До последнего времени географические факторы, оказывающие существенно важное влияние на распространение заболеваний, исследовались сравнительно мало. Справедливость предположения об однородном перемешивании населения в небольшом городе или деревне уже давно ставилась под сомнение, хотя вполне допустимо в качестве первого приближения принять, что перемещения источников инфекции носят случайный характер и во многом напоминают движение частиц в коллоидном растворе. Тем не менее необходимо, конечно, иметь некоторое представление о том, к какому эффекту может привести наличие большого числа восприимчивых индивидуумов в пунктах, удаленных на довольно большие расстояния от любого данного источника инфекции.
В детерминистской модели, принадлежащей Д. Кендаллу, предполагается существование бесконечного двумерного континуума популяции, в которой на единицу площади приходится о индивидуумов. Рассмотрим область , окружающую точку Р, и допустим, что числа восприимчивых, зараженных и удаленных из коллектива индивидуумов равны соответственно . Величины х, у и z могут быть функциями времени и положения, однако их сумма должна равняться единице. Основные уравнения движения, аналогичные системе (9.18), имеют вид
где - пространственно взвешенное среднее значение
Пусть и - постоянные, - элемент площади, окружающий точку Q, и - неотрицательный весовой коэффициент.
Допустим, что начальная концентрация заболеваний равномерно распределена в некоторой небольшой области, окружающей первоначальный очаг. Заметим также, что в произведение Роху в явном виде введен множитель о, с тем чтобы скорость распространения инфекции оставалась независимой от плотности популяции. Если бы у оставалось постоянным на плоскости, то интеграл (9.53) наверняка сходился бы. В этом случае удобно было бы потребовать, чтобы
Описанная модель позволяет довольно далеко продвинуть математические исследования. Можно показать (с одной-двумя оговорками), что пандемия охватит всю плоскость в том и только в том случае, если плотность популяции превышает пороговое значение . Если пандемия возникла, то ее интенсивность определяется единственным положительным корнем уравнения
Смысл этого выражения состоит в том, что доля индивидуумов, заболевающих в конце концов в любой области, как бы далеко она ни отстояла от первоначального эпидемического очага, будет не меньше?. Очевидно, что эта теорема Кендалла о пороге пандемии аналогична пороговой теореме Кермака и Мак-Кендрика, в которой пространственный фактор не учитывался.
Можно также построить модель для следующего частного случая. Пусть х и у - пространственные плотности восприимчивых и зараженных индивидуумов соответственно. Если считать инфекцию локальной и изотропной, то нетрудно показать, что уравнения, соответствующие первым двум уравнениям системы (9.18), можно записать в виде
где не пространственные координаты] и
Для начального периода, когда можно приближенно считать постоянной величиной, второе уравнение системы (9.56) примет вид
Это стандартное уравнение диффузии, решение которого имеет вид
где постоянная С зависит от начальных условий.
Общее число зараженных индивидуумов, находящихся вне круга радиусом R, равно
Следовательно,
и если , то . Радиус соответствующий какому-либо выбранному значению растет со скоростью . Эту величину можно рассматривать как скорость распространения эпидемии, и ее предельное значение для больших t равно . В одном из случаев эпидемии кори в Глазго в течение почти полугода скорость распространения составляла около 135 м в неделю.
Уравнения (9.56) легко видоизменить так, чтобы была учтена миграция восприимчивых и зараженных индивидуумов, а также появление новых восприимчивых индивидуумов. Как и в случае повторяющихся эпидемий, рассмотренных в разд. 9.4, здесь возможно равновесное решение, однако небольшие колебания затухают столь же быстро или даже быстрее, чем в непространственной модели. Таким образом, ясно, что в данном случае детерминистский подход имеет определенные ограничения. В принципе следовало бы, конечно, предпочесть стохастические модели, но обычно анализ их сопряжен с огромными трудностями, во всяком случае если он проводится чисто математическим путем.
Было выполнено несколько работ по моделированию этих процессов. Так, Бартлетт использовал ЭВМ для изучения нескольких последовательных искусственных эпидемий. Пространственный фактор был учтен введением сетки ячеек . Внутри каждой ячейки использовались типичные непространственные модели для непрерывного или дискретного времени и допускалась случайная миграция зараженных индивидуумов между ячейками, имеющими общую границу. Была получена информация о критическом объеме популяции, ниже которого происходит затухание эпидемического процесса. Основные параметры модели были получены на основе фактических эпидемиологических и демографических данных.
Недавно автор этой книги предпринял ряд аналогичных исследований, в которых была сделана попытка построить пространственное обобщение стохастических моделей для простого и общего случаев, рассмотренных в разд. 9.2 и 9.3. Допустим, что имеется квадратная решетка, каждый узел которой занят одним восприимчивым индивидуумом. В центре квадрата помещается источник инфекции и рассматривается такой процесс цепочечно-биномиального типа для дискретного времени, в котором опасности заражения подвергаются только индивидуумы, непосредственно примыкающие к какому-либо источнику инфекции. Это могут быть либо только четыре ближайших соседа (схема 1), либо также индивидуумы, расположенные по диагонали (схема 2); во втором случае всего будет восемь индивидуумов, лежащих на сторонах квадрата, центр которого занимает источник инфекции.
Очевидно, что выбор схемы произволен, однако в нашей работе использовалось последнее расположение.
Сначала была рассмотрена простая эпидемия без случаев выздоровления. Для удобства использовалась решетка ограниченного размера, и информация о состоянии каждого индивидуума (т. е. восприимчив ли он к инфекции или является ее источником) хранилась в вычислительной машине. В процессе моделирования проводилась текущая запись изменений состояния всех индивидуумов и подсчитывалось общее число новых случаев заболевания во всех квадратах с первоначальным источником инфекции в центре. В памяти машины фиксировались также текущие значения суммы и суммы квадратов числа случаев. Это позволило довольно легко вычислить средние значения и средние квадратические ошибки. Детали этого исследования будут опубликованы в отдельной статье, а здесь мы отметим лишь одну-две частные особенности этой работы. Например, ясно, что при очень высокой вероятности достаточного контакта будет иметь место почти детерминированное распространение эпидемии, при котором на каждом новом этапе развития эпидемии будет добавляться новый квадрат с источниками инфекции.
При меньших вероятностях будет иметь место действительно стохастическое распространение эпидемии. Так как каждый источник инфекции может заразить только восемь своих ближайших соседей, а не всю популяцию, то можно ожидать, что эпидемическая кривая для всей решетки будет возрастать не столь резко, как при однородном перемешивании всей популяции. Этот прогноз действительно оправдывается, и число новых случаев увеличивается с течением времени более или менее линейно до тех пор, пока не начнут сказываться краевые эффекты (поскольку решетка имеет ограниченную протяженность).
Таблица 9. Пространственная стохастическая модель простой эпидемии, построенная на решетке 21x21
В табл. 9 приведены результаты, полученные для решетки при наличии одного исходного источника инфекции и вероятности достаточного контакта, равной 0,6. Можно видеть, что между первым и десятым этапами эпидемии среднее число новых случаев каждый раз увеличивается примерно на 7,5. После этого начинает преобладать краевой эффект, и эпидемическая кривая резко падает вниз.
