Исследование промышленных и региональных систем методами имитационного моделирования Текст научной статьи по специальности «Экономика и бизнес»

Kiriyenko Yegor Andreevich, student (e-mail: egor.kirienko2011@yandex.ru

Belovsky Institute (branch) FSBEIHPE Kemerovo state University, Belovo, Russia Shulepova Oksana Pavlovna, senior lecturer (e-mail: shullex@mail.ru)

Belovsky Institute (branch) FSBEI HPE Kemerovo state University, Belovo, Russia THE USE OF A RATING ESTIMATION OF THE ENTERPRISES: REGIONAL ASPECT

Abstract. The article presents the results of a rating estimation of activity of mining enterprises of the Kemerovo region. The analysis based on accounting data firms-industry leaders. Keywords: regional economy, rating assessment, financial analysis.

ИССЛЕДОВАНИЕ ПРОМЫШЛЕННЫХ И РЕГИОНАЛЬНЫХ СИСТЕМ МЕТОДАМИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ Кислицын Евгений Витальевич, старший преподаватель кафедры статистики, эконометрики и информатики (kev@usue.ru) Панова Марина Валерьевна, доцент кафедры статистики, эконометрики и информатики Уральский государственный экономический университет, г. Екатеринбург, Россия

В данной статье рассматриваются подходы к исследованию промышленных и региональных экономических систем. Раскрывается сущность имитационного моделирования как основного метода исследования экономических процессов. Представлено три парадигмы имитационного моделирования с практическими примерами.

Ключевые слова: имитационное моделирование, промышленность, региональная система.

В условиях глобализации экономических систем и неустойчивости актуальными становятся проблемы, посвященные исследованию промышленных и региональных систем. Развитие экономики любого региона и обеспечение его конкурентными преимуществами в современных условиях во многом связано с вопросами формирования и развития промышленных систем. На данный момент существует множество разнообразных методов анализа, оценки и прогнозирования развития промышленности и регионов, однако далеко не все они действенны. Наиболее популярными являются методы экономико-математического моделирования, которые применяются практически во всех сферах экономики. К примеру, в работе [1] представлена математическая модель промышленного предприятия, где в качестве основного использован метод оптимизации, а сама деятельность предприятия представлена в виде четырех подсистем: производственная, воспроизводственная, инвестиционная и инновационная. В работе [2] рассматривается применение линейного математического моделирования в управлении городским хозяйством. Но, порой одних только методов мате-

матического моделирования бывает недостаточно для полноценного анализа и исследования промышленной или региональной системы. В таких случаях на помощь экономистам приходит имитационное моделирование.

В настоящее время имитационное моделирование переживает новый подъем, подобно тому, как переживает подъемы экономика в каждый период экономического цикла. Такой подъем обусловлен технологическим развитием систем моделирования. Эти системы сегодня являются мощным аналитическим средством, использующим самые новейшие веяния информационных технологий. Если ранее такие системы использовались, в основном, в академических целях, то сегодня они используются, в первую очередь, в бизнесе. Новый толчок в развитии имитационного моделирования обозначился сначала в США и Европе, а затем уже и в России.

Компьютерное, в частности, имитационное моделирование базируется на системном анализе. Поэтому, моделированием систем занимаются, в первую очередь, системные аналитики. Основополагающей тенденцией в наше время является синтез всех видов моделирования, внедрение различных информационных технологий в области моделирования. Особенно это актуально для комплексных приложений и проектов по созданию информационно-аналитических систем различного назначения. Имитационное моделирование включает в себя:

- Концептуальное моделирование, применяемое на ранних стадиях формирования имитационной модели;

- Логико-математическое, применяемое для описания отдельных подсистем модели, а также в процедурах обработки и анализа результатов вычислительного эксперимента;

- Технологию планирования и проведения имитационного эксперимента;

- Структурно-функциональное моделирование, используемое при создании стратифицированного описания комплексов подмоделей.

Также, важно отметить, что методом имитационного моделирования является направленный вычислительный эксперимент, который определяется проведенными аналитическими исследованиями и соответствующими вычислительными процедурами. Такие процедуры реализуются на стадиях планирования эксперимента и интерпретации его результатов.

В качестве базиса имитационного моделирования используются три различные парадигмы: дискретно-событийный подход, системная динамика и многоагентное моделирование.

Дискретно-событийное моделирование является наиболее изученным и известным методом у специалистов различных направленностей. Данный подход предполагает рассмотрение процессов, протекающих в мире, как последовательность отдельных важных моментов, называемых событиями. Применение данной парадигмы простирается от бизнес-процессов и цепей поставок до транспортных и производственных систем. В наше время новым веянием данной парадигмы стало применение новейших средств ани-

мации для отображения технических и бизнес-процессов в режиме реального времени.

