Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00066 005888 13604241 na godz. na dobę w sumie
Prognozowanie i symulacje w ekonomii i zarządzaniu - ebook/pdf
Prognozowanie i symulacje w ekonomii i zarządzaniu - ebook/pdf
Autor: Liczba stron: 180
Wydawca: C. H. Beck Język publikacji: polski
ISBN: 978-83-255-9441-1 Data wydania:
Lektor:
Kategoria: ebooki >> prawo i podatki
Porównaj ceny (książka, ebook, audiobook).

Książka niniejsza podsumowuje doświadczenia Autora zebrane w trakcie badań empirycznych oraz podczas wieloletnich cykli wykładów poświęconych modelowaniu zjawisk gospodarczych, ich prognozowaniu, a także wykorzystaniu symulacji do badania zjawisk gospodarczych i prognozowania. Program wykładu dostosowano do programu nauczania Prognozowania i symulacji na wydziałach ekonomii i zarządzania. W podręczniku wykorzystano fragmenty pracy Autora pt. „Prognozowanie i symulacje a decyzje gospodarcze” (wydanej nakładem Wydawnictwa C.H. Beck w 2001 roku), które szczególnie sprawdziły się w praktyce dydaktycznej.

Materiał omówiony w poszczególnych rozdziałach tworzy dość autonomiczne bloki, zatem lektura wybranych rozdziałów przy pominięciu innych nie powinna sprawiać Czytelnikowi większych trudności.

Książka profesora Jana Gajdy, wybitnego znawcy problematyki prognozowania i symulacji, ma charakter unikatowy. (…) Połączenie w jednej książce problematyki prognozowania i symulacji wyróżnia recenzowaną książkę wśród wielu, dostępnych na rynku wydawniczym. Książkę wyróżnia wysoki poziom naukowy i dydaktyczny. Język pracy jest wartki, atrakcyjny dla czytelnika. Zaprezentowane w książce przykłady są przedstawione jasno i zrozumiale, dostępne intelektualnie dla przeciętnie przygotowanego czytelnika, który zetknął się wcześniej na poziomie studiów ekonomicznych ze statystyką i ekonometrią. Przykłady te czytelnik bez większego trudu będzie mógł zaadaptować do rozwiązywania własnych zagadnień decyzyjnych.

Prof. dr hab. Jerzy W. Wiśniewski
Katedra Ekonometrii i Statystyki
Uniwersytet Mikołaja Kopernika

Znajdź podobne książki Ostatnio czytane w tej kategorii

Darmowy fragment publikacji:

Prognozowanie Prognozowanie i symulacje i symulacje w ekonomii i zarzàdzaniu w ekonomii i zarzàdzaniu Jan B. Gajda Gajda_str_Statystyka_str 29.05.2017 17:15 Page 1 Prognozowanie i symulacje w ekonomii i zarzàdzaniu Gajda_str_Statystyka_str 29.05.2017 17:15 Page 2 Gajda_str_Statystyka_str 29.05.2017 17:15 Page 3 Prognozowanie i symulacje w ekonomii i zarzàdzaniu Jan B. Gajda WYDAWNICTWO C.H.BECK WARSZAWA 2017 Wydawca: Dorota Ostrowska-Furmanek Redakcja merytoryczna: Danuta Kamińska-Hass Recenzent: prof. dr hab. Jerzy W. Wiśniewski Projekt okładki i stron tytułowych: Maryna Wiśniewska Ilustracja na okładce: c(cid:13) Mark Evans/iStockphoto.com Seria: Metody ilościowe Złożono programem TEX Publikacja dofinansowana przez Wydział Zarządzania Uniwersytetu Warszawskiego c(cid:13) Wydawnictwo C.H.Beck 2017 Wydawnictwo C.H.Beck Sp. z o.o. ul. Bonifraterska 17, 00-203 Warszawa Skład i łamanie: Wydawnictwo C.H.Beck Druk i oprawa: www.bookfactory.pl ISBN 978-83-255-9440-4 e-book 978-83-255-9441-1 Spis treści . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Prognozowanie a symulacja . Rozdział 1. Wprowadzenie do symulacji . . . 1.1. Wstęp . . . 1.2. Symulacja – przegląd definicji 2.1. Przykład 1. Ocena kontraktu . 2.1.1. Eksperyment fizyczny . 2.1.2. Symulacja stochastyczna . . . 2.2. Metoda odwracania dystrybuanty . 2.3. Zmienność z próby . . . 2.4. Przykład 2. Planowanie produkcji . . . . Rozdział 2. Symulacja zdarzeń dyskretnych . . . . . . . . Od Autora . . . . . . . . . . . . . . . . . . . . Wstęp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. Model . . . . . . . . . . . . . . . . . . . 