Можно также определить среднее число новых случаев для любой данной точки решетки и найти таким образом эпидемическую кривую для этой точки. Удобно проводить усреднение по всем точкам, лежащим на границе квадрата, в центре которого находится источник инфекции, хотя симметрия в этом случае не будет полной. Сравнение результатов для квадратов различного размера дает картину эпидемической волны, движущейся от первоначального источника инфекции.
Здесь мы имеем последовательность распределений, моды которых увеличиваются в линейной прогрессии, а дисперсия непрерывно возрастает.
Было также выполнено более детальное исследование эпидемии общего типа с удалением зараженных индивидуумов. Безусловно, все это очень упрощенные модели. Однако важно понять, что они могут быть значительно усовершенствованы. Чтобы учесть мобильность популяции, надо допустить, что восприимчивые индивидуумы заражаются и от тех источников инфекции, которые не являются их ближайшими соседями. Возможно, здесь придется использовать какой-то весовой коэффициент, зависящий от расстояния. Видоизменения, которые нужно будет ввести при этом в программу вычислительной машины, сравнительно невелики. На следующем этапе, возможно, удастся описать таким способом реальные или типичные популяции с самой разнообразной структурой. Это откроет возможность оценивать эпидемиологическое состояние реальных популяций с точки зрения опасности возникновения эпидемий различного типа.
Говоря о геометрических телах на первом уроке геометрии, необходимо указать такие их виды, которые будут изучаться в курсе математики - это куб, параллелепипед, призма, пирамида, усеченная пирамида, шар, цилиндр, конус, усеченный конус. Можно сообщить здесь и названия, не давая определений; предварительно полезно убедиться, какие термины уже известны школьникам, а какие - не известны. Также в беседе с учащимися устанавливаются особенности этих форм, их отличительные признаки .
Желательно, чтобы ученики на моделях этих тел показали поверхности кривые и плоские, линии прямые, кривые и ломаные, точки. Здесь же попутно напомнить термины «грань», «ребро», «вершина».
Можно выполнить серии упражнений на подсчет числа граней, вершин, ребер у куба, пирамиды и других тел, поместить данные в таблицу. Интересно сопоставить число граней, вершин, ребер куба и прямоугольного, прямого наклонного параллелепипедов (термины не сообщаются). Поможет сделать правильный вывод модель куба, у которой вертикальные ребра сделаны из резинок. В руках учителя модель трансформируется из куба в прямоугольный, затем в наклонный параллелепипед .
Рассмотрим некоторые примеры использования пространственных объектных моделей на уроках планиметрии в 7-9-ых классах средней школы (табл. 2).
Таблица 2. Примеры использования пространственных моделей на уроках планиметрии
|
Тема урока |
Методика применения |
|
|
Понятие плоской и пространственной фигуры |
Куб, цилиндр, шар и другие |
Намечаем мелом на моделях геометрических тел различные плоские и пространственные фигуры. Полезно модели этих фигур изготовить из проволоки: окружность и спираль (кривые на цилиндре), квадрат и пространственная ломаная линия из ребер куба и т. п. |
|
Понятие равных и неравных отрезков |
Куб, параллелепипед, призма, пирамида |
Исследуем, какие отрезки равны, какие не равны на различных моделях пространственных тел |
|
Понятия окружность и круг |
Шар, цилиндр, конус, яблоко, стакан с водой |
Сопоставляем плоские кривые замкнутые линии и пространственные. Можно задать такой вопрос: «В чем сходство и различие между плоскими и пространственными замкнутыми кривыми на шаре?». Доступен пониманию учащихся показ кругов и окружностей на сечениях шара, цилиндра и конуса. Сечение можно показать наглядно, разрезав яблоко ножом; сечения различной формы получим, налив в стакан цилиндрической формы воду и постепенно наклоняя его. Показав сечение цилиндра в форме эллипса, учитель обращает внимание учащихся, что эту фигуру, которую мы чертим, изображая на плоскости чертежа основание цилиндра или конуса. Дело в том, что если круг наблюдать под разными углами зрения (показывает), то он меняет свою форму от «круглой» до «приплюснутой». Это можно использовать на уроке изучения формы эллипса. |
|
Ломанные и многоугольники |
Каркасные или стеклянные модели конуса и цилиндра |
При изучении необходимо обратить внимание учащихся на то, что, пересекая плоскостью конус и цилиндр, можем получить в сечении не только кривые линии, но и ломаные. Демонстрируем соответствующие модели с выделенными на них сечениями. |
|
Понятие многоугольника |
Пирамиды различных видов |
Рассматривая пирамиды, ученики делают вывод, что основание этих тел может являться треугольником, четырехугольником, пятиугольником и т. д. (отсюда соответственно и названия: треугольная, четырехугольная, пятиугольная пирамиды). Зато боковые грани пирамид всегда имеют форму треугольников, подобное иллюстрируется на многогранниках. |
|
Понятие угла |
Разные виды пирамид и призм |
Рассматриваем различные углы на моделях, подсчитываем, сколько углов сходится в вершинах этих тел, находим на моделях тупые, прямые и острые углы. |
|
Понятие треугольника |
Правильные и неправильные пирамиды, треугольная призма. Во избежание недоразумений правильные и неправильные пирамиды должны отличаться цветом |
Виды треугольников хорошо иллюстрируются на пирамидах и треугольных призмах. Приложение понятий равнобедренный треугольник, равные стороны, равные углы к изучению особенностей правильных и неправильных пирамид позволяет моделировать своеобразный естественнонаучный метод исследования. Напомним, что ученикам неизвестны определения правильных и неправильных пирамид. Эти названия учитель сообщил им методом показа: «Вот эта группа тел, правильные пирамиды, а вот эта неправильные». Уже в процессе измерения размеров пирамиды и определения формы их граней учащиеся находят общие признаки пирамид: в основании лежит многоугольник, боковые грани - треугольники, сходящиеся в одной общей вершине. Затем находятся признаки, которые отличают правильную пирамиду от неправильной. Конечно, сводить результаты наблюдений в одну таблицу нет необходимости. Коллективное подведение итогов может быть организовано так. По вызову учителя ученики сообщают классу о результатах своих измерений (сначала в отношении правильных пирамид, затем неправильных). После нескольких ответов учитель спрашивает, каковы общие черты одноименных пирамид. Опрос продолжается. После двух, трех ответов школьники делают вывод: правильные пирамиды обладают следующими общими свойствами: у них боковые грани одинаковые равнобедренные треугольники, а в основании лежит многоугольник с равными сторонами и равными углами. В «спорных» случаях измерение повторяется вновь. Рассматриваем точно так же результаты измерений неправильных пирамид. Выясняется, что равнобедренная форма граней, равенство сторон основания и равенство углов основания также могут наблюдаться у неправильных пирамид. (Правда, не одновременно), но эти признаки не являются обязательными для каждой такой пирамиды . |
|
Понятие треугольника |
Каркасные модели куба, параллелепипеда |
Можно рассматривать сечения треугольной формы куба, параллелепипеда. При этом, кроме иллюстраций планиметрических понятий и опознания планиметрических объектов на стереометрических моделях, они могут быть использованы как своеобразные объемные чертежи к планиметрическим задачам. В самом деле, любой чертеж, помещенный в задачнике, можно показать в виде соответствующей грани или разреза стереометрической модели. |
|
Понятие параллелограмма |
Куб, прямоугольный параллелепипед, прямой и наклонный параллелепипеды |
При изучении учитель демонстрирует параллелепипед и задает вопросы: «Являются ли параллелограммами грани модели параллелепипеда?», «Как показать, что противоположные ребра параллелепипеда, лежащие на одной грани, параллельны?» т. д. При изучении темы «Частные виды параллелограмма» (прямоугольник, ромб, квадрат) учитель на этих уроках демонстрирует объемные наглядные пособия, на которых ученики наблюдают эти фигуры на телах и их сечениях. Путем измерений выясняется, чем куб отличается от прямоугольного параллелепипеда, а этот последний - от прямого и наклонного параллелепипедов. |
|
Понятие трапеции |
Усеченная пирамида |
При помощи усеченной пирамиды, а также рассматривая трапециевидные сечения стереометрических тел. Задание доказать, что какое-то сечение или грань усеченной пирамиды имеют форму трапеции, приводит учеников к необходимости найти признак трапеции. Весьма удобны на стереометрических моделях практические работы, связанные с непосредственным измерением элементов плоской фигуры, например вычисление площади у трапеции. |
Очевидно, описанный здесь наглядно-интуитивный выход в пространство при изучении курса планиметрии может сопровождаться также обобщением некоторых вводимых понятий. На это уйдет не очень много времени.