Дискретно-событийная парадигма применяется при моделировании производственных процессов. Рассмотрим модель заводского цеха, в которой с помощью метода расчета себестоимости по видам деятельности вычисляется и анализируется стоимость производства продукта. Каждый продукт занимает определенные ресурсы, обрабатывается на станке, транспортируется конвейером и затем освобождает ресурсы. В течение всего времени пребывания продукта в цеху к его стоимости добавляется стоимость пребывания. На время использования продуктом ресурса к стоимости продукта добавляется стоимость использования этого ресурса, в остальное время добавляется стоимость простоя ресурса. Обработка на станке и транспортировка по конвейеру имеют фиксированные стоимости, отличающиеся для оборудования с различной производительностью. Накопленная стоимость товара разбивается на несколько категорий для последующего анализа и оптимизации. Данная модель позволяет провести эксперимент варьирования параметров заводского цеха и установить зависимость стоимости товара от этих изменений. Также, применяя методы оптимизации можно установить оптимальные значения параметров (см. рис. 1).

Activity Based Costing Analysis

Animation & Output Process Logic

COST STRUCTURE

0,0-4

0.02

Hie TvtJ

_I_

-1-

0.021

a

Wait Tot!

"I

0.021

Idle: 72.746 (59,0%) l Waiting: 0.021 (0,0%) l Processing: 43.044 (34.9%) I Conveying: 7.5 (6,1%)

Total cost per product: $ 1 2 3

(all included)

0,04

0,02

a s

Cost Analysis

Simulation Model

Product Arrival

Queue to seize A

Queue to seize В

• ►

Resource Д

1 Rate ph: 0.65 Existence cost ph: 1

Resource В [

1 Capacity: 15 Busy cost ph: S Idle cost ph: 2

» ' ........ -

_¿^Л [ 7

Release A \ /

Delay time: 2 Direct cost: 25

Release Б Total Products Processed:

Рисунок 1 - Модель производственного цеха

Системная динамика - относительно новая парадигма компьютерного моделирования. Она является универсальным методом решения сложных управленческих задач. Системная динамика применяется также в широком спектре задач - от корпоративного и стратегического управления до социально-экономических исследований и моделирования национальной экономики. Системная динамика разрабатывает модели для решения многих актуальных задач, в том числе: анализ деятельности и выработка стратегии поведения компании в условиях турбулентности рынка, разработка анти-

кризисном программы в современных экономических условиях, создание модулей операционного, тактического и стратегического планирования и другие. Полезные решения системная динамика может давать и в финансовом анализе, инвестиционном планировании и управлении проектами, комплексном управлении логистическими процессами на предприятии, сетью сбыта, построении плана маркетинга и анализе рыночной динамики, управлении персоналом. Системная динамика вошла в крупнейшие бизнес-школы Европы и США как неотъемлемая часть учебной программы [3]. Системные потоковые диаграммы, на которых, собственно, и основана системная динамика, просты в интерпретации, что позволило рассматриваемой парадигме получить большую популярность в экономической сфере, в первую очередь, в сфере бизнеса.

С помощью нотаций системной динамики удобно создавать модели глобальных социально-экономических систем, например, модель динамики населения региона. Модель учитывает зависимости между сектором жилищного строительства (см. рис. 2) и собственно демографическим сектором (см. рис. 3). Она реализована иерархически, как два связанных между собой системно-динамических компонента (подмодели).

>n structi о n D u eToHou si п

gAvai!ability(

; <HouseholdsToHousesRatio>

Constru ction DueToLa n d Avai I ability

Area

LandPerHouse Demolition Rate

=>o

СопйгисйопГ^огта! ОетоШопМогта!

со^гисйопОиеТоНои5тдА¥аПаЫ1гку[-оокирТаЬ1е ^^ соп йги ей оп Э и еТо1_а п d Дуа ¡1 а ЫI ¡1у1.ооки рТаЫ е

Рисунок 2 - Подмодель жилищного строительства

ш

* о

ImigrationMormal —

\

Imigration £

Нои5еИо1сШге

HouseholdsToHousesRatio

Populationinitial

Emigration

>о

AverageLifetime

attractionDueToHousingLookupTable

О

^ EmigrationNor

Рисунок 3 - Подмодель населения

Многоагентное моделирование является новейшей парадигмой имитационного моделирования, имеющей свои исключительные особенности. Агентная модель представляет систему как комплекс из отдельно функционирующих активных подсистем, которые называют агентами. Каждый из таких агентов имеет способность взаимодействовать с другими агентами, которые образуют внешнюю среду. В ходе исследования агенты могут изменять окружающую среду и свое собственное поведение. В отличие от системной динамики, где четко прослеживается централизованное управление, в агентной модели агенты функционируют каждый по своим законам асинхронно. Многоагентные модели используются для исследования децентрализованных систем, динамика функционирования которых определяется не глобальными правилами и законами, а наоборот, эти глобальные правила и законы являются результатом индивидуальной активности членов группы. Например, в области экономики, в которой весь организм формируется «снизу вверх», не совсем адекватны модели и описания установившихся равновесных режимов. Гораздо интереснее и адекватнее анализ моделей, позволяющих выполнить анализ формирования правил и тенденций глобального поведения как интегральных характеристик поведений многих составляющих активных игроков.

Кроме всего прочего, новейшие технологии имитационного моделирования позволяют совместить несколько подходов. К примеру, можно спроектировать цепочки поставок товара в Европе.