2. Modele analogowe i cyfrowe . 3. . . . . . . . . . . . . . . . . . . . 4. Modele zdarzeń dyskretnych a modele procesów ciągłych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Symulacja na kracie . . . . . . . . . . . . . . . . . . . 2.4.2. Podsumowanie symulacji na kracie za pomocą funkcji reakcji . . . . . . . . . . . 2.5. Przykład 3. Symulacja dynamiczna – sterowanie zapasami 2.6. Problemy symulacji dynamicznej . . . . . . . . . . . . . . . . . . . 2.7. Symulacja w konwencji „termin następnego zdarzenia” . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8. Przykład 4. Kasjer . . . . . . . . . . . . . . . . . . 2.9. Alternatywne podejścia do symulacji zdarzeń dyskretnych . . . . . . . . . . . . 3.1. Rozkład równomierny – generator fizyczny . . . . . . . . . . . . . . . . 3.2. Rozkład równomierny – generator komputerowy . . . . . . . . . . . . . . 3.3. Rozkład normalny (Gaussa) . . . . . . . . . . . . . . . . . . . 3.4. Rozkład logarytmiczno- . . Rozdział 3. Komputerowe generatory liczb losowych . . . . . . . 2.8.1. Trzy fazy symulacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . normalny . . 3.5. Rozkład chi-kwadrat (χ2) . . 3.6. Rozkład t-Studenta . . . 3.7. Rozkład Pareto . . . 3.8. Rozkład wykładniczy . . . . . . . Rozdział 4. Symulacja modeli ciągłych . . 4.1. Wstęp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 11 12 12 14 14 15 15 16 22 22 23 23 24 28 29 31 34 40 43 44 45 48 54 57 57 59 60 60 61 61 62 62 64 64 5 Spis treści . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Modele ekonometryczne . 4.5. Symulacja stochastyczna . 4.4. Symulacja deterministyczna modelu . 65 . . . . . . . . . . . . . . . . . . . . 65 4.2.1. Jednorównaniowy model liniowy . . . . . . . . . . . . . . . . . . 68 4.2.2. Prosta symulacja stochastyczna modelu jednorównaniowego . . . 70 4.2.3. Wielorównaniowy model liniowy . . . . . . . . . . . . . . . . . . 75 4.3. Rozwiązania modeli ekonometrycznych . . . . . . . . . . . . . . . . . . 76 4.3.1. Rozwiązania a postacie modeli . . . . . . . . . . . . . . . . . . . 77 4.3.2. Rozwiązania równaniowe a rozwiązania systemowe . . . . . . . . 79 . . . . . . . . . . . . . . . . . . . 79 4.4.1. Metoda Gaussa–Seidela . . . . . . . . . . . . . . . . . . . . . 81 4.4.2. Symulacja deterministyczna w analizie własności modelu . . . . . 90 . . . . . . . . . . . . . . . . . . . . 91 4.5.1. Dokładność symulacji stochastycznej . . . . . . . . . . . . . . . . 92 4.5.2. Wybrane problemy losowania zaburzeń . . . . . . . . . . . . . . . 95 4.5.3. Symulacja Monte Carlo na współczynnikach . . . . . . . . . . . . 96 4.5.4. Symulacja z reestymacją . . . . . . . . . . . . . . . . . . . . 97 4.5.5. Losowość zmiennych egzogenicznych . . . . . . . . . . . . . . . 99 . . . . . 99 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 5.2.1. Prognozowanie strukturalne i niestrukturalne . . . . . . . . . . . . 102 5.2.2. Etapy prognozowania . . . . . . . . . . . . . . . . . . . . . 103 5.2.3. Warunki prognozowania z modelu ekonometrycznego . . . . . . . 104 . . . . . . . . . . . . . . . . . . . . 105 5.2.4. Zasady prognozowania . 5.3. Prognozy ex post i ex ante oraz ich błędy . . . . . . . . . . . . . . . . . . 107 . . . . 109 6.1. Prognozowanie z modeli jednorównaniowych . . . . . . . . . . . . . . . 109 6.1.1. Oczekiwany błąd prognozy w modelu z jedną zmienną objaśniającą 109 6.1.2. Przedział ufności prognozy . . . . . . . . . . . . . . . . . . . . . 112 6.1.3. Oczekiwany błąd prognozy w modelu z wieloma zmiennymi . 5.1. Wstęp . 5.2. Podstawy prognozowania . . . . . . . . . . . Rozdział 6. Prognozowanie z modeli strukturalnych . . . . . Rozdział 5. Prognozowanie – podstawowe pojęcia . . . . . . . . . . . . . . . . . . objaśniającymi . . 