прогрессию с первым членом

x1 и знаменателем 1a p + q . Следовательно: q

x

= x

 

1

a p + q

i1

, i =1,2,....

 

 

 

(2.21)

 

 

 

i

1

 

 

q

 

 

 

 

 

 

 

 

 

 

 

Последняя формула позволяет рассчитать последовательность выпусков продукции за k периодов xi , i =1,k .

25

В случае постоянного потребления Pi = p . Тогда:

xi axi = q(xi+1 xi ) + p , i =1,2,....

Откуда:

 

 

1

a

+ q

 

 

 

p

 

x

=

x

, i =1,2,....

 

 

 

 

 

i+1

 

 

 

q

 

 

i

 

q

 

 

 

 

 

 

 

 

Для получения зависимости xn от x1 , сделаем замену переменных:

 

 

 

 

 

xi = yi β,

 

(2.22)

 

 

 

 

 

x

+1

= y

i

+1

β

 

 

 

 

 

i

 

 

 

 

В результате уравнение примет вид:

 

 

 

 

1

a

+ q

 

 

+ β(a 1) p , i =1,2,....

 

y

i+1

=

y

i

 

 

 

 

 

 

 

 

 

 

 

q

 

 

 

 

q

 

 

 

 

 

 

 

 

 

 

 

 

Полагая β = a p1, получим:

 

 

 

 

 

 

 

 

1

a + q

 

 

 

 

 

 

 

y

i+1

=

y

i

, i =1,2,....

(2.23)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

q

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Формула (2.23) задает геометрическую прогрессию с первым членом

y и знаменателем

1 a + q

. Следовательно:

 

 

 

1

 

q

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

y

 

= y

 

 

 

a + q

n1

 

 

 

n

1

 

 

, i =1,2,....

 

 

 

 

 

 

1

 

 

 

q

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Откуда учитывая замену (2.22) и равенство β = a p1 получим:

 

 

 

p

 

 

 

p

1

a

+ q n1

 

x

n

 

 

= x

+

 

 

 

 

 

, i =1,2,....

 

 

 

 

 

 

 

a 1

 

1

 

 

 

 

q

 

 

 

 

 

 

 

a 1

 

 

 

26

 

 

 

 

 

p

1 a

+ q n1

 

p

, i =1,2,....

 

x

n

= x

+

 

 

 

 

+

 

 

(2.24)

 

 

 

 

 

 

1

 

 

 

q

 

 

a 1

 

 

 

 

 

 

a 1

 

 

 

 

Зависимость (2.24) дает возможность найти валовой продукт на последующие n плановых периодов (месяц, квартал, год), если известен валовой продуктзапервыйплановыйпериод x1 , изавершаетпостроениемодели.

Рассмотрим применение приведенных выше моделей для решения экономических задач на следующих примерах.

Пример 2.3. На основании данных об объемах производства и потребления Украины за 2006 г. (табл. 2.1) в промышленном секторе определить (при условии, что технологии производства останутся неизменными):

1) долю a ( 0 < a <1) выпуска продукции сектора промышленности, потребляемую самим сектором и коэффициент p – долю конечного по-

требления от валового продукта; 2) последовательность выпусков продукции на 2007–2009 гг., если

инвестиции в промышленность в данном периоде будут составлять 20% прироста валового продукта.

Решение. Для определения доли a ( 0 < a <1) выпуска продукции сектора промышленности, потребляемой самим сектором, объем промежуточного потребления разделим на объем валовой продукции:

a = 335545723233 100% = 46,40% .

Для определения коэффициента p – доли конечного потребления от

валового продукта, объем конечного потребления разделим на объем валовой продукции:

p = 723233246761 100% = 34,12% .

Последовательность выпусков продукции на 2007–2009 гг. определим по формуле:

 

 

 

 

 

p + q

i1

 

 

 

 

 

 

 

x

= x

1 a

 

, i = 2,3,4 .

 

 

 

 

 

 

 

 

 

 

 

 

 

i

1

q

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

где a = 0,464 , p = 0,3412 , q = 0,2 , x1 = 723233.

 

 

 

x2(2007)

1

0,464 0,3412

+ 0,2

 

 

 

млнгрн,

= 723233

 

 

 

 

 

 

= 723233

1,974

=1 427 662

 

 

0,2

 

 

 

 

 

 

 

 

 

 

 

 

27

x3(2008)

1 0,464

0,3412

+ 0,2

2

= 723233

0,2

 

 

=1818 205 млн грн,

 

 

 

 

 

x4(2009)

1 0,464

0,3412

+ 0,2 3

= 723233

 

 

 

 

= 5 563136 млн грн.

 

0,2

 

 

 

 

 

 

Полученные прогнозные объемы валовой продукции в промышленном секторе (аналогично данные показатели могут быть рассчитаны для остальных секторов народного хозяйства) при подстановке в формулу Y = (E A)X модели межотраслевого баланса позволяют рассчитать, на-

пример, прогнозируемые объемы конечного потребления на 20072009 гг. по секторам народного хозяйства.

Модель Леонтьева с непрерывным временем. Изучаемая модель основана на следующих предположениях:

1)рассматривается производственный сектор, производящий и частично потребляющий произведенную продукцию;

2)валовой выпуск продукции сектора в момент времени t (t 0)

описывается функцией x = x(t) ;

3)известна доля a ( 0 < a <1) выпуска продукции сектора, потребляемая самим сектором;

4)конечный продукт сектора полностью расходуются на инвестиции I = I (t) и потребление P = P(t) , которые определяются по формулам:

I (t) = qx(t) , P = px(t)

с известными коэффициентами q и p .

Требуется найти зависимость от времени выпуска продукции x = x(t) , если известен выпуск продукции в начальный момент: x(0) = x0 .

На основании предположений 14 делаем вывод, что в рассматриваемой модели выпуск продукции является решением следующей задачи:

x ax = qx′ + px,

(2.25)

 

= x0.

x(0)

 

Эта задача является аналогом задачи Коши, которая решается методами теории дифференциальных уравнений.

Преобразуем задачу (2.25) к стандартному виду:

 

x′ =

 

1

a p

 

 

 

 

x,

 

 

 

 

q

 

(2.26)

 

 

 

 

 

 

 

= x0.

 

 

x(0)

 

 

28

Решением задачи (2.26) является функция

 

 

1ap

 

 

 

 

 

t

 

 

 

 

 

 

 

 

q

 

 

 

x(t) = x0e

 

 

,

(2.27)

 

 

 

определяющая зависимость объема выпуска продукции в зависимости от времени в случае переменного потребления.

В случае постоянного потребления P(t) = p остальные предположе-

ния модели Леонтьева с непрерывным временем остаются без изменения. Тогда выпуск продукции является решением следующей задачи:

x ax = qx′ + p,

x(0) = x0.

Преобразуем задачу (2.28) к стандартному виду:

 

x′ =

 

1

a

 

p

 

 

 

x

,

 

 

 

 

 

 

q

 

q

 

 

 

 

 

 

 

= x0.

 

 

 

x(0)

 

 

 

Решением задачи (2.29) является функция

 

 

 

 

 

1a

 

 

 

 

 

 

 

 

 

 

t

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

p

 

q

 

 

 

 

p

 

 

 

 

 

 

x(t) = x0

 

e

 

 

 

+

 

 

 

 

 

 

 

1

a

 

 

1 a

 

 

 

 

определяющая объем выпуска в зависимости от времени.

(2.28)

(2.29)

(2.30)

2.3. Организация материально-технического снабжения при условии межпродуктового баланса

Одной из главных функций маркетинга является производственная, которая предполагает в первую очередь организацию материальнотехнического снабжения на основе анализа хозяйственных связей. Поэтому основным видом моделей согласования ресурсов и потребностей в матери- ально-техническом снабжении являются балансовые модели, аналогичные рассмотренной выше модели МОБ.

Чаще всего используются межпродуктовые балансы в натуральном выражении, в которых первый раздел отражает источники формирования ресурсов продукции, а второй показывает направления использования ресурсов на текущее производственное потребление и конечное потребление. Эти балансы позволяют определить потребность в продукции каждой от-

29

расли и взаимоувязанные объемы производства продукции, обеспечивают согласование ресурсов с потребностью на всех стадиях переработки продукции с учетом прямых и косвенных связей.

В общем виде модель межпродуктового баланса имеет вид:

n

 

Xi = aij X j + Yi , i =1,n

(2.31)

j=1

что по форме совпадает с моделью межотраслевого баланса в стоимостном выражении, однако здесь все величины даны в натуральных измерителях. Для примера приведем значения некоторых коэффициентов прямых материальных затрат aij : на изготовление одного грузового автомобиля расхо-

дуется в среднем 2,5 т. стального проката, 0,5 т. чугуна, 2 тыс. кВт. ч электроэнергии, 1 м3 пиломатериалов и т.д.

Рассмотрим решение одной из задач маркетинга на основе модели межпродуктового баланса. В моделях межпродуктовых балансов в состав объема конечной продукции Yi входит количество продукции, направляе-

мой на увеличение запасов и резервов. Величина этого прироста по каждой продукции часто задается вне модели, что определяет общее количество продукции каждого наименования, идущее на прирост запасов, но не дает возможности узнать, в каком объеме требуются эти запасы для обеспечения непрерывности производства, какова оптимальная величина совокупных запасов для данной продукции.

Для того чтобы получить ответ на эти вопросы, необходимо наряду с прямыми затратами отражать величину запасов и резервов в том разделе баланса, где по строкам показываются производственные связи и затраты одного вида продукта на все другие виды, а по столбцам – затраты различных продуктов на производство продукта данного определенного вида.

Введём новый термин. Коэффициент запасоёмкости sij показывает,

какое количество запаса продукции i -го вида необходимо при производстве единицы продукции j -го вида. Пусть Sij есть величина запаса продук-

ции i -го вида, используемого для производства j -й продукции, а X j – общий объем производства j -й продукции, то величину коэффициента запасоемкости можно определить по формуле:

s =

Sij

, i, j =

 

(2.32)

1,n

 

ij

X j

 

 

 

 

 

 

 

На практике коэффициенты запасоемкости можно рассчитать на основе статистических данных за предыдущие годы.

Если в схему межпродуктового баланса ввести показатели запасоемкости, то уравнение (2.31) с учётом (2.32) примет вид:

30

n

n

 

Xi = aij X j

+ sij X j +Yi , i =

 

(2.33)

1,n

j=1

j=1

 

Введём наряду с ранее использованными матричными величинами матрицу коэффициентов запасоемкости:

s11

s12

...

s1n

 

s

s

 

...

s

 

 

S = 21

 

22

 

 

2n .

 

...

...

...

 

...

 

sn1

sn2

...

snn

Модель (2.33) допускает запись в матричном виде

X = AX + SX +Y

(2.34)

откуда выводится следующее соотношение:

 

X = (E A S)1Y

(2.35)

Матрица BS = (E A S)1 аналогична матрице B

коэффициентов

полных материальных затрат, но наряду с прямыми и косвенными затратами включает также затраты запасов на единицу конечной продукции.

Балансовые модели могут быть полезны и при реализации сбытовой функции маркетинга, в частности в вопросах ценообразования. В условиях формирования рыночных цен они помогают выявить, например, дисбаланс межотраслевых и внутриотраслевых цен при свободном рыночном ценообразовании. Рассмотрим, прежде всего, задачу расчета системы цен по формуле стоимости на основе МОБ.

Обозначим через t j коэффициент прямых затрат труда в j -й отрасли, через Pj цену единицы j -го продукта, через Pt денежный эквивалент но-

вой стоимости, созданной в единицу рабочего времени. Тогда в балансе для каждого j -го продукта должно соблюдаться равенство:

n

 

Pj = aij Pj + t j Pt , j =1,n

(2.36)

j=1

Пусть Vn – нормативная ставка оплаты единицы рабочего времени,

α норма прибавочного продукта по отношению к необходимому (норма прибыли). Для величины Pt справедлива формула:

31

Pt =Vn (1 +α)

(2.37)

Считая величину нормативной ставки оплаты единицы рабочего времени (единицы затрат труда) Vn известной, нормировать коэффициент α

можно путем присоединения к системе уравнений (2.36) дополнительного (n +1) -го уравнения, используя объемные показатели МОБ. Полагая для

простоты, что сумма доходов населения, не занятого в производственной сфере, равна нулю, уравнение можно записать в следующем виде:

n

n

 

Vn X jt j

= PjYj

(2.38)

j=1

j=1

 

Это уравнение отражает требование соответствия доходов населения и общей стоимости товаров конечного потребления.

Кроме определения системы цен по формуле стоимости на базе уравнений МОБ можно рассчитывать новые перспективные цены и индексы их динамики в сравнении с уровнями базисного года. Показатели нового периода будем обозначать верхним индексом «*». Например, будем рас-

сматривать xij и xij* и т.д.

Введем в рассмотрение коэффициенты распределения продукции

h =

xij

, i, j =

 

(2.39)

1,n

 

ij

Xi

 

 

 

 

 

 

 

которые показывают долю продукции i -й отрасли, выступающую в качестве текущих затрат на выпуск продукции j -й отрасли.

Если обозначить через ri индекс изменения цены продукции i -й от-

расли

r

=

 

X

*

 

=

 

xij

*

,

 

 

 

i

 

 

 

 

 

 

 

 

 

 

 

 

 

 

i

 

 

 

Xi

 

 

 

 

xij

 

 

 

 

 

 

 

 

 

 

 

 

 

 

то очевидны равенства:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x *

 

 

 

 

 

r x

 

 

 

h * =

 

 

ij

 

 

=

 

 

i

 

ij

= h

(2.40)

 

X *

 

 

r

X

 

ij

 

 

 

 

 

 

i

ij

 

 

 

 

 

i

 

 

 

 

 

i

 

 

 

 

Таким образом, матрица коэффициентов распределения продукции H не зависит от изменения отраслевых уровней цен.

32

Для полностью сбалансированного МОБ по столбцам первого и третьего квадрантов должны выполняться следующие соотношения:

n

 

X j* = xij* + Z j* , j =1,n

(2.41)

i=1

Сучетом равенств (2.40) имеем соотношения

 

n

 

 

 

 

 

X j* = Xi* hij

+ Z j* , j =

 

,

(2.42)

1,n

 

i=1

 

 

 

 

 

которые представимы в матричном обозначениях

 

 

X * = X * H + Z* ,

(2.43)

где X * = (X1* , X2* ,..., Xn* )

– вектор-строка валового выпуска отраслей в це-

нах будущего периода, a

Z* = (Z * , Z *

,..., Z

* ) вектор-строка условно чис-

 

1 2

 

n

 

того дохода в новых ценах.

Решение системы уравнений (2.43) в матричном виде таково:

X * = Z* (E H )1

(2.44)

Рассчитав валовые выпуски отраслей в перспективных ценах, можно получитьиндексыдинамики отраслевыхценвсравнениисбазиснымгодом:

ri = Xi* , i =1,n . Xi

Существует другой метод расчета отраслевых индексов динамики цен, основанный на модели прямого счёта. Известно, что выполняются равенства:

X j* = rj X j , xij* = rj xij .

Следовательно, систему уравнений (2.27) можно переписать в виде:

n

rj X j = rj xij + Z j* , j =1,n . i=1

33

Формулы xij = aij X j (i, j =1,n ) позволяют учесть связь с коэффициен-

тами прямых материальных затрат. Последнюю систему уравнений можно представить в следующем виде:

n

 

rj X j = rj aij X j + Z j* , j =1,n

(2.45)

i=1

Разделив левые и правые части уравнений (2.45) на X j , получим:

n

 

Z j

*

 

 

 

 

rj = rj aij

+

 

, j =

1,n

 

(2.46)

 

 

i=1

 

X j

 

Обозначим через r = (r1 ,r2 ,...,rn ) вектор-строку индексов динамики отраслевых перспективных цен, через G = (g1 , g2 ,..., gn ) вектор-строку,

 

Z

*

 

компонентами которого являются величины g j =

j

 

. Тогда система урав-

 

 

 

X j

нений (2.46) представима в матричном виде

 

 

 

r = r A + G

 

(2.47)

Решение матричного уравнения (2.32’) таково:

 

 

r = G (E A)1 = G B

(2.48)

где B = (E A)1 – матрица коэффициентов полных материальных затрат.

Пример 2.4. Условная экономическая система состоит из трёх отраслей Информация о ней содержится в матрице коэффициентов прямых ма-

териальных затрат и векторе конечной продукции:

 

0,4

0,1

0,4

 

100

 

A = 0,2

0,4

0

 

, Y = 300

.

0,3

0,2

0,2

 

200

 

1.Необходимо найти коэффициенты полных материальных затрат и вектор валовой продукции, а также заполнить схему межотраслевого материального баланса.

2.Планируется перейти на новые отраслевые цены таким образом,

чтобы условно чистый доход в отраслях в этих ценах составил Z1* = 90 ,

Z2* = 240 , Z3* = 300 .

34

Используя модель прямого счёта, надо определить индексы динамики отраслевых цен в сравнении с базисным годом, обеспечивающие достижение запланированных уровней условно чистого дохода во всех отраслях.

Решение. Вычислим предварительно элементы матрицы:

1

0

0

0,4

0,1

0,4

 

0,6

0,1

0,4

 

E A = 0

1

0

0,2

0,4

0

 

= −0,2

0,6

0

.

0

0

1

0,3

0,2

0,2

 

0,3

0,2

0,8

 

Для операций с матрицами будем использовать функции MS Excel. Определим матрицу коэффициентов полных материальных затрат, используя функцию МОБР() для вычисления обратной матрицы и округляя все вычисления до четвёртого знака после запятой:

2,6087

0,8696

1,3044

B = (E A)1 = 0,8696

1,9565

0,4348

1,1957

0,8152

1,8478

C помощью функции МУМНОЖ() определим вектор величин валового продукта трёх отраслей:

782,6087 X = BY = 760,8696 .

733,6957

Так как xij = aij X j (i, j =1,3). Поэтому для получения первого столбца

первого квадранта нужно элементы первого столбца матрицы A умножить на X1 = 782,6087 , элементы второго столбца – на X2 = 760,8696 , а третьего

столбца – на X3 = 733,6957 .

Составляющие третьего квадранта (условно чистая продукция) находятся с учётом формулы как разность между объемами валовой продукции и суммами элементов соответствующих столбцов найденного первого квадранта:

3

Z j = X j xij , j =1,3 .

i=1

Четвертый квадрант в нашей задаче состоит из одного показателя и служит, в частности, для контроля правильности расчёта. Сумма элементов

35

второго квадранта должна в стоимостном материальном балансе совпадать

3

3

с суммой элементов третьего квадранта, т.е. Yi = Z j .

i=1

j=1

Результаты расчётов представлены в табл. 2.2.

Матрица коэффициентов полных материальных затрат была найдена в предыдущем примере:

2,6087

0,8696

1,3044

 

B = 0,8696

1,9565

0,4348

.

1,1957

0,8152

1,8478

 

Таблица 2.2

МОБ производства и распределения продукции

Производящие

 

Потребляющие отрасли

 

Конечный

Валовой

отрасли

1-я

 

 

 

2-я

 

3-я

 

продукт

продукт

 

1-я

313,0435

 

76,0870

 

293,4783

 

100

 

782,6087

 

2-я

156,5217

 

304,3478

 

0

 

300

 

760,8696

 

3-я

234,7826

 

152,1739

 

146,7391

 

200

 

733,6957

Условно чис-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

тая продукция

78,2609

 

228,2609

 

293,4783

 

600

 

Валовой

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

продукт

782,6087

 

760,8696

 

733,6957

 

 

2277,174

 

 

 

 

 

 

Z *

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Поформуле g j =

 

j

 

( j =1,3 ) находимсоставляющиевектора-строки G :

 

X j

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

g =

90

 

= 0,115 , g

 

=

240

= 0,3154 , g

 

=

300

 

= 0,4089 .

 

 

 

2

 

3

 

1

782,6087

 

 

 

 

 

760,8696

 

 

733,6957

 

 

 

 

 

 

 

 

 

 

 

 

 

 

В соответствии с формулой (2.48) искомые индексы динамики отраслевых цен в сравнении с базисным годом будут равны:

 

 

2,6087

0,8696

1,3044

 

 

r = G B = (0,115 0,3154 0,4089)

 

0,8696

1,9565

0,4348

 

=

 

 

 

 

1,1957

0,8152

1,8478

 

 

= (1,0632 1,0505

 

 

 

 

1,0427).

 

 

 

 

36

Таким образом, чтобы достичь запланированных уровней условно чистого дохода, отраслевые цены в трёх отраслях должны увеличиться со-

ответственно на 6,32%, 5,05%, 4,27%.

Сопоставим запланированные уровни условно чистого дохода Z1* = 90 , Z2* = 240 , Z3* = 300 с соответствующими уровнями этой величины в дей-

ствующих отраслевых ценах Z1 = 78,2609 , Z2 = 228,2609 , Z3 = 293,4783

(см. табл. 2.2) из третьего квадранта МОБ. Получим, что при определённых выше индексах динамики отраслевых цен величина условно чистого дохода (условно чистого продукта) увеличиться в трёх отраслях на 15%, 5,14% и 2,22% соответственно. Это свидетельствует о тесной взаимосвязи цен в межотраслевом (межпродуктовом) балансе.

2.4. Планирование национальных доходов торгующих стран в сбалансированной системе международной торговли

Структуру международной торговли рассматривают в двух ракурсах: как торговлю отдельными группами товаров и как систему методов организации реализации товаров на мировом рынке. Товарная структура международной торговли это доля тех или иных товаров в мировом товарообороте.

Сюда относят основные группы товаров: продовольствие (включая напитки и табак), сырье, минеральное топливо, продукция перерабатывающей промышленности (машины, оборудование, химические товары, металлы, текстиль). С помощью модели международной торговли можно определить, какими должны быть соотношения бюджетов стран, торгующих между собой, чтобы торговля была взаимовыгодной. Теоретические вопросы, связанные с построением модели международной торговли студент может найти в учебном пособии [27].

Пример 2.5. На основании данных таблицы 2.3. провести анализ изменения структуры международной торговли между основными торговыми блоками мира в 1988 1992 гг.

Решение. На основании данных таблицы 2.3. составим баланс международной торговли между основными торговыми блоками мира за 1988

г. и 1992 г. (табл. 2.4, 2.5).

Используя полученные результаты, определим структурные матрицы торговли A1988 и A1992 . Определим долю импорта в каждую из стран, разделив объемы импорта из каждой страны на суммарные объемы импорта в данную страну из всех стран.

37

Таблица 2.3

Взаимные торговые потоки между основными торговыми блоками мира в 1988 – 1992 гг. (млрд долл. США)

 

 

 

 

 

Импортер

 

 

 

 

Экспортеры

Северная

Япония

Западная

 

Развиваю-

Восточный

 

Америка

 

 

Европа

 

щиеся страны

блок

 

1988

1992

1988

1992

1988

1992

 

1988

1992

1988

1992

Северная Америка

151

184

45

96

99

112

 

116

118

12

26

Япония

97

102

-

-

57

68

 

85

98

14

10

Западная Европа

113

144

25

32

906

1214

 

149

185

47

68

Развивающиеся

166

154

72

78

138

148

 

143

136

39

22

страны

 

 

 

 

 

 

 

 

 

 

 

 

Восточный блок

7

9

11

10

56

88

 

49

29

145

63

Источник: GATT, International Trade, 1988 – 1993.

Таблица 2.4

Взаимные торговые потоки между основными торговыми блоками мира в 1988 г. (млрд долл. США)

 

 

 

Импортер

 

 

Экспортеры

Северная

Япония

Западная

Развиваю-

Восточный

Всего

Америка

Европа

щиеся страны

блок

 

Северная Америка

151

45

99

116

12

423

Япония

97

-

57

85

14

253

Западная Европа

113

25

906

149

47

1240

Развивающиеся

166

72

138

143

39

558

страны

 

 

 

 

 

 

Восточный блок

7

11

56

49

145

268

Всего

534

153

1256

542

257

2742

38

Таблица 2.5

Взаимные торговые потоки между основными торговыми блоками мира в 1992 г. (млрд долл. США)

 

 

 

Импортер

 

 

 

 

 

 

 

 

Всего

Экспортеры

Северная

Япония

Западная

Развиваю-

Восточный

Америка

Европа

щиеся страны

блок

 

Северная Америка

184

96

112

118

26

536

Япония

102

-

68

98

10

278

Западная Европа

144

32

1214

185

68

1643

Развивающиеся

154

78

148

136

22

538

страны

 

 

 

 

 

 

Восточный блок

9

10

88

29

63

199

Всего

593

216

1630

566

189

3194

Структурные матрицы торговли пяти основных торговых блоков мира за 1988 г. и 1992 г. соответственно будут иметь следующий вид:

 

0,28

0,29

0,08

0,21

0,05

A1988 =

0,18

0,00

0,05

0,16

0,05

0,21

0,16

0,72

0,27

0,18

 

0,31

0,47

0,11

0,26

0,15

 

0,02

0,07

0,04

0,09

0,56

 

0,31

0,44

0,07

0,21

0,14

 

A1992 =

0,17

0,00

0,04

0,17

0,05

0,24

0,15

0,74

0,33

0,36

 

0,26

0,36

0,09

0,24

0,12

 

0,02

0,05

0,05

0,05

0,33

Для нахождения собственных векторов X1988 и X1992 матриц A1988 и A1992 с помощью средств MS Excel (рис. 2.9–2.10) математическую мо-

дель международной торговли сведем к задаче линейного программирования следующим образом:

F = x1 + x2 + x3 + x4 + x5 max

при ограничениях:

(A E) X = 0 ,

x1 + x2 + x3 + x4 + x5 2742 (для 1988 г.),

39

x1 + x2 + x3 + x4 + x5 3194 (для 1992 г.). x j 0 , j =1,5 .

Рис. 2.9 Организация данных примера 2.3 на рабочем листе Excel

Отсюда следует, что сбалансированность торговли пяти основных торговых блоков мира достигается при векторе доходов

X1988 = (1; 0,6; 2,9; 1,4; 0,7) и X1992 = (1, 0,5, 3,1, 1, 0,4) , т.е. при соотношении доходов торговых блоков 1;0,6 : 2,9 :1,4 : 0,7 и 1: 0,5 : 3,1:1: 0,4

соответственно.

Анализируя последние соотношения, делаем вывод, что за период 1988 – 1992 гг. доля доходов развивающихся стран и восточного блока уменьшилась по сравнению с блоком Северной Америки, а по остальным блокам соотношение практически не изменилось.

40

Рис. 2.10 Решение примера 2.3 средствами Excel

Рассмотрим второй способ нахождения средствами Excel собственного вектора модели международной торговли: (A E) X = 0 . Для решения

вторым способом выберем в качестве базы сравнения доход первой страны (Северной Америки), т.е. первую координату вектора X положим равной 1: x1 =1. Остальные координаты вектора X найдем по формуле:

X

1

= (A E )1 A ,

(2.49)

 

1

1

0

 

где A1 E1 минор к элементу (1,1) матрицы (A E) ,

A0 первый столбец матрицы (A E) без элемента (1,1), умноженный

на (-1).

Расчеты поформуле (2.49) в среде Excel для нахождения векторадоходов пятиосновныхторговыхблоковмирав1992 г. приведенынарис. 2.11.

Рис. 2.11 Организация данных примера 2.3 (2-ой способ решения)

Сравнивая полученные результаты со значениями вектора доходов X1992 = (1, 0,5, 3,1, 1, 0,4) , полученными первым способом видим, что результаты совпадают.

Пример 2.5 рассмотрен полностью.

41

РАЗДЕЛ 3

ОПТИМИЗАЦИОННЫЕ МОДЕЛИ И МЕТОДЫ РЕШЕНИЯ ЗАДАЧ ОРГАНИЗАЦИИ И ПЛАНИРОВАНИЯ ПРОИЗВОДСТВА

3.1. Экономические постановки и модели типовых оптимизационных задач

В многообразии экономических оптимизационных задач, которые встречаются на практике можно выделить основные типы в зависимости от переменных принятия решений. В свою очередь типовые задачи могут различаться выбором целевой функции или ограничениями, включенными в модель. Рассмотрим типовые модели оптимизационных задач.

Задача оптимального выпуска продукции. Пусть предприятием

выпускается n видов

продукции P1,

P2 ,… Pn из

m видов

сырья S1,

S2 ,… Sm . Известны

запасы сырья

b1, b2 ,…bm ,

расходы

aij (i =

1,m

;

j = 1, n ) единиц i -го сырья на единицу j -ой продукции и цены c j реали-

зации единицы продукции j -го вида. Составим математическую модель

задачи таким образом, чтобы определить, сколько единиц продукции каждого вида необходимо выпускать предприятию, чтобы доход от реализации всей продукции был максимальным. Данные сведем в табл. 3.1.

 

Характеристики выпуска продукции

 

Таблица 3.1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Сырьё

 

 

Продукция

 

 

 

Запасы

P1

Pj

 

Pn

сырья

 

 

S1

a11

a1 j

 

a1n

b1

S2

a21

a2 j

a2n

b2

S

m

a

m1

a

mj

a

mn

b

 

 

 

 

m

Цена реализации единицы

c1

c j

cm

 

продукции

 

Количество продукции

x1

x j

xm

 

Построение модели задачи. Введем переменные: хj (j=1, n ) – количество единиц продукции j-го вида, которое предполагается выпускать. Тогда c j x j

стоимость всей выпускаемой продукцииj-го вида, Z = c1x1 + c2 x2 + + cn xn – стоимость всей выпускаемой продукции. ai1x1 + ai2 x2 + + ain xn – затраты i-

го вида сырья на всю выпускаемую продукцию. Затраты не могут превышать запаса bi , поэтому ai1x1 + ai2 x2 + + ain xn bi . Такие условия необходимо

42

записать по всем видам сырья. По смыслу задачи все переменные должны бытьнеотрицательными.

Математическая модель задачи будет следующей:

Z =c1x1 +c2x2 + +cnxn max,

 

a x

+a x

+ +a x

b ,

 

 

11

1

12

2

 

1n n

1

 

 

a21x1

+a22x2

+ +a2nxn b2

,

(3.1)

 

 

 

 

 

 

 

 

,

...............................................

 

 

 

 

 

 

 

 

a

x

+a

x

 

++a

x

b ,

 

m1

1

m2

2

mn

n

 

m

 

xj 0 ( j =1,n).

Формула (3.1) модель простейшей задачи оптимального выпуска продукции. Как правило, предприятие выпускает большой ассортимент продукции, которая объединяется в группы. В данном случае удобно вво-

дить переменные принятия решений xij , i =1, I, j =1, N(i) с двумя индекса-

ми, первый из которых будет соответствовать номеру группы, второй – номеру продукции в группе. Также задача планирования может решаться поквартально на год или ежемесячно на квартал и т.д. В данном случае к переменным необходимо добавить еще один индекс, который будет соот-

ветствовать периоду планирования: xt

, i =

 

, j =

 

, t =

 

.

1, I

1, N(i)

1,T

ij

 

 

 

 

 

 

 

Кроме ограничений по материальным ресурсам, в задачах об оптимальном плане выпуска продукции могут учитываться ограничения по трудовым и временным ресурсам предприятия. Также в данных задачах часто возникает необходимость, учитывать ограничения по спросу (сбыту), которые диктуются заключенными договорами и которые могут иметь вид:

 

 

 

 

k нj x j k вj , j =

 

 

,

 

 

 

 

1,n

 

 

 

 

N (i)

 

 

 

 

xij V i , i =

 

,

 

 

 

 

1, I

 

 

 

 

j=1

где k нj

и k вj , j =

 

 

соответственно минимальное и максимальное ко-

1,n

личество изделия

j -го вида,

V i

заданный минимальный объем выпуска по i -й товарной группе.

Такжевзависимости отэкономическогосмыслацелевойфункциимогут бытьдобавленыограничения поважнейшимпоказателямдеятельности:

N (i)

sij xij Si , i =1, I , j=1

43

N (i)

pij xij Pi , i =1, I , j=1

N (i)

cij xij Di , i =1, I , j=1

где s себестоимость (переменные издержки) на единицу изделия, S контрольное (предельное) значение по себестоимости,

p прибыль (величина покрытия) на единицу изделия,

P контрольное значение по прибыли, c цена (оптовая) за единицу изделия,

D контрольное значение по объему продаж (производства). Целевая функция, кроме максимизации дохода может быть записана

в виде следующих критериев:

I N (i)

 

Z1 = ∑ ∑ pij xij max ,

i=1 j=1

xij

I N (i)

 

Z2 = ∑ ∑τij xij min ,

i=1 j=1

xij

где p прибыль (величина покрытия) на единицу изделия,

τ трудоемкость единицы изделия.

Здесь первый критерий – максимизация прибыли производственной программы, второй – минимизация трудоемкости плана производства.

Задача о рационе. Для откорма животных используют n видов кормов K1, K2 ,…, Kn . Для рационального откорма каждое животное должно

ежедневно получать не менее чем b1, b2 ,…bm единиц питательных веществ S1, S2 ,… Sm соответственно. Известно aij содержание i-х пита-

тельных веществ в одном килограмме j -го корма и цена c j ( j =1,n ) одно-

го килограмма корма.

Найти оптимальный дневной рацион, чтобы его стоимость была минимальнойпринеобходимойпитательности. Данные задачи сведёмвтабл. 3.2.

Составление математической модели. Введем переменные – x j ( j =1,n ) – количество корма j-го вида в рационе. Тогда c j x j – стоимость корма j-го вида в рационе, Z = c1x1 + c2 x2 + + cn xn – стоимость всего кор-

ма, включённого в рацион, ai1x1 + ai2 x2 + + ain xn – количество питательных веществ i-го вида в рационе. Количество питательных веществ i-го вида в рационе должно быть не меньше нормы bi , поэтому получим огра-

ничение: ai1x1 + ai2 x2 + + ain xn bi .

44

Характеристики рациона животных

Таблица 3.2.

 

 

 

 

 

 

Количествопитательных

 

Минимумединиц

Питательныевещества

веществвединицекорма

 

питательных

 

K1

K j

Kn

 

веществврационе

S1

a11

a1 j

a1n

 

b1

S2

a21

a2 j

a2n

 

b2

 

Sm

am1

amj

amn

 

bm

Стоимостьединицыкорма

c1

c j

cm

 

---

Количество корма каждого

x1

x j

xm

 

---

видаврационе

 

По смыслу задачи все переменные должны быть неотрицательными. Следовательно, математическая модель задачи будет иметь вид:

Z = c1x1 + c2 x2 + + cn xn min,

 

 

 

a

 

x + a

x

+ + a

x

 

b ,

 

 

 

 

11

1

12 2

 

1n

n

 

1

 

 

 

(3.2)

a21x1 + a22 x2

+ + a2n xn

b2 ,

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

,

xj 0 (j =1,n).

................................................

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

a

 

x

+ a

m2

x

2

+ + a

mn

x

n

b

,

 

 

 

 

m1 1

 

 

 

m

 

 

 

 

Задача о рационе питания (диеты) может также включать ограничения по калорийности рациона:

n

Dн d j x j Dв , j=1

где d j калорийность j -го продукта питания,

Dн и Dв соответственно нижняя и верхняя граница рациона питания. Задача о раскрое материала. На раскрой (распил, обработку) поступает однородный материал. Необходимо изготовить из него n разных изделий длиной s1, s2 , ... ,s j , ..., sn метров. Эту задачу можно рассматри-

вать в двух постановках.

1. Найти оптимальный план раскроя, который обеспечивал бы получение k1, k2 , ..., k j , ..., kn шт. изделий каждого вида, при минимальном ко-

личестве отходов. Количество материала неограниченно.

2. Найти оптимальный план раскроя, обеспечивающий получение максимального числа комплектов изделий, если в каждом комплекте количество

45

изделий пропорционально числам b1,b2 ,...,bj ,...,bn (b1 :b2 :...:bj: ...:bn ). На

распилпоступает a единицматериала.

При решении задач на раскрой, прежде всего, надо определить способы раскроя. Пусть каждая единица материала может быть раскроена m разными способами. При использовании i -го способа получается aij еди-

ниц j -х изделий. Исходные данные внесем в табл. 3.3.

Таблица 3.3

Схема раскроя материала

Количество изделий разных

Варианты раскроя размеров, длины, получаемых при разных способах

раскроя, шт.

1

a

a

 

a

 

a

 

 

11

12

 

1 j

 

1n

2

a

a

 

a

 

a

 

 

21

22

 

2 j

 

2n

….

i

a

a

 

a

 

a

 

 

i1

i2

 

ij

 

in

m

am1

am2

ami

amn

Размеры изделий

s1

s2

sj

sn

Требуемое количество

k1

k2

k j

kn

изделий, шт.

Остаток изделий, шт.

u

u

2

u

j

u

n

 

1

 

 

 

 

 

Коэффициенты про-

b1

b2

bj

bn

порциональности

Число ед. матеОстаток мариала, которое териала, (м) режется i-м спо-

собом, шт.

δ1

x1

δ2

x2

δi

xi

δm

xm

-

-

 

 

-

-

 

 

-

-

 

 

-

-

1) обозначим xi – количество единиц материала, которое кроится i -м способом, Z – общая длина остатков, δi – остаток материала (м) при использовании i го способа раскроя, u j – неиспользованные изделия j -го вида. Тогда математическая модель имеет вид:

m

n

 

Z = δi xi + u j s j min,

 

i=1

j=1

 

m

 

 

aij xi u j = k j ,

(3.3)

i=1

 

 

xi 0,

u j 0,

 

( j =1,n ; i =1,m ).

2) обозначим дополнительно через x количество комплектов, которое надо получить. Тогда математическая модель имеет вид:

46

Z = x max,

 

 

 

m

 

 

 

( j =1,n),

aij xi = xbj

i=1

(3.4)

 

 

 

 

m xi = a,i=1

x 0, xi 0 (i =1,m) .

Рассмотренные задачи относятся к задачам раскроя по длине. Существует второй тип задач о раскрое – по площади.

Транспортная задача. Пусть имеется m поставщиковA1, A2 ,..., Am с запасами однородного груза a1,a2 ,...,am и n потребителей B1, B2 ,..., Bn с потребностями этого груза b1,b2 ,...,bn . При этом груз измеряется в одних и тех же единицах (тонны, штуки, вагоны т.д.). Задача называется закрытой, если

a1 + a2 +... + am = b1 + b2 +... +bn. Если a1

+ a2 +... + am b1 + b2 +...+bn,

то задача называется открытой.

 

Рассмотрим закрытую задачу.

cij единицы груза от i-го по-

Известны цены (тарифы) перевозок

ставщика к j -му потребителю. Необходимо составить такой план перевоз-

ки груза от каждого поставщика каждому потребителю, при котором вывозится весь груз, удовлетворяются все потребности, и суммарная стоимость перевозки минимальна.

Обозначим через xij – количество груза, который планируется перевозитьот i -гопоставщика j -мупотребителю, Z – общаястоимостьперевозок.

Математическая модель закрытой задачи имеет вид:

 

m n

 

 

 

 

 

Z = ∑∑cij xij → min

(3.5)

 

i=1 j=1

 

 

 

 

 

 

n

 

 

 

 

 

(i =1,m),

 

 

xij = ai

 

 

j=1

 

 

 

 

(3.6)

m

 

 

 

 

xij = bj

( j =

 

),

 

1,n

 

i=1

 

 

 

 

 

xij 0.

Модификации транспортных задач. Если от k -го поставщика за-

прещена перевозка к q -му потребителю, то клетку (k,q) блокируем, т.е. вместо тарифа ckq пишем большое число М (по большой цене не рационально перевозить груз). Дальше задачу решаем обычным методом.

47

Если от к-го поставщика можно перевозить к q -му потребителю не более чем bq(bq<bq ) груза, то q -й столбец разбиваем на два столбца. В одном пишем потребность в грузе bq, а во втором bq -bq. В первом столбце тарифы оставляем предыдущими, а во втором в k -ой строке вместо ckq

пишем большое число М, т.е. эту клетку блокируем. Другие тарифы во втором столбце оставляем без изменения. После решения новой задачи эти столбцы объединяем в один путём сложения соответствующих грузов.

Если общая потребность в грузе больше, чем имеются ресурсы и q

потребитель должен удовлетворяться реальным грузом, то в m+1-й строке пишем нулевые тарифы, а вместо cm+1q пишем большое число M.

Постановку и модель задачи усложняет наличие промежуточных транспортных узлов, в которых производится обработка груза.

Если в открытой задаче спрос превышает предложение, то для опреде-

ления рекомендаций наращивания запасов груза у поставщиков добавляют

фиктивного поставщика с тарифами перевозок cm+1 j

= min cij

(j =

 

). Если

1,n

 

 

i=1,2,...,m

 

 

 

x

> 0 , то рекомендуется наращивать производство у производителя, для

m+1 j

 

 

 

 

 

 

которого c наименьшее в j -мстолбценавеличину x

.

 

 

 

 

ij

m+1 j

 

 

 

 

Если в открытой задаче предложение превышает спрос, то для определения рекомендаций наращивания спроса на груз употребителей добавляют фик-

тивного потребителя с тарифами перевозок ci n+1 = min cij (i =1,m). Если

j=1,2,...,n

xi n+1 > 0 , то рекомендуется наращивать потребности потребителей, для которых cij наименьшеев i -йстрокенавеличину xi n+1.

Задача о распределении участков под посев культур. Пусть име-

ется m участков земли A1, A2 ,..., Am с площадями a1,a2 ,...,am и n культур B1, B2 ,..., Bn которыми должны быть засеяны b1,b2 ,...,bn площадей. Задача называется закрытой, если a1 + a2 +... + am = b1 + b2 +... +bn. Если a1 + a2 +... + am b1 + b2 +... + bn , то задача называется открытой.

Рассмотрим закрытую задачу.

Известны урожайности cij i-й культуры на j-м участке. Необходимо

составить такой план посева площадей каждой культуры на каждом участке, при котором будут засеяны все участки, и будут использованы все семена, и суммарная урожайность будет максимальной.

Обозначим через xij – площадь, которую планируется засеять i-й культурой на j -м участке, Z – общая урожайность.

В математической модели задачи о распределении участков под посев культур по сравнению с транспортной (3.5), (3.6) изменится только направление целевой функции с min на max .

48

Задача о выборе или о назначениях. Пусть имеется n специали-

стов и n видов работ. Известна эффективность каждого специалиста при выполнении каждого вида работ cij (i =1,n , j =1, n ). Каждый специалист

может быть направлен только на одну работу и каждая работа может быть выполнена только одним специалистом. Необходимо определить направления специалистов на работу, чтобы суммарная эффективность выполнения всей работы была максимальной.

Ограничимся составлением математической модели.

Обозначим через xij направление i-го специалиста на j-ю роботу. Будем считать, что

1,

если i - й специалист направляется на j - ю работу,

xij =

если i - й специалист не направляется на j - ю работу.

0,

Математическая модель задачи следующая:

 

 

n

 

 

 

 

 

(i =1,n),

 

n n

xij =1,

Z = ∑∑cij xij max,

j=1

(3.7)

n

 

i=1 j=1

 

 

 

 

 

xij =1,

(j =1,n),

 

 

 

 

i=1

 

 

 

1,

если i - й специалист направляется на j - ю работу,

xij =

если i - й специалист не направляется на j - ю работу.

0,

Замечание. Модель этой задачи совпадает с моделью транспортной задачи с ресурсами и потребностями, равными единице. Ее можно решать как обыкновенную транспортную задачу с запасами и потребностями равными 1 и условием, что переменные принимают только двоичные значе-

ния. Также изменится критерий оптимальности – все оценки оптимально-

сти должны быть больше нуля, так как задача решается на max. Задача о

назначении решается также с помощью «венгерского метода».

Теоретические основы, алгоритмы и примеры решения перечисленных задач описаны в пособии [27, с. 32–105].

Составление двойственных задач и их экономическая интерпре-

тация. С каждой задачей линейного программирования тесно связана дру-

гая линейная задача, называемая двойственной (сопряжённой) по отношению к исходной или прямой задаче. Целевую функцию прямой задачи принято обозначать Z, переменные – x1, x2 ,..., xn. Целевую функцию двой-

ственной задачи принято обозначать F, переменные – y1, y2 ,..., ym. Переменные двойственной задачи yi в экономической литературе получили

49

различные названия: учётные, неявные, теневые, объективно обусловленные оценки, двойственные оценки или цены ресурсов. Исходная и двойственная задачи при определении оптимального плана выпуска продукции могут интерпретироваться следующим образом.

Прямая задача: сколько и какой продукции X = (x1, x2 ,..., xn ) необходимо произвести, чтобы при заданных стоимостях единицы продукции cj (j =1,n), объемах имеющихся ресурсов bi (i =1,m) и нормах расходов aij максимизировать выпуск продукции в стоимостном выражении.

Двойственная задача: какова должна быть оценка единицы каждого

из ресурсов Y = (y1, y2 ,..., ym ), чтобы при заданных bi , cj и aij минимизировать общую сумму затрат на всю продукцию.

Правила составления двойственной к исходной подробно описаны в пособии [27].

Прямая и двойственная задачи будут иметь следующий вид.

Прямая задача

Z =c1x1 +c2x2

+ +cnxn max,

a x

+a

x

+ +a

x

b ,

11 1

12

2

 

1n

n

 

1

 

a21x1 +a22x2 + +a2nxn b2

,

 

 

 

 

 

 

 

 

,

................................................

 

 

 

 

 

 

 

a x

+a

x

 

+ +a

x

 

b ,

m1 1

m2 2

mn n

 

m

xj 0 (j =1,n) .

Двойственная задача

F =b1y1 +b2 y2 + +bm ym min,

 

a

y +a

y

+ +a

y

c ,

 

11

1

21

2

m1

m

1

 

a12 y1

+a22 y2 + +am2 ym c2 ,

(3.8)

................................................,

 

 

 

 

 

 

 

 

a

y

+a

y

+ +a

y

c ,

 

1n

1

2n 2

mn m

n

 

yi 0 (i =1,m) .

Такие задачи называются сопряжённой парой. Двойственная задача к двойственной будет исходной.

Анализ чувствительности оптимального решения ЗЛП. Анализ чувствительности задач, решаемых с помощью симплекс-метода – это исследование влияния изменения параметров ЗЛП (коэффициентов целевой функции, правых частей ограничений, технологических коэффициентов) на полученное оптимальное решение (теоретические основы и методика экономического анализа решения ЗЛП приведены в пособии [27], с. 69-90).

При анализе оптимального решения рассматриваются четыре типа изменений параметров ЗЛП и их влияние на оптимальное решение задачи:

1)изменение правой части ограничений (изменение объёмов ресурсов);

2)добавление нового вида деятельности;

3)изменение коэффициента целевой функции при небазисной пере-

менной;

4)изменение коэффициента целевой функции при базисной пере-

менной.

Проводимый анализ чувствительности оптимального решения к изменениям основных параметров модели позволяет определить диапазон, в

50

котором могут находиться управляемые параметры, при которых полученное оптимальное решение задачи остается оптимальным.

Задачи дробно-линейного программирования. Среди оптимизаци-

онных плановых задач большое значение имеют такие, в которых необходимо экстремизировать удельные экономические показатели, т.е. например такие, как себестоимость, рентабельность и т.п. Но в таких случаях допустимые условия могут ничем не отличаться от допустимых условий обычной линейной задачи, а вот целевая функция представляет собой дробь, в числителе и знаменателе которой стоят линейные формы от переменных x1, x2 ,..., xn – искомых планов выпуска интересующих нас товаров. Напри-

мер, рентабельность выпуска этих товаров может быть представлена в виде следующей дробно-линейной функции:

r =

c1x1 +c2 x2 +... +cn xn ,

d x + d

x

+... + d

x

 

1 1

2 2

 

n n

где r – рентабельность, xj – искомый план выпуска j -го товара, cj – прибыль от реализации единицы товара j , d j – затраты на производство единицы товара j (j =1,n).

Общую постановку задачи дробно-линейного программирования приведем в следующем виде: найти такие значения переменных x1, x2 ,..., xn ,

которые бы отвечали условиям

xj 0

(j =

 

 

)

(3.9)

1, n

n

(i =

 

 

)

 

aij xj = bi

 

(3.10)

1,m

j=1

иприносили нужный экстремум (максимум или минимум в зависимости от экономического смысла критерия) целевой функции

 

n

 

 

 

 

 

cj xj

+ c0

ϕ1

(3.11)

ϕ =

j=1

 

=

 

n

 

 

ϕ2

 

 

d j xj

+ d0

 

 

j=1

Задача (3.9)–(3.11) является задачей нелинейного программирования. В [27, с. 120–129] описаны преобразованиями переменных, с помощью которых задача (3.9)–(3.11) может быть приведена к линейному виду, которую можно решать с помощью симплексного метода или надстройки «Поиск решения».

51

Задачи целочисленного линейного программирования. В цело-

численном программировании решаются задачи, в которых оптимальное решение должно быть представлено в целых числах. Математическая модель целочисленной задачи выглядит следующим образом:

 

 

n

 

 

Z = cj xj opt

(3.12)

 

 

j=1

 

 

n

 

 

aij xj bi , i =

 

 

 

 

(3.13)

1, m

 

j=1

 

xj 0, j =

 

, xj – целые, j =

 

, где k n

(3.14)

1, n

1, k

Если условие (3.14) накладывается на все переменные, т.е. k = n , то мы имеем дело с полностью целочисленной задачей, а если k < n , то час- тично-целочисленной.

Для решения целочисленных задач используются две группы методов: отсечения и комбинаторные.

Пример решения полностью целочисленной задачи методом отсечений детально описан в пособии [27, с. 130-133].

Задачи нелинейного программирования. В экономических иссле-

дованиях реальные ситуации часто описываются нелинейными зависимостями. Например, зависимость общих затрат от объема выпускаемой про-

дукции носит нелинейный характер S = f (X ), где f – нелинейная зави-

симость.

Нелинейности возникают как в ОДЗ, так и в формулировке целевой функции задачи.

Задача нелинейного программирования в общем виде может быть сформулирована следующим образом:

g

(x , x ,..., x

)b , i =

 

 

(3.15)

1, m

i

1 2

n

i

 

 

 

F = f (x1, x2 ,..., xn )opt

(3.16)

Здесь x1, x2 ,..., xn могут быть любые, а функции gi и

f , i =

 

дейст-

1, m

вительные нелинейные, регулярные функции, зависящие от n действительных переменных.

Задачи нелинейного программирования отличаются от задач линейного программирования тем, что:

ОДЗ задачи может быть невыпуклой, а это значит, что локальный

иглобальный экстремум находятся не в одной точке;

экстремум целевой функции может достигаться в любой точке ОДЗ, а не только на ее границе.

52

В нелинейном программировании для решения задач используется градиентный подход [27, с. 134–137], который состоит в том, что с помощью направляющего вектора целевой функции, указывающего направление максимального возрастания цели для рассматриваемой точки, оптимальное решение ищется в этом направлении.

3.2. Планированиедобычиуглянашахтномобъединении

Шахтное объединение «Торезантрацит» планирует добычу угля на следующие четыре квартала на 4 шахтах, годовые мощности которых составляют: шахта «№ 3-бис» – 8 млн т., шахта «Киселева» – 10 млн т., шахта «Лутугина» – 5,2 млн т. и шахта «Прогресс» – 12 млн т.

Стоимость добычи угля на шахтах различная вследствие различающихся глубин и геологических условий. Эти стоимости составляют (включая последующую обработку): на шахте «№3-бис» – 500 грн/т., на шахте «Киселева» – 550 грн/т., на шахте «Лутугина» – 475 грн/т. и на шахте «Прогресс» – 430 грн/т.

При этом уголь из разных шахт характеризуется разным процентом зольности (содержанием негорючих примесей). После добычи уголь поступает на центральную обогатительную фабрику, где обогащается по одному и тому же технологическому процессу (после обработки остается 75% от массы исходного угля) и для упомянутых выше шахт средний процент зольности составляет 7%, 12%, 5% и 10% соответственно. Из полученного сырья производится энергетический уголь четырех марок (АК, АКО, АО, АМ) с соответствующими процентами зольности 6,7%; 7,4%; 8%; 11%.

Предприятие планирует заключить контракты на поставку четырех марок энергетического угля с энергетическими компаниями. Данные характеризующиеконтрактыприведенывтабл. 3.4.

1.Запланируйте добычу угля на четырех шахтах в течение года (поквартально), чтобымаксимизироватьприбыльшахтногообъединениязагод.