Итак, используя стереометрические модели и их разрезы для изучения элементов планиметрии, мы достигаем сразу нескольких целей, главными из которых являются :
- 1) обеспечение всестороннего, более глубокого понимания планиметрических зависимостей;
- 2) развитие пространственны представлений учащихся при изучении планиметрии;
- 3) применение знаний по планиметрии при решении пространственных задач, т.е. сближение обучения с возможными приложениями в жизни;
- 4) приложение измерительных и конструктивных навыков к естественнонаучным методам изучения особенностей пространственных фигур;
- 5) подготовка к изучению систематического курса стереометрии.
Можно привести еще целый ряд примеров весьма эффективного использования геометрических моделей постоянной формы. Однако такие модели в настоящее время не могут полностью удовлетворять современным требованиям методики преподавания геометрии, когда идея движения и связанные с нею геометрические преобразования прочно вошли в курс элементарной геометрии. Возникает необходимость при изучении геометрии вводить подвижные наглядные пособия, окружающие идею движения в геометрии.
В предыдущей главе мы рассматривали модели, которые являются статическим отражением систем в определенные моменты времени. В этом смысле рассмотренные варианты модели «черного ящика», модели состава и структурной модели называют статическими моделями, что подчеркивает их неподвижность.
Следующий шаг в исследовании системы состоит в том, чтобы понять и описать, как система «работает», выполняя свое предназначение. Такие модели должны описывать поведение системы, фиксировать изменения, происходящие с течением времени, улавливать причинно-следственные связи, адекватно отражать последовательность протекаемых в системе процессов и этапность ее развития. Такого рода модели называют динамическими. При исследовании конкретной системы необходимо определить направление возможных изменений ситуации. Если такой перечень будет исчерпывающим, то он характеризует число степеней свободы, а значит, достаточен для описания состояния системы. Как оказалось, динамические модели делятся на такие же типы, как статические («черного ящика», состава и «белого ящика»), только элементы этих моделей имеют временной характер.
2.4.1. Динамическая модель «черного ящика»
При математическом моделировании динамической системы ее конкретная реализация описывается в виде соответствия между возможными значениями некоторой интегральной характеристики системы с и моментами времени t. Если обозначить через С - множество возможных значений с, а через Т - упорядоченное множество моментов времени t, то построение модели динамической системы равносильно построению отображения
Г->С:с(t)ϵСͭͭ,
где Сͭ - значение интегральной характеристики в точке t ϵ .
В динамической модели «черного ящика» предполагается разбиение входного потока х на две составляющие: и - управляемые входы, y - неуправляемые входы (рис 2.9).
Таким образом, она выражается совокупностью двух процессов:
Хͭ = {u(t), y(t)}; u(t)eU; y(f)eK;
Рис. 2.9. Динамическая модель «черного ящика»
предполагается, что это преобразование неизвестно.
Из данного типа моделей в наибольшей мере изучены так называемые безынерционные системы. Они не учитывают фактора времени и работают по схеме «если-то». Например: если воду нагреть до
100° С, то она закипит. Или: если вы правильно авторизовали свою кредитную карту, то банкомат вам сразу выдаст затребованную сумму денег. То есть следствие вступает в силу сразу за причиной.
Определение 1. Динамическая система называется безынерционной, если она мгновенно преобразует вход в выход, т.е. если y(t)
является функцией только х(t) в тот же момент времени.
Поиск неизвестной функции у(/) = Ф(х(t)) осуществляется посредством наблюдения входов и выходов исследуемой системы. По существу, эта задача о переходе от модели «черного ящика» к модели «белого ящика» по наблюдениям входов и выходов при наличии информации о безынерционности системы.
Однако класс безынерционных систем весьма узок. В экономике такие системы очень большая редкость. Разве только отдельные биржевые операции с некоторой натяжкой можно причислить к классу безинерционных.
При моделировании экономических систем необходимо помнить, что в них всегда присутствует задержка и, более того, следствие (результат) может проявиться совсем не в том месте, где его ожидали. Таким образом, имея дело с экономическими системами, нужно быть готовым к тому, что последствия могут отстоять от вызвавшей их причины во времени и пространстве.
Например, если в фирме отдел сбыта пустит на самотек предпродажное обслуживание и сконцентрирует все свои силы на продажах, пострадает отдел гарантийного обслуживания. Но это проявится не сразу, а спустя определенное время. На лицо проявление следствия «не там и не в то время». Или: для изменения покупательских пристрастий может потребоваться несколько недель рекламной кампании, и не обязательно ощутимые перемены начнутся сразу же после ее окончания.
Обратная связь действует по цепочке причинно-следственных связей, образующих замкнутый контур, и требуется время, чтобы его обойти. Чем большей динамической сложностью обладает система, тем больше нужно времени на то, чтобы сигнал обратной связи пробежал по ее структуре (сети взаимосвязей). Достаточно одной задержки, чтобы обеспечить сильное запаздывание сигнала.
Определение 2. Время, необходимое для того, чтобы сигнал обратной связи прошел по всем звеньям системы и вернулся в исходную точку, называется памятью системы.