6.2. Prognozowanie na wiele okresów . . . . . . . . . . . . . . . . . . . . . 114 . . . . . . . . . . . . . . . . . . . . 116 6.2.1. Prognoza z modelu statycznego . . . . . . . . . . . . . . . . . . . 116 6.2.2. Prognoza z modelu dynamicznego . . . . . . . . . . . . . . . . . 116 6.2.3. Prognozowanie na podstawie modeli wielorównaniowych . . . . . 118 . . . . . . . . . . . . . 119 6.3. Prognozy z modeli nieliniowych i ich obciążenie 6.4. Symulacja stochastyczna w prognozowaniu z modeli nieliniowych . . . . 122 6.5. Symulacja stochastyczna modelu KOSMOS . . . . . . . . . . . . . . . . 124 Rozdział 7. Prognozowanie przy wykorzystaniu modeli niestrukturalnych . . 129 . . . . . . . . . . . . . . . . . . . . 131 7.1.1. Naiwna prognoza bez zmian . . . . . . . . . . . . . . . . . . . . 132 7.1.2. Naiwna prognoza z trendem liniowym . . . . . . . . . . . . . . . 132 7.1.3. Naiwna prognoza z trendem wykładniczym . . . . . . . . . . . . 132 7.2. Metody filtracji w prognozowaniu . . . . . . . . . . . . . . . . . . . . . 133 7.2.1. Średnie ruchome skończone . . . . . . . . . . . . . . . . . . . . . 133 7.2.2. Metody wygładzania wykładniczego . . . . . . . . . . . . . . . . 135 7.2.3. Proste wygładzanie wykładnicze (metoda Browna) . . . . . . . . . 135 7.2.4. Wygładzanie wykładnicze z trendem liniowym i sezonowością 7.1. Naiwne metody prognozowania . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 (metoda Wintersa) . . . . 6 Spis treści . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2.5. Modele trendu . Rozdział 8. Sztuczne sieci neuronowe w prognozowaniu . . . . . . 8.1. Model sztucznego neuronu . 8.2. Sieci neuronowe . . . 8.3. Sieć jednokierunkowa jednowarstwowa 8.4. Sieć jednokierunkowa wielowarstwowa . . . . . . . . . . . . . . . . . . 144 . . 151 . . . . . . . . . . . . . . . . . . 152 . . . . . . . . . . . . . . . . . . 155 . . . . . . . . . . . . . . . . . . 156 . . . . . . . . . . . . . . . . . 156 . . . . . . 157 . . . . . . . . . . . . . . . . . . 160 8.5. Sieć neuronowa a model ekonometryczny . . . . . . . . . . . . . . . . . 162 8.6. Podsumowanie . . . . . . . . . . . . . . . . . . 168 . . . . . . . . . . . . . . . . . . 169 . . . . . . . . . . . . . . . . . . . . 175 8.4.1. Sieć wielowarstwowa realizująca lub-rozłączne . . . . 8.4.2. Uczenie sieci . Bibliografia . . . Indeks rzeczowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Navigare necesse est, viviere non est necesse (Żeglowanie jest rzeczą konieczną, życie – niekonieczną) słowa Pompejusza, tłumaczenie Kopalińskiego, 1989 wersja dla ekonomistów: Jeśli chcesz gospodarować, musisz prognozować Od Autora Cechą szczególną niniejszej książki jest to, że wspólnym mianownikiem rozważań jest stosowanie sformalizowanego opisu rzeczywistości – modelu wprawianego następnie w ruch celem analizy i prognozowania zjawisk gospo- darczych. Ze względu na konieczność wykonywania skomplikowanych obliczeń położono nacisk na wykorzystanie ogólnie dostępnych narzędzi obliczeniowych, w szczególności arkuszy kalkulacyjnych typu Excel czy Calc. Do obliczeń eko- nometrycznych wykorzystano program Gretl autorstwa profesora Allina Cottrella rozwijany i spolszczony przez profesora Tadeusza Kufla, który udostępnia go na swojej stronie internetowej (www.kufel.torun.pl). Aby ułatwić Czytelnikowi opanowanie procesu obliczeniowego, w podręczniku zamieszczono szereg zrzu- tów ekranowych pokazujących okno programu w trakcie wykonywania obliczeń. Kładąc nacisk na poglądowość wywodów oraz ułatwienie Czytelnikowi zrozumienia istoty wywodów, staram się jednocześnie ograniczyć obciążenie