Эта цепочка поставок состоит из трех производителей и пятнадцати дистрибьютеров, которые заказывают различное количество товара в среднем каждые пару дней. Каждый производитель имеет в распоряжении свой парк грузовых автомобилей. Когда производитель получает заказ от дистрибьютора, он проверяет количество готового товара на складе. Если заказанное количество товара имеется в наличии, производитель отправляет грузовик с этим товаром к дистрибутору. Иначе заказ не выполняется, и дистрибутор ждет, пока требуемое количество товара не будет произведено. Дистрибьютеры, грузовики и производственные центры являются агентами, каждый из которых имеет свое поведение, диаграмма системной динамики задает производство, а диаграмма процессов - отправку и обработку заказа. Агенты располагаются в пространстве ГИС. Имена географических мест, в которых расположены центры производства, считываются из файла Excel. Встроенный поиск по ГИС карте находит места и помещает в них агентов. Грузовики движутся по существующей сети дорог, а маршруты создаются, когда автомобили начинают движение к месту назначения. Такая модель объединяет в себе сразу три подхода имитационного моделирования с использование геоинформационных систем и баз данных (см. рис. 4).

Рисунок 4 - Транспортная модель поставок

Методические и инструментальные достижения последних лет в компьютерном имитационном моделировании впервые создают возможности для описания и изучения сложных социально-экономических региональных и промышленных систем без необходимости их существенного упрощения. В применении модельных инноваций к научным исследованиям одной из наиболее перспективных является тема исследования социально-экономического потенциала организационных структур. Возможности современного агентного моделирования позволяют представить большие и сложно организованные социальные системы как сети большого количества взаимодействующих самостоятельных агентов, ведущих совместную социально-экономическую деятельность. Появляется возможность спецификации сетевых параметров и определения механизма их влияния на состояние и характеристики функционирования социально-экономической системы. Это в свою очередь позволяет формализовать схему анализа социально-экономического потенциала организационных структур с точки зрения влияния сетевых параметров системы. Появляется возможность анализа сценариев и факторов социально-экономического развития, а также повышения общественной эффективности за счет варьирования сетевыми параметрами.

Список литературы

1. Кислицын, Е. В. Аналитическое и имитационное моделирование экономических систем как средство формирования социально-ориентированной экономики в России // Экономические исследования. - 2014. - № 2. - С. 2.

2. Бабушкина, Т. О. Прикладные математические модели в управлении городским хозяйством / Т. О. Бабушкина, Е. В. Кислицын // Инвестиции, строительство и недвижимость как материальный базис модернизации и инновационного развития экономики: Материалы Пятой Всероссийской научно-практической конференции с международным участием: в 2-х частях под ред. Т. Ю. Овсянниковой. Томск, 2015. - С. 56-62.

3. Лычкина, Н. Н. Ретроспектива и перспектива системной динамики [Текст] / Н. Н. Лычкина. // Бизнес-информатика. М.: ГУ-ВШЭ, 2009. №3(9)

Kislitsyn Evgeny Vitalyevich, senior lecturer, chair of statistics, econometrics and Informatics (kev@usue.ru), Section 1

Ural State University of Economics, Yekaterinburg, Russia

Panova Marina Valerievna, associate Professor of statistics, econometrics and Informatics Ural State University of Economics, Yekaterinburg, Russia

THE RESEARCH INDUSTRIAL AND REGIONAL SYSTEMS WITH SIMULATION METHODS

Abstract. This article discusses approaches to the study of industrial and regional economic systems. The essence of simulation modeling as the main method of research of economic processes. Presents three paradigms of simulation with practical examples. Keywords: simulation modeling, industry, regional system.

УПРАВЛЕНИЕ ЦЕПЯМИ ПОСТАВОК МЕТОДАМИ АНАЛИТИЧЕСКОГО И ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ Кислицын Евгений Витальевич, старший преподаватель кафедры статистики, эконометрики и информатики (e-mail: kev@usue.ru) Городничев Виктор Владимирович, ассистент кафедры статистики,

эконометрики и информатики Уральский государственный экономический университет, г.Екатеринбург, Россия

В статье раскрываются особенности управления логистическими системами. Выявляются основные проблемы управления, возникающие в четырех сферах логистики: производство, распределение, продажи и транспорт. Предлагается мультиподходный метод анализа логистических систем, суть которого состоит в синтезе аналитических и имитационных методов исследования экономических систем. Разработан алгоритм принятия решений в управлении цепями поставок на базе данного метода.

Ключевые слова: цепочка поставок, аналитическое моделирование, имитационное моделирование, принятие решений.

В настоящее время вопросы повышения эффективности логистики достаточно широко обсуждаются в литературе. Под логистикой в общем смысле понимают науку, предмет которой заключается в рационализации процесса движения товаров и услуг от поставщиков сырья к потребителям, функционирование сферы обращения продукции, товаров, услуг, управления товарными запасами и провиантом, создания инфраструктуры товародвижения. В современной экономической науке выделяют пять разделов логистики: складская, транспортная, производственная, распределительная и информационная [1]. Исследование процессов управления логистическими системами в каждой из вышеназванных сфер является достаточно