Не только живые системы имеют память. В экономике, например, это ярко демонстрирует процесс вывода на рынок нового товара. Как только на рынке появляется новый товар, пользующийся спросом, сразу находится много желающих его производить. Многие фирмы запускают производство этого товара, и пока существует спрос, наращивают его объемы. Рынок постепенно насыщается, но производители пока этого не ощущают. Когда объем производства превысит некоторое критическое значение, спрос станет падать. Производство товара по определенной инерции еще некоторое время будет продолжаться. Начнется затоваривание складов готовой продукцией. Предложение сильно превысит спрос. Цена на товар упадет. Многие фирмы прекратят производство этого товара. И такая ситуация будет сохраняться до тех пор, пока предложение не упадет до таких значений, что не сможет покрыть существующий спрос. Рынок сразу уловит складывающийся дефицит и отреагирует повышением цены. После этого начнется оживление производства и новый цикл взлета-падения рынка. Так будет продолжаться до тех пор, пока на рынке не останутся несколько производителей, которые либо договорятся между собой, либо интуитивно нащупают квоты производства товара, суммарный объем которых будет соответствовать требуемому соотношению спроса и предложения (рис. 2.10).
Точно так же выглядят графики инфляции и дефляции денежного рынка, расцвета и крахов фондового рынка, пополнения и расходования семейного бюджета. Все дело в том, что причину и следствие разделяет задержка во времени. Все это время система «помнит» как она должна отреагировать на причину. На первых порах кажется, что и следствия-то никакого нет. Но со временем эффект проявляется. Введенные в заблуждение (в нашем примере предприниматели) слишком поздно и слишком сильно реагируют на пики спроса и предложения. А во всем виновата уравновешивающая обратная связь, работающая с задержкой во времени.
Рис. 2.11. Колебание рынка товара
В такой ситуации есть два решения. Во-первых, можно сделать более надежным измерение, осуществляя постоянный или периодический мониторинг рынка. Во-вторых, следует учитывать разницу во времени и стремиться оказаться там где нужно к тому времени, когда сигнал обратной связи успеет пройти через все звенья системы. Когда понимаешь, как осуществляется процесс, появляется возможность изменить ситуацию в желательном направлении.
В очень сложных системах следствие может проявиться спустя очень длительное время. К тому времени, когда оно даст о себе знать, критический порог может миновать и будет уже поздно что- либо исправлять. Особенно наглядно такая опасность просматривается во влиянии промышленных отходов на окружающую среду. То, что мы делаем сейчас, скажется на нашей будущей жизни, когда появятся последствия наших дел. Нашими сегодняшними поступками мы формируем облик будущего.
В облике динамической модели «черного ящика», по существу, ничего не изменится, кроме того, что момент появления выхода у потребуется скорректировать на время задержки ∆, т.е. выход системы примет вид y(t + ∆) (см. рис. 2.10). Однако основная трудность моделирования в том и заключается, чтобы определить величину Д и место, в котором появится у. Наилучшим образом это удается в рамках построения так называемых лаговых моделей, которые изучает математическая статистика.
2.4.2. Динамическая модель состава
В теории систем различают два вида динамики: функционирование и развитие. Под функционированием подразумевают процессы, которые происходят в системе, стабильно реализующей фиксированную цель (функционирует предприятие, функционируют часы, функционирует городской транспорт и т.п.). Под развитием понимают изменение состояния системы, обусловленное внешними и внутренними причинами. Развитие, как правило, связывают с движением систем в фазовом пространстве.
Исследованием функционирования экономических систем заняты специалисты в области экономического анализа. Исходную базу для этого исследования составляют данные бухгалтерского учета, статистической отчетности и статистических наблюдений. В большинстве случаев задача экономического анализа решается аналитическими методами бухгалтерского учета или сводится к построению и реализации корреляционно-регрессионных моделей. Богатейший инструментарий экономического анализа изучается в рамках ряда дисциплин цикла «Бухгалтерский учет и статистика».
Развитие в большинстве случаев обусловлено изменением внешних целей системы. Характерной чертой развития является то, что существующая структура перестает соответствовать новым целям и для обеспечения необходимого соответствия приходится изменять структуру системы, т.е. осуществлять ее реорганизацию. Экономические системы (предприятия, организации, корпоративные образования) в условиях рыночной экономики для выживания в конкурентной борьбе должны постоянно находиться в фазе развития. Только постоянное обновление ассортимента выпускаемой продукции или оказываемых услуг, совершенствование технологии производства и методов управления, повышение квалификации и образованности персонала могут обеспечить экономической системе определенные конкурентные преимущества и расширенное воспроизводство.
В данном параграфе, не отрицая значимости фазы функционирования системы, большей частью будем вести речь о фазе ее развития, хотя при расширенном толковании функционирования системы как движения к намеченной цели (плану) приведенные ниже рассуждения вполне применимы к моделированию фазы функционирования системы.
Динамическому варианту модели состава соответствует перечень этапов развития или состояний системы на моделируемом интервале времени. Под состоянием системы будем понимать такую совокупность параметров, характеризующих пространственное положение системы, которая исчерпывающе определяет ее текущее позирование.
Фиксация состояния определяется посредством введения различных переменных, каждая из которых отражает какую-то одну существенную сторону исследуемой системы. В данном случае важна исчерпываемость описания для раскрытия того назначения системы, которое подвергается исследованию в рамках данной модели.
Наиболее наглядно состояние системы определяется через степени свободы. Это понятие введено в механике и означает число независимых координат, однозначно описывающих положение системы. Так, твердое тело в механике есть система с шестью степенями свободы: три линейные координаты фиксируют положение центра масс, а три угловые - положение тела относительно центра масс.
В экономических исследованиях каждую координату (степень свободы) связывают с определенным показателем (количественно измеряемой характеристикой системы). Ключевая задача при этом заключается в том, чтобы обеспечить независимость показателей, отобранных для построения модели системы. Поэтому необходимо глубоко понимать природу экономических явлений и отражающих их показателей, чтобы правильно сформировать базис для построения модели состава экономической системы.
Развитие системы есть не привычное перемещение, а некоторая абстракция, описывающая изменение ее состояния. Таким образом, динамические свойства объекта характеризуются через изменение параметров состояния во времени. На рис. 2.12 приведено графическое отображение движения системы в трехмерном пространстве (в теории систем такое пространство называют пространством состояний, или фазовым пространством).
Рис. 2.12. Траектория развития системы
Тогда состояние системы в момент времени ts описывается вектором Cs = (C1s,C2s,C3s). Аналогично описываются ее начальное Сн и конечное Ск состояния, а изменения в системе отображаются некоторой кривой - траекторией развития. Каждая точка этой кривой фиксирует состояние системы в определенный момент времени. Тогда движение системы эквивалентно перемещению точки по траектории С2.
Экстраполируя это описание на случай и независимых координат и помня, что каждая координата (параметр) зависит от времени t, развитие системы можно описать совокупностью функций с1= с1(t), с2=с2(t) ,..., сn =сn(t), или вектором (с1(t), с2 (t),...,сn =сn(t)), принадлежащим пространству состояний С.
Таким образом, динамическая модель состава системы это не что иное, как упорядоченная последовательность ее состояний, последнее из которых эквивалентно цели системы, т.е.