rozważaniami teoretycznymi. Wzory i ich uzasadnienie są podporządkowane celowi głównemu – wyjaśnieniu zasad i mechanizmów obliczeń oraz interpretacji wyników. Rozważania zaczynamy od modeli zdarzeń dyskretnych. Rozdział 1. wpro- wadza Czytelnika w podstawowe pojęcia dotyczące modelu i symulacji. W roz- dziale 2. uwaga jest skupiona na symulacji zdarzeń dyskretnych. Przykłady, od których rozpoczniemy rozważania, można zrealizować z wykorzystaniem pro- gramu Excel. Tabele, którymi zilustrujemy nasze przykłady będą nawiązywały do struktury tabel arkusza kalkulacyjnego. W przykładzie pierwszym opiszemy przypadek elementarny: statyczny, dający się rozwiązać również przez fizycznie przeprowadzony eksperyment. Przykład pierwszy określa pewien podstawowy moduł – cegiełkę, z której będą budowane kolejne przykłady, gdzie najpierw znik- nie możliwość eksperymentu fizycznego, a modelowanie i symulacja da nam jedyną możliwość eksperymentowania, następnie zaś pojawi się model dynamicz- ny z czasem „w plasterkach” oraz model z czasem w konwencji „czasu termin następnego zdarzenia”. Rozdział 3. jest poświęcony komputerowym generatorom 9 liczb losowych, w szczególności zaś formułom pozwalającym na transformo- wanie zmiennych o rozkładzie równomiernym w zmienne o innych rozkładach, najczęściej stosowanych w badaniach symulacyjnych. W rozdziale 4. omawia- my zastosowania symulacji do analizy modeli ekonometrycznych. W rozdziale tym łączymy problemy prognozowania z problemami symulacji – determini- stycznej i stochastycznej. W dalszej części książki, w rozdziale 5., omawiamy podstawowe pojęcia związane z prognozowaniem. W rozdziale 6. skupiamy uwa- gę na prognozowaniu za pomocą modeli strukturalnych, w rozdziale 7. zaś – na niestrukturalnych metodach prognozowania. Książkę kończy rozdział 8. poświę- cony jednemu z najnowszych instrumentów prognozowania – sztucznym sieciom neuronowym, z naciskiem na: wskazanie analogii między liniowymi sieciami neuronowymi a układami równań regresji, powiązanie zjawiska przeuczenia sieci z przypadkiem podwymiarowej próby/współliniowości w modelach regresyjnych, podobieństwie funkcji pełnionych przez współczynniki momentum oraz uczenie ze współczynnikami relaksacji i wygładzania w symulacji i prognozowaniu. Książka niniejsza podsumowuje doświadczenia autora zebrane w trakcie badań empirycznych oraz podczas wieloletnich cykli wykładów poświęconych modelowaniu zjawisk gospodarczych, ich prognozowaniu, a także wykorzystaniu symulacji do badania zjawisk gospodarczych i prognozowania. Program wykładu dostosowano do programu nauczania Prognozowania i symulacji na wydziałach ekonomii i zarządzania. W podręczniku wykorzystano fragmenty pracy [Gajda, 2001], które szczególnie sprawdziły się w praktyce dydaktycznej. Materiał omówiony w poszczególnych rozdziałach tworzy dość autonomiczne bloki, zatem lektura wybranych rozdziałów przy pominięciu innych nie powinna sprawiać Czytelnikowi większych trudności. Osoby zainteresowane wykorzystaniem symulacji w badaniach operacyjnych i zarządzaniu mogą być zainteresowane wstępem oraz rozdziałami 2 oraz 3, w ekonometrii także rozdziałami 4 i 5. Do zajęć z prognozowania użyteczne mogą okazać się rozdziały 4–8. Na zakończenie chciałbym wyrazić wdzięczność dr dr Dorocie i Marko- wi Miszczyńskim za zgodę na wykorzystanie obszernych fragmentów pracy [Miszczyńska, Miszczyński, 1998], dr Marii Magdalenie Kaźmierskiej-Zatoń za udostępnienie danych i współpracę. Wykorzystanie Gretla nie byłoby możli- we bez pomocy i rad prof. Marioli Piłatowskiej oraz prof. Tadeusza Kufla, za co składam im szczególne podziękowania. Oczywiście wszelkimi błędami obarczam wyłącznie siebie. Jan B. Gajda