Методика математического моделирования программы развития сельскохозяйственного предприятия. Математические методы прогнозирования в бизнесе

23 апреля 2013 в 11:08

Классификация методов и моделей прогнозирования

  • Математика
  • Tutorial

Я занимаюсь прогнозированием временных рядов уже более 5 лет. В прошлом году мною была защищена диссертация по теме «Модель прогнозирования временных рядов по выборке максимального подобия », однако вопросов после защиты осталось порядочно. Вот один из них — общая классификация методов и моделей прогнозирования .


Обычно в работах как отечественных, так и англоязычных авторы не задаются вопросом классификации методов и моделей прогнозирования, а просто их перечисляют. Но мне кажется, что на сегодняшний день данная область так разрослась и расширилась, что пусть самая общая, но классификация необходима. Ниже представлен мой собственный вариант общей классификации.

В чем разница между методом и моделью прогнозирования?

Метод прогнозирования представляет собой последовательность действий, которые нужно совершить для получения модели прогнозирования. По аналогии с кулинарией метод есть последовательность действий, согласно которой готовится блюдо — то есть сделается прогноз.


Модель прогнозирования есть функциональное представление, адекватно описывающее исследуемый процесс и являющееся основой для получения его будущих значений. В той же кулинарной аналогии модель есть список ингредиентов и их соотношение, необходимый для нашего блюда — прогноза.


Совокупность метода и модели образуют полный рецепт!



В настоящее время принято использовать английские аббревиатуры названий как моделей, так и методов. Например, существует знаменитая модель прогнозирования авторегрессия проинтегрированного скользящего среднего с учетом внешнего фактора (auto regression integrated moving average extended, ARIMAX). Эту модель и соответствующий ей метод обычно называют ARIMAX, а иногда моделью (методом) Бокса-Дженкинса по имени авторов.

Сначала классифицируем методы

Если посмотреть внимательно, то быстро выясняется, что понятие «метод прогнозирования » гораздо шире понятия «модель прогнозирования ». В связи с этим на первом этапе классификации обычно делят методы на две группы: интуитивные и формализованные .



Если мы вспомним нашу кулинарную аналогию, то и там можно разделить все рецепты на формализованные, то есть записанные по количеству ингредиентов и способу приготовления, и интуитивные, то есть нигде не записанные и получаемые из опыта кулинара. Когда мы не пользуемся рецептом? Когда блюдо очень просто: пожарить картошку или сварить пельмени — тут рецепт не нужен. Когда еще мы не пользуемся рецептом? Когда желаем изобрести что-то новенькое!


Интуитивные методы прогнозирования имеют дело с суждениями и оценками экспертов. На сегодняшний день они часто применяются в маркетинге, экономике, политике, так как система, поведение которой необходимо спрогнозировать, или очень сложна и не поддается математическому описанию, или очень проста и в таком описании не нуждается. Подробности о такого рода методах можно глянуть в .


Формализованные методы — описанные в литературе методы прогнозирования, в результате которых строят модели прогнозирования, то есть определяют такую математическую зависимость, которая позволяет вычислить будущее значение процесса, то есть сделать прогноз.


На этом общая классификация методов прогнозирования на мой взгляд может быть закончена.

Далее сделаем общую классификация моделей

Здесь необходимо переходить к классификации моделей прогнозирования. На первом этапе модели следует разделить на две группы: модели предметной области и модели временных рядов.




Модели предметной области — такие математические модели прогнозирования, для построения которых используют законы предметной области. Например, модель, на которой делают прогноз погоды, содержит уравнения динамики жидкостей и термодинамики. Прогноз развития популяции делается на модели, построенной на дифференциальном уравнении. Прогноз уровня сахара крови человека, больного диабетом, делается на основании системы дифференциальных уравнений. Словом, в таких моделях используются зависимости, свойственные конкретной предметной области. Такого рода моделям свойственен индивидуальный подход в разработке.


Модели временных рядов — математические модели прогнозирования, которые стремятся найти зависимость будущего значения от прошлого внутри самого процесса и на этой зависимости вычислить прогноз. Эти модели универсальны для различных предметных областей, то есть их общий вид не меняется в зависимости от природы временного ряда. Мы можем использовать нейронные сети для прогнозирования температуры воздуха, а после аналогичную модель на нейронных сетях применить для прогноза биржевых индексов. Это обобщенные модели, как кипяток, в которые если бросить продукт, то он сварится вне зависимости от его природы.

Классифицируем модели временных рядов

Мне кажется, что составить общую классификацию моделей предметной области не представляется возможным: сколько областей, столько и моделей! Однако модели временных рядов легко поддаются простому делению . Модели временных рядов можно разделить на две группы: статистические и структурные.




В статистических моделях зависимость будущего значения от прошлого задается в виде некоторого уравнения. К ним относятся:

  1. регрессионные модели (линейная регрессия, нелинейная регрессия);
  2. авторегрессионные модели (ARIMAX, GARCH, ARDLM);
  3. модель экспоненциального сглаживания;
  4. модель по выборке максимального подобия;
  5. и т.д.

В структурных моделях зависимость будущего значения от прошлого задается в виде некоторой структуры и правил перехода по ней. К ним относятся:

  1. нейросетевые модели;
  2. модели на базе цепей Маркова;
  3. модели на базе классификационно-регрессионных деревьев;
  4. и т.д.

Для обоих групп я указала основные, то есть наиболее распространенные и подробно описанные модели прогнозирования. Однако на сегодняшний день моделей прогнозирования временных рядов имеется уже громадное количество и для построения прогнозов, например, стали использовать SVM (support vector machine) модели, GA (genetic algorithm) модели и многие другие.

Общая классификация

Таким образом мы получили следующую классификацию моделей и методов прогнозирования .




  1. Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006. 221 с.
  2. Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. P. 92 – 119.
  3. Jingfei Yang M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree. Germany, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p.
UPD. 15.11.2016.
Господа, дошло до маразма! Недавно мне прислали на рецензию статью для ВАКовского издания со ссылкой на эту запись. Обращаю внимание, что ни в дипломах, ни в статьях, ни тем более в диссертациях ссылаться на блог нельзя ! Если хотите ссылку, то используйте эту: Чучуева И.А. МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ ПО ВЫБОРКЕ МАКСИМАЛЬНОГО ПОДОБИЯ, диссертация… канд. тех. наук / Московский государственный технический университет им. Н.Э. Баумана. Москва, 2012.
1

В статье на конкретных примерах рассмотрены различные математические методы прогнозирования во времени, среди которых простая экстраполяция, методы, основанные на темпах роста, математическое моделирование. Показано, что выбор метода зависит от базы прогноза – информации за предыдущий временной период.

прогнозирование

биостатистика

1. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: Учебник. – М.: Финансы и статистика, 2001. – 228 с.

2. Петри А., Сэбин К. Наглядная статистика в медицине. – М.: ГЭОТАР-МЕД, 2003. – 144 с.

3. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и прогнозирование: Учебное пособие. – М.: Изд. центр ЕАОИ, 2001. – 67 с.

Обычно под прогнозированием понимается процесс предсказания будущего основанное на некоторых данных из прошлого, т.е. изучается развитие интересующего явления во времени. Тогда прогнозируемая величина рассматривается как функция времени y=f(t) . Однако в медицине рассматриваются и другие виды прогноза : прогнозируется диагноз, диагностическая ценность нового теста, изменение одного фактора под действием другого и т.д.

Целью статьи было представить различные методы прогнозирования и подходы к их правильному использованию в медицине.

Материалы и методы исследования

В статье рассмотрены следующие методы прогнозирования: методы простой экстраполяции, метод скользящих средних, метод экспоненциального сглаживания, метод среднего абсолютного прироста, метод среднего темпа роста, методы прогнозирования на основе математических моделей.

Результаты исследования и их обсуждение

Как уже было отмечено, прогноз осуществляется на основании некоторой информации из прошлого (базы прогноза). Прежде чем подобрать метод прогнозирования полезно хотя бы качественно оценить динамику изучаемой величины в предыдущие моменты времени. На представленных графиках (рис. 1) видно, что она может быть различной.

Рис. 1. Примеры динамики изучаемой величины

В первом случае (график А) наблюдается относительная стабильность с небольшими колебаниями вокруг среднего значения. Во втором случае (график Б) динамика носит линейно возрастающий характер, в третьем (график В) - зависимость от времени нелинейная, экспоненциальная. Четвертый случай (график Г)- пример сложных колебаний, имеющих несколько составляющих.

Наиболее распространенным методом краткосрочного прогнозирования (1-3 временных периода), является экстраполяция, которая заключается в продлении предыдущих закономерностей на будущее. Применение экстраполяции в прогнозировании базируется на следующих предпосылках:

Развитие исследуемого явления в целом описывается плавной кривой;

Общая тенденция развития явления в прошлом и настоящем не претерпит серьезных изменений в будущем.

Первый метод из методов простой экстраполяции - это метод среднего уровня ряда. В этом методе прогнозируемый уровень изучаемой величины принимается равным среднему значению уровней ряда этой величины в прошлом. Этот метод используется, если средний уровень не имеет тенденции к изменению, или это изменение незначительно (нет явно выраженного тренда, рис. 1, график А)

где yпрог - прогнозируемый уровень изучаемой величины; yi - значение i-го уровня; n - база прогноза.

В некотором смысле отрезок динамического ряда, охваченный наблюдением, можно уподобить выборке, а значит, полученный прогноз будет выборочным, для которого можно указать доверительный интервал

где - среднеквадратичное отклонение временного ряда; tα -критерий Стъюдента для заданного уровня значимости и числа степеней свободы (n-1).

Пример. В табл. 1 приведены данные временного ряда y(t). Рассчитать прогнозное значение y на момент времени t =13 методом среднего уровня ряда.

Таблица 1

Данные временного ряда y(t)

(80+98+94+103)/4

(80+98+94+103+84)/5

(80+98+94+103+84+115)/6

(80+98+94+103+84+115+98)/7

(80+98+94+103+84+115+98+113)/8

(80+98+94+103+84+115+98+113+114)/9

(80+98+94+103+84+115+98+113+114+87)/10

(80+98+94+103+84+115+98+113+114+87+107)/11

(80+98+94+103+84+115+98+113+114+87+107+85)/12

Исходный и сглаженный ряд представлены на рис. 2, расчет y - в табл. 2.

Рис. 2. Исходный и сглаженный ряд

Таблица 2

Доверительный интервал для прогноза в момент t =13

Метод скользящих средних - это метод прогнозирования на краткосрочный период, основан на процедуре сглаживания уровней изучаемой величины (фильтрации). Преимущественно используются линейные фильтры сглаживания с интервалом m, т.е.

.

Доверительный интервал

где - среднеквадратичное отклонение временного ряда; tα - критерий Стъюдента для заданного уровня значимости и числа степеней свободы (n-1).

Пример. В табл. 3 приведены данные временного ряда y(t). Рассчитать прогнозное значение y на момент времени t =13 методом скользящих средних с интервалом сглаживания m=3.

Исходный и сглаженный ряд представлены на рис. 3, расчет y - в табл. 4.

Таблица 3

Данные временного ряда y(t)

Рис. 3. Исходный и сглаженный ряд

Таблица 4

Прогнозное значение y

Метод экспоненциального сглаживания - это метод, при котором в процессе выравнивания каждого уровня используются значения предыдущих уровней, взятых с определенным весом. По мере удаления от какого-то уровня вес этого наблюдения уменьшается. Сглаженное значение уровня на момент времени t определяется по формуле

где St - текущее сглаженное значение; yt - текущее значение исходного ряда; St - 1 - предыдущее сглаженное значение; α - сглаживающая параметр.

S0 берется равным среднему арифметическому нескольких первых значений ряда.

Для расчета α предложена следующая формула

По поводу выбора α нет единого мнения, эта задача оптимизации модели пока еще не решена. В некоторых литературных источниках рекомендуется выбирать 0,1 ≤ α ≤ 0,3.

Прогноз рассчитывается следующим образом

.

Доверительный интервал

Таблица 5

Данные временного ряда y(t)

0,3×80+(1-0,3)×90,7

0,3×98+(1-0,3) ×87,5

0,3×94+(1-0,3) ×90,6

0,3⋅103+(1-0,3) ×91,6

0,3×84+(1-0,3) ×95

0,3⋅115+(1-0,3) ×91,7

0,3×98+(1-0,3) ×98,7

0,3⋅113+(1-0,3) ×98,5

0,3⋅114+(1-0,3) ⋅102,8

0,3×87+(1-0,3) ⋅106,2

0,3⋅107+(1-0,3) ⋅100,4

0,3×85+(1-0,3) ⋅102,4

97,2+0,3× (85-97,2)

Исходный и сглаженный ряд представлены на рис. 4, расчет y - в табл. 6.

Рис. 4. Исходный и сглаженный ряд

Таблица 6

Прогнозное значение y на момент времени t =11

Следующий метод прогноза - это метод среднего абсолютного прироста Прогнозируемый уровень изучаемой величины изменяется в соответствии со средним абсолютным приростом этой величины в прошлом. Данный метод применяется, если общая тенденция в динамике линейна (для случая, приведенного на рис. 1, график Б)

где ; y0 - базовый уровень экстраполяции выбирается как среднее значение нескольких последних значений исходного ряда; - средний абсолютный прирост уровней ряда; l - число интервалов прогнози рования.

В качестве базового уровня принято усредненное значение последних значений ряда, максимально трех.

Таблица 7

Данные временного ряда y(t)

Прогноз = y0+Δl

(60+75+70)/3=68,3

(75+70+103)/3=82,7

(70+103+100)/3=91

(103+100+115)/3=106

(100+115+125)/3=113,3

(115+125+113)/3=117,7

(125+113+138)/3=125,3

(113+138+136)/3=129

(138+136+145)/3=139,7

(136+145+150)/3=143,7

143,7+8,2⋅1=151,9

143,7+8,2⋅2=160,1

143,7+8,2⋅3=168,3

Исходный и сглаженный ряд представлены на рис. 5.