2.Минуглепром определил две шахты «Лутугина» и «Прогресс» объединения «Торезантрацит» как перспективные, а шахта «Киселева» планируется к поэтапному закрытию в течении года (второй квартал шахта должна работать не более чем на 75% нормативной мощности, третий – 50%, в четвертом – 25%). Ответьте на вопрос: сможет ли объединение выполнить свои обязательства по контрактам или их необходимо будет пересмотреть.

3.Руководство объединения планирует заключить контракты на четвертый квартал в тех же объемах и пропорциях, что и в третьем квартале. Рассчитайте, как измениться прибыль и план добычи угля на шахтах.

4.Оцените экономическую целесообразность решения о закрытии шахты «Киселева», если консервация шахты оценивается в 50 млн грн.

5.На шахте «Прогресс» планируется увеличение мощности на 1 млнт.

вгод с 4 квартала текущего года. Как измениться прибыль объединения при условии 100% спроса на уголь, добытый объединением.

53

 

Характеристикиконтрактов

Таблица3.4.

 

 

 

 

 

 

 

 

 

 

Пропорции поставок по

 

Цена энер.

Марка энер. угля

контрактам (поквартально)

% зольности

угля грн/т.

 

1

2

3

4

 

 

 

 

АК

1

1

1

2

6,7

950

АКО

1

2

1

1

7,4

895

АО

2

2

2

2

8

850

АМ

3

2

2

3

11

800

Планируемые суммарные

4

4,5

4,6

4,8

 

 

объемы поставок, млн т.

 

 

 

 

 

 

 

 

Решение. Для того чтобы запланировать добычу угля на объединении необходимо установить плановое количество угля, добываемое на каждой из шахт ежеквартально. Таким образом, переменные принятия решения – это ежеквартальные объемы добычи угля на четырех шахтах:

xij , i =1,4, j =1,4 ,

где x – объем добычи, млн т., i – индекс шахты,

j – индекс квартала.

Что бы определить целевую функцию задачи – прибыль объединения за год, необходимо рассчитать издержки по добыче и доход от реализации.

Ежеквартальные издержки объединения по добыче угля на четырех шахтах равны сумме произведений себестоимости добычи угля на объем добычи на каждой шахте и составляют:

500x1 j + 550x2 j + 475x3 j + 430x4 j , j =1,4 .

Для определения дохода по заключенным контрактам, определим средневзвешенную цену угля за каждый квартал. Так как нужный процент зольности энергетического угля добывающая компания получает путем смешивания угля добытого на четырех шахтах, то весь добытый уголь будет продан по средневзвешенной цене заключенных контрактов (рис. 3.1, ячейки В15:E15). Также учтем, что количество энергетического угля составляет 75% от добытого. Для определения прибыли объединения за год нужно от дохода отнять издержки объединения по добыче тонны угля на четырех шахтах за четыре квартала. Тогда целевая функция прибыли примет вид:

54

 

4

4

4

 

4

 

 

Z = 0,75 849,29(

xi1) + 862,68(xi2 ) + 857,50(xi3 )

+ 861,88(

xi4 )

 

i=1

i=1

i=1

 

i=1

 

 

 

 

 

 

4 (500x1 j

+550x2 j + 475x3 j + 430x4 j )min

 

(3.17)

j=1

 

 

xij

 

 

 

 

Определим ограничения задачи. Для того чтобы записать первую группу ограничений по мощности, вычислим квартальную мощность каждой шахты, разделив годовую мощность на 4 (рис. 3.1, ячейки В22:C25).

Тогда ограничения по мощности шахт примут вид:

x1 j 2, x2 j 2,5, x3 j 1,3, x4 j 3, j =

1,4

(3.18)

Потребуем, чтобы объем добычи угля с учетом, того, что после обработки остается 75% от массы исходного угля (расчет объемов добычи приведен на рис. 3.1, ячейки В16:Е17), равнялся объемам, на которые заключены контракты с энергетическими компаниями. Тогда ограничения по плановой добыче примут вид:

4

4

4

4

 

 

xi1

= 5,33, xi2

= 6, xi3

= 6,13, xi4

= 6,4

(3.19)

i=1

i=1

i=1

i=1

 

 

Объем добычи на шахтах нужно запланировать, таким образом, чтобы средний процент зольности угля после обогащения равнялся проценту зольности согласно контрактам. Тогда ограничения по проценту зольности примут вид:

0,07x11 + 0,12x21 + 0,05x31 + 0,1x41 = 9,01 5,33,

 

0,07x12 + 0,12x22 + 0,05x32 + 0,1x42 = 8,5 6,

(3.20)

0,07x13 + 0,12x23 + 0,05x33 + 0,1x43 = 8,68 6,13,

 

0,07x14 + 0,12x24 + 0,05x34 + 0,1x44 = 8,73 6,4.

 

Из физического смысла переменных xij ,i =

 

j =

 

 

следует усло-

1,4,

1,4

вие неотрицательности:

 

xij 0,i =

 

j =

 

 

(3.21)

1,4,

1,4

Зависимости (3.17) – (3.21) определяют математическую модель задачи планирования годовой добычи угля на шахтах объединения «Торезантрацит».

55

Остается организовать данные в таблице Excel для этой задачи так, чтобы было удобно задавать условия (3.17)–(3.21) в Поиске решения и протягивать формулы. Один из вариантов организации данных представлен на рис. 3.1.

В ячейках B4:E7 отведено место для переменных задачи и отображается результат, полученный с помощью надстройки «Поиск решений» – ежеквартальные объемы добычи угля на четырех шахтах.

Для удобства вычислений в ячейках снизу перечислены данные задачи: характеристики контрактов на поставку энергетического угля (рис. 1, ячейки В10:E13) и характеристики производства (рис. 3.1, ячей-

ки В22:E25).

Формулы для расчета прибыли по формуле (3.17) записаны в строке B20:Е20. Для ячейки В20 – прибыли за первый квартал эта формула выглядит следующим образом: =B14*B19*F16-СУММПРОИЗВ(B3:B6; $E$24: $E$27).

Далее формула протянута вправо до ячейки Е20. Соответственно, формула =СУММ(B20:Е20), записанная в ячейке F20, дает годовую прибыль объединения.

Для задания ограничений (3.18) на предельную выработку для каждой шахты нужно задать в Поиске решения не одно, а четыре ограничения — для каждого квартала отдельно. Для первого квартала ограничение будет выглядеть следующим образом: В4:В7 <= В22:В25, для второго С4:С7 <= В22:В25 и т.д. (рис. 3.1).

Ограничения (3.20) по плановой добыче в Поиске решения будут выглядеть следующим образом: В19:E19 = В16:E16.

Последнее существенное ограничение (4) по проценту зольности в Поиске решения будет выглядеть следующим образом: В18:E18 =

В13:E13.

Для задания условие неотрицательности (3.21) нужно отметить опции

ЛинейнаямодельиНеотрицательныезначениявовкладкеПараметры.

Тогда после запуска надстройки Поиск решения (рис. 3.2) на выполнение получите следующее решение (ячейки B4:E7 рис. 3.1).

1. Анализируя результаты и полученные отчеты, получим оптимальный планежеквартальнойдобычиугляначетырехшахтах(млнт.):

 

 

0,16

1,18

1,05

1,17

 

 

 

0,87

0,52

0,78

0,93

 

X *план

 

 

=

 

1,30

1,30

1,30

.

 

1,30

 

 

 

3,00

3,00

3,00

3,00

 

 

 

 

56

57

Рис. 3.1 Организация данных задачи 1 в таблице Excel и результат работы надстройки «Поиск решений»

Рис. 3.2 Задание целевой функции и ограничений модели для задачи

«Шахтноеобъединение»

Приэтоможидаетсяполучитьмаксимальнуюприбыль–

Zmax = Z ( X *план ) = 4243,09 млнгрн.

Из отчета по результатам (рис. 3.1) видно что мощности шахт шахта «№ 3-бис» и «Киселева» в течении четырех кварталов используются не полностью, аресурсышахт«Прогресс» и «Лутугина» являются дефицитными.

2. Рассмотрим случай, если шахта «Киселева» будет сокращать мощностипоплануУглепрома.

В данном случае изменятся ограничения модели по мощности шахты «Киселева» вформулах(3.18) следующимобразом:

x21 2,5, x22 1,875, x23 1,25, x24 0,625 .

Сделав попытку найти решение при помощи надстройки «Поиск решений» в этом случае получим сообщение, что программа не может найти подходящего решения. Следовательно, система ограничений противоречива. Поэтому делаем вывод, что в случае если шахта «Киселева» будет сокращать мощности по плану Углепрома то выполнить поставки энергетического углясогласноконтрактамвполномобъемеобъединениенесможет.

3. Если руководство объединения заключит контракты на четвертый кварталнауровнеобъемовпредыдущегоквартала(ивтехжепропорциях), тов данном случае объединение выполнить поставки энергетического угля согласноконтрактамвполномобъеме. Пландобычивэтомслучаебудетиметьвид:

58

1 A

B

C

D

E

G

2Microsoft Excel 11.0 Отчет по ре-

зультатам

3Рабочий лист: [Шахтное объединение.xls]

4Целевая ячейка (Максимум)

5

Ячейка

Имя

Исходное

Результат

 

 

значение

 

 

 

 

 

 

 

 

6

$F$19

Прибыль

4243,09

4243,09

 

 

7

Изменяемые ячейки

 

 

 

 

8

Ячейка

Имя

Исходное

Результат

 

 

значение

 

 

 

 

 

 

 

 

9

$B$2

№ 3-бис 1 квартал

0,16

0,16

 

 

….

….

23

$D$5

Прогресс 3 квартал

3,00

3,00

 

 

24

$E$5

Прогресс 4 квартал

3,00

3,00

 

 

25

Ограничения

 

 

 

 

26

Ячейка

Имя

Значение

Формула

Статус

Разница

27

$B$17

средний % зольности

9,01

$B$17=$B$13

не связан.

0

 

 

1 квартал

 

 

 

 

28

$C$17

средний % зольности

8,50

$C$17=$C$13

не связан.

0

 

 

2 квартал

 

 

 

 

29

$D$17

средний % зольности

8,68

$D$17=$D$13

не связан.

0

 

 

3 квартал

 

 

 

 

30

$E$17

средний % зольности

8,73

$E$17=$E$13

не связан.

0

 

 

4 квартал

 

 

 

 

31

$B$18

кол-во угля, млн т.

5,33

$B$18=$B$16

не связан.

0

 

 

1 квартал

 

 

 

 

32

$C$18

кол-во угля, млн т.

6,00

$C$18=$C$16

не связан.

0

 

 

2 квартал

 

 

 

 

33

$D$18

кол-во угля, млн т.

6,13

$D$18=$D$16

не связан.

0

 

 

3 квартал

 

 

 

 

34

$E$18

кол-во угля, млн т.

6,4

$E$18=$E$16

не связан.

0

 

 

4 квартал

 

 

 

 

35

$B$2

№ 3-бис 1 квартал

0,16

$B$2<=$B$22

не связан.

1,84

36

$B$3

Киселева 1 квартал

0,87

$B$3<=$B$23

не связан.

1,63

37

$B$4

Лутугина 1 квартал

1,30

$B$4<=$B$24

связанное

0

38

$B$5

Прогресс 1 квартал

3,00

$B$5<=$B$25

связанное

0

39

$C$2

№ 3-бис 2 квартал

1,18

$C$2<=$B$22

не связан.

0,82

40

$C$3

Киселева 2 квартал

0,52

$C$3<=$B$23

не связан.

1,98

41

$C$4

Лутугина 2 квартал

1,30

$C$4<=$B$24

связанное

0

42

$C$5

Прогресс 2 квартал

3,00

$C$5<=$B$25

связанное

0

43

$D$2

№ 3-бис 3 квартал

1,05

$D$2<=$B$22

не связан.

0,95

44

$D$3

Киселева 3 квартал

0,78

$D$3<=$B$23

не связан.

1,72

45

$D$4

Лутугина 3 квартал

1,30

$D$4<=$B$24

связанное

0

46

$D$5

Прогресс 3 квартал

3,00

$D$5<=$B$25

связанное

0

47

$E$2

№ 3-бис 4 квартал

1,17

$E$2<=$B$22

не связан.

0,83

48

$E$3

Киселева 4 квартал

0,93

$E$3<=$B$23

не связан.

1,57

49

$E$4

Лутугина 4 квартал

1,30

$E$4<=$B$24

связанное

0

50

$E$5

Прогресс 4 квартал

3,00

$E$5<=$B$25

связанное

0

Рис. 3.3 Отчет по результатам надстройки задачи

«Шахтноеобъединение»

59

1

A

 

 

B

C

D

E

G

 

H

2

Microsoft

Excel 11.0 Отчет

 

 

 

 

 

 

по устойчивости

 

 

 

 

 

 

3

Рабочий лист: [Шахтное

 

 

 

 

 

 

 

объединение.xls]

 

 

 

 

 

 

4

Отчет

создан: 09.11.2010

 

 

 

 

 

 

 

13:43:47

 

 

 

 

 

 

 

 

5

Изменяемые ячейки

 

 

 

 

 

 

6

 

 

 

 

Результ.

Нормир.

Целевой

Допустимое

Допустимое

7

Ячейка

 

 

Имя

значение

стоимость

Коэффициент

Увеличение

Уменьшение

8

$B$2

 

№ 3-бис 1 квартал

0,16

0,00

136,96

3,57

 

1E+30

9

$C$2

 

№ 3-бис 2 квартал

1,18

0,00

147,14

3,57

 

1E+30

10

$D$2

 

№ 3-бис 3 квартал

1,05

0,00

143,12

3,57

 

1E+30

11

$E$2

 

№ 3-бис 4 квартал

1,17

0,00

146,41

3,57

 

1E+30

12

$B$3

 

Киселева 1 квартал

0,87

0,00

86,96

166,67

12,50

13

$C$3

 

Киселева 2 квартал

0,52

0,00

97,14

166,67

12,50

14

$D$3

 

Киселева 3 квартал

0,78

0,00

93,12

166,67

12,50

15

$E$3

 

Киселева 4 квартал

0,93

0,00

96,41

166,67

12,50

16

$B$4

 

Лутугина 1 квартал

1,30

5,00

161,96

1E+30

5,00

17

$C$4

 

Лутугина 2 квартал

1,30

5,00

172,14

1E+30

5,00

18

$D$4

 

Лутугина 3 квартал

1,30

5,00

168,12

1E+30

5,00

19

$E$4

 

Лутугина 4 квартал

1,30

5,00

171,41

1E+30

5,00

20

$B$5

 

Прогресс1 квартал

3,00

100,00

206,96

1E+30

100

21

$C$5

 

Прогресс2 квартал

3,00

100,00

217,14

1E+30

100

22

$D$5

 

Прогресс3 квартал

3,00

100,00

213,12

1E+30

100

23

$E$5

 

Прогресс4 квартал

3,00

100,00

216,41

1E+30

100

24

 

 

Ограничения

 

 

 

 

 

 

25

 

 

 

 

Результ.

Нормир.

Целевой

Допустимое

Допустимое

26

Ячейка

 

 

Имя

значение

стоимость

Коэффициент

Увеличение

Уменьшение

27

$B$17

 

средний % золь-

9,01

-53,33

9,01

0,15

0,81

 

 

 

ности 1

 

 

 

 

 

 

28

$C$17

 

средний % золь-

8,50

-60,00

8,50

0,98

0,43

 

 

 

ности 2

 

 

 

 

 

 

29

$D$17

 

средний % золь-

8,68

-61,33

8,68

0,85

0,64

 

 

 

ности 3

 

 

 

 

 

 

30

$E$17

 

средний % золь-

8,73

-64,00

8,73

0,92

0,65

 

 

 

ности 4

 

 

 

 

 

 

31

$B$18

 

кол-воугля, млнт. 1

5,33

206,96

5,33

0,62

0,07

32

$C$18

 

кол-воугля, млнт. 2

6,00

217,14

6,00

0,34

0,49

33

$D$18

 

кол-воугля, млнт. 3

6,13

213,12

6,13

0,40

0,44

34

$E$18

 

кол-воугля, млнт. 4

6,4

216,41

6,40

0,34

0,49

Рис. 3.4 Отчет по устойчивости задачи «Шахтноеобъединение»

 

 

0,16

1,18

1,05

1,61

 

 

 

0,87

0,52

0,78

0,63

 

X *план

 

 

(2) =

 

1,30

1,30

1,30

.

 

1,30

 

 

 

3,00

3,00

3,00

3,00

 

 

 

 

60

При этом ожидается

получить максимальную прибыль –

Zmax (2) = Z (X *план (2)) = 4189,08

млн грн., что на 4243,09 - 4189,08=54,01

млнгрнменьше, чемпланировалосьпервоначально.

Сравнивая последний план с исходным, видим, что изменились объемы добычивчетвертомкварталенапервыхтрехшахтах.

4.При реализации рассмотренных планов добычи прибыль шахты «Киселева» за год (без закрытия) составляет 288,61 млн грн. (рис. 3.1, ячейка J5), а при условии поэтапного закрытия – 257,34 млн грн.

Для ответа на вопрос задачи о целесообразности закрытия шахты «Киселева» в ячейках J4:J7 и K22:K25 рассчитаны прибыль за год по каждой шахте и процент использования мощностей. Как видно из значений в ячейках J4:J7 ожидаемая прибыль на шахте «Киселева» наименьшая и составляет всего 6,8% от прибыли объединения. Так же процент использования мощностей для данной шахты оказался наименьшим из всех шахт и составил 31,01% от нормативной мощности.

Так как шахта «Киселева» при реализации рассмотренных планов добычи дает прибыль (хоть и небольшую) то для ответа на вопрос о целесообразности закрытия шахты «Киселева» необходимо иметь данные о постоянных расходах на обслуживание шахты в период эксплуатации и в законсервированном виде. Так как расходы на ее закрытие оцениваются в 50 млн грн, то убыток при закрытии шахты (без учета расходов на обслужи-

вание шахты) составит: 288,61-257,34+50=81,27 млн грн.

Так как мощности шахты «Киселева» при реализации рассмотренных планов добычи используются не полностью, то может быть экономически болеевыгодно, найтиновыерынкисбытаиувеличитьобъемыдобычи.

5.Увеличение мощности шахты «Прогресс» на 1 млн т. в год приведет

кувеличению квартальной мощности на 0,25 млн т. в 4-ом квартале. Так как допустимое увеличение по количеству добычи угля в четвертом квартале равно 0,34 млн т. (ячейка G34, рис. 3.4), то планируемое увеличение мощности попадает в интервал устойчивости. Следовательно, можно воспользоваться значением теневой цены ограничения по количеству добычи угля в четвертом квартале (ячейка D34, рис. 2.15 При условии 100% спроса на уголь, добытый объединением его прибыль увеличится на 216,41 0,25 = 54,1 млн грн.

3.3.Задача оптимальногораскроя«Сталепрокатныйцех»

С2005 г. компания ООО «МЕТАЭКС» осуществляет резку металла на трех уникальных ленточнопильных станках EVERISING – два горизонтальных (H-8070, H-1010) и один вертикальный (VB-070725). Станки относятся к разряду высокоточного оборудования, позволяющего осуществлять высокопроизводительную резку практически всех видов металла. Компания получила заказ на стальные листы шириной 0,5 м и длиной 1,6 м, 0,8 м, 0,65 м в количестве 120, 145 и 200 шт. На складе есть листызаготовки длиной 2,5 м, 3м и 5 м.

1.Сколько листов-заготовок, и каким образом компания должна разрезать, чтобы минимизировать отходы?

61

2. Приведите наилучшее решение для случая, когда заказанные размеры листов встречаются при заказах довольно часто, и для случая, когда полученный заказ совершенно нестандартный.

Решение. Для того чтобы ввести переменные принятия решений в данной задаче нужно определить способы раскроя листов заготовок. Перебор вариантов раскроя приведен на рис. 3.5: 6 вариантов раскроя листов длиной 2,5 м, 5 вариантов раскроя заготовок длиной 3 м и 16 – длиной 5 м.

Выбрав в качестве переменных количество листов, раскроенных по каждому из описанных вариантов, составим модель задачи оптимального раскроя стальных листов. Целевой функцией будет общее количество остатков. Цель – минимизация остатков при условии исполнения заказа.

x j , j =

1,27,

(3.22)

где x – количество разрезанных заготовок, i – номер способа раскроя.

Z= 0,1(x1 + x3 + x8 + x9 ) + 0,15(x20 + x25) + 0,2(x12 + x13 + x16 + x21) +

+ 0,25(x2 + x4 + x10 ) + 0,35(x14 + x17 + x22 ) + 0,4(x5 + x11) + 0,45x27 +

+0,5(x18 + x23) +0,55x6 +0,6x7

min

(3.23)

 

x j

 

Определим ограничения задачи. Для случая, когда полученный заказ совершенно нестандартный потребуем, чтобы количество заготовок, полученных в результате раскроя, равнялось объему заказа. Тогда ограничения по количеству заготовок примут вид:

x1 + x2 + x7 + x8 + x16 + x17 + x18 + x19 + x20 + 2(x13 + x14 ) + 3x12 =120

x

 

+ x

 

+ x

7

+ x

+ x

 

+ x

+ x

26

+ 2(x

4

+ x

+ x

+ x

 

+ x

25

) +

 

1

5

 

 

10

 

14

 

19

 

 

 

 

9

13

18

 

 

 

 

 

 

 

+ x17 + x24 ) + 4(x16 + x23 + x24 ) + 5x22

+ 6x21 =145

 

(3.24)

+ 3(x13

 

x

2

+ x

4

+ x

 

+ x

 

+ x

22

+ 2(x

+ x

 

+ x

 

+ x

+ x

+ x

23

) +

 

 

 

 

 

 

14

17

 

 

5

 

8

9

15

18

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

+ 7x27 = 200

 

 

+ 3(x6 + x26 ) + 4(x11 + x19 + x24 ) + 5x25 + 6x26

 

 

Из физического смысла переменных x j , j =1,27, следует условие неотрицательности и целочисленности:

x j 0, x j целое, j =

 

(3.25)

1,27

Так как целевая функция и ограничения описываются линейными функциями, данная задача относится к типу задач линейной оптимизации. Так как на все переменные модели наложено условие целочисленности

62

(3.25) – то эта задача целочисленного программирования. Найдем ее решение с помощью надстройки «Поиск решений». Один из вариантов организации данных в таблице Excel представлен на рис. 3.5.

В столбце «количество листов (первый случай)» отображается результат, полученный с помощью надстройки «Поиск решений» – оптимальный план раскроя листов: x3 = 2, x8 = 2, x12 = 5, x13 = 21, x16 =12, x19 = 49, остальные переменные задачи равны нулю. Т.е. необходимо по 2 листа раскроить третьим и восьмым способом, 5 листов – 12-м способом, 21 лист – 13-м способом, 12 листов – 16-м способом, 49 листов – 19 способом. При этом плане раскроя будет получено минимальное количество остатков – 8-м и общее количестворазрезанныхстальныхлистовсоставит446 м.

Для того чтобы получить план раскроя для случая, когда заказанные размеры листов встречаются при заказах довольно часто нужно в ограничениях (3.24) знак равенства заменить на больше-равно. Также нужно потребовать дополнительно, чтобы количество полученных листов не превышало заказанное на некоторое предельное число, скажем на 10%:

x1 + x2 + x7 + x8 + x16 + x17 + x18 + x19 + x20 + 2(x13 + x14 ) + 3x12 132

x

 

+ x

 

+ x

7

+ x

+ x

 

+ x

+ x

26

+ 2(x

4

+ x

+ x

+ x

 

+ x

25

) +

 

1

5

 

 

10

 

14

 

19

 

 

 

 

9

13

18

 

 

 

 

 

 

 

+ x17 + x24 ) + 4(x16 + x23 + x24 ) + 5x22

+ 6x21 159

 

(3.26)

+ 3(x13

 

x

2

+ x

4

+ x

 

+ x

 

+ x

22

+ 2(x

+ x

 

+ x

 

+ x

+ x

+ x

23

) +

 

 

 

 

 

 

14

17

 

 

5

 

8

9

15

18

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

+ 7x27 220

 

 

+ 3(x6 + x26 ) + 4(x11 + x19 + x24 ) + 5x25 + 6x26

 

 

В столбце «количество листов (второй случай)» отображается результат, полученный с помощью надстройки «Поиск решений» – оптимальный план раскроя листов: x1 = 5, x3 = 9, x12 = 5, x12 =15, x16 =15, x19 = 55 (шт.), остальные переменные задачи равны нулю. Как вы можете убедиться, во втором случае общее количество обрезков уменьшиться до 7,4 м, что практически совпадает с вариантом точного выполнения заказа. Общее количество разрезанных стальных листов составит 460 м, что на 14 м больше чем в первом случае, но при этом будут получены лишние заготовки длиной 0,8 м в количестве 2 шт. и длиной 0,65 м в количестве 20 шт., которые можно реализовать при следующем заказе.

3.4. Анализ и планирование производства «Корма для рыб»

Компания «Goldfish» производит три вида корма для рыб: Аквариус

– Classic, Аквариус – Gold, Аквариус – Fito из трех ингредиентов И1, И2, И3 с четырмя добавками D1, D2, D3, D4. Процентное содержание ингредиентов и добавок в каждом виде корма приведено в таблице на рис. 3.6. (ячейки C2:E8). В этой же таблице приведены данные о средней цене закупки каждого вида сырья (ячейки A2:A8) и средняя цена каждого вида корма по договорам на поставку (ячейки C8:E8). Известно также, что за-

63

траты на закупку сырья составляют 75% себестоимости кормов. Запасы сырья на складе приведены на рис. 3.6. (ячейки G2:G8).

Компания ООО «МЕТАЭКС»

Вариант

 

Размер листа, м

 

 

Число листов

раскроя

Лист проката

1,6

0,8

0,65

Остаток, м

 

1 случай

2 случай

1

2,5

1

1

0

0,1

 

0

5

2

2,5

1

0

1

0,25

 

0

0

3

2,5

0

3

0

0,1

 

2

9

4

2,5

0

2

1

0,25

 

0

0

5

2,5

0

1

2

0,4

 

0

0

6

2,5

0

0

3

0,55

 

0

0

7

3

1

1

0

0,6

 

0

0

8

3

1

0

2

0,1

 

2

0

9

3

0

2

2

0,1

 

0

0

10

3

0

1

3

0,25

 

0

0

11

3

0

0

4

0,4

 

0

0

12

5

3

0

0

0,2

 

5

15

13

5

2

2

0

0,2

 

21

0

14

5

2

1

1

0,35

 

0

0

15

5

2

0

2

0,5

 

0

0

16

5

1

4

0

0,2

 

12

15

17

5

1

3

1

0,35

 

0

0

18

5

1

2

2

0,5

 

0

0

19

5

1

1

4

0

 

49

55

20

5

1

0

5

0,15

 

0

0

21

5

0

6

0

0,2

 

0

0

22

5

0

5

1

0,35

 

0

0

23

5

0

4

2

0,5

 

0

0

24

5

0

3

4

0

 

0

0

25

5

0

2

5

0,15

 

0

0

26

5

0

1

6

0,3

 

0

0

27

5

0

0

7

0,45

 

0

0

 

Получено листов

 

 

 

8

 

 

 

 

(1 случай)

120

145

200

 

 

 

 

Заказ

120

145

200

Всего, м

446

460

 

Получено листов

 

 

 

7,4

 

разница

14

 

(2 случай)

120

147

220

 

ограничения (2 случай)

132

159

220

 

 

 

 

излишки (2 случай)

 

2

20

 

 

 

 

Рис. 3.5 Решение задачи оптимальногораскроя«Сталепрокатныйцех»

64

1.Определите оптимальный план производства данных трех видов кормов, максимизирующий прибыль в дух случаях:

а) корм может производиться в любом количестве, при условии наличия сырья;

б) кормфасуетсявпакеты по1 кгипроизводитсяпартиямипо200 шт.

2.Все ли корма выгодно производить? Что можно изменить (технологию или ценовую политику), чтобы производство убыточной смеси стало выгодным?

3.В результате маркетинговых исследований рекомендуются снизить цену на третий вид корма на 5%. При выполнении этого условия, придется изменять производственную программу, или нет?

4.Менеджер предприятия решил сделать запас сырья. Какое сырье следует покупать в первую очередь?

5.Менеджер решил купить дополнительно 100 кг ингредиента И3 с целью увеличения объемов производства и прибыли (так как есть возможность заключения дополнительных договоров на поставку кормов). Сможет ли он реализовать свой план?

6.Технолог компании предложил выпускать новый вид корма со следующим процентным содержанием: И1 (30%), И2 (20%), И3 (40%), D1 (3%), D2 (2%), D3 (5%), D4 (0%). Определите, будет ли выгодно производство нового вида смеси при планируемой цене реализации 2,2 грн.

Решение. Введем переменные принятия решения – объемы производства трех видов корма:

x j , j =1,3 ,

где x – количество корма (кг),

j – номер вида корма ( j =1 – Аквариус – Classic, j = 2 – Аквариус –

Gold, j = 3 – Аквариус – Fito).

Что бы определить целевую функцию задачи – прибыль от реализации трех видов кормов, необходимо вычислить прибыль от одного килограмма каждого вида корма. Себестоимость каждого вида корма определим, умножив цену каждого вида ингредиента и добавок на соответствующее процентное содержание в каждом виде корма (результат вычислений в ячейках C9:E9) и разделим на 0,75. Для вычисления прибыли каждого вида корма от цены реализации вычтем соответствующую себестоимость (ячейки C11:E11). Тогда целевая функция прибыли будет иметь вид:

Z =1,75x1 + 2,45x2

+1,47x3

min

(3.27)

 

 

xij

 

Определим ограничения задачи. Для случая, когда корм может производиться в любом количестве, при условии наличия сырья потребуем, чтобы ко-

65

личество сырья израсходованного на производство кормов не превосходило запасов, имеющихся на складе предприятия. Тогда ограничения по запасам сырья(трехингредиентовичетырехдобавок) примутвид:

 

A

 

B

 

C

 

D

 

E

F

 

G

1

 

Цена

 

Classic

 

Gold

 

Fito

Затраты

 

Запасы

 

 

 

 

сырья

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

И1

 

2,5

0,4

0,4

0,15

484,09

800

3

И2

 

3,2

0,2

0,25

0,20

375,00

500

4

И3

 

1,2

0,3

0,2

0,6

600,00

600

5

D1

 

14

0,05

0,08

0,02

90,00

90

6

D2

 

9,5

0,02

0,02

0,01

25,91

45

7

D3

 

8

0

0,03

0,02

42,27

60

8

D4

 

10

0,03

0,02

0

19,09

30

9

себестоимость

 

4,25

5,05

3,03

 

 

 

10

цена

 

 

6

7,5

4,5

 

 

 

11

Прибыль

1 случай

1,75

2,45

1,47

 

 

3340

12

Прибыль 2 случай

1,75

2,45

1,47

 

2841,33

13

разница 2-1 случай

 

 

 

 

 

 

 

-498,67

14

план 1 случай

 

 

0

 

954,5455

 

681,8182

 

 

 

15

план 2 случай

 

 

0

 

800

 

600

 

 

 

16

партии

 

 

 

0

 

4

 

3

 

 

 

Рис. 3.6 Данные задачи «Корма для рыб» в таблице Excel и результат

работы надстройки «Поиск решений»

0,4x1

+ 0,4x2

+ 0,15x3 800

 

0,2x

+ 0,25x

+ 0,2x

500

 

 

1

2

3

 

 

 

 

0,3x

+ 0,2x

+ 0,6x

600

 

 

1

2

3

 

 

 

 

 

+ 0,08x2 + 0,02x3 90

(3.28)

0,05x1

0,02x

+ 0,02x

+ 0,01x

45

 

 

1

2

3

 

 

 

 

 

 

0,03x2 + 0,02x3 60

 

 

 

+0,02x2

 

 

 

30

 

0,03x1

 

 

 

 

Из физического смысла переменных xi , i =

 

 

следует условие неот-

1,3,

рицательности:

 

 

 

 

 

 

 

 

 

 

 

xi 0, i =

 

 

 

 

 

(3.29)

 

 

1,3

 

 

 

а) решая задачу (3.27)–(3.29) с помощью надстройки «Поиск решений» получим следующие результаты (рис. 2.18). Оптимальный план про-

66

изводства кормов имеет вид: x1* = 0 , x2* = 954,55 кг, x3* = 681,82 кг. При этом будет получена максимальная прибыль Z max = 3340 (грн). Таким об-

разом, задача решена в первом случае, если корм производится в любом количестве, при условии наличия сырья.

б) для того чтобы решить задачу оптимального производства кормов во втором случае необходимо добавить условие, чтобы производимое количество корма было кратно 200:

xi

 

 

 

– целое, i =1,3 .

200

 

 

 

Во втором случае оптимальный план производства кормов примет вид: x1* = 0 , x2* = 800 кг (4 партии), x3* = 600 кг (3 партии). При этом будет получена максимальная прибыль Zmax = 2841,33 (грн), что на 498,67 грн

меньше, чем в первом случае. Таким образом, задача решена во втором случае, если корм фасуется в пакеты по 1 кг и производится партиями по

200шт.

2.Для ответа на второй вопрос из отчета по устойчивости определим нормированную стоимость каждого вида корма. Как видно из отчета, для второго и третьего вида кормов она равна нулю, а для первого 0,6. Пользуясь свойством нормированной стоимости, делаем вывод, что производство первого вида корма убыточно. Чтобы производство убыточной смеси стало выгодным его цену необходимо увеличить более чем на 0,6 грн.

3.Для ответа на третий вопрос вычислим 5% от цены третьего вида корма: 1,47 0,05 = 0,074 грн. Следовательно, цену рекомендовано снизить

на 0,074 грн. Из отчета по устойчивости видно, что допустимое уменьшение по цене третьего вида корма составляет 0,18 грн. Следовательно, после снижения цены на 0,074 грн новая цена попадет в интервал устойчивости и оптимальное решение не измениться. Следовательно, нет необходимости менять производственную программу.

4.Менеджер предприятия решил сделать запас сырья. Какое сырье следует покупать в первую очередь? Пользуясь свойством теневых цен, которые являются мерой дефицитности сырья, определим, что дефицитным является ингредиент И3 и добавка D2. При этом теневая цена добавки D2 на порядок больше теневой цены ингредиента И3. Следовательно, в первую очередь необходимо делать запасы добавки D2.

5.Закупка дополнительно 100 кг ингредиента И3 позволит увеличить прибыль. Анализируя данные отчета по устойчивости (рис. 3.7) видим, что допустимое увеличение запаса ингредиента И3 - 500 кг, следовательно, закупка дополнительно 100 кг не приведет к изменению структуры производства кормов, а только к изменению объемов. Так как теневая цена ин-

гредиента И3 равна 1,57 грн/кг, то прибыль увеличится всего на

100 1,57 =157 грн.

67

Microsoft Excel 11.0 Отчетпорезультатам

 

 

 

 

Рабочийлист: [кормдлярыб.xls] Лист1

 

 

 

 

Целеваяячейка(Максимум)

 

 

 

 

 

 

Ячейка

 

Имя

Исходное

Результат

 

 

 

 

значение

 

 

 

 

 

 

 

 

 

 

 

$G$11

 

Прибыль

3340

 

3340

 

 

Изменяемыеячейки

 

 

 

 

 

 

Ячейка

 

Имя

Исходное

Результат

 

 

 

 

значение

 

 

 

 

 

 

 

 

 

 

 

$C$13

 

планClassic

0

 

0

 

 

 

$D$13

 

планGold

954,55

 

954,55

 

 

 

$E$13

 

планFito

681,82

 

681,82

 

 

Ограничения

 

 

 

 

 

 

 

 

Ячейка

 

Имя

Значение

Формула

Статус

Разница

 

$F$2

 

И1

484,09

$F$2<=$G$2

 

несвязан.

315,91

 

$F$3

 

И2

375,00

$F$3<=$G$3

 

несвязан.

125,00

 

$F$4

 

И3

600,00

$F$4<=$G$4

 

связанное

0,00

 

$F$5

 

D1

90,00

$F$5<=$G$5

 

связанное

0,00

 

$F$6

 

D2

25,91

$F$6<=$G$6

 

несвязан.

19,09

 

$F$7

 

D3

42,27

$F$7<=$G$7

 

несвязан.

17,73

 

$F$8

 

D4

19,09

$F$8<=$G$8

 

несвязан.

10,91

Microsoft Excel 11.0 Отчетпопределам

 

 

 

 

Рабочийлист: [кормдлярыб.xls] Отчетпопределам1

 

 

 

 

Ячейка

 

Целевое

Значение

 

 

 

 

 

 

Имя

 

 

 

 

 

 

 

 

 

 

 

 

 

$G$11

 

Прибыль

3340

 

 

 

 

 

Ячейка

 

Изменяемое

Значение

Нижний

Целевой

Верхний

Целевой

 

 

 

Имя

 

предел

результат

предел

результат

 

$C$13

 

планClassic

0

0

3340

0

3340

 

$D$13

 

планGold

954,55

0,00

1004,55

954,55

3340,00

 

$E$13

 

планFito

681,82

0,00

2335,45

681,82

3340,00

Microsoft Excel 11.0 Отчетпоустойчивости

 

 

 

 

Изменяемыеячейки

 

 

 

 

 

 

Ячейка

 

Имя

Результ.

Нормир.

Целевой

Допустимое

Допустимое

 

 

значение

стоимость

Коэффициент

Увеличение

Уменьшение

 

 

 

 

 

$C$13

 

планClassic

0

-0,06

1,75

0,06

1E+30

 

$D$13

 

планGold

954,55

0

2,45

3,45

0,10

 

$E$13

 

планFito

681,82

0

1,47

5,87

0,18

Ограничения

 

 

 

 

 

 

 

 

Ячейка

 

Имя

Результ.

Теневая

Ограничение

Допустимое

Допустимое

 

 

значение

Цена

Праваячасть

Увеличение

Уменьшение

 

 

 

 

 

$F$2

И1

484,09

0,00

800

1E+30

315,91

 

$F$3

И2

375,00

0,00

500

1E+30

125,00

 

$F$4

И3

600,00

1,57

600

500

375,00

 

$F$5

D1

90,00

26,67

90

40

70,00

 

$F$6

D2

25,91

0,00

45

1E+30

19,09

 

$F$7

D3

42,27

0,00

60

1E+30

17,73

 

$F$8

D4

19,09

0,00

30

1E+30

10,91

Рис. 3.7 Отчеты надстройки «Поиск решений»

для примера «Корма для рыб»

68

6. Определим прибыль, которую может получить фирма при выпуске четвертого вида корма. Для этого от планируемой цены вычтем сумму произведений теневых цен ингредиентов и добавок на их процентное содержание в новом виде корма. Учитывая, что теневые цены отличны от нуля только для ингредиента И3 и добавки D1 получим: 4 = 2,2 0,4 1,57 +

+ 0,03 26,67 = 0,3 грн. Следовательно, ожидаемая прибыль от реализации четвертого вида корма 0,3 грн, что в несколько раз меньше прибыли от первых трех видов корма.

3.5. Планирование макроэкономических показателей бюджета страны«Индексы цен на молочные продукты»

Правительство страны готовит бюджет на следующий год. Для расчета макроэкономических показателей этого документа необходимо в частности определить индексы цен на молочные продукты: молоко, масло, творог и сыр. Данные продукты будут получены из сырого молока, произведенного внутри страны. Сырое молоко при переработке разделяется на жиры и сухое молоко. По оценкам экспертов для внутреннего потребления на следующий год в стране останется 730 тыс. т. жиров и 900 тыс. т. сухого молока, которые могут быть использованы для производства молочных продуктов. Имеются данные об объемах потребления и ценах на молочные продукты за предыдущий год.

Также на основании статистики прошлых лет имеются оценки ценовых эластичностей спроса Εj ( j =1,4) каждого вида молочных продуктов

(табл. 3.5), которые определены следующим образом:

Ε j = − s j , j =1,4 , c j

где s – процент изменения спроса, c – процент изменения цены,

j – индекс молочного продукта ( j =1 – молоко, творог, j = 4 – сыр).

(3.30)

j = 2 – масло, j = 3 –

Кроме того, известно, что творог и сыр могут выступать продуктамизаместителями друг для друга. Поэтому наблюдается взаимная эластичность спроса на один продукт от изменения цены на второй продукт.

Εij = −

si

, i j, i = 3,4, j = 3,4

(3.31)

 

 

c j

 

69

Для данных продуктов оценки взаимных эластичностей равны:

Ε34 = 0,15, Ε43 = 0,25 .

Также правительством установлено предельное увеличение цен на все молочные продукты в размере 20% от цены прошлого года. Цель – максимизация дохода от продажи молочных продуктов населению при условии, что стоимость прошлогоднего годового потребления не должна быть превышена. Составьте модель данной задачи и решите ее.

Таблица 3.5

Объемы потребления, цены на молочные продукты. Процентное содержание жиров и сухого молока в молочных продуктах

продукт

молоко

масло

творог

сыр

 

показатель

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Потребление, тыс. т.

5784

384

252

84

 

 

 

 

 

 

 

 

 

цена, грн/т.

653,4

1584

2310

1793

 

 

 

 

 

 

 

 

 

Ценовые эластичности спроса

0,35

2,4

1,3

0,42

 

 

 

 

 

 

 

 

 

жиры

0,03

0,72

0,35

0,25

 

 

 

 

 

 

 

 

 

сухое молоко

0,12

0,02

0,3

0,6

 

 

 

 

 

 

 

 

 

Решение. Введем переменные принятия решений xj ,

j =

 

– доля

1,4

изменения цены по сравнению с предыдущим годом. Тогда индекс цены на следующий год будет равен: 1+ xj , j =1,4 . Прогнозируемые объемы продаж рассчитаем по формуле:

V j =V j

(1 − Ε

 

x

 

), j =

 

,

(3.32)

j

j

1,4

t

t 1

 

 

 

 

 

 

где Vt j 1 – объемы потребления за предыдущий год,

Vt j – прогнозируемые объемы потребления на следующий год.

Целевая функция дохода от реализации молочных продуктов равна сумме произведений прогнозируемых объемов потребления на индексированные цены предыдущего года и имеет вид:

70

Z = 653 5784(1 0,35x1)(1 + x1) +1584 384(1 2,4x2 )(1 + x2 ) + 2310 252

(11,3x3 0,15x4 )(1+ x3) +1793 84(10,42x4

0,25x3)(1+ x4 ) max

(3.33)

 

x j

 

Так как, предполагается, что молочные продукты производятся только из сырья полученного внутри страны, то имеем ограничение по запасам жиров и сухого молока:

0,03 5784(1 0,35x1) + 0,72 384(1 2,4x2 ) +

 

+ 0,35 252(1 1,3x3 0,15x4 ) + 0,25 84(1 0,42x4 0,25x3) 730

(3.34)

0,12 5784(1 0,35x1) + 0,02 384(1 2,4x2 ) +

 

+ 0,3 252(1 1,3x3 0,15x4 ) + 0,6 84(10,42x4 0,25x3) 900

(3.35)

Так как правительством установлено предельное увеличение цен на все молочные продукты в размере 20% от цены прошлого года, запишем ограничение по предельному изменению индекса цен:

0,2 x j 0,2, j =

1,4

(3.36)

Еще необходимо учесть ограничение по стоимости годового потребления на следующий год:

653 5784(1 0,35x1)(1 + x1) +1584 384(1 2,4x2 )(1 + x2 ) +

+ 2310 252(1 1,3x3 0,15x4 )(1 + x3 ) +1793 84(1 0,42x4 0,25x3 )(1 + x4 )

653 5784 +1584 384 + 2310 252 +1793 84

(3.37)

Зависимости (3.33) – (3.37) определяют модель задачи максимизации дохода от продажи молочных продуктов населению. Целевая функция (3.33) и ограничение (3.37) являются квадратичными функциями по переменным принятия решений x j , j =1,4. Поэтому это задача нелинейного программирова-

ния. Для ее решения применим метод сопряженных градиентов. Решение выполним с помощью надстройки «Поиск решений». Один из вариантов организацииданныхвтаблицеExcel представленнарис. 3.8.

71

 

A

B

C

D

E

F

G

1

 

молоко

масло

творог

сыр

 

 

2

потребление,

 

 

 

 

 

 

 

тыс. т.

5784

384

252

84

6504

 

3

цена, грн т.

653

1584

2310

1793

5117940

 

4

эластичность

0,35

2,4

1,3

0,42

0,15

0,25

5

жиры, %

0,03

0,72

0,35

0,25

 

 

6

сухое молоко, %

0,12

0,02

0,3

0,6

 

 

7

жиры, тыс. т.

169,59

211,86

70,21502

18,63725

470,30

730

8

сухое молоко,

 

 

 

 

 

 

 

тыс. т.

678,37

5,8848

60,1843

44,7294

789,18

900

9

изменение

 

 

 

 

 

 

 

 

 

 

 

 

 

цены, ед.

0,0646

0,0974

0,1352

0,1874

-0,2

0,2

10

индекс цен, ед.

1,0646

1,0974

1,1352

1,1874

 

 

 

 

11

Доход, тыс. грн

3930127

511474,68

526088,7

150249,5

5117940

 

12

% от дохода

76,79%

9,99%

10,28%

2,94%

 

 

13

прогноз потреб-

 

 

 

 

 

 

 

ления, тыс. т.

5653,14

294,24

200,6143

74,55

6222,54

 

14

% к пред. году

97,74%

76,63%

79,61%

88,75%

95,67%

 

 

 

 

 

 

 

 

 

Рис. 3.8 Организации данных и результат решения задачи «Индекс

цен на молочные продукты» в таблице Excel

Применение надстройки «Поиск решений» к решению задачи (3.33)

– (3.37) дало следующие результаты (рис. 3.9). Анализируя данные отчетов надстройки «Поиск решений» для примера «Индекс цен на молочные продукты» сделаем следующие выводы. Оптимальные значения индексов цен на молочные продукты на следующий год следующие: на молоко

1,0646; на масло – 1,0974; на творог – 1,1352; на сыр – 1,1874. При этом будет получена максимальная прибыль Zmax = 5117 940 000 грн.

Сравнивая прогнозируемые объемы потребления молочных продуктов на следующий год с предыдущим (рис. 3.9), делаем вывод, что при данной ценовой политике объемы потребления всех видов молочных продуктов уменьшаться (при условии, что доход населения не изменится) и в среднем составит 95,67% от объемов предыдущего года.

Анализируя отчет по результатам для ограничений, делаем вывод, что не использованными останутся 259,6981 тыс. т. жиров и 110,8250 тыс. т. сухого молокаичтовсеиндексыценменьшемаксимальнодопустимогозначения1,2.

Анализируя отчет по устойчивости, делаем вывод, что целевая функция достигает своего максимального значения внутри области допустимых значений задачи, так как все координаты ее градиента в точке экстремума равны нулю.

72

Microsoft Excel 11.0 Отчет по результатам

 

 

 

 

Рабочий лист: [молочные продукты.xls]

 

 

 

 

Целевая ячейка (Максимум)

 

 

 

 

 

Ячейка

Имя

Исходноезнач.

 

Результат

 

 

$F$12

Доход

0

 

 

5117940

 

Изменяемые ячейки

 

 

 

 

 

Ячейка

Имя

Исходноезнач.

 

Результат

 

 

$B$10

ценанаслед. годмолоко

0,0000

 

 

0,0646

 

$C$10

цена на след. год масло

0,0000

 

 

0,0974

 

$D$10

цена на след. год творог

0,0000

 

 

0,1352

 

$E$10

цена на след. год сыр тв

0,0000

 

 

0,1874

 

Ограничения

 

 

 

 

 

Ячейка

Имя

Значение

Формула

Статус

Разница

$F$7

жиры

470,30

$F$7<=$G$7

не связан.

259,6981

$F$8

сухое молоко

789,18

$F$8<=$G$8

не связан.

110,8250

$F$12

Доход

5117940

$F$12<=$F$3

связанное

0,0000

$B$10

ценанаслед. годмолоко

0,0646

$B$10<=$G$10

не связан.

0,1354

$C$10

цена на след. год масло

0,0974

$C$10<=$G$10

не связан.

0,1026

$D$10

цена на след. год творог

0,1352

$D$10<=$G$10

не связан.

0,0648

$E$10

цена на след. год сыр тв

0,1874

$E$10<=$G$10

не связан.

0,0126

$B$10

ценанаслед. годмолоко

0,0646

$B$10>=$F$10

не связан.

0,2646

$C$10

цена на след. год масло

0,0974

$C$10>=$F$10

не связан.

0,2974

$D$10

цена на след. год творог

0,1352

$D$10>=$F$10

не связан.

0,3352

$E$10

цена на след. год сыр тв

0,1874

$E$10>=$F$10

не связан.

0,3874

Microsoft Excel 11.0 Отчет по пределам

 

 

 

 

Ячейка

Целевое Имя

Значение

 

 

 

 

$F$12

Доход

5117940

 

 

 

 

Ячейка

Изменяемое

Значение

Нижний

Целевой

Верхний

Целевой

Имя

предел

результат

предел

результат

 

 

$B$10

ценанаслед. годмолоко

0,0646

0,0646

5117940

0,0646

5117940

$C$10

цена на след. год масло

0,0974

0,0974

5117940

0,0974

5117940

$D$10

цена на след. год творог

0,1352

0,1352

5117940

0,1352

5117940

$E$10

цена на след. год сыр тв

0,1874

0,1874

5117940

0,1874

5117940

Microsoft Excel 11.0 Отчет по устойчивости

 

 

 

 

Изменяемые ячейки

 

 

 

 

 

Ячейка

Имя

Результ.

Нормир. градиент

 

 

значение

 

 

 

 

 

 

 

 

$B$10

ценанаслед. годмолоко

0,0646

 

0,0000

 

 

$C$10

цена на след. год масло

0,0974

 

0,0000

 

 

$D$10

цена на след. год творог

0,1352

 

0,0000

 

 

$E$10

цена на след. год сыр тв

0,1874

 

0,0000

 

 

Ограничения

 

 

 

 

 

Ячейка

Имя

Результ.

Множитель

 

 

значение

Лагранжа

 

 

 

 

 

 

$F$7

жиры

470,30

 

0,00

 

 

$F$8

сухое молоко

789,18

 

0,00

 

 

$F$12

Доход

5117940

 

1

 

 

Рис. 3.9 Отчеты надстройки «Поиск решений» задачи

«Индексы цен на молочные продукты»

73

3.6. Организация доставки продукции потребителю через склады

Компания «Евро-окно» по производству металлопластиковых окон имеет в области 5 заводов и три склада для временного хранения изделий. В текущем месяце отдел продаж компании заключил со строительными фирмами договора на поставку 705 шт. металлопластиковых окон. Характеристики договоров приведены в табл. 3.6. В 1 заказ выделены объемы, срок поставок которых первые две недели месяца (365 шт.), 2 заказ – поставки, которые должны бытьвыполненывовторойполовинемесяца(340 шт.).

Таблица 3.6

Объемы поставок металлопластиковых окон по договорам (в шт.)

 

 

клиент 1

клиент 2

клиент 3

клиент 4

клиент 5

клиент 6

клиент 7

 

 

1 заказ

60

45

30

50

65

70

45

 

 

2 заказ

40

30

45

50

30

25

120

 

 

 

 

 

 

 

 

 

 

 

Заводы могут выполнить оба заказа в течении одной недели (распределение объемов производства по заводам приведено в табл. 3.7), а затем переналадить оборудование для выполнения следующих заказов.

Таблица 3.7

Объемы производства металлопластиковых окон по заводам (в шт.)

Завод

1

2

3

4

5

Производство, шт.

195

110

160

170

70

В этом случае 1 заказ планируется отправить клиентам прямо с завода, а 2 заказ в объеме 340 шт. складировать сначала на складах, а затем доставить клиентам со склада. Стоимости перевозок заводы-клиенты, а также на склады компанииисоскладов– клиентамприведенывтаблицах3.6–3.8.

Таблица 3.8

Стоимость перевозки «заводы клиенты» (в грн/шт.)

номер клиента

1

2

3

4

5

6

7

завод

 

 

 

 

 

 

 

1

18,6

16,5

22,1

40,6

32,7

25,4

34,6

2

32,3

20,9

17,6

13,7

16,2

7,6

18,4

3

31,6

8,6

17,7

32,6

21,4

24,6

27,0

4

20,8

16,0

29,6

30,6

20,9

27,2

25,2

5

16,2

9,7

20,0

18,8

12,6

14,5

13,9

1. Составьте план перевозок (1 вариант) «заводы – клиенты и склады» и «склады – клиенты», минимизирующий транспортные расходы ком-

74

пании, если известно, что изготовленные заранее 340 окон можно складировать на складах следующим образом: склад 1 – 140 шт., склад 2 – 90 шт., склад 3 – 110 шт.