Сн =С0 ->СJ ->Ct ->...->СT=Ск,
где Сн - начальное;
Ск - конечное;
С, = (c1 (t), c2 (t),..., сn (t)), t ϵ - текущее состояние системы.
Случай, когда строго определены граничные состояния системы, относится к категории простейших, так как далеко не всегда удается описать состояние конкретными значениями. Более общей является ситуация, когда на начальное и конечное состояния системы накладываются некоторые условия. Каждое из условий в пространстве состояний представляется некоторой поверхностью или областью, размерность которой не должна быть больше числа степеней свободы системы. Тогда вектор состояния системы в граничные моменты времени должен находиться на заданной поверхности или в заданной области, что и будет означать выполнение условий.
2.4.3. Динамическая структурная модель
В динамических системах элементы могут вступать в самые разнообразные отношения между собой. А поскольку каждый из них способен пребывать во множестве различных состояний, то даже при небольшом числе элементов они могут быть соединены множеством различных способов. Построить модель такой системы, предусмотрев изменение состояний одних элементов системы в зависимости от того, что происходит с другими ее элементами, - очень непростая задача. Тем не менее современная наука выработала немало подходов к моделированию такого рода систем. На двух из них, которые стали классическими, остановимся подробнее.
Как и в случае статической структурной модели, динамическая структурная модель представляет собой симбиоз динамической модели «черного ящика» и динамической модели состава. Другими словами, динамическая структурная модель должна увязать в единое целое вход в систему X = {х(t)} = {u(t),v(t)}, u(t)ϵu, v(t)ϵV, промежуточные состояния
Ct = , t ϵ, и выход y={y(t)},
где, U - множество управляемых входов u(t);
U - множество неуправляемых входов v(t);
X = U U X - множество всех входов в систему;
Т - горизонт моделирования системы;
С, - промежуточное состояние системы в момент времени t ϵ .
В зависимости от того, отображаются промежуточные состояния системы строго определенной упорядоченной последовательностью
Сt (t = 0,1, 2, ..., Т) или одной неопределенной функцией Ct = Ф(t, хt), в результате моделирования получают либо динамическую структурную модель сетевого типа, либо динамическую структурную модель аналитического типа.
Сетевые динамические модели. В динамической структурной модели сетевого типа для каждой пары соседних состояний системы Сt-1 и Сt (t ϵ ) задается управляющее воздействие u(t), которое переводит систему из состояния Ct-l в состояние Ct. При этом очевидно, что u(t) на каждом шаге траектории может принимать значения из некоторого множества допустимых управляющих воздействий на этом шаге
Ut: u(t)ϵUt. (2.1)
Таким образом, промежуточное состояние системы в некоторой точке t траектории ее развития записывается следующим образом
Сt=F(Ct-i,u(t)), t ϵ.
Обозначим через Ct множество всех состояний системы, в которое можно ее перевести из начального состояния C0=CH за t шагов, используя управляющие воздействия u(t) ϵ Ut (t = 0,1, 2,..., t). Множество достижимости Сt определяется с помощью следующих рекуррентных соотношений:
Сt = {Ct: Сt = ƒ(Сt-1, и(t); и(t ϵUt; t = 0,1, 2,...,t}.
В задании на дальнейшее развитие или первоначальную разработку системы указывается перечень допустимых ее конечных состояний, которые должны принадлежать некоторой области
СtϵС-Т. (2.2)
Управление U =(u(1), u(2),..., u{t),..., и(Т)) , состоящее из пошаговых управляющих воздействий, будет допустимым, если оно переводит систему из начального состояния Сн = С0 в конечное состояние Ск =СT , удовлетворяющее условию (2.2).
Выведем условия допустимости управления. Для этого рассмотрим последний Т-й шаг. В силу ограниченности множества UT перевести систему в состояние СT ϵ СT можно не из любого состояния CT-1, а лишь из-T-1,Ст-1 G с,
Где, С - множество, удовлетворяющее условию
VCT=1 ϵ C-T-1зu(T)ϵUT: су =/(СУ-1, и(Т))&ст.
Иными словами, чтобы иметь возможность после Т-то шага-г управления выйти в область допустимых состояний С, необходимо-г-1 после (Г - 1) шагов находиться в области С.
Аналогичные множества допустимых состояний с" формируются для всех остальных шагов t = 1, Т - 1.
Для достижения цели построения (развития) системы необходимо выполнение условий
С"ПС"*0, / = 1,Т. (2.3)
В противном случае цель системы не может быть достигнута. Для преодоления этого препятствия потребуется либо изменить-T цель системы, изменив тем самым С, либо расширить область возможных управляющих воздействий ut = 1,Т (в первую очередь на тех шагах траектории системы, на которых не выполняется условие 2.3).
Пусть в результате преодоления (t -1) шагов система перешла в состояние Ct-1. Тогда множество допустимых управляющих воздействий на t-м шаге определяется следующим образом:
U(t) = {u(t): Сt =ƒ(Сt-1, u(t) ϵс-t}. (2.4)
Объединяя (2.1) и (2.4), можно записать условия управляемого целенаправленного развития системы:
U(t)ϵ(t)nU(f) = 1д. (2.5)
Условия (2.5) означают, что управление должно быть возможным по его реализуемости и допустимым по обеспечению выхода системы в заданную область конечных состояний.
Таким образом, построение динамической структурной модели системы сетевого типа заключается в формализованном описании траектории ее развития путем задания промежуточных состояний системы и управляющих воздействий, последовательно переводя щих систему из начального состояния в конечное, соответствующее цели ее развития.
Поскольку из «начала» в «конец», как правило, существует множество путей, определение траектории развития системы можно вести по различным критериям (минимуму времени, максимуму эффекта, минимуму затрат и т.п.). Выбор критерия определяется целью моделирования системы.
Такой подход к моделированию динамических систем, как правило, приводит к построению сетевых моделей разных типов (сетевым графикам, технологическим сетям, сетям Петри и т.п.). Независимо от типа сетевой модели их сущность заключается в том, что они описывают некоторую совокупность логически увязанных работ, выполнение которых должно обеспечить построение некоторой системы (предприятия, дороги, политической партии) или перевода ее в другое состояние, соответствующее новым целям и требованиям времени.
Конкретизация динамических систем на этом, конечно, не заканчивается. Приведенные модели, скорее всего, являются отдельными примерами реальных систем. В классе моделей динамических систем различают еще стационарные модели, мягкие и жесткие модели, которые находят применение при исследовании конкретных прикладных проблем.
Контрольные вопросы
1. Приведите несколько определений системы и содержательную характеристику каждого из них.
2. В чем заключается разница между философской категорией и естественно-научным понятием?
3. Перечислите и проинтерпретируйте основные свойства системы.
4. Что такое эмерджентность системы?
5. Как соотносятся понятия «целостность» и «эмерджентность»?
6. В чем заключается сущность редукционизма? Чем он отличается от системного подхода?
7. В чем заключается разница между внешними и внутренними связями системы?
8. Какое свойство лежит в основе деления систем на открытые и закрытые (замкнутые)?
9. Приведите примеры закрытых экономических систем.
10. С помощью чего обеспечивается устойчивость системы?