Рис. 5. Исходный и сглаженный ряд

Метод среднего темпа роста

Прогнозируемый уровень изучаемой величины изменяется в соответствии со средним темпом роста данной величины в прошлом. Данный метод применяется, если общая тенденция в динамике характеризуется показательной или экспоненциальной кривой (рис. 1В)

где - средний темп роста в прошлом; l - число интервалов прогнозирования.

Прогнозная оценка будет зависеть от того, в какую сторону от основной тенденции (тренда) отклоняется базовый уровень y0, поэтому рекомендуется рассчитывать y0 как усредненное значение нескольких последних значений ряда.

Таблица 8

Данные временного ряда y(t)

62,5⋅1,081 = 67,7

(70/60)1/2 =1,08

65⋅1,081 = 70,2

(65+70+68)/3=67,7

(68/60)1/3 =1,04

67,7⋅1,041 =70,5

(70+68+82)/3=73,3

(82/60)1/4 =1,08

73,3⋅1,081 =79,3

(68+82+80)/3=76,7

(80/60)1/5 =1,06

76,7⋅1,061 =81,2

(82+80+95)/3=85,7

(95/60)1/6 =1,08

85,7⋅1,081 =92,5

(80+95+113)/3=96

(113/60)1/7 =1,09

96⋅1,091 =105,1

(95+113+135)/3=114,3

(135/60)1/8 =1,11

114,3⋅1,111 =126,5

(113+135+140)/3=129,3

(140/60)1/9 =1,10

129,3⋅1,11 =142,1

(135+140+168)/3=147,7

(168/60)1/10 =1,11

147,7⋅1,111 =163,7

(140+168205)/3=171

(205/60)1/11 =1,12

171⋅1,121 =191,2

171⋅1,122 =213,8

171⋅1,123 =239,1

Исходный и сглаженный ряд представлены на рис. 6.

Рис. 6. Исходный и сглаженный ряд

На сегодняшний день наиболее распространенным методом прогнозирования является нахождение аналитического выражения (уравнения) тренда . Тренд экстраполируемого явления - это основная тенденция временного ряда, в некоторой мере свободная от случайных воздействий.

Разработка прогноза заключается в определении вида экстраполирующей функции y=f(t), которая выражает зависимость изучаемой величины от времени на основе исходных наблюдаемых данных. Первым этапом является выбор оптимального вида функции, дающей наилучшее описание тренда. Наиболее часто используются следующие зависимости:

Линейная ;

Параболическая ;

Показательная функция ;

Проблемы нахождения коэффициентов линейной функции и прогноз на ее основе рассматриваются в разделе статистики «регрессионный анализ». Если форма кривой, описывающей тренд, имеет нелинейный характер, то задача оценки функции y=f(t) усложняется, и в этом случае необходимо привлечь к анализу специалистов по биостатистике и воспользоваться компьютерными программами по статистической обработке данных.

В большинстве реальных случаев временной ряд представляет собой сложную кривую, которую можно представить как сумму или произведение трендовой, сезонной, циклической и случайной компонент.

Тренд представляет собой плавное изменение процесса во времени и обусловлен действием долговременных факторов. Сезонный эффект связан с наличием факторов, действующих с заранее известной периодичностью (например, времена года, лунные циклы). Циклическая компонента описывает длительные периоды относительного подъема и спада, состоит из циклов переменной длительности и амплитуды (например, некоторые эпидемии имеют длительный циклический характер). Случайная составляющая ряда отражает воздействие многочисленных факторов случайного характера и может иметь разнообразную структуру.

Заключение

Методы простой экстраполяции, метод скользящих средних, метод экспоненциального сглаживания являются простейшими, и в тоже время самыми приближенными - это видно из широких доверительных интервалов в приведенных примерах. Большая погрешность прогноза наблюдается в случае сильных колебаний уровней. Следует обратить внимание на то, что неправомерно использовать эти методы при наличии явной тенденции к росту (или падению) исходного временного ряда. Тем не менее, для краткосрочных прогнозов их применение бывает оправданным.

Анализ всех компонентов временного ряда и прогнозирование на их основе задача нетривиальная, рассматривается в разделе статистики «анализ временных рядов» и требует специальной подготовки.

Библиографическая ссылка

Койчубеков Б.К., Сорокина М.А., Мхитарян К.Э. МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ В МЕДИЦИНЕ // Успехи современного естествознания. – 2014. – № 4. – С. 29-36;
URL: http://natural-sciences.ru/ru/article/view?id=33316 (дата обращения: 30.03.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»

Математические методы прогнозирования могут разрабатываться на основе различных функций, динамических рядов и аналитических зависимостей. Для математического моделирования и прогнозирования валютных рынков в качестве входной информации могут выступать как ценовая динамика и ее производные (значения индикаторов, значимые уровни и т.п.), так и рыночные макроэкономические показатели . В математических моделях прогнозирования финансовых временных рядов в качестве входной информации используется ценовая динамика. Однако иначе происходит работа с информационными моделями временных рядов, которые являются описаниями объектов-оригиналов с помощью схем, графиков, формул, чертежей и т.п. Одним из важнейших видов информационного моделирования является математическое, когда описания формулируются на языке математики. Соответственно, и исследование таких моделей ведется с использованием математических методов.

Математически задача прогнозирования валютного курса может быть сведена к задаче аппроксимации многомерных функций и, следовательно, к задаче построения многомерного отображения. В зависимости от типа выходных переменных аппроксимация функций может принимать вид: классификации или регрессии. Следовательно, в моделях прогнозирования валютных курсов можно выделить две крупные подзадачи: 1. построение математической модели; 2ю обучение экспертных сетей, реализующих решение задачи. В результате изучения предметной области должна быть разработана математическая модель прогнозирования, включающая набор входных переменных; метод формирования входных признаков и метод обучения экспертной системы.

Аналитические зависимости

Рассмотрим особенности модели прогнозирования на базе аналитических зависимостей.

Данная модель строится на основе анализа механизма образования валютного курса. Вид формулы в данном случае будет зависеть от характера и вида взаимодействующих факторов, влияющих на формирование валютного курса. За основу модели берется гипотеза о паритете покупательной способности . Далее в процессе рассмотрения реальных экономических систем добавятся новые факторы, и обобщенная модель выберет основные факторы, влияющие на образование валютного курса.

Повышение эффективности краткосрочных операций с валютой - одна из важных задач в деятельности банков и других инвесторов, которые продают и покупают различные валюты в значительных объемах, стремясь придать движение имеющимся в наличии свободным резервам, чтобы избежать потерь от конъюнктурных колебаний курсов и получить дополнительную прибыль. Причем валютные операции осуществляются с большой скоростью через Internet, так как очень важно выйти на валютный рынок с предложением раньше конкурентов. Все это – составная часть непрерывного процесса формирования оптимальной структуры валютных резервов.

Эффективность валютных операций существенным образом зависит от надежности прогнозов колебания курсов валют. Именно поэтому краткосрочное прогнозирование курсов имеет большое практическое значение для оперативной деятельности банков и прочих инвесторов. А вопрос о возможности применения статистических методов для этой цели представляется актуальным и естественным. Проблема краткосрочного прогнозирования курсов валют с применением статистических моделей рассматривается исходя из того, что для успешного ведения валютных операций требуется получение прогнозов на одни сутки вперед. Как, например, в фильме «Пи» математик Макс Коэн в течение многих лет пытается найти и расшифровать универсальный цифровой код, согласно которому изменяются курсы всех . По мере приближения к разгадке, мир вокруг Макса превращается в мрачный кошмар: его преследуют могущественные аналитики с Уолл-стрит, чтобы обнаружить код вселенского мироздания. Находясь на грани безумия, Макс должен сделать решающий выбор между порядком и хаосом и решить, способен ли он совладать с могущественной силой, которую сейчас пробудил его гениальный разум. Но это – фантастика. В реальности не тяжкий труд, а ход мысли определяет инвестиционный доход, при этом для оценки эффективности идеи может служить только адекватное математическое моделирование.

Адаптивные методы прогнозирования

Трудно провести четкую грань, отделяющую адаптивные методы прогнозирования от неадаптивных. Уже прогнозирование методом экстраполяции обычных регрессионных кривых содержит некоторый элемент адаптации, когда с каждым новым получением фактических данных параметры регрессионных кривых пересчитываются и уточняются. Через достаточно большой промежуток времени может быть заменен даже тип кривой. Однако здесь степень адаптации весьма незначительна; к тому же с течением времени она падает вместе с увеличением общего количества точек наблюдения и соответственно с уменьшением в выборке удельного веса каждой новой точки.

Последовательность процесса адаптации выглядит следующим образом. Пусть модель находится в некотором исходном состоянии, и по ней делается прогноз. Когда истечет одна единица времени (шаг моделирования), анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой для перехода из одного состояния в другое с целью большего согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать компенсирующими изменениями. Затем делается прогноз на следующий момент времени, и весь процесс повторяется. Таким образом, адаптация осуществляется интерактивно с получением каждой новой фактической точки ряда. Однако каковы должны быть правила перехода системы от одного состояния к другому, какова логика механизма адаптации?

В сущности, этот вопрос решается каждым исследователем интуитивно. Логика механизма адаптации задается априорно, а затем проверяется эмпирически. При построении, модели мы неизбежно наделяем ее врожденными свойствами и, вместе с тем, для большей гибкости должны позаботиться о механизмах условных рефлексов, усваиваемых или утрачиваемых с определенной инерционностью. Их совокупность и составляет логику механизма адаптации. В силу простоты каждой отдельно взятой модели и ограниченности исходной информации, зачастую представленной единственным рядом, нельзя ожидать, что какая-либо одна адаптивная модель годится для прогнозирования любого ряда, любых вариаций поведения. Адаптивные модели достаточно гибки, однако на их универсальность рассчитывать не приходится. Поэтому при построении и объяснении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Необходимо закладывать в модель те адаптивные свойства, которых хватит для слежения модели за реальным процессом с заданной точностью.

Вместе с тем нельзя надеяться на успешную самоадаптацию модели , более общей по отношению к той, которая необходима для отражения данного процесса, ибо увеличение числа параметров придает системе излишнюю чувствительность, приводит к ее раскачке и ухудшению получаемых по ней прогнозов. Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью и, взвешивая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Поэтому необходимо иметь определенный запас специализированных моделей, разнообразных по структуре и функциональным свойствам. Для сравнения возможных альтернатив необходим критерий полезности модели. Несмотря на то, что в общем случае такой критерий является предметом спора, в случае краткосрочного прогнозирования признанным критерием обычно является средний квадрат ошибки прогнозирования. О качестве модели судят также по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели .

Краткосрочное прогнозирование валютного курса

Информация о динамике курсов валют создает впечатление хаотического движения: падение и рост курсов сменяют друг друга в каком-то случайном порядке. Даже если за большой интервал времени отмечается тенденция, например, к росту, то на графике легко можно увидеть, что эта тенденция прокладывает себе путь через сложные движения временного ряда курса валюты . Направление ряда все время меняется под воздействием нерегулярных и часто неизвестных сил. Исследуемый объект в полной мере подвержен воздействию стихии мирового рынка, и точной информации о будущем движении курса нет. Необходимо сделать прогноз. При этом совершенно очевидно, что прогнозировать даже знак прироста курса очень сложно . Делать это обычно поручают экспертам, которые анализируют текущую конъюнктуру, а также пытаются выделить факторы, регулярным образом связанные с движением курса (фундаментальный анализ). При построении формальных моделей также пытаются выделить круг существенных факторов и на их основе сконструировать какой-либо индикатор, но ни эксперты-практики, ни формальные методы не дают пока хороших устойчивых результатов. Полагаем, объясняется это, прежде всего, тем, что если и есть действительно какой-либо круг факторов, влияющих стабильным образом на курс, то их воздействие надежно скрыто наложенной случайной составляющей и управляющими воздействиями .

В результате эти факторы и их влияние выделить довольно трудно. Поэтому необходимо считать краткосрочное прогнозирование курса по существу задачей прогнозирования последовательного движения изолированного временного ряда, причиной которого является главным образом массовое поведение на валютном рынке мелких и крупных финансовых игроков, совершающих основной объем финансовых операций с валютой. Такой подход можно отнести к . Конечно, отдельно взятый участник валютной игры волен совершенно произвольно менять свою стратегию. И все же можно предположить, что поведение всей массы участников через соотношение спроса и предложения, влияющее на курс валюты, обладает в текущий период времени какой-то определенной доминирующей логикой, обнаруживающейся через закон больших чисел. Например, при падении курса валюты ее могут скупать, ожидая в дальнейшем повышения курса. И такой массовый спрос валюты действительно ведет к росту ее курса. Или наоборот, если после падения курса валюты доверие к ней падает и ожидается ее дальнейшее обесценение, то преобладает массовое предложение и курс падает еще ниже. Заметим, что при таком упрощенном подходе саму динамику временного ряда можно прочитать как хронологическую запись о массовом поведении участников валютного рынка. Это дает возможность при построении модели исходить из самого ряда, не привлекая дополнительной информации, а все рассуждения о массовом поведении участников рынка использовать лишь для качественной интерпретации. Если бы удалось найти в динамике ряда хотя бы краткосрочные закономерности, реализующиеся с вероятностью более 50%, то это дало бы основания рассчитывать на успех. Тогда стало бы возможным применение статистических методов для прогнозирования курсов, улавливающих более или менее устойчивые отношения последовательных событий временного ряда .

В данном случае ставится следующая задача. Во-первых, выяснить применимость для краткосрочного прогнозирования валютных курсов каких-либо статистических методов, назначение которых – описывать повторяющиеся события или ситуации, характеризующиеся относительно устойчивыми связями. Во-вторых, если статистические методы применимы для решения поставленной задачи, то установить их наиболее перспективный класс, указать характерные особенности этих методов, особое внимание уделить простейшим из них. В-третьих, показать на примере практические результаты. Отметим, что вопросам прогнозирования курсов валют всегда уделялось большое внимание. Из публикаций на близкую тему укажем, например, работу К. Гренжера и О. Моргенштерна (Granger Clive W.J., Morgenstern Oscar. Predictability of stock market prices. Massachusetts, 1970), в которой исследуется динамика курсов акций и приведена обширная библиография. В этой монографии фактически сделан вывод о том, что если и есть какая-либо в рядах подобного рода, то наиболее вероятно, что она имеется между смежными приростами курсов. Однако возникает вопрос, не пытаемся ли мы прогнозировать совершенно случайные колебания курсов валют. Ответ на этот вопрос находится в специальном исследовании .