 

 

 

Таблица 3.9

Стоимость перевозки «заводы – склады» (в грн/шт.)

 

 

 

 

 

 

склад 1

склад 2

склад 3

Завод 1

37,5

8,8

20,7

 

Завод 2

13,0

32,0

32,2

 

Завод 3

26,5

7,2

10,4

 

Завод 4

23,7

22,0

7,4

 

Завод 5

18,1

19,4

4,9

 

Таблица 3.10

Стоимость перевозки «склады – клиенты» (в 10 грн/шт.)

 

клиент 1

клиент 2

клиент 3

клиент 4

клиент 5

клиент 6

клиент 7

Склад 1

12,7

28,6

28,8

11,4

14,0

21,0

10,7

Склад 2

34,6

10,8

12,1

35,4

21,8

22,4

24,3

Склад 3

19,0

12,0

21,1

25,6

15,0

18,9

20,3

2.Определите, нужно ли изменять план поставок, полученный в первом пункте, если поступила информация, что транспортные расходы по пути с завода 1 к клиенту 2 уменьшились на 30 грн в связи с тем, что закончился ремонт дороги (ранее машины ездили в объезд).

3.Проверьте, как изменяться транспортные расходы, если оптимизировать задачу по этапам (2 вариант): «заводы – клиенты» а затем «заводы – склады» и «склады – клиенты».

Решение. Для решения задачи сформулированной в первом пункте, проверим балансы ТЗ – «производство – заказы», «заказ 2 – запасы на складах».

Объемы производства на пяти заводах компании составляют:

5

Vi =195 +110 +160 +170 + 70 = 705 . i=1

Объемы поставок по заключенным договорам равны:

7

VZ1j = 60 + 45 + 30 + 50 + 65 + 70 + 45 = 365, j =1

7

VZ 2j = 40 + 30 + 45 + 50 + 30 + 25 +120 = 340, j =1

75

7

7

 

VZ1j

+ VZ 2j = 365 + 340

= 705 .

j =1

j =1

 

Емкость складов равна:

 

3

 

 

VSl

=140 + 90 +110 = 340 .

i=1

Очевидно, что балансы «производство - заказы», «заказ 2 – емкость складов» выполняются:

5

7

7

3

7

 

Vi = VZ1j

+ VZ 2j

= 705, VSl =

VZ 2j

= 340.

i=1

j =1

j =1

i=1

j =1

 

Составим математическую модель задачи «заводы – клиенты и склады». Введем переменные принятия решения:

xij – объем поставки с i -го завода (i =1,5) j -му клиенту или на

склад ( j =1,10 ).

Обозначим через A и B матрицы стоимостей перевозок с заводов клиентам и на склады соответственно, через C – вектор-столбец объемов производства, D1 – вектор-строка объемов заказов клиентом и емкостей

складов, X – план поставок:

 

18,6

 

16,5

22,1

40,6

32,7

 

25,4

34,6

 

 

37,5

8,8

20,7

 

 

 

 

32,3

 

20,9

17,6

13,7

16,2

 

7,6

 

18,4

 

 

 

32,0

32,2

 

 

 

 

 

 

 

 

13,0

 

 

A =

 

31,6

 

8,6

 

17,7

32,6

21,4

 

24,6

27,0

, B =

26,5

7,2

10,4

 

,

 

 

20,8

 

16,0

29,6

30,6

20,9

 

27,2

25,2

 

 

23,7

22,0

7,4

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

9,7

 

20,0

18,8

12,6

 

14,5

13,9

 

 

 

19,4

4,9

 

 

 

16,2

 

 

 

 

18,1

 

 

 

195

 

 

 

1

 

1

 

 

 

x

x

x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

110

 

 

 

1

 

1

 

 

 

 

11

12

 

17

 

 

 

 

C =

 

 

 

,

I =

 

 

 

 

 

X

1

=

x21 x22 x27

 

 

 

 

160

 

1 , J(10×1) =

 

,

 

 

,

 

 

 

 

170

 

 

 

1

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x

x

x

 

 

 

 

 

70

 

 

 

 

 

 

 

51

52

 

57

 

 

 

 

 

 

 

 

 

1

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

x

x

x

 

 

 

 

 

 

18

19

110

 

, X = (X 1

 

X 2 ).

X 2

x

28

x

29

x

210

 

 

 

=

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x

 

x

 

x

 

 

 

 

 

 

 

58

59

510

 

 

 

 

76

D1 = (60 45 30 50 65 70 45 140 90 110).

Учитывая сделанные обозначения, запишем модель транспортировки «заводы – клиенты и склады». Целевая функция суммарных затрат на перевозку:

Z =СУММПРОИЗВ ( A

 

B , X ) min ,

(3.38)

 

 

 

 

 

 

 

xij

 

 

 

 

 

 

 

 

где через СУММПРОИЗВ ( A

 

B , X ) обозначено поэлементное умножение

 

блочной матрицы A

 

B на матрицу X и суммирование.

 

 

 

Ограничения по объемам производства на заводах:

 

 

 

 

 

I T X = C

(3.39)

Ограничения по потребностям клиентов и емкости складов:

 

 

 

 

 

X J = D`1T

(3.40)

Условие неотрицательности поставок:

 

 

 

 

 

X ≥ Ο,

(3.41)

где Ο – нулевая матрица.

 

Составим математическую модель задачи «склады – клиенты». Обозначим через E матрицу стоимостей перевозок со складов кли-

ентам, через G – вектор-столбец объемов производства, D2 – векторстрока объемов заказов клиентом и емкостей складов, X – план поставок:

12,7

 

28,6

28,8

 

 

10,8

12,1

E = 34,6

 

 

12,0

21,1

19,0

1

 

 

 

 

 

 

 

 

 

 

x

1

 

 

3

 

 

,

X

 

11

J(7×1) =

 

 

= x21

1

 

 

 

x

 

 

 

 

 

 

31

1

 

 

 

 

 

D2 = (40

30

 

45

50

11,4

14,0

21,0

10,7

 

140

 

 

1

 

35,4

21,8

22,4

24,3

 

 

 

,

 

,

 

, G = 90

 

I = 1

25,6

15,0

18,9

20,3

 

 

 

 

 

 

 

110

 

 

1

 

x

x

 

 

 

 

 

 

 

 

12

 

17

 

 

 

 

 

 

 

 

x22

x27

,

 

 

 

 

 

 

 

x

x

 

 

 

 

 

 

 

 

32

 

37

 

 

 

 

 

 

 

 

30 25 120).

77

Учитывая сделанные обозначения, целевая функция суммарных затрат на перевозку примет вид:

F =СУММПРОИЗВ ( E , X 3) min ,

(3.42)

xij

 

где через СУММПРОИЗВ ( E , X 3) обозначено поэлементное умножение

матрицы E на матрицу X и суммирование. Ограничения по емкости складов:

IT X 3 = G

(3.43)

Ограничения по потребностям клиентов (2 заказ):

 

X 3 J = DT

(3.44)

2

 

Условие неотрицательности поставок:

 

X 3 ≥ Ο,

(3.45)

где Ο – нулевая матрица.

Организация данных в таблице MS Ecxel и решение задач «заводы – клиенты и склады» (3.38) – (3.41), «склады – клиенты» (3.42) – (3.45) с по-

мощью надстройки «Поиск решений» приведены на рисунке 3.11.

1. Анализируя результаты, полученные с помощью надстройки «Поиск решений», выпишем оптимальные планы поставок X*1, X*2 , X*3 «за-

воды – клиенты», «заводы – склады», «склады – клиенты» и соответствующие им суммарные затраты на перевозку.

 

 

60

 

0

0

0

 

0

45

0

 

 

0

90

0

 

 

 

 

 

0

 

0

0

50

 

0

25

0

 

 

 

35

0

0

 

 

 

 

 

 

 

 

 

 

 

 

X

1

=

0

 

45

30

0

 

40

0

0

 

, X 2

=

45

0

0

 

,

 

*

 

0

 

0

0

0

 

0

0

0

 

*

 

60

0

110

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

 

0

0

0

 

25

0

45

 

 

 

0

0

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

0

0

50

0

0

90

 

 

 

 

 

 

 

 

 

 

X*3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

=

0 30 45 0 0 15

0

.

 

 

 

 

 

 

 

 

 

 

 

 

40

0

0

0

30

10

30

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

78

 

A

B

C

D

E

F

G H I

J

K

L

M

1

 

Стоимостьперевозок«заводы– клиентыисклады»

 

 

 

 

кл. 1

кл. 2 кл. 3

кл. 4 кл. 5

кл. 6

кл. 7 скл. 1

скл. 2 скл. 3

 

 

2

Зав.1

18,6

16,5

22,1

40,6

32,7

25,4

34,6

37,5

8,8

20,7

 

 

3

Зав. 2

32,3

20,9

17,6

13,7

16,2

7,6

18,4

13,0

32,0

32,2

 

 

4

Зав. 3

31,6

8,6

17,7

32,6

21,4

24,6

27,0

26,5

7,2

10,4

 

 

5

Зав. 4

20,8

16,0

29,6

30,6

20,9

27,2

25,2

23,7

22,0

7,4

 

 

6

Зав. 5

16,2

9,7

20,0

18,8

12,6

14,5

13,9

18,1

19,4

4,9

 

 

7

 

Планперевозок«заводы– клиентыисклады»

 

отгруз-

про-

8

 

 

 

 

 

 

 

 

 

 

 

 

кл. 1

кл. 2

кл. 3

кл. 4

кл. 5

кл. 6

кл. 7

скл. 1

скл. 2

скл. 3

ка

изв.

9

Зав. 1

60

0

0

0

0

45

0

0

90

0

195

195

10

Зав. 2

0

0

0

50

0

25

0

35

0

0

110

110

11

Зав. 3

0

45

30

0

40

0

0

45

0

0

160

160

12

Зав. 4

0

0

0

0

0

0

0

60

0

110

170

170

13

Зав. 5

0

0

0

0

25

0

45

0

0

0

70

70

14

пос-

 

 

 

 

 

 

 

 

 

 

 

705

15

тавки

60

45

30

50

65

70

45

140

90

110

10522,3

1 за-

 

 

 

 

 

 

 

 

 

 

705

 

 

каз

60

45

30

50

65

70

45

140

90

110

 

16

 

Стоимостьперевозок«склады– клиенты»

 

 

 

 

17

 

кл. 1

кл. 2 кл. 3

кл. 4 кл. 5

кл. 6

кл. 7 Полныеиздержки(1вариант)

 

18

Скл. 1

12,7

28,6

28,8

11,4

14,0

21,0

10,7

 

1526,57

 

 

19

Скл. 2

34,6

10,8

12,1

35,4

21,8

22,4

24,3

 

 

 

 

 

20

Скл. 3

19,0

12,0

21,1

25,6

15,0

18,9

20,3

 

 

 

 

 

21

 

 

Планперевозок «склады– клиенты»

 

 

 

 

22

 

кл. 1

кл. 2

кл. 3

кл. 4 кл. 5

кл. 6

кл. 7

 

Емк.

 

 

 

23

Скл. 1

0

0

0

50

0

0

90

140

140

 

 

 

24

Скл. 2

0

30

45

0

0

15

0

90

90

 

 

 

25

Скл. 3

40

0

0

0

30

10

30

110

110

 

 

 

26

Пос-

 

 

 

 

 

 

 

 

340

 

 

 

27

тавк.

40

30

45

50

30

25

120

4744,2

 

 

 

2 за-

 

 

 

 

 

 

 

340

 

 

 

 

 

каз

40

30

45

50

30

25

120

 

 

 

 

Рис. 3.10 – Организации данных и результат решения задачи «Перевозки

 

поставщик-потребитель через склады (1вариант)» в таблице Excel

Z

min

= Z (X 1

X 2 ) =105 223 (грн), F

= F(X 3) = 47 442 (грн),

 

*

*

min

*

Zmin + Fmin =105 223 + 47 442 =152 675 (грн).

Решение задачи «Перевозки поставщик-потребитель через склады (1вариант)» выполнено полностью.

2. Для ответа на вопрос второго пункта задачи определим нормированную стоимость перевозки с завода 1 второму клиенту. Как видно из отчета по устойчивости (рис. 3.12) она составляет 35,4 грн. Уменьшение транспортных расходов с завода 1 к клиенту 2 не превосходит соответствующей нормированной стоимости (30<35,4). Следовательно, оптимальный план поставок задачи «Перевозкипоставщик-потребительчерезсклады(1вариант)» неизмениться.

79

Microsoft Excel 11.0 Отчет по устойчивости

 

 

 

 

Ячейка

Имя

Результ.

 

Нормир.

Целевой

Допустимое

Допустимое

 

значение

 

стоимость

Коэффициент

Увеличение

Уменьшение

 

 

 

 

 

$B$9

Завод 1 кл. 1

60

0,00

18,62

9,39

1E+30

 

$C$9

Завод 1 кл. 2

0

 

3,54

16,48

1E+30

3,54

 

$D$9

Завод 1 кл. 3

0

0,06

22,08

1E+30

0,06

 

$E$9

Завод 1 кл. 4

0

8,99

40,57

1E+30

8,99

 

$F$9

Завод 1 кл. 5

0

6,92

32,73

1E+30

6,92

 

$G$9

Завод 1 кл. 6

45

0,00

25,42

0,06

2,77

 

$H$9

Завод 1 кл. 7

0

7,48

34,56

1E+30

7,48

 

$I$9

Завод 1 склад 1

0

6,63

37,50

1E+30

6,63

 

$J$9

Завод 1 склад 2

90

0,00

8,80

2,77

1E+30

 

$K$9

Завод 1 склад 3

0

6,13

20,70

1E+30

6,13

 

$B$10

Завод 2 кл. 1

0

31,53

32,29

1E+30

31,53

 

$C$10

Завод 2 кл. 2

0

25,85

20,92

1E+30

25,85

 

$D$10

Завод 2 кл. 3

0

13,49

17,64

1E+30

13,49

 

$E$10

Завод 2 кл. 4

50

0,00

13,72

0,45

1E+30

 

$F$10

Завод 2 кл. 5

0

8,22

16,16

1E+30

8,22

 

$G$10

Завод 2 кл. 6

25

0,00

7,55

2,33

0,06

 

$H$10

Завод 2 кл. 7

0

9,15

18,36

1E+30

9,15

 

$I$10

Завод 2 склад 1

35

0,00

13,00

0,06

0,45

 

$J$10

Завод 2 склад 2

0

41,07

32,00

1E+30

41,07

 

$K$10

Завод 2 склад 3

0

35,50

32,20

1E+30

35,5

 

$B$11

Завод 3 кл. 1

0

17,31

31,56

1E+30

17,31

 

$C$11

Завод 3 кл. 2

45

0,00

8,57

3,54

1E+30

 

$D$11

Завод 3 кл. 3

30

0,00

17,66

0,06

1E+30

 

$E$11

Завод 3 кл. 4

0

5,38

32,60

1E+30

5,38

 

$F$11

Завод 3 кл. 5

40

0,00

21,44

2,21

0,45

 

$G$11

Завод 3 кл. 6

0

3,59

24,64

1E+30

3,59

 

$H$11

Завод 3 кл. 7

0

4,27

26,99

1E+30

4,27

 

$I$11

Завод 3 склад 1

45

0,00

26,50

0,20

0,06

 

$J$11

Завод 3 склад 2

0

2,77

7,20

1E+30

2,77

 

$K$11

Завод 3 склад 3

0

0,20

10,40

1E+30

0,20

 

$B$12

Завод 4 кл. 1

0

9,39

20,85

1E+30

9,39

 

….

….

….

 

….

….

….

 

$G$12

Завод 4 кл. 6

0

8,91

27,16

1E+30

8,91

 

$H$12

Завод 4 кл. 7

0

5,28

25,19

1E+30

5,28

 

$I$12

Завод 4 склад 1

60

0,00

23,70

2,21

0,20

 

$J$12

Завод 4 склад 2

0

20,37

22,00

1E+30

20,37

 

$K$12

Завод 4 склад 3

110

0,00

7,40

0,20

1E+30

 

$B$13

Завод 5 кл. 1

0

10,81

16,21

1E+30

10,81

 

$C$13

Завод 5 кл. 2

0

10,00

9,72

1E+30

10,00

 

$D$13

Завод 5 кл. 3

0

11,21

20,01

1E+30

11,21

 

$E$13

Завод 5 кл. 4

0

0,45

18,81

1E+30

0,45

 

$F$13

Завод 5 кл. 5

25

0,00

12,59

0,45

4,27

 

$G$13

Завод 5 кл. 6

0

2,33

14,52

1E+30

2,33

 

$H$13

Завод 5 кл. 7

45

0,00

13,85

4,27

1E+30

 

$I$13

Завод 5 склад 1

0

0,46

18,10

1E+30

0,46

 

$J$13

Завод 5 склад 2

0

23,82

19,40

1E+30

23,82

 

$K$13

Завод 5 склад 3

0

3,56

4,90

1E+30

3,56

Рис. 3.11 Отчет по устойчивости задачи «Перевозки поставщик-

потребитель через склады (1 вариант)»

80

3. Решение задачи «Перевозки поставщик-потребитель через склады (2 вариант)» и сравнение с результатами задачи «Перевозки поставщикпотребитель через склады (1 вариант)» приведены на рис. 3.13. Как видно при решении задачи оптимизации по частям, транспортные расходы увеличились на3 911 грн, чтосоставило2,56% отрасходовпопервомуварианту.

 

A

B

C

 

D

E

F

G

 

H

I

 

J

K

 

 

 

 

Стоимость

 

перевозок «заводы – клиенты»

 

 

 

 

1

 

кл. 1

кл. 2

 

кл. 3

кл. 4

кл. 5

кл. 6

 

кл. 7

Скл.

 

 

 

2

Завод1

18,6

16,5

22,1

40,6

32,7

25,4

34,6

0

 

 

 

3

Завод2

32,3

20,9

17,6

13,7

16,2

7,6

18,4

0

 

 

 

4

Завод3

31,6

8,6

17,7

32,6

21,4

24,6

27,0

0

 

 

 

5

Завод4

20,8

16,0

29,6

30,6

20,9

27,2

25,2

0

 

 

 

6

Завод5

16,2

9,7

20,0

18,8

12,6

14,5

13,9

0

 

 

 

7

 

 

 

План

перевозок

«заводы – клиенты»

 

 

 

 

8

 

кл. 1

кл. 2

 

кл. 3

кл. 4

кл. 5

кл. 6

 

кл. 7

Скл.

 

отгрузка

произв.

9

Завод1

60

 

0

 

 

0

 

0

 

0

 

0

 

 

0

 

135

 

195

195

10

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Завод2

0

 

0

 

 

0

 

40

 

0

 

70

 

 

0

 

0

 

110

110

11

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Завод3

0

 

45

 

 

30

 

0

 

0

 

0

 

 

0

 

85

 

160

160

12

Завод4

0

 

0

 

 

0

 

0

 

50

 

0

 

 

0

 

120

 

170

170

13

Завод5

0

 

0

 

 

0

 

10

 

15

 

0

 

 

45

 

0

 

70

70

14

поставки

60

45

30

50

65

70

45

340

 

5152,95

705

15

1 заказ

60

45

30

50

65

70

45

340

 

705

 

16

 

Стоимость и план перевозок «заводы – склады»

 

 

 

 

17

 

скл. 1

скл. 2

скл. 3

 

 

 

 

скл. 1

 

скл. 2

скл. 3

 

 

 

18

Завод1

37,5

8,8

20,7

 

 

 

 

0

 

 

90

 

45

 

135

135

19

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Завод2

13,0

32,0

32,2

 

 

 

 

0

 

 

0

 

0

 

0

0

20

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Завод3

26,5

7,2

10,4

 

 

 

 

85

 

 

0

 

0

 

85

85

21

Завод4

23,7

22,0

7,4

 

 

 

 

55

 

 

0

 

65

 

120

120

22

Завод5

18,1

19,4

4,9

 

 

 

 

0

 

 

0

 

0

 

0

0

23

 

 

 

 

 

 

 

 

 

 

 

 

140

90

110

 

5760,5

340

24

 

 

 

 

 

 

 

 

 

 

Емк.

140

90

110

 

340

 

 

 

 

Стоимость

перевозок «склады – клиенты»

 

 

 

 

25

 

кл. 1

кл. 2

 

кл. 3

кл. 4

кл. 5

кл. 6

 

кл. 7

 

 

 

 

26

Скл. 1

12,7

 

28,6

 

28,8

 

11,4

 

14,0

 

21,0

 

10,7

 

Полныеиздержки

 

 

 

 

 

 

 

 

(2 вариант)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

27

Скл.2

34,6

10,8

12,1

35,4

21,8

22,4

24,3

 

 

15 657,6

28

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Полныеиздержки

 

Скл.3

19,0

12,0

21,1

25,6

15,0

18,9

20,3

 

(1 вариант)

 

29

 

 

 

План

перевозок

«склады – клиенты»

 

 

15 267,5

30

 

кл. 1

кл. 2

 

кл. 3

кл. 4

кл. 5

кл. 6

 

кл. 7

Экономия(2-1)

391,1

31

склад1

0

 

0

 

 

0

 

50

 

0

 

0

 

 

90

 

140

 

140

2,56%

32

склад2

0

 

30

 

 

45

 

0

 

0

 

15

 

 

0

 

90

 

90

 

33

склад3

40

 

0

 

 

0

 

0

 

30

 

10

 

 

30

 

110

 

110

 

34

 

40

30

45

50

30

25

120

4744,19

 

340

 

35

2 заказ

40

30

45

50

30

25

120

340

 

 

 

Рис. 3.12 Решение задачи «Перевозки поставщик-потребитель через

склады (2 вариант – оптимизация по частям)» в таблице Excel

81

3.7. Организация доставки нескольких продуктов (случай альтернативного решения)

Менеджер отдела логистики составляет план перевозок продукции фирмы с трех ее складских комплексов База 1, База 2, База 3 к четырем клиентам двух видов продукции: А, В. Стоимость перевозок для каждого вида продукции, исходя из расстояний и других обстоятельств, запасы товаров на складах и заказы клиентов приведены в таблице 3.11.

1.Составьте план перевозок, минимизирующий транспортные издержки. Если спрос по отдельным позициям удовлетворить невозможно, руководствуйтесь минимумом издержек для себя.

2.Оцените максимально возможную экономию суммарных затрат на транспортировку двух грузов при оптимальном плане поставок по сравнению с другими возможными решениями данной задачи.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Таблица 3.11

 

 

Характеристики поставок товаров А и В (грн/шт.)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Стоимости перевозок товаров А и В

 

 

запасы

 

 

 

 

Клиент 1

 

Клиент 2

 

Клиент 3

 

Клиент 4

 

 

 

 

 

 

 

 

 

 

 

 

 

А

В

 

А

В

 

А

В

 

А

В

А

В

база 1

А

 

 

62

 

 

 

50

 

 

 

 

45

 

 

 

 

43

 

 

 

21

 

В

 

 

 

78

 

 

 

 

66

 

 

 

 

64

 

 

82

 

 

21

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

база 2

А

 

45

 

 

54

 

 

 

48

 

 

 

 

45

 

 

 

33

 

В

 

 

74

 

 

 

85

 

 

 

68

 

 

 

 

58

 

 

42

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

база 3

А

 

55

 

 

46

 

 

 

52

 

 

 

 

44

 

 

 

17

 

В

 

 

90

 

 

 

75

 

 

 

81

 

 

 

 

79

 

 

57

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

заказы

А

 

15

 

 

22

 

 

 

12

 

 

 

 

32

 

 

 

81/71

Баланс

В

 

 

20

 

 

 

26

 

 

 

22

 

 

 

42

 

баланс

110/120

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Решение. Для решения многопродуктовой задачи можно использовать два подхода. Первый – разделить на две транспортных задачи (по числу перевозимых продуктов) и решать каждую задачу отдельно с помощь надстройки «Поиск решений». Второй подход предполагает получение решения в одной задаче. Он необходим, когда поставки двух продуктов, каким-то образом увязаны друг с другом.

1. Решение первым способом приведено на рис. 3.13–3.16. Как видно из отчета по результатам на рис. 3.15, транспортная задача (поставки товара А) имеет альтернативный оптимум. Заливкой выделены ячейки, в которых после повторного запуска надстройки «Поиск решений» изменяются значения – объемы поставок клиентам 3 и 4 с первой базы, клиентам 2 и 4 с третьей базы и объемы недопоставок (поставки от фиктивного поставщика) клиентам 2 и 3.

Таким образом, оптимальный план поставок товара А примет вид:

82

 

 

0

 

0

 

12

9

0

0

 

7

 

14

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

X*A(1) = 15

0

 

0

18

, X*A(2)

= 15

0

 

0

 

18

,

 

 

 

 

12

0

5

 

 

 

17

0

 

0

 

 

 

0

 

 

 

0

 

 

 

 

 

 

Стоимости перевозок товара А

 

 

 

 

 

 

 

 

 

Клиент 1

 

Клиент 2

 

 

Клиент 3

 

Клиент 4

 

 

 

 

 

 

 

база 1

 

 

62

 

 

 

50

 

 

 

45

 

 

43

 

 

 

 

 

 

 

база 2

 

 

45

 

 

 

54

 

 

 

48

 

 

45

 

 

 

 

 

 

 

база 3

 

 

55

 

 

 

46

 

 

 

52

 

 

44

 

 

 

 

 

 

 

ф. база

 

 

0

 

 

 

0

 

 

 

0

 

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

План поставок товара А

 

 

 

 

 

 

 

 

 

 

Клиент 1

 

Клиент 2

 

 

Клиент 3

 

Клиент 4

 

 

отгрузка

запасы

база 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

21

 

21

 

 

0

 

 

 

0

 

 

 

12

 

 

9

 

 

 

база 2

 

 

15

 

 

 

0

 

 

 

0

 

 

18

 

 

 

33

 

33

база 3

 

 

0

 

 

 

12

 

 

 

0

 

 

5

 

 

 

17

 

17

 

 

 

 

 

 

 

 

 

 

 

 

 

ф. база

 

 

0

 

 

 

10

 

 

 

0

 

 

0

 

 

 

10

 

10

поставки

 

 

15

 

 

 

22

 

 

 

12

 

 

32

 

 

 

3184

 

81

заказы

 

 

15

 

 

 

22

 

 

 

12

 

 

32

 

 

 

81

 

баланс

Рис. 3.13 Решение задачи «Многопродуктовая транспортная задача

(план поставок товара А)» в таблице Excel

X*A = λX*A(1) + (1 λ)X*A(2) , λ ={0,1}.

Транспортные расходы при данном плане поставок товара А будут минимальными и составят:

FmAin = F(X*A (1)) = F(X*A(2)) = 3184 грн.

Оптимальный план поставок товара В примет вид:

 

 

0

0

21

0

 

 

 

 

 

 

 

 

 

 

X

*B =

0

0

0

42

 

,

 

 

20

26

1

0

 

 

 

 

 

 

Транспортные расходы при данном плане поставок товара В будут минимальными и составят:

FminB = F(X*B ) = 7 611 грн.

Витоге транспортные расходы при данных планах поставок товаров

Аи В будут минимальными и составят:

FmiA,nB = FminA + FminB = 3184 + 7 611 =10 795 грн.

83

 

 

СтоимостиперевозоктовараВ

 

 

 

 

 

 

 

Клиент1

 

Клиент2

 

Клиент3

 

 

Клиент4

 

Ф.клиент

 

 

база1

78

66

64

 

 

82

0

 

 

база2

74

85

68

 

 

58

0

 

 

база3

90

75

81

 

 

79

0

 

 

 

 

 

 

ПланпоставоктовараВ

 

 

 

 

 

 

 

 

 

Клиент1

 

Клиент2

 

Клиент3

 

 

Клиент4

 

Ф.клиент

отгрузка

запасы

база1

 

0

 

 

0

 

 

21

 

 

 

0

 

 

0

 

21

21

база2

 

0

 

 

0

 

 

0

 

 

 

42

 

 

0

 

42

42

база3

20

26

1

 

 

0

10

57

57

поставки

20

26

22

 

 

42

10

7611

120

заказы

20

26

22

 

 

42

10

120

баланс

Рис. 3.14 Организации данных и результат решения задачи

«Многопродуктовая транспортная задача (план поставок товара В)» в таблице Excel

Microsoft Excel 11.0 Отчет по результатам

 

 

Целевая ячейка (Минимум)

 

 

Ячейка

Имя

Исходное значение

Результат

 

$H$16

поставки

3184

3184

 

Изменяемые ячейки

 

 

 

Ячейка

Имя

Исходное значение

Результат

 

$C$11

база 1 Клиент 1

0

0

 

$D$11

база 1 Клиент 2

0

0

 

$E$11

база 1 Клиент 3

7

12

 

$F$11

база 1 Клиент 4

14

9

 

$C$12

база 2 Клиент 1

15

15

 

$D$12

база 2 Клиент 2

0

0

 

$E$12

база 2 Клиент 3

0

0

 

$F$12

база 2 Клиент 4

18

18

 

$C$13

база 3 Клиент 1

0

0

 

$D$13

база 3 Клиент 2

17

12

 

$E$13

база 3 Клиент 3

0

0

 

$F$13

база 3 Клиент 4

0

5

 

$C$14

ф. база Клиент 1

0

0

 

$D$14

ф. база Клиент 2

5

10

 

$E$14

ф. база Клиент 3

5

0

 

$F$14

ф. база Клиент 4

0

0

Рис. 3.15 Отчет по результатам задачи «Многопродуктовая транс-

портная задача (план поставок товара А)» в таблице Excel

Второй способ решения задачи оптимизации поставок двух продуктов приведен нарис. 3.16, 3.17. Переменные принятиярешениявэтомслучае:

xijA – объемы поставок продукта А, xijB – объемы поставок продукта В,

84

i

– номер базы, i =

 

,

 

 

 

 

 

1,4

 

 

 

j

– номер клиента, j =

 

.

 

 

 

1,5

 

 

 

 

 

 

 

 

 

 

 

 

 

Microsoft Excel 11.0 Отчет по результатам

 

 

 

 

Целевая ячейка (Минимум)

 

 

 

 

 

 

Ячейка

 

Имя

Исходное значение

Результат

 

 

 

 

$H$12

поставки

7611

7611

 

 

 

 

Изменяемые

ячейки

 

 

 

 

 

 

Ячейка

 

Имя

Исходное значение

Результат

 

 

 

 

$C$9

база 1 Клиент 1

0

0

 

 

 

 

$D$9

база 1 Клиент 2

0

0

 

 

 

 

$E$9

база 1 Клиент 3

21

21

 

 

 

 

$F$9

база 1 Клиент 4

0

0

 

 

 

 

$G$9

база 1 Ф.клиент

0

0

 

 

 

..

 

..

 

 

 

 

$E$10

база 2 Клиент 3

0

0

 

 

 

 

$F$10

база 2 Клиент 4

42

42

 

 

 

 

$G$10

база 2 Ф. клиент

0

0

 

 

 

 

$C$11

база 3 Клиент 1

20

20

 

 

 

 

$D$11

база 3 Клиент 2

26

26

 

 

 

 

$E$11

база 3 Клиент 3

1

1

 

 

 

 

$F$11

база 3 Клиент 4

0

0

 

 

 

 

$G$11

база 3 Ф. клиент

10

10

 

 

 

 

 

 

 

 

 

 

 

 

 

Рис. 3.16 Отчет по результатам «Многопродуктовая транспортная

задача (план поставок товара В)» в таблице Excel

Для того чтобы при вводе формул целевой функции и системы ограничений ссылки на ячейки, в которых находятся переменные принятия решений, были непрерывными, необходимо ввести «фиктивные» перемен-

ные xijBA, xijAB , которые в оптимальном решении должны равняться нулю.

Для удобства ввода ограничений транспортная задача приведена к закрытому типу: добавлен фиктивный клиент с объемом заказов 10 штук товара В и фиктивная база с объемом запасов 10 штук товара А. Так как направление целевой функции транспортной задачи на минимум, для того чтобы запретить такие «фиктивные» перевозки необходимо по данному маршруту поставить высокую цену (много больше любой из имеющихся цен). После таких преобразований матрицы цен целевая функция и ограничения задаются как в обычной однопродуктовой задаче. Вызов надстройки «Поиск решений» приводит к результатам, приведенным на рис. 3.17, 3.18. Сравнивая с решением, полученным первым способом, видим, что решения двумя способами совпадают.

85

2. Для ответа на второй вопрос задачи, поменяем направление целевой функции данной транспортной задачи с минимума на максимум и найдем ее решение с помощью надстройки «Поиск решений».

 

A

B

 

C

D

 

E

F

 

G

H

 

I

J

K

L

M

1

 

 

 

 

 

 

 

 

Стоимости перевозок товаров А и В

 

 

 

 

 

 

 

2

 

 

 

Клиент 1

 

Клиент 2

 

Клиент 3

 

Клиент 4

 

 

 

 

 

3

 

 

 

А

В

 

А

В

 

А

В

 

А

В

В

 

 

 

4

база 1

А

62

 

1,E+05

 

50

 

1,E+05

 

45

 

1,E+05

 

43

 

1,E+05

 

0

 

 

 

 

5

В

 

1,E+05

 

78

 

 

1,E+05

 

66

 

 

1,E+05

 

64

 

 

1,E+05

 

82

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

6

база 2

А

45

 

1,E+05

 

54

 

1,E+05

 

48

 

1,E+05

 

45

 

1,E+05

 

0

 

 

 

 

7

В

 

1,E+05

 

74

 

 

1,E+05

 

85

 

 

1,E+05

 

68

 

 

1,E+05

 

58

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

8

база 3

А

55

 

1,E+05

 

46

 

1,E+05

 

52

 

1,E+05

 

44

 

1,E+05

 

0

 

 

 

 

9

В

 

1,E+05

 

90

 

 

1,E+05

 

75

 

 

1,E+05

 

81

 

 

1,E+05

 

79

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

10

 

А

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

0

 

 

 

 

11

 

 

 

 

 

 

 

 

План поставок товаров А и В

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ф.

От-

За-

12

 

 

 

Клиент 1

 

Клиент 2

 

Клиент 3

 

Клиент 4

кли-

груз-

па-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ент

ка

сы

13

 

 

 

А

В

 

А

В

 

А

В

 

А

В

В

 

 

 

14

база 1

А

0

 

0

 

0

 

0

 

12

 

0

 

9

 

0

 

0

 

21

 

21

15

В

 

0

 

0

 

 

0

 

0

 

 

0

 

21

 

 

0

 

0

 

0

 

21

 

21

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

16

база 2

А

15

 

0

 

0

 

0

 

0

 

0

 

18

 

0

 

0

 

33

 

33

17

В

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

 

0

 

 

0

 

0

 

 

0

 

0

 

 

0

 

42

 

0

 

42

 

42

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

18

база 3

А

0

 

0

 

12

 

0

 

0

 

0

 

5

 

0

 

0

 

17

 

17

19

В

 

0

 

20

 

 

0

 

26

 

 

0

 

1

 

 

0

 

0

 

10

 

57

 

57

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

20

ф. база

А

0

 

0

 

10

 

0

 

0

 

0

 

0

 

0

 

0

 

10

 

10

21

Постав-

 

15

 

20

 

22

 

26

 

12

 

22

 

32

 

42

 

10

 

10795

 

 

 

ки

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

22

заказы

 

15

 

20

 

22

 

26

 

12

 

22

 

32

 

42

 

10

 

 

 

 

23

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

81

 

120

 

 

 

 

 

 

24

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

А

В

 

 

 

 

 

25

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

баланс

 

 

 

 

 

Рис. 3.17 Организация данных и результат решения задачи

«Многопродуктовая транспортная задача (план поставок товаров А и В)» в таблице Excel

Для этого модифицируем матрицу цен исходной задачи, изменив цену «фиктивных» перевозок с 1,E+05 на -1,E+05. Поиск решения дает резуль-

тат FmaxA,B =12 810 грн, что на 18,67% больше FmiA,nB =10 795 грн.

Таким образом, максимально возможная экономия суммарных затрат на транспортировку двух грузов составляет 2 015 грн в абсолютном выражении или 15,73% от максимальных затрат в относительном выражении.

Решение примера 3.7. выполнено полностью.

86

Microsoft Excel 11.0 Отчет по результатам

 

 

Целевая ячейка (Минимум)

 

 

 

 

Ячейка

Имя

Исходное значение

 

Результат

 

$M$22

поставки

10795

10795

Изменяемые ячейки

 

 

 

 

Ячейка

Имя

Исходное значение

 

Результат

 

$D$15

А А

0

0

 

….

…..

 

 

$G$15

А В

0

0

 

$H$15

А А

7

 

12

 

$I$15

А В

0

0

 

$J$15

А А

14

 

9

 

$K$15

А В

0

0

 

….

…..

 

 

$E$19

А В

0

0

 

$F$19

А А

17

 

12

 

$G$19

А В

0

0

 

….

…..

 

 

$L$20

В В

10

10

 

$D$21

А А

0

0

 

$E$21

А В

0

0

 

$F$21

А А

5

 

10

 

$G$21

А В

0

0

 

$H$21

А А

5

 

0

 

….

…..

 

 

$L$21

А В

0

0

Рис. 3.18 Отчет по результатам «Многопродуктовая транспортная

задача (план поставок товаров А и В)» в таблице Excel

3.8. Проектирование размещения складов при условии постоянной цены хранения

В пункте 3.1 рассматривалась математическая модель оптимального прикрепления потребителей к поставщикам, которая сводилась к транспортной задаче (ТЗ) линейного программирования (ЛП). В ней предполагалось, что поставщики напрямую отгружают свой товар потребителям.

Рассмотрим более сложную схему поставок. Пусть в регионе имеется крупная агрофирма, которая производит сельскохозяйственную продукцию и реализует её через сеть своих магазинов. В рамках агрофирмы действуют m поставщиков (сельхозпредприятий) товара (картофеля) с запасами a1 , a2 ,…, am . Товар доставляется на n складов, на которых можно

хранить b1 , b2 ,…, bn единиц товара (тонн картофеля). Известны также cij

(i =1,m, j =1,n ) – цены перевозки единицы товара от i -го поставщика на j -й склад.

Пусть неизвестные величины xij (i =1,m, j =1,n ), обозначают объёмы планируемых перевозок от i -го поставщика на j -й склад. Обозначим через Z общую стоимость таких перевозок. Если остановиться на такой

87

постановке задачи и стремиться минимизировать Z, сическая ТЗ, рассмотренная в пункте 3.1:

m n

 

 

Z = ∑∑cij xij min

 

i=1 j=1

 

 

n

n

n

x1 j = a1,

x2 j = a2 ,...,xmj = am ,

j=1

j=1

j=1

m

m

m

xi1 = b1,

xi2 = b2 ,...,xin = bn ,

i=1

i=1

i=1

то перед нами клас-

(3.46)

(3.47)

xij 0 (i =

1,m

; j =

1,n

)

(3.48)

Пусть товар со складов получают

p потребителей (магазинов) с по-

требностями e1 , e2 ,…, ep . Обозначим через d jk ( j =1,n , k =1, p ) совокуп-

ные стоимости доставки единицы товара с j -го склада k -му потребителю. Причём совокупная стоимость d jk включает цену транспортировки и цену хранения единицы товара на складе.

Предположим, что неизвестные величины y jk ( j =1,n , k =1, p ) обозначают объёмы планируемых перевозок с j -го склада k -му потребителю.

Введём W – общую стоимость доставки товара со складов потребителям, которая включает и общую стоимость хранения товара на складах.

Таким образом, вторую часть модели мы свели к ещё одной ТЗ:

n

p

 

 

 

W = ∑∑d jk y jk min

j=1 k=1

 

 

 

p

 

 

p

p

y1k

= b1

,

y2k

= b2 ,...,ynk = bn ,

k=1

 

 

k=1

k=1

n

 

 

n

n

y j1 = e1

,

y j2 = e2 ,...,y jp = ep ,

j=1

 

 

j=1

j=1

y jk 0 ( j =1,n ; k =1, p )

(3.49)

(3.50)

(3.51)

Очевидно, что решив последовательно ТЗ (3.46) (3.48) и ТЗ (3.49) (3.51) с помощью методов, описанных в пособии [27], удастся определить

оптимальные планы объёмов перевозок xij (i =1,m, j =1,n ) и y jk ( j =1,n , k =1, p ), которые минимизируют совокупные расходы на транспортировку и хранение товара, т.е. Z +W .

88

3.9. Проектирование размещения складов при условии возможного изменения цены хранения

Рассматривая линейную модель (3.46) – (3.48), мы предполагали, что цены хранения единицы товара на складе постоянны и включали их общую стоимость перевозок. На самом деле цена хранения может быть переменной. Она может возрастать (например, с увеличением времени хранения) или, наоборот, по каким-то причинам уменьшаться. Такие допущения приводят к задачам нелинейного программирования (НЛП).

Пусть первая часть модели, т.е. (3.46) – (3.48), остаётся неизменной. При этом, во второй части предположим, что совокупные стоимости доставки единицы товара, включающие цену хранения, зависят от объёмов планируемых

перевозок и определяются выражением d jk + l jk y jk ( j =1,n , k =1, p ). Здесь l jk – это коэффициент изменения стоимости, который в зависимости от ситуа-

цииможетбытькакположительным, такиотрицательным.

Например, l jk < 0 может означать следующее. Отгружая большие объёмы y jk товара со складов, стоимость их хранения уменьшается. А это

влечёт, в свою очередь, к снижению совокупной стоимости расходов на транспортировку и хранение.

Если же, поступивший на склад товар нуждается в сортировке, первичной переработке, упаковке и т.п., то l jk > 0 . Что приводит к увеличе-

нию совокупных расходов.

Целевая функция (3.49) примет вид:

n p

W = ∑∑(d jk + l jk y jk ) y jk min . j=1 k=1

При этом система ограничений (3.50) и условие не отрицательности (3.51) останутся прежними.

Таким образом, получена задача квадратичного программирова-

ния, которая всегда труднее задачи ЛП. Решать такие задачи лучше всего приближёнными методами (см., например, гл. 12 учебного пособия [19]).

Можно воспользоваться компьютерной математической системой

«WinQSB», которая содержит подсистему «Quadratic and Integer Quadratic Programming». Однако более эффективным будет применение команды

«Поиск решения» в «Microsoft Excel».

Таблица 3.11 содержит: запасы товара на складах bj (т), j =1,4; по-

требности потребителей ek (т), k =1,4 ; совокупные тарифы хранения и перевозки единицы товара d jk (тыс. грн).

89

Коэффициент изменения тарифа d jk одинаков для всех и составляет l jk = −0,01 ( j =1,4, k =1,4 ). Т.е. при увеличении объёма поставки на 1 (т) тариф перевозки снижается на 0,01 (тыс. грн).

Требуется найти оптимальный план объёмов перевозок y jk ( j =1,4,

k =1,4 ) со складов всем потребителям, который минимизирует совокупные расходы на хранение и транспортировку товара.

Таблица 3.12

 

Условие транспортной задачи

 

ek

160

150

160

180

bj

 

 

 

 

200

4

3

4

5

 

 

 

 

130

4

6

3

4

 

 

 

 

110

5

5

4

4

 

 

 

 

210

3

5

4

6

 

 

 

 

4

4

Решение. Так как bj = 650

и ek = 650 равны между собой, то

j=1

k=1

это закрытая транспортная задача. В противном случае следует вводить фиктивный склад или фиктивного потребителя (см. [26]).

Запишем модель данной задачи квадратичного программирования.

4

4

 

 

 

 

 

 

 

 

W = ∑∑(d jk 0,01 y jk ) y jk min

 

(3.52)

j=1 k=1

 

 

 

 

 

 

 

4

 

 

4

 

 

4

4

 

y1k

= 200,

y2k =130,

y3k =110,

y4k = 210,

 

k=1

 

 

k=1

k=1

k=1

(3.53)

4

 

 

4

 

 

4

4

y j1 =160,

y j2 =150,

y j3 =160,

y j4 =180,

 

j=1

 

 

 

j=1

j=1

j=1

 

y jk 0 ( j =

 

; k =

 

)

 

 

(3.54)

1,4

1,4

 

 

Для удобства запишем целевую функцию (3.52) в другом виде:

90

4 4

W = ∑∑d jk y jk j=1 k=1

44

0,01 ∑∑( y jk )2 min .

j=1 k=1

Поместим данные нашей задачи в электронную таблицу Microsoft Excel. Серым цветом (рис. 3.19) выделен массив, в котором будут находиться неизвестные значения y jk оптимального плана объёма перевозок.

Вызываем диалоговое окно Поиск решения из меню Сервис (рис. 3.20). Вводим данные и нажимаем кнопку Выполнить.

Рис. 3.19 Данные примера 3.8 в формате Microsoft Excel

Рис. 3.20 Процесс решения задачи НЛП

91

В итоге, мы получим оптимальный план:

 

0

150

0

50

 

 

X * =

0

0

110

20

 

,

 

0

0

0

110

 

 

160

0

50

0

 

 

для которого Zmin =1453 (тыс. грн).

3.10. Определение оптимального туристического маршрута

Многие практические задачи требуют определения кратчайших маршрутов. Доставка товаров, туризм, освоение рекреационных ресурсов, охрана окружающей среды, здравоохранение – это далеко не полный список сфер применения подобных моделей. При разработке соответствующих проектов, как правило, приходится решать задачи комбинаторной оптимизации.

Первый метод решения задач целочисленного программирования был предложен в 1954 г. американскими специалистами по дискретной математике Данцигом, Фалкерсоном и Джонсоном. В 1963 г. Мурти – американский математик индийского происхождения – опубликовал результаты о новом методе ветвей и границ. В этом направлении эффективно работали Литл, Суини, Кэрол. На постсоветском пространстве следует выделить большую группу белорусских учёных – Гринберг, Шестаков, Ковалёв, Писарук, Костевич и др. (см. библиографию [19]). В последние годы наибольший интерес к вопросам комбинаторной оптимизации проявляли Таха, Немхаузер, Волсей, Салкин, Мазур идр. (см. библиографиюучебника[25]).

Рассмотрим следующую задачу. Турист, имеющий автомобиль, решил выехать из Донецка (D), посетить девять интересующих его городов – Харьков (Kh), Днепропетровск (Dn), Киев (K), Винницу (V), Черкассы (Ch), Луцк (L), Николаев (N), Одессу (O), Симферополь (S), не заезжая в них более одного раза, и вернуться в Донецк. Информация о протяжённости отдельных участков помещена в табл. 3.13.

Требуется разработать такой маршрут, чтобы общее расстояние поездки было наименьшим.

Поставленная задача известна в математике под названием задачи коммивояжёра. Её впервые сформулировал математик Карл Менгер. Было это 5 февраля 1930 г. на математическом коллоквиуме в Вене. Менгер называл её «задачей о посыльном». При формулировке задачи коммивояжёра будем придерживаться методики изложения гл. 4, учебного пособия [19]. Следует также отметить, что практически все серьёзные издания, посвящённые математическим методам исследования операций, затрагивают подобные проблемы (см., например, [10, 13, 14, 25]).

92

Таблица 3.13.

Расстояние между городами, км

Город

D

Kh

Dn

K

V

Ch

L

N

O

S

D

283

250

729

812

576

1138

579

713

571

Kh

283

222

487

720

415

896

551

685

657

Dn

250

222

479

571

326

888

329

463

458

K

729

487

479

266

201

398

517

480

852

V

812

720

571

266

340

387

466

429

801

Ch

576

415

326

201

340

610

368

453

649

L

1138

896

888

398

387

610

853

816

1188

N

579

551

329

517

466

368

853

134

339

O

713

685

463

480

429

453

816

134

473

S

571

657

458

852

801

649

1188

339

473

Итак, имеется n городов. Расстояния между ними составляют aij

(i, j =1,n , i j ). Если прямого маршрута между городами i и j не существует, то aij = ∞. Расстояния записывают в виде матрицы (табл. 3.14), где

aii = ∞.

Коммивояжёр, выехав из какого-либо города, должен посетить все города, побывав в каждом только один раз, и вернуться в исходный город. Нужно определить такую последовательность объезда (кольцевой маршрут), чтобы общее расстояние было наименьшим.

Таблица 3.14.

Матрица расстояний

 

 

 

 

 

 

 

j

1

2

n

i

 

 

 

 

 

1

 

a12

a1n

2

 

a21

a2n

n

an1

an2

Пусть городам поставлены в соответствие вершины графа, а соединяющим их дорогам – дуги. Тогда говорят, что задача заключается в определении гамильтонова контура минимальной длины.

Гамильтоновым контуром называется путь, проходящий через все вершины графа, у которого начальная вершина совпадает с конечной. Название связано с Уильямом Роуэном Гамильтоном (1805-1865) – выдающимся ирландским математиком и физиком, который занимался похожими проблемами.

93

Для записи задачи коммивояжёра введём булевы переменные:

 

= 1, если коммивояжёр переезжает из города i в город j (i, j =

 

),

xij

1,n

 

0, в противном случае.

 

 

 

Целевая функция имеет вид

 

 

 

n

n

 

 

 

Z = ∑∑aij xij min

(3.55)

 

i=1 j=1

 

 

при выполнении следующих ограничений

 

 

 

n

 

 

 

 

 

 

 

 

xij

=1, j =

 

 

(въезд в город j )

(3.56)

 

1,n

 

i=1

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

xij

=1, i =

 

(отъезд из города i )

(3.57)

 

1,n

j=1

Задачам (3.55)–(3.57) свойственны простота постановки и трудоёмкость решения, причём – вычислительного характера. Действительно, оптимальный маршрут можно найти, перебрав и сравнив по длине все возможные маршруты. Их количество конечно и составляет N = (n 1)!.

Метод полного перебора применим при малых n . Например, если n = 5 , то общее количество маршрутов N = (5 1)!= 24 и такая задача ре-

шаема даже без компьютера. Однако с увеличением числа вершин графа она становится невыполнимой. В нашем примере о десяти городах Украины N = (10 1)!= 362880, что делает полный перебор вариантов бессмыс-

ленным.

В настоящее время разработано большое число эффективных алгоритмов для решения задачи коммивояжёра. Эти алгоритмы запрограммированы в компьютерных математических системах. Автор данной главы использует «WinQSB». В этой системе имеется подсистема «Network Modeling» (сетевое моделирование), которая содержит опцию «Traveling Salesman Problem» (задача коммивояжёра). Данная опция позволяет находить оптимальный маршрут разными методами. Среди них – метод ветвей и границ и ещё три эвристических метода (метод эвристической ближайшей вершины и др.).

При решении задачи о туристе и десяти городах Украины с помощью системы «WinQSB» можно получить информацию об оптимальном маршруте в графическом виде (рис. 3.21).

94

Рис. 3.21 Граф оптимального решения задачи о туристическом

маршруте

Опишем оптимальный маршрут в более удобном виде, поместив над стрелками расстояние между городами в километрах и вычислив его общую протяжённость:

Донецк (D) 250 Днепропетровск (Dn) 222 Харьков (Kh) 415

Черкассы (Ch) 201 Киев (K) 266 Винница (V) 387 Луцк (L)

816 Одесса (O) 134 Николаев (N) 339 Симферополь (S)

571 Донецк (D) = 3601 (км).

Математику недаром называют «царицей наук». Решая какую-то задачу практической или даже абстрактной направленности, исследователяматематика интересует общий метод решения таких задач. Очень часто оказывается, что одни и те же методы подходят для решения совсем непохожих проблем.

Рассматривая задачу коммивояжёра, мы имели дело с городами и расстояниями. Заметим, что под «городами» могут пониматься какие-то состояния объекта. Под «расстоянием» же можно подразумевать стоимость или продолжительность путешествия между ними.

Примером может служить задача о станке. Деталь в процессе обработки подвергается n операциям. При переходе от одной операции к другой станок какое-то время переналаживают. Требуется найти такой порядок проведения всех операций (с возвращением станка в исходное состоя-

95

ние), при котором суммарные потери времени были бы наименьшими. Понятно, что задача о станке – аналог задачи о коммивояжёре. Таблица потерь времени – это матрица «расстояний». «Городами» будут состояния станка после различных операций.