11. В чем заключаются внутренняя и внешняя цели системы?
12. Как согласуются внутренняя и внешняя стратегии системы?
13. Как установить границы экономической системы?
14. Назовите причину неудовлетворительности прогнозов, получаемых в результате эконометрического моделирования.
15. Охарактеризуйте транзакционную среду экономической системы.
16. За счет чего открытые экономические системы сохраняют свои индивидуальные особенности?
17. Как (в каких шкалах) измеряются эмерджентные свойства сис-тем?
18. Назовите необходимое условие существования эмерджентного свойства системы.
19. В чем заключается сущность свойства целеустремленности. Как это свойство проявляется в экономических системах?
20. Приведите примеры реактивных, ответных, самонастраиваемых и активных экономических систем.
21. В чем заключается сущность свойства иерархичности экономических систем?
22. Эквивалентны ли понятия «уровень иерархии» и «страта»?
23. В чем заключается сущность свойства многомерности экономической системы?
24. Дайте системное определение понятию «компромисс».
25. Приведите практические примеры использования свойства многомерности при исследовании экономических систем.
26. В чем заключается сущность свойства множественности экономической системы?
27. Приведите примеры множественности функций экономической системы.
28. Как проявляется множественность структуры экономической системы?
29. Приведите примеры эквифинальности и мультифинальности экономических систем.
30. Перечислите причины контринтуитивного поведения экономи-ческих систем.
31. Какой классификационный признак положен в основу первич-ной классификации систем?
32. Назовите основные характеристики естественных систем. При-ведите примеры.
33. Назовите основные характеристики искусственных систем. Приведите примеры.
34. В чем заключается специфика социокультурных систем?
35. К какому классу первичных систем относятся экономические системы?
36. В какой мере естественные, технические и гуманитарные науки привлекаются к анализу экономических систем?
37. Разместите факторы в порядке убывания влияния на конфигурацию системы: внешняя среда, внутренние связи системы, связи системы с внешней средой, элементы системы.
38. Поясните, каким образом моральные ценности лица, принимающего решения, материализуются в реальной экономической системе.
39. Что представляет собой среда, в которой существуют и функционируют экономические системы?
40. Дайте определение экономической системы.
41. Какие классификационные признаки положены в основу пространственно-временной классификации экономических систем?
Классификация видов моделирования может быть проведена по разным основаниям. Модели можно различать по ряду признаков: характеру моделируемых объектов, сферам приложения, глубине моделирования. Рассмотрим 2 варианта классификации. Первый вариант классификации. По глубине моделирования методы моделирования делятся на две группы: материальное (предметное) и идеальное моделирование. Материальное моделирование основано на материальной аналогии объекта и модели. Оно осуществляется с помощью воспроизведения основных геометрических, физических или функциональных характеристик изучаемого объекта. Частным случаем материального моделирования является физическое моделирование. Частным случаем физического моделирования является аналоговое моделирование. Оно основано на аналогии явлений, имеющих различную физическую природу, но описываемых одинаковыми математическими соотношениями. Образец аналогового моделирования – изучение механических колебаний (например, упругой балки) с помощью электрической системы, описываемой теми же дифференциальными уравнениями. Так как эксперименты с электрической системой обычно проще и дешевле, она исследуется в качестве аналога механической системы (например, при изучении колебаний мостов).
Идеальное моделирование основано на идеальной (мысленной) аналогии. В экономических исследованиях (на высоком уровне их проведения, а не на субъективных желаниях отдельных руководителей) это основной вид моделирования. Идеальное моделирование, в свою очередь, разбивается на два подкласса: знаковое (формализованное) и интуитивное моделирование. При знаковом моделировании моделями служат схемы, графики, чертежи, формулы. Важнейшим видом знакового моделирования является математическое моделирование, осуществляемое средствами логико-математических построений.
Интуитивное моделирование встречается в тех областях науки и практики, где познавательный процесс находится на начальной стадии или имеют место очень сложные системные взаимосвязи. Такие исследования называют мысленными экспериментами. В экономике в основном применяется знаковое или интуитивное моделирование; оно описывает мировоззрение ученых или практический опыт работников в сфере управления ею. Второй вариант классификации приведен на рис. 1.3.В соответствии с классификационным признаком полноты моделирование делится на полное, неполное и приближенное. При полном моделировании модели идентичны объекту во времени и пространстве. Для неполного моделирования эта идентичность не сохраняется. В основе приближенного моделирования лежит подобие, при котором некоторые стороны реального объекта не моделируются совсем. Теория подобия утверждает, что абсолютное подобие возможно лишь при замене одного объекта другим точно таким же. Поэтому при моделировании абсолютное подобие не имеет места. Исследователи стремятся к тому, чтобы модель хорошо отображала только исследуемый аспект системы. Например, для оценки помехоустойчивости дискретных каналов передачи информации функциональная и информационная модели системы могут не разрабатываться. Для достижения цели моделирования вполне достаточна событийная модель, описываемая матрицей условных вероятностей ||рij|| переходов i-го символа алфавита j-й.В зависимости от типа носителя и сигнатуры модели различаются следующие виды моделирования: детерминированное и стохастическое, статическое и динамическое, дискретное, непрерывное и дискретно-непрерывное. Детерминированное моделирование отображает процессы, в которых предполагается отсутствие случайных воздействий. Стохастическое моделирование учитывает вероятностные процессы и события. Статическое моделирование служит для описания состояния объекта в фиксированный момент времени, а динамическое - для исследования объекта во времени. При этом оперируют аналоговыми (непрерывными), дискретными и смешанными моделями. В зависимости от формы реализации носителя моделирование классифицируется на мысленное и реальное. Мысленное моделирование применяется тогда, когда модели не реализуемы в заданном интервале времени либо отсутствуют условия для их физического создания (например, ситуация микромира). Мысленное моделирование реальных систем реализуется в виде наглядного, символического и математического. Для представления функциональных, информационных и событийных моделей этого вида моделирования разработано значительное количество средств и методов. При наглядном моделировании на базе представлений человека о реальных объектах создаются наглядные модели, отображающие явления и процессы, протекающие в объекте. Примером таких моделей являются учебные плакаты, рисунки, схемы, диаграммы. В основу гипотетического моделирования закладывается гипотеза о закономерностях протекания процесса в реальном объекте, которая отражает уровень знаний исследователя об объекте и базируется на причинно-следственных связях между входом и выходом изучаемого объекта. Этот вид моделирования используется, когда знаний об объекте недостаточно для построения формальных моделей.
Динамическое моделирование – многошаговый процесс, каждый шаг соответствует поведению экономической системы у определенный временный период. Каждый текущий шаг получает результаты предыдущего шага, который по определенным правилам определяет текущий результат и формирует данные для следующего шага.
Таким образом, динамическая модель в ускоренном режиме позволяет исследовать развития сложной экономической системы, скажем, предприятия, на протяжении определенного периода планирования в условиях изменения ресурсного обеспечения (сырья, кадров, финансов, техники), и получение результаты представить у соответствующему плане развития предприятия на заданный период.