Wstęp W swej racjonalnej działalności człowiek zawsze formułował – w sposób bardziej lub mniej przemyślany – cele, stanowiące wy- padkową jego doświadczeń i oczekiwań. Cele te mógł jednak re- alizować tylko pod warunkiem posiadania umiejętności przewidy- wania procesów rozwojowych. Należy więc przyjąć, że elementy prognostyki tkwiły w działalności ludzkiej już od dawna (por. [Ze- liaś, 1997, s. 12]). Podejmując decyzję gospodarczą, ekonomista bierze pod uwagę okoliczności, jakie będą towarzyszyły w przyszłości przekształcaniu tej decyzji w realizację; świadom tego lub nie – przewiduje przyszłość. Praca niniejsza jest poświęcona problemom prognozowania i symulacji traktowanych jako techniki wspomagające podejmowanie decyzji zarówno w eko- nomii, jak i w zarządzaniu. W symulacji budujemy model zjawiska, aby następnie wprawić go w ruch i obserwować reakcje na różnego rodzaju bodźce i zmiany. Ba- dacz uzyskuje możliwość obserwacji zjawisk gospodarczych i eksperymentowania z nimi w sposób podobny do badań możliwych w naukach eksperymentalnych. Budowa i uruchomienie modelu symulacyjnego pozwala na obserwację dynamiki modelowanego systemu w warunkach kontrolowanych przez eksperymentato- ra. Co ważne, eksperymentator może zmieniać warunki eksperymentów tak, aby przetestować zasadność badanych hipotez. Symulacja stwarza laboratorium, w którym możemy analizować problemy ekonomiczne tak, jak w rzeczywistości nigdy tego nie moglibyśmy zrobić. Jedną z ważnych dziedzin zastosowania symulacji jest prognozowanie. Sy- mulacja pozwala na przeprowadzenie pogłębionej analizy własności modelu przedstawiającego badany system, czym prowadzi do uściślenia przewidywań do- tyczących zachowania się modelu. Obserwacja modelu, a w szczególności pomiar jego własności, pozwala na przewidywanie reakcji oraz własności modelowa- nego systemu. To, jak dalece model jest podobny do modelowanego systemu, rzutuje na dokładność wniosków o własnościach modelowanego systemu. 11 Wstęp 1. Model Systemy występujące wokół nas, a także zachodzące w nich procesy bywają tak złożone, że ich zrozumienie sprawia poważne trudności, a czasem wręcz przekra- cza nasze możliwości. Opisując badany system z pominięciem mniej istotnych jego elementów, tworzymy model – nowy system, uproszczony, a przez to łat- wiejszy do zrozumienia. Zrozumiawszy model, lepiej rozumiemy modelowany system. Posługiwanie się modelem często okazuje się tańsze, kiedy indziej szyb- sze lub bezpieczniejsze. W przypadku systemów nieistniejących (lub jeszcze nieistniejących, jak np. prom kosmiczny w fazie projektowania, czy też już nie- istniejących, jak np. atmosfera Ziemi z okresu, gdy rodziło się życie) symulacja modelu może stwarzać jedyną szansę badań. Warto podkreślić, że istotną cechą modelu jest to, że stanowi on uproszczony opis rzeczywistości. Zakres uproszczeń oraz ich skala są wyznaczone celami, dla których model jest budowany. W tym sensie cel budowy modelu staje się elementem składowym tego modelu. Czasem udaje się wykorzystać model do realizacji innego celu niż ten, dla którego został zbudowany; z reguły jednak operacja taka prowadzi do niepoprawnych wniosków. 