К задаче коммивояжёра приводят задачи планирования производства, проектирования линий связи, задачи составления маршрута почтальона (врача, контролёра и т.д.), задачи проектирования компьютерных систем.

Вучебнике [19, гл. 9.3] приведен пример 9.3.1. Дневной график работы предприятия, производящего краски, включает изготовление партий белой, жёлтой, красной и чёрной красок. Т.к. используется одно и то же оборудование, то после приготовления краски необходима чистка. Время чистки между двумя красками известно. Необходимо определить оптимальную последовательность производства красок, которая минимизирует суммарное время чистки оборудования.

Втом же учебнике дано упражнение 9.3.1. Менеджер проектов имеет 10 сотрудников, которые работают над шестью проектами, причём каждый работает одновременно над несколькими проектами (табл. 3.15).

Таблица 3.15

Распределение проектов между сотрудниками

Проект

 

 

1

2

3

4

5

6

 

1

 

Χ

 

Χ

Χ

 

 

2

Χ

 

Χ

 

Χ

 

 

3

 

Χ

Χ

Χ

 

Χ

Сотрудники

4

 

 

Χ

Χ

Χ

 

5

Χ

Χ

Χ

 

 

 

 

6

Χ

Χ

Χ

Χ

 

Χ

 

7

Χ

Χ

 

 

Χ

Χ

 

8

Χ

 

Χ

Χ

 

 

 

9

 

 

 

 

Χ

Χ

 

10

Χ

Χ

 

Χ

Χ

Χ

Менеджер должен встретиться с каждым из 10 сотрудников один раз в неделю для обсуждения их проблем. Беседа с каждым из них длится примерно 20 минут, т.е. на разговоры со всеми сотрудниками уходит 3 часа 20 минут. Предлагается проводить встречи менеджера с группами сотрудников, работающих над одним и тем же проектом. Менеджер планирует составить график обсуждения проектов так, чтобы уменьшить движение в офисе, т.е. сократить число сотрудников, входящих и выходящих из комнаты для совещаний.

Имеются также (см. [19, гл. 9.3]) комплексные задачи на составления расписания работ по строительству торгового центра, на формирования

96

состава спортивных команд, на размещение наружной рекламы, на расположение сервисных центров компаний по оказанию услуг населению.

Как видно, проблемы, сводящиеся к решению задачи коммивояжёра, весьма разнообразны и заслуживают внимания. Однако их обычно рассматривают в детерминистической постановке. Т.е. фактор случайности не учитывается совсем.

В научной статье [65] автор предлагает считать расстояния между городами случайными величинами. Действительно, пользуясь картой или навигатором, водитель рассчитывает на одно расстояние. Оно же может оказаться несколько другим. Это связано со следующими обстоятельствами: а) ремонт участка дороги и необходим объезд; б) маршрут проходит через крупный населённый пункт и водитель, не зная точно направления, может заблудиться; в) стиль вождения автомобиля и др.

Понятно, что адекватность модели будет зависеть от выбора функции распределения вероятностей случайных величин. Т.к. речь идёт о расстояниях между городами, то это должны быть непрерывные случайные величины, принимающие свои значения из соответствующих интервалов.

Пусть расстояние между городами – случайные величины aij (ω)

(i, j =1,n , i j ), равномерно распределённые на отрезках [αij ;βij ]. По смыслу задачи концы отрезка могут быть только положительными числами. Причём, чем меньше участок дороги преподносит неожиданностей, тем меньше длина отрезка (разброс величины расстояния).

Функция распределения вероятностей случайной величины, равномерно распределённой на отрезке [αij ;βij ], имеет вид:

0,

x αij ;

 

 

x αij

 

 

 

 

 

F(x) = P{aij (ω) < x} =

 

 

,

αij < x βij ;

βij αij

 

 

 

1,

x > βij .

 

Напомним, что функция распределения позволяет вычислять вероятности интересующих нас событий. Её график помещён на рис. 3.22.

Рис. 3.22 График функции распределения вероятностей

97

Для того чтобы задать такие случайные величины, необходимо определить отрезки распределения. Это можно сделать статистическими методами. Транспортное агентство, регулярно совершающее перевозки на участке от города i до города j, может собрать информацию о пройденных

расстояниях. Определим по статистической выборке наименьшее αij и наибольшее βij расстояния. Поступив аналогично с остальными участками возможных маршрутов (см. табл. 3.16), получим, что случайные величины aij (ω) распределены равномерно на отрезках [αij ;βij ], где i, j =1,n , i j .

Пусть Z (ω) (км) – общая протяжённость кольцевого маршрута. Сто-

хастическую постановку задачи можно свести к детерминированному случаю, если взять от целевой функции математическое ожидание:

n n

M[Z(ω)] = ∑∑M[aij (ω)] xij min .

i=1 j=1

Таблица 3.16.

Данные об отрезках распределения расстояний

 

j

1

2

n

i

 

 

 

 

 

1

 

[α12 ;β12 ]

[α1n ;β1n ]

2

 

[α21;β21]

[α2n ;β2n ]

n

[αn1;βn1]

[αn2 ;βn2 ]

Известно, что математическое ожидание равномерно распределённой случайной величины aij (ω) вычисляется как середина отрезка [αij ;βij ], т.е.

αij + βij . Введём обозначение Z / def= M[Z(ω)]. 2

Это позволит нам перейти от модели (3.55) – (3.57) к стохастической модели. Благодаря тому, что известен тип распределения случайных величин, нам удастся свести стохастическую модель к детерминированной.

В такой постановке, целевая функция будет иметь вид

n n

α

ij

+ β

ij

 

 

Z / = ∑∑

 

 

 

xij min

(3.58)

 

 

2

 

 

i=1 j=1

 

 

 

 

 

 

при выполнении следующих ограничений

 

n

 

 

 

 

 

 

 

xij =1,

j =

 

(въезд в город j )

(3.59)

1,n

i=1

98

n

 

xij =1, i =1,n (отъезд из города i )

(3.60)

i=1

Новая модель (3.58)–(3.60) является более адекватной, т.к. учитывает факторы случайности. Кроме того, она является аналогом задачи коммивояжёра. А это, в свою очередь, позволяет применить для нахождения кратчайшего кольцевого маршрута описанные выше методы оптимизации.

3.11. Проектирование размещения фирменных магазинов пивоваренного завода «Евро-бир» в восточном регионе Украины

Маркетинговые особенности сегментации рынка. Продвигая то-

вар на рынок, специалист в области маркетинга должен хорошо представлять себе, кому он пытается его продать. Он должен уметь наладить контакт с людьми, чтобы продемонстрировать свой продукт и привлечь их. Есть много возможностей повысить конкурентоспособность предприятия и увеличить его долю на рынке, но, прежде всего, следует изучить рынок, т.е. произвести его сегментацию [55, гл. 13].

Сегментация рынка означает разделение общества на различные категории и определение конкретных групп потребителей, имеющих сходные предпочтения и одинаково реагирующих на предложенный продукт или на виды маркетинговой деятельности (рекламу, методы сбыта и т.д.). Сегментация имеет большое значение для определения ёмкости рынка, преимуществ и недостатков самого предприятия в борьбе за освоение данного рынка с основными конкурентами.

Сегментация проводится с использованием различных критериев. Первый из них – географический (район, плотность населения, особенности национальных и исторических традиций). Например, горожане и жители сельской местности имеют разные предпочтения при выборе товаров. Стоит ли размещать большой магазин в малонаселенном районе? Продукты из свинины не будут пользоваться спросом в районах с мусульманским населением и т.д.

Второй критерий – демографический (возраст, пол, состав семьи). Возраст во многом определяет привычки людей и характер покупок. Молодая семья приобретает предметы обихода (мебель, посуда, бытовая техника

ит.д.). Супружеская пара старшего возраста уже не так нуждается в предметах обихода. Её интересуют вопросы улучшения быта (экономное отопление, кондиционирование воздуха, полноценный отдых и т.п.). Женщины покупают парфюмерию и косметику чаще, чем мужчины.

Третий критерий – социально-экономический (общность социальной

ипрофессиональной принадлежности, уровня образования и доходов). Маркетинговая программа не может быть успешной, если она не решает задачи контакта с теми людьми, которые, желая приобрести продукт, имеют для этого достаточные средства.

99

Для правильной сегментации рынка и нахождения своей рыночной ниши необходима информация о потенциальных покупателях, чтобы знать, где лучше всего предлагать товары. Чтобы правильно найти место для размещения магазина розничной торговли, нужно провести комплексное маркетинговое исследование. Необходимо учесть престижность района, наличие учреждений или жилых домов, плотность населения, близость остановки общественного транспорта, интенсивность пешеходного движения, наличие конкурентов, хороший обзор магазина, удобный подход к нему и т.д.

Моделирование задачи выбора сегментов рынка методами ли-

нейного программирования. Остановимся теперь на математических особенностях моделирования сегментации рынка [14, гл. 14]. Пусть n – количество возможных сегментов рынка для данного товара ( n 2), N – количество сегментов, на которых предприятие желало бы предложить свой товар ( N n ), P – минимально необходимая выручка от реализации

товара. Обозначим через j ( j =1,n ) номер сегмента. Положим, что j -й сегмент характеризуют: k j – предлагаемое количество товара; cj – удельные переменные затраты по реализации единицы товара; d j – совокупные постоянные затраты по реализации; pj – цена единицы товара.

Пусть Z – совокупные издержки по реализации товара. Искомые неизвестные xj – булевы переменные, принимающие значение 1, если целе-

сообразно работать на данном сегменте, и значение 0 в противном случае.

Т.о. xj ={1;0} ( j =1,n ).

Математическая модель выбора сегментов рынка записывается как задача линейного программирования:

n

Z = (cjk j + d j )xj min ,

j=1

n pjk j xj P,

j=1n

xj N,j=1

xj ={1;0} ( j =1,n ).

Продемонстрируем практические способы решения таких задач. Пример. Пивоваренный завод «Евро-бир» планирует открыть фир-

менные магазины по продаже своего пива в стеклянных бутылках в крупных городах восточного региона Украины. Общее количество городов – двадцать. Финансовые возможности завода позволяют открыть магазины в пятнадцати городах. Минимально возможная годовая выручка 60 млн грн. Остальные сведения содержаться в табл. 3.17.

100

Таблица 3.17.

 

 

 

 

Данные задачи

 

 

 

 

 

 

 

 

 

 

 

 

 

6

 

 

 

 

 

j

1

2

3

4

5

 

7

8

9

10

k j

, млн шт.

0,8

0,7

0,7

0,8

0,7

 

0,6

0,6

0,6

0,8

0,7

cj

, грн

0,5

0,4

0,4

0,5

0,6

 

0,5

0,5

0,5

0,4

0,5

d j , млн грн

0,2

0,1

0,1

0,3

0,2

 

0,1

0,2

0,2

0,1

0,1

pj , грн

6

5,5

5,7

6

5,8

 

5,9

5,7

5,6

6

5,9

j

 

11

12

13

14

15

 

16

17

18

19

20

k j

, млн шт.

0,7

0,6

0,9

0,7

0,6

 

0,6

0,6

0,8

0,8

0,9

cj

, грн

0,5

0,6

0,5

0,5

0,5

 

0,5

0,4

0,5

0,6

0,4

d j , млн грн

0,3

0,2

0,1

0,1

0,3

 

0,2

0,1

0,2

0,2

0,1

pj , грн

5,9

5,9

6

5,8

5,5

 

5,7

5,9

6

6

5,9

Требуется: 1) составить математическую модель задачи; 2) найти оптимальное решение.

Решение. 1) по условию n = 20, N =15 и P = 60 млн грн. Рассчитаем коэффициенты целевой функции (млн грн):

c1k1 + d1 = 0,5 0,8 + 0,2 = 0,6, c2k2 + d2 = 0,38 ,…, c20k20 + d20 = 0,46.

Коэффициенты первого ограничения задачи (млн грн) равны:

p1k1 = 6 0,8 = 4,8 , p2k2 = 5,5 0,7 = 3,85,…, p20k20 = 5,9 0,9 = 5,31.

Составим математическую модель задачи:

Z = 0,6x1 + 0,38x2 +... + 0,46x20 min ,

4,8x1 +3,85x2 +... + 5,31x20 60,

x1 + x2 +... + x20 15,

xj ={1;0} ( j =1,20).

2) поместим данные нашей задачи в электронную таблицу MS Excel. Вызываем диалоговое окно Поиск решения из меню Сервис (рис. 3.23). Вводим данные и нажимаем кнопку Выполнить.

101

Рис. 3.23 Процесс решения задачи ЛП

Оптимальный план запишем в виде табл. 3.18. Напомним, что xj * =1 означает, что в j -м городе следует открыть магазин. В свою очередь, xj * = 0 означает, что магазин открывать нецелесообразно.

Таблица 3.18

 

 

 

 

Оптимальный план задачи

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

j

1

2

 

3

4

5

6

7

8

9

10

xj

*

1

1

 

1

0

1

1

1

0

1

1

j

11

12

 

13

14

15

16

17

18

19

20

xj

*

0

0

 

1

1

0

0

1

1

1

1

Из таблицы 3.18 видно, что магазины следует открыть в 14-ти городах. Подставив xj * ( j =1,20) в первое ограничение, получим, что доход от

реализации составит 60,5 млн грн. Причём совокупные издержки по реализации товара будут на уровне Zmin = 6,83 млн. грн.

Подведём итоги. В данном параграфе рассмотрена маркетинговая проблема сегментации рынка. Предложена математическая модель в виде задачи линейного программирования. Даны рекомендации по решению таких задач на компьютере.

102

3.12. Планирование размещения капитала предприятия на международных фондовых рынках

Основной инвестиционный принцип соответствует житейской муд- рос-ти: «Никогда не клади все яйца в одну корзину» [46]. Инвестор не должен вкладывать капитал только в активы одного вида. Ему необходимы разнообразие возможностей, диверсификация инвестиций. Поэтому опытный предприниматель формирует инвестиционный портфель.

Всё чаще крупные украинские предприятия, имея в наличии свободные средства, формируют портфели ценных бумаг на международных фондовых рынках. Обычно представителями украинских корпораций за рубежом являются иностранные банки, инвестиционные фонды или брокерские конторы. В последнее время представители украинских компаний активно формируют свои портфели на Франкфуртской фондовой бирже (нем. Frankfurter Wertpapierbörse, сокр. FWB, далее по тексту ФФБ).

ФФБ – это крупнейшая немецкая и одна из наибольших мировых бирж [49]. Она была основана в 1585 году. Оператором Франкфуртской фондовой биржи является Deutsche Börse Group. На сегодняшний день около 90% оборота акций Германии приходится на ФФБ. Из 300 компаний, участвующих в листинге, 140 являются заграничными компаниями, что даёт право считать ФФБ международной. На сегодняшний день это самая крупная фондовая биржа по показателям выручки, прибыли и рыночной капитализации в мире.

На ФФБ проводят торги по акциям, облигациям, еврооблигациям и производным финансовым инструментам. Фондовый индекс DAX (нем. Deutscher Aktienindex) является основным индексом биржи и считается барометром состояния экономики Германии. В настоящее время индекс рассчитывается на основе 30 ведущих немецких компаний, входящих в листинг фондового индекса [50].

Поставим перед собой цель – используя математическое моделирование, сформировать эффективный портфель на ФФБ. Для этого введём необходимые понятия [38]–[44].

Пусть T – количество временных периодов, в течение которых велось наблюдение за ценными бумагами. На каждом из периодов рассчитывается эффективность R(t) . Число t =1,2,...,T характеризует номер перио-

да. Эффективность рассчитывается по формуле

R(t) = S(t) S(t 1) 100%,

S(t 1)

где S(t) – цена акции в конце t -го периода, S(t 1) – цена акции в конце (t 1) -го периода.

Реализацией случайной величины R является статистическая выборка, которую рассчитывают по ценам данной акции. Эффективность кон-

103

кретной i -й акции характеризуют оценкой математического ожидания mi

– выборочной ожидаемой эффективностью, выборочной дисперсией Di , выборочным средним квадратическим (стандартным) отклонением σi :

 

 

1

T

 

1

T

 

mi

=

Ri (t) ,

Di =

(Ri (t) mi )2 ,

σi = Di .

T

T

 

 

t=1

 

t=1

 

Если дисперсия эффективности равна нулю, то эффективность не отклоняется от математического ожидания, т.е. нет неопределённости и риска. Чем больше дисперсия, тем в среднем больше отклонение, т.е. выше неопределённость и риск. Поэтому величину дисперсии считают мерой риска, а σi

называют риском i -го актива. Инвестор заинтересован в увеличении ожидаемойэффективности mi . Сдругойстороны, важноуменьшитьриск.

Кроме индивидуальных числовых характеристик mi , Di , σi , рассчи-

тывают характеристики взаимовлияния активов – выборочные ковариации эффективностей:

Vij = 1 T (Ri (t) mi )(Rj (t) mi ) ,

T t=1

где Vij =Vji и Vii = Di =σi2 .

Характеристик mi и σi достаточно для отбора «перспективных» ценных бумаг в портфель. Акции с отрицательным показателем mi не

должны включаться в портфель. Оставшиеся ценные бумаги подлежат рассмотрению.

По сути дела, сравниваются пары чисел (mi ;σi ) . Если какой-то актив

заведомо «проигрывает» другому, то он исключается из портфеля. Такой способ отбора называют методом парных сравнений [43], [46].

 

Если имеется возможность выбора между двумя акциями, причем

mi

> mj , а σi

=σ j , то инвестор предпочтёт i -ю ценную бумагу. Если же

mi

= mj , а σi

>σ j , то инвестор выберет j -ю акцию. В ситуации mi > mj ,

σi

<σ j инвестор предпочтет i -ю ценную бумагу.

 

Однако, если mi > mj , σi >σ j (или mi < mj , σi <σ j ), то однозначного

решения нет и выбор инвестора будет зависеть от его склонности к риску. Рекомендуется включать в портфель обе акции и уже внутри портфеля решать вопрос о том, какую часть капитала вкладывать в конкретную ценную бумагу [45].

Был проведен статистический анализ за 50 биржевых дней (с 26.07.2010 по 30.09.2010) на ФФБ. С помощью метода парных сравнений в фондовый портфель были отобраны акции 6 корпораций (табл. 3.19).

104

Заметим, что это высоколиквидные акции известных корпораций, которые обеспечивали своих владельцев высокой прибылью в течение августа и сентября 2010 г. Кроме этого, они регулярно покупаются и продаются на ФФБ и, являясь ведущими компаниями Германии, входят в фондовый индекс DAX (см. последний столбец табл. 3.19).

Таблица 3.19.

Составляющие фондового портфеля

№ п/п

Компания

Сокращение

Отрасль

Доля в DAX

 

 

 

 

 

1

Fresenius

FRE

Здравоохранение

0,68%

 

 

 

 

 

2

METRO

MEO

Розничная тор-

0,72%

 

 

 

говля

 

3

BMW

BMW

Автомобили

1,9%

 

 

 

 

 

4

Volkswagen

VOW

Автомобили

4,88%

 

Group

 

 

 

5

Linde

LIN

Газоснабжение

2,4%

 

 

 

 

 

6

Adidas

ADS

Спортивная оде-

1,25%

 

 

 

жда и обувь

 

Немаловажную роль играет тот факт, что отобраны акции компаний из разных отраслей экономики. Т.о. обеспечивается принцип диверсификации портфеля. Компании выстроены в порядке возрастания риска.

Математическая модель оптимального фондового портфеля. Со-

гласно рассматриваемой модели главная информация заключена в векторестолбце ожидаемых эффективностей m и в матрице ковариаций V :

 

 

m1

 

 

V11

V12

...

V1n

 

 

 

m

 

, V

V

V

...

V

 

 

m =

2

 

= 21

22

 

2n

.

 

 

 

...

 

... ... ... ...

 

 

 

mn

 

Vn1 Vn2 ... Vnn

 

Пусть xi (i =

 

) –

доля капитала инвестора,

вложенная в i -й вид

1,n

ценных бумаг. Следовательно,

 

 

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

 

xi

=1

 

 

 

(3.61)

i=1

105

Структуру портфеля ценных бумаг удобно записывать векторомстолбцом:

x1

x= x...2 .xn

Введём вектор-столбец I, состоящий из единиц. Тогда условие

(3.61) может быть записано, как IT x =1.

Рассмотрим эффективность фондового портфеля Rp , которая является случайной величиной. Её числовой характеристикой является ожидае-

 

n

мая эффективность mp = xi mi или в матричном виде mp = xT m .

 

i=1

Характеристикой риска является дисперсия эффективности фондово-

n

n

го портфеля Dp = ∑∑xi xjVij или Dp = xTVx .

i=1

j=1

Задача формирования рисковой части оптимального портфеля ставится следующим образом. При заданной эффективности mp найти такую

структуру x , которая обеспечивала бы минимум функции Dp , т.е. мини-

мальный риск портфеля. Такая модель была впервые предложена Марко-

вицем в 1951 г. Модель оптимального фондового портфеля записывает-

ся в следующем виде:

n

n

Dp = ∑∑xi xjVij min

i=1 j=1

xi mi

= mp

n

 

i=1n

x =1

i=1 i

Иногда налагают условие неотрицательности:

xi 0 (i =1,n )

(3.62)

(3.63)

(3.64)

Вматричномвидезадача(3.62)–(3.64) выглядитследующимобразом:

106

Dp = xTVx min

(3.65)

 

T

m = mp

 

x

 

(3.66)

 

 

 

IT x =1

 

 

 

 

 

x 0

(3.67)

Задача (3.65)–(3.67) является задачей квадратичного программмиро- ва-ния. Задачу (3.65)–(3.66) можно решить методом множителей Лагранжа, а затем учесть условие (3.67).

Составим функцию Лагранжа:

L(x,λ1,λ2 ) = xTVx + λ1 (IT x 1) + λ2 (mT x mp ) .

Это задача на условный экстремум. Согласно необходимому условию экстремума, получим:

 

L(x,λ1,λ2 )

 

= 0

, 2Vx + λ I + λ m = 0

,

Vx = − 1

λ I

1

λ m ,

 

 

2

 

x

 

 

 

 

 

1

1

2

1

 

 

 

2

1

 

2

 

 

 

 

 

 

x = −

λV 1I

λ V 1m .

 

 

 

 

 

 

 

 

 

 

 

 

2

1

 

 

2

 

2

 

 

 

 

 

 

 

 

Ограничениязадачи(3.66) примутлинейныйвидотносительно λ1 , λ2 :

 

 

 

 

 

T

1

 

 

T

 

1

m

= −2mp

 

 

 

 

 

 

 

 

 

λ1m V

 

I + λ2m V

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ ITV

1m = −2

 

 

 

 

 

 

 

 

 

λ ITV 1I +

 

 

 

 

 

 

 

 

 

 

1

 

 

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

def

 

 

def

Введя дополнительные обозначения mTV 1I = ITV 1m

=

 

A, mTV 1m = B ,

def

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ITV 1I = C , получимсистему:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ A + λ B = −2m

p

 

 

 

 

 

 

 

 

 

 

 

 

1

 

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ1C + λ2 A = −2

 

 

 

 

 

 

 

 

Решим её методом Крамера:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ

= 1

=

2mp A + 2B

, λ

=

2

 

=

2A + 2mpC

.

 

 

 

 

 

 

1

 

 

A2 BC

2

 

 

 

 

 

A2 BC

 

 

 

 

107

Найденные значения множителей Лагранжа подставим в выражение для оптимальной структуры:

x

*

= −

1

 

2mp A + 2B

V

1

I

1

 

2A + 2mpC

V

1

m =

 

2

A2

BC

 

2

A2

BC

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

=V

1

 

 

 

(IB + mA)

 

 

 

 

 

 

 

 

 

+

 

BC .

 

 

 

 

(IA mC)mp

A2

 

Для решения задачи (3.65)–(3.67) составляют расширенную матри-

цу [41]:

 

2V11

2V12

... 2V1n

m1

1

 

 

2V

2V

...

2V

m

1

 

 

21

22

 

2n

2

 

 

 

 

... ... ...

...

...

 

Z = ...

.

 

2Vn1

2Vn2 ... 2Vnn

mn

1

 

 

m

m

...

m

0

0

 

 

1

2

...

n

0

0

 

 

1

1

1

 

Оптимальная структура рисковой части фондового портфеля x* линейно зависит от mp и записывается в виде

x* (mp ) = amp + b ,

где a и b – матрицы размерности n ×1. Для нахождения их компонент находят матрицу, обратную матрице Z , т.е.

… … … … a1

b1

 

 

b2

 

… … … … a2

 

 

 

 

Z 1 = … … … … … … .

… … … … an

bn

… … … … … …

 

 

 

… … … … … …

Запишем функцию оптимального риска фондового портфеля

σ p* (mp ) = cmp2 + dmp + e ,

где c = aTVa , d = 2aTVb , e = bTVb .

108

Практическая реализация модели оптимального портфеля цен-

ных бумаг. Согласно с рассматриваемыми методами, ожидаемая эффективность портфеля mp = 0,24% . Структура оптимального фондового порт-

феля получилась следующей:

0,55500,1969

0,1127 x* = .

0,1331

0,00050,0018

Предположим, что в портфель инвестируется капитал в 1000000 евро. Поместим информацию в табл. 3.20.

В нашем портфеле ценных бумаг преобладают акции компаний

Fresenius, METRO, BMW, Volkswagen Group. Доли вложения в акции Linde

и Adidas – незначительные (рис. 3.24). Это связано с тем, что на данном временном интервале цены на эти акции хотя и росли в среднем в цене, однако испытывали сильные колебания. Последние две акции являются высоко рискованными, а наш инвестор формирует портфель с допустимым риском σ p * = 0,8% .

 

 

 

 

Таблица 3.20

 

Структура оптимального фондового портфеля

 

 

 

 

 

 

Компания

Сокращение

Доля капи-

Доля капи-

 

п/п

 

 

 

тала, %

тала, евро

 

1

Fresenius

FRE

55,5

555000

 

2

METRO

MEO

19,69

196900

 

3

BMW

BMW

11,27

112700

 

4

Volkswagen Group

VOW

13,31

133100

 

5

Linde

LIN

0,05

500

 

6

Adidas

ADS

0,18

1800

 

109

VOW; 13,31%

LIN; 0,05%

ADS; 0,18%

BMW; 11,27%

FRE; 55,5%

MEO; 19,69%

Рис. 3.24 Доли вложения капитала инвестора

Итак, в соответствии с рекомендациями финансового аналитика, брокер 01.10.2010 приобрёл акции в следующих количествах (табл. 3.21).

Таким образом, общая стоимость портфеля на 01.10.2010 составляет 1000822 евро. Проанализируем динамику стоимости портфеля в последующие 14 биржевых дней (рис. 3.24).

 

 

 

 

Таблица 3.21.

 

Информация о сформированном 01.10.2010 портфеле

 

 

 

 

 

 

Компания

Цена за одну

Количество

Стоимость

 

п/п

акцию, евро

акций, шт

акций, евро

 

 

 

 

 

 

 

 

 

1

Fresenius

59,47

9330

554855,1

 

 

 

 

 

 

 

2

METRO

46,125

4270

196953,8

 

 

 

 

 

 

 

3

BMW

49,3

2290

112897

 

 

 

 

 

 

 

4

Volkswagen Group

83,36

1600

133376

 

 

 

 

 

 

 

5

Linde

95,68

10

956,8

 

 

 

 

 

 

 

6

Adidas

44,585

40

1783,4

 

 

 

 

 

 

 

110

 

1060000

 

 

 

 

 

 

1050000

 

 

 

 

 

,евро

1040000

 

 

 

 

 

1030000

 

 

 

 

 

Стоимость

 

 

 

 

 

1020000

 

 

 

 

 

1010000

 

 

 

 

 

 

1000000

 

 

 

 

 

 

990000

 

 

 

 

 

 

29.9

4.10

9.10

14.10

19.10

24.10

 

 

 

 

Дата

 

 

 

Рис. 3.25 Динамика стоимости фондового портфеля

 

Сформированный фондовый портфель оказался достаточно стабильным. Его стоимость, в среднем, возрастала. Т.о., основываясь на статистике по 50 биржевым дням, нам удалось предсказать рост стоимости в среднесрочной перспективе (как минимум на 14 биржевых дней). Это говорит о сбалансированности структуры портфеля, в котором снижение цен одних активов компенсируется ростом других.

Если бы инвестор 21.10.2010 решил продать акции шести компаний, вошедшие в портфель, то вырученные средства составили бы 1051430 евро. Этот шаг позволил бы получить прибыль в размере 50608 евро. Доходность такой сделки составила бы 5,06%, что можно признать хорошим показателем за столь короткий срок.

Подведём итоги. Предложены статистические методы отбора ценных бумаг в фондовый портфель. Применена экономико-математическая модель оптимального фондового портфеля. Рассмотренные подходы применены на практике. В качестве торговой площадки выбрана Франкфуртская фондовая биржа. Сформированный фондовый портфель показал себя с хорошей стороны.

Данные методики позволяют формировать мало рискованные портфели финансовых инвестиций. Они могут быть применены и на других биржах. Модель можно рекомендовать украинским предприятиям, желающим разместить свободный капитал на международных фондовых рынках.

111

РАЗДЕЛ 4

ДИНАМИЧЕСКИЕ ЗАДАЧИ ОПТИМАЛЬНОГО УПРАВЛЕНИЯ НА ПРЕДПРИЯТИИ

Динамическое программирование представляет собой раздел математического программирования, в котором изучаются задачи, формулирующиеся как многошаговые процессы решения или такие задачи, которые могут быть сведены к ним. Решение таких задач разбивается на отдельные этапы, в результате чего одна большая задача со многими переменными заменяется рядом последовательно решаемых задач с существенно меньшим числом переменных. Теоретические основы решения задач динамического программированиястудентможетнайтивучебномпособии[27].

Оптимизация этого многошагового процесса проводится на основе сформулированного Р. Беллманом принципа оптимальности. Оптимальное поведение обладает тем свойством, что каковым бы ни было первоначальное состояние и первоначальное управление, последующее управление должно быть оптимальным относительно состояния, полученного в результате первоначального управления.

Смысл этого принципа состоит в том, что поэтапное планирование многошагового процесса должно проводиться таким образом, чтобы при планировании каждого шага учитывалась не выгода, получаемая только на данном шаге, а общая выгода, получаемая по окончании всего процесса. Оптимальное управление производится относительно общей выгоды. Выбирая управление на каждом шаге надо делать это «с оглядкой на будущее», иначе возможны серьезные ошибки.

При решении задач методом динамического программирования необходимо ответить на вопрос: как находить оптимальное управление в многошаговом процессе? Общее правило ответа заключается в сформулированном выше принципе оптимальности Беллмана, т.е. на каждом шаге управление необходимо выбирать с учетом будущего.

Задачи, решаемые методом динамического программирования, должны обладать следующими особенностями.

1.Задача должна допускать возможность интерпретировать ее как k - шаговый процесс принятия решений (ее можно интерпретировать как процесс поведения некоторой системы во времени).

2.Задача должна быть определена для любого числа шагов и ее структура не должна изменяться с изменением числа шагов.

3.При рассмотрении k -шаговой задачи должен быть задан параметр, характеризующий состояние системы. Этот же параметр должен описывать состояние системы при любом количестве шагов.

4.Выбор управления процессом состоит в преобразовании набора параметров, характеризующих состояние системы на k -м шаге в такой же набор параметров с другими числовыми значениями на k +1 шаге.

112

wk , wk 1

5. Если система в рассматриваемый момент времени (на k -м шаге) находится в некотором состоянии, то ее поведение в дальнейшем определяется этим состоянием и выбираемым управлением и не зависит от предыстории системы (т.е. от того, в каких состояниях находилась система до этого момента).

Символически решение задачи методом динамического программирования можно изобразить

S (X k )Uk S (X k +1 ),

где S – система;

Xk = (x1k , x2k ,..., xnk ) – набор параметров, характеризующих состояние системы на k -м шаге;

xj 0, j =1, n – параметры состояния; Uk – управление на k -м шаге;

S (X k ) – состояние системы на k -м шаге.

Чтобы применить принцип Беллмана практически, ему необходимо дать математическую формулировку, которая записывается в виде форму-

лы рекуррентного соотношения Беллмана:

 

wk (ξ )= max{gk (x)+ wk 1 (ξ x)}.

(4.1)

0xξ

 

Здесь: ξ – параметр, определяющий состояние всей системы, x – изменяющийся параметр системы на каждом шаге; gk (x) – доход, который получает система на k -ом шаге;

– доход, который получает система за k и k 1 шагов; ξ x – функция изменения состояния системы.

4.1. Управление техническим обеспечением предприятия. Определение оптимальной стратегии использования оборудования

Рассмотрим применение метода динамического программирования на примере задачи определения оптимальной стратегии использования офисной техники на фирме.

Экономическая постановка задачи. Предприятию необходимо оп-

ределить оптимальную стратегию использования офисной техники в период времени длительностью m лет таким образом, чтобы прибыль за каж-

дые i лет, i =1, m от использования офисной техники возраста t лет была максимальная.

Предполагается, что известны следующие величины: доход от эксплуатации офисной техники возраста t лет, z(t) – годовые затраты на об-

113

служивание оборудования возраста t лет, c(t) – остаточная офисной техники возраста t лет, p – стоимость новой техники.

Построение математической модели.

1.Определение числа шагов. Число шагов равно числу лет, в течение которых эксплуатируется техника.

2.Определение состояний системы. Состояние системы характери-

зуется возрастом техники t лет, t =1,m .

3. Определение управлений. В начале i -ого шага, i =1, m может быть выбрано одно из двух решений: заменять или не заменять технику. Следовательно, управление в начале i -ого шага, i =1,m запишется в виде булевой переменной:

0,

если техника возраста t

лет не заменяется в начале i -ого шага,

xi (t) =

если техника возраста t

лет заменяется в начале i -ого шага (4.2)

1

4. Определение функции выигрыша на i -ом шаге. Выигрыш на i -ом шаге – это прибыль от использования техники к концу i -ого года эксплуа-

тации, t =

 

,

i =

 

:

 

 

 

1,m

1,m

 

 

 

r (t) z

 

(t),

если

x (t) = 0 ,

 

ϕi (t) = i

 

i

 

 

 

 

i

(4.3)

ci (t)

p + ri (t) z(0),

если

xi (t) =1

 

 

 

 

 

 

 

 

 

Если техника в начале i -ого шага не продается, то прибыль от ее использования – это разность между доходом от эксплуатации и эксплуатационными издержками за i -ый год. При замене техники прибыль равна разности между остаточной стоимостью и стоимость новой техники, к которой прибавляется разность между доходом и эксплуатационными издержками нового оборудования, возраст которого в начале i -ого шага составляет 0 лет.

5. Определение функции изменения состояния.

t + 1,

если xi (t) = 0 ,

(4.4)

fi (t) =

если xi (t) =1

1,

 

6. Определение функционального уравнения для i = m .

Wm (t) =

max

r (t) z

 

(t),

если x

m

(t) = 0

,

m

m

 

 

 

(4.5)

 

xm {0,1} cm (t) p + rm (t) z(0),

если xm (t) =1

114

7. Определение основного функционального уравнения.

Wi (t) =

max

r (t) z

 

(t) +W

 

(t +1),

если

x (t) = 0 ,

 

i

i

 

i +1

 

 

i

(4.6)

 

xi {0,1} ci (t) p + ri (t) z(0) +Wi +1 (1),

если xi (t) =1

где Wi (t) – прибыль от использования техники возраста t лет с i -ого шага

(с конца i -ого года) до конца периода эксплуатации;

Wi +1(t +1) – прибыль от использования техники возраста t +1 год с

i +1-ого шага до конца периода эксплуатации. Зависимости (4.2) – (4.6) определяют модель оптимального использования оборудования. Рассмотрим решение данной задачи на примере.

Пример. Определить оптимальную стратегию использования техни-

ки, если m =12 ,

p = 9 , c(t) = 0,

r(t) z(t) = φ(t) . Значения функции φ(t)

приведены в таблице 4.1.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Значения функции φ(t)

 

 

 

Таблица 4.1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

6

 

 

 

 

 

 

 

 

t

0

1

2

3

4

 

5

7

8

9

10

11

12

 

φ(t)

12

11

10

9

8

 

7

6

5

4

3

2

1

0

 

Для данного примера:

1)так как планирование осуществляется на 12 лет – число шагов равно 12.

2)возможный возраст техники t от одного до 12 лет, следовательно,

возможные состояния системы t : t =1,12 ; 3) управления примут вид:

xi (t) =

0,

если техники возраста t

лет не заменяется в начале i -ого шага,

 

если техники возраста t

лет заменяется в начале

i -ого шага (4.7)

 

 

 

1

4)

функция выигрыша φ(t) определена в табл. 4.1;

 

 

 

 

 

5)

определение функции изменения состояния для i =

 

;

 

 

1,12

 

 

 

 

t + 1,

если xi = 0 ,

 

 

 

 

 

 

 

 

 

fi (t) =

если

xi =1

(4.8)

 

 

 

 

1,

6)

функциональные уравнения будут иметь вид

 

для i =

 

и

 

1,12

t =

 

:

 

 

 

 

 

 

 

 

 

1,12

 

 

 

 

 

 

 

 

 

W (t) =

max

 

φ(t),

если x12

= 0 ,

 

 

 

если

x

=1

(4.9)

12

x12

{

} p + φ(0),

 

0,1

 

 

12

 

 

115

116

Рис. 4.1 Организация данных и результат решения задачи «Оптимальная стратегия замена офисной техники»

Рис. 4.2 Пример ввода формул программы MS Excel для расчета по

функциональным уравнениям (4.9), (4.10)

Wi (t) =

φ

 

(t) +W

 

(t +1),

если x = 0 ,

 

max

i

 

 

 

i +1

 

i

(4.10)

 

xi {0,1} p + φ(0) +Wi +1 (1),

если xi =1

7) управления определяются по следующим формулам:

 

 

0,

 

if

 

φ(t) > −p +φ(0)

 

 

x12 (t) = 1,

 

if

 

φ(t) < −p +φ(0)

 

(4.11)

 

0 /1,

if

 

φ(t) = −p +φ(0)

 

 

0,

 

if

φ(t) +Wi +1(t +1) >φ(0) p +Wi +1(1)

 

xi

 

if

φ(t) +Wi +1(t +1) < φ(0) p +Wi +1(1)

(4.12)

(t) = 1,

 

 

 

if

φ(t) +Wi +1(t +1) = φ(0) p +Wi +1(1)

 

 

0 /1,

 

Этап условной оптимизации начинается с 12 шага и осуществляется на основании формул (4.2)–(4.12). Результаты данного этапа могут быть рассчитаны с помощью программы MS Excel и оформлены в виде таблицы

(рис. 4.2).

Следующийэтап– безусловнаяоптимизация. Онначинаетсяспервогошага. Предположим, что напервом шаге i =1 имеется новое оборудование, возраст которого 0 лет. Для t = t1 = 0 оптимальный выигрыш равен W1(0) =108 , кото-

рому соответствует безусловное оптимальное управление x1(0) = 0 . Экономическиоптимальныйвыигрыш W1(0) =108 – соответствуетмаксимальнойприбыли

отиспользованияновойтехникивтечении12 лет: W * =W1(0) =108 .

Для i = 2 по формуле (4.8) получим f2 (t) = t1 +1 = 0 +1 =1. Безусловное оптимальное управление на втором шаге (в начале второго года

117

эксплуатации техники) – не осуществлять замену офисной техники, возраст которой составляет 1 год: x2 (1) = 0 .

Тогда для i = 3 по формуле (4.8) получим f3 (t) = t2 +1 =1+1 = 2 .

Безусловное оптимальное управление на втором шаге (в начале второго года эксплуатации техники) – не осуществлять замену офисной техники, возраст которой составляет 2 года: x3 (2) = 0 . Результаты безусловной оп-

тимизации на всех шагах принятия решений сведены в табл. 4.2.

На рис. 4.2 ячейки содержащие, управления, составляющие оптимальную стратегию управления x* = (0,0,0,0,1,0,0,0,0,1,0,0) , выделены заливкой. В

данной задаче оптимальная стратегия заключается в замене офисной техники после 4 лет эксплуатации. При этом будет получена максимальная прибыль от

использованияофиснойтехникивтечении12 лет: W * =W1(0) =108 .

Таблица 4.2

Расчеты для этапа безусловной оптимизации

№ шага

 

Состояние

Безусловное оптималь-

 

ное управление

 

 

 

i =1

 

W1(0) =108

x1(0) = 0

i = 2

f2 (t) = t1 +1 = 0 +1 =1

x2 (1) = 0

i = 3

f3 (t) = t2 +1 =1+1 = 2

x3 (2) = 0

i = 4

f4 (t) = t3 +1 = 2 +1 = 3

x4 (3) = 0

i = 5

f5

(t) = t4 +1 = 3 +1 = 4

x5 (4) =1

i = 6

 

f6 (t) =1

x6 (1) = 0

i = 7

f7 (t) = t6 +1 =1+1 = 2

x7 (2) = 0

i = 8

f8

(t) = t7 +1 =1+ 2 = 3

x8 (3) = 0

i = 9

f9

(t) = t8 +1 = 3 +1 = 4

x9 (4) =1

i =10

 

f10 (t) =1

x10 (1) = 0

i =11

f11

(t) = t10 +1 = 2 +1 = 2

x11(2) = 0

i =12

f12 (t) = t11 +1 = 2 +1 = 3

x12 (3) = 0

4.2. Финансовое планирование на предприятии. Распределение капитальных вложений в расширение предприятий компании

Руководство компании планирует вложить ресурсы (материалы, оборудование, трудовые ресурсы и т.д.), которые в стоимостном выражении имеют объем 250 тыс. грн в расширение производства на четырех предприятиях компании. Требуется так распределить имеющиеся ресурсы между четырьмя предприятиями компании, таким образом, чтобы доход (прибыль), полученный от

вложенныхсредств, былмаксимальным. Функции fk (xk ), k =1,4, отражающие доход, который дает k -е предприятие при вложении в него xk грн

118

( xk {x j , j =1,6}) капиталовложений представлена в таблице (для простоты

будемсчитатьобъемыкапиталовложенийкратными1 000).

Математическая модель задачи о распределении капитальных вложений:

W = f1(x1) + f2 (x2 ) + f3(x3) + f4 (x4 ) max xk ,k =1,4

при ограничениях:

x1 + x2 + x3 + x4 = 250000 , xk {x j , j =1,6}, k =1,4 .

 

 

 

Функции дохода предприятий

Таблица 4.3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x j

0

 

50

100

150

200

250

 

f1

(x j )

0

 

12

18

30

38

45

 

f2

(x j )

0

 

20

32

48

60

78

 

f3 (x j )

0

 

25

42

56

74

78

 

f4

(x j )

0

 

18

35

43

67

92

 

В качестве управляемого процесса выступает процесс распределения капитальных вложений между k предприятиями, а в качестве системы S – предприятия компании.

1. Определение числа шагов. Число шагов равно количеству предприятий – K = 4 , между которыми распределяются средства.

2. Определениесостоянийсистемы. Состояниесистемы характеризуется ξk – количеством гривен (средств), выделяемых первым k предприятиям. Фа-

зовоепространствовэтомслучае: k ={ξk : 0 ξk 250000}.

3. Определение управлений. Под управлением подразумевается выделение xk грн ( xk {x j , j =1,6}) k -му предприятию: U k = xk .

4.Определение функции выигрыша на k -м шаге. Выигрыш на k -м шаге – это функция дохода на k -м предприятии: fk (xk ), k =1,4 .

5.Определение функции изменения состояния: Sk = ξk xk .

6.Определение функционального уравнения для i = k .

W (ξ) =

max

{f

 

(x

 

)}

(4.13)

k

0xk ξ

 

k

 

k

 

 

7. Определение основного функционального уравнения для определения выигрыша для условно-оптимальных управлений.

119

W (ξ) =

max

{f

 

(x

 

) +W

(ξ x

 

)}

(4.14)

k

0xk ξ

 

k

 

k

k 1

 

k

 

 

На рисунках 4.3, 4.4 показан пример задания формулы (4.14) в программе MS Excel для определения выигрыша W4 (ξ5 = 250) условно-

оптимального управления x4 (ξ5 ) .

 

 

 

f4

(0) + w3(250),

 

f

4

(50) + w (200),

 

 

3

W4 (ξ5

f

4

(100) + w (150),

= 250) = max

3

 

f4

(150) + w3(100),

 

f

4

(200) + w (50),

 

 

3

 

 

 

(250) + w3(0).

 

f4

Рис. 4.3 Решение задачи динамического программирования

«О распределении капитальных вложений»

8. Определение условно-оптимальных управлений.

Так как функция дохода f1(x1) неубывающая то условно-опти- мальные управления на первом шаге определяются по формуле: x1(ξ) = ξ . На следующих шагах k = 2,3,4 условно-оптимальные управления определяются по формулам:

xk (ξ1 = 0) = 0

(4.15)

120

 

 

 

if fk (0) + wk 1(ξ2 0) > fk (x

2

) + wk 1

(ξ2

x

2

),

0,

 

 

 

xk (ξ2 ) =

2

 

 

 

 

 

 

 

 

 

,

else

 

 

 

 

 

 

x

 

 

 

 

(4.16)

где ξ2 = 50, x1 = 0,

x2 = 50 .

 

 

 

 

 

 

 

 

 

На рисунке 4.3 показан пример задания формулы (4.17) для определения условно-оптимального управления x4 (ξ3 ) .

Рис. 4.4 Пример ввода формул программы MS Excel для расчета по

функциональным уравнениям (4.13), (4.14)

0, ( f

k

(0)

+ w

k 1

(ξ

3

0) > f

k

(x2 ) + w

 

 

(ξ

3

x2 ))

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

k 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(x3 ) + w

 

 

 

 

 

 

x3 )),

 

 

( f

k

(0)

+ w

 

(ξ

3

0) > f

k

 

(ξ

3

 

 

 

 

 

 

 

 

 

k 1

 

 

 

 

 

 

 

k 1

 

 

 

 

 

 

 

 

 

2

, ( fk (x

2

) + wk 1(ξ3 x

2

)

>

 

1

 

 

 

 

 

 

 

 

1

(4.17)

xk (ξ3 ) = x

 

 

 

fk (x ) + wk

 

1(ξ3 x

))

( f

k

(x2 ) + w

 

(ξ

3

x2 ) >

f

k

(x3 ) + w

k 1

(ξ

3

x3 )),

 

 

 

 

 

 

 

 

k 1

 

 

 

 

 

 

 

 

 

 

 

 

 

3

, else

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

где ξ3 =100,

 

x1 = 0,

x2 = 50, x3 =100 . И т.д.

 

 

 

 

 

 

 

 

 

 

 

Так как предприятиям дается ресурсов на 250 тыс. грн, поэтому для получения максимальной прибыли нужно рассматривать только эту величину. Величина 250000 грн. характеризует конечное состояние системы. Этот условный оптимальный выигрыш является и безусловным выигрышем для системы. Другими словами, распределив оптимальным образом

121

средства в размере 250 тыс. грн между четырьмя предприятиями компания получит доход в размере 97 000 000.

Найдем теперь безусловное оптимальное управление, зная, что четвертому предприятию будет выделено u*4 = x*4 =100 тыс. грн (на рис 4.3 безус-

ловные оптимальные управления выделены заливкой). Тогда трем остальным предприятиям будет выделено средств ξ = 250 100 =150 тыс. грн.

По таблице на рис. 4.4 находим, что третьему предприятию в этом случае надо выделить 100000 грн u3* = x3* =100 тыс. грн.

Тогда двум первым предприятиям будет выделено средств: 250–100– 100= = 50 (тыс. грн).

По таблице на рис. 4.3 находим, что второму предприятию будет выделено 50 тыс. грн, т.е. u*2 = x2* = 50 тыс. грн. Тогда первому предприятию

средств не будет выделено: u* = x* = 0 .

 

 

 

 

1

1

 

Безусловное оптимальное управление примет вид:

U * = (u*,u*

,u*,u* ) = (100000, 100000, 50000, 0)

при котором будет

1

2

3

4

 

 

получен максимально возможный выигрыш Wmax (U *) = 97 000 000 грн.

Ответ: Wmax (U *) = 97 000 000 грн., U * = (100000, 100000, 50000, 0) .

Замечание 1. При решении задачи нет необходимости находить все условно-оптимальные управления (формулы (4.15)–(4.17)) на первом этапе. Пос-ле определения безусловного оптимального решения достаточно определить соответствующие им безусловные оптимальные управления на каждом шаге.

Замечание 2. Формулы (4.15)–(4.17) не учитывают случай, когда условное оптимальное управление не единственное. Поэтому на втором этапе решения задачи, при определении безусловно оптимального решения, необходимо открыть окно как на рис. 4.4 и проверить сколько раз достигается максимальное значение.

Кроме рассмотренных примеров задач замены оборудования и о распределении капитальных вложений метод динамического программирования применяется для решения задач нахождения кратчайшего пути на сетях, определения оптимальной структуры мероприятий по повышению эффективности труда [13].

122

РАЗДЕЛ 5

ЗАДАЧИ АНАЛИЗА И ПЛАНИРОВАНИЯ ПРОЕКТОВ

5.1. Методикамоделированияпроектовимоделиихоптимизации

Проектом называют совокупность операций (заданий, работ), которые нужно выполнить для достижения поставленной цели за ограниченное время при ограниченных материальных, людских и финансовых ресурсах. При планировании и управлении проектами менеджерам приходится решать следующие задачи:

1)определять ожидаемое время завершения проекта;

2)возможныеотклоненияотожидаемого временизавершенияпроекта;

3)сроки начала и окончания каждого из этапов, необходимых для выполнения всего проекта в целом;

4)определять «критические» действия, т.е. те которые должны быть закончены в точно указанное время, чтобы полностью выполнить требования проекта;

5)время, на которое может задержаться реализация некритических работ без изменения запланированного срока окончания проекта;

6)как распределить имеющиеся или привлечь дополнительные ресурсы на выполнение работ, что бы ускорить завершение проекта;

7)какие виды контроля и экспертизы необходимо предпринять, чтобы общий бюджет проекта не был превышен.

Сложные проекты могут содержать тысячи работ, требующих различных временных и ресурсных затрат. Также данные работы могут удовлетворять различным условиям относительно последовательности их выполнения: одни работы могут выполняться в строгой последовательности, другие могут выполняться параллельно. Поэтому управление сложными проектами затруднительно эффективно организовать без применения специальных методов их количественного анализа и программных средств для расчета характеристик проектов.

Решение перечисленных выше задач основано на методе сетевого планирования и управления. Система сетевого планирования и управления (СПУ) – это разновидность систем организационного управления, предназначена для управления производственной деятельностью предприятия. Основой метода является сетевой график.

Основные понятия и определения теории сетевого планирования

иуправления.

Сетевой график – информационно-динамическая модель, в которой отражены взаимосвязи и результаты всех работ, необходимых для достижения конечной цели.

Сетевой график содержит два элемента – работу и событие. Работами в сетевом графике называются целенаправленные дейст-

вия, процессы, приводящие к определенным результатам (событиям).

123

Событиями называются результаты выполнения одной или нескольких работ.

Для моделирования сетевого графика может использоваться ориентированный граф [13].

Сеть – область графа, ограниченная несколькими точками, некоторые из которых не имеют входящих или выходящих дуг.

Сетевая модель – сеть, моделирующая определенный процесс. Путь – это любая последовательность работ, в которой начало каж-

дой последующей работы совпадает с концом предыдущей.

Критический путь – путь от исходного события до завершающего, имеющего наибольшую продолжительность.

События и работы, принадлежащие критическому пути, называются критическими. Суммарное время выполнения работ критического пути на-

зывается критическим временем.

Для графического представления информации о проекте также может использоваться Диаграмма Ганта [13].

В настоящее время существует две взаимосвязанные методики количественного анализа проектов – метод критического пути или CPM метод (английская аббревиатура Critical Path Method) и метод анализа и обзора проекта или PERT – метод (английская аббревиатура Program Evaluation and Review Technique), включающий вероятностные аспекты, связанные с неопределенностью в длительностях отдельных стадий проекта.

Метод критического пути заключается в определении различных временных характеристик сети, которая моделирует тот или иной процесс, а также определения критических работ, с целью их последующего анализа и оптимизации.