Для решения динамических задач оптимизации в математическом программировании сформировался соответствующий класс моделей под названием динамическое программирование, его основателем стал известный американский математик Р. Беллман. Им предложен специальный метод решения задача этого класса на основе «принципа оптимальности», согласно которого оптимальное решение задачи находится путем ее разбиения на n этапов, каждый с которых представляет подзадачу относительно одной переменной. Расчет выполняется таким образом, что оптимальный результат одной подзадачи является исходными данными для следующей подзадачи с учетом уравнений и ограничений связи между ними, результат последней из них является результатом всей задачи. Общим для всех моделей этой категории является то, что текущие управляющие решения "проявляются" как в период, относящийся непосредственно к моменту принятия решения, так и в последующие периоды. Следовательно, наиболее важные экономические последствия проявляются в разные периоды, а не только в течение одного периода. Такого рода экономические последствия, как правило, оказываются существенными в тех случаях, когда речь идет об управляющих решениях, связанных с возможностью новых капиталовложений, увеличения производственных мощностей или обучения персонала с целью. создания предпосылок для увеличения прибыльности или сокращения издержек в последующие периоды.
Типичными областями применения моделей динамического программирования при принятии решений являются:
Разработка правил управления запасами, устанавливающих момент пополнения запасов и размер пополняющего заказа.
Разработка принципов календарного планирования производства и выравнивания занятости в условиях колеблющегося спроса на продукцию.
Определение необходимого объема запасных частей, гарантирующего эффективное использование дорогостоящего оборудования.
Распределение дефицитных капитальных вложений между возможными новыми направлениями их использования.
В задачах, решаемых методом динамического программирования, значение целевой функции (оптимизируемого критерия) для всего процесса получают простым суммированием частных значений fi(x) того же критерия на отдельных шагах, то есть
Если критерий (или функция) f(x) обладает этим свойством, то его называют аддитивным (аддитивной).
Алгоритм динамического программирования
1. На выбранном шаге задаем набор (определяемый условиями-ограничениями) значений переменной, характеризующей последний шаг, возможные состояния системы на предпоследнем шаге. Для каждого возможного состояния и каждого значения выбранной переменной вычисляем значения целевой функции. Из них для каждого исхода предпоследнего шага выбираем оптимальные значения целевой функции и соответствующие им значения рассматриваемой переменной. Для каждого исхода предпоследнего шага запоминаем оптимальное значение переменной (или несколько значений, если таких значений больше одного) и соответствующее значение целевой функции. Получаем и фиксируем соответствующую таблицу.
2. Переходим к оптимизации на этапе, предшествующем предыдущему (движение "вспять"), отыскивая оптимальное значение новой переменной при фиксированных найденных ранее оптимальных значениях следующих переменных. Оптимальное значение целевой функции на последующих шагах (при оптимальных значениях последующих переменных) считываем из предыдущей таблицы. Если новая переменная характеризует первый шаг, то переходим к п.З. В противном случае повторяем п.2 для следующей переменной.
З. При данном в задаче исходном условии для каждого возможного значения первой переменной вычисляем значение целевой функции. Выбираем оптимальное значение целевой функции, соответствующее оптимальному(ым) значению(иям) первой переменной.
4. При известном оптимальном значении первой переменной определяем исходные данные для следующего (второго) шага и по последней таблице - оптимальное(ые) значение(ия) следующей (второй) переменной.
5. Если следующая переменная не характеризует последний шаг, то переходим к п.4.Иначе переходим к п.6.
6.Формируем (выписываем) оптимальное решение.
Список использованной литературы
1. Microsoft Office 2010. Самоучитель. Ю. Стоцкий, А. Васильев, И. Телина. Питер. 2011, - 432 с.
2. Фигурнов В.Э. IBM PC для пользователя. Изд-е 7-е. - М.: Инфра-М, 1995.
3. Левин А. Самоучитель работы на компьютере. М. : Нолидж, 1998, - 624 с.
4. Информатика: практикум по технологии работы на персональном компьютере /Под ред. проф. Н.В.Макаровой - М. : Финансы и статистика, 1997 г. - 384с.
5. Информатика: Учебник / Под ред. проф. Н.В. Макаровой - М. : Финансы истатистика, 1997 г. - 768 с.
Похожая информация.
К моделям временных рядов, характеризующих зависимость результативной переменной от времени, относятся:
а) модель зависимости результативной переменной от трендовой компоненты или модель тренда;
б) модель зависимости результат. переменной от сезонной компоненты или модель сезонности;
в) модель зависимости результативной переменной от трендовой и сезонной компонент или модель тренда и сезонности.
Если экономические утверждения отражают динамическую (зависящую от фактора времени) взаимосвязь включённых в модель переменных, то значения таких переменных датируют и называют динамическими или временными рядами. Если экономические утверждения отражают статическую (относящуюся к одному периоду времени) взаимосвязь всех включённых в модель переменных, то значения таких переменных принято называть пространственными данными. И надобности в их датировании нет. Лаговыми называются экзогенные или эндогенные переменные экономической модели, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Модели, включающие лаговые переменные, относятся к классу динамических моделей. Предопределёнными называются лаговые и текущие экзогенные переменные, а также лаговые эндогенные переменные
23. Трендовые и пространственно-временные ЭМ в планировании экономики
Статистические наблюдения в социально-экономических исследованиях обычно проводятся регулярно через равные отрезки времени и представляются в виде временных рядов xt, где t = 1, 2, ..., п. В качестве инструмента статистического прогнозирования временных рядов служат трендовые регрессионные модели, параметры которых оцениваются по имеющейся статистической базе, а затем основные тенденции (тренды) экстраполируются на заданный интервал времени.
Методология статистического прогнозирования предполагает построение и испытание многих моделей для каждого временного ряда, их сравнение на основе статистических критериев и отбор наилучших из них для прогнозирования.
При моделировании сезонных явлений в статистических исследованиях различают два типа колебаний: мультипликативные и аддитивные. В мультипликативном случае размах сезонных колебаний изменяется во времени пропорционально уровню тренда и отражается в статистической модели множителем. При аддитивной сезонности предполагается, что амплитуда сезонных отклонений постоянна и не зависит от уровня тренда, а сами колебания представлены в модели слагаемым.
Основой большинства методов прогнозирования является экстраполяция, связанная с распространением закономерностей, связей и соотношений, действующих в изучаемом периоде, за его пределы, или - в более широком смысле слова - это получение представлений о будущем на основе информации, относящейся к прошлому и настоящему.
Наиболее известны и широко применяются трендовые и адаптивные методы прогнозирования. Среди последних можно выделить такие, как методы авторегрессии, скользящего среднего (Бокса - Дженкинса и адаптивной фильтрации), методы экспоненциального сглаживания (Хольта, Брауна и экспоненциальной средней) и др.
Для оценки качества исследуемой модели прогноза используют несколько статистических критериев.