2. Modele analogowe i cyfrowe Modele, w zależności od tworzywa, z jakiego są ukształtowane, możemy podzielić na analogowe oraz cyfrowe. Modele analogowe (nazywane też modelami fizycz- nymi) mogą być zbudowane z tego samego tworzywa, co modelowany system (np. w modelu Portu Północnego, zbudowanym przed podjęciem prac nad budową samego portu, tworzywem były beton – falochrony i nabrzeża, woda wypełniająca model oraz piasek dna portu), lub z innego tworzywa (np. model karoserii sa- mochodu przeznaczony do badań aerodynamicznych jest budowany z plastiku, drewna czy papier mâché). W modelach cyfrowych, zwanych też numerycznymi, „tworzywem” są liczby, zmienne i wiążące je relacje. Modele cyfrowe są zbu- dowane z matematycznych relacji: równań, nierówności, warunków logicznych, tabel, wykresów, opisujących zachowanie się zmiennych endogenicznych mo- delowanego systemu i ich reakcje na zmiany otoczenia reprezentowanego przez zmienne egzogeniczne. Zmienne występujące w modelach mogą przyjmować wartości ciągłe lub dyskretne (skokowe). Względy praktyczne zmuszają czasem do przybliżenia zmiennej ciągłej za pomocą zmiennej dyskretnej. Proces ten nazywamy dys- kretyzacją zmiennej (np. zmienna ciągła, jaką jest wzrost każdego z nas, jest zapisywana w dokumentach w postaci zdyskretyzowanej – w zaokrągleniu do pełnych centymetrów). Zmienne modelu mogą być ciągłe lub dyskretne w czasie. W pierwszym przypadku wartości zmiennej są określone w każdym momencie czasu, w drugim przypadku są określone w wybranych momentach czasu. Momenty te jak gdyby tną czas w „plasterki”. Odległości pomiędzy kolejnymi momentami mogą być 12 2. Modele analogowe i cyfrowe stałe lub zmienne. Analiza wartości przyjmowanych przez zmienne modelu może odbywać się w równooddalonych momentach. Powstaje tu konieczność wyboru odległości czasowej dt pomiędzy dwoma kolejnymi momentami (wybór grubości „plasterka” czasu). Zbyt długi odstęp czasu dt sprawia, że przybliżenie trajektorii zmiennych modelu okazuje się nazbyt ziarniste, czasem pozbawione ważnych szczegółów opisujących zmiany zachodzące w systemie w okresie krótszym od dt. Zbyt krótki odstęp czasu dt zmusza do zatrzymywania symulacji modelu i badania wartości jego zmiennych w odcinkach na tyle krótkich, że żadne ważne zmiany stanu badanego systemu nie miały możliwości się zrealizować. Wydłuża to czas eksperymentu oraz zwiększa objętość wygenerowanych wyników. Ze zmienną odległością między momentami czasu spotykamy się wtedy, gdy model jest skonstruowany tak, aby generował czas nadciągającego zdarze- nia (najbliższego z przyszłych zdarzeń). Bieg czasu zatrzymujemy w momencie związanym z tym zdarzeniem w celu zbadania zmienionego stanu modelu i wy- konania przypadających czynności. Następnie jest wyznaczany czas kolejnego nadciągającego zdarzenia itd. Przy tej technice odległości czasowe dti pomiędzy kolejnymi zdarzeniami i są zmienne (jeśli odległości między zdarzeniami są jed- nakowe, model oparty na zasadzie następne zdarzenie będzie zachowywał się tak, jak model oparty na równoodległych momentach czasu), model taki dostosowu- je się do sytuacji, gdy w systemie zachodzą zmiany – raz szybko, kiedy indziej powoli. Ceną za to jest konieczność zbudowania modelu w specyficzny sposób, z reguły konieczna jest większa wiedza o modelowanym systemie. Model analogowy często działa w sposób ciągły w czasie, natomiast rejestracja wyników jest dokonywana w sposób dyskretny, w wybranych momentach czasu. Mówimy wówczas o dyskretyzacji zmiennej w czasie. Dyskretyzacja w czasie jest typowa dla modeli cyfrowych. Dla modeli matematycznych (zwłaszcza liniowych) ze zmiennymi ciągły- mi można znaleźć formuły analityczne opisujące trajektorie, po jakich biegną zmienne endogeniczne, tj. rozwiązanie analityczne ciągłe w czasie. Modele mate- matyczne mogą jednak być na tyle skomplikowane, że znalezienie rozwiązania analitycznego jest bądź bardzo trudne, bądź wręcz niemożliwe, przynajmniej przy współczesnym stanie rozwoju matematyki. Ograniczamy się wówczas do nume- rycznego poszukiwania rozwiązań, wyliczając współrzędne punktów leżących na trajektoriach zmiennych endogenicznych. Także i w tym przypadku mamy do czynienia z dyskretyzacją w czasie zmiennej ciągłej. Ważnym