Введем обозначения основных временных характеристик сетевого графика:

i( j) – индексы события,

tij – продолжительность операции от события i до события j, ti – ранний срок наступления события,

ti* – поздний срок наступления события,

tkr – продолжительность критического пути, Ri – резерв времени события,

tijrn – ранний срок начала выполнения операции, tijpn – поздний срок начала выполнения операции, tijro – ранний срок окончания выполнения операции,

tijpo – поздний срок окончания выполнения операции, Rijp – полный резерв времени операции,

Rijs – свободный резерв времени операции,

124

Rij(1) – частный резерв времени первого порядка, Rij(2) – частный резерв времени второго порядка.

Определение временных параметров сетевого графика. Ранние сроки свершения событий определяются по формулам:

t = 0

, t

 

= max {t

 

+ t

 

,

j =

 

(5.1)

j

i

ij

2, n

1

 

(i, j) j

 

 

 

 

 

где (i, j) j – работы сети, входящие в событие

j.

 

Критический путь можно найти, рассчитав продолжительности всех полных путей и выбрав из них наиболее длинный.

Поздние сроки наступления событий определяется по формулам:

tn* = tn , ti* = max {t*j tij , i =

 

 

(5.2)

1, n 1,

i (i, j)

 

где i (i, j) – работы сети, исходящие из события i.

Резерв времени, который имеют некритические события, находится

как разница между поздним и ранним сроком наступления события:

 

Ri = ti* ti

(5.3)

Ранний срок начала выполнения работы (i, j) равен ожидаемому сроку свершения ее начального события:

tijrn = ti

(5.4)

Ранний срок окончания работы (i, j) равен сумме ожидаемого срока свершения ее начального события и продолжительности операции:

tijro = tijrn + tij

(5.5)

Поздний срок окончания работы совпадает с поздним сроком наступления конечного события операции (i, j) :

tijpo = t*j

(5.6)

Поздний срок начала работы (i, j) равен разности между поздним сроком наступления ее конечного события и продолжительностью:

125

tijpn = tijpo tij

(5.7)

Полный резерв времени показывает, на сколько единиц времени можно отложить начало выполнения операции (i, j) или увеличить ее про-

должительность, не изменяя раннего срока свершения начального события при условии, что конечное для данной операции событие свершится не позднее своего позднего срока и определяется по формуле:

R p = t*j (ti + tij )

(5.8)

ij

 

Свободный резерв времени показывает, на сколько единиц времени можно увеличить продолжительность операции (i, j) или отложить начало

ее выполнения при условии, что начальное и конечное для данной операции события свершатся в ранние сроки и определяется по формуле:

Rijs = t j (ti + tij )

(5.9)

Частный резерв времени первого порядка – это запас времени, которым можно располагать при выполнении операции (i, j) , если предполо-

жить, что начальное и конечное события свершаются в поздние сроки:

R(1)

= t*j (ti* + tij )

(5.10)

ij

 

 

Частный резерв времени второго порядка – это запас времени, которым можно располагать при выполнении операции (i, j) , если предполо-

жить, что начальное событие свершится в поздний срок, а конечное событие - в ранний срок:

R(2)

= max(t j ti* tij ; 0)

(5.11)

ij

 

 

Типовые модели оптимизации проектов.

1. Нахождение критического пути.

Математическаямодельзадачинахождениякритическогопутиимеетвид:

 

 

Z = min(xn x1) ,

(5.12)

 

 

x j

 

где x j , j =

 

– поздний срок свершения события

j.

1, n

126

При ограничениях:

x j xi +tij

(5.13)

x j 0 , j =

 

 

(5.14)

1, n

Целевая функция Z – продолжительность критического пути. Условие (5.13) отражает связь между сроками свершения начального

иконечного события.

2.Оптимизация комплекса операций по времени с привлечением дополнительных средств.

Требуется определить сроки начала tijn и окончания tijo выполнения операций и дополнительное количество средств xij вкладываемых в каждую операцию (i, j) , чтобы минимизировать общее время выполнения ра-

бот при условии, что задан лимит B дополнительных средств, и время выполнения каждой операции не может быть меньше некоторого dij .

t

min

(5.15)

 

kr

tij ,xij

 

 

 

 

xij B

(5.16)

 

 

(i, j) e

 

 

tijo tijn

dij ,

(i, j) e

(5.17)

fij (xij ) = tijo tijn ,

(i, j) e

(5.18)

tijn t ojr , i, j, r E

(5.19)

tijn 0, tijo 0 , xij 0 , (i, j) e ,

(5.20)

где e – множество ребер сетевой модели комплекса операций, E – множество вершин сетевой модели комплекса операций,

fij – функция продолжительности выполнения операции в зависимости

от вложенных средств.

3. Оптимизация комплекса операций по объему дополнительных средств при ограничении по сроку выполнения всех операций.

Необходимо определить объемы дополнительных средств xij , вкладываемых в операции (i, j) таким образом, что бы общие затраты этих

средств были минимальными при условии, что задан срок выполнения всех операций T0 и время выполнения каждой операции (i, j) не меньше

минимально допустимого времени dij .

127

 

Z =

 

xij

min

(5.21)

 

 

(i, j) e

tij ,xij

 

 

t o

 

T

 

(5.22)

 

n1,n

 

0

 

 

tijo

tijn dij ,

(i, j) e

(5.23)

fij (xij ) = tijo tijn ,

(i, j) e

(5.24)

t njr

tijo ,

i, j, r E

(5.25)

tijn

0, tijo

0 ,

xij 0 , (i, j) e ,

(5.26)

где e – множество ребер сетевой модели комплекса операций, E – множество вершин сетевой модели комплекса операций,

fij – функция продолжительности выполнения операции в зависимости

от вложенных средств.

4. Оптимизация комплекса операций по времени с перераспределением мобильных средств.

Пусть общая сумма мобильных средств (т.е. тех которые можно перераспределять между операциями) равна B. Для выполнения операции

(i, j) выделено bij средств. Если с операции (i, j) снять xij средств, то время ее выполнения увеличится с tij до tij′ = φ(xij ) > tij . Если в операцию (i, j) вложить средства, xij то время ее выполнения сократится с tij до

′′

=γ (xij ) < < tij .

tij

Необходимо перераспределить мобильные средства xij , вкладываемые в операции (i, j) таким образом, чтобы минимизировать общее время выполнения работ.

Z = tij′ +

tij′′ → min

(5.27)

 

(i, j) µkr

(i, j) µkr

xij

 

tij

=φ(xij )

 

 

(5.28)

tij′′

= γ (xij )

 

 

(5.29)

xij = 0

 

 

(5.30)

(i, j) e

 

 

 

 

 

xij bij ,

 

(i, j) e

 

(5.31)

 

xij

 

B ,

 

(5.32)

 

 

 

(i, j) e

 

 

 

 

 

 

 

где e – множество ребер сетевой модели комплекса операций, E – множество вершин сетевой модели комплекса операций.

128

5.2. Анализ и планирование проекта «Реконструкция гостиницы» средствами программы MS Project

Программа MS Project 2003 позволяет решать задачи, перечисленные в пункте 5.1. Для удобства будем использовать русифицированную версию программы MS Project 2003. Основные возможности данной программы рассмотрим на примере анализа проекта «Реконструкция гостиницы». Проект содержит следующие основные этапы по подготовке и проведению строительных работ (табл. 5.1). Каждое из перечисленных мероприятий может рассматриваться как независимая стадия проекта, требующая собственных материальных, финансовых и людских ресурсов. Для каждой стадии может быть определена длительность проведения работ исходя из имеющихся ресурсов. Будем предполагать, что эти длительности не подвержены «случайным вариациям», но могут быть уменьшены путем вложения дополнительных средств.

 

 

 

 

Таблица 5.1

 

Характеристики проекта «Реконструкция гостиницы»

 

 

 

 

 

Этап

 

Название

Предшест-

Длитель-

 

венник

ность, дни

 

 

 

A

 

Вывезти мебель и оборудование

-

10

B

 

Демонтаж окон

A

15

C

 

Демонтаж коммуникаций

A

12

D

 

Демонтаж напольных покрытий

A

6

E

 

Монтаж окон

A, B

18

F

 

Установка электропроводки

E

15

G

 

Подготовка стен для отделки

F

12

H

 

Выравнивание полов

E

8

I

 

Монтаж коммуникаций

E

27

J

 

Монтаж потолка

E

20

K

 

Отделка стен

G, H, I, J

10

L

 

Монтаж напольных покрытий

K

12

M

 

Монтаж дверей

L

22

N

 

Установка мебели и оборудования

M

15

Для ответа на первый вопрос (сформулированный в пункте 5.1), возникающий при анализе и планировании проекта – о длительности проекта

– необходимо учитывать не только длительность каждого этапа, но и возможность их параллельного выполнения. В табл. 5.1 в столбце «предшественник» указаны соотношения «предшественник-последователь» установленные для всех стадий, которые установлены менеджером проекта, основываясь на знаниях современных строительных технологий. После сбора данной информации, можно использовать программу MS Project для анализа проекта (для ответа на вопросы 1–5 пункта 5.1).

129

Рис. 5.1 Ввод данных проекта «Реконструкция гостиницы»

Вызовем MS Project и откроем пустой проект. В столбец «Имя задачи» в левом окне введем обозначения этапов проекта, а в столбец «Длительность» их наивероятнейшую продолжительность (рис. 5.1). Для того, чтобы ввести информацию об этапах, предшествующих данному, нужно сделать двойной щелчок на названии этапа. При этом появится диалоговое окно, в котором можно вводить информацию об этапе (рис. 5.2). Далее нужно выбрать вкладку «Предшественники» (рис. 5.3). При этом можно указать, начинается ли этап сразу после окончания предшествующего или с некоторым запаздыванием. По умолчанию последующий этап начинается так рано, как только возможно после окончания предыдущего. После того как все предшественники этапа указаны, нужно нажать кнопку «ОК» и затем вызвать такое же окно для другого этапа. После того как все предшественники указаны, в правом окне получаем диаграмму Ганта как на рис 5.4. После того как диаграмма построена, длительность проекта можно посмотреть, используя меню «Проект/Сведения о проекте» идалеекнопка«Статистика» (рис. 5.5).

Рис. 5.2 Ввод данных этапов проекта «Реконструкция гостиницы»

130

Рис. 5.3 Ввод данных о предшественниках этапов проекта

«Реконструкция гостиницы»

Рис. 5.4 Диаграмма Ганта проекта «Реконструкция гостиницы»

Рис. 5.5 Получение данных о длительности проекта

«Реконструкция гостиницы»

131

Итак, ожидаемая продолжительность проекта «Реконструкция гостиницы» – 129 рабочих дней. Анализируя диаграмму Ганта можно заметить, что не все стадии одинаково влияют на длительность выполнения проекта и соответственно не все стадии нужно стремиться начинать и заканчивать так рано, как только возможно (т.е. есть критические и некритические этапы проекта, см. определение в пункте 5.1). Для того, чтобы на диаграмме Ганта отобразить критические этапы необходимо ее отредактировать. Для этого в меню «Формат» нужно вызвать команду «Мастер диаграмм Ганта». В появившемся диалоговом окне нужно нажать кнопку «Далее». В следующем окне (рис. 5.6) отметить кнопку-переключатель «критический путь» и снова нажать кнопку «Далее». В новом окне удобно указать, чтобы рядом с отрезком, изображающим этап, отображалось его название или другие характеристики этапа (рис. 5.7–5.9).

Рис. 5.6 Получение данных о критических этапах проекта

«Реконструкция гостиницы»

Рис. 5.7 Форматирование диаграммы Ганта для проекта

«Реконструкция гостиницы» (1 шаг)

132

Рис. 5.8 Форматирование диаграммы Ганта для проекта

«Реконструкция гостиницы» (2 шаг)

Рис. 5.9 Форматирование диаграммы Ганта для проекта

«Реконструкция гостиницы» (3 шаг)

В результате перечисленных настроек исходная диаграмма Ганта примет такой вид как на рис. 5.4. На этой диаграмме видно, что этапы C, D, H, J не являются критическими, остальные этапы – критические и любое изменение их длительности отразятся на изменении продолжительности проекта в целом (по умолчанию критические этапы выделяются красным светом).

Для визуализации критических путей лучше рассматривать сетевую диаграмму проекта. Для этого нужно в меню «Вид» выбрать пункт «Сетевой график». Для того чтобы сетевой график принял вид, такой как на рис. 5.10, в меню формат выбрать пункт «Макет» и в большом диалоговом окне отметить, чтобы связи между этапами отображались прямыми («Стиль линий связи») и что нужно скрыть все поля, кроме идентификатора («Параметры диаграммы»).

133

Рис. 5.10 Сетевая диаграмма проекта «Реконструкция гостиницы»

По сетевой диаграмме видно, что есть три критических пути: (1,5,6, 7,11,12,13,14); (1,2,5,6,7,11,12,13,14); (1,5,9,11,12,13,14).

Для того чтобы получить информацию о временных резервах некритических стадий, необходимо выбрать пункт меню «Вид-Таблица» и в раскрывшемся списке выбрать таблицу виду «Календарный план». Чтобы раскрыть нужные столбцы, границы окна таблицы нужно отодвинуть вправо (рис. 5.11). Полученная таблица содержит столбцы с датами раннего и позднего старта и финиша, и столбцы простой и общий простой (или свободный и полный резервывремени, определенные формулами5.9, 5.10).

Рис. 5.11 Получение информации о временных резервах проекта

«Реконструкция гостиницы»

134

Итак, мы рассмотрели, как с помощью программы MS Project получить ответы на первые пять вопросов, сформулированные в начале пункта 5.1. Для ответа на 6-ой необходимо решить оптимизационную задачу (5.15) –(5.20) в случае привлечения дополнительных средств или задачу (5.27)– (5.32) в случае перераспределения мобильных средств. Для ответа на 7-ой вопрос можно использовать решение задачи (5.21)–(5.26).

Рассмотрим, как решаются перечисленные задачи с помощью программы MS Project на конкретных примерах в следующих пунктах.

5.3. Управление проектами на предприятии. Анализ и оптимизация проекта «Разработка и внедрение нового вида продукта»

Менеджер проекта «Разработка и внедрение нового вида продукта» разбил его наосновные этапы и исходя из известных нормтрудозатрат и тарифов, рассчитал сроки и затраты для каждого этапа в двух случаях: без использования сверхурочных работ и в случае максимально возможного их использования. Руководствопредприятиятребуетзавершитьпроектза7 недель.

1.Возможно, ли выполнить требование руководства по срокам? Какие минимальные затраты при этом необходимы?

2.Какова минимальная длительность проекта при условии, что бюджет проекта не может превышать 7000 у.е.?

Таблица 5.2

Характеристики проекта «Разработка и внедрение нового вида продукта»

 

 

Нормальные

Со сверхурочными

Этап

Предшест-

работами

 

 

 

венник

Длительность,

Издержки,

Длительность,

Издержки,

 

 

дни

у.е

дни

у.е

A

-

12

120

8

220

B

A

6

40

4

100

C

B

6

50

6

100

D

A

4

100

3

120

E

D

14

100

8

190

F

B, D

16

200

10

320

G

E

16

120

9

260

H

D

6

10

4

20

Решение. Начнем с создания проекта «Разработка и внедрение нового вида продукта» в MS Project. Для этого внесем из табл. 5.2 данные об этапах проекта: название, нормальная длительность и предшественники. Также отформатируем диаграмму Ганта для того, чтобы отобразить критический путь. В результате получим диаграмму Ганта в таком виде как на рис. 5.12. По этой диаграмме видим, что этапы A, D, E, G являются критическими. Для того что-

135

бы определить критические пути рассмотрим сетевую диаграмму (рис. 5.13, какполучитсетевуюдиаграммуописановпункте5.2).

Рис. 5.12 Ввод данных и диаграмма Ганта проекта

«Разработка и внедрение нового вида продукта»

Рис. 5.13 Сетевая диаграмма проекта «Разработка и внедрение

нового вида продукта»

По сетевой диаграмме видно, что критический путь только один

ADEG. Вызвав меню Проект Сведения о проекте Статистика…

можно установить, что длительность проекта при нормальной продолжительности всех стадий составляет 46 рабочих дней или 9 недель и 1 день (5 рабочих дней в неделе).

По условию задачи длительность проекта можно сократить только за счет сверхурочных работ. Для расчета стоимости сокращенного проекта определим стоимость сверхурочных работ (табл. 5.3).

Для введения данных в MS Project о нормальной стоимости и стоимости сверхурочных работ проекта сначала зададим ресурсы для каждой стадии. Назовем их также как и этапы, но малыми буквами. Для этого вызовем диалоговое окно «Сведения о задаче» (вызывается двойным щелчком левой кнопки мыши по названию ресурса), на вкладке «Ресурсы». После ввода ресурсов нужно щелкнуть меню Окно Разделить.

136

Рис. 5.14 Получение данных о длительности проекта

«Разработка и внедрение нового вида продукта»

В результате в нижней части экрана откроется окно «Ресурсы и предшественники», в котором нужно двойным щелчком вызвать контекстное меню и выбрать окно трудозатраты ресурсов (рис. 5.15).

Таблица 5.3

Характеристики проекта «Разработка и внедрение нового вида продукта»

 

Нормальные

Со сверхурочными

Нормаль-

Цена

 

 

работами

Рост

Эта

 

 

 

 

ные из-

сферх-

 

 

Длитель-

 

п

Длитель-

Издерж-

Издерж-

держки,

цены

 

ность, дни

ки, у.е

ность,

ки, у.е

у.е./день

урочных

 

 

дни

 

 

 

 

 

 

 

 

 

A

12

120

8

220

10,00

35,00

25,00

B

6

40

4

10

6,67

36,67

30,00

 

 

 

 

 

 

 

 

C

6

50

6

10

8,33

---

---

D

4

100

3

120

25,00

45,00

20,00

E

14

100

8

190

7,14

22,14

15,00

F

16

200

10

320

12,50

32,50

20,00

G

16

120

9

260

7,50

27,50

20,00

H

6

10

4

20

1,67

6,67

5,00

137

Рис. 5.15 Ввод данных о ресурсах проекта «Разработка

ивнедрение нового вида продукта» (1 шаг)

Вэтом окне можно задавать сверхурочную работу в соответствующем столбце. Но сначала нужно задать стоимости ресурсов. Двойной щелчок левой кнопкой мыши по названию ресурса вызовет диалоговое окно «Сведения о ресурсе» (рис. 5.16). На вкладке «Расходы» этого окна можно задать стоимости нормальной работы («Стандартная ставка») и стоимости сверхурочных («Ставка сверхурочных»). После того как все данные о стоимости ресурсов введены, можно снова посмотреть статистику проекта (рис. 5.17). Там теперь отображается информация о стоимости проекта при нормальной продолжительности всех стадий – 5 919,84 у.е. После ввода данных о назначении сверхурочных работ эти данные будут автоматически пересчитываться.

Рис. 5.16 Ввод данных о ресурсах проекта «Разработка

и внедрение нового вида продукта» (2 шаг)

138

Рис. 5.17 Получение данных о длительности и затратах проекта

«Разработка и внедрение нового вида продукта»

Идея метода определения минимальной стоимости при заданной продолжительности (7 недель или 35 рабочих дней) состоит в том, что бы проводить сокращение длительности критических этапов на 1 единицу за один шаг. При этом на каждом этапе нужно выбирать стадию, сокращение которой стоит дешевле остальных критических стадий. Сокращение критической стадии сразу на две и более единиц может привести к тому, что мы не получим оптимальное решение, так как можем пропустить шаг после которого критическая стадия стала не критической и ее сокращение приведет к бесполезным затратам материальных ресурсов.

Итак, по таблице 5.3 определим, что самая дешевая для сокращения критическая стадия – E. Отметим также, что ее можно сократить не более чем до 8 рабочих дней. Отображение данных о ресурсах проекта до начала сокращения проекта показано на рис. 5.18. Результаты пошагового сокращения приведены в таблице 5.4. Анализируя эти результаты, видим, что стадию E пришлось сократить на максимально возможный срок – на 6 рабочих дней, после чего она так и осталась критической. Затем была сокращена стадия D также на максимально возможный срок – на 1 рабочий день.

На 8-ом шаге, после сокращения стадии G на 1 один день была достигнута минимальная длительность проекта при бюджете 7000 у.е. – 38 рабочих дней (ответ на второй вопрос задачи). На 11 – ом шаге была достигнута длительность проекта – 35 рабочих дней (7 недель) при этом минимальные расходы составили 7 439,84 у.е. (ответ на первый вопрос задачи). Также отметим, что с первого по 11-ый шаг сокращения проекта критический путь не менялся, а после 12 и 13 шага он изменился, что отражено на сетевых диаграммах (рис. 5.20, 5.21).

139

Рис. 5.18 Отображение данных о ресурсах проекта

«Разработка и внедрение нового вида продукта»

Рис. 5.19 Отображение данных проекта «Разработка и внедрение

нового вида продукта» на 11 шаге сокращения длительности

Рис. 5.20 Сетевая диаграмма проекта «Разработка и внедрение

нового вида продукта» после 12 шага сокращения длительности

140

Таблица 5.4.

Результаты сокращения проекта «Разработка и внедрение нового вида продукта»

 

Шаг

Сокращаемая

Продолжительность

Затраты

 

 

 

стадия

стадии

проекта

 

 

 

1

E

13

45

6 039,84 у.е.

 

 

2

E

12

44

6 159,84 у.е.

 

 

3

E

11

43

6 279,84 у.е.

 

 

4

E

10

42

6 339,84 у.е.

 

 

5

E

9

41

6 519,84 у.е.

 

 

6

E

8

40

6 639,84 у.е.

 

 

7

D

3

39

6 799,84 у.е.

 

 

8

G

15

38

6 959,84 у.е.

 

 

9

G

14

37

7 119,84 у.е.

 

 

10

G

13

36

7 279,84 у.е

 

 

11

G

12

35

7 439,84 у.е

 

 

12

G

11

34

7 599,84 у.е

 

 

13

G

10

34

7 759,84 у.е

 

 

 

 

 

 

 

 

Рис. 5.21 Сетевая диаграмма проекта «Разработка и внедрение

нового вида продукта» после 13 шага сокращения длительности

Отметим также, что на 13-ом шаге сокращение критической стадии не приводит к сокращению длительности всего проекта, так как на данном этапе имеется уже два критических пути (1-2-6) и (1-4-5-7) (рис.5.20). Путь (1-4-6) не является критическим, так как его длина составляет 12+3+16=31 день, что меньше 34 дней – длины вышеперечисленных критических путей.

Таким образом, делаем вывод, что проект может быть завершен за 7 недель и при этом минимальные затраты составят 7 439,84 у.е. Если же бюджет проекта ограничен суммой в 7000 у.е., то его минимально возможная длительность 38 рабочих дней.

141

РАЗДЕЛ 6

ЗАДАЧИ УПРАВЛЕНИЯ ТОВАРНЫМИ ЗАПАСАМИ

6.1. Общие положения функционирования системы регулирования товарных запасов

Рассмотрим следующую однотоварную задачу оптимизации [64]. Пусть имеются данные о поставках некоторого товара на склад, спросе на данный товар, издержках и условиях его хранения. В качестве единицы измерения времени выберем день. Предположим, что к концу (t 1) -го дня

на складе имеется запас в количестве xt1 единиц. Руководствуясь спросом, сделана заявка на пополнение запаса товара объёмом ht единиц. Следовательно, запас товара на начало t -го дня будет составлять xt1 + ht единиц.

Пусть потребители нуждаются в St единицах товара, причём этот

объём был зафиксирован в договорах на поставку. Рассмотрим следующую картину развития событий.

Ситуация 1. Если xt1 + ht St , то потребители будут удовлетворены

полностью, а остаток xt

= xt1 + ht St переходит на следующий (t +1) -й

день. Пусть c грн/ед. –

это стоимость хранения единицы товара за один

день. Тогда издержки по хранению запаса прямо пропорциональны объёму и составляют cxt = c(xt1 + ht St ) .

Ситуация 2. Если же потребители не могут быть удовлетворены в полном объёме, т.е. xt1 + ht < St , тогда по отношению к складу применяют-

ся штрафные санкции. Обозначим через k грн/ед. размер компенсации за недопоставку единицы товара за один день. Поэтому размер штрафа, который должен выплатить склад за t -й день, составит k(St xt1 ht ) =

= −k(xt1 + ht St ) .

Как видно, издержки склада ϕ грн в t -й день зависят от запаса xt1 , его пополнения ht и объёма поставки St . Очевидно, что полные издержки могут быть записаны в виде:

ϕ(xt1 ,ht , St ) = max{c(xt1 + ht St );k(xt1 + ht St )}.

Действительно, еслиимеетместоситуация1, точисло c(xt1 + ht St ) 0 , а число k(xt1 + ht St ) < 0 . Понятно, что максимальным будет неотрицатель-

ное число, т.е.

ϕ(xt1 ,ht , St ) = c(xt1 + ht St ) .

При ситуации 2

– наоборот

c(xt1 + ht St ) < 0 , k(xt1 + ht St ) > 0 и ϕ(xt1 ,ht , St ) = −k(xt1 + ht St ) .

К концу

t -го дня запас товара на

складе может

быть либо

xt = xt1 + ht St , либо xt = 0 . Поэтому будет справедливым соотношение:

142

xt = max{xt1 + ht St ;0}.

Если взглянуть на вопрос несколько шире и допустить возможность того, что запас может принимать отрицательные значения. Ситуация xt < 0

означает дефицит товара и невозможность его поставки потребителю. С точки зрения полных издержек имеем:

 

cx ,

x

> 0;

ϕ(xt

 

t

t

 

) = 0,

 

xt = 0;

 

kx ,

x

< 0.

 

 

t

t

 

Предположим, что объём дневного спроса на товар St – некоторая

непрерывная случайная величина с заданной функцией распределения вероятностей

F(s) = P{St < s},

плотность распределения которой является производной от функции распределения, т.е.

f (s) = F / (St ) .

Так как случайная величина St входит в функцию издержек, то сами издержки ϕ(xt1,ht , St ) тоже подразумеваются случайными. Введём поня-

тие средних полных издержек склада по данному товару, которые зададим математическим ожиданием Mϕ(xt1,ht ,St ) .

Требуется определить объём пополнения дневного запаса ht таким образом, чтобы ожидаемые полные издержки были минимальными, т.е.

Mϕ(xt1,ht , St ) min .

Такая задача оптимального управления товарными запасами считается классической задачей маркетинга и её постановка приводится во многих источниках научной и учебной литературы [55].

Система регулирования товарных запасов. Предположение о том,

что в качестве дневного спроса на товар St можно рассматривать типичные

непрерывные случайные величины, на наш взгляд, является надуманным. Действительно, если объёмы поставок потребителям оговорены в заключённыхконтрактах, точисловаявеличина St утрачивает случайный характер.

Однако полностью отказываться от стохастического подхода, не стоит. Например, какой-то из потребителей обанкротится или возникнет дру-

143

гая причина отказа от поставки. Подобные ситуации могут вносить элементы случайности в построенную модель. В научной статье [65] автор данной главы рассматривал эти проблемы.

Наша задача – сформировать адекватную случайную величину, описывающую объём дневного спроса и найти оптимальный объём пополнения дневного запаса, минимизирующий издержки.

Допустим, что имеется выборка достаточного объёма n , которая содержит сведения об объёмах поставок S ={S1, S2 ,..., Sn}. Найдём выбороч-

 

 

 

 

 

 

 

 

 

ные характеристики –

выборочное среднее S , выборочную дисперсию

DB (S) и выборочное среднее квадратическое отклонение σB (S) :

 

 

n

 

n

 

 

= 1 St

,

DB (S) = 1 (St

 

)2 , σB (S) = DB (S) .

 

S

S

 

 

n t=1

 

n t=1

Так как дневной спрос St в незначительной мере носит стохастический характер, то значения построенной случайной величины не должны

значительно отличаться от среднего показателя S . Обозначим через ( ∆ > 0 ) отклонение случайной величины St от выборочного среднего S . Имеет смысл рассмотреть вероятность следующего события:

P{ St S < ∆} = P{S − ∆ < St < S + ∆} = P{St (S − ∆; S + ∆)}.

В силу того, что отклонение не может быть значительным, вероятность данного события должна быть близка к единице, т.е.

P{ St S < ∆} 1.

Следовательно, нам нужно построить непрерывную случайную величину, значения которой в существенной мере концентрируются вокруг

S – статистической оценки математического ожидания MSt . Наиболее

подходящим является нормальное распределение [3, гл. 9].

Случайная величина ξ распределена нормально с параметрами a и σ (условное обозначение ξ N(a,σ)), если её плотность распределения вероятностей задаётся формулой

 

 

1

e

(xa)2

f (x) =

 

2σ2 ,

σ

2π

 

 

 

144

где параметр a равен математическому ожиданию, а параметр σ – среднему квадратическому отклонению: Mξ = а, Dξ =σ2 . На графике (рис. 6.1) видно, что кривая плотности симметрична относительно прямой x = a .

Рис. 6.1 График плотности нормального распределения вероятностей

В параграфе 10.2 учебного пособия [9] было доказано, что M S = a .

Поэтому будем полагать a S . Т.о. первый параметр нормального распределения a зафиксирован и осталось определиться с σ .

Учтём, что вероятность попадания значения непрерывной случайной величины в заданный интервал вычисляется интегралом

P{ St S < ∆} = S+∆ f (s)ds ,

S −∆

которыйопределяет площадьподкривойплотности(рис. 6.1). Понятно, что

+∞f (s)ds =1.

−∞

Среди свойств нормального распределения (параграф 5.1 [9]) имеется следующее

 

 

 

 

 

 

< ∆} = 2Φ

 

,

 

 

P{

St

S

 

 

 

 

 

 

 

 

 

σ

 

 

 

1

s

 

 

 

 

 

 

 

 

 

 

где Φ(s) =

ex2 / 2dx – интегральная функция Лапласа. Для этой функ-

2π

 

0

 

 

 

 

 

 

 

 

ции имеются подробные таблицы.

145

Итак, мы хотим, чтобы дневной спрос незначительно отличался от среднего показателя. На практике часто рассматривают событие

St S <σ , т.е. абсолютное отклонение не превзойдёт среднюю квадратическую характеристику. Оценим вероятность:

 

 

 

 

 

<σ} = 2Φ σ

 

= 2Φ(1) 0,6826 .

P{

St

S

 

 

 

 

 

 

 

σ

 

 

 

 

 

 

может превысить σ

 

 

 

 

 

 

 

 

 

 

Следовательно,

абсолютное отклонение

 

St

 

 

 

 

 

S

 

 

 

 

 

 

 

 

 

 

 

 

 

 

в 31,74% случаев. На рис. 6.2 – это не заштрихованная область под кривой плотности.

Рис. 6.2 Площадь не заштрихованной области 0,3174

Потеря такого количества случаев для нас не приемлема. Надо стремиться к тому, чтобы P{ St S < ∆} 1. Поэтому вспомним правило «трёх

сигм», изложенное в параграфе 5.1 учебного пособия [9]. Действительно, для нормального распределения выполняется:

P{ St S < 3σ} = 2Φ 3σσ = 2Φ(3) 0,9974 .

Такое событие является практически достоверным, т.к. противоположноесобытиенаступаетв0,26% случаев. Этогонамихотелосьбы.

Для того чтобы дневные объёмы поставок потребителям St практически утратили случайный характер, будем считать, что St N (S,σB (S) / 3) . В

этом случае, оценивая вероятность важного с практической точки зрения события, получим:

146

 

 

 

 

 

 

σB (S)

 

 

 

P{

St S

 

<σB (S)} = 2Φ

 

= 2Φ(3)

1.

σB (S) /3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Чтобы показать преимущество построенного нормального распределения N (S,σB (S) / 3) перед распределением N (S,σB (S)) , которое часто используют в учебной и научной литературе, приведём рис. 6.3. Более высокая криваяплотностисоответствует N (S,σB (S) / 3) , болеенизкая– N (S,σB (S)) .

Рис. 6.3 Сопоставление двух нормальных распределений

Первая поставленная нами задача выполнена. Показано, что нормальное

распределение вероятностей с параметрами a = S и σ =σB (S) /3 адекватно описывает поведениевеличиныдневногоспроса St .

Оптимальное управление объёмами товарных запасов. Присту-

пим к решению второй задачи. Эта задача представляет собой задачу нахождения оптимального управления – объёма пополнения дневного запаса ht . При этом ожидаемые полные издержки склада должны быть мини-

мальными, т.е.

Mϕ(xt1,ht , St ) min .

Решение этой задачи известно (см., например, [38]). Введём обозна-

чение для запаса товара на начало t -го дня: s = xt1 + ht . Оптимальное значение этого показателя определяется из равенства:

F(s0 ) = c +k k .

147

Левая часть равенства – значение функции распределения. Правая часть является характеристикой единицы товара за один день. Как видно, речь идёт об отношении величины компенсации k за недопоставку к суммарной величине стоимости хранения c и компенсации k .

В силу того, что

0 c +k k 1,

то эта дробь может играть роль вероятности:

P(St < s0 ) = c +k k .

Напомним, что событие St < s0 означает, что дневной спрос St на товар будет меньше, чем оптимальный объём запаса на складе s0 . Как раз такая ситуация нас устраивает.

Функция распределения F(s)

близка к нормальной функции распре-

деления N (

 

,σB (S) / 3) . Согласно

свойству

 

нормального

распределения

S

(см. параграф 5.1 учебного пособия [9]) получим:

 

 

 

 

 

 

s

 

 

 

 

 

 

1

 

 

 

 

 

k

 

 

 

 

 

 

 

S

 

 

 

 

 

 

 

 

 

 

.

 

 

 

 

Φ

0

 

 

 

 

 

 

 

+

 

 

=

 

 

 

 

 

 

 

 

 

 

 

σB (S) / 3

2

c

 

+ k

 

 

 

 

 

 

 

 

 

 

 

 

 

Откуда имеем:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

s

 

 

 

 

 

 

 

k

 

 

 

 

 

1

 

 

 

 

 

 

S

 

 

 

 

 

 

 

 

 

 

 

.

 

 

 

 

Φ

0

 

 

 

 

 

 

 

=

 

 

 

 

 

 

 

 

 

 

 

 

σB (S) / 3

c + k

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

В таблицах функции Лапласа по значению функции

k

1 опре-

c + k

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

деляем аргумент z (на рис. 6.4 приведена графическая интерпретация).

Из уравнения

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

s0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

S

 

 

= z

 

 

 

 

 

 

 

 

 

 

 

 

 

 

σB (S) / 3

 

 

 

 

 

 

 

 

 

 

 

находим оптимальный объём запаса

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

z σB (S) + 3

 

 

 

 

 

 

 

 

 

 

 

s0 =

S

 

.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

148

Рис. 6.4 Определение аргумента функции Лапласа

Зная запас товара xt1

на конец (t 1) -го дня, определяем для сле-

дующего t -го дня оптимальный объём пополнения дневного запаса:

ht (0)

s

x

,

x

< s ;

= 0

t1

 

t1

0

 

0,

 

 

xt1 s0 .

Применим разработанные методы в конкретных условиях.

6.2. Оптимальное управление объёмами товарных запасов на заводе холодильников

Завод в соответствии с договором реализует со склада холодильники. Имеется долгосрочная статистика объёмов поставок, по которой оценены

выборочное среднее S =50 шт. и выборочное среднее квадратическое отклонение σB (S) =15 шт. Средние издержки хранения одного холодильника

вдень составляют c = 6 грн, а штраф за недопоставку одного холодильника

вдень равен k =14 грн. На конец текущего дня запас составляет в среднем

xt1 = 4 шт.

Требуется определить оптимальный объём пополнения запаса холодильников ht(0) иминимальныеожидаемыеполныеиздержки Mϕ(xt1,ht , St ).

Решение. С помощью приложений учебного пособия [9] по значению функции Лапласа

k

1

=

14

1

= 0,7 0,5 = 0,2

c + k

2

6 +14

2

 

 

 

 

149

определяем аргумент z = 0,53 . Вычисляем оптимальный объём запаса:

s0 =

z σB

(S) + 3

S

 

=

0,53 15

+ 3

50

= 52,65 .

 

3

 

 

3

 

 

 

 

 

 

 

 

 

 

Округлив до целого числа, получим s0 = 53 шт.

Так как xt1 < s0 , то оптимальный объём пополнения дневного запаса:

ht(0) = s0 xt1 = 53 4 = 49 (шт.).

С учётом того, что

Mϕ(xt1 , ht , St ) =ϕ(xt1 , ht (0) , S) ,

оценим минимальные ожидаемые полные издержки:

Mϕ(xt1,ht , St ) =ϕ(4,49,50) = max{6(4 + 49 50);14(4 + 49 50)} =18 (грн).

Заметим, что при c +k k 12 < 0 следует пользоваться нечётностью

функции Лапласа: Φ(y)= −Φ(y). В этом случае окажется, что z < 0 . Поэтому будет выполняться неравенство s0 < S (в отличие от примера с холодильниками, когда s0 =53 , а S =50). Заметим также, что издержки Mϕ(xt1,ht ,St ) =18 грн образовались, т.к. 3 холодильника ( s0 S = 3 ) оста-

лись на складе. По условию средние издержки хранения одного холодильника в день составляют c = 6 грн. Поэтому общие издержки 6 3 =18 грн. Если же

s0 < S , то s0 S < 0 и число (s0 S) – это количество недопоставленных холодильников. Поэтому минимальные ожидаемые полные издержки обра-

зуются за счёт штрафных санкций, т.е. Mϕ(xt1 , ht , St ) = −k(s0 S) .

Рассмотрение примера окончено.

Подведём итоги. В данном параграфе предложена модель, которая адекватно описывает поведение величины дневного спроса на товар, отгружаемый со склада. Выведены формулы для нахождения оптимального

объёма запаса товара на складе, объёма пополнения дневного запаса, кото-

рые минимизируют ожидаемые полные издержки. Подробно изложена методика применения полученных формул.

150

6.3. Общие положения регулирования объёмами поставок

Пусть имеется склад, на котором хранятся товарные запасы. Запасы расходуются на снабжение потребителей. В реальной жизни работа склада сопровождается множеством отклонений от идеального режима. Например, заказана партия одного объёма, а прибыла партия другого. Или, партия товара должна прибыть через неделю, а она пришла через десять дней. Или, разгрузка партии длилась вдвое дольше обычного.

Таким образом учесть возможные отклонения сложно. Поэтому рассмотрим модель работы склада при следующих допущениях.

1.Расходования запасов со склада осуществляется с постоянной скоростью M (единиц товарных запасов в единицу времени).

2.Объём партии пополнения Q является постоянной величиной

(система управления с фиксированным размером заказа).

3.Время разгрузки прибывшей партии не влияет на работу склада.

Например, разгрузка осуществляется в ночное время.

4.Время t от принятия решения о пополнении до прихода заказанной партии есть величина постоянная. Если нужно, чтобы партия товара

пришла в момент времени t , то её следует заказать в момент времени

t− ∆t .

5.Обозначим через T время между двумя последовательными по-

ставками. Т.к. на складе не происходит систематического накопления или перерасхода запасов, то Q = M T . Т.о. работа склада происходит одинако-

выми циклами длительностью T и за время цикла величина запаса изменяется от максимального уровня S до минимального уровня s, т.е.

S Q = s или S M T = s .

6. С точки зрения уменьшения издержек склада на хранение можно предположить, что s = 0 . Следовательно, S Q = 0, и зависимость величины

запасов y от времени t может быть представлена графически (рис. 6.5).

y

t

Рис. 6.5 График идеальной работы склада

151

Эффективность работы склада оценивается по его затратам на пополнение запасов и их хранение. Расходы, не зависящие от объёма партии, называют накладными. К им относятся почтово-телеграфные, командировочные, некоторая часть транспортных и др. расходы. Накладные расходы обозначим через K.

Издержки хранения запасов будем считать пропорциональными величине хранящихся запасов и времени их хранения. Издержки на хранение одной единицы запасов в течение одной единицы времени назовём вели-

чиной удельных издержек хранения и обозначим через h.

Среднее значение величины запасов составляет Q2 . Затраты склада

Z за время T при размере партии пополнения Q оценивают следующим образом:

ZT (Q) = K + h T Q2 .

Величина затрат на пополнение и хранение запасов в единицу времени составит:

Z1(Q) = ZTT(Q) = KT + h Q2 = (QK/ M ) + h Q2 = KQM + h Q2 .

Наша цель – определить такой объём партии пополнения Q , чтобы затраты Z1(Q) были минимальными.

6.4. Задача об экономически выгодных размерах заказа на складе цемента

Для решения поставленной задачи применим необходимое и достаточное условие экстремума. Найдём производную функции:

[Z

(Q)]/

=

K M

+ h Q /

= − K M + h .

1

Q

 

 

Q

2

 

Q2 2

 

 

 

Q

Приравняем производную к нулю и найдём стационарную точку

функции. Учтём тот факт, что величина Q не может быть отрицательной:

K M

+ h

= 0 ,

Q* =

2KM .

Q2

2

 

 

h

152

Если Q * является точкой минимума, то график функции в этой точке

должен быть выпуклым вниз. Следовательно, вторая производная в этой точке должна быть положительной. Действительно,

[Z1

//

 

K M

+

h

 

/

2KM

> 0

,

(Q)]

= −

Q2

2

 

=

Q3

 

Q

 

 

Q

 

 

причём вторая производная положительна не только в точке Q*, но и на всей областиопределения. Т.о. графикфункции y = Z1(Q) вездевыпуклыйвниз.

Рассчитаем минимальные затраты:

Z min = Z (Q*) = K 2M 2

 

h

+ h2

2KM =

KMh +

KMh .

 

1

1

1

 

2KM

4

h

2

2

 

 

 

В последнем соотношении возникли два одинаковых слагаемых. Т.е. при оптимальном размере заказа Q * издержки хранения запаса в единицу

времени h Q2 равны накладным расходам KQM . При этом общие затраты

на пополнение и хранение запасов в единицу времени составят

Z1min = 2KMh .

Рассмотрим на графике функции от переменной Q , т.е. y = f (Q) . То-

гда прямая

y = h Q

пересекается с гиперболой

y =

K M

в точке с абс-

Q

 

2

 

 

 

циссой Q*, которая даёт точку минимума для кривой y = Z1(Q) (рис. 6.6).

153

Рис. 6.6 Иллюстрация к задаче о размере заказа

Формулу для оптимального размера заказа

Q* =

2KM

 

h

называют формулой Уилсона (R.H. Wilson – английский экономист). Появление формулы относят к началу XX столетия.

Ясно, что оптимальный средний уровень запаса составит Q* = Q2* .

Оптимальная периодичность пополнения запасов будет T* = QM* . Для рас-

чёта оптимальных средних издержек хранения запасов в единицу времени используют формулу H1 = h Q *.

Рассмотрим практическую задачу.

Пример. На склад доставляют цемент партиями по 1200 т. В сутки со

склада потребители забирают 40 т. цемента. Накладные расходы по доставке партии цемента равны 4000 грн. Издержки хранения 1 т. цемента в тече-

ние суток составляют 0,2 грн.

Требуется определить: 1) длительность цикла, среднесуточные накладные расходы и среднесуточные издержки хранения; 2) оптимальный

размер заказываемой партии и расчётные характеристики работы склада в оптимальном режиме.

Решение. В условии даны следующие параметры работы склада:

объём партии

пополнения Q =1200 т; скорость расходования запасов

M = 40 т/сут.;

накладные расходы доставки K = 4000 грн; удельные из-

держки хранения h = 0,2 грн/сут.

 

1. Длительность цикла составляет:

 

T =

Q

 

=1200 =30 сут.

 

M

 

 

40

Среднесуточные накладные расходы:

KT = 400030 133 грн/сут.

Среднесрочные издержки хранения:

154

h Q = 0,2

1200 =120 грн/сут.

 

 

 

 

 

 

2

2

 

 

 

 

 

 

 

2. По формуле Уилсона найдём оптимальный размер заказа

 

 

 

 

Q* =

2KM =

2 4000 40 1265 т.

 

 

 

 

 

 

h

0,2

 

 

 

 

 

 

 

Оптимальный средний уровень запаса составит

 

* = Q *

= 632,5

т.

Q

Оптимальная периодичность пополнения запасов: T* = Q *

2

 

 

 

 

= 1265

32

сут.

 

 

M

40

 

 

 

 

Оптимальные средние издержки хранения запасов в единицу времени со-

ставят H1 = h Q* = 0,2 632,5 =126,5 грн/сут.

Рассмотрение примера окончено.

155

РАЗДЕЛ 7

ЗАДАЧИ РЕГУЛИРОВАНИЯ СПРОСА И ПРЕДЛОЖЕНИЯ

ВЗАДАЧАХ МАРКЕТИНГА

7.1.Общие положения о взаимодействии спроса и предложения

Как известно, две основные категории рыночных отношений – спрос

ипредложение. И то и другое зависит от многих факторов, среди которых главный – это цена товара. Обозначим цену (анг. price) товара p , объём

спроса (анг. demand) d , величину предложения (анг. supply) s. При малых p имеем d (p)s(p) > 0 (спрос превышает предложение), при больших

p , наоборот, d (p)s(p)< 0.

Естественно, что функции d (p) и s(p) являются математическими

(а точнее, эконометрическими) моделями. Они могут быть найдены с помощью метода наименьших квадратов (см., например, [9], [27]), как однофакторные модели парной регрессии.

Считая d (p) и s(p) непрерывными функциями, приходим к заключению, что существует такая цена p0 , для которой d (p) = s(p), т.е. спрос равен предложению. Цена p0 называется равновесной, спрос и предложе-

ние при этой цене также называются равновесными [6, пункт 1.12]. Установление равновесной цены – одна из главных задач рынка. Рас-

смотрим простую модель поиска равновесной цены – паутинную модель. Она объясняет регулярно повторяющиеся циклы изменения объёмов продажи и цен.

Можно рассмотреть, например, производство сельскохозяйственной продукции (подсолнечника). Предположим, что решение о величине объёма производства принимается в зависимости от цены товара в предыдущий период времени. Так площадь, отводимую под сельскохозяйственную культуру, выбирают в зависимости от ее цены, сложившейся в предыдущем году.

Рассмотрим ситуацию, изображенную на рис. 7.1. На горизонтальной оси отложено в натуральных единицах количество товара q , имеющегося

на рынке. По вертикальной оси отложена цена товара p . С ростом цены p количество покупаемого товара q уменьшается, поэтому кривая спроса dd

(т.е. модель) является монотонно убывающей. Аналогично, при уменьшении цены количество покупаемого товара увеличивается, поэтому кривую предложения ss моделируют монотонно возрастающей кривой.

Пусть в начальной точке предложение товара имеет значение q1 и выбрано так в зависимости от цены товара p1 в предыдущий период. Поскольку

эта цена больше равновесной, то на кривой спроса dd ей соответствует объем покупок q2 . Производителю, исходя из такой информации о состоянии рынка,

156

приходится опустить цену товара до величины p2 . Цена p2 ниже равновесной, поэтому на рынке увеличивается спрос до величины q3 . На кривой предложения ss этойвеличинесоответствуетценапредложения p3 ит.д.

Рис. 7.1 напоминает паутину (отсюда и название модели) или спираль, которая «скручивается» в точке рыночного равновесия (q0 , p0 ).

Рис. 7.1 «Скручивающаяся» паутинная модель

Впрочем, описанная «спираль» не всегда «скручивается». В некоторых случаях она может и «раскручиваться», как показывает рис. 7.2.

Рис. 7.2 «Раскручивающаяся» паутинная модель

157

От каких свойств функций d (p) и s(p) зависит сходимость или

расходимость описанной выше «спирали»? Этот вопрос достаточно сложен. Рассмотрим его сначала с формальной точки зрения. Скорее всего, «скручивание» на рис. 7.1 произошло из-за того, что модели спроса и предложения были выбраны в виде функций с графиками выпуклыми вверх. На рис. 7.2 кривые dd и ss выпуклы вниз. По-видимому, из-за этого и произошло «раскручивание».

Дадим следующую рекомендацию. Если длительное время на рынке наблюдается ситуация, при которой количество продаваемого товара q0 и

цена p0 – постоянны, то в качестве математической модели надо выбирать

кривые спроса и предложения выпуклые вверх. Если же цена и количество продаж претерпевают значительные изменения, то следует моделировать ситуацию кривыми выпуклыми вниз.

Ценовая эластичность спроса. В физическом смысле термин «эластичность» означает возможность значительной деформации вещества (растяжение, сжатие, излом и т.п.), после которой оно восстанавливается в своё первоначальное состояние. В быту эластичными принято считать натуральный каучук, резиновые изделия, мягкие полимеры и т.д.

Понятие эластичности было введено английским экономистом Аланом Маршаллом (1842-1924) в связи с анализом функции спроса [9, пункт 2.8]. По существу, это понятие является чисто математическим и может применяться при анализе любых дифференцируемых функций. Поэтому вначале дадим общие понятия об эластичности.

Рассмотрим непрерывную функцию y = f (x) в окрестности точки x0 . Незначительное приращение аргумента x = x x0 приведёт к приращению функции y = y y0 . Эластичностью функции y = f (x) в точке x0 называется следующий предел

Eyx (x0 ) = limx0 yy : xx .

Говорят также, что Eyx (x0 ) – это коэффициент эластичности показа-

теля y по показателю x. Если из контекста ясно, в какой точке определя-

ется эластичность и какая переменная является независимой, то в обозна-

чении эластичности могут опускаться отдельные символы. Мы тоже будем использовать сокращенные обозначения Ey и Eyx . Из определения эла-

стичности вытекает, что при достаточно малых x выполняется прибли-

женное равенство yy : xx Ey , которое можно записать в виде yy Ey xx .

Следовательно, эластичность Ey – это коэффициент пропорциональности между относительными изменениями величин y и x. Если, напри-

158

мер, показатель x увеличится на один процент, то показатель y приближённо изменится на Ey процентов.

Если функция дифференцируема в точке x0 , то эластичность выражается через производную:

Eyx (x0 ) = f (xx0 0 ) f / (x0 ) или Ey = xy y/ .

Какой же геометрический смысл имеет эластичность? Напомним

геометрический смысл производной: f / (x ) – это тангенс угла наклона ка-

 

 

0

сательной к графику функции y = f (x)

в точке C(x0 ; y0 ) . Геометрический

смысл эластичности функции в точке x0

связан с разбиением данной каса-

тельной на отрезки точками A,

B и C , где A(xA ,0) – точка пересечения

касательной с осью Ox , B(0, yB )

– точка пересечения касательной с осью

Oy (рис. 7.3).

 

 

Рис. 7.3 Функция с положительной эластичностью

Если эластичность положительна, то она совпадает с отношением

длин отрезков BC и AC :

Eyx (x0 ) = BCAC .

Соотношение Eyx (x0 ) = − BCAC выполняется при отрицательной эла-

стичности (рис. 7.4).

159

Рис. 7.4 Функция с отрицательной эластичностью

Заметим, что для взаимно обратных функций имеет место свойство:

E

xy

( y ) =

1

.

 

 

 

 

 

 

 

 

0

Eyx (x0 )

 

 

 

 

 

 

 

 

 

Поэтомудлярис. 7.4 будетправильнымсоотношение E

xy

( y ) = − AC .

 

 

 

 

 

0

BC

 

 

 

 

 

 

 

Перейдём непосредственно к

изучению ценовой

эластичности

спроса. Пусть d = d( p) – спрос (в натуральных единицах) на некоторый товар при цене p . Т.к. при увеличении цены спрос уменьшается, то эластичность спроса Ed < 0 . Спрос называется эластичным, если Ed >1, и

неэластичным, если Ed <1. Термин совершенно неэластичный спрос

означает крайний случай, когда изменение цены не приводит ни к какому изменению спроса. В этом случае Ed = 0. В другом крайнем случае, когда

самое малое снижение цены побуждает покупателя увеличивать покупки

от нуля до предела своих возможностей, говорят, что спрос является совершенно эластичным. Можно считать, что для совершенно эластичного

спроса Ed = ∞.

Если продавцы обладают достаточными запасами товара, то d = d( p)

– это не только количество спрашиваемого товара. Одновременно это и количество проданного товара. В данном случае общая выручка всех продавцов R = p d( p) . Найдём эластичность выручки по цене:

ER =

p

Rp/

=

p

(p d ( p))/p

= d ( p) + pd / ( p)

=1+

p

d / ( p) =1+ Ed .