При представлении совокупности результатов наблюдений в виде временных рядов фактически используется предположение о том, что наблюдаемые величины принадлежат некоторому распределению, параметры которого и их изменение можно оценить. По этим параметрам (как правило, по среднему значению и дисперсии, хотя иногда используется и более полное описание) можно построить одну из моделей вероятностного представления процесса. Другим вероятностным представлением является модель в виде частотного распределения с параметрами pj для относительной частоты наблюдений, попадающих в j-й интервал. При этом если в течение принятого времени упреждения не ожидается изменения распределения, то решение принимается на основании имеющегося эмпирического частотного распределения.
При проведении прогнозирования необходимо иметь в виду, что все факторы, влияющие на поведение системы в базовом (исследуемом) и прогнозируемом периодах, должны быть неизменны или изменяться по известному закону. Первый случай реализуется в однофакторном прогнозировании, второй - при многофакторном.
Многофакторные динамические модели должны учитывать пространственные и временные изменения факторов (аргументов), а также (при необходимости) запаздывание влияния этих факторов на зависимую переменную (функцию). Многофакторное прогнозирование позволяет учитывать развитие взаимосвязанных процессов и явлений. Основой его является системный подход к изучению исследуемого явления, а так же процесс осмысливания явления, как в прошлом, так и в будущем.
В многофакторном прогнозировании одной из основных проблем является проблема выбора факторов, обуславливающих поведение системы, которая не может быть решена чисто статистическим путем, а только при помощи глубокого изучения существа явления. Здесь следует подчеркнуть примат анализа (осмысливания) перед чисто статистическими (математическими) методами изучения явления. В традиционных методах (например, в методе наименьших квадратов) считается, что наблюдения независимы друг от друга (по одному и тому же аргументу). В действительности существует автокорреляция и ее неучет приводит к неоптимальности статистических оценок, затрудняет построение доверительных интервалов для коэффициентов регрессии, а также проверку их значимости. Автокорреляция определяется по отклонениям от трендов. Она может иметь место, если не учтено влияние существенного фактора или нескольких менее существенных факторов, но направленных «в одну сторону», либо неверно выбрана модель, устанавливающая связь между факторами и функцией. Для выявления наличия автокорреляции применяется критерий Дурбина-Уотсона. Для исключения или уменьшения автокорреляции применяется переход к случайной компоненте (исключение тренда) или введение времени в уравнение множественной регрессии в качестве аргумента.
В многофакторных моделях возникает проблема и мультиколлинеарности - наличие сильной корреляции между факторами, которая может существовать вне всякой зависимости между функцией и факторами. Выявив, какие факторы являются мультиколлинеарными, можно определить характер взаимозависимости между мультиколлинеарными элементами множества независимых переменных.
В многофакторном анализе необходимо наряду с оценкой параметров сглаживающей (исследуемой) функции построить прогноз каждого фактора (по неким другим функциям или моделям). Естественно, что значения факторов, полученные в эксперименте в базисном периоде, не совпадают с аналогичными значениями, найденными по прогнозирующим моделям для факторов. Это различие должно быть объяснено либо случайными отклонениями, величина которых выявлена указанными различиями и должна быть учтена сразу же при оценке параметров сглаживающей функции, либо это различие не случайно и никакого прогноза делать нельзя. То есть в задаче многофакторного прогнозирования исходные значения факторов, как и значения сглаживающей функции, должны быть взяты с соответствующими ошибками, закон распределения которых должен быть определен при соответствующем анализе, предшествующем процедуре прогнозирования.
24. Сущность и содержание ЭМ: структурной и развернутой
Эконометрические модели - это системы взаимосвязанных уравнений, многие параметры которых определяются методами статистической обработки данных. К настоящему времени за рубежом в аналитических и прогнозных целях разработаны и используются многие сотни эконометрических систем. Ма кроэконометрические модели, как правило, сначала представляются в естественной, содержательной форме, а затем в приведенном, структурном виде. Естественная форма эконометрических уравнений позволяет квалифицировать их содержательную сторону, дать оценку их экономического смысла.
Для построения прогнозов эндогенных переменных необходимо выразить текущие эндогенные переменные модели в виде явных функций предопределённых переменных. Последняя спецификация, полученная путем включения случайных возмущений получена в результате математической формализации экономических закономерностей. Такая форма спецификации называется структурной . В общем случае в структурной спецификации эндогенные переменные не выражены в явном виде через предопределенные.
В модели равновесного рынка только переменная предложениявыражена в явном виде через предопределенную переменную, поэтому для представления эндогенных переменных через предопределенные необходимо выполнить некоторые преобразования структурной формы. Решим систему уравнений для последний спецификации относительно эндогенных переменных.
Таким образом, эндогенные переменные модели выражены в явном виде через предопределенные переменные. Такая форма спецификации получила название приведенной. В частном случае структурная и приведённая формы модели могут совпадать. При правильной спецификации модели переход от структурной к приведённой форме всегда возможен, обратный переход возможен не всегда.
Система совместных, одновременных уравнений (или структурная форма модели) обычно содержит эндогенные и экзогенные переменные. Эндогенные переменные обозначены в приведенной ранее системе одновременных уравнений как у. Это зависимые переменные, число которых равно числу уравнений в системе. Экзогенные переменные обозначаются обычно как x. Это предопределенные переменные, влияющие на эндогенные переменные, но не зависящие от них.
Простейшая структурная форма модели имеет вид: 
где y – эндогенные переменные; x – экзогенные переменные.
Классификация переменных на эндогенные и экзогенные зависит от теоретической концепции принятой модели. Экономические переменные могут выступать в одних моделях как эндогенные, а в других как экзогенные переменные. Внеэкономические переменные (например, климатические условия) входят в систему как экзогенные переменные. В качестве экзогенных переменных могут рассматриваться значения эндогенных переменных за предшествующий период времени (лаговые переменные).
Так, потребление текущего года (y t) может зависеть не только от ряда экономических факторов, но и от уровня потребления в предыдущем году (y t-1)
Структурная форма модели позволяет увидеть влияние изменений любой экзогенной переменной на значения эндогенной переменной. Целесообразно в качестве экзогенных переменных выбирать такие переменные, которые могут быть объектом регулирования. Меняя их и управляя ими, можно заранее иметь целевые значения эндогенных переменных.
Структурная форма модели в правой части содержит при эндогенных и экзогенных переменных коэффициенты b i и a j , (b i – коэффициент при эндогенной переменной, a j – коэффициент при экзогенной переменной), которые называются структурными коэффициентами модели. Все переменные в модели выражены в отклонения от уровня, т. е. под x подразумевается x- (а под y - соответственно у- (. Поэтому свободный член в каждом уравнении системы отсутствует.
Использование МНК для оценивания структурных коэффициентов модели дает, как принято считать в теории, смещенные структурных коэффициентов модели структурная коэффициентов модели структурная форма модели преобразуется в приведенную форму модели.
Приведенная форма модели представляет собой систему линейных функций эндогенных переменных от экзогенных: 
По своему виду приведенная форма модели ничем не отличается от системы независимых уравнений, параметры которой оцениваются традиционным МНК. Применяя МНК, можно оценить δ , а затем оценить значения эндогенных переменных через экзогенные.
Развернутая ЭМ (ее блоки)