elementem modelu są jego parametry charakteryzujące siłę, z jaką jedna zmienna reaguje na zmianę innej zmiennej. Parametry są w zasadzie wiel- kościami stałymi (w szczególnych typach modeli parametry mogą się zmieniać, por. np. [Dziechciarz 1996], ich zmiany są jednak stosunkowo powolne i gładkie w porównaniu z wahaniami zmiennych modelu). Realizm modelu wymaga, aby parametry miały wartości możliwie bliskie wartościom w populacji generalnej, 13 Wstęp zatem przed wykorzystaniem modelu do symulacji jego parametry muszą zostać oszacowane lub uzyskane w inny sposób (np. przez kalibrację, analizę porównaw- czą, rozumowanie per analogiam itp.). Wiele modeli stosowanych w symulacji zawiera elementy losowe sprawiają- ce, iż przewidywania oparte na takich modelach nie są dokładne czy też znane z całkowitą pewnością. W symulacji deterministycznej elementy losowe są trak- towane jako znane (zastępowane np. wartościami oczekiwanymi) lub przynajmniej mało znaczące w skali mechanizmu opisanego przez model. W symulacji sto- chastycznej losowe elementy modelu podlegają samodzielnemu modelowaniu, a proces ich generowania staje się istotnym elementem składowym symulacji. Symulacja, zwłaszcza stochastyczna, generuje znaczną liczbę wyników. Opracowanie wyników symulacji oraz wybór miar pozwalających na ocenę jakości i zachowania się modelu są ważnym elementem procesu symulacji, wpływającym na użyteczność otrzymanych wyników. 3. Prognozowanie a symulacja Prognozowanie oraz symulacja wzajemnie się uzupełniają i wspomagają. W wielu przypadkach prognozy wyliczamy przez symulację, czyli wprawienie w ruch mo- delu. W innych wypadkach sensowna symulacja modelu wymaga dysponowania prognozami jego zmiennych egzogenicznych. Nie zawsze jednak prognozowanie musi posiłkować się symulacją. Z wielu modeli można wyznaczyć prognozy bez pośrednictwa symulacji, można też prognozować bez wykorzystywania modelu. Symulację zaś można wykorzystywać do celów innych niż prognozowanie, np. w statystyce – do oceny zachowania się zmiennych losowych mających rozkła- dy niedające się wyrazić w postaci zapisu matematycznego, w matematyce – do poszukiwania pola obszaru ograniczonego krzywą o nieregularnym kształcie. 4. Modele zdarzeń dyskretnych a modele procesów ciągłych Modele zdarzeń dyskretnych opisują zjawiska raczej mikroekonomiczne, bę- dące szczególnie często przedmiotem zainteresowania badań operacyjnych. Ich zróżnicowanie sprawia, że łatwiej nam będzie rozpocząć rozważania od kilku przykładów o narastającym stopniu komplikacji. W odróżnieniu od nich – modele procesów ciągłych, często stosowane do opisu zjawisk makroekonomicznych, w większości przypadków mają charakter układów równań różniczkowych bądź różnicowych (tylko tymi ostatnimi, zwłaszcza modelami ekonometrycznymi, zaj- miemy się dalej). Tu uwagę naszą zajmą problemy analizy własności modeli i ich rozwiązań, tj. trajektorii, po których biegną zmienne endogeniczne modelu. Rozdział 1. Wprowadzenie do symulacji 1.1. Wstęp Do najważniejszych okoliczności towarzyszących podejmowaniu optymalnych decyzji gospodarczych należy ocena skutków tych decyzji. Do oceny skutków można podejść na dwa sposoby – przez eksperyment fizyczny na rzeczywistym systemie lub przez eksperyment intelektualny na modelu systemu. Sposób pierwszy polega na wdrożeniu wybranego wariantu rozważanej decy- zji, a więc wykonaniu eksperymentu na badanym systemie (przedsiębiorstwie, grupie przedsiębiorstw, gospodarce narodowej etc.). W praktyce gospodarczej zdarzają się eksperymenty polegające na przykład na zastosowaniu różnych tech- nik reklamy oraz marketingu celem późniejszego porównania rezultatów różnych rozwiązań. Jest to jednak sposób