 

p d ( p)

d ( p)

 

R

 

 

d ( p)

 

 

160

Следовательно, при эластичном спросе ER < 0 , а при неэластичном спросе ER > 0 . Этот факт приводит к следующим выводам. Если спрос эла-

стичен, то изменение цены вызывает изменение общей выручки в противоположном направлении. Если же спрос неэластичен, то изменение общей выручки происходит в том же направлении, что и изменение цены.

Проводя графический анализ эластичности спроса, следует помнить, что в экономической теории принято ось цен p изображать вертикально, а

ось количества покупаемого товара q – горизонтально. Несмотря на это,

спрос q = d( p) рассматривается как функция цены p (рис. 7.5).

Рис. 7.5 Графический анализ эластичности спроса

Ситуация на рис. 7.5 аналогична рис. 7.4. Поэтому выполняется со-

отношение

E

( p ) = − BC .

Если

спрос

эластичный

(т.е. E < −1), то

 

dp

0

AC

 

 

 

d

BC < −1.

 

 

 

 

 

 

Следовательно,

BC > AC. Если же спрос неэластичный (т.е.

AC

 

 

 

 

 

 

 

1< Ed < 0 ), то BC < AC .

 

 

 

 

Рассмотрим случай,

когда

спрос

описывают

линейной моделью

d( p) = kp +b , k < 0 (рис. 7.6). Следовательно, касательная к графику будет совпадать с прямой спроса.

Рис. 7.6 Линейная модель спроса

161

Здесь точка M является серединой отрезка AB. В этой точке Ed = −1

и, значит, при увеличении цены на 1%, спрос может предельно снизиться на 1%. В точках на прямой, расположенных выше точки M (например, C1 ), спрос будет эластичным. Точки, находящееся ниже M (например,

C2 ), характеризуют неэластичный спрос.

Заметим, что всё сказанное относительно функции спроса d( p) мо-

жет быть распространено и относительно моделирования предложения s( p) . Предоставляем это проделать читателю самостоятельно.

Динамическая модель взаимодействия спроса и предложения. Аме-

риканский экономист Пол Самуэльсон (1915-2009) предложил модель, которая отражает зависимость между ценой товара p, спросом d( p) и предложением

s( p) . Разность d( p) s( p) часто называют неудовлетворённым спросом.

Предполагается, что цена – непрерывная и дифференцируемая функция от времени t. Времясчитаюттоженепрерывнойпеременной.

Основное предположение модели состоит в том, что изменение цены пропорционально превышению спроса над предложением:

p = k(d( p) s( p)) t,

где k – коэффициент пропорциональности ( k > 0). Совершив предельный переход, получаем дифференциальное уравнение первого порядка, которое называют уравнением Самульэсона-Эванса [1, гл. 7]:

dpdt = k(d( p) s( p)) .

Предполагается, что спрос и предложение задаются линейными функциями

d( p) = a bp , s( p) = −m + np ,

положительные параметры которых a , b, m , n найдены по эмпирическим

данным с помощью метода наименьших квадратов. Тогда дифференциальное уравнение примет вид:

dpdt = −k(b + n) p + k(a + m) .

Данное уравнение является линейным дифференциальным уравнением. Его общее решение будет следующим:

162

 

 

 

p(t) = a + m

+Cek (b+n)t .

 

 

 

b + n

 

Число

 

= a + m

является корнем уравнения d( p) = s( p) , т.е. равно-

p

 

 

b + n

 

 

весной ценой (рис. 7.7).

Рис. 7.7 Стационарное равновесное решение

Общее решение уравнения Самуэльсона-Эванса порождает семейство интегральных кривых, которые с течением времени t будут асимптоти-

чески приближаться к состоянию равновесия p (рис. 7.8).

Рис. 7.8 Частные решения уравнения Самуэльсона-Эванса

Ранее мы рассматривали дискретную паутинную модель (рис. 1.7.1). Данную модель можно рассматривать как непрерывный аналог паутинной модели рынка.

163

7.2. Анализ спроса и предложения на продукцию автомобильного концерна

Автомобильный концерн восемь лет назад начал выпуск новой марки автомобиля. Данные представлены в виде табл. 7.1 и 7.2. Цена p указана в

тыс. грн, количество q – в тыс. шт.

Таблица 7.1

Спрос

Год

1

2

3

4

 

5

6

7

8

 

Количество

41

36

34

33

 

31

30

29

23

 

Цена

45

49

50

53

 

54

55

57

60

 

 

 

 

Предложение

 

 

Таблица 7.2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Год

1

2

3

4

 

5

6

7

8

 

Количество

11

17

21

25

 

28

29

38

41

 

Цена

45

49

50

53

 

54

55

57

60

 

Требуется: 1) найти линейные эконометрические модели для спроса d( p) = a bp и предложения s( p) = −m + np ; 2) определить точку равнове-

сия моделей спроса и предложения; 3) записать динамическую модель це-

ны, учитывая данные по спросу за последний год.

Решение. Для вычисления параметров эконометрических моделей

воспользуемся MS Excel.

1. Коэффициент регрессии (наклона прямой) вычисляют с помощью функции НАКЛОН(), точку пересечения с вертикальной осью вычисляют функцией ОТРЕЗОК(). Модели спрос и предложения задаются линейными функциями

d( p) =88,99213 1,094414 p , s( p) = −84,32573 + 2,091267 p .

Положительные параметры приняли следующие значения: a =88,99213 , b =1,094414 , m =84,32573 , n = 2,091267 .

2. Равновесная цена составляет:

p = ab++mn =54,71919 тыс. грн.

Подставив это значение в любую из моделей d( p) или s( p), получим q = 30,107 (тыс. шт.). Имеем точку равновесия A(54,71919;30,107) .

3. Общее решение уравнения Сауэльсона-Эванса:

164

p(t) =54,71919 +Cek 3,185681t .

Оценим значение коэффициента пропорциональности k из соотношения

 

p = k(d( p) s( p)) t ,

 

p

откуда получим k =

 

.

(d ( p) s( p)) t

Восемь рассматриваемых лет порождают семь временных периодов длительности t =1 год. Изменение цены p вычисляют по данным пред-

ложениям (табл. 7.2). Например, p1 = 49 45 = 4 , p2 =50 49 =1 и т.д. Разность d( p) s( p) является неудовлетворённым спросом и её находят,

вычитая данные по количеству в табл. 7.1 и 7.2 (вычисления начинают со второго года). Получаем таблицу 7.3.

 

 

Расчётные данные

 

Таблица 7.3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Временной

1

2

3

4

5

6

7

 

период

 

 

 

 

 

 

 

 

 

d( p) s( p)

19

13

8

3

1

–9

–18

 

p

4

1

3

1

1

2

3

 

k

0,2105

0,0769

0,375

0,3333

1

–0,2222

–0,1667

 

Применяя функцию СРЗНАЧ(), вычисляем выборочное среднее k = 0,22956 . Подставляем это значение k в общее решение:

p(t) =54,71919 +Ce0,73129t .

Осталось определить значение константы C . По условию задачи надо учесть данные по спросу за последний год (задача Коши для дифферен-

циальных уравнений). Имеем p(8) = 60 . Поэтому находим C из уравнения

60 =54,71919 +Ce0,73129 8 ,

откуда C =1834,31. Значит, динамическая модель цены имеет окончательный вид:

p(t) =54,71919 +1834,31e0,73129t .

165

График этой кривой помещён на рис. 7.9.

Рис. 7.9 Динамическая модель цены

Пример выполнен полностью.

166

РАЗДЕЛ 8

ТЕОРИЯ ИГР В ЗАДАЧАХ ОПРЕДЕЛЕНИЯ МАРКЕТИНГОВОЙ СТРАТЕГИИ

8.1. Конечные игры с нулевой суммой Теория игр – это раздел современной математики, в котором изуча-

ются математические модели принятия решений в условиях неопределённости и конфликтности сторон. Основателями данной науки являются американские учёные Джон фон Нейман (1903–1957) и Оскар Моргенштерн

(1902–1977).

Для простоты изложения рассмотрим игру двух игроков с нулевой сумой. Игра – это совокупность правил, которые описывают конфликтную ситуацию и устанавливают:

• выбор способа действий игроков на каждом этапе игры;

• объём необходимой информации, которой располагает каждый игрок в момент выбора своего способа действий;

• плату каждого игрока после завершения какого-либо этапа игры [39,

пункт 1.5.1].

Чистой стратегией игрока называется совокупность рекомендаций относительно ведения игры от начала и до конца. Игра называется конечной, если у каждого игрока имеется конечное количество стратегий. В экономике результаты решений игрока обычно выражают в денежном эквиваленте. Для каждой комбинации выбранных игроками чистых стратегий существует соответствующая величина платежа. Говорят, что игра двух лиц имеет нулевую сумму, если выигрыш первого игрока равен проигрышу второго.

Пусть известна матрица платежей F = ( fkj ) ( k =1,...,m; j =1,...,n ) парной игры с нулевой суммой, где элемент платёжной матрицы fkj – это выиг-

рыш первого (проигрыш второго) игрока при использовании первым игроком своей чистой стратегии sk S ( k =1,...,m), а вторым игроком – своей чис-

тойстратегии θj Θ ( j =1,...,n ).

Решить игру – означает найти оптимальную стратегию для каждого игрока. Оптимальной стратегией игрока называется такая стратегия, которая при многократном повторении игры обеспечивает максимально возможный средний выигрыш (или минимально возможный средний проигрыш). Для нахожденияэтойпарыстратегий используютпринципминимакса.

Матрицу выигрышей первого игрока обозначают F = F + . Первый игрок стремится максимизировать свой гарантированный выигрыш. Поэтому для каждой своей чистой стратегии он определяет минимальное значение выигрыша

αk+ = min fkj+

( k =1,...,m).

θ

Θ

 

j

 

 

167

Среди них первый игрок выбирает стратегию sk0 с максимальным выигрышем

α+

=α+ = maxα+ = max min f + .

k0

s j S

k

s j S θ j Θ

kj

 

 

 

Число α+ называется нижнейценойигры, илимаксимином.

Второй игрок пытается минимизировать свой гарантированный проигрыш. Матрица проигрышей для него обозначается F = F . Для каждой чистой стратегии θj второйигрокопределяетвеличинумаксимальногопроигрыша

βj= max fkj( j =1,...,n ).

 

 

s j S

 

Затем выбирают стратегию θj

с минимальным проигрышем

 

 

0

 

βj= β= min βj= min max fkj.

0

 

θ j Θ

θj Θ s j S

 

 

 

Число βверхняя цена игры (минимакс).

Чистые стратегии sk

0

и θj являются устойчивыми, т.е. образуют оп-

 

0

 

тимальную пару стратегий, в том случае, если нижняя цена игры равна верхней. Тогда платёжная матрица F содержит элемент fk0 j0 , удовлетворяющий

условию:

fk0 j0 =α+ = β.

Этот элемент будет минимальным в k0 -й строке и минимальным в j0 -м столбце. Элемент fk0 j0 называется седловой точкой матрицы F (чистой це-

нойигры):

V * =α+ = β= fk0 j0 .

Еслиигранеимеетседловойточки, тоценаигрыудовлетворяетусловию:

α+ V β.

Следовательно, оптимальных чистых стратегий нет и надо искать

смешанные стратегии.

Пусть P =(p1;...; pm ) – неизвестноераспределение вероятностейдлячистыхстратегий первогоигрокаприпостроениисмешанной стратегии sP . Естест-

168

m

0, k =1,...,m). Аналогично, Q =(q1;...;qn ) – неиз-

венно, что pk =1 ( pk

k =1

 

вестное распределение вероятностей для чистых стратегий второго игрока при

n

построении смешанной стратегии θQ , qj =1 ( qj 0 , j =1,...,n ). Средним

j=1

выигрышем первого игрока (проигрышем второго игрока) является математическое ожидание двумерной дискретной случайной величины, которое вычисляется как

m n

V = ∑∑pk q j fkj .

k =1 j=1

Дж. фон Нейман и О. Моргенштерн доказали основную теорему теорииигр(теоремуоминимаксе). Онабазируется наследующихположениях:

каждая конечна игра двух лиц с нулевой суммой имеет хотя бы одно (оптимальное) решение, возможновсмешанныхстратегиях;

если один из игроков использует свою оптимальную смешанную стратегию, то его выигрыш равен цене игры независимо от того, с какими вероятностями (относительными частотами) второй игрок будет использовать стратегии, вошедшие в его оптимальную смешанную стратегию.

Согласно теореме о минимаксе, чистую цену игры

 

 

P

 

Q

m

n

k

j

 

kj )

 

 

 

 

 

 

 

∑∑(

f

=V *

 

 

 

 

min max

p q

 

 

 

 

 

 

 

p

 

Q k =1

j=1

 

 

 

 

 

 

 

 

находятнамножествахвсехраспределенийвероятностей

 

 

 

= P = (p1;...; pm ):

m

 

 

 

 

 

 

1,..., m

 

p

pk

=

1; pk

0,

k =

;

 

 

 

 

 

 

k =1

 

 

 

 

 

 

 

 

Q =

 

 

 

 

m

 

1; qj

0,

 

 

 

Q = (q1;...;qn ):

qj =

j =1,...,n .

 

 

 

 

 

 

 

j=1

 

 

 

 

 

 

 

 

m n

m n

Приэтомвыполняетсянеравенство ∑∑(pk q*j

fkj )V * ∑∑(pk*q j fkj ).

k =1 j=1

k =1 j=1

Подведём итоги.

1. Решить игру означает найти оптимальные чистые стратегии игроков, если игра имеет седловую точку.

2. При отсутствии седловой точки находят оптимальные смешанные стратегии игроков sp* и θQ* , а точнее – векторы P* = (p1*;...; pm* ) и Q* = (q1*;...;qn* ), удовлетворяющиетеоремеоминимаксе, ивычислитьценуигрыV *.

169

3. Игра без седловой точки (α+ < β) имеет решение, возможно не

единственное, если хотя бы один из игроков использует оптимальную смешанную стратегию.

8.2. Определение стратегии продажи «старых» и «новых» товаров в супермаркете

Сеть супермаркетов реализует три вида «старых» товаров s1, s2 , s3 , спрос

на которые хорошо известен. С определённого момента в продажу поступают «новые» товары θ1,θ2 ,θ3 , которые могут заменить «старые».

Таким образом «новые» товары снижают спрос на «старые». Исследования рынка дали оценку ежемесячных объёмов продаж «старых» товаров при наличии «новых» товаров (табл. 8.1).

Таблица8.1

Объёмыпродаж«старых» товаров, млнгрн

«Новые» товары

θ1

θ2

θ3

«Старые» товары

 

 

 

s1

5

6

8

s2

9

7

8

s3

7

5

6

Платёжная матрица игры имеет вид:

 

 

 

 

 

 

 

 

 

5

6

8

 

 

 

 

F

+

=

 

9

7

8

 

 

 

 

 

 

.

 

 

 

 

 

 

 

7

5

6

 

 

 

 

 

 

 

 

 

 

 

Находим минимальные значения αk

( k =1,2,3) по каждой строке и

максимальные значения βj

по каждому столбцу

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

αk

 

 

 

 

 

 

5

6

8

5

 

F +

=

 

 

 

9

7

8

7

.

αk ,β j

 

 

 

7

5

6

5

 

 

 

 

 

 

 

 

 

 

βj

 

9

7

8

 

 

Нижняя и верхняя цена игры, соответственно, равны:

170

α+ = maxαk = max{5;7;5} = 7 ;

k =1,3

β= min βj = min{9;7;8} = 7 .

j=1,3

Поскольку

α+ = β= 7 ,

то игра имеет седловую точку. Оптимальными стратегиями являются s2 и θ2 , которыеобеспечиваютчистуюценуигры V* = 7 млнгрн. Этистратегии– ус-

тойчивыевтомсмысле, чтоотклонениеотнихневыгоднодляобоихигроков. Игровые модели и задачи линейного программирования. Более труд-

ными являются игры, у которых седловая точка отсутствует. Рассмотрим такую задачу.

8.3. Определение оптимальной стратегии засева площадей аграрным предприятием

Аграрное предприятие (первый игрок) может посеять одну из трёх сельскохозяйственных культур s1, s2 , s3 . Урожайность зависит, в основном,

от погоды. Поэтому считаем погоду вторым игроком с такими стратегиями: θ1 – год засушливый; θ2 – год дождливый; θ3 – год нормальный.

В каждом из случаев оценена урожайность культур и будущая цена реализации. Поэтому предполагаемая прибыль предприятия считается известной (табл. 8.2).

Таблица 8.2

Прибыль аграрного предприятия, млн грн

Погодные условия

θ1

θ2

θ3

Посеянная культура

 

 

 

s1

30

0

20

s2

20

40

10

s3

–10

50

70

Элементы платёжной матрицы могут быть только неотрицательными числами. Для этого разрешается прибавлять ко всем элементам одно и тоже положительное число c = const . При этом цена игры увеличивается на величину c, а оптимальные стратегии не меняются.

В нашем случае достаточно прибавить число c =10 . Платёжная матрица имеет вид:

171

 

 

40

10

30

 

 

F + = 30 50 20 .

 

0

60

80

 

 

Определяем минимальные значения αk

( k =1,2,3) по каждой строке

и максимальные значения βj по каждому столбцу:

 

 

 

 

 

 

 

 

 

 

 

 

αk

 

 

 

40

10

30

10

 

F + =

 

30

50

20

20

.

αk ,β j

 

0

60

80

0

 

 

 

 

 

βj

40

60

80

 

 

 

 

 

 

 

 

 

Находим нижнюю и верхнюю цены игры:

α+ = maxαk = max{10;20;0} = 20 ;

k =1,3

β= min βj = min{40;60;80} = 40 .

j=1,3

Так как α+ < β, то игра не имеет седловой точки. Аграрному предприятию нужно находить оптимальные смешанные стратегии игроков sp* .

Значит, надо определить неизвестные значения вероятностей P* = (p1*; p2*; p3* ).

Для этого составим задачу линейного программирования (далее ЛП). Будем максимизировать цену игры V , предполагая, что V > 0 . Левые

части ограничений – результат произведения неизвестной матрицы-строки P =(p1; p2 ; p3 ) на каждый из столбцов платёжной матрицы F +. Причём ле-

вые части будут не менее чем V . Искомые вероятности неотрицательные и в сумме дают единицу.

Модель задачи ЛП имеет вид:

V max ;

40 p1 + 30 p2

V ;

 

 

+ 50 p2

+ 60 p3 V ;

10 p1

 

 

+ 20 p2

+80 p3 V ;

30 p1

 

p

+ p

+ p =1;

 

1

2

3

pk 0, k =1,2,3.

172

Так как V > 0 , то можно перейти к целевой функции Z = V1 , для ко-

торой будем искать минимум. С учётом четвёртого ограничения

3

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

( pk =1), выражение

 

представим в следующем виде:

 

V

 

k =1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

=

p1 + p2 + p3

=

p1

+

p2

+

p3

= t +t

2

+t

,

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

V

 

 

 

 

 

 

 

 

V

 

V V V

1

3

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

где t =

p1

, t

2

=

p2

 

, t

3

=

p3

.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

V

 

 

V

 

 

 

 

 

V

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

В новых обозначениях задача ЛП станет следующей:

Z = t1 +t2 +t3 min ;

40t

+ 30t

 

1;

 

1

 

2

 

10t1 + 50t2 + 60t3 1;

 

 

+ 20t2 +80t3 1;

30t1

 

tk

0, k =1,2,3.

Поместим данные нашей задачи в электронную таблицу Microsoft Excel. Серым цветом (рис. 8.1) выделен массив, в котором будут находиться неизвестные значения переменных t1 , t2 , t3 .

Рис. 8.1 Данные задачи ЛП в формате Microsoft Excel

Вызываем диалоговое окно Поиск решения из меню Сервис (рис. 8.2). Вводим данные и нажимаем кнопку Выполнить.

173

Рис. 8.2 Процесс решения задачи ЛП

В итоге, мы получим оптимальный план:

t* = 0,015493

, t*

= 0,012676 ,

t*

= 0,003521,

1

2

 

3

 

 

 

для которого Zmin = 0,031690141.

 

 

 

1

 

Для исходной задачи ЛП получим V

 

=

31,5556 . Совершив

 

 

 

 

max

 

Zmin

 

 

 

 

 

обратную замену pk* =tk* Vmax , рассчитаем оптимальные значения вероятностей:

p1* 0,49 , p2* 0,4 , p3* 0,11.

Вычтем из Vmax прибавленную константу c =10 . Таким образом,

ожидаемая максимальная прибыль составит 21,5556 млн грн. Для получения такой прибыли аграрному предприятию рекомендуется засеять 49% поля первой культурой, 40% – второй и 11% – третьей культурой.

Итак, мы рассмотрели наиболее типичную ситуацию, когда у игры с природой или экономической средой нет седловой точки. В этом случае находят не чистые, а смешанные оптимальные стратегии. Для этого теоре- тико-игровую задачу сводят к решению задачи ЛП.

174

РАЗДЕЛ 9

ЗАДАЧИ ОПРЕДЕЛЕНИЯ ЖИЗНЕННОГО ЦИКЛА ТОВАРА

9.1. Жизненный цикл товара

Под жизненным циклом товара будем понимать общее время его присутствия на рынке от появления до исчезновения. Жизненный цикл товара характеризуется колебаниями объёма продаж и прибыльностью реализации. На каждой его стадии перед предприятием (фирмой) стоят определённые задачи и имеются различные возможности, связанные с маркетинговой стратегией. Определив, на какой стадии находится товар, можно разработать соответствующий план маркетинга [55, пункт 14.7].

Жизненный цикл товара условно делят на пять этапов: внедрение, рост, зрелость, насыщение и спад.

Внедрение этап появления товара на рынке и постепенного увеличения объёма продаж. Предприятие в это время практически не получает прибыль вследствие больших издержек, связанных с внедрением товара на рынок.

Рост – этап признания товара на рынке и заметного увеличения прибыльности его реализации.

Зрелость – этап постепенного замедления темпов роста объёма продаж, т.к. товар уже получил признание большинства покупателей. Прибыль достигает максимального значения.

Насыщение – этап, на котором объём продаж начинает снижаться. Прибыль может снижаться ещё быстрее ввиду увеличения затрат на маркетинг с целью укрепления конкурентоспособности товара.

Спад этап резкого снижения объёма продаж и прибыли. В конце этапа товар полностью покидает рынок.

Жизненный цикл товара изображают в виде кривой, имеющей очертания колокола. Например, на рис. 9.1. первые три этапа имеют большую временную длительность, чем последние два. Хотя может быть и наоборот. Всё зависит от конкретных статистических данных, выбранной модели и других факторов.

Определить, где начинается и кончается каждый этап, достаточно сложно. Обычно началом нового этапа считается момент, когда увеличение или уменьшение объёма продаж становится достаточно выраженным. Маркетинговые особенности каждого этапа хорошо описаны во многих учебниках (например, в[55, пункт14.7]). Остановимся наматематических нюансах.

Предположим, что существует трендовая зависимость объёма продаж y от номера временного периода t. Эту зависимость можно найти как рег-

рессионную функцию yt = lf (t) . Требуется по небольшому количеству фактических данных (ti ; yti ) ( i =1,2,..., n ), характеризующих этапы внедрения и роста, спрогнозировать весь жизненный цикл товара.

175

Объем продаж

Время

Внедрение Рост Зрелость Насыщение Спад

Рис. 9.1 Кривая жизненного цикла товара

Определив аналитический вид зависимости yt = lf (t) , мы получим прогноз длительности временного интервала [0;T0 ] присутствия товара на рынке. Кроме этого, будет найдена точка максимума (вершина кривой)

(t0 ; lf (t0 )).

Участок [0;t0 ] условно разобьёмнаинтервалы вотношении 1: 2 : 2. Тогда

 

t

0

 

t

0

;

3t

0

 

 

3t

0

 

– зрелость.

0;

 

 

характеризуетэтапвнедрения,

 

 

 

– рост,

 

;t0

 

5

 

 

5

 

5

 

 

5

 

 

Оставшуюся часть цикла [t0 ;T0 ] условно разделим на два участка в пропорции 4 :1. Т.о. насыщение рынка будет, скорее всего, проходить на временном

интервале

t

;t

0

+

4(T0 t0 )

, аспад– наинтервале

t

0

+

4(T0 t0 ) ;T

.

 

 

0

 

 

5

 

 

 

 

5

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ещё раз подчеркнём, что такой подход не является догмой. Эти модели должны учитывать обратную связь и корректироваться при поступлении новой фактической информации.

Практические способы моделирования трендовой кривой жиз-

ненного цикла товара. Как отмечалось ранее, кривая жизненного цикла товара должна иметь форму колокола. Поэтому важна удачная спецификация математической модели – аналитический вид функции. На наш взгляд,

наиболее подходит для этой цели экспоненциально-степенная функция.

Модель тренда будет иметь вид:

yi = eati tib εi ,

где y – объём продаж, t – номер временного периода, i – номер фактического наблюдения ( i =1,2,..., n ), εi – отклонение, a и b – неизвестные параметры.

176

Так как модель является нелинейной (и, по сути, не сводится к ли-

нейной), то оценки параметров a и b лучше всего находить в Microsoft Excel с помощью команды Поиск решения. В качестве целевой функции следует выбрать сумму квадратов отклонений:

Z= εi 2

i=1n

n

= ( yi eati tib )2 min .

i=1

На практике это выглядит следующим образом.

9.2. Моделирование трендовой кривой жизненного цикла товаров бытовой химии

Производитель бытовой химии начинает выпуск нового стирального порошка. Данные о продажах за первые 14 месяцев приведены в табл. 9.1.

Таблица 9.1.

Объём продаж товара, млн грн

Номер месяца

1

2

3

4

5

6

7

 

 

 

 

 

 

 

 

Объём продаж

10

15

17

20

24

26

30

Номер месяца

8

9

10

11

12

13

14

 

 

 

 

 

 

 

 

Объём продаж

35

39

50

54

61

70

73

 

 

 

 

 

 

 

 

Требуется построить модель кривой жизненного цикла товара. Решение. Возьмём за основу экспоненциально-степенную функцию,

описанную ранее. По данным за 14 месяцев оценим параметры модели тренда yt = eat tb с наименьшей суммой квадратов отклонений. Команда

Поиск решения даст следующие результаты: a = −0,0824 ; b = 2,0584 . Построим на одном графике данные из табл. 9.1 и сглаживающую кривую

(рис. 9.2).

Как видно, модель кривой объёма продаж достаточно хорошо аппроксимирует исходные данные. График функции имеет вид колокола.

Для того чтобы получить прогноз длительности присутствия товара на рынке, надо решить уравнение:

e0,0824t t2,0584 = 0 .

Первый корень t = 0 . Второй корень можно найти приближёнными методами, увеличивая значения t до тех пор, пока левая часть уравнения не станет примерно равной нулю.

177

Предположим, что производитель готов снять порошок с производства, если месячный объём продаж будет меньше 2 млн грн, т.е. yt < 2 . При t =108 получим yt 2,0928 млн грн. Значение t =109 даст результат yt 1,9642 млн грн. Т.о. T0 =108 месяцев– прогноз«жизни» данноготовара.

Рис. 9.2 Фактические данные и линия тренда yt = e0,0824t t2,0584

Найдём вершину кривой yt = eat tb , воспользовавшись необходимым

условием экстремума. Для этого возьмём производную и приравняем её к нулю:

 

/

 

/

 

 

 

/

= a

 

 

 

(eat tb )

t

= (eat )

t

tb + eat (tb )

t

eat

tb +b

eat tb1 ;

 

 

 

(a

 

 

 

 

 

 

 

 

 

eat tb1

t + b)= 0 .

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Из последнего равенства получим t0

 

 

. Для нашей задачи t0 25

= − b

 

 

 

 

 

 

 

 

 

 

a

 

месяцев. Прогноз максимального объёма продаж составит y0 96 млн грн. Временной интервал [0;25] условно разобьём на участки в отношении 1: 2 : 2. Тогда [0;5] характеризует этап внедрения с максимальным объёмом продаж 24 млн грн (фактические данные из табл. 9.1). Участок [5; 15] – этап роста с прогнозом максимального объёма продаж 76,5735

млн грн. Временной интервал [15; 25] будет этапом зрелости.

178

Оставшуюся часть прогнозируемого жизненного цикла товара [25;108] условно разделим на два участка в пропорции 4 :1. Вычислим

границу участков

t0 +

4(T0 t0 )

= 25 +

4(108 25)

91.

 

5

 

5

 

Насыщение рынка будет, скорее всего, проходить на временном интервале [25; 91]. Спад – на интервале [91; 108] с прогнозом максимально-

го объёма продаж 5,97 млн грн. Рассмотрение примера окончено.

Подведём итоги. В данном параграфе была предложена экспоненци- ально-степенная модель жизненного цикла товара. Математические особенности модели рассмотрены достаточно полно. Естественно, что маркетинговые службы фирм не должны слепо доверять любым моделям. Следует руководствоваться экономической ситуацией, опытом работы, здравым смыслом и, при необходимости, интуицией.

179

РАЗДЕЛ 10

ЗАДАЧИ АНАЛИЗА РАБОТЫ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ

10.1. Методика моделирования работы систем массового обслуживания (СМО) с применением программных средств

Теория очередей предполагает, что входной поток клиентов (или заявок на обслуживание) описывается вероятностной моделью, которая на-

зывается простейшим или пуассоновским потоком. Чтобы быть пуассонов-

ским потоком, входной поток заявок должен обладать тремя свойствами:

ординарным,

стационарным,

без последействия.

Ординарный – это значит, что все заявки поступают в систему по одной, а не группами.

Свойство стационарности означает неизменность интенсивности потока во времени. Если, например, наблюдая некоторую столовую изо дня в день, мы обнаружим, что входной поток клиентов (а с ним и очередь) нарастает с моментаоткрытияв10 чутраидостигает максимума в«часы пик» от12 до14, азатемидетнаубыль, тосвойствостационарностиневыполняется.

Свойство отсутствия последействия означает, что вероятность поступления в систему очередной заявки в следующий час или минуту совершенно не зависит от того, сколько времени прошло с момента поступления предыдущей заявки. Если вы ждете автобус на остановке уже 10 минут (а на табличке написано, что интервал движения составляет 5 минут), то вероятность того, что он все-таки придет в следующую минуту возрастает. В движении автобусов есть следы расписания. Применение формул теории очередей к таким процессам (по крайней мере, без всяких поправочных коэффициентов) неправомерно. А вот для потоков клиентов или заявок в системы массового обслуживания отсутствие памяти – это очень характерное свойство. Неважно, когда поступила предыдущая заявка, вероятность P того, что новая заявка поступитвследующийпромежутоквремени t будетравна:

P λt ,

(10.1)

где λ это интенсивность входного потока заявок, т.е. среднее число заявок, поступающих в единицу времени.

Вероятностьтого, чтозавремя t всистемунепоступитниоднойзаявки:

P(t) = eλt

(10.2)

180

а вероятность того, что за время t в систему поступит хотя бы одна заявка, выражается формулой:

P

(t) =1 eλt

(10.3)

1

 

 

Из формулы (10.3) следует, что частотное распределение для промежутка времени между последовательными заявками, поступившими в систему, будет экспоненциальным.

Плотность распределения вероятности для случайной величины – промежутка времени между приходом последовательных заявок в систему массового обслуживания имеет вид:

 

 

p(t) = λeλt , t 0

(10.4)

среднее значение

t

и стандартное σ

отклонение для этого промежутка

времени (см., например, [11]) равны:

 

 

 

 

t = 1 ; σ =

1

(10.5)

 

 

λ

λ

 

 

λ

 

 

 

p(t)

 

 

 

 

 

 

t, время обслуживания

 

Рис. 10.1 График плотности экспоненциального распределения

Формулы (10.1)–(10.5) являются прямым следствием свойств пуассоновского случайного потока. Используя несколько более сложные рассуждения, можно получить вероятность того, что за время T систему поступит n заявок (см., например, [8, 9]):

= (λT )n eλT

PT (n) n!

Гистограмма этого распределения приведена на рис. 10.2.

181

Классификация систем массового обслуживания (СМО). Системы массового обслуживания классифицируются по трем основным признакам.

P(n)

n, число заявокв системе

Рис.10.2 Гистограмма распределения Пуассона

I. Популяция потенциальных клиентов (или «резервуар», из которого приходят заявки) и характеристики входного потока.

Популяция может быть бесконечной или конечной:

бесконечной популяцию можно считать в том случае, если ее размер намного больше любого мыслимого размера очереди, который может возникнуть в данной СМО. При этом интенсивность входного потока заявок не будет зависеть от того, сколько их уже поступило в систему;

конечной называется такая популяция, размер которой сравним с длиной очереди, образующейся в системе. Если, например, наладчик обслуживает 10 станков в цехе и каждый станок останавливается и требует обслуживания в среднем 1 раз в час, то суммарный ожидаемый поток заявок будет 10 заявок в час. Если, однако, один станок (два или три станка) остановился и наладчик занимается его обслуживанием, то ожидаемый суммарный поток новых заявок будет лишь 9 заявок в час (8 или 7), до тех пор пока остановившиеся станки опять не заработают. Именно поэтому для конечной популяции в качестве основной характеристики входного потока рассматривается не интенсивность потока заявок от всей популяции (как в случае бесконечной популяции), а интенсивность потока заявок от каждого члена популяции (которая остается постоянной независимо от размера очереди).

Входной поток может быть подразделен на два вида:

пуассоновский,

не пуассоновский.

II. Свойства самой очереди Размерочереди:

неограниченный,

ограниченный.

Ограничения на размер очереди могут быть обусловлены технологическими причинами (например, автоматическая телефонная станция не

182

может удержать в очереди больше 10 звонков). Если в то время, когда 10 клиентов ждут ответа оператора, позвонил 11-й клиент, он услышит короткие гудки – «занято». Система отказала ему в обслуживании. Иногда можно использовать модель ограниченной очереди для описания психологических особенностей клиентов. Если исследования поведения ваших клиентов показывают, что они редко становятся в очередь, если в ней уже стоит, скажем, 6 человек, то приблизительно можно описать вашу СМО как систему с отказами, в которой не могут находиться более 6 клиентов.

Дисциплинаочереди:

первым пришел первым обслужен («живая очередь»);

наличие заявок с приоритетом;

очередь с нетерпеливыми заявками (после некоторого критического времени ожидания определенная доля заявок уходит, не дождавшись обслуживания).

Модели теории очередей разработаны только для простейшей дисциплины очереди «первым пришел – первым обслужен».

III. Свойства каналов обслуживания Числоканалов:

один канал,

несколько каналов.

Пропускнаяспособностьканалов:

одинаковая,

различная.

Частотноераспределениевремениобслуживания:

экспоненциальное распределение,

произвольное распределение.

Итак, теория очередей может рассматривать лишь модели с абсолютно одинаковыми каналами обслуживания, случайное время обслуживания в которых распределено экспоненциально. Последнее ограничение особенно нереалистично. В большинстве случаев плотность распределения времени обслуживания характеризуется кривой с максимумом так, что существует наиболее вероятное время обслуживания, а вероятности того, что на обслуживание будет затрачено очень маленькое или очень большое время, понижены. Однако, за исключением самого простого случая неограниченной очереди с одним каналом обслуживания, получить в конечной форме решения для моделей СМО с иным, кроме экспоненциального, распределением для времени обслуживания не удается.

Заметим в заключение, что в тех случаях, когда невозможно использование конечных формул теории очередей, всегда есть возможность провести компьютерное моделирование системы массового обслуживания путем усреднения по многим реализациям случайного процесса получить все необходимые характеристики ее работы.

Расчеты характеристик СМО с помощью теории очередей. Фор-

мулы и стандартные обозначения:

S – число серверов (каналов обслуживания),

183

λ – средняя скорость прибытия (интенсивность входного потока заявок),

µ – средняя скорость обслуживания для каждого сервера,

K– максимальное количество клиентов, которые могут находиться

всистеме (или число членов конечной популяции),

s – стандартное отклонение времени обслуживания,

Lq – средняя длина очереди (число ждущих, но не обслуживаемых

клиентов),

Ls – среднее число клиентов в системе, Wq – среднее время ожидания в очереди,

Ws – среднее время пребывания клиента в системе (ожидание плюс

обслуживание), ρ – коэффициент утилизации (процент загрузки) любого из серверов

системы,

P0 – вероятность отсутствия клиентов в системе,

Pn – вероятность того, что в системе ровно п клиентов.

Ниже в таблицах 10.1 – 10.3 приводятся формулы для основных характеристик СМО [11] и используются общепринятые обозначения для моделей теории очередей.

Таблица 10.1

Расчет характеристик СМО

Характеристики

 

 

 

 

Расчетные формулы

 

 

 

 

СМО

 

M / M /1

 

 

 

 

 

 

 

 

M / M / S

P0

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

,

 

 

λ

 

s1

 

 

λ n

 

 

 

 

 

s

 

 

 

1

 

1

 

1

λ

 

Sµ

 

 

µ

 

 

 

 

+

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

n=0 n!

µ

 

S!

µ

 

 

Sµ λ

 

 

 

 

 

 

Sµ > λ

 

 

 

 

 

 

 

 

 

 

 

 

P

 

 

 

 

 

(λ / µ)

n

 

n S

 

 

 

 

 

n

 

 

 

 

 

P ,

 

 

 

 

 

 

 

 

λ n

 

 

n!

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P

 

(λ / µ)

2S n

 

 

 

 

 

 

 

 

 

 

 

 

µ

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P0 ,

 

n > S

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

S S nS!

 

 

 

 

 

 

 

 

 

 

Ls

 

λ

 

 

 

 

λµ(λ / µ)s

 

 

 

P

+

λ

 

 

 

 

 

 

(S 1)!(Sµ λ)2

 

 

 

 

 

 

µ λ

 

 

0

 

µ

 

 

Lq

 

 

 

 

 

 

Ls λ / µ

 

 

 

 

 

 

 

 

 

 

Ws

 

 

 

 

 

 

 

Ls / λ

 

 

 

 

 

 

 

 

 

 

Wq

 

 

 

 

 

 

 

Lq / λ

 

 

 

 

 

 

 

 

 

 

ρ

 

λ / µ

λ / Sµ

 

 

 

 

 

 

 

 

 

 

 

 

184

Модель M/M/S – это модель неограниченной очереди, заявки в которую поступают из бесконечной популяции, поток заявок пуассоновский, распределение времени обслуживания экспоненциальное, в системе S серверов (каналов обслуживания). Первая буква M обозначает марковский процесс для входного потока заявок (синоним пуассоновского потока). Вторая буква M обозначает, что и поток обслуженных заявок описывается марковским процессом (время обслуживания распределено экспоненциально). Буква S обозначает, что в системе S каналов обслуживания. Модель M / M /1 – частный случай модели M / M / S , где число серверов

S =1.

Как отмечалось выше, для простейшей модели неограниченной очереди с одним сервером известны конечные формулы для средних характеристик очереди и в случае произвольного распределения вероятностей для времени обслуживания. Эти модели обозначаются как M / D /1 – для случая пуассоновского входного потока, но постоянного времени обслуживания и M / G /1 для произвольного распределения вероятностей времени обслуживания.

 

 

 

 

 

 

 

 

 

Таблица 10.2

 

Расчет характеристик СМО

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Характеристики

 

 

Расчетные формулы

 

 

 

 

СМО

 

M / D /1

 

 

 

 

 

M / G /1

 

 

 

 

P0

 

 

 

1

λ

 

 

 

 

 

 

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Pn

 

 

 

отсутствуют

 

 

 

 

Ls

 

λ2

+

λ

 

 

 

λµ(λ / µ)s

P

+

λ

 

 

 

 

 

 

 

 

(S 1)!(Sµ λ)2

 

 

 

 

2µ(µ λ)

 

µ

 

 

 

0

 

µ

 

Lq

 

 

 

Ls

 

λ

 

 

 

 

 

 

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ws

 

 

 

 

Ls

 

 

 

 

 

 

 

 

 

 

 

λ

 

 

 

 

 

 

 

Wq

 

 

 

 

Lq

 

 

 

 

 

 

 

 

 

 

 

λ

 

 

 

 

 

 

 

ρ

 

 

 

 

λ

 

 

 

 

 

 

 

 

 

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

185

Таблица 10.3

Расчет характеристики СМО для модели бесконечной популяции и ограниченной очереди (в системе могут находиться не более K клиентов) с одним M / M /1/ K и с S каналами обслуживания

M / M / S / K :

Харак

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Расчетные формулы

 

 

 

 

 

 

 

 

 

 

 

те-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

M / M /1/ K

 

 

 

 

 

 

 

 

 

 

M / M / S / K

 

 

 

 

 

 

рис-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

тики

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

СМО

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P0

 

 

 

 

 

1 (λ / µ)

 

 

 

 

 

S

 

(λ/ µ)m

 

(λ/ µ)S

K

 

λ

mS

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1+

 

 

 

 

 

+

 

 

 

 

 

 

 

 

 

 

 

 

 

1 (λ / µ)K +1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m!

 

 

 

S!

 

 

 

 

 

 

 

 

 

 

 

m=1

 

 

 

 

 

 

 

 

 

Sµ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=S +1

 

 

P

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(λ

/ µ)

n

 

 

 

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P ,

n S

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

(λ / µ)

(λ

/ µ)

n

 

 

n!

 

 

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

(λ

 

/ µ)K +1

 

 

 

 

(λ / µ)n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P ,

S < n K

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

S nS S!

 

 

 

 

 

 

 

 

 

Ls

 

(λ / µ)

 

 

(K

+1)(λ / µ)K +1

 

 

 

 

 

S 1

 

 

 

 

 

S 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Lq + mPm +

1

Pm

 

 

1 (λ / µ)

 

1

(λ / µ)

K +1

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

m=0

 

 

Lq

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P0 (λ / µ)S (λ / Sµ)

×

 

 

 

 

 

 

 

 

Ls (1 P0 )

 

 

 

 

 

 

 

S!(1 (λ / Sµ))2

 

 

 

 

 

 

 

 

 

 

 

 

× 1(λ/ µS)KS (K S)(λ/ µS)KS (1(λ/ µS))

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ws

 

 

 

 

 

 

 

Ls

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

K 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ls

 

 

λ Pm

 

 

 

 

 

 

 

 

 

 

 

 

 

λ(1 PK )

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

 

Wq

 

 

 

 

 

 

 

L

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

K 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

q

 

 

 

 

 

 

 

 

 

 

 

 

Lq

 

 

λ Pm

 

 

 

 

 

 

 

 

 

 

 

 

 

λ(1 PK )

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

 

ρ

 

 

 

 

 

 

λ(1 PK )

 

 

 

 

 

 

 

 

 

 

 

 

K 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ Pm

Sµ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

186

Таблица 10.4

Расчет характеристик СМО для модели конечной популяции с числом членов равным K , с одним M / M /1// K и с S каналами

обслуживания M / M / S // K

Харак-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Расчетные формулы

 

 

 

 

 

 

 

 

 

те-

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ристи-

 

 

M / M /1// K

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

M / M / S // K

 

 

 

 

 

 

 

ки СМО

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P

 

 

 

 

 

 

 

 

 

 

 

 

 

m

 

 

S1

 

 

 

 

 

 

 

 

 

 

m

 

 

 

 

K

 

 

 

 

 

 

 

 

m

0

K

 

K!

 

 

 

λ

 

 

 

 

 

K!

 

 

 

λ

 

 

 

 

 

 

 

 

 

K!

 

 

λ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1/

 

 

 

 

 

 

µ

 

 

+

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(K m)m!

 

 

 

 

 

 

(K m)S!S

mS

µ

 

 

 

 

 

(K m)!

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=S

 

 

 

m=0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Pn

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

K!

 

 

 

λ

m

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P

 

 

, 0 < n < S

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(K m)m!

µ

 

 

 

 

 

 

 

 

 

 

 

K!

 

 

 

λ

 

 

 

 

 

 

 

 

 

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

µ

 

 

 

 

0

 

 

 

 

 

 

 

 

K!

 

 

 

 

 

 

 

 

 

 

 

λ m

 

 

 

 

 

 

 

 

 

 

 

(K n)!

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P

 

, S

< m < K

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(K m)!S!S

 

mS

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ls

 

 

K

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

L

S 1

 

 

 

 

 

 

 

 

S 1

 

 

 

 

 

 

 

(1P )

 

 

 

 

 

 

 

 

+

 

mP

 

 

+ S 1

 

P

 

 

 

 

 

 

 

 

 

λ

 

 

 

0

 

 

 

 

 

 

 

 

 

q

 

 

 

m

 

 

 

 

 

 

 

m

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=0

 

 

 

 

 

 

 

 

m=0

 

 

 

 

Lq

 

K

 

 

µ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

K

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1 +

λ

(1 P0 )

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(m S)Pm

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

m=S

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ws

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ls

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ(K Ls )

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Wq

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Lq

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ(1 PK )

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ρ

 

 

 

1P0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

λ(K LS ) / Sµ

 

 

 

 

 

 

 

Видно, что формулы в некоторых случаях весьма сложные и громоздкие. Обычных возможностей MS Excel недостаточно для автоматизации вычислений, поскольку в формулы входят суммы, пределы суммирования в которых зависят от параметров модели. Кроме того, некоторые характеристики СМО должны рассчитываться по разным формулам в зависимости от параметров модели. Сейчас в Интернете можно найти сделанные для расчета характеристик СМО специальные надстройки к MS Excel и наборы формул, расширяющие стандартный список формул MS Excel, и различные макросы, и даже JAVA-апплеты для интернет-браузеров.

Для расчета характеристик СМО авторами книги [11] была разработана надстройка к MS Excel, Queue Mods.xla. которую можно загрузить с сайта www.ibs-m.ru/books. Эту надстройку можно использовать как обычный файл MS Excel с макросами, но удобнее всего добавить ее в список

187

надстроек MS Excel. Чтобы использовать Queue Mods.xla как надстройку, следует переписать ее в папку, где содержатся стандартные надстройки MS Excel. После того как вы переписали файл в папку Library, следует вызвать в MS Excel меню Сервис \Надстройки… и отметить галочкой появившуюся в списке надстроек новую надстройку Queue Mods (рис. 10.3). В результате этого в меню Сервис добавится новая строка Расчет параметров CMO. Сама надстройка двуязычная, в русской версии офиса она запускается с русским интерфейсом и выводом, в английской – автоматически переключается на английский интерфейс и вывод. Надстройка корректно работает в версиях MS Office 97, 2000, ХР и 2003.

Рис. 10.3 Окно списка надстроек MS Excel

При вызове надстройки Расчет параметров СМО появляется следующее диалоговое окно (рис. 10.4).

Рис. 10.4 Окно надстройки Queue Mods

188

В диалоговом окне надстройки имеется три вкладки:

неограниченная очередь (модели M / M / S и M / G /1);

ограниченная очередь (модели M / M / S / K , где K – максималь-

ное количество клиентов в системе, ждущих и обслуживаемых, при этом

S < K );

ограниченная популяция (модели M / M / S // K , где K – количество членов популяции, и снова S < K ).

При вводе требуемых параметров модели необходимо следить за тем, чтобы количество поступающих в систему заявок за единицу и количество заявок, которые каждый сервер может обработать в среднем за единицу времени, были отнесены к одной и той же единице времени.

При этом после нажатия на кнопки «Выполнить» надстройка сформирует следующий лист MS Excel с характеристиками работы данной модели СМО (рис. 10.5). В левой части листа показаны введенные параметры модели, а также вычисленное по экспоненциальному распределению (или введенное для модели M/G/l) стандартное отклонение времени обслуживания σ . В правой части – характеристики работы данной модели СМО в стационарном состоянии: процент загрузки каждого сервера ρ , среднее

число клиентов в системе Ls , средняя длина очереди Lq , средние времена пребывания в системе Ws и ожидания обслуживания Wq а также процент времени, когда все серверы свободны P0 и вероятность того, что в системе находится ровно n клиентов Pn .

10.2. Анализ и оптимизация работы СМО с неограниченной очередью «Главпочтамт»

В здание Главпочтамта для отправки почты в рабочие дни декабря заходит в среднем 92 человека в час (предположим, что этот поток приблизительно постоянен в течение всего рабочего времени). Опыт показывает, что оператор тратит в среднем 5 минут на человека.

1.Сколько нужно задействовать операторов, чтобы обслужить этот

поток?

2.Какая будет при этом очередь? Сколько людей будет ожидать обслуживания (в среднем)?

3.Сколько примерно времени (в среднем) каждый посетитель будет проводить на Главпочтамте для отправки почты?

4.Какая вероятность, что в очереди будет более 10 человек?

5.Предполагается, что операторы работают весь день с постоянной скоростью, как машины, если есть посетители. Если посетителей нет, они отдыхают. Какую долю времени ни будут не заняты?

Решение. Из условия задачи следует, что «Главпочтамт» – СМО с пуассоновским входным потоком клиентов интенсивности λ = 92, временем обслуживания, которое имеет экспоненциальное распределение со

189

скоростью обслуживания одним оператором µ = 60/5 =12 чел./час и неог-

раниченной очередью.

Результат расчета характеристик для СМО «Главпочтамт» для случая обслуживания 8-ми операторами ( S =8 – минимально необходимое количество операторов для того, чтобы не возникла бесконечная очередь, так как: 92 ÷12 = 7,6667 8 ) с помощью надстройки к MS Excel, Queue

Mods.xla. представлен в табл. 10.5. Так как λ1 = 92 – средняя скорость по-

ступления заявок на обслуживания, расчеты характеристик для СМО «Главпочтамт» выполнены также для случаев незначительного (на 2% и 3%) увеличения интенсивности потока заявок λ2 = 94 и λ3 = 95.

Таблица 10.5

Результаты расчета характеристик СМО «Главпочтамт» (8 операторов)

8 операторов; µ =12

λ1 = 92

λ2 = 94

λ3 = 95

Процент загрузки каждого сервера

95,83%

97,91%

99,0%

 

 

 

 

Среднее число клиентов в системе

28

52

100

 

 

 

 

Средняя длина очереди

20

44

92

 

 

 

 

Среднее время пребывания в системе, ч

0,3

0,55

1,04

 

 

 

 

Среднее время ожидания в очереди, ч

0,21

0,46

0,96

% времени, когда все серверы свободны

0,012%

0,006%

0,003%

 

 

 

 

Вероятность более 10 клиентов в от-

76,52%

87,64%

93,66%

делении

 

 

 

Среднее число клиентов в отделении (ждущих и обслуживаемых) оказывается 28 человек. Среднее время, которое человек проведет в отделении, составляет более 0,3 ч. Следует отметить, резкое возрастание числа людей на Главпочтамте и среднего времени, которое они там проводят при небольшом увеличении интенсивности входного потока клиентов. Если ввести λ = 96, т. е. сделать входной поток равным суммарной скорости обслуживания, то по формулам теории очередей длина очереди окажется равной бесконечности.

Если открыть 9 окошек (табл. 10.6, рис. 10.6.), то длина очереди (3 – 4 человека) и среднее время (7,2 минуты), проведенное в Сбербанке, не будут при этом велики, каждый из операторов почти 15% времени оказывается не загруженным. А ведь это оплаченное рабочее время, и затраты на оплату труда составляют существенную часть издержек функционирования системы массового обслуживания.

190

Модель: Неограниченная очередь

Данные

λ

µ

S

K

σ

Пуассоновское распределение для потока заявок Экспоненциальное распределение времени обслуживания

 

 

 

Расчет по формулам теории СМО

 

 

 

 

 

 

Результаты:

 

 

 

92

Процент загрузки каждого сервера ρ =

0,95833

 

12

Среднее число клиентов в системе L =

27,65915

8

Средняя длина очереди L q =

19,99248

~

 

Среднее время пребывания в системе W =

0,30064

 

 

 

 

Среднее время ожидания в очереди Wq =

0,21731

 

0,0833

% времени, когда все серверы свободны P0 =

0,00012

 

 

 

 

Вероятность того, что ровно N клиентов находятся в системе

P01 =

0,00094

P02

=

0,00360

P03

=

0,00919

P04

=

0,01761

P05

=

0,02701

…..