Современное прогнозирование

Новый взгляд на роль прогнозирования утвердился как обязательный элемент процесса принятия решения. Логическим следствием усиления роли прогнозирования явилось повышение требований к обоснованности и надежности прогнозных оценок. Однако уровень соответствия аппарата современной прогностики этим новым требованиям остается чрезмерно низким. Даже применение адаптивных моделей, с помощью которых удается, как правило, достичь необходимого уровня адекватности в описании прогнозируемых процессов, только частично решает проблему повышения надежности. Современная экономика порождает процессы со столь сложной динамикой, что идентификация ее закономерностей аппаратом современной прогностики часто оказывается неразрешимой задачей. Совершенствование этого аппарата, прежде всего, нуждается в новых идеях и новых подходах, на основе которых возможна реализация механизмов и способов отражения динамики, формируемой под воздействием эффектов, возможность появления которых в будущем не обнаруживается в данных исторического периода. Возникает явное противоречие, преодоление которого будет способствовать формированию нового взгляда на прогнозирование как упреждающее отражение в вероятностной среде представления об исследуемом процессе в виде траектории, построенной на основе объективных тенденций и субъективные ожидания.

В рамках экономического прогнозирования развитие адаптивного подхода происходит по трем направлениям. Первое из них ориентировано, в основном, на усложнения адаптивных прогнозных моделей. Идея второго направления состоит в совершенствовании адаптивного механизма моделей прогнозирования. В третьем направлении реализуется подход совместного использования адаптивных принципов и других методов прогнозирования, в частности, имитационного моделирования. Разработке адаптивно-имитационных моделей посвящены труды В.В. Давниса .

Развитие рынка определяется , но также верно и обратное – фундаментальные факторы определяются рынком , т.е. поведением участников рынка, их оценками и ожиданиями. При этом умение давать правильную оценку развитию рыночных ситуаций зависит от способности предвосхищать превалирующие ожидания участников рынка, а не от способности прогнозировать изменения в реальном мире . Поэтому идеи развития математического аппарата прогнозирования не в достаточной степени учитывают свойства активности экономических систем, что снижает даже при высокой интерполяционной точности уровень правдоподобности прогнозных оценок. В то же время прогнозы, основанные только на субъективной информации, ориентированы на предсказание качественных характеристик, и поэтому их использование возможно только в специальных случаях. Это выводит на первый план проблему построения прогнозов на основе комбинирования экстраполяционных и субъективных оценок. Проводились исследования в данной области, однако анализ результатов этих исследований показал преобладание в них творческого характера, что свидетельствует, по сути, о начальном уровне разработанности проблемы построения комбинированных прогнозов.

Литература

1. Соболев В.В. Валютный дилинг на финансовых рынках/ Юж.-Рос. гос. техн. ун-т (НПИ). – Новочеркасск, 2009. – 442 с.
2. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. – М.: Финансы и статистика, 2003. – 416 с.
3. Давнис В.В., Тинякова В.И. Адаптивные модели: анализ и прогноз в экономических системах. – Воронеж: Изд-во Воронеж. гос. ун-та, 2006.– 380 с.
4. Мишкин Ф. Экономическая теория денег, банковского дела и финансовых рынков: Учебное пособие для вузов/ Пер. с англ. Д.В. Виноградова под ред. М.Е. Дорошенко. – М.: Аспект Пресс, 1999. – 820 с.
5. Лукашин Ю.П. О возможности краткосрочного прогнозирования курсов валют с помощью простейших статистических моделей // Вестник МГУ. -1990. — Сер. 6. Экономика. -№ 1.-С. 75-84.
6. Соболев В.В. Финансисты/ Юж.-Рос. гос. техн. ун-т (НПИ).–Новочеркасск, 2009.–315 с.
7. Сорос Дж. Алхимия финансов: Пер.с англ. – М.: “Инфра-М”, 1996. – 416 с.

Fortrader Suite 11, Second Floor, Sound & Vision House, Francis Rachel Str. Victoria Victoria, Mahe, Seychelles +7 10 248 2640568

Введение


Современные условия рыночного хозяйствования предъявляют к методам прогнозирования очень высокие требования, ввиду всё возрастающей важности правильного прогноза для судьбы предприятия, да и экономики страны в целом.

Именно прогнозирования функционирования экономики регионов или даже страны нужно уделять пристальное внимание на данный момент, потому что за пеленой сиюминутных собственных проблем все почему-то забыли о том, что экономика страны тоже должна управляться, а следовательно и прогнозирование показателей ее развития должно быть поставлено на твердую научную основу.

Под экономико-математическими методами подразумевается большая группа научных дисциплин, предметом изучения которых является количественные характеристики экономических процессов, рассматриваемые в неразрывной связи с их качественными характеристиками. Также экономико-математические исследования объединяют в комплексе математических методов планирования и управления общественным производствам для достижения наилучших результатов.

Термин "модель" широко используется в различных сферах человеческой деятельности и имеет множество смысловых значений. Рассмотрим только такие "модели", которые являются инструментами получения знаний.

Модель - это такой материальный или мысленно представляемый объект, который в процессе исследования замещает объект-оригинал так, что его непосредственное изучение дает новые знания об объекте-оригинале.

Под моделирование понимается процесс построения, изучения и применения моделей. Оно тесно связано с такими категориями, как абстракция, аналогия, гипотеза и др. Процесс моделирования обязательно включает и построение абстракций, и умозаключения по аналогии, и конструирование научных гипотез.

Правильное определение сбалансированного развития отраслей в каждом сельскохозяйственном предприятии является важной научной и практической проблемой экономики сельского хозяйства. Соотношение отраслей в каждом сельскохозяйственном предприятии должно соответствовать, с одной стороны требованиям государства по продаже определенного объема и ассортимента сельхозпродукции, а с другой - создавать возможность наиболее полного и эффективного использования ресурсов хозяйства.

В сложившихся экономических условиях, когда цены на сельскохозяйственную продукцию значительно ниже цен на продукцию промышленности, когда заработная плата работников сельского хозяйства в несколько раз ниже, чем в других отраслях народного хозяйства, когда износ основных средств в сельскохозяйственных предприятиях достиг 60-70% проблема сбалансированного сочетания отраслей сельхозпредприятия встала на первый план, так как от правильной специализации производства и сочетания отраслей зависят такие важнейшие экономические показатели хозяйства, как уровень рентабельности, выход продукции на единицу земельной площади, производительность труда.

Нужно отметить, что моделирование сельскохозяйственных предприятий имеет ряд особенностей. Так, оптимальное решение, полученное при использовании методов математического программирования, может не всегда соответствовать оптимуму с экономических позиций. Это несоответствие тем больше, чем меньше учтено в модели количественных связей между отдельными факторами, влияющими друг на друга и на конечные результаты. Иначе говоря, в модели должны найти отражение все условия, определяющие данную экономическую проблему. В перечне этих условий наряду с экономическими должны быть агротехнические, зоотехнические, биологические, технические и другие. Для этого необходимы прочные знания в области технологии, техники, экономики, планирования и организации сельскохозяйственного производства. Большое, можно сказать, решающее значение для грамотного построения экономико-математической модели и получения приемлемых оптимальных решений имеет достоверная информация о конкретном моделируемом объекте. Полнота и правильность информации позволяют достаточно точно описать на языке математики все зависимости, связи между изучаемыми экономическими явлениями.

Целью данного курсового проекта является изучить методику математического моделирования программы развития сельскохозяйственного предприятия; составление экономико-математической модели на примере СПК "Курманово" Мстиславского района Могилёвской области; расчет сбалансированной программы развития этого хозяйства и анализ полученного решения.

При написании курсового проекта использовались разработки многих отечественных ученых, методический материал кафедры, а для расчета исходной информации были использованы данные годового отчета СПК "Курманово" Мстиславского района Могилёвской области за 2008г.

Для достижения поставленной цели необходимо решить следующий круг задач:

Дать определение понятия экономико-математических методов и охарактеризовать их классификацию;

Раскрыть содержание этапов построения экономико-математических методов;

Рассмотреть подробнее некоторые экономико-математические методы;

Обосновать программу развития СПК «Курманово» Мстиславского района Могилевской области;

Провести анализ результатов решения развернутой экономико-математической задачи;

Сделать необходимые выводы по результатам решения экономико-математической задачи.


Глава 1. Особенности и методики моделирования программы развития сельскохозяйственного предприятия

1.1 Сущность и классификация экономико-математических моделей

Процесс производства товаров и услуг связан с взаимодействием средств производства, предметов труда и рабочей силы. Состав перечисленных элементов производства, характер их взаимодействия определяют различные результаты предприятий, коллективов и отдельных работников. Ориентация производителя на лучшие результаты хозяйствования требует глубокого анализа процесса производства в целом и его отдельных составляющих, в частности, с целью выработки эффективных решений. Важно выявить элементы, воздействуя на которые обеспечиваются лучшие результаты, более эффективное функционирование объекта или явления. Решение этой проблемы требует рассмотрения любого объекта как сложной производственной или социально-экономической системы, элементы которой взаимосвязаны, динамичны, влияют друг на друга во времени и пространстве. Социальный характер многих сложных объектов определяется тем, что функционирование многих из них предопределено потребностями общества, коллективов и отдельных людей.

Степень сложности объектов или систем зависит от содержания составляющих элементов. Чем проще составляющие, чем меньше их, тем легче предвидеть поведение объекта.

Предвидение возможных изменений в состоянии изучаемых объектов или явлений требует знания последствий от взаимодействия части или всех элементов. Поскольку последствия и характер взаимодействия зависят от количественного и качественного состояния составляющих объектов, возникает необходимость проследить за изменениями изучаемых объектов.

Возможность проследить за изменениями изучаемых объектов зависит от характеристик объектов или явлений. Так, в случае, если изучаемый объект является физическим, т.е. имеет три измерения, особенности взаимодействия его составляющих можем проследить на самом объекте. Однако и в этом случае, если объект отличается большими размерами, возможности отработки лучших вариантов взаимосвязи его составляющих могут быть крайне затруднены. В этом случае, если объект не является физическим, т.е. не имеет привычных нам измерений – длины, высоты и ширины, отработка механизма взаимодействия составляющих его элементов должна быть иной. В этом случае способами поиска лучших решений могут быть или эксперимент, или аналогий.

При изучении объектов или явлений исследователю важно выявить их наиболее существенные черты, а это означает, что отсутствует необходимость в том, чтобы модель отражала все свойства изучаемого объекта. Важно, чтобы модель или аналог изучаемого объекта сохранял подобие на оригинал лишь в самом важном или существенном. Такие модели или аналоги называются гомофонными.

Процесс описания посредством экономико-математической модели существенных черт оригинала, называется имитацией. При создании модели важно иметь ввиду, что понимание существенных и несущественных сторон объекта есть категория относительная и зависит она в значительной степени от уровня познания. По этой причине создаваемые нами аналоги объектов могут иногда отражать несущественные стороны и, наоборот, существенные особенности объектов в моделях могут отсутствовать.

В экономике при изучении производственных систем, состоящие из множества взаимосвязанных элементов производства, чаще всего используются абстрактные модели, которые описывают функционирование объекта числовыми выражениями, графиками и др.. Числовые или математические выражения, описывающие наиболее существенные стороны функционирование объекта, называются экономико-математическими моделями. Под экономико-математической моделью понимается концентрированное выражение общих взаимосвязей и закономерностей экономического явления в математической форме.

Экономико-математическая модель, учитывая важнейшие особенности функционирования объектов, описывает их возможные варианты и состояние. По этой причине реализация экономико-математической модели позволяет выяснить поведение объекта в зависимости от изменения условий его функционирования. Естественно, что выводы по результатам экономико-математической модели о состоянии объекта в значительной мере зависят от совершенства модели, степени учета важнейших сторон его развития. [Линьков]

В последние годы в научных исследованиях аграрной экономики используют комплекс разнообразных моделей. Рассмотрим их классификацию.

1. В зависимости от времени или периода моделирования различают:

· Долгосрочные (5 – 15 лет)

· Среднесрочные (3 – 5 лет)

· Краткосрочные (1 – 2 года)

· Оперативные (месяц, квартал, т.е на текущий период)

2. В зависимости от уровня управления системами агропромышленного комплекса:

· Межотраслевые – позволяют обосновать наилучшие варианты развития взаимосвязанных отраслей и предприятий трех сфер АПК;

· Отраслевые – описывают развитие предприятий определенной сферы: сельского хозяйства, потребительской кооперации и т.д.;

· Региональные – обосновывают программу развития объектов, расположенных на определенной территории, т.е. области, района;

· Внутрихозяйственные – позволяют найти лучшие варианты развития отраслей и производств внутри определенного предприятия АПК.

3. В зависимости от степени определенности информации, используемой в моделях:

· Детерминированные – входные параметры задаются однозначно, выходные показатели определяются соответственно;

· Стохастические – параметры модели, условия функционирования и характеристики объекта выражены случайными величинами.

4. По возможности учета временных изменений модели бывают:

· Статические – все зависимости отнесены к одному моменту времени и они разрабатываются лишь для отдельно взятых периодов;

· Динамические – показатели данной модели меняются во времени.

5. По используемому математическому аппарату различают следующие классы методов и моделей:

· Аналитические – они представляют собой определенную функцию, выражающую взаимосвязь между несколькими показателями, имеют вид формул и отражают функциональные зависимости;

· Оптимизационные – основаны на методах математического программирования, позволяют находить max и min значения целевой функции при заданной системе математических неравенств и уравнений

· Имитационные.[Колеснев]


При постановке различных экономических задач в АПК широко применяются методы математического программирования, суть которого состоит в использовании алгоритма последовательных приближений: вначале идет поиск произвольного допустимого плана, а затем его улучшение до наилучшего (оптимального) варианта. Поэтапно выполняются приведенные ниже операции. [колеснев]

1. постановка экономико-математической модели;

2. качественный анализ взаимосвязи элементов моделируемого объекта;

3.количественный анализ элементов моделируемого объекта;

4. построение структурной экономико-математической модели;

5. методика обоснования исходной информации;

6. составление задачи, решение, анализ результатов.