……

P>10=

76,52%

Рис. 10.5 Лист MS Excel с характеристиками работы СМО

«Главпочтамт» (8 операторов)

Таблица 10.6

Результаты расчета характеристик СМО «Главпочтамт» (9 операторов)

9 операторов; µ =12

λ = 92

 

 

Процент загрузки каждого сервера

85,19%

Среднее число клиентов в системе

10,86

Средняя длина очереди

3,19

Среднее время пребывания в системе, ч

0,12

Среднее время ожидания в очереди, ч

0,03

% времени, когда все серверы свободны

0,03%

Вероятность более 10 клиентов в отделении

40,3%

Так какой же вариант решения следует предпочесть в данном примере: 8 операторов или 9? В рыночной экономике стремление к наилучшему обслуживанию клиентов продиктовано экономическими соображениями. Если длинные очереди или большое время ожидания обслуживания отпугивают клиентов от покупки продукта или услуги на предприятиях компании, вследствие чего уменьшается спрос и выручка от продаж, то необхо-

191

димо оценить эти потери и уменьшить их, вводя новые каналы обслуживания. Если же компания является монополистом в данной области и клиентам «некуда деваться», то экономических причин для увеличения числа каналов обслуживания нет.

Модель: Неограниченная очередь

Пуассоновское распределение для потока заявок

Экспоненциальное распределение времени обслуживания

Расчет по формулам теории СМО

Данные

92

Результаты:

85,19%

λ

Процент загрузки каждого сервера ρ =

µ

12

Среднее число клиентов в системе L =

10,86

S

9

Средняя длина очереди L q =

3,19

K

~

Среднее время пребывания в системе W =

0,12

 

 

Среднее время ожидания в очереди Wq =

0,03

σ

0,0833

% времени, когда все серверы свободны P0 =

0,03%

 

 

Вероятность того, что ровно N клиентов находятся в системе

 

 

P01 =

0,00250

 

 

P02 =

0,00958

 

 

P03 =

0,02449

 

 

P04 =

0,04694

 

 

P05 =

0,07197

 

 

 

 

P>10=

40,3%

Рис. 10.6 Лист MS Excel с характеристиками работы СМО

«Главпочтамт» (9 операторов)

издержки

S, каналы обслуживания

Издержки на содержание каналов

 

 

 

Потери отожидания

 

 

Полные издержки

Рис.10.7 Баланс издержек

192

Итак, следует соотносить уменьшение потерь от длинных очередей с увеличением затрат на содержание дополнительных каналов обслуживания. Качественно соотношение между этими издержками можно представить в виде графика представленного на рис. 10.7. Издержки на содержание каналов обслуживания можно считать прямо пропорциональными числу каналов, а издержки от ожидания клиентов (или сотрудников) в очереди – пропорциональными длине очереди или времени ожидания, которые, согласно формулам теории очередей, резко падают с увеличением числа каналов обслуживания. В результате можно оценить оптимальное число каналов обслуживания, минимизирующее полные издержки, связанные с функционированием системы массового обслуживания.

Издержки на содержание каналов обслуживания — это прямые расходы, которые весьма легко оценить. Издержки от ожидания в очереди клиентов (или сотрудников) — это альтернативные издержки, упущенная выгода (если, например, клиенту надоело ждать и он ушел) и потери от утраты доброго отношения клиентов (потери от уменьшения будущих продаж). В некоторых случаях (сотрудники стоят в очереди на ксерокс, механики автосервиса ждут в очереди получения необходимой детали со склада) эти издержки могут быть легко оценены. В случае если в очереди стоят клиенты, оценка издержек от ожидания оказывается более сложной и может быть сделана лишь ориентировочно. Однако в любом случае сначала нужно установить связь между издержками от ожидания в очереди с длиной очереди или временем ожидания, а затем использовать теорию очередей для оценки этих характеристик в зависимости от интенсивности входного потока, скорости обслуживания и числа каналов обслуживания.

10.3. Анализ и оптимизация работы СМО с ограниченной популяцией «Станки-автоматы»

В цехе находится 15 автоматических станков. В среднем 1 раз в 4 ч каждый станок останавливается и требует замены деталей (случайные моменты остановки соответствуют распределению Пуассона). Когда происходит остановка станка, техник диагностирует ее причины и производит замену необходимой детали. Среднее время обнаружения неисправности, нахождения и установки нужной детали – 40 минут (это время распределено экспоненциально). Оплата техникасоставляет15 грнвчас. Простойоборудования– 200 грнвчас.

1.Каково среднее число станков, находящихся в ремонте? Среднее время простоя остановившегося станка?

2.В цехе работают 3 техника. Какие издержки несет цех от простоя оборудования за смену (8 часов)?

3.Каково оптимальное число техников в цехе?

4.Техники должны иметь в среднем 10 минут на отдых каждый час. Выполняется ли это требование?

Решение. Из условия задачи следует, что «Станки-автоматы» – СМО с пуассоновским входным потоком заявок на замену деталей от одного станка

193

интенсивности λ1 =1/ 4 = 0,25 станков в час, временем обслуживания, которое

имеет экспоненциальное распределение со скоростью обслуживания одним оператором µ = 60/ 40 =1,5 станков/часиограниченнойпопуляцией K =15 .

Результат расчета характеристик для СМО «Станки-автоматы» для случая обслуживания 3-мя техниками ( S = 3 ) с помощью надстройки к MS Excel, Queue Mods.xla. представлен на рис. 10.8.

1. Среднее число станков, находящихся в ремонте Lrem определим по формуле: Lrem = L Lq (среднее число станков требующих ремонта

минус станки, которые простаивают и не ремонтируются). Итак:

Lrem = 2,610,55 = 2,06 станков.

Среднее время простоя остановившегося станка (время ожидания ремонта и ремонта) равно среднему времени пребывания в системе и согласно результам расчета характеристик для СМО «Станки-автоматы» (рис. 10.8.) составляет: Wrem = 0,84 ч (около 51минуты).

Модель: Ограниченная популяция

Пуассоновское распределение для потока заявок

Экспоненциальное распределение времени обслуживания

Расчет по формулам теории СМО

Данные

 

Результаты:

 

λ

0,25

Процент загрузки каждого сервера ρ =

68,81%

µ

1,5

Среднее число клиентов в системе L =

2,61435

S

3

Средняя длина очереди L q =

0,55007

K

15

Среднее время пребывания в системе W =

0,84432

σ

 

Среднее время ожидания в очереди Wq =

0,17765

0,666667

% времени, когда все серверы свободны P0 =

0,08572

 

 

Вероятность того, что ровно N клиентов находятся в системе

смена

8

P01 =

0,21429

работа

15

P02 =

0,25000

простой

200

P03 =

0,18056

издежки

3531,734

P04 =

0,12037

полные из-

3891,734

P05 =

0,07356

держки

 

P06 =

0,04087

 

 

 

 

P07 =

0,02043

 

 

P08 =

0,00908

 

 

P09 =

0,00353

 

 

P10 =

0,00118

 

 

P11 =

0,00033

 

 

P12 =

0,00007

 

 

P13 =

0,00001

 

 

P14 =

0,00000

 

 

P15 =

0,00000

Рис. 10.8 Лист MS Excel с характеристиками работы СМО

«Станки-автоматы» (3 оператора)

194

2. Для оценки издержек от простоя оборудования за смену среднее время простоя оборудования умножим на среднее число простаивающих станков на потери от простоя (200 грн) и на8 часов (длина смены). Тогда издержки отпростоя оборудования составят: Z =W L 200 8 = 0,84 2,61 200 8 = 3 531,734

грнзасмену.

Для оценки полных издержек на обслуживание оборудования за смену, к издержкам от простоя прибавим затраты на оплату труда 3-х операто-

ров 3 531,734 +15 3 8 = 3 531,734 +360 = 3 891,734 грн.

3. Оптимальное число операторов определим, выбрав в качестве критерия оптимальности функцию F полных издержек на обслуживание станков за смену:

F =[S 15 + 200 W (s)] 8 min ,

(10.6)

s {1,15}

где S – количество операторов,

W (S) – время простоя оборудования.

Для определения оптимального числа операторов определим полные издержки на обслуживание станков 1-м и более операторами. Учитывая, что функция полных издержек в зависимости от количества операторов является выпуклой вниз и имеет одну точку минимума (рис.10.7), то при увеличении количества операторов полные издержки будут сначала убывать, а затем возрастать. Поэтому значение переменной S – количества операторов, после которой полные издержки начинают возрастать и будет оптимальным. Результаты расчетов занесены в таблицу 10.7. Делаем вывод, что минимальные издержки составят 2934,731 грн при работе 5-ти операторов (рис. 3.5). Следовательно, оптимальноечислооператоров– 5 человек.

Таблица 10.7

Полные издержки СМО «Станки-автоматы» при вариации числа операторов

Количество операторов

Полные издержки, грн

 

 

 

 

1

86 699,96

 

 

 

 

2

10 747,99

 

 

 

 

3

3 891,734

 

 

 

 

4

3 014,373

 

5

2 934,731

 

6

3 014,181

 

195

4. Для ответа на четвертый вопрос используем показатель процента загрузки каждого сервера из отчета надстройки, Queue Mods.xla. представленной на рис. 10.8.: ρ = 68,81% . Тогда свободное время оператора соста-

вит 60 (10,6881) =18,7 19 минут. Следовательно, требование, состоя-

щее в том, что техники должны иметь в среднем 10 минут на отдых каждый час выполняется.

Модель: Ограниченная популяция

Пуассоновское распределение для потока заявок

Экспоненциальное распределение времени обслуживания

Расчет по формулам теории СМО

Данные

 

Результаты:

 

λ

0,25

Процент загрузки каждого сервера ρ =

0,42787

µ

1,5

Среднее число клиентов в системе L =

2,16394

S

5

Средняя длина очереди L q =

0,02459

K

15

Среднее время пребывания в системе W =

0,67433

σ

 

Среднее время ожидания в очереди Wq =

0,00766

0,666667

% времени, когда все серверы свободны P0 =

0,09859

 

 

Вероятность того, что ровно N клиентов находятся в системе

смена

8

P01 =

0,24647

работа

15

P02 =

0,28755

простой

200

P03 =

0,20767

издежки

2334,731

P04 =

0,10384

полные из-

2934,731

P05 =

0,03807

держки

 

P06 =

0,01269

 

 

 

 

P07 =

0,00381

 

 

P08 =

0,00102

 

 

P09 =

0,00024

 

 

P10 =

0,00005

 

 

P11 =

0,00001

 

 

….

…..

Рис. 10.9 Лист MS Excel с характеристиками работы СМО

«Станки-автоматы» (5 операторов)

10.4. Анализ работы СМО с ограниченной очередью «Служба вызова такси»

Автоматическая телефонная система фирмы «Такси по телефону» может поставить в очередь максимум 6 клиентов. Каждый из операторов, работающих в системе, тратит на принятие заказа такси в среднем 45 секунд. Звонки же поступают в среднем 3 раза в две минуты. Распределение времени обслуживания и интервала времени между звонками экспоненциальное. Один клиент в среднем приносит выручку 30 грн. Если клиент не дозванивается, он вызывает такси другой компании. Если в данный момент нет свободных такси, клиент также будет потерян. Данная компания имеет парк из 28 такси, среднее время обслуживания пассажира – 20 минут (распределено экспоненциально). Водитель получает 35 грнвчас, аоператор25 грн. Внастоящиймомент фирма имеет двух операторов. Какова упущенная выгода фирмы от потери недозвонившихсяилинеудовлетворенныхклиентов?

196

Решение. С точки зрения теории очередей фирма представляет собой две системы массового обслуживания: телефонную систему приема заказов и парк машин такси. Выходной поток обслуженных диспетчерской службой клиентов является входным потоком для второй системы – машин такси. Система приема заказов– СМОсдвумя серверами снеограниченной популяцией потенциальных клиентов и ограниченной очередью (не более 6-ти ожидающих обслуживания). Так как серверов в системе 2, то максимальное число клиентов в системе 8 – два под обслуживанием и 6 ожидающих в очереди. Поток клиентов в расчете на 1 минутуравен λ =1,5, аинтенсивностьобслуживанияклиентовкаждымизсерве-

ров µ = 4/ 3 (всреднем45 секунднакаждого).

Характеристики СМО «Телефонная система приема заказов», полученные с помощью надстройки Queue Mods.xla. представлены на рис. 10.10.

Можно отметить, что по причине отказа в обслуживании системой теряется всего около 2% клиентов ( P06 =1,815%). Среднее время ожидания

в очереди достаточно невелико и равно Wq = 0,2622 минут (16 секунд).

Поток клиентов, входящий во вторую систему, будет меньше потока, входящего в первую систему, за счет клиентов, не дозвонившихся до диспетчера. Так как теряется примерно 2% клиентов, то остается около 98% из потока λ =1,5 клиента в минуту или λ2 =1,47277 клиента в минуту. Ин-

тенсивность потока обслуживания, соответствующая времени обслуживания 20 минут, составит µ = 0,05 клиента в минуту.

Вторая СМО «Такси» – тоже система с неограниченной популяцией клиентов и ограниченной очередью. Правда, длина очереди в ней нулевая, поэтому максимальное число клиентов в системе равно 28 – по количеству машин такси.

Модель: Ограниченная очередь

Пуассоновское распределение для потока заявок Экспоненциальное распределение времени обслужива- ния

Данные

1,5

Результаты:

 

0,55229

λ

Процент загрузки каждого сервера ρ =

µ

1,333333

Среднее число клиентов в системе L =

1,49074

S

2

Средняя длина очереди L q =

0,38616

K

6

Среднее время пребывания в системе W =

1,01220

 

 

Среднее время ожидания в очереди Wq =

0,26220

σ

0,75

% времени, когда все серверы свободны P0 =

0,28653

 

 

Вероятность того, что ровно N клиентов находятся в системе

 

 

P01 =

0,32235

 

 

P02 =

0,18132

 

 

P03 =

0,10199

 

 

P04

=

0,05737

 

 

P05

=

0,03227

 

 

P06

=

0,01815

Рис. 10.10 Лист MS Excel с характеристиками работы СМО

«Телефонная система приема заказов»

197

Модель: Ограниченная очередь

Пуассоновское распределение для потока заявок

Экспоненциальное распределение времени обслуживания

Расчет по формулам теории СМО

Данные

1,47

Результаты:

 

0,87892

λ

Процент загрузки каждого сервера

ρ =

µ

0,05

Среднее число клиентов в системе

L =

24,60977

S

28

Средняя длина очереди

L q =

0,00000

K

28

Среднее время пребывания в системе

W =

20,00000

 

 

Среднее время ожидания в очереди

Wq =

0,00000

σ

20

% времени, когда все серверы свободны

P0 =

0,00000

 

 

Вероятность того, что ровно N клиентов находятся в системе

 

 

 

P01 =

0,00000

 

 

 

P02 =

0,00000

 

 

 

 

 

 

P10 =

0,00005

 

 

 

P11 =

0,00014

 

 

 

P12 =

0,00033

 

 

 

P13 =

0,00075

 

 

 

 

 

 

P25 =

0,12603

 

 

 

P26 =

0,14251

 

 

 

P27 =

0,15517

 

 

 

P28 =

0,16293

 

 

 

 

 

Рис. 10.11 Лист MS Excel с характеристиками работы СМО «Такси»

Как мы можем видеть, около 16% клиентов, прошедших через интервью с диспетчером, обнаружат, что машин нет. Эти клиенты будут потеряны и не принесут прибыли компании.

Рассчитаем общую прибыль компании, в расчете на один час рабочего времени, основываясь на полученных результатах. Сначала вычислим издержки. Это, плата водителям и диспетчерам. Каждый из 28 водителей получает 35 грн в час, а каждый из 2 диспетчеров – 25 грн. Итого 1 030 грн в час.

А сколько составит выручка от обслуживания клиентов? Используем коэффициент загрузки каждой машины для расчета выручки. Полностью загруженная работой машина приносит 90 грн за час, так как она может обслужить максимум 3 клиента в час (по 20 минут на каждого), а один клиент приносит 30 грн. Если машина загружена не полностью, то она принесет меньше денег. Коэффициент загрузки ρ = 0,87892, умноженный на 90 грн за час, даст реальную среднюю выручку каждой машины – 79,1 грн за час. Итого получаем 2 214,88 грн – выручка от 28 машин. За вычетом издержек останется 1 184,88 грн за час работы.

Если бы были обслужены все клиенты, которые решили позвонить в компанию, то выручка составила бы 2700 грн (90 клиентов в час по

198

30 грн). Таким образом, потери составляют 2700 – 1184,88 = 1515,12 грн в час.

Эти деньги теряются и на стадии звонка в компанию, и на стадии оформления заказа. Стоит ли увеличивать число диспетчеров? Из-за диспетчерской службы теряется только около 2% клиентов. 2% процента от 2700 грн – это 54 грн, а плата диспетчеру равна 25 грн, поэтому наем еще одного диспетчера может быть выгодным только при условии, что эти 2% будут обслужены. Но вторая СМО «Такси» отказывает в обслуживании около 16% клиентам. В этих условиях увеличивать поток заявок на вторую систему массового обслуживания практически бессмысленно, потому что подавляющее большинство из добавочных клиентов все равно не будет обслужено. В такой ситуации следовало бы наращивать количество такси.

199

РАЗДЕЛ 11

АНАЛИЗ И ПРОГНОЗ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ

СПРИМЕНЕНИЕМ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ

ИМОДЕЛЕЙ

11.1.Анализ влияния иностранных инвестиций на объем валового внутреннего продукта Украины

В таблице 11.1 приведены данные за восемь лет (2000-2007 гг.) о прямых иностранных инвестициях (далее ПИИ) в экономику Украины и валовом внутреннем продукте (далее ВВП).

Таблица 11.1

Данные задачи

ПИИ x, млрд долл

3,6

4,2

5

6,1

7,9

13

19,3

25,6

ВВП y, млрд грн

170,1

204,2

225,8

267,3

345,1

441,5

544,2

720,7

Требуется:

1)дать обоснование, построить линейное уравнение парной регрессии y от x и объяснить его;

2)на одном графике построить корреляционное поле и линию рег-

рессии;

3)рассчитать линейный коэффициент парной корреляции, коэффициент детерминации и объяснить их;

4)оценить статистическую значимость параметров регрессии и корреляции с помощью F -критерия Фишера и t -критерия Стьюдента при уровне значимости 0,05;

5)найти доверительные интервалы для параметров, входящих в уравнение регрессии;

6)рассчитать прогноз показателя y на следующий год при прогнозном

значениипоказателя x, составляющем120% отданныхпрошлогогода;

7) оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал.

Решение. Предположим, что связь между ВВП и ПИИ линейная и для анализа влияния иностранных инвестиций на объем валового внутреннего продукта Украины используем простейшую модель парной регрессии

– линейную регрессию. Эта модель имеет вид:

y = a +b x +ε .

Она сводится к нахождению уравнения линейной регрессии:

yx = a +b x .

200

Построение линейной регрессии сводится к оценке ее параметров – a и b . Классический подход к оцениванию параметров линейной регрессии основан на методе наименьших квадратов (далее МНК). МНК позволяет получить такие оценки параметров a и b , при которых сумма квадратов отклонений фактических значений результативного признака y от

теоретических yx минимальна:

n

)2

n

(yi yxi

= εi2 min .

i=1

 

i=1

Теоретические основы построения таких моделей описаны в учебной литературе (см., например, [9, 27]). Поставим перед собой цель дать практические рекомендации по формированию линейных моделей парной регрессии с помощью MS Excel.

1. Введём данные о ПИИ в ячейки B15:I15, а данные о ВВП в ячейки B16:I16. С помощью «Мастера диаграмм» построим точечную диаграмму

– корреляционное поле (рис. 11.1).

y

800

700

600

500

400

300

200

100

0

0

5

10

15

20

25

30

x

Рис. 11.1 Корреляционное поле для примера 11.1

По графику видно, что точки выстраиваются в некоторую прямую линию. С помощью встроенных функций MS Excel рассчитаем параметры

линейного уравнения парной регрессии yx = a +b x :

b = НАКЛОН(B16:I16;B15:I15) = 23,5982;

a = ОТРЕЗОК(B16:I16;B15:I15) = 115,017.

201

Получили уравнение:

yx =115,017 + 23,5982 x .

Объясним численное значение коэффициента регрессии b . Т.е. с увеличением ПИИ на 1 млрд долл. ВВП увеличивается в среднем на

23,5982 млрд грн.

2. Для того чтобы построить на одном графике корреляционное поле и линию регрессии нужно активизировать левой кнопкой мыши одну из точек на диаграмме. Затем нажать правую кнопку мыши и выбрать опцию «Добавитьлиниютренда». Выбрать тип«Линейная» инажать«ОК» (рис. 11.2).

 

800

 

 

 

 

 

 

 

700

 

 

 

 

 

 

 

600

 

 

 

 

 

 

 

500

 

 

 

 

 

 

y

400

 

 

 

 

 

 

 

300

 

 

 

 

 

 

 

200

 

 

 

 

 

 

 

100

 

 

 

 

 

 

 

0

 

 

 

 

 

 

 

0

5

10

15

20

25

30

 

 

 

 

x

 

 

 

 

 

Рис. 11.2 Корреляционное поле и линия регрессии

 

3. Рассчитаем линейный коэффициент корреляции:

rxy = КОРРЕЛ(B15:I15;B16:I16) = 0,992.

Близость коэффициента корреляции к единице указывает на тесную линейную связь между признаками. Коэффициент детерминации

rxy2 = 0,9841 показывает, что уравнением регрессии объясняется 98,41%

дисперсии результативного признака, а на долю прочих факторов приходится лишь 1,59%.

4. Оценим качество уравнения регрессии в целом с помощью F - критерия Фишера. Объём наблюдений n = 8 , количество независимых переменных x составляет m =1. Рассчитаем фактическоезначение F -критерия:

202

F =

 

 

rxy2

(n m 1)

=

 

0,9841

 

6

= 371,16 .

1

r2

10,9841

 

 

 

 

 

 

 

 

xy

 

 

 

 

 

 

 

Количество степеней свободы для критерия Фишера k1 = m =1, k2 = = n m 1 = 6 . При уровне значимости α = 0,05 табличное значение критерия равно

Ftabl = FРАСПОБР(α ; k1 ; k2 ) = 5,9874.

Так как F > Ftabl , то найденная линейная модель является статистически значимой с надёжностью не менее 95% (1α = 0,95 ).

Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитаем t -критерий Стьюдента и доверительные интервалы каждого из показателей. Вычислим случайные ошибки параметров линейной регрессии и коэффициента корреляции:

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

S 2

=

(yi yxi )2

= 683,1193 ;

m

=

 

Sост

 

 

 

=19,2656 ;

 

 

i=1

 

 

 

 

 

 

 

 

 

 

 

 

σx

 

 

 

 

 

 

ост

 

 

 

n m 1

 

 

 

b

 

n

 

 

 

 

 

 

 

m

 

= S

 

 

x2

=15,9239 ;

m =

1rxy2

 

 

= 0,0515.

 

 

 

 

a

 

 

ост

 

σx n

 

 

 

r

n m

1

 

 

 

 

Фактические значения t -статистик:

 

 

 

 

 

 

 

 

 

tb

=

 

b

 

=19,2656 ;

ta =

a

= 7,2229 ;

 

 

tr

=

 

rxy

=19,2656 .

 

mb

ma

 

 

 

mr

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Табличное значение

t -критерия Стьюдента при

 

α = 0,05 и числе

степеней свободы k = n m 1 = 6 :

ttabl = СТЬЮДРАСПОБР(α ; k ) = 2,4469.

Так как tb > ttabl , ta > ttabl и tr > ttabl , то признаем статистическую значимость параметров регрессии и коэффициента корреляции с надёжностью не менее 95%.

5. Рассчитаемдоверительныеинтервалыдляпараметроврегрессии a и b :

a ± ttabl ma ,

b ± ttabl mb .

Получим, что a [76,053;153,9815] и b [20,601;26,5953].

203

6. ПИИ в последнем 2007 г. составили xn = 25,6 млрд долл. Предпо-

лагается, что прогнозное значение ПИИ в следующем году составит 120% от xn = 25,6 . Т.о. xp =1,2 xn = 30,72 млрд долл. Точечный прогноз для

ВВП будет следующим:

y p =115,017 + 23,5982 30,72 = 839,9523 млрд грн.

7. Ошибка прогноза составляет:

m

 

= S

 

 

1+

1

+

(xp x )2

= 37,1029 .

y p

ост

n

2

 

 

 

 

 

 

 

 

 

 

 

 

 

n σx

 

Интервальный прогноз для y p

оценивают по формуле y p ± ttabl my p .

Поэтому доверительный интервал будет следующим:

749,1648 y p 930,7399 .

Пример выполнен полностью.

Замечание. Эконометрическую модель можно считать достоверной, если построенные с помощью неё прогнозы отклоняются от фактических данных не более, чем на 10%. Модель из примера 11.1 была построена по статистическим данным 2000-2007 гг. Фактические данные за 2008 г. составили x =32,6 млрд долл и y =948,1 млрд грн. Подставив в найденное

уравнение регрессии x =32,6, мы оценим теоретическое (прогнозное) значение y , т.е.

y =115,017 + 23,5982 32,6 =884,3169 млрд грн.

Абсолютное отклонение составит:

y y = 948,1884,3169 = 63,7831 млрд грн.

Относительное отклонение:

∆ = y y y 100% = 63,7831948,1 100% = 6,7275% .

Так как ∆ ≤10% , то построенную модель парной регрессии можно считать достоверной и пригодной для краткосрочных прогнозов.

204

11.2. Выбор поставщика техники. Задача «Анализ надежности работы компьютерной техники трех производителей»

Компьютерный клуб в течении последних двух лет закупал технику трех производителей D, F, G . Менеджер клуба решил проанализировать надежность работы данной техники. Для этого он собрал данные о возрасте техники m в месяцах и времени h (в часах) безаварийной работы до последней поломки. Выборка наблюдений по 40 единицам техники дала следующие результаты (табл. 11.2).

Постройте модель зависимости времени безаварийной работы компьютерной техники от возраста в двух случаях:

1)без учета фирмы производителя;

2)учитывая фирму производителя.

Сделайте выводы по каждому уравнению в отдельности и сравните уравнения, полученные в пунктах 1) и 2).

Сформулируйте приоритеты при закупке компьютерной техники трех производителей, если единственным критерием является время ее безаварийной работы.

Таблица 11.2

Характеристики техники

№ техники

1

2

3

4

5

6

7

8

9

10

производитель

G

G

G

G

G

G

G

G

G

G

время безаварийной ра-

 

 

 

 

 

 

 

 

 

 

боты h, часы

201

207

204

214

208

196

186

203

197

185

возраст компьютерной

 

 

 

 

 

 

 

 

 

 

техники m, месяцы

19

19

18

12

15

20

21

17

18

20

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

F

F

F

F

F

F

F

F

F

F

F

F

F

F D

267

251

267

242

234

270

240

272

236

239

267

250

258

274

285

13

12

13

16

18

12

17

11

21

18

14

17

14

12

14

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

 

D D D D D D D D D D D D D D D

 

272

282

279

278

258

261

258

270

274

258

272

251

262

267

278

 

12

13

12

12

17

17

20

16

15

18

19

20

20

16

16

 

 

Решение. Предположим, что зависимость времени h

(в часах) без-

аварийной работы компьютерной техники от возраста m в месяцах линейная: h = a + bm +ε. С помощью пакета «Анализ данных» (функция – «Регрессия») программы MS Excel рассчитаем параметры линейного уравне-

ния парной регрессии ˆ = + и характеристики качества модели. Ана- h a bm

лизируя полученный отчет (рис. 11.3) сделаем следующие выводы. Уравнение регрессии зависимости времени h безаварийной работы компьютерной техники от возраста m имеет вид:

205

ˆ

=338,46 5,65m

(11.1)

h1

с коэффициентом детерминации R2 = 0,3273. Следовательно, полученная модель объясняет колебания переменной h времени безаварийной работы всего на 33%. При этом коэффициент b = −5,65 и модель (11.1) являются статистически значимыми при уровне α = 0,05, так как значения в ячейках Значимость F и P-Значение (рис. 11.3) меньше 0,05. Следовательно, на основании модели (11.1), можно сделать вывод, что с увеличением возраста компьютерной техники на 1 месяц время безаварийной работы уменьшается (в среднем, при прочих равных условиях) на 5,65 часов.

ВЫВОДИТОГОВ

 

 

 

 

 

 

 

Регрессионнаястатистика

 

 

 

 

 

МножественныйR

 

0,5721

 

 

 

 

 

R-квадрат

 

0,3273

 

 

 

 

 

Нормированный

 

 

 

 

 

 

 

R-квадрат

 

0,3096

 

 

 

 

 

Стандартнаяошибка

 

25,2023

 

 

 

 

 

Наблюдения

 

40

 

 

 

 

 

Дисперсионныйанализ

 

 

 

 

 

 

 

 

 

df

SS

MS

F

Значи-

 

 

 

мостьF

 

 

 

 

 

 

 

 

Регрессия

 

1

11742,72

11742,72

18,49

0,0001149

 

Остаток

 

38

24135,93

635,16

 

 

 

Итого

 

39

35878,64

 

 

 

 

 

 

Коэф-

Стан-

t-ста-

P-Зна-

Нижние

Верхние

 

 

фициен-

дартная

 

 

тистика

чение

95%

95%

 

 

ты

ошибка

 

 

 

 

Y-пересечение

 

338,4631

21,6602

15,6261

3,935E-18

294,61

382,31

Переменнаяm

 

-5,6521

1,3145

-4,2998

0,0001149

-8,31

-2,99

Рис. 11.3 Расчет параметров 1-ой модели (без учета фирмы

производителя) с помощью надстройки «Анализ данных» программы MS Excel

Для построения второй модели с учетом фирмы производителя введем фиктивные переменные:

1,

если производитель фирма D,

d =

в противном случае.

0,

 

 

1,

если производитель фирма F ,

f =

в противном случае.

0,

 

 

206

Тогда значения переменных для построения второй модели будут следующие (табл.11.3).

Таблица 11.3

Значения переменных 2-ой модели

 

h

 

m

 

d

 

f

 

 

h

 

m

 

d

 

f

h

m

d

f

1

 

201

 

19

 

0

 

0

11

 

267

 

13

 

0

 

1

25

285

14

1

0

2

 

207

 

19

 

0

 

0

12

 

251

 

12

 

0

 

1

26

272

12

1

0

3

 

204

 

18

 

0

 

0

13

 

267

 

13

 

0

 

1

27

282

13

1

0

4

 

214

 

12

 

0

 

0

14

 

242

 

16

 

0

 

1

28

279

12

1

0

5

 

208

 

15

 

0

 

0

15

 

234

 

18

 

0

 

1

29

278

12

1

0

6

 

196

 

20

 

0

 

0

16

 

270

 

12

 

0

 

1

30

258

17

1

0

7

 

186

 

21

 

0

 

0

17

 

240

 

17

 

0

 

1

31

261

17

1

0

8

 

203

 

17

 

0

 

0

18

 

272

 

11

 

0

 

1

32

258

20

1

0

9

 

197

 

18

 

0

 

0

19

 

236

 

21

 

0

 

1

33

270

16

1

0

10

 

185

 

20

 

0

 

0

20

 

239

 

18

 

0

 

1

34

274

15

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

21

 

267

 

14

 

0

 

1

35

258

18

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

22

 

250

 

17

 

0

 

1

36

272

19

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

23

 

258

 

14

 

0

 

1

37

251

20

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

24

 

274

 

12

 

0

 

1

38

262

20

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

39

267

16

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

40

278

16

1

0

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

С помощью пакета «Анализ данных» (функция – «Регрессия») программы MS Excel рассчитаем параметры линейного уравнения множест-

ˆ

= a0

+ a1m + a2d + a3 f и характеристики качества моде-

венно регрессии h

ли. Анализируя полученный отчет (рис. 11.4) сделаем следующие выводы. Уравнение регрессии зависимости времени h безаварийной работы компьютерной техники от возраста m и фирмы производителя имеет вид:

ˆ

= 260,54 3,34m + 62,61d + 44,24 f

(11.2)

h2

с коэффициентом детерминации R2 = 0,9494. Следовательно, полученная

модель объясняет колебания переменной h времени безаварийной работы почти на 95%. При этом все коэффициенты уравнения и модель (11.2) являются статистически значимыми при уровне α = 0,05, так как значения в

ячейках Значимость F и P-Значение (рис. 11.4) меньше 0,05.

На основании модели (11.2) запишем частные уравнения регрессии для каждого производителя:

 

ˆ

(G)

= 260,54

3,34m,

 

ˆ

h2

 

(D) = 260,54 3,34m + 62,61 = 323,15

3,34m,

h2

207

ˆ

(F) = 260,54

3,34m + 44,24

= 304,78 3,34m.

h2

Следовательно, с увеличением возраста компьютерной техники на 1 месяц время безаварийной работы уменьшается (в среднем, при прочих равных условиях) на 3,34 часов. При этом, сравнив значения коэффициентов перед фиктивными переменными в модели (11.2) и свободных членов последних трех уравнений, делаем вывод, что при одинаковом возрасте самый большой срок безаварийной работы техники производителя D (на 62,61 часа больше чем у производителя G ). Срок безаварийной работы техники производителя F на 44,24 часа больше чем у производителя G .

ВЫВОДИТОГОВ

 

 

 

 

 

 

 

Регрессионнаястатистика

 

 

 

 

 

МножественныйR

0,9764

 

 

 

 

 

R-квадрат

0,9533

 

 

 

 

 

НормированныйR-

 

 

 

 

 

 

 

квадрат

 

0,9494

 

 

 

 

 

Стандартнаяошибка

6,8228

 

 

 

 

 

Наблюдения

40

 

 

 

 

 

Дисперсионныйанализ

 

 

 

 

 

 

 

df

SS

MS

F

Значи-

 

 

 

мостьF

 

 

 

 

 

11400,94

 

 

Регрессия

3

34202,83

244,92

5,348E-24

 

Остаток

36

1675,81

46,55

 

 

 

Итого

39

35878,64

t-ста-

 

 

 

 

 

Коэффи-

Стандарт-

P-Зна-

Нижние

Верхние

 

 

циенты

наяошибка

тистика

чение

95%

95%

Y-пересечение

260,5490

7,3414

35,4901

1,31E-29

245,659

275,438

Переменнаяm

-3,3437

0,3881

-8,6147

2,85E-10

-4,131

-2,556

Переменнаяd

62,6090

2,8512

21,9592

1,94E-22

56,827

68,391

Переменнаяf

44,2363

3,0808

14,3589

1,79E-16

37,988

50,484

Рис. 11.4 Расчет параметров 2-ой модели (с учетом фирмы

производителя) с помощью надстройки «Анализ данных»

Для сравнения качества двух моделей на основании данных об остатках двух моделей, поученных в отчете, были рассчитаны средние относительные ошибки по формуле:

 

 

n

 

e

 

 

 

 

 

 

A

= ∑

 

i

 

 

100% .

 

 

 

 

 

 

отн

i=1 yˆi

В результате были получены значения для первой и второй моделей соответственно (рис.11.5): Aотн1 = 8,52% и Aотн2 = 2,26% .

Следовательно, качество второй модели лучше и ее нужно использовать для дальнейшего экономического анализа.

208

ВЫВОД ОСТАТКА (модель 1)

 

 

ВЫВОД ОСТАТКА (модель 2)

 

Наблю-

Предска-

Остатки

 

 

Ai

Наблю-

Предска-

Остатки

 

Ai

дение

занное Y

 

 

дение

занное Y

 

1

230,73

-30,12

 

0,1501

1

196,81

3,80

 

0,0189

2

228,73

-21,40

 

0,1032

2

195,63

11,70

 

0,0564

3

236,08

-32,13

 

0,1575

3

199,98

3,97

 

0,0195

4

267,84

-53,49

 

0,2495

4

218,77

-4,42

 

0,0206

5

252,81

-44,54

 

0,2138

5

209,88

-1,61

 

0,0077

6

224,01

-27,98

 

0,1427

6

192,84

3,19

 

0,0163

7

222,30

-36,40

 

0,1958

7

191,83

-5,93

 

0,0319

8

242,03

-39,15

 

0,1930

8

203,50

-0,62

 

0,0031

9

235,26

-38,54

 

0,1959

9

199,50

-2,77

 

0,0141

10

222,98

-38,06

 

0,2058

10

192,23

-7,31

 

0,0395

 

 

 

34

250,97

23,24

 

0,0848

34

271,40

2,81

 

0,0103

35

237,50

20,45

 

0,0793

35

263,43

-5,48

 

0,0212

36

231,37

40,42

 

0,1487

36

259,80

11,98

 

0,0441

37

223,99

26,84

 

0,1070

37

255,44

-4,61

 

0,0184

38

227,47

34,68

 

0,1323

38

257,49

4,65

 

0,0178

39

245,63

21,77

 

0,0814

39

268,24

-0,84

 

0,0031

40

247,85

30,54

 

0,1097

40

269,55

8,84

 

0,0318

 

 

A1=

 

 

8,52%

 

 

A2=

 

2,26%

Рис. 11.5 Сравнение качества двух моделей задачи

В частности, приоритеты при закупке компьютерной техники трех производителей должны быть следующие: в первую очередь следует покупать технику производителя D , во вторую – производителя F и в последнюю – производителя G . Анализируя первоначальные данные о количестве техники каждого производителя (16, 14 и 10 единиц техники соответственно) делаем вывод, что при закупке техники руководство клуба придерживалось именно этой стратегии.

11.3. Анализ зависимости выпуска продукции от фонда оплаты труданазаводахпоремонтушахтногооборудованияДонецкойобласти

В таблице 11.4 приведены данные по десяти однотипным заводам по ремонту шахтного оборудования в Донецкой области. Годовой объём выпуска продукции y (млн грн) зависит от фонда оплаты труда x (млн грн).

Требуется:

1)средствами MS Excel построить нелинейные уравнения парной регрессии y от x ;

2)выбрать лучшую модель.

Решение. Принято различать два класса уравнений нелинейных регрессий. Первый из них включает нелинейные уравнения относительно объясняющих переменных, но линейные по оцениваемым параметрам.

209

Таблица 11.4

Данные задачи

 

x

 

2,1

2

2,2

 

1,9

3

1,9

2,4

2,5

2,1

2,7

 

 

y

 

6,2

5,6

6,8

 

5

13

5,1

8,2

8,9

6,3

10,5

 

 

 

 

К ним, например, относятся: многочлены (полиномы) различных степе-

ней

yx = a +b x +c x2 ,

yx = a +b x +c x2 + d x3 и т.п.; равносторонняя ги-

пербола yx = a +bx ; полулогарифмическая функция yx = a +b ln x .

Регрессии первого класса приводятся к линейному виду заменой переменных. Дальнейшая оценка параметров производится с помощью МНК.

Например, парабола второй степени yx = a +b x +c x2 приводится к линейному виду с помощью замены: x = x1, x2 = x2 . В результате приходим к

двухфакторному уравнению yx = a +b x1 + c x2 , оценка параметров которого при помощи МНК.

Равносторонняя гипербола yx = a +bx может быть использована для

характеристики связи удельных расходов сырья, материалов, топлива от объёма выпускаемой продукции, времени обращения товаров от величины товарооборота, процента прироста заработной платы от уровня безработицы (кривая Филлипса), расходов на непродовольственные товары от доходов или общей суммы расходов (кривые Энгеля) и в других случаях. Ги-

пербола приводится к линейному уравнению заменой: z = 1x . Аналогич-

ным образом приводятся к линейному виду зависимости yx = a +b ln x ,

yx = a +b x и др.

Второй класс нелинейных уравнений – регрессии, нелинейные по оцениваемым параметрам. К ним, например, относятся: степенная yx = a xb ;

показательная yx = a bx ; экспоненциальная yx = ea+b x . Эти модели приво-

дятся к линейному виду логарифмированием.

Покажем, как это делается на примере степенной функции y = a xb ε :

ln y = ln (a xb ε );

ln y = ln a +b ln x +lnε ;

Y = A + b X ,

где Y = ln y, X = ln x, A = ln a, Ε= lnε .

210

Таким образом, мы применяем МНК к преобразованным данным, а затем потенцированием находим искомое уравнение.

Широкое использование степенной функции связано с тем, что параметр b в ней имеет четкое экономическое истолкование – он является коэффициентом эластичности.

Такие задачи удобно решать в MS Excel. Для этого нужно выполнить следующую последовательность действий:

ввести экспериментальные данные в столбцы (или построчно);

на основании введённых данных построить точечную диаграмму;

активизировать данные диаграммы, щелкнув по точкам левой кнопкой «мыши»;

в пункте меню «Диаграмма» выбрать опцию «Добавить линию тренда…»;

в пункте меню «Тип» выбрать «Полиномиальная (степень 2-6)» или «Логарифмическая», или «Степенная», или «Экспоненциальная»;

в пункте «Параметры» – «Показывать уравнение на диаграмме» и

«Поместить на диаграмму величину достоверности аппроксимации ( R2 )». Для величины достоверности аппроксимации выполняется неравен-

ство: 0 R2 1. Формула расчёта R2 (см. справку MS Excel) содержит

сумму квадратов отклонений. Чем ближе R2 к единице, тем лучше модель описывает фактические данные.

1. На рис. 11.6–11.9 поместим корреляционное поле, линию регрессии, уравнение регрессии и величину достоверности аппроксимации R2 .

Рис. 11.6 Логарифмическая модель

211

Рис. 11.7 Полиномиальная модель второй степени

Рис. 11.8 Степенная модель

212

Рис. 11.9 – Экспоненциальная модель

2. Наибольшую величину достоверности аппроксимации R2 = 0,9997 имеет полиномиальная модель второй степени (рис. 11.7). Поэтому признаем эту модель лучшей.

Пример выполнен полностью.

11.4. Анализ производства сахара на заводах финансово- промыш-ленной группы «Укрслад»

Финансово-промышленная группа «Укрслад» владеет шестнадцатью заводами по производству сахара. Имеются данные (табл. 11.5) прошлого

года о выпуске продукции

y (млн грн),

затратах труда x1

(млн грн) и за-

тратах производственных фондов (ПФ) x2 (млн грн).

 

 

 

 

 

 

 

 

Данные задачи

 

Таблица 11.5

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

№ завода

1

2

3

4

 

5

 

6

7

8

 

 

y

7,4

10,3

9,9

8,8

 

8,7

 

9,4

10,2

7,5

 

 

x1

2,3

2,9

2,2

2,8

 

2,2

 

2,5

2,8

2,3

 

 

x2

1,1

1,6

1,7

1,3

 

1,4

 

1,5

1,6

1,1

 

 

№ завода

9

10

11

12

 

13

 

14

15

16

 

 

y

8,4

9,2

10,9

9,1

 

10,6

 

9,1

9,8

10,6

 

 

x1

2,9

2,7

2,7

2,5

 

2,1

 

2,2

2,1

2,4

 

 

x2

1,2

1,4

1,8

1,4

 

1,9

 

1,5

1,7

1,8

 

 

 

 

 

 

 

 

 

 

 

 

213

Требуется:

А) Построить производственную функцию Кобба-Дугласа. Б) Рассчитать характеристики:

1)среднюю производительность труда;

2)среднюю фондоотдачу;

3)предельную производительность труда;

4)предельную фондоотдачу;

5)эластичность выпуска продукции по затратам труда;

6)эластичность выпуска продукции по ПФ;

7)потребность в ресурсах труда;

8)потребность в ПФ;

9)фондовооружённость труда;

10)предельную норму замещения затрат труда производственными

фондами;

11)эластичность замещения ресурсов.

В) Найти прогноз выпуска yp для заданных значений x1 = 3,2 млн грн и x2 = 2,1 млн грн.

Решение

Американский экономист Пол Дуглас в 30-е годы ХХ в. наблюдал за данными перерабатывающей промышленности США на протяжении двадцати лет и заметил зависимость между экономическими показателями. Он не сумел определить функцию, описывающую эту зависимость, и обратился в 1927 г. к математику Чарльзу Коббу. Кобб предложил следующую функцию:

y = a0 x1a1 x2a2 ,

где y – объём выпущенной продукции; x1 – затраты труда; x2 – затраты производственных фондов; a0 , a1 и a2 – неизвестные параметры модели,

определяемые с помощью МНК на основе эмпирических данных.

Так появилась производственная функция Кобба–Дугласа, при-

надлежащая к наиболее известным производственным функциям, широко применяемым в экономических исследованиях.

А) Для определения неизвестных параметров мультипликативной степенной модели прологарифмируем левую и правую части функции:

ln y = ln a0 + a1 ln x1 + a2 ln x2 .

Введём замены Y = ln y , A0 = ln a0 , X1 = ln x1 , X 2 = ln x2 и получим линейную модель

Y = A0 + a1 X1 + a2 X 2 ,

214

у которой с помощью МНК будем искать параметры A0 , a1 и a2 . Система нормальных уравнений имеет вид:

 

 

A0n

+ a1X1

 

+ a2 X2

= Y;

 

 

 

 

 

 

+ a1X12

+ a2 X1 X2 = X1 Y;

 

 

 

A0 X1

 

 

 

 

 

+ a1X1 X2 + a2 X22

= X2 Y.

 

 

 

A0 X2

 

 

Составим расчётную таблицу 11.6.

 

 

 

 

 

 

 

 

 

 

Фрагмент расчётов

 

 

Таблица 11.6

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Y

X1

 

X2

 

 

X12

X22

X1 X 2

 

X1 Y

X 2 Y

1

 

2,0014

0,8329

 

0,0953

 

 

0,6937

0,0091

0,0794

 

1,6671

0,1908

 

 

 

 

 

15

 

2,2824

0,7419

 

0,5306

 

 

0,5505

0,2816

0,3937

 

1,6934

1,2111

16

 

2,3609

0,8755

 

0,5878

 

 

0,7665

0,3455

0,5146

 

2,0669

1,3877

 

35,6991

14,3983

 

6,2743

 

13,1596

2,8966

5,5931

 

32,1443

14,2852

Длянашихданныхсистеманормальныхуравненийбудетследующей:

 

16A

 

+14,3983a + 6,2743a

2

= 35,6991;

 

 

 

0

 

 

1

 

 

 

 

 

 

 

 

14,3983A0 +13,1596a1

 

+ 5,5931a2 = 32,1443;

 

 

 

6,2743A

+ 5,5931a

 

+ 2,8966a

2

=14,2852.

 

 

 

 

0

1

 

 

 

 

 

 

 

 

Введём в рассмотрение матрицы

 

 

 

 

 

 

 

 

 

16

 

14,3983

6,2743

 

 

A0

 

 

35,6991

A = 14,3983

 

13,1596

5,5931

 

,

X = a

,

B =

32,1443

 

 

6,2743

 

5,5931

2,8966

 

 

 

 

1

 

 

 

 

 

 

 

 

a

 

14,2852

 

 

 

 

 

 

 

 

 

 

 

2

 

 

 

 

изапишем систему в матричном виде AX = B . Согласно методу обратной матрицы X = A1B .

Обратную матрицу находим с помощью Microsoft Excel. Напомним, что операции с матрицами желательно завершать нажатием клавиши «F2»

и«Ctrl+Shift+Enter». Итак, имеем:

215

 

 

 

 

 

4,9926

4,8301

1,4878

 

 

A

1

= МОБР(B78:D80) =

1

 

4,8301

5,0968

0,6212

 

,

 

A

=

 

 

 

 

 

 

1,4878

0,6212

2,3686

 

 

 

 

 

 

 

 

 

1,7141

X = A1B = МУМНОЖ(B82:D84;J78:J80) = 0,2743 .

0,6892

Так как A0 = ln a0 , то a0 = eA0 . Значения неизвестных параметров:

a0 = EXP( A0 ) = 5,5515,

a1 = 0,2743,

a2 = 0,6892 .

Производственная функция Кобба-Дугласа имеет вид:

y =5,5515 x10,2743 x20,6892 .

Б) Рассчитаем основные характеристики производственной функции: 1) средняя производительность труда равна:

 

 

y

 

a

x a1

x a2

 

a

x

a2

 

5,5515 x

0,6892

 

µ

=

 

=

0

1

2

=

0

2

 

=

2

 

.

 

 

1

 

 

(1a1)

0,7257

1

 

x1

 

 

 

 

 

 

 

 

 

 

 

x1

 

 

x1

 

 

x1

 

 

Следовательно, с увеличением затрат труда x1 (при неизменных затратах ПФ x2 ) средняя производительность труда снижается. И, наоборот,

увеличение затрат ПФ (при неизменных затратах труда) ведёт к росту средней производительности труда;

2) средняя фондоотдача равна:

 

 

 

y

 

a

x a1

x a2

 

a

x a1

 

5,5515 x 0,2743

 

µ

2

=

 

=

0

1

2

=

0

1

=

1

.

x2

 

1

x2

(1a2 )

0,3108

 

 

 

 

 

x2

 

 

 

 

x2

 

Таким образом, с увеличением затрат ПФ (при неизменных затратах труда) средняя фондоотдача снижается. Увеличение же затрат труда (при неизменных затратах ПФ) ведёт к росту средней фондоотдачи;

3) предельная производительность труда:

 

 

y

 

a

a

(a 1)

a

 

a

a x a2

 

1,523 x 0,6892

 

 

 

 

 

 

1

2

1

2

 

0

1

2

 

2

 

ν1

=

x1

=

x1

(a0 x1

x2

)= a0 a1 x1

x2

=

 

(1a )

=

 

0,7257

.

 

 

 

 

 

 

 

 

 

x1

1

 

 

x1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

216

Следовательно с увеличением затрат труда (при неизменных затратах ПФ) предельная производительность труда снижается. Наоборот, увеличение затрат ПФ (при неизменных затратах труда) ведёт к росту предельной производительности труда;

4) предельная фондоотдача:

 

 

y

 

a

a

a

 

(a 1)

 

a a x a1

 

3,8258 x 0,2743

 

 

 

 

 

 

1

2

1

 

2

 

0

2

1

 

1

 

ν2

=

x2

=

x2

(a0 x1

x2

)= a0 a2 x1

x2

 

=

 

(1a )

=

0,3108

.

 

 

 

 

 

 

 

 

 

 

x2

2

 

x2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Таким образом, с увеличением затрат ПФ (при неизменных затратах труда) предельная фондоотдача снижается. Увеличение же затрат труда (при неизменных затратах ПФ) ведёт к росту предельной фондоотдачи;

5) эластичность выпуска продукции по затратам труда:

Ey / x1 =

x1

 

y

=

 

 

x1

 

 

 

(a0 a1 x1(a11) x2a2

)= a1 = 0,2743 .

y

 

x

a

x

a

x

a

2

 

 

 

1

 

 

 

 

 

1

 

0

1

2

 

 

 

 

Данный показатель указывает на то, что при увеличении затрат труда x1 на 1% выпуск продукции y предельно увеличивается на 0,2743%;

6) эластичность выпуска продукции по ПФ:

Ey / x2

=

x2

 

y

=

 

 

x2

 

 

 

(a0 a2 x1a1 x2(a2 1) )= a2 = 0,6892 .

y

 

x

a

x

a

x

a

2

 

 

 

 

1

2

 

 

 

 

2

 

0

1

 

 

 

То есть ПФ на 1% выпуск продукции может предельно увеличиться на 0,6892%;

7) производственная функция позволяет рассчитать потребность в одном из ресурсов при заданном объеме выпуска продукции y и заданной

величине другого ресурса. Потребность в ресурсах труда:

 

 

 

 

 

1

 

 

 

 

1

 

 

 

1

 

 

 

 

 

 

 

 

 

 

y

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

y

a1

 

 

 

 

 

y3,6451

x1

 

a1

 

a1

 

 

 

 

 

= 0,0019

=

 

 

 

 

 

=

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

.

 

 

a

 

 

 

 

 

 

 

a

2,5121

 

a0

x2 2

 

 

a0

 

 

 

 

 

 

2

 

 

 

 

x2

 

 

 

x a1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

 

 

 

 

 

 

 

 

 

 

 

8) потребность в ПФ:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

1

 

 

1

 

 

 

 

 

 

 

 

 

y

 

 

 

 

 

1

 

 

 

 

 

 

y

a2

 

 

 

 

y1,4511

x2

 

a2

 

a2

 

 

 

= 0,0831

=

 

 

 

 

=

 

 

 

 

 

 

 

 

 

 

 

 

 

 

.

 

a

 

 

 

 

 

 

 

 

 

a

 

0,3981

 

a0

x1 1

 

 

a0

 

 

 

 

 

 

1

 

 

 

 

x1

 

 

 

 

 

x a2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

217

9) производственная функция позволяет исследовать вопросы соотношения, замещения, взаимодействия ресурсов. В частности, определяется важный экономический показатель – фондовооружённость труда:

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

y

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

a2

1

 

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

a

x

a

 

 

 

 

 

 

 

 

a

 

 

 

1,4511

 

 

 

 

a2

 

 

 

 

 

 

x2 = 0

 

1

= 1

y

 

 

 

.