Постановка экономико-математической модели предполагает решение следующих вопросов.

1) Определение объекта исследования.

2) Выбор года, по данным которого производим расчеты.

3) Выбор критерия оптимальности и на его основе определение целевой функции.

Качественный анализ взаимосвязи элементов. Базой качественного анализа являются данные конкретных экономических, технических и технологических дисциплин, знания, опыт об особенностях функционирования объекта. На основе этой информации выделяем главные факторы, определяющие функционирование объекта, т.е. словесно выделяем основные возможные ограничения базовой задачи.

Например, ставим цель: решить задачу по сочетанию отраслей предприятия на следующий год. Наши знания подсказывают, что решение зависит от использования ресурсов: земельных, трудовых, производства кормов и т.д.

Выводы данного этапа определяют общие для всех предприятий повторяющиеся ограничения и содержание базовой экономико-математической модели. Поэтому нужно провести количественный анализ элементов и выявить как общие, так и специфические особенности функционирования объекта.

Существенное дополнение к базовой модели составят выводы, выясняющие специфические особенности производства. Эти особенности связаны с технологией производства, формой хозяйствования, особенностями реализации продукции, каналами реализации, ценами и др.

В целом данные количественного анализа позволяют дополнить базовую модель часто весьма важными ограничениями.

После этого с учетом выводов, получаемых по третьему этапу, записываем структурную модель применительно к рассматриваемому объекту.

Структурная модель в этом случае будет включать ограничения или соотношения базовой модели и дополнения, вытекающие из данных анализа особенностей функционирования объекта.

При обосновании исходной информации исходной информации, прежде всего, необходимо выбрать единицы измерения переменных.

В экономико-математической модели ее переменные можно разделить на три группы: основные, дополнительные и вспомогательные.

Основные переменные описывают основное содержание задачи, определяют ее конструкцию, дополнительные детализируют или поясняют содержание основных, а вспомогательные дают дополнительную информацию о функционировании объекта.

При подготовке информации следует учитывать, что и ограничения делятся на основные, дополнительные и вспомогательные.

Основные ограничения описывают главные особенности функционирования объекта.

Дополнительные ограничения устанавливают интервалы избиения переменных (от минимума до максимума). Чем меньше эти границы, тем меньше свобода выбора, тем жестче требования задачи. Поэтому дополнительные ограничения на размеры переменных надо вводить только в случае необходимости, когда они вытекают из технологии производства, экономической целесообразности.

Вспомогательные ограничения важные по своей роли – устанавливают соотношение между отдельными параметрами (переменными) объекта.

Обоснование информации – трудоемкий процесс.

Трудность получения приемлемых для практики решений в значительной степени зависит от недостаточной изученности особенностей формирования параметров моделируемых систем.

Сложность обоснования информации связана с многообразием факторов формирования показателей. Исходная информация экономико-математической модели отражает в себе влияние социально-экономических, биологических, производственных, управляемых и неуправляемых факторов, через их значение отражается специфика, особенности состояния и развития производства.

Изложенные соображения определяют, что методика обоснования исходной информации экономико-математических моделей должны базироваться на анализе причинных связей элементов явлений, диалектической взаимосвязи качественной и количественной сущности явлений. При этом количественные характеристики явления преимущественно определяются его качественным содержанием. Выявив причинные связи элементов явления, характер и особенности их проявления, получаем возможность для количественного анализа.

При обосновании информации используются различные методы, основные из которых следующие:

a) Данные технологических карт;

b) Метод экстраполяции;

c) Экспертные оценки;

d) Корреляционные и оптимизационные модели и др.

Данные технологических карт позволяют получить информацию о значении нормативов урожайности, затрат труда, затрат на создание техники и ее эксплуатацию при определенных усредненных условиях. Недостатком метода является то, что он оторван от реальной ситуации. Технологические карты предполагают показатели часто идеальные, часто прогнозные и могут существенно отрываться от реальных в условиях определенных предприятий.

Метод экстраполяции предполагает перенесение сложившихся тенденций на перспективу.

Существенное место в обосновании информации занимают экспертные оценки. Ценность этих методов особенно возрастает в период преобразований, перехода от одной формы хозяйствования к другим. Поэтому в нынешних условиях при обосновании программ развития было бы правильно начинать обоснование программы с экспертных оценок. Они должны дать ответ на вопрос: в каком направлении осуществить развитие, т.е. экспертные оценки позволяют обосновать стратегию развития.

Решение экономико-математической задачи связано с поиском варианта, отвечающего многим требованиям. С одной стороны, эти требования выражаются ограничениями задачи, описывающими особенности функционирования объекта. С другой стороны, наряду с особенностями функционирования объекта необходимо записать общие требования к решению, которые выражаются через критерий оптимальности.

Критерий оптимальности есть качественная категория, выражающая требования общества в целом и коллектива, применительно к условиям которого решается задача, к уровню эффективности использования ресурсов. Отсюда следует, что чем крупнее задача, чем в большей мере ее решение должно отвечать требованиям всего общества.

Нахождение наилучшего варианта требует решения задачи, возникает необходимость количественного выражения критерия оптимальности. Количественное выражение критерия оптимальности есть целевая функция. Целевая функция выражается через показатель эффективности или посредством их объединения. Поскольку сельское хозяйство и аграрно-промышленный комплекс многокритериальны, т.е. имеют несколько целей развития, возникает необходимость в выборе одного показателя эффективности из нескольких, в наибольшей мере выражающего эти цели.

При выборе критерия оптимальности следует учитывать социально-экономический смысл этой категории. Глобальный критерий оптимальности прямо вытекает из особенностей функционирования экономики. В условиях рыночной системы хозяйствования главная особенность в развитии экономики предприятий любой формы собственности является полная ответственность за результаты деятельности. А это означает, что работа предприятия должна осуществляться в условиях самоокупаемости и самофинансирования. Подобное возможно при рентабельной работе предприятий, а это предполагает, что содержание наиболее предпочтительно критерия оптимальности ориентировано на максимизацию прибыли.


1.3 Методики моделирования программы развития сельскохозяйственного предприятия в работах ученых экономистов


В экономических исследованиях издавна применялись простейшие математические методы. В хозяйственной жизни широко используются геометрические формулы. Так, площадь участка поля определяется путем перемножения длины на ширину или объем силосной траншеи - перемножением длины на среднюю ширину и глубину. Существует целый ряд формул и таблиц, облегчающих хозяйственным работникам определение тех или иных величин.[Кравченко 6].

В 60-е годы нашего столетия развернулась дискуссия о математических методах в экономике. Например, академик Немчинов выделял пять базовых методов исследования при планировании:

1) балансовый метод;

2) метод математического моделирования;

3) векторно-матричный метод;

4) метод экономико-математических множителей (оптимальных общественных оценок);

5) метод последовательного приближения.[немчинов].

В то же время академик Канторович выделял математические методы в четыре группы:

Макроэкономические модели, куда относил балансовый метод и модели спроса;

Модели взаимодействия экономических подразделений (на основе теории игр);

Линейное моделирование, включая ряд задач, немного отличающихся от классического линейного программирования;

Модели оптимизации, выходящие за пределы линейного моделирования (динамическое, нелинейное, целочисленное, и стохастическое программирование). [Контрович].

По широте применения различных методов в реальных процессах планирования несомненным лидером является метод линейной оптимизации , который был разработан академиком Канторовичем в 30-е годы ХХ-го века. Чаще всего задача линейного программирования применяется при моделировании организации производства. Вот как по Канторовичу выглядит математическая модель организации производства:

В производстве участвуют M различных производственных факторов (ингредиентов) - рабочая сила, сырье, материалы, оборудование, конечные и промежуточные продукты и др. Производство использует S технологических способов производства, причем для каждого из них заданы объемы производимых ингредиентов, рассчитанные на реализацию этого способа с единичной эффективностью, т.е. задан вектор a k = (a 1k , a 2k ,..., a mk), k = 1,2...,S, в котором каждая из компонент a ik указывает объем производства соответствующего (i-го) ингредиента, если она положительна; и объем его расходования, если она отрицательна (в способе k).

Выбор плана означает указание интенсивностей использования различных технологических способов, т.е. план определяется вектором x = (x 1 , x 2 ,..., x S ) c неотрицательными компонентами [Контрович].

Обычно на количества выпускаемых и затрачиваемых ингредиентов накладываются ограничения: произвести нужно не менее, чем требуется, а затрачивать не больше, чем имеется. Такие ограничения записываются в виде

S a ik x k > b i ; i=1,2,...,m.


Если i > 0, то неравенство означает, что имеется потребность в ингредиенте в размере i, если i < 0,то неравенство означает, что имеется ресурс данного ингредиентов размере - i =¦ i¦. Далее предполагается, что использование каждого способа, связанного с расходом одного из перечисленных ингредиентов или особо выделенного ингредиента в количестве Ck при единичной интенсивности способа k. В качестве целевой функции принимается суммарный расход этого ингредиента в плане.

f(x) = S c k x k .


Теперь общая задача линейного программирования может быть представлена в математической форме. Для заданных чисел a ik , c k , и b i найти


при условиях

k > 0, k = 1,2,...,s

S a ik x k > b i , i = 1,2,...,m


План, удовлетворяющий условиям и , является допустимым, а если в нем, кроме того, достигается минимум целевой функции, то этот план оптимальный.

Задача линейного программирования двойственна, то есть, если прямая задача имеет решение, (вектор x =(x 1 , x 2 ,..., x k)), то существует и имеет решение обратная задача основанная на транспонировании матрицы прямой задачи. Решением обратной задачи является вектор y = (y 1 , y 2 ... ,y m) компоненты которого можно рассматривать как объективно обусловленные оценки ресурсов, т.е. оценки, показывающие ценность ресурса и насколько полно он используется. [Контрович]

На основе объективно обусловленных оценок американским математиком Дж. Данцигом - был разработан симплекс-метод решения задач оптимального программирования. Этот метод весьма широко применяется. Алгоритм его весьма детально проработан, и даже составлены прикладные пакеты программ, которые применяются во многих отраслях планирования.

Его идея состоит в следующем: вначале достигается опорное решение поставленной задачи, т.е. допустимый вариант, удовлетворяющий всем ограничениям. Затем, проделывая ряд последовательных шагов, сводящихся к выполнению элементарных алгебраических преобразований, получают новое решение. Оно лучше или, по крайней мере, не хуже предшествующего. После конечного числа шагов (итераций) либо устанавливают неразрешимость задачи, либо опорный план является оптимальным.

Необходимо отметить, что симплекс метод работает только для системы линейных уравнений в каноническом виде, в которой должна быть предварительно записана исходная задача.

Решение задачи включает поиск опорного и нахождение оптимального решения. Признаки опорного решения – это наличие положительных свободных членов. В случае его отсутствия поступаем следующим образом:

1 – выбираем любой отрицательный свободный член;

2 – находим любой отрицательный коэффициент в строке отрицательного свободного члена;

3 – проводя деление коэффициентов столбца свободных членов на соответствующие коэффициенты столбца с выбранным отрицательным элементом, находим наименьшее положительное значение, которое укажет на разрешающий коэффициент.

После выбора разрешающего элемента симплексное преобразование выполняется по следующим правилам:

1. Новый коэффициент вместо разрешающегося равен 1, деленной на разрешающийся коэффициент. При этом новыми будут называться коэффициенты следующей симплексной таблицы по отношению к предыдущей;

2. Новые коэффициенты строки разрешающегося элемента равны предыдущим, деленным на разрешающий;

3. Новые коэффициенты столбца разрешающегося элемента равны предыдущим, деленным на разрешающий элемент, взятый с противоположным знаком;

4. Новые коэффициенты, не стоящие в строке или столбце разрешающегося элемента, равны частному от деления разности произведения коэффициентов главной и побочной диагоналей на разрешающий элемент.

Все результаты расчетов элементов заносятся в симплекс-таблицу. [Колеснев]

Несмотря на широту применения метода линейного программирования, он учитывает лишь три особенности экономических задач - большое количество переменных, ограниченность ресурсов и необходимость целевой функции. Конечно, многие задачи с другими особенностями можно свести к линейной оптимизации, но это не дает нам права упустить из виду другой хорошо разработанный метод математического моделирования - динамическое программирование . По сути, задача динамического программирования является описанием многошаговых процессов принятие решений. Задача динамического программирования можно сформулировать следующим образом:

имеется некоторое количество ресурса х, которое можно использовать N различными способами. Если обозначить через х i количество ресурса, используемое i-m способом, то каждому способу сопоставляется функция полезности (х i), выражающая доход от этого способа. Предполагается, что все доходы измеряются в одинаковых единицах и общий доход равен сумме доходов, полученных от использования каждого способа.

Теперь можно поставить задачу в математической форме. Найти


max y 1 (x 1)+ y 2 (x 2)+ ... + y n (x n)


(общий доход от использования ресурсов всеми способами) при условиях:

Выделяемые количества ресурсов неотрицательны;


X 1 > 0,..., x N > 0


Общее количество ресурсов равно x .


X 1 + x 2 + ... + x N = x


Для этого общей задачи могут быть построены рекуррентные соотношения


¦ 1 (x) = max {j 1 (x 1)},

0 <=X1<= X

¦ k (x) = max {j k (x k)+ ¦ k-1 (x - x k)}.

к = 2,3,..., N,


с помощью которых находится ее решение.