1

 

2

 

= 0,0831 y

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x1

 

x1

 

 

 

 

a0

a1

 

 

 

1,3981

 

 

 

 

 

 

 

 

 

+1

 

x1

 

 

 

 

 

 

a

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

10) взаимодействующие в рамках производственной функции ресурсы могут замещать друг друга. Предельная норма замещения затрат труда x1 производственными фондами x2 равна:

h =

dx2

= −

a1

 

x2

= −0,3981

x2

.

dx

 

x

 

 

 

a

2

 

 

x

1

 

 

1

1

 

Предельная норма замещения зависит не только от параметров a1 и a2 производственной функции Кобба-Дугласа, но и от соотношения объё-

мов ресурсов. Знак «минус» означает, что при фиксированном объёме выпуска продукции y необходимо при уменьшении одного ресурса увеличи-

вать другой.

11) влияние соотношения объемов ресурсов на предельную норму замещения h находит свое выражение в эластичности замещения ресурсов. Этот показатель определяется как отношение относительных приращений фондовооружённости труда и предельной нормы замещения ресурсов:

 

 

 

x2

 

h x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x1

1

 

 

a

 

 

 

a

 

 

 

 

h

 

 

 

 

 

 

 

ω =

 

 

 

 

 

=

 

2

 

1

 

=1.

 

 

 

x2

 

 

 

a2

 

 

 

 

 

 

 

 

a1

 

 

 

 

Эластичность замещения ресурсов для производственной функции Кобба-Дугласа всегда равна единице. Т.е. изменению фондовооружённости труда на 1% соответствует изменение предельной нормы замещения также на 1%.

В) Найдём прогноз выпуска продукции для заданных значений x1 = 3,2 млн грн и x2 = 2,1 млн грн:

y = 5,5515 (3,2)0,2743 (2,1)0,6892 =12,7365 млн грн.

Задача решена полностью.

218

11.5. Анализ влияния факторов на прибыль акционерного общества «УкрСельхозХолдинг»

Открытое акционерное общество «УкрСельхозХолдинг» более десяти лет производит пшеницу в своих тридцати агроцехах, расположенных в разных областях Украины. Имеются данные прошлого года (табл. 11.7) о прибыли предприятия y (млн грн), среднегодовом удельном весе сельскохозяй-

ственных рабочих в составе агроцеха x1 (0 x1 1), среднегодовой численности персонала x2 (тыс. чел.), среднесуточном времени простоя техники в рабочее время x3 (часы), среднемесячных выплатах за вредность труда на одного работника x4 (грн), среднегодовой текучести кадров x5 (%).

 

 

Данные примера

 

 

Таблица 11.7

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

№ агроцеха

y

x1

x2

 

x3

x4

x5

1

-0,66

0,68

0,82

 

0,42

128,52

25,68

 

2

1,41

0,74

0,84

 

0,05

177,84

18,13

 

3

-0,79

0,66

0,67

 

0,29

114,48

25,74

 

4

0,42

0,72

1,04

 

0,48

93,24

21,21

 

5

-0,24

0,68

0,66

 

0,41

126,72

22,97

 

6

1,41

0,77

0,86

 

0,62

91,8

16,38

 

7

1,89

0,78

0,79

 

0,56

69,12

13,21

 

8

0,36

0,78

0,34

 

1,76

66,24

14,48

 

9

1,18

0,81

1,6

 

1,31

67,68

13,38

 

10

2,18

0,79

1,46

 

0,45

50,4

13,69

 

11

1,44

0,77

1,27

 

0,5

70,56

16,66

 

12

1,55

0,78

1,58

 

0,77

72

15,06

 

13

0,09

0,72

0,68

 

1,2

97,2

17,6

 

14

1,9

0,79

0,86

 

0,21

80,28

15,98

 

15

1,43

0,77

1,98

 

0,25

51,48

18,27

 

16

2,39

0,8

0,33

 

0,15

105,12

14,42

 

17

-0,3

0,71

0,45

 

0,66

128,52

22,76

 

18

1,42

0,79

0,74

 

0,74

94,68

15,41

 

19

1

0,76

0,03

 

0,32

85,32

19,35

 

20

0,91

0,78

0,99

 

0,89

76,32

16,83

 

21

-1,76

0,62

0,24

 

0,23

153

30,53

 

22

1,12

0,75

0,57

 

0,32

107,64

17,98

 

23

0,03

0,71

1,22

 

0,54

90,72

22,09

 

24

0,55

0,74

0,68

 

0,75

82,44

18,29

 

25

-0,76

0,65

1

 

0,16

79,92

26,05

 

26

-0,78

0,66

0,81

 

0,24

120,96

26,2

 

27

1,72

0,84

1,27

 

0,59

84,6

17,26

 

28

0,61

0,74

1,14

 

0,56

85,32

18,83

 

29

0,5

0,75

1,89

 

0,63

101,52

19,7

 

30

0,61

0,75

0,67

 

1,1

107,64

16,87

 

 

 

 

 

 

 

 

219

Предполагая, что между переменной y и независимыми переменными x1 , x2 , x3 , x4 , x5 существует линейная зависимость, требуется:

1)найти линейное уравнение множественной регрессии;

2)с помощью алгоритма пошаговой регрессии построить эконометрическую модель с максимальным числом значимых коэффициентов при уровне значимости 0,05;

3)построить точечный и интервальный прогнозы для y при допу-

щении, что средние показатели по независимым переменным будут превышены на 5%.

Решение. Ввиду чёткой интерпретации параметров наиболее широко в множественной регрессии используется линейная функция.

В линейной множественной регрессии yx = a +b1x1 +b2 x2 +... +bm xm

параметры при x называются коэффициентами «чистой» регрессии. Они характеризуют среднее изменение результата с изменением соответствующего фактора на единицу при неизмененном значении других факторов.

Рассмотрим линейную модель множественной регрессии:

y = a + b1x1 + b2 x2 +... + bm xm + ε .

Классический подход к оцениванию параметров линейной модели множественной регрессии основан на МНК:

(yi yxi )2 min .

i

В Microsoft Excel имеется пункт меню «Сервис», который содержит пакет прикладных программ «Анализ данных». В нём выбираем инструмент анализа «Регрессия». Вводим входной интервал для y и входной ин-

тервал для x1 , x2 , x3 , x4 , x5 . Т.к. в условии задан уровень значимости α = 0,05 , то выбираем уровень надёжности 95% (1α = 0,95 ). В парамет-

рах вывода отмечаем «Новый рабочий лист» и жмём «ОК». Результаты вычислений, округлённые до четвёртого знака приведены на рис. 11.10.

1. Столбец «Коэффициенты» содержит найденные параметры уравнения регрессии. Т.о. линейная пятифакторная эконометрическая модель имеет вид:

yx = −0,7484 + 7,1473x1 + 0,0328x2 1,1373x3 + 0,0002x4 0,1714x5 .

По коэффициентам регрессии можно давать объяснения. Например, если текучесть кадров x5 увеличится на 1%, то прибыль предприятия сни-

зится в среднем на 0,1714 млн грн. При этом значения переменных x1 , x2 , x3 , x4 должны оставаться неизменными. Значение свободного члена a = −0,7484 не объясняют.

2. Прокомментируем данные отчета на рис. 11.10.

220

ВЫВОД ИТОГОВ

 

 

 

 

 

Регрессионная статистика

 

 

 

 

Множествен-

0,9974

 

 

 

 

 

ный R

 

 

 

 

 

 

 

 

 

 

 

R-квадрат

0,9948

 

 

 

 

 

Нормированный

0,9937

 

 

 

 

 

R-квадрат

 

 

 

 

 

 

Стандартная

0,0813

 

 

 

 

 

ошибка

 

 

 

 

 

 

 

 

 

 

 

Наблюдения

30

 

 

 

 

 

Дисперсионный анализ

 

 

 

 

 

df

SS

MS

F

Значи-

 

 

мость F

 

 

 

 

 

 

 

Регрессия

5

30,0746

6,0149

910,4301

1,56E-26

 

Остаток

24

0,1586

0,0066

 

 

 

Итого

29

30,2332

 

 

 

 

 

Коэффи-

Стандарт-

t-стати

P-Зна-

Нижние

Верхние

 

циенты

ная ошибка

стика

чение

95%

95%

Y-пересечение

-0,7484

0,7651

-0,9782

0,3377

-2,3275

0,8307

Переменная X 1

7,1473

0,7904

9,0427

3,38E-09

5,516

8,7786

Переменная X 2

0,0328

0,0374

0,877

0,3892

-0,0444

0,1101

Переменная X 3

-1,1373

0,0462

-24,6468

1,5E-18

-1,2326

-1,0421

Переменная X 4

0,0002

0,0007

0,2286

0,8211

-0,0013

0,0016

Переменная X 5

-0,1714

0,0097

-17,6183

3,12E-15

-0,1915

-0,1513

Рис.11.10 Расчёты пятифакторной эконометрической модели

Множественный коэффициент корреляции R характеризует тес-

ноту линейной связи рассматриваемого набора факторов x1 , x2 , x3 , x4 , x5 с исследуемым признаком y . Границы изменения коэффициента множест-

венной корреляции от 0 до 1. Чем ближе его значение к 1 (в нашем примере R = 0,9974 ), тем теснее линейная связь результативного признака со всем набором исследуемых факторов.

Множественный коэффициент детерминации R2 = 0,9948, то дисперсия (т.е. разброс) прибыли y на 99,48% объясняется регрессией, т.е. зави-

симостью от показателей x1 , x2 , x3 , x4 , x5 . Величина 1R2 = 0,0052 (т.е. 0,52%) характеризует долю дисперсии y , вызванную влиянием не учтён-

ных в модели факторов.

В разделе «Дисперсионный анализ» (рис. 11.10) на пересечении строки «Остаток» и столбца « MS » находится несмещённая оценка диспер-

сии остатков σˆε2 = 0,0066 . Извлекая квадратный корень, получим среднее

квадратическое отклонение – стандартную ошибку σˆε2 = 0,0813 . В сле-

дующей строке табл. 2.2.6 располагается число наблюдений n = 30 . Раздел «Дисперсионный анализ» называют ANOVA-таблицей

(analysis of variance). Она содержит обозначение df (degree of freedom) –

221

число степеней свободы. В уравнение регрессии входит m = 5 независимых переменных (строка «Регрессия»), в строке «Остаток» содержится n m 1 = 24 , что в сумме (строка «Итого») составляет n 1 = 29 .

Значимость уравнения множественной регрессии в целом определяется с помощью статистического F -критерия Фишера. Вероятность того, что Z будетменьшефактическогозначения F , можнооценитьпоформуле

P(Z < F) = FРАСП( F ; k1 ; k2 ).

Для нашего примера:

P(Z <910,4301) = FРАСП(910,4301;5;24) = 1,56E-26 = 1,56 1026 .

Эту вероятность сравниваем с заданным уровнем значимости α = 0,05 . Так как P(Z < F) α , т.е. вероятность ошибки не превысила 5%, то пятифак-

торноеуравнениерегрессиизначимо снадёжностьюнеменее95%. Последний раздел отчета на рис.11.10 содержит коэффициенты рег-

рессии

a = −0,7484 , b1 = 7,1473 ,

b2 = 0,0328 , b3 = −1,1373, b4 = 0,0002 ,

b5 = −0,1714 .

 

 

σ (a) = 0,7651,

В

столбце

«Стандартная ошибка» расположены

σ (b1 ) = 0,7904 ,

σ (b2 ) = 0,0374 ,

σ (b3 ) = 0,0462 ,

σ (b4 ) = 0,0007 ,

σ (b5 ) = 0,0097 .

 

 

 

Для проверки значимости коэффициентов регрессии применяют статистический t -критерий Стьюдента. Пусть T – случайная величина, имеющая распределение Стьюдента с числом степеней свободы k = n m 1. Вычисляются фактические значения t -критерия Стьюдента:

t(a) =

a

 

bj

j =1,2,...,m .

 

; t(bj ) =

 

,

σ (a)

σ (bj )

Они помещены в столбце «t -статистика»:

t(a) = −0,9782 ; t(b1) = 9,0427 ;

t(b2 ) = 0,877 ; t(b3 ) = −24,6468 ; t(b4 ) = 0,2286 ; t(b5 ) = −17,6183.

Заметим, что свободный член a обычно не проверяется на статистическую значимость. Вероятность того, что T будет меньше фактического

значения t(bj ) ( j =1,5 ), можно оценить по формуле

P(T < t(bj ) ) = СТЬЮДРАСП( t(bj ) ; k ;2).

Для нашего примера (столбец « P -Значение») имеем:

222

P(T <

 

t(b )

 

) = СТЬЮДРАСП(9,0427;24;2) = 3,38E-09 = 3,38 109 ;

 

 

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

P(T <

 

t(b )

 

) = 0,3892;

P(T <

 

t(b )

 

) =1,5 1018 ;

 

 

 

 

 

 

 

 

 

 

2

 

 

 

 

 

 

 

 

3

 

 

 

 

 

 

P(T <

 

t(b )

 

) = 0,8211; P(T <

 

t(b )

 

) = 3,12 1015 .

 

 

 

 

 

 

 

 

4

 

 

 

 

 

 

5

 

 

 

 

Эти вероятности сравниваем

с заданным уровнем значимости

α = 0,05 . Так как P(T < t(b2 ) ) >α и P(T < t(b4 ) ) >α , то оценки коэффициентов регрессии b2 = 0,0328 и b4 = 0,0002 не являются значимыми. Т.к.

P(T < t(b1) ) α , P(T < t(b3 ) ) α и P(T < t(b5 ) ) α , то оценки коэффициентов регрессии b1 = 7,1473 , b3 = −1,1373 и b5 = −0,1714 значимы с надёж-

ностью не менее 95%.

Среди незначимых оценок наибольшая вероятность ошибки P(T < t(b4 ) ) = 0,8211, поэтому переменная x4 должна быть исключена из

модели. Эта процедура повторяется до тех пор, пока все оценки коэффициентов регрессии не будут статистически значимыми.

Такой подход называют алгоритмом пошагового регрессионного анализа. После завершения алгоритма мы получим уравнение регрессии с максимальным числом значимых коэффициентов.

На рис. 11.10 в столбцах «Нижние 95%» и «Верхние 95%» содержит интервальные оценки коэффициентов регрессии. Т.к. среди этих параметров оказались незначимые, то нет смысла давать объяснения их интервальным оценкам. Это будет сделано после построения окончательной модели.

Повторяем те же действия, что и в начале решения примера. В Microsoft Excel в пункте меню «Сервис» выбираем пакет прикладных программ «Анализ данных». Пользуемся инструментом анализа «Регрессия». Вводим входной интервал для y и входной интервал для x1 , x2 , x3 , x5 при

уровне надёжности 95%. Результаты вычислений округляем до четвёртого знака и приводим отчет на рис 11.11. Получена линейная четырёхфакторная эконометрическая модель:

yx = −0,7247 + 7,1347x1 + 0,0297x2 1,1395x3 0,1711x5 .

Данные отчета на рис. 11.11. говорят о следующем. Т.к. множественный коэффициент корреляции R = 0,9974 близок к 1, то наблюдается высокая теснота линейной связи факторов x1 , x2 , x3 , x5 с исследуемым при-

знаком y . Т.к. множественный коэффициент детерминации R2 = 0,9947 , то дисперсия прибыли y на 99,47% объясняется найденной регрессией. Величина 1R2 = 0,0053 (т.е. 0,53%) характеризует долю дисперсии y ,

вызванную влиянием не учтённых в модели факторов.

Фактическое значение критерия Фишера составляет F =1182,866. Оценена вероятность P(Z < F) = 4,33 1028 . Эту вероятность сравниваем с

223

заданным уровнем значимости α = 0,05 .

Т.к.

P(Z < F) α ,

то четырёх-

факторное уравнение регрессии значимо с надёжностью не менее 95%.

Анализируем

столбец « P -Значение».

Найденная

вероятность

P(T <

 

t(b2 )

 

) = 0,3901

оказалась больше

уровня значимости α = 0,05 .

 

 

Оценка коэффициента регрессии b2 = 0,0297 не является значимой, поэто-

му переменная x2

должна быть исключена из модели.

 

 

 

 

 

 

 

 

 

 

 

ВЫВОДИТОГОВ

 

 

 

 

 

 

Регрессионнаястатистика

 

 

 

 

 

Множествен-

 

0,9974

 

 

 

 

 

 

ныйR

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

R-квадрат

 

0,9947

 

 

 

 

 

 

Нормированный

 

0,9939

 

 

 

 

 

 

R-квадрат

 

 

 

 

 

 

 

 

Стандартная

 

0,0797

 

 

 

 

 

 

ошибка

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Наблюдения

 

30

 

 

 

 

 

 

Дисперсионныйанализ

 

 

 

 

 

 

 

df

SS

MS

F

Значи-

 

 

 

 

мостьF

 

 

 

 

 

 

 

 

 

 

Регрессия

 

4

30,0742

7,5186

1182,866

4,33E-28

 

 

Остаток

 

25

0,1589

0,0064

 

 

 

 

Итого

 

29

30,2331

 

 

 

 

 

 

Коэффи-

Стандарт-

t-ста-

P-Зна-

Нижние

Верхние

 

 

циенты

наяошибка

тистика

чение

95%

95%

 

Y-пересечение

 

-0,7247

0,7435

-0,9746

0,3391

-2,256

0,8066

 

ПеременнаяX 1

 

7,1347

0,7734

9,2255

1,59E-09

5,5419

8,7274

 

ПеременнаяX 2

 

0,0297

0,0336

0,8747

0,3901

-0,0397

0,0985

 

ПеременнаяX 3

 

-1,1395

0,0443

-25,7321

1,65E-19

-1,2307

-1,0483

 

ПеременнаяX 5

 

-0,1711

0,0095

-18,1147

6,89E-16

-0,1905

-0,1516

Рис.11.11 Расчёты четырёхфакторной эконометрической модели

Пользуемся теми же инструментами анализа Microsoft Excel. Вводим входной интервал для y и входной интервал для x1 , x3 , x5 при уровне

надёжности 95%. Округляем данные до четвёртого знака и приводим отчет на рис 11.12.

Линейная трёхфакторная эконометрическая модель имеет вид:

yx = −0,818 + 7,2787x1 1,1414x3 0,1703x5 .

Отчет на рис. 11.12 следующую информацию. Множественный коэффициент корреляции R = 0,9973 близок к 1. Следовательно, наблюдается вы-

сокая теснота линейной связи факторов x1 , x3 , x5

с признаком y . Множест-

венный коэффициент детерминации R2 = 0,9946.

Значит, дисперсия y на

224

 

99,46% объясняется найденной регрессией. Величина 1R2 = 0,0054 (т.е. 0,54%) характеризует долю дисперсии y , вызванную влиянием не учтённых в модели факторов.

ВЫВОДИТОГОВ

 

 

 

 

 

Регрессионнаястатистика

 

 

 

 

Множествен-

0,9973

 

 

 

 

 

ныйR

 

 

 

 

 

 

 

 

 

 

 

R-квадрат

0,9946

 

 

 

 

 

Нормированный

0,994

 

 

 

 

 

R-квадрат

 

 

 

 

 

 

Стандартная

0,0794

 

 

 

 

 

ошибка

 

 

 

 

 

 

 

 

 

 

 

Наблюдения

30

 

 

 

 

 

Дисперсионныйанализ

 

 

 

 

 

df

SS

MS

F

Значи-

 

 

мостьF

 

 

 

 

 

 

 

Регрессия

3

30,0694

10,0231

1591,28

1,44E-29

 

Остаток

26

0,1638

0,0063

 

 

 

Итого

29

30,2332

 

 

 

 

 

Коэффи-

Стандарт-

t-статис-

P-Зна-

Нижние

Верхние

 

циенты

наяошибка

тика

чение

95%

95%

Y-пересечение

-0,818

0,7325

-1,1168

0,2741

-2,3237

0,6876

ПеременнаяX 1

7,2787

0,7522

9,6765

4,19E-10

5,7325

8,8249

ПеременнаяX 3

-1,1414

0,044

-25,9215

4,2E-20

-1,2319

-1,0509

ПеременнаяX 5

-0,1703

0,0094

-18,1925

2,61E-16

-0,1896

-0,1511

Рис.11.12 Расчёты трёхфакторной эконометрической модели

Фактическое значение критерия Фишера F =1591,28 . Получена вероятность P(Z < F) =1,44 1029 . Т.к. P(Z < F) 0,05 , то трёхфакторное

уравнение регрессии значимо с надёжностью не менее 95%.

Столбец « P -Значение» содержит вероятности для коэффициентов регрессии b1 = 7,2787 , b3 = −1,1414 , b5 = −0,1703 (свободный член a = −0,818

не анализируется). Все вероятности оказалась меньше уровня значимости α = 0,05 . Следовательно, все оценки коэффициентов регрессии значимы.

Алгоритм пошагового регрессионного анализа завершён. Построенная трёхфакторная модель – это уравнение регрессии с максимальным числом ( m = 3 ) значимых коэффициентов.

В столбцах «Нижние 95%» и «Верхние 95%» содержит интервальные оценки параметров уравнения регрессии. Они вычислены по данным столбцов «Коэффициенты» и «Стандартная ошибка»:

0,818 2,056 0,7325 a ≤ −0,818 + 2,056 0,7325, 2,3237 a 0,6876;

5,7325 b1 8,8249 ; 1,2319 b3 ≤ −1,0509 ; 0,1896 b5 ≤ −0,1511.

225

Численные значения доверительных интервалов объясняют следующим образом. Например, точеная оценка b1 = 7,2787 с надёжностью не ме-

нее 95% может колебаться от 5,7325 до 8,8249.

3. Построим точечный и интервальный прогнозы для прибыли предприятия y при допущении, что средние показатели по x1 , x3 , x5 будут пре-

вышены на 5%.

Так как x1 = 0,743, x3 = 0,572 , x5 =19,0367 , то предполагаемые значе-

ния: x1(0) = x1(1+ 0,05) = 0,734 1,05 = 0,7802 , x3(0) = 0,6006 , x5(0) =19,9854 .

Вектор предполагаемых значений:

 

 

 

1

 

 

 

 

0,7802

 

X

0

=

.

 

 

0,6006

 

 

 

 

 

 

 

19,9854

 

Точечный прогноз для среднего значения прибыли агроцеха:

 

 

 

 

 

0,818

 

 

 

 

 

 

 

 

7,2787

 

 

 

Y 0 = X

T

B = (1 0,7802

0,6006 19,9854)

 

 

= 0,77

(млн грн).

0

 

1,1414

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0,1703

 

 

 

Вычислим дисперсию прогноза:

σpr2 =σε2 X0T (X T X )1 X0 = 0,0055.

Извлекая квадратный корень, найдём среднеквадратическую ошибку прогноза σ pr = 0,0367 .

Доверительный интервал для среднего значения (математического ожидания) прогноза зависимой переменной находим по формуле:

Y 0 tтабл (α; k ) σ pr M [Y0 ]Y 0 + tтабл (α; k ) σ pr , 0,7672 M [Y0 ]0,8453.

Рассчитаем дисперсию и среднее квадратическое отклонение индивидуального прогноза:

σpr2

(i) =σε2 +σpr2 = 0,0068 ,

σ pr (i) = 0,0825 .

226

Доверительный интервал для индивидуального значения прогноза:

Y 0 tтабл (α; k ) σ pr (i) Y0 Y 0 + tтабл (α; k ) σ pr (i) ,

0,6004 Y0 0,9395 .

Задание примера выполнено полностью.

11.6. Анализ влияния факторов на производительность труда малых предприятий

Ранее была рассмотрена линейная модель множественной регрессии:

y = a + b1x1 + b2 x2 +... + bm xm + ε .

При построении такой модели предполагают, что выполняются сле-

дующие гипотезы.

1. Спецификация модели:

yi = a + b1xi1 + b2 xi2 +... + bm xim + εi ,

где i =1,...,n – номер наблюдения.

2. Числовые значения независимых переменных xi1, xi2 ,..., xim являются детерминированными (не случайными) величинами. Векторы

 

x

 

 

 

 

 

 

1 j

 

 

 

xj

x2 j

,

j =1,...,m

 

=

...

 

 

 

 

 

 

 

 

 

x

 

 

 

 

 

 

nj

 

 

 

линейно независимыми в пространстве Rn .

 

3. Случайные величины εi

удовлетворяют условиям. Их математиче-

ские ожидания равны нулю:

M (εi ) = 0 . Дисперсии: D(εi ) = M (εi

2 ) =σ 2 .

Причём значения математических ожиданий и дисперсий ошибок не зависят от номера наблюдений i .

4. При k l ковариации ошибок равны нулю:

cov(εk ,εl ) = M (εk εl ) = 0 ,

то есть для разных наблюдений имеет место статистическая независимость (некоррелированность) ошибок.

227

5. (дополнительная гипотеза). Ошибки εi являются нормально рас-

пределёнными случайными величинами со средним 0 и дисперсией σ 2 :

εi N(0,σ 2 ) .

Заметим, что при выполнении гипотез 1 – 5 эконометрическая мо-

дель называется нормальной линейной регрессионной моделью.

Важнейшую роль в эконометрическом анализе играет следующая теорема, формулировка которой приводится без доказательства.

Теорема Гаусса-Маркова. Предположим, что для линейной модели множественной регрессии выполняются гипотезы 1 – 4. Тогда оценки коэффициентов регрессии a,b1,b2 ,...,bm , найденные с помощью МНК, явля-

ются наиболее эффективными (в смысле наименьшей дисперсии) среди всех линейных несмещённых оценок.

Заметим, что при невыполнении отдельных гипотез теорема ГауссаМаркова становится неприменимой. Следовательно, и МНК не будет давать достоверных результатов.

Нарушение условия линейной независимости векторов xj (гипотеза

2) приводит к нежелательному явлению, называемому мультиколлинеарностью. Условие независимости дисперсии ошибок от номера наблюдения (гипотеза 3) называется гомоскедастичностью. Нарушение данного условия называют гетероскедастичностью. Невыполнение гипотезы 4 называ-

ется автокорреляцией ошибок.

Мультиколлинеарность означает существование тесной линейной зависимости, или сильной корреляции, между двумя или более объясняющими переменными.

Она негативно влияет на количественные характеристики эконометрической модели, или делает ее построение вообще невозможным.

Пример. На производительность труда однотипных малых предприятий влияет ряд факторов, среди которых: удельный вес рабочих на предприятии x1 ; премии и другие вознаграждения на одного работника x2 (ден.

ед.); оборачиваемость нормируемых оборотных средств x3 (дни). Исследовать на мультиколлинеарность переменные x1 , x2 , x3 . При наличии муль-

тиколлинеарности предложить меры по её устранению. Статистические данные по десяти предприятиям приведены в табл. 11.8. Уровень значимо-

сти α = 0,05 .

Решение. Исследуем мультиколлинеарность в массиве независимых переменных при помощи алгоритма Фаррара–Глобера. Расчёты проведём в Microsoft Excel, округляя числа до четвёртого знака после запятой.

1. Нахождение корреляционной матрицы выполним с помощью встроенной функции «Корреляция» (СервизАнализ данных Корреляция), которая позволяет находить коэффициенты корреляции более чем двух факторов:

228

 

 

1

 

 

 

 

 

1

 

0,5591

0,9789

 

 

r =

X

*T

X

*

 

0,5591

1

0,5137

 

 

n

 

 

=

.

 

 

 

 

 

 

 

0,9789

0,5137

1

 

 

 

 

 

 

 

 

 

 

 

 

 

Данные по десяти предприятиям

 

Таблица 11.8

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x1

 

 

x2

x3

 

 

 

1

 

 

 

 

 

0,68

 

0,42

25,68

 

 

 

2

 

 

 

 

 

0,74

 

0,05

18,13

 

 

 

3

 

 

 

 

 

0,66

 

0,29

25,74

 

 

 

4

 

 

 

 

 

0,72

 

0,48

21,21

 

 

 

5

 

 

 

 

 

0,68

 

0,41

22,97

 

 

 

6

 

 

 

 

 

0,77

 

0,62

16,38

 

 

 

7

 

 

 

 

 

0,78

 

0,56

13,21

 

 

 

8

 

 

 

 

 

0,78

 

1,76

14,48

 

 

 

9

 

 

 

 

 

0,81

 

1,31

13,38

 

 

 

10

 

 

 

 

0,79

 

0,45

13,69

 

 

Её определитель:

 

det(r) = 0,0276. При

det(r) = 0

имеется полная

мультиколлинеарность, а если det(r) =1, то мультиколлинеарность отсутствует. В нашем случае 0 <det(r) <1, поэтому продолжим исследование на

наличие мультиколлинеарности.

2. Определение фактического значения критерия «хи»-квадрат Пир-

сона:

χ2 = − n 11 (2m + 5) ln[det(r)]= 25,7279 .

6

Фактическое значение критерия χ2 сравнивается с табличным зна-

чением при 12 (m +1)m = 6 степенях свободы и уровне значимости α = 0,05 :

χ2t =12,5916. Т.к. χ2 > χ2t , то в массиве объясняющих переменных существует мультиколлинеарность.

3. Определение обратной матрицы:

 

 

 

 

 

26,6709

2,0386

25,0604

 

C = r

1

 

2,0386

1,5143

1,2177

 

 

=

.

 

 

 

25,0604

1,2177

24,9056

 

 

 

 

 

229

 

 

 

4. Вычисление F -критериевФишерапоформуле F = (c 1) n m 1 ,

 

 

 

 

 

 

 

 

 

k

kk

 

m

где ckk – диагональные элементы матрицы C :

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

F1 = 51,3419 ; F2 =1,0286 ; F3 = 47,8112 .

 

 

 

 

 

 

 

 

Фактические значения критериев сравниваются с табличным Ft при

m = 3

и n m 1 = 6

степенях свободы и уровне значимости

α = 0,05 :

Ft = 4,7571.

Т.к.

F1 > Ft и F3 > Ft , то независимые переменные x1 и x3

мультиколлинеарны с другими.

 

 

 

 

 

 

 

 

5. Нахождение частных коэффициентов корреляции по

формуле

r =

 

 

ckj

, где

c

– элемент матрицы C , содержащийся в k -ой строке и

 

 

 

 

 

 

kj

ckk cjj

 

kj

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

j -ом столбце; ckk

и cjj – диагональные элементы матрицы C :

 

 

 

 

 

 

 

 

 

 

 

r12 = 0,3208 ; r13 = −0,9724 ; r23 = 0,1983 .

 

 

 

 

 

 

 

 

6. Вычисление t -критериев Стьюдента по формуле tkj

=

rkj

 

n m 1

:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1r2

 

 

 

 

 

 

 

 

 

 

 

 

 

kj

 

 

 

 

 

 

 

 

t12 = 0,8296 ; t13 = −10,1981; t23 = 0,4955.

 

 

 

 

 

 

 

 

Фактические значения критериев сравниваются с табличным tT при

n m 1 = 6 степенях свободы и уровне значимости α = 0,05 :

tT

= 2,4469 .

Т.к.

 

t13

 

> tT ,

то между независимыми переменными x1 и

x3

существует

 

 

мультиколлинеарность.

Для того, чтобы избавиться от мультиколлинеарности, можно исключить одну из переменных мультиколлинеарной пары x1 и x3 . Удалить

следует переменную x1 , т.к. у неё больше значение F -критерия. Следова-

тельно, она больше влияет на общую мультиколлинеарность модели. Однако этот шаг не должен противоречить экономическому смыслу задачи.

Пример приведен полностью.

11.7. Проверкагипотезыогомоскедастичностидисперсии ошибок

Условие независимости дисперсии ошибок от номера наблюдения называется гомоскедастичностью. Нарушение данного условия вызывает нежелательное явление, называемое гетероскедастичностью.

Часто при исследовании совокупности данных на гетероскедастичность предполагается, что дисперсия остатков пропорциональна квадрату значений одной из независимых переменных xj .

230

В этом случае наиболее эффективен параметрический тест Гольд- фельда-Квандта. Опишем его алгоритм.

Пример. В таблице 11.9 приведены данные по зависимой переменной y и независимым переменным x1, x2 , x3 . Требуется проверить наличие

гетероскедастичности с помощью параметрического теста ГольдфельдаКвандта при уровне значимости α = 0,05 .

 

 

Данные задачи

 

Таблица 11.9

 

 

 

 

 

 

 

 

 

 

 

 

 

y

 

x1

 

x2

x3

1

-2,66

 

0,68

 

0,42

25,68

 

2

1,41

 

0,74

 

0,05

18,13

 

3

-2,79

 

0,66

 

0,29

25,74

 

4

0,42

 

0,72

 

0,48

21,21

 

5

-2,24

 

0,68

 

0,41

22,97

 

6

1,41

 

0,77

 

0,62

16,38

 

7

1,89

 

0,78

 

0,56

13,21

 

8

0,36

 

0,78

 

1,76

14,48

 

9

1,18

 

0,81

 

1,31

13,38

 

10

5,18

 

0,79

 

0,45

13,69

 

11

1,44

 

0,77

 

0,5

16,66

 

12

1,55

 

0,78

 

0,77

15,06

 

13

0,09

 

0,72

 

1,2

17,6

 

14

1,9

 

0,79

 

0,21

15,98

 

15

1,43

 

0,77

 

0,25

18,27

 

16

5,39

 

0,8

 

0,15

14,42

 

17

-2,3

 

0,71

 

0,66

22,76

 

18

1,42

 

0,79

 

0,74

15,41

 

19

1

 

0,76

 

0,32

19,35

 

20

0,91

 

0,78

 

0,89

16,83

 

21

-3,76

 

0,62

 

0,23

30,53

 

22

1,12

 

0,75

 

0,32

17,98

 

23

0,03

 

0,71

 

0,54

22,09

 

24

0,55

 

0,74

 

0,75

18,29

 

25

-2,76

 

0,65

 

0,16

26,05

 

26

-2,78

 

0,66

 

0,24

26,2

 

27

1,72

 

0,84

 

0,59

17,26

 

28

0,61

 

0,74

 

0,56

18,83

 

29

0,5

 

0,75

 

0,63

19,7

 

30

0,61

 

0,75

 

1,1

16,87

 

231

Решение. Применим параметрический тест Гольдфельда-Квандта. Предположим, что дисперсия остатков пропорциональна квадрату

значений одной из независимых переменных xj . Графически определим эту переменную. Построим поля парной корреляции (рис. 11.13 – 11.15).

Рис. 11.13 Корреляционное поле переменных x1 и y

Рис. 11.14 Корреляционное поле переменных x2 и y

232

Рис. 11.15 Корреляционное поле переменных x3 и y

Как видно на рис. 11.14 источником гетероскедастичности является, скорее всего, переменная x2 .

1.Упорядочим наблюдения в соответствии с возрастанием значений вектора X2 .

2.Требуется отбросить c наблюдений, содержащихся в середине

массива данных. Т.к. n = 30 , то по формуле nc = 154 получаем, что c =8 .

Данные примут вид (табл. 11.10):

3. Построим две эконометрические модели на основе 1МНК по двум образованным совокупностям наблюдений объёмом n1 =11 и n2 =11. Этот

объём превышает общее количество независимых переменных m = 3 , что и требуется для теста.

В MS Excel в пункте меню «Сервис» выбираем пакет прикладных программ «Анализ данных». Пользуемся инструментом анализа «Регрессия». Вводим входной интервал для y и входной интервал для x1 , x2 , x3

при уровне надёжности 95%. Имеем следующие модели:

1)y = −32,90009 + 46,2564x1 1,734991x2 0,013227x3 ;

2)y =16,57204 6,7803x1 1,855062x2 0,53462x3 .

4.Найдём сумму квадратов остатков S1 и S2 для первой и второй моделей, соответственно: S1 =12,3884; S2 =1,29704 .

5.Вычислим критерий R* = 9,551327 , разделив большую сумму квадратов остатков на меньшую. Для степеней свободы k1 =8 , k2 = 8 и вы-

бранного уровня значимости α = 0,05 определим табличное значение критерия Фишера Ft = 3,4381.

233

Таблица 11.10

Упорядоченные данные задачи

y

x1

x2

x3

2

1,41

0,74

0,05

18,13

16

5,39

0,8

0,15

14,42

25

-5,76

0,65

0,16

26,05

14

1,9

0,79

0,21

15,98

21

-3,76

0,62

0,23

30,53

26

-2,78

0,66

0,24

26,2

15

1,43

0,77

0,25

18,27

3

-2,79

0,66

0,29

25,74

19

1

0,76

0,32

19,35

22

1,12

0,75

0,32

17,98

5

-2,24

0,68

0,41

22,97

1

10

4

11

22

28

7

27

6

1,41

0,77

0,62

16,38

29

0,5

0,75

0,63

19,7

17

-2,3

0,71

0,66

22,76

18

1,42

0,79

0,74

15,41

24

0,55

0,74

0,75

18,29

12

1,55

0,78

0,77

15,06

20

0,91

0,78

0,89

16,83

30

0,61

0,75

1,1

16,87

13

0,09

0,72

1,2

17,6

9

1,18

0,81

1,31

13,38

8

0,36

0,78

1,76

14,48

Так как R* > Ft гетероскедастичность имеет место с надёжностью не менее 95%. Рассмотрение примера окончено.

11.8. Анализ зависимости между переменными с временными трендами на примере показателей розничного товарооборота и доходов населения

Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Коэффици-

234

ент корреляции между εk и εl , где εk – остатки текущих наблюдений, εl

остатки последующих наблюдений (например, l = k +1), может быть определен как

r (εk

, εl )=

cov(εk , εl )

,

 

 

 

σε

k

σε

l

 

 

 

 

то есть по обычной формуле линейного коэффициента корреляции. Если этот коэффициент окажется существенно отличным от нуля, то остатки автокоррелированы.

Один из наиболее распространенных методов определения автокорреляции в остатках – это расчет критерия Дарбина-Уотсона.

Критерий выглядит так:

 

n

 

 

d =

(εt εt1 )2

,

t=2

 

 

n

 

 

εt2

 

t=1

то есть величина d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии.

Существует несколько ограничений на применение критерия Дарби- на-Уотсона.

1.Он неприменим к моделям, включающим в качестве независимых переменных лаговые значения результативного признака.

2.Методика расчета и использования критерия Дарбина-Уотсона направлена только на выявление автокорреляции остатков первого порядка.

3.Критерий Дарбина-Уотсона дает достоверные результаты только для больших выборок.

При наличии автокорреляции в остатках классический МНК не применим. Поэтому используют метод Эйткена (обобщённый МНК).

Пример. В табл. 11.11 приведены данные по независимой переменной – годовому доходу населения x (млрд евро). Зависимая переменная – розничный товарооборот y (млрд евро).

Требуется: 1) построить линейную модель зависимости y от x ; 2)

проверить гипотезу о наличии автокорреляции в остатках при уровне значимости α = 0,05 ; 3) при наличии автокорреляции применить методы по её устранению.

Решение. 1) применив классический МНК (инструмент анализа «Регрессия»), построим линейную модель зависимости y от x :

yx = −3,0309 +1,3111x .

235

Таблица 11.11

 

Данные задачи

 

 

 

 

 

 

Год

 

x

 

y

1

 

2,5

 

1,1

2

 

3

 

1,2

3

 

3,2

 

1,3

4

 

3,5

 

1,3

5

 

3,6

 

1,4

6

 

3,7

 

1,5

7

 

4

 

2

8

 

4,2

 

2,2

9

 

4,5

 

2,4

10

 

4,7

 

2,7

11

 

4,9

 

3

12

 

5

 

3,4

13

 

5,1

 

3,9

14

 

5,5

 

4,5

15

 

5,8

 

5,5

2) рассчитаем вектор остатков ε . Фактическое значение критерия Дарбина-Уотсона составляет: d = 0,4025. Сформулируем гипотезы: H0 – в

остатках нет автокорреляции; H1 – в остатках есть положительная автокорреляция; H1* – в остатках есть отрицательная автокорреляция. Зададим уровень значимости α = 0,05 . По таблице значений критерия ДарбинаУотсона определим для числа наблюдений n =15 и числа независимых параметров модели m =1 (рассматривается только зависимость от x ) критические значения dL =1,08 и dU =1,36 . Т.к. 0 d dL , то имеется положительная автокорреляция остатков. Т.о. гипотеза H0 отклоняется и с надёжностью 1α принимается H1 ;

3) попытаемся применить доступные методы по устранению автокорреляции остатков.

Для применения метода Эйткена сформируем матрицу S , предварительно рассчитав коэффициент автокорреляции остатков 1-го порядка

r1 = 0,7119 . Предполагая, что ρ r1 , получим:

 

1

0,7119 ...

0,0086

 

 

0,7119

1

...

0,0121

 

S =

.

 

 

...

...

...

 

...

 

 

0,0086

0,0121 ...

1

 

236

Оператор оценивания обобщённого МНК имеет вид:

B = (X / S1 X )

1

2,6330

 

 

X / S1Y =

1,2689

.

 

 

 

 

Поэтому модель получается такой:

yx = −2,6330 +1,2689x .

Снова рассчитаем вектор остатков ε . Фактическое значение критерия Дарбина-Уотсона составляет: d = 0,3139 . Т.к. 0 d dL , то имеется

положительная автокорреляция остатков.

Итак, с помощью метода Эйткена избавиться от автокорреляции остатков не удалось. Попробуем изменить спецификацию модели с линейной на параболическую. Такую замену нам может подсказать вид корреляционного поля (рис. 11.16).

Рис. 11.16 Корреляционное поле, линия регрессии

и уравнение зависимости

Рассчитаем вектор остатков ε . Фактическое значение критерия Дарби-

на-Уотсона составляет: d =1,7731. Т.к. dU < d < 4 dU (1,36<1,7731<2,64).

Следовательно, автокорреляция в остатках не наблюдается. Задание примера выполнено.

11.9. Анализвременныхрядоввзадачахэкономическойдинамики

При построении эконометрической модели используются два типа данных: 1) данные, характеризующие совокупность различных объектов в определенный момент времени; 2) данные, характеризующие один объект за ряд последовательных моментов времени.

237

Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных, называются моделями временных рядов.

Временной ряд (ряд динамики) – это совокупность значений какоголибо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда yt формируется под воздейст-

вием большого числа факторов, которые условно можно подразделить на три группы: 1) факторы T , формирующие тенденцию ряда; 2) факторы S , формирующие циклические колебания ряда; 3) случайные факторы E .

В качестве примера рассмотрим (табл. 11.12) квартальные данные о количестве безработных (тыс. чел.) в Украине в 2005–2009 гг.

Таблица 11.12

Пример временного ряда

t

1

2

3

4

5

6

7

8

9

10

yt

1601

1441

1281

1361

1515

1365

1220

1290

1418

1281

t

11

12

13

14

15

16

17

18

19

20

yt

1130

1205

1425

1285

1141

1207

1959

1773

1557

1564

Проиллюстрируем данный табл. 11.12 графически (рис. 11.17).

Рис. 11.17 Корреляционное поле временного ряда

Рассмотрим воздействие каждого из факторов T , S и E на временной ряд в отдельности.

Большинство временных рядов экономических показателей имеют тенденцию T , характеризующую долговременное совокупное воздействие множества причин на динамику изучаемого показателя yt . В совокупности

формируется возрастающая или убывающую тенденция. На рис. 11.17 ряд

238

динамики в течение времени t =1,...,16 (2005-2008 гг.) имел убывающую тенденцию T . Начавшийся мировой экономический кризис привёл к росту безработицы в Украине. Поэтому при t =17,...,20 (2009 г.) наблюдалась, в основном, возрастающая тенденция.

Изучаемый показатель yt может быть подвержен циклическим коле-

баниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей зависит от времени года. Например, мороженое и пиво больше приобретают летом, а зимой – меньше. Судя по рис. 11.17 временной ряд, временной ряд содержит сезонную компоненту S . Характер роста и снижения уровня безработицы повторяется, в среднем, каждые четыре квартала.

Так как скачки вверх и вниз на рис. 11.17 носят не всегда одинаковый характер, то данный временной ряд содержит случайную компоненту E .

Вбольшинстве случаев фактический уровеньвременногоряда yt можно

представить как сумму или произведение трендовой T , циклической S и случайной компонент E . Если модель представлена суммой, то её называют аддитивной моделью временного ряда, произведением – мультипликативной моделью. Напрактикечащеиспользуютаддитивнуюмодель

yt =T + S + E ,

которая будет рассмотрена нами в дальнейшем.

При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда yt зависят от предыду-

щих yt1 , yt2 и т.д. Корреляционную зависимость между последователь-

ными уровнями временного ряда называют автокорреляцией уровней ряда. Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени. Величину сдвига называют лагом и обозначают буквой τ . В более широком смысле, лаг –

это время запаздывания влияния факторов.

С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции rτ , уменьшается. Для статистической досто-

верности коэффициентов автокорреляции считается целесообразным использовать правило – максимальный лаг не должен превышать 3n / 4 временных периодов. Например, для данных табл. 11.12 имеем n = 20 , поэто-

му 1 τ 15 .

Коэффициенты автокорреляции rτ удобно подсчитывать в MS Excel.

Для этого данные представляют в ступенчатом виде (табл. 11.13). Коэффициент автокорреляции уровней ряда первого порядка r1 из-

меряет степень тесноты линейной связи между уровнями ряда yt и yt1 . Коэффициент r2 характеризует зависимость между yt и yt2 , и т.д.

239

Таблица 11.13

Расчёты коэффициентов автокорреляции rτ

 

A

 

B

C

D

E

F

P

Q

1

t

 

yt

yt1

yt2

yt3

yt4

yt14

yt15

2

1

 

1601

 

 

 

 

 

 

3

2

 

1441

1601

 

 

 

 

 

4

3

 

1281

1441

1601

 

 

 

 

5

4

 

1361

1281

1441

1601

 

 

 

6

5

 

1515

1361

1281

1441

1601

 

 

7

6

 

1365

1515

1361

1281

1441

 

 

 

15

14

 

1285

1425

1205

1130

1281

 

 

16

15

 

1141

1285

1425

1205

1130

1601

 

17

16

 

1207

1141

1285

1425

1205

1441

1601

18

17

 

1959

1207

1141

1285

1425

1281

1441

19

18

 

1773

1959

1207

1141

1285

1361

1281

20

19

 

1557

1773

1959

1207

1141

1515

1361

21

20

 

1564

1557

1773

1959

1207

1365

1515

22

Лаг

τ

1

2

3

4

14

15

23

 

rτ

0,4368

-0,082

0,0173

0,3011

-0,818

-0,635

Рассчитывают их следующим образом:

r1 = КОРРЕЛ(B3:B21;C3:C21) = 0,4368; r2 = КОРРЕЛ(B4:B21;D4:D21) = -0,082; r3 = КОРРЕЛ(B5:B21;E5:E21) = 0,0173;

и т.д.

r15 = КОРРЕЛ(B17:B21;Q17:Q21) = -0,635.

 

Величину лага τ

и соответствующие значения коэффициентов авто-

корреляции rτ

оформим отдельной табл. 11.14.

 

 

 

 

 

 

Коэффициенты автокорреляции

Таблица 11.14

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

τ

1

 

2

 

3

4

5

6

7

8

rτ

0,4368

 

-0,082

 

0,0173

0,3011

-0,147

-0,6903

-0,417

0,0332

τ

9

 

10

 

11

12

13

14

15

 

rτ

-0,256

 

-0,781

 

-0,4867

0,2165

-0,096

-0,818

-0,635

 

240

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой. Построим её по табл. 11.14.

Рис. 11.18 Коррелограмма временного ряда

Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а, следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная. Естественно, что коэффициент автокорреляции должен быть значимым по статистическому критерию Стьюдента. Кроме того, вид коррелограммы позволяет определить периодичность сезонных колебаний.

На рисунке 11.18 видно, что через каждые четыре квартала значение коэффициента автокорреляции в среднем повторяется. Наиболее характерны значения r6 = −0,6903, r10 = −0,781, r14 = −0,818. Следовательно, корре-

лограмма и графика исходных уровней временного ряда (рис. 11.18) позволяют сделать вывод о наличии в изучаемом временном ряде сезонных колебаний периодичностью в четыре квартала.

Распространенным способом моделирования тенденции T временного ряда является построение с помощью МНК аналитической функции T = f (t) , характеризующей зависимость уровней ряда от времени. Этот

способ называют аналитическим выравниванием временного ряда. Поскольку зависимость от времени может принимать разные формы, для

её формализации можно использовать различные виды функций: 1) линейный

241

тренд T = a + b t ;

2)

полиномиальные тренды

разных порядков

T = a +b t + b t2 +... + b

tm ; 3) гипербола T = a + b

t

; 4) экспоненциальный

1

2

m

 

 

 

 

 

T = ea+b t илипоказательный T = a bt тренды; 5) степеннаяфункция T = a tb . Выбор типа тренда осуществляют по внешнему виду точечной диаграммы (t;Tt ) , t =1,...,n. Ранее описывалось, как такие задачи удобно ре-

шать в MS Excel. Для этого в пункте меню «Диаграмма» выбирают опцию «Добавить линию тренда…».

Пример. Ранее в таблице 11.12 были приведены квартальные данные о количестве безработных (тыс. чел.) в Украине в 2005-2009 гг.

Требуется по этим данным:

А) построить аддитивную модель временного ряда yt =T + S + E ;

Б) с помощью найденной модели осуществить прогноз безработицы в Украине на 2010 г. поквартально.

Решение. А) Аддитивная модель строится в несколько этапов:

1) проведём выравнивание исходных уровней ряда методом скользящей средней. Т.к. период сезонных колебаний – 4, то скользящая средняя рассчитывается по данным за 4 квартала со сдвигом на один временной период (третий столбец табл. 11.15). Полученные таким способом выровненные значения уже не содержат сезонной компоненты. Имеем:

1421 = (1601+1441+1281+1361)/4; 1399,5 = (1441+1281+1361+1515)/4

и т.д.;

Приведём эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних – центрированные скользящие средние (столбец 4

табл. 11.15):

1410,25 = (1421+1399,5)/2; 1390 = (1399,5+1380,5)/2 и т.д.

2) Найдём оценки сезонной компоненты как разность между фактическими уровнями ряда yt (столбец 2) и центрированными скользящими

средними (столбец 5). Используем эти оценки для расчёта значений сезонной компоненты S . Для этого найдем средние квартальные Si (i = I,II,III,IV ). Например, для вычисления SI из последнего столбца возь-

мём числа, соответствующие первому кварталу каждого года. А именно, t = 5 , t = 9 , t =13 и t =17 :

SI = (142,125+127+162,375+387)/4 = 204,625.

Найденные числа поместим в строку 2 таблицы 11.16.

242

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимно погашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталамдолжнабытьравнанулю. Поэтомувведёмкорректирующеечисло:

k = (SI + SII + SIII + SIV )/ 4 = 2,5234375.

 

Расчёты для примера

 

Таблица 11.15

 

 

 

 

 

 

 

 

 

Центриро-

 

 

 

№ квар-

Количество безра-

Скользящая

Оценка се-

тала,

ботных (тыс. чел.),

средняя за

 

ванная

 

зонной

 

t

yt

четыре

 

скользящая

 

компонен-

 

квартала

 

средняя

 

ты

 

 

 

 

 

 

1

1601

 

 

 

2

1441

1421

 

 

 

3

1281

1399,5

 

1410,25

 

-129,25

 

4

1361

1380,5

 

1390

 

-29

 

5

1515

1365,25

 

1372,875

 

142,125

 

6

1365

1347,5

 

1356,375

 

8,625

 

7

1220

1323,25

 

1335,375

 

-115,375

 

8

1290

1302,25

 

1312,75

 

-22,75

 

9

1418

1279,75

 

1291

 

127

 

10

1281

1258,5

 

1269,125

 

11,875

 

11

1130

1260,25

 

1259,375

 

-129,375

 

12

1205

1261,25

 

1260,75

 

-55,75

 

13

1425

1264

 

1262,625

 

162,375

 

14

1285

1264,5

 

1264,25

 

20,75

 

15

1141

1398

 

1331,25

 

-190,25

 

16

1207

1520

 

1459

 

-252

 

17

1959

1624

 

1572

 

387

 

18

1773

1713,25

 

1668,625

 

104,375

 

19

1557

 

 

 

20

1564

 

 

 

Рассчитываем скорректированные значения сезонной компоненты Si = Si k (i = I,II,III,IV ) и занесём в последнюю строку табл. 11.16. Если

IV

расчёты правильны, то должно выполниться свойство: Si = 0 .

i=I

243

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]