При выводе этих рекуррентных соотношений, по сути, использовался следующий принцип, оптимальная стратегия обладает тем свойством, что по отношению к любому первоначальному состоянию после некоторого этапа решения совокупность последующих решений должна составлять оптимальную стратегию. Этот принцип оптимальности лежит в основе всей концепции динамического программирования. Именно благодаря ему удается при последующих переходах испытывать не все возможные варианты, а лишь оптимальные выходы. Рекуррентные соотношения позволяют заменить чрезвычайно-трудоемкие вычисления максимума по N переменным в исходной задаче решением N задач, в каждой из которых максимум находится лишь по одной переменной.

Таким образом, метод динамического программирования позволяет учесть такую важную особенность экономических задач, как детерминированность более поздних решений от более ранних. [беллман]

Кроме этих двух, достаточно детально разработанных методов, в экономических исследованиях в последнее время стали применяться множество других методов.

Одним из подходов к решению экономических задач является подход, основанный на применении новой математической дисциплины - теории игр .

Суть этой теории заключается в том, что игрок (участник экономических взаимоотношений) должен выбрать оптимальную стратегию в зависимости от того, какими он представляет действия противников (конкурентов, факторов внешней среды и т.д.). В зависимости от того, насколько игрок осведомлен о возможных действиях противников, игры (а под игрой здесь понимается совокупность правил, тогда сам процесс игры это партия) бывают открытые и закрытые. При открытой игре оптимальной стратегией будет выбор максимального минимума выигрыша ("максимина") из всей совокупности решений, представленных в матричной форме. Соответственно противник будет стремится проиграть лишь минимальный максимум ("минимаск") который в случае игр с нулевой суммой будет равен "максимину". В экономике же чаще встречаются игры с ненулевой суммой, когда выигрывают оба игрока.

Кроме этого в реальной жизни число игроков редко бывает равно всего двум. При большем же числе игроков появляются возможности для кооперативной игры, когда игроки до начала игры могут образовывать коалиции и соответственно влиять на ход игры. [нейман]

Создатель теории игр Дж. Нейман еще в 1947 г. установил, что любую конечную игру двух лиц с нулевой суммой можно представить в виде задачи линейного программирования и наоборот. Для изучения данного подхода обозначим через Р 1 , Р 2 …Р m вероятность применения игроком А в ходе игры своих чистых стратегий А 1 , А 2 …А m. Тогда пусть Q 1 , Q 2 …Q n – вероятности применения игроком В своих чистых стратегий В 1 , В 2 …В n .

Для вероятностей P i и Q j выполняются условия:

P i ≥ 0, i=1, m(i=1, 2 … m). P i = 1,

Q j ≥ 0, j = 1 n(j=1,2,…n) Q j =1


если обозначим смешанные стратегии первого (А) и второго (В) игроков через Q и P, то Q=(Q 1 , Q 2 …Q n), P=(Р 1 , Р 2 …Р m). Например смешанной стратегией игрока А является полный набор вероятностей применения его чистых стратегий. [Колеснев]

Методы управления запасами. В научных исследованиях аграрной экономики особое внимание уделяется такому аспекту повышения эффективности работы предприятий, как грамотное управление имеющимися запасами. Во всех сферах АПК важно поддерживать рациональный уровень запасов (сырья, полуфабрикатов, готовых изделий). Затраты на хранение слишком больших запасов уменьшают прибыльность организации; подержание запасов на слишком низком уровне связано с риском возникновения дефицита и остановкой производства. Для компромиссного решения данной проблемы применяют модели управления запасами.

Запас – это все то, на что имеется спрос и что выключено временно из потребления. В народном хозяйстве различают: а) запасы средств производства; б) запасы предметов потребления. Если рассматривать совокупные запасы на пути технологической цепи «поставщик – потребитель», то их можно разделить на две основные части: товарные и производственные.

Товарные – это часть совокупных запасов, которые находятся в сфере обращения. Они формируются в различных звеньях оптовой и розничной торговли, на складах предприятий-изготовителей, на снабженческих и сбытовых базах.

К производственным относится часть совокупных запасов, находящаяся в руках производителей и вступившая (или готовая вступить) в процесс непосредственного производства. Под ними подразумевается продукция производственно-технического назначения.

В процессе применения методов управления запасами важно понимать и учитывать приведенные ниже особенности.

1. Величина запаса. Она определяется в натуральном или стоимостном выражении. В натуральных величинах (т, кг, шт) измеряется запас отдельного товара, сырья, инструмента или их родственной группы. Совокупный запас измеряется в стоимостном выражении.

2. Спрос- потребность в материальных ресурсах или товарах. Он бывает детерминированным (достоверно известный, характеризуемый заранее определенной величиной) или недетерминированный (случайный, стохастический, описанный вероятностным распределением), что приводит к постановке детерминированных и стохастических моделей.

В свою очередь, детерминированный спрос может быть:

Статический (стационарный, постоянный во времени)

Динамический (нестационарный, когда объем спроса является функцией времени).

3. Порядок пополнения запасов (или срок выполнения заказа). Речь идет об интервале времени между моментом размещения заказа и его поставкой.

4. Издержки. Цель модели управления запасами – сведение к минимуму отрицательных последствий накопления запасов, что выражается в определённых издержках. Эти издержки бывают трех основных видов: на размещение заказов, на хранение, а также потери, связанные с недостаточным уровнем запасов. В этом случае продажа готовой продукции или предоставление обслуживания становятся невозможными, а также возникают потери от простоя производственных линий, в частности, в связи с необходимостью оплаты труда работников, хотя они не работают в данный момент.

Поддержание высокого уровня запасов избавляет от потерь, обуславливаемых их нехваткой. Закупка в больших количествах материалов, необходимых для создания запасов, во многих случаях сводит к минимуму издержки на размещение заказов, поскольку предприятие может получить соответствующие скидки и снизить объем «бумажной работы». Однако эти потенциальные выгоды перекрываются дополнительными издержками типа расходов на хранение, перегрузку, выплату процентов, затрат на страхование, потерь от порчи, воровства и т.д

Имитационное моделирование. Имитационное моделирование обозначает процесс создания модели и ее экспериментальное применение для определения изменений реальной ситуации. Главная идея имитационного моделирования состоит в использовании некоего устройства для имитации реальной системы для того, чтобы исследовать и понять ее свойства, поведения и характеристики. Специалисты по производству и финансам могут разрабатывать модели, позволяющие имитировать ожидаемый прирост производительности и прибыли в результате применения новой технологии или изменения состава рабочей силы.

Имитация используется в ситуациях, слишком сложных для математических методов типа линейного программирования. Это может быть связано с чрезмерно большим числом переменных, трудностью математического анализа определенных зависимостей между переменными или высоким уровнем неопределенности.

Имитационные методы применяются в различных сферах АПК.

1. Можно смоделировать различные параметры, связанные с производственной, коммерческой и внешнеторговой деятельностью организаций. (количество выпускаемой продукции, объем продаж, ценовые характеристики, урожайность сельскохозяйственных культур, текучесть кадров и др.)

2. Можно решить экономические задачи производственно-технологического характера, возникающие при управлении запасами и в процессе создания систем массового обслуживания.

Использование методов имитационного моделирования приносит исследователю ряд преимуществ, так как:

1. обеспечивает учет неопределенности различных переменных (например, цены конкурентов, сроки поставки и д.);

2. позволяет проводить сравнение альтернативных вариантов (например, можно проанализировать воздействие различной политики ценообразования на спрос или системы налогообложения на рост производства);

3. дает возможность оценивать многообразные исходы;

4. устраняет риски, так как позволяет не проверять различные стратегии в реальных ситуациях;

5. ведет к экономии финансовых средств и времени.

В некоторых задачах имитационное моделирование может проводиться путем формального описания реальной последовательности взаимосвязей между показателями, не используя специального математического аппарата. В этом суть сингулярной имитационной модели, которая предназначена для машинной имитации исследуемого экономического процесса путем изменения входных данных.

Имитационне модели, в которых присутствует фактор времени, различают двух типов:

1. Непрерывные модели используются для систем, поведение которых изменяется непрерывно во времени. Типичным примером непрерывной имитационной модели является изучение динамики населения

2. Дискретные модели используются для систем, поведение которых изменяется лишь в заданные моменты времени.

Методы имитационного моделирования также используются для решения задач, связанных с массовым обслуживанием. Такие ситуации возникают там, где есть покупатели, а также товары или заказы, поступающие в определенное время. При этом обслуживание осуществляется в определенной последовательности.

Итак, имитационное моделирование – это часто весьма практичный способ подстановки модели на место реальной системы или натурального прототипа. Эксперименты на реальных или прототипных системах стоят дорого и продолжаются долго, а релевантные переменные не всегда поддаются регулированию. Экспериментируя на модели системы, можно установить, как она будет реагировать на определенные изменения или события, в то время когда отсутствует возможность наблюдать эту систему в реальности. Если результаты экспериментирования с использованием имитационной модели свидетельствует о том, что модификация ведет к улучшению, руководитель может с большей уверенностью принимать решение об осуществлении изменения в реальной системе.


Глава 2. Обоснование программы развития

2.1 Постановка экономико-математической задачи


Сельскохозяйственное предприятие представляет собой социально-экономическую систему с определенными соотношениями и пропорциями ее подразделений и взаимосвязями с другими предприятиями АПК. Рассматриваемая модель развития предприятия - комплексная. Она учитывает все составляющие предприятий. Необходимость решения данной модели диктуется условиями:

Переход к рыночной системе хозяйствования предполагает самоокупаемость и самофинансирование, т.е. полную ответственность за результаты хозяйствования. Наряду с этим важную роль приобретает инициатива, умение найти рынки сбыта и в целом продуманная система реализации продукции. В нашей задаче кроме реализации продукции государству предусмотрен рыночный фонд.

Хозяйство должно развиваться с учетом имеющихся земельных, трудовых и прочих ресурсов.

Важнейшей пропорцией в экономике предприятий являются взаимосвязи растениеводства и животноводства. В результате оптимизации эти взаимосвязи должны обеспечить оптимизацию структуры кормопроизводства на основе оптимальных рационов кормления и эффективного соотношения между поголовьем и ресурсами кормов.

Животноводство может использовать побочную продукцию основных отраслей растениеводства (солому).

СПК «Курманово» собирается возделывать озимые и яровые зерновые, зернобобовые, однолетние и многолетние травы, рапс, кукурузу.

Предполагается покупка недостающих видов кормов - концентратов, обрата и картофеля, которые в хозяйстве не выращиваются.

Предприятие планирует реализовывать зерно, говядину и молоко, в счет договорных поставок. Также предполагается сбыт зерна и говядины по рыночным каналам.

Сельскохозяйственное предприятие - часть экономической системы государства, участник общественного разделения труда, что предопределяет необходимость предусмотреть для соблюдения пропорциональности в народном хозяйстве производство отдельных видов продукции в размере, не ниже установленного минимума, учесть, что часть продукции - т.е. рыночный фонд - будет реализована по другим негосударственным каналам.

Критерием оптимальности в решении данной задачи выступит максимум прибыли.

Расчеты будут проводиться на ближайший год в силу изменчивости аспектов экономики, цен и т.д.


2.2 Структурная экономико-математическая модель


Структурная экономико – математическая модель используется при описании прошлого, настоящего и прогнозировании будущего.

Чтобы эти возможности моделей были реализованы, необходимо составлять и решать развернутые экономико – математические модели. Развернутая (расширенная) модель (задача) есть детализация структурной модели применительно к конкретному объекту.

Отличие развернутой экономико – математической модели не только в информации, но и в том, что новое знание о моделируемом объекте можем сразу отразить в задаче, т.е. развернутая модель учитывает нюансы изучаемого явления (часто важные).

Взаимосвязь структурной и развернутой моделей – один из наиболее важных и существенных моментов всей теории моделирования.

Чтобы понять эти взаимосвязи построим на основе развернутой модели структурную модель.

Для построения структурной модели необходимо ввести условные обозначения, которые включают 3 группы:

2) неизвестные величины;

3) известные величины: технико-экономические коэффициенты и коэффициенты F-строки.

При введении условных обозначений необходимо руководствоваться следующими основными принципами:

¾ последовательность – обозначает, что в структурной модели каждый индекс должен обозначать одно понятие и не больше. Если индекс обозначает номер строки, то он ни при каких обстоятельствах не обозначает номер столбца;

¾ экономичность – обозначает, что каждое понятие по возможности должно иметь постоянное обозначение. Например, если i – номер строки в одной модели, то в другой – тоже;

¾ запоминаемость – предполагает, сто при введении обозначений вводим индексы, встречающиеся в других дисциплинах (h – номер корма в теории кормления и т.д.)

Индексация:

Номер сельскохозяйственных культур и отраслей;

Множество сельскохозяйственных культур и отраслей;

Множество отраслей растениеводства, ;

Множество отраслей животноводства, ;

Номер ресурсов, питательных веществ, видов товарной продукции;

Множество видов земельных угодий;

Множество видов труда;

Множество видов питательных веществ;

Множество видов товарной продукции;

Множество видов привлеченного труда;

Номер вида корма;

Множество видов кормов;

Множество покупных кормов, ;

Множество кормов животного происхождения и побочных кормов, ;

Множество побочных кормов, ;

Множество собственных основных кормов, ;

Множество обмениваемых кормов, ;

Неизвестные:

Размер отрасли;

Количество покупных кормов;

Количество побочных кормов и кормов животного происхождения;

Количество побочных кормов;

Скользящая переменная по корму для вида или половозрастной группы скота;

Количество кормов в обмен h;

Количество привлеченного труда;

Рыночный фонд продукции;

Стоимость товарной продукции;

Известные:

Ресурсы земельного угодья;

Ресурсы труда;

План продажи продукции;

Расход корма на внутрихозяйственные нужды;

Ограничения на привлеченный труд;

Соответственно минимальный и максимальный размер отрасли;

Расход труда на единицу отрасли;

Выход корма от единицы отрасли;

Соответственно минимальный и максимальный расход корма на единицу отрасли животноводства;

Расход питательного вещества на единицу отрасли животноводства;

Выход товарной продукции от единицы отрасли;

Стоимость товарной продукции на единицу отрасли;

Необходимо найти

По особенностям записи, содержанию коэффициентов переменных в нашей задаче восемь однородных групп ограничений, следовательно, в структурной модели будет восемь соотношений. Соотношения (условия) модели:

1) По использованию сельскохозяйственных угодий

Сумма площадей сельскохозяйственных культур, возделываемая на данном виде сельскохозяйственных угодий, не должна превышать площади этих угодий.

2) По использованию труда

а) годового

б) привлечённого

Затраты труда на развитие отраслей растениеводства и животноводства не должна превышать наличие труда на предприятии с учетом его привлечения.

3) По балансу отдельных видов кормов и формированию рационов:

а) по балансу основных видов кормов

б) по балансу покупных кормов, кормов животного происхождения и побочных кормов

в) по производству побочных кормов

Нормы рас хода отельного вида корма, умноженные на поголовье соответствующих групп животных по всем видам и половозрастным группам с учетом скользящих переменных, не должны превышать объема соответственного производства корма, с учетом возможной покупки и рас хода его для нужд населения.

4) По балансу питательных веществ

В левой части находится расход питательных веществ для всего поголовья каждого вида скота, а в правой – наличие питательных веществ в кормах предприятия.

В левой части – разность между потребностью в питательном веществе на 1 голову животного и содержанием этого вещества в рационе по минимальной норме, умноженная на поголовье животного, а в правой – содержание питательного вещества в добавках кормов для данного вида животного.

6) По величине скользящей переменной

т.е. добавка корма для животных не должна превышать разности между максимальной и минимальными нормами кормления на голову, умноженной на поголовье.

7) По размерам отдельных отраслей

8) По реализации продукции

где производство товарной продукции распределяется по различным каналам реализации.


2.3 Обоснование исходной информации задачи


В качестве объекта исследования у нас выступает СПК «Курманово» Мстиславского района Могилевской области.

Обоснование сбалансированной программы развития предприятия будем проводить по данным 2008 года. Период прогноза 1 год.

Определяем объемы ресурсов предприятия, возможные тенденции их изменения на плановый период:

а) Земельные ресурсы (пашня, сенокосы, пастбища) планируем на фактическом уровне.

б) Запас годового труда определяем как количество среднегодового отработанного времени с учетом выбытия трудовых ресурсов 1% в год.

в) Ресурс труда в напряженный период 55% от годового.


Таблица 2.3.1. Производственные ресурсы


Обоснование информации по растениеводству

Ø Определяем урожайность зерновых культур в физической массе после доработки на перспективу по следующей корреляционной модели:

= + a 1 x

29,9 + 29,9 + * 1,3 = 31,2


где, – расчетная (планируемая) урожайность зерновых культур хозяйства на перспективу, ц\га;

Фактическая урожайность зерновых культур на начало планового периода по хозяйству, ц\га;

0 - фактическая урожайность зерновых культур по хозяйствам района в среднем, ц\га;

Величина планового периода, лет (1 год)

1 – коэффициент регрессии, характеризующий возможное среднегодовое приращение урожайности в хозяйстве.

Коэффициент приращения в зависимости от средней фактической урожайности на начало планового периода составил 1,3.


Таблица 2.3.2. Расчет перспективной урожайности отдельных видов зерновых культур


Ø При обосновании урожайности с\х культур определяем по КМ соотношения урожайности зерновых и этих культур. После расчета параметры этих КМ будут иметь следующий вид:


у х = у 0 + а 0


где у х – расчетная урожайность сельскохозяйственной культуры, ц\га;

у 0 – фактическая урожайность сельскохозяйственной культуры, ц\га;

а 0 , а 1 – коэффициенты регрессии;

∆u – приращение урожайности зерновых культур (-), ц\га;


Таблица 2.3.3. Коэффициенты регрессии


у Кукуруза на силос = 244 + 14,1 * = 244+14,1*2,18 0,6 = 66,6

у многолетние травы на сено = 2,8 + 1,13 + = 28+1,13*2,18 0,034 = 29,1

у Однолетние травы на зеленую массу = 74 + 1,17 * = 74+1,17*2,18 1,3 = 77,3


Урожайность многолетних трав на зеленую массу = урожайность многолетних трав на сено*4,5 = 29,1*4,5=131,0

Урожайность многолетних трав на семена = урожайность многолетних трав на сено ÷ 10 = 29,1 ÷ 10 = 2,9

Урожайность многолетних трав на сенаж = урожайность многолетних трав на зеленую массу * 0,45 = 131*0,45=59,0

Урожайность многолетних трав на травяную муку = урожайность многолетних трав на сено*0,8 = 29,1*0,8 = 23,3

Урожайность силосных культур = урожайность многолетних трав на зеленую массу*0,75 = 59,0*0,75 = 44,3

Затраты труда по культурам (колонка 8) (чел.-час./га) рассчитываются по КМ в зависимости от фактических затрат по хозяйству (х 1) и расчетной урожайности по культурам (х 2), ц\га

Яровые зерновые: у х = 7,3+0,712 х 1 – 0,416 х 2 = 7,3+0,712*38,5 – 0,416*31,2=21,7

Озимые зерновые: у х = 13,6+0,712 х 1 - 0,416 х 2 =13,6+0,712*35–0,416*28,1=28,6

Кукуруза на зеленый корм: у х =14,6+0,55 х 1 -0,031 х 2 =14,6+0,55*20-0,031*266,6=17,3

Однолетние травы на зеленый корм: у х =20,3+0,45 х 1 -0,12 х 2 =20,3+0,45*15-0,12*77,3=17,8

Затраты труда на 1га многолетних трав на сено рассчитываем по формуле: у х =6,3+0,75 х 1 -0,23 х 2 = 6,3+0,75*28,4-0,23*29,1=20,9

Затраты труда на 1га многолетних трав на семена = затраты труда по многолетним травам на сено * 1,36 = 20,9*1,36=28,4

Затраты труда на 1га многолетних трав на зеленый корм = затраты труда по многолетним травам на сено*0,3=20,9*0,3=6,3

Затраты труда на 1га многолетних трав на сенаж = затраты труда по многолетним травам на сено*0,9 = 20,9*0,9 = 18,8

Затраты труда на 1га многолетних трав на травяную муку = затраты труда по многолетним травам на сено*1,3 = 20,9*1,3 = 27,2

Затраты труда на 1га кукурузы на силос = затраты труда кукурузы на зеленый корм*1,08 = 17,3*1,08 = 18,7

Затраты труда на 1га сенокосов, пастбищ, озимой ржи на зеленый корм, пожнивных планируем по нормативу.

Затраты труда на 1 га овощей, рапса, сахарной свеклы планируем на уровне фактических.

Затраты труда по зернобобовым рассчитываются по формуле:


ЗТг = ЗТн+0,5*∆


где ЗТ – перспективные годовые затраты труда, чел.-час/га

ЗТн – нормативные затраты труда, чел.-час/га

∆ - разница расчетной и фактической урожайностью, ц\га

Ун – нормативная урожайность, ц\га


ЗТ по зернобобовым = 13,0+0,5*0,6 = 13,2

Затраты труда по культурам в напряженный период рассчитываем в процентах к затратам труда за год по следующей формуле:


ЗТнп = ЗТг*,


где ЗТнп – перспективные затраты труда в напряженный период, чел.-час/га;

ЗТг – перспективные годовые затраты труда, чел.-час/га (8 колонка);

ЗТнпн–нормативные затраты труда в напряженный период, чел.-час/га

(7 колонка);

ЗТнгод – нормативные затраты труда за год, чел.-час/га (6 колонка).

Обоснование информации по животноводству

Определяем продуктивность среднегодовой коровы (центнер ), привес молодняка КРС и свиней (грамм) в зависимости от фактической на начало планового периода, приращения урожайности зерновых культур как мерила кормовой базы:


где - соответственно перспективная продуктивность животных и ее значение на начало планового периода;

t – продолжительность планового периода;

Приращение урожайности зерновых, ц;

а 1 – коэффициент регрессии (для коров – 2,6; молодняка КРС – 0,0054; свиней – 0,024)


Расчет продуктивности (заносим результаты расчетов в табл.2.3.5. к.1)


Определяем прирост ж.м. не перспективу (заносим результаты расчетов в табл.2.3.5. к.1)


Расход питательных веществ (ц. к.ед.) на производство 1ц продукции животноводства определяем по КМ(заносим результаты расчетов в табл.2.3.5. к.2):

На 1ц молока: У х = = 1,19

где х 2 – надой молока за год, ц

На 1ц привеса КРС: У х = = У х = = 16,2

где х 2 – среднесуточный привес, кг

Определяем расход питательных веществ (ц. к.ед.) на среднегодовую голову животного (заносим результаты расчетов в табл.2.3.5. к.3) =

Расход питательных веществ (ц. к.ед.) * среднегодовую

на производство 1ц продукции продуктивность

Коровы : 35,6*1,19 = 42,4

Молодняк КРС : 1,65*16,2 = 26,7

Для коров будем рассчитывать рацион кормления со скользящими переменными , поэтому определяем расход перевариваемого протеина (п.п.) исходя из потребности: на 1ц к.ед. должно содержаться в рационе не менее 0,105 ц п.п. (заносим результаты расчетов в табл.2.3.5. к.4)

Методика расчета потребности ц п.п. на 1 корову: потребность ц к.ед.*0,105 ц п.п. на 1ц к.ед.

Коровы : 42,4*0,105=4,6

Молодняк КРС : 26,7*0,105=2,8

Затраты труда на среднегодовую голову рассчитываются по КМ в зависимости от фактических затрат труда (х 1) и перспективной продуктивности животного (х 2): (заносим результаты расчетов в табл.2.3.5. к.7)

Коровы : У х = 60,2+0,85 х 1 -1,62 х 2 = 60,2+0,85*207,5-1,62*36,7 = 177,1

Молодняк КРС : У х = 26,6+0,6 х 1 -0,7 х 2 = 26,6+0,6*65,8-0,7*1,65 = 64,9

Затраты труда в напряженный период рассчитываем по ранее приведенной формуле. (заносим результаты расчетов в табл.2.3.5. к.8)

Коровы : * 177,1 = 42,3

Молодняк КРС : * 64,9 = 21,6


Таблица 2.3.5. Исходная информация по животноводству

Вид животных

тивность, ц

Расход ц к.ед./ц продукции

Расход ц к.ед./гол

Расход ц п.п./гол

Затраты труда, чел.час./гол

нормативные

прогнозные

в напряж. период

в напряж. период

Коровы, ц

Молодняк КРС, кг




Таблица 2.3.6. Рационы кормления на 1гол. животных

Наименование кормов

Содержится в 1ц корма

КРС на выращивании и откорме




За итого берем расход ц к.ед./гол молодняка КРС и рассчитываем согласно %

ц корма (7к.)* ц п.п. (3к.)

ц к.ед.(5к.)/ ц п.п.(2к.)



Концентраты

Корнеплоды

Картофель

Зеленый корм




Определяем расход кормов на внутрихозяйственные нужды.

Для этого 1) определяем количество семей:



где d – число семей в хозяйстве

N – годовой запас труда на перспективу, тыс.чел.час.

1,8 – выработка на среднегодового работника, чел.час.

1,4 – число среднегодовых работников на одну семью.


d = 548,46*2,52 = 1382,12


2) число коров в личном пользовании: У х = d*0,6, где 0,6 – плотность коров в расчете на 1 семью.


У х = 1382,1*0,6 = 829


3) определяем корма на внутрихозяйственные нужды, исходя из того, что на каждую семью выделяется 8ц концентратов, на 1 корову 20ц сена, 65ц зеленой массы.


Таблица 2.3.8. Расчет расхода кормов на внутрихозяйственные нужды

Вид корма

Содержится в 1ц корма

Концентраты

Зеленый корм

Определяем перспективный объем реализации продукции

Предполагается, что рост объемов реализации без закупок у населения по продукции растениеводства составляет 3% в год, по продукции животноводства – 2% в год. Договорные поставки по видам продукции для которой вводится рыночный фонд (зерно, картофель, овощи) составляют 80% от перспективных объемов реализации, по остальным видам продукции – 100%. Перспективный объем реализации находим как разницу между фактическим объемом реализации и купленной у населения продукцией, увеличенной на % роста.


Таблица 2.3.9. Перспективный объем реализации продукции


Вид продукции

Фактический объем реализации, ц

у населения, ц

Объем реализации на перспективу, ц

Объем договорных поставок, ц

Мясо: говядина

Технологические ограничения

1. Площадь посева зерновых от 30 до 60% от площади пашни. Удельный вес отдельных видов зерновых в структуре зернового клина определяем на основании следующих расчетов: min – 30% от пашни прогнозной, max – 60% от пашни прогнозной.


Таблица 2.3.10. Структура зернового клина

Наименование зерновых культур

Посевная площадь

фактическая

Перспективная

Минимальная

(80% от факт.)

Максимальная

(120% от факт.)

Зернобобовые

2. Площадь посева картофеля до 10% от площади пашни (если больше оставляем на фактическом уровне);

3. Площадь посева льна до 15% от площади пашни;

4. Общая площадь многолетних трав не менее 50% от фактической площади многолетних трав;

5. Площадь посева однолетних трав на зеленый корм не менее 50% от фактической площади однолетних трав;

6. Площадь посева рапса, овощей сахарной свеклы не более 200% от фактической площади;

7. Площадь посева озимой ржи на зеленый корм не более 5% от площади пашни;

8. Планируемое поголовье животных составит от 100 до 130% от фактического поголовья;


Таблица 2.3.11. Предельное поголовье животных


9. Планируемое поголовье лошадей соответствует фактическому;

10. Площадь посева трудоемких культур (картофель, корнеплоды, лен, овощи) не более 20% от площади пашни;

Предполагается реализация части продукции на рынке. Цены реализации данной продукции на рынке на 50% выше реализационных цен.


Таблица 2.3.12. Закупочные цены сельскохозяйственной продукции


Зерно обмениваем на комбикорм с коэффициентом 1,3.


2.4 Анализ результатов решения развернутой экономико-математической задачи


Целью математического моделирования экономических систем является использование методов математики для наиболее эффективного решения задач, возникающих в сфере экономики, с использование, как правило, современной вычислительной техники.

Получив решение задачи (Приложение 2), произведем его анализ путем сравнения фактических и расчетных показателей.


Таблица 2.4.1. Использование производственных ресурсов

Показатели

Используется

Уровень использования, %

Пашня, га

Сенокосы, га

Пастбища, га

Труд, че.час.:

в напряженный период



Из таблицы 2.4.1. видим, что площадь пашни, сенокосов и пастбищ используются на 100%, а вот труд как годовой, так и в напряженный период не полностью.

Для получения максимальной прибыли в хозяйстве необходимо произвести некоторые изменения в структуре посевных площадей. Эти изменения отражены в таблице 2.4.2.


Таблица 2.4.2. Размер и структура посевных площадей

Культуры

Фактическое значение

Расчетное значение

Расчетное значение в % к фактическому

Зерновые,- всего

в т.ч.: озимые

зернобобовые

Многолетние травы

Однолетние травы

Кукуруза

Всего посевов

Таблица 2.4.3. Предполагаемый объем покупки кормов, ц


В хозяйстве покупаются не производимые корма – обрат, картофель, концентратами оно обеспечивает себя самостоятельно. По результатам решения можем сделать вывод, что для получения максимальной прибыли мы должны снизить покупку кормов на 54,8%.


Таблица 2.4.4. Поголовье животных


В данной задаче по оптимальному решению наблюдается увеличение поголовья как коров, так и молодняка КРС. Поголовье лошадей планируем на фактическом уровне.


Таблица 2.4.5. Расход и структура кормов для коров

Виды кормов

Нормативное значение

Расчетное значение

Расчетное значение

в % к фактическому

Концентраты

Корнеплоды

Картофель




Методика расчета: расчетное значение нормы вскармливания какого-либо корма = вскармливания этого корма на 1гол.

При анализе таблицы 2.4.5. следует отметить, что одни корма планируются с превышением над их потребностью, а другие наоборот – со снижением как в кормовых единицах, так и в перевариваемом протеине.


Таблица 2.4.6. Объем реализации товарной продукции, ц


Расчётный объём реализации увеличился по всем видам товарной продукции. Резкий рост реализации зерна и рапса связан с таким же резким ростом площадей данных культур, а также плановой урожайности. Продажа по всем видам животноводческой продукции продажа тоже увеличилась. Это обусловлено тем, что увеличилось поголовье и продуктивность животных.


Таблица 2.4.7. Объем и структура товарной продукции

Виды кормов

Нормативное значение

Расчетное значение

Расчетная сумма в % к фактической

сумма, млн.руб

сумма, млн.руб

Итого по растениеводству




Говядина

Итого по животноводству








Структура товарной продукции по расчетным данным отличается от фактической.

Так, удельный вес продукции растениеводства по расчёту возрос на 167,5%, но специализация хозяйства не изменилась. В растениеводстве возрос удельный вес зерна, рапса.

В животноводстве удельный вес снизился по молоку, но незначительно. В целом расчётное значение товарной продукции превышает факт на 105,9%.


Таблица 2.4.8. Основные показатели уровня производства


Методика расчета основных показателей уровня производства:

ü Произведено на 100га с/х угодий, ц:


· Молока:

молоко (факт.значение) = = 285,1

молоко (расч.значение) = = 381,9

· Говядина:

говядина (факт.значение) = =27,1

говядина (расч.значение) = =30,9

· Товарная продукция:

товарная продукция (факт.значение) = = 38,8

товарная продукция (расч.значение) = = 79,9

ü Произведено на 100га пашни, ц:

зерно (факт.значение) = = 1441,8

зерно (расч.значение) = = 1827,9

ü Произведено товарной продукции на 1 чел.час., тыс.руб.

товарная продукция (факт.значение) = = 6285,9

товарная продукция (расч.значение) = * 1000000 = 17885,6


При анализе производства на 100 га сельскохозяйственных угодий можно сделать выводы:

производства молока возросло на 33,9% вследствие увеличения поголовья коров на 29,9% и их продуктивности;

производство говядины выросло на 10,7% вследствие роста поголовья молодняка КРС на 10,6% и плановой продуктивности;

При анализе производства на 100 га пашни выводы следующие:

производство зерна увеличилось на 26,8%, т.к рост площадей по этим культурам составил 21,5%, а так же выше плановая урожайность;

Производство товарной продукции на 1 чел. - ч. возрастёт на 184,5%, а на 100 га с/х угодий на 105,9%, что свидетельствует о повышении производительности труда и более эффективном использовании ресурсов.


Выводы и предложения


В данной курсовой работе мы изучили особенности и методику моделирования программы развития сельскохозяйственного предприятия.

В теоретической части курсового проекта мы рассмотрели сущность и классификацию экономико математических методов и содержание этапов их построения. Проанализировали методики моделирования программы развития сельскохозяйственных предприятий в работах ученых экономистов. Рассмотрели подробнее основные экономико-математические модели. Возникшие при планировании трудности, связанные с определением основных и вспомогательных отраслей, устраняются путём применения экономико-математических методов в сочетании с вычислительной техникой. При этом все вопросы увязываются в процессе решения задачи. Экономико-математические методы обеспечивают формирование сбалансированного плана специализации и сочетания отраслей, который определяется как наилучший при заданных условиях производства.

В практической части курсовой работы построена соответствующая экономико-математическая модель задачи и решена хорошо разработанными и широко освещенными в литературе методами, проведены соответствующие расчеты и получены количественные результаты.

Исходя из анализа решения можно сделать следующие выводы:

сельскохозяйственные угодья будут использоваться в полном объёме;

годового труда достаточно, поэтому привлекать рабочую силу не имеет смысла;

площади зерновых в общем увеличились максимально. Размеры яровых зерновых - на 36,0%, зернобобовых - на 3,0%, а вот площадь яровых уменьшилась на 4,2%;

площади однолетних и многолетних трав сократились;

поголовье коров возросло максимально (на 29,9%), по молодняку КРС - на 10,6%;

рацион кормления коров по к. ед. и по п. п. выше фактического;

расчётный объём реализации увеличился по всем видам товарной продукции. Резкий рост реализации зерна и рапса связан с таким же ростом площадей данных культур, а также плановой урожайности. По всем видам животноводческой продукции продажа увеличилась.

удельный вес продукции растениеводства по расчёту возрос на 13,5%, что не привело к изменению специализации хозяйства. В животноводстве удельный вес снизился по всем видам на 13,5%;

производство выросло по всем видам.

Разработанная программа развития СПК “Курманово” Мстиславского района Могилёвской области при данных условиях позволяет получить прибыль при наличии 3868,6 млн.руб. При этом затраты труда уменьшить на 1%, объем реализации продукции возрастает в среднем на 220,3% , а прибыль на 105,9%.

* Данная работа не является научным трудом, не является выпускной квалификационной работой и представляет собой результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала при самостоятельной подготовки учебных работ.

Matlab- как средство математического моделирования

Рассказывать о программах математического моделирования и возможных областях их применения можно очень долго, но мы ограничимся лишь кратким обзором ведущих программ, укажем их общие черты и различия. В настоящее время практически все современные CAE-программы имеют встроенные функции символьных вычислений. Однако наиболее известными и приспособленными для математических символьных вычислений считаются Maple, MathCad, Mathematica и MatLab. Но, делая обзор основных программ символьной математики, мы укажем и на возможные альтернативы, идеологически схожие с тем или иным пакетом-лидером.

С помощью описываемого ПО можно сэкономить массу времени и избежать многих ошибок при вычислениях. Естественно, CAE системы не ограничиваются только этими возможностями, но в данном обзоре мы сделаем упор именно на них.

Отметим только, что спектр задач, решаемых подобными системами, очень широк:

Проведение математических исследований, требующих вычислений и аналитических выкладок;

Разработка и анализ алгоритмов;

Математическое моделирование и компьютерный эксперимент;

Анализ и обработка данных;

Визуализация, научная и инженерная графика;

Разработка графических и расчетных приложений.

При этом отметим, что поскольку CAE-системы содержат операторы для базовых вычислений, то почти все алгоритмы, отсутствующие в стандартных функциях, можно реализовать посредством написания собственной программы.

Процессор Pentium II или выше;

400-550 Мбайт дискового пространства;

Операционные системы: Windows 98/Me/ NT 4.0/2000/2003 Server/2003x64/XP/XP x64.

Компания Wolfram Reseach, Inc., разработавшая систему компьютерной математики Mathematica, по праву считается старейшим и наиболее солидным игроком в этой области. Пакет Mathematica (текущая версия 5.2) повсеместно применяется при расчетах в современных научных исследованиях и получил широкую известность в научной и образовательной среде. Можно даже сказать, что Mathematica обладает значительной функциональной избыточностью (там, в частности, есть даже возможность для синтеза звука).

Несмотря на свою направленность на серьезные математические вычисления, системы класса Mathematica просты в освоении и могут использоваться довольно широкой категорией пользователей — студентами и преподавателями вузов, инженерами, аспирантами, научными работниками и даже учащимся математических классов общеобразовательных и специальных школ. Все они найдут в подобной системе многочисленные полезные возможности для применения.

При этом широчайшие функции программы не перегружают ее интерфейс и не замедляют вычислений. Mathematica неизменно демонстрирует высокую скорость символьных преобразований и численных расчетов. Программа Mathematica из всех рассматриваемых систем наиболее полна и универсальна, однако у каждой программы есть как свои достоинства, так и недостатки. А главное — у них есть свои приверженцы, которых бесполезно убеждать в превосходстве другой системы. Но те, кто серьезно работает с системами компьютерной математики, должны пользоваться несколькими программами, ибо только это гарантирует высокий уровень надежности сложных вычислений.

Отметим, что в разработках различных версий системы Mathematica, наряду с головной фирмой Wolfram Research, Inc., принимали участие другие фирмы и сотни специалистов высокой квалификации, в том числе математики и программисты. Система Mathematica является одной из самых крупных программных систем и реализует наиболее эффективные алгоритмы вычислений. К их числу, например, относится механизм контекстов, исключающий появление в программах побочных эффектов.

Система Mathematica сегодня рассматривается как мировой лидер среди компьютерных систем символьной математики для ПК, обеспечивающих не только возможности выполнения сложных численных расчетов с выводом их результатов в самом изысканном графическом виде, но и проведение особо трудоемких аналитических преобразований и вычислений. Версии системы под Windows имеют современный пользовательский интерфейс и позволяют готовить документы в форме Notebooks (записных книжек). Они объединяют исходные данные, описания алгоритмов решения задач, программ и результатов решения в самой разнообразной форме (математические формулы, числа, векторы, матрицы, таблицы и графики).

Mathematica была задумана как система, максимально автоматизирующая труд научных работников и математиков-аналитиков, поэтому она заслуживает изучения даже в качестве типичного представителя элитных и высокоинтеллектуальных программных продуктов высшей степени сложности. Однако куда больший интерес она представляет как мощный и гибкий математический инструментарий, который может оказать неоценимую помощь большинству научных работников, преподавателей университетов и вузов, студентов, инженеров и даже школьников.

С самого начала большое внимание уделялось графике, в том числе динамической, и даже возможностям мультимедиа — воспроизведению динамической анимации и синтезу звуков. Набор функций графики и изменяющих их действие опций очень широк. Графика всегда была сильной стороной различных версий системы Mathematica и обеспечивала им лидерство среди систем компьютерной математики.

В результате Mathematica быстро заняла ведущие позиции на рынке символьных математических систем. Особенно привлекательны обширные графические возможности системы и реализация интерфейса типа Notebook. При этом система обеспечивала динамическую связь между ячейками документов в стиле электронных таблиц даже при решении символьных задач, что принципиально и выгодно отличало ее от других подобных систем.

Таким образом, Mathematica — это, с одной стороны, типичная система программирования на базе одного из самых мощных проблемноориентированных языков функционального программирования высокого уровня, предназначенная для решения различных задач (в том числе и математических), а с другой — интерактивная система для решения большинства математических задач в диалоговом режиме без традиционного программирования. Таким образом, Mathematica как система программирования имеет все возможности для разработки и создания практически любых управляющих структур, организации ввода-вывода, работы с системными функциями и обслуживания любых периферийных устройств, а с помощью пакетов расширения (Add-ons) появляется возможность подстраиваться под запросы любого пользователя, (хотя рядовому пользователю эти средства программирования могут и не понадобиться — он вполне обойдется встроенными математическими функциями системы, поражающими своим обилием и многообразием даже опытных математиков).

К недостаткам системы Mathematica следует отнести разве что весьма необычный язык программирования, обращение к которому, впрочем, облегчает подробная система помощи.

Минимальные требования к системе:

Процессор Pentium III 650 МГц;

400 Мбайт дискового пространства;

Операционные системы: Windows NT 4 (SP5)/98/ME/2000/2003 Server/XP Pro/XP Home.

Программа Maple (последняя версия 10.02) — своего рода патриарх в семействе систем символьной математики и до сих пор является одним из лидеров среди универсальных систем символьных вычислений. Она предоставляет пользователю удобную интеллектуальную среду для математических исследований любого уровня и пользуется особой популярностью в научной среде. Отметим, что символьный анализатор программы Maple является наиболее сильной частью этого ПО, поэтому именно он был позаимствован и включен в ряд других CAE-пакетов, таких как MathCad и MatLab, а также в состав пакетов для подготовки научных публикаций Scientific WorkPlace и Math Office for Word.

Пакет Maple — совместная разработка Университета Ватерлоо (шт. Онтарио, Канада) и Высшей технической школы (ETHZ, Цюрих, Швейцария). Для его продажи была создана специальная компания — Waterloo Maple, Inc., которая, к сожалению, больше прославилась математической проработкой своего проекта, чем уровнем его коммерческой реализации. В результате система Maple ранее была доступна преимущественно узкому кругу профессионалов. Сейчас эта компания работает совместно с более преуспевающей в коммерции и в проработке пользовательского интерфейса математических систем фирмой MathSoft, Inc. — создательницей весьма популярных и массовых систем для численных расчетов MathCad, ставших международным стандартом для технических вычислений.

Maple предоставляет удобную среду для компьютерных экспериментов, в ходе которых пробуются различные подходы к задаче, анализируются частные решения, а при необходимости программирования отбираются требующие особой скорости фрагменты. Пакет позволяет создавать интегрированные среды с участием других систем и универсальных языков программирования высокого уровня. Когда расчеты произведены и требуется оформить результаты, то можно использовать средства этого пакета для визуализации данных и подготовки иллюстраций для публикации. Для завершения работы остается подготовить печатный материал (отчет, статью, книгу) прямо в среде Maple, а затем можно приступать к очередному исследованию. Работа проходит интерактивно — пользователь вводит команды и тут же видит на экране результат их выполнения. При этом пакет Maple совсем не похож на традиционную среду программирования, где требуется жесткая формализация всех переменных и действий с ними. Здесь же автоматически обеспечивается выбор подходящих типов переменных и проверяется корректность выполнения операций, так что в общем случае не требуется описания переменных и строгой формализации записи.

Пакет Maple состоит из ядра (процедур, написанных на языке С и хорошо оптимизированных), библиотеки, написанной на Maple-языке, и развитого внешнего интерфейса. Ядро выполняет большинство базовых операций, а библиотека содержит множество команд — процедур, выполняемых в режиме интерпретации.

Интерфейс Maple основан на концепции рабочего поля (worksheet) или документа, содержащего строки ввода-вывода и текст, а также графику.

Работа с пакетом происходит в режиме интерпретатора. В строке ввода пользователь задает команду, нажимает клавишу Enter и получает результат — строку (или строки) вывода либо сообщение об ошибочно введенной команде. Тут же выдается приглашение вводить новую команду и т.д.

Вычисления в Maple

Систему Maple можно использовать и на самом элементарном уровне ее возможностей — как очень мощный калькулятор для вычислений по заданным формулам, но главным ее достоинством является способность выполнять арифметические действия в символьном виде, то есть так, как это делает человек. При работе с дробями и корнями программа не приводит их в процессе вычислений к десятичному виду, а производит необходимые сокращения и преобразования в столбик, что позволяет избежать ошибок при округлении. Для работы с десятичными эквивалентами в системе Maple имеется специальная команда, аппроксимирующая значение выражения в формате чисел с плавающей запятой.

Система Maple предлагает различные способы представления, сокращения и преобразования выражений, например такие операции, как упрощение и разложение на множители алгебраических выражений и приведение их к различному виду. Таким образом, Maple можно использовать для решения уравнений и систем.

Maple также имеет множество мощных инструментальных средств для вычисления выражений с одной или несколькими переменными. Программу можно использовать для решения задач дифференциального и интегрального исчисления, вычисления пределов, разложений в ряды, суммирования рядов, умножения, интегральных преобразований (таких как преобразование Лапласа, Z-преобразование, преобразование Меллина или Фурье), а также для исследования непрерывных или кусочно-непрерывных функций.

Maple может вычислять пределы функций, как конечные, так и стремящиеся к бесконечности, а также распознает неопределенности в пределах. В этой системе можно решать множество обычных дифференциальных уравнений (ODE), а также дифференциальные уравнения в частных производных (PDE), в том числе задачи с начальными условиями (IVP) и задачи с граничными условиями (BVP).

Одним из наиболее часто используемых в системе Maple пакетов программ является пакет линейной алгебры, содержащий мощный набор команд для работы с векторами и матрицами. Maple может находить собственные значения и собственные векторы операторов, вычислять криволинейные координаты, находить матричные нормы и вычислять множество различных типов разложения матриц.

Программирование

Система Maple использует процедурный язык 4-го поколения (4GL). Этот язык специально предназначен для быстрой разработки математических подпрограмм и пользовательских приложений. Синтаксис данного языка аналогичен синтаксису универсальных языков высокого уровня: C, Fortran, Basic и Pascal.

Maple может генерировать код, совместимый с такими языками программирования, как Fortran или C, и с языком набора текста LaTeX, который пользуется большой популярностью в научном мире и применяется для оформления публикаций. Одно из преимуществ этого свойства — способность обеспечивать доступ к специализированным числовым программам, максимально ускоряющим решение сложных задач. Например, используя систему Maple, можно разработать определенную математическую модель, а затем с ее помощью сгенерировать код на языке C, соответствующий этой модели. Язык 4GL, специально оптимизированный для разработки математических приложений, позволяет сократить процесс разработки, а настроить пользовательский интерфейс помогают элементы Maplets или документы Maple со встроенными графическими компонентами.

Одновременно в среде Maple можно подготовить и документацию к приложению, так как средства пакета позволяют создавать технические документы профессионального вида, содержащие текст, интерактивные математические вычисления, графики, рисунки и даже звук. Вы также можете создавать интерактивные документы и презентации, добавляя кнопки, бегунки и другие компоненты, и, наконец, публиковать документы в Интернете и развертывать интерактивные вычисления в Сети, используя сервер MapleNet.

Интернет-совместимость

Maple является первым универсальным математическим пакетом, который предлагает полную поддержку стандарта MathML 2.0, управляющего как внешним видом, так и смыслом математики в Интернете. Эта эксклюзивная функция делает текущую версию MathML основным средством Интернет-математики, а также устанавливает новый уровень совместимости многопользовательской среды. TCP/IP-протокол обеспечивает динамический доступ к информации из других Интернет-ресурсов, например к данным для финансового анализа в реальном времени или к данным о погоде.

Перспективы развития

Последние версии Maple, помимо дополнительных алгоритмов и методов решения математических задач, получили более удобный графический интерфейс, продвинутые инструменты визуализации и построения графиков, а также дополнительные средства программирования (в том числе по совместимости с универсальными языками программирования). Начиная с девятой версии в пакет был добавлен импорт документов из программы Mathematica, а в справочную систему были введены определения математических и инженерных понятий и расширена навигация по страницам справки. Кроме того, было повышено полиграфическое качество формул, особенно при форматировании больших и сложных выражений, а также значительно сокращен размер MW-файлов для хранения рабочих документов Maple.

Таким образом, Maple — это, пожалуй, наиболее удачно сбалансированная система и бесспорный лидер по возможностям символьных вычислений для математики. При этом оригинальный символьный движок сочетается здесь с легко запоминающимся структурным языком программирования, так что Maple может быть использована как для небольших задач, так и для серьезных проектов.

К недостаткам системы Maple можно отнести лишь ее некоторую «задумчивость», причем не всегда обоснованную, а также очень высокую стоимость этой программы (в зависимости от версии и набора библиотек цена ее доходит до нескольких десятков тысяч долл., правда студентам и научным работникам предлагаются дешевые версии — за несколько сотен долл.).

Пакет Maple широко распространен в университетах ведущих научных держав, в исследовательских центрах и компаниях. Программа постоянно развивается, вбирая в себя новые разделы математики, приобретая новые функции и обеспечивая лучшую среду для исследовательской работы. Одно из основных направлений развития этой системы — повышение мощности и достоверности аналитических (символьных) вычислений. Это направление представлено в Maple наиболее широко. Уже сегодня Maple может выполнять сложнейшие аналитические вычисления, которые нередко не по силам даже опытным математикам.

Минимальные требования к системе:

Процессор Pentium III, 4, Xeon, Pentium M; AMD Athlon, Athlon XP, Athlon MP;

400 Мбайт дискового пространства (только для самой системы MatLab и ее Help);

Операционная система Microsoft Windows 2000 (SP3)/XP.

Система MatLab относится к среднему уровню продуктов, предназначенных для символьной математики, но рассчитана на широкое применение в сфере CAE (то есть сильна и в других областях). MatLab — одна из старейших, тщательно проработанных и проверенных временем систем автоматизации математических расчетов, построенная на расширенном представлении и применении матричных операций. Это нашло отражение и в самом названии системы — MATrix LABoratory, то есть матричная лаборатория. Однако синтаксис языка программирования системы продуман настолько тщательно, что данная ориентация почти не ощущается теми пользователями, которых не интересуют непосредственно матричные вычисления.

Несмотря на то что изначально MatLab предназначалась исключительно для вычислений, в процессе эволюции (а сейчас выпущена уже версия 7), в дополнение к прекрасным вычислительным средствам, у фирмы Waterloo Maple по лицензии для MatLab было приобретено ядро символьных преобразований, а также появились библиотеки, которые обеспечивают в MatLab уникальные для математических пакетов функции. Например, широко известная библиотека Simulink, реализуя принцип визуального программирования, позволяет построить логическую схему сложной системы управления из одних только стандартных блоков, не написав при этом ни строчки кода. После конструирования такой схемы можно детально проанализировать ее работу.

В системе MatLab также существуют широкие возможности для программирования. Ее библиотека C Math (компилятор MatLab) является объектной и содержит свыше 300 процедур обработки данных на языке C. Внутри пакета можно использовать как процедуры самой MatLab, так и стандартные процедуры языка C, что делает этот инструмент мощнейшим подспорьем при разработке приложений (используя компилятор C Math, можно встраивать любые процедуры MatLab в готовые приложения).

Библиотека C Math позволяет пользоваться следующими категориями функций:

Операции с матрицами;.

Сравнение матриц;

Решение линейных уравнений;

Разложение операторов и поиск собственных значений;

Нахождение обратной матрицы;

Поиск определителя;

Вычисление матричного экспоненциала;

Элементарная математика;

Функции beta, gamma, erf и эллиптические функции;

Основы статистики и анализа данных;

Поиск корней полиномов;

Фильтрация, свертка;

Быстрое преобразование Фурье (FFT);

Интерполяция;

Операции со строками;

Операции ввода-вывода файлов и т.д.

При этом все библиотеки MatLab отличаются высокой скоростью численных вычислений. Однако матрицы широко применяются не только в таких математических расчетах, как решение задач линейной алгебры и математического моделирования, обсчета статических и динамических систем и объектов. Они являются основой автоматического составления и решения уравнений состояния динамических объектов и систем. Именно универсальность аппарата матричного исчисления значительно повышает интерес к системе MatLab, вобравшей в себя лучшие достижения в области быстрого решения матричных задач. Поэтому MatLab давно уже вышла за рамки специализированной матричной системы, превратившись в одну из наиболее мощных универсальных интегрированных систем компьютерной математики.

Для визуализации моделирования система MatLab имеет библиотеку Image Processing Toolbox, которая обеспечивает широкий спектр функций, поддерживающих визуализацию проводимых вычислений непосредственно из среды MatLab, увеличение и анализ, а также возможность построения алгоритмов обработки изображений. Усовершенствованные методы графической библиотеки в соединении с языком программирования MatLab обеспечивают открытую расширяемую систему, которая может быть использована для создания специальных приложений, пригодных для обработки графики.

Таким образом, программу MatLab можно использовать для восстановления испорченных изображений, шаблонного распознавания объектов на изображениях или же для разработки каких-либо собственных оригинальных алгоритмов обработки изображений. Библиотека Image Processing Tollbox упрощает разработку высокоточных алгоритмов, поскольку каждая из функций, включенных в эту библиотеку, оптимизирована для максимального быстродействия, эффективности и достоверности вычислений. Кроме того, библиотека обеспечивает разработчика многочисленным инструментарием для создания собственных решений и для реализаций сложных приложений обработки графики. А при анализе изображений использование мгновенного доступа к мощным средствам визуализации помогает моментально увидеть эффекты увеличения, восстановления и фильтрации.

Среди других библиотек системы MatLab можно также отметить System Identification Toolbox — набор инструментов для создания математических моделей динамических систем, основанных на наблюдаемых входных/выходных данных. Особенностью этого инструментария является наличие гибкого пользовательского интерфейса, позволяющего организовать данные и модели. Библиотека System Identification Toolbox поддерживает как параметрические, так и непараметрические методы. Интерфейс системы облегчает предварительную обработку данных, работу с итеративным процессом создания моделей для получения оценок и выделения наиболее значимых данных. Быстрое выполнение с минимальными усилиями таких операций, как открытие/сохранение данных, выделение области возможных значений данных, удаление погрешностей, предотвращение ухода данных от характерного для них уровня.

Наборы данных и идентифицируемые модели организуются графически, что позволяет легко вызвать результаты предыдущих анализов в течение процесса идентификации системы и выбрать следующие возможные шаги процесса. Основной пользовательский интерфейс организует данные для показа уже полученного результата. Это облегчает быстрое сравнение по оценкам моделей, позволяет выделять графическими средствами наиболее значимые модели и исследовать их показатели.

А что касается математических вычислений, то MatLab предоставляет доступ к огромному количеству подпрограмм, содержащихся в библиотеке NAG Foundation Library компании Numerical Algorithms Group Ltd (инструментарий имеет сотни функций из различных областей математики, и многие из этих программ были разработаны широко известными в мире специалистами). Это уникальная коллекция реализаций современных численных методов компьютерной математики, созданных за последние три десятка лет. Таким образом, MatLab вобрала и опыт, и правила, и методы математических вычислений, накопленные за тысячи лет развития математики. Одну только прилагаемую к системе обширную документацию вполне можно рассматривать как фундаментальный многотомный электронный справочник по математическому обеспечению.

Из недостатков системы MatLab можно отметить невысокую интегрированность среды (очень много окон, с которыми лучше работать на двух мониторах), не очень внятную справочную систему (а между тем объем фирменной документации достигает почти 5 тыс. страниц, что делает ее трудно обозримой) и специфический редактор кода MatLab-программ. Сегодня система MatLab широко используется в технике, науке и образовании, но все-таки она больше подходит для анализа данных и организации вычислений, нежели для чисто математических выкладок.

Поэтому для проведения аналитических преобразований в MatLab используется ядро символьных преобразований Maple, а из Maple для численных расчетов можно обращаться к MatLab. Ведь недаром символьная математика Maple вошла составной частью в целый ряд современных пакетов, а численный анализ от MatLab и наборы инструментов (Toolboxes) уникальны. Тем не менее математические пакеты Maple и MatLab — это интеллектуальные лидеры в своих классах, это образцы, определяющие развитие компьютерной математики.



Понравилась статья? Поделитесь ей
Распечатать статью
Наверх