kosztowny, praco- i czasochłonny, a co ważniej- sze potencjalnie niekorzystny, a nawet niebezpieczny, gdyż skutki eksperymentu dotykają uczestniczących w nim ludzi. Szczególnym utrudnieniem jest tu ko- nieczność uwzględnienia wpływu wszystkich parametrów czy zmiennych istotnie wpływających na zróżnicowanie wyników eksperymentu. Nawet przy niewielkiej liczbie zmiennych i parametrów warunkujących reakcję wypadałoby zrealizować znaczną liczbę wariantów eksperymentu, co bardzo podwyższa koszty badania. Sposób drugi polega na eksperymencie przy wykorzystaniu modelu wiążą- cego interesujące nas zmienne endogeniczne, reagujące na rozważaną decyzję, ze zmiennymi egzogenicznymi będącymi instrumentem realizacji tej decyzji. Parametry modelu mogą zostać oszacowane na podstawie informacji zgroma- dzonej w wyniku obserwacji zachowania się badanego systemu. Parametry te mogą też być przyjęte na podstawie opinii ekspertów, oparte na założeniach etc. Prostsze modele, mające postać układów równań liniowych, różniczkowych lub różnicowych, mogą dać się rozwiązać analitycznie. Modele bardziej skompliko- wane mogą nie posiadać rozwiązań analitycznych, wówczas są rozwiązywane numerycznie. Do szczególnie użytecznych technik poszukiwania rozwiązań nale- ży symulacja – rozwiązanie uzyskane w wyniku wprawienia modelu w ruch i obserwacji reakcji zmiennych endogenicznych na zmiany wartości zmiennych egzogenicznych. Badanie symulacyjne ma tę przewagę, że może być prowadzone na modelu systemu już nieistniejącego (np. analogowy model atmosfery ziem- skiej jaka panowała trzy miliardy lat temu wykorzystano do badania możliwości 15 Rozdział 1. Wprowadzenie do symulacji samorzutnego powstania aminokwasów – jednych z najprostszych związków or- ganicznych, por. hasło Stanley L. Miller w Wikipedii) bądź też systemu jeszcze nieistniejącego (np. model cyfrowy kadłuba promu kosmicznego wykorzystano do badań zdolności skutecznego wyhamowania promu przez tarcie o atmosfe- rę ziemską – z jego prędkości orbitalnej wynoszącej ponad 28 000 km/godz. do prędkości lądowania wynoszącej ok. 220 km/godz., bez ryzyka spłonięcia wsku- tek nadmiernego rozgrzania przez tarcie). 1.2. Symulacja – przegląd definicji W wielu publikacjach terminy, takie jak symulacja, Monte Carlo, gry (gry operacyjne) lub próbkowanie modelu (model sampling), są używane zamiennie, podczas gdy w innych pracach te same pojęcia są używane w zróżnicowanym sensie. Morgenthaler stwierdza, że symulować to znaczy odtworzyć istotę systemu lub jego działanie bez rzeczywistego uruchamiana samego systemu (To duplicate the essence of the system or activity without actually attaining reality itself [Meier i in., 1969, s. 2]). Zatem symulacja wykorzystuje model do przedstawienia przebiegu w czasie istotnych charakterystyk badanego systemu lub procesu. Przy tym modelem możemy manipulować w sposób, który w odniesieniu do rzeczywistego systemu jest nieosiągalny lub niepraktyczny. Zakłada się, że badanie modelu daje możność wyciągnięcia wniosków o dynamice modelowanego systemu. Naylor definiuje symulację jako technikę numeryczną służącą do dokonywania eksperymentów na pewnych rodzajach modeli matematycznych, które opisują za pomocą maszyny cyfrowej zachowanie się złożonego systemu w ciągu długiego okresu czasu [Naylor, 1975, s. 21]. Poniżej rozważymy wybrane elementy definicji Naylora. Cel symulacji: eksperyment prowadzony na modelu systemu złożonego; z jednej strony chodzi tu od odcięcie się od problemów trywialnych, rozwiązy- walnych bez uciekania się do symulacji, z drugiej strony – podkreśla wagę układu eksperymentu (tego, jakie zmienne i parametry mają ulegać zmianie w kolejnych wariantach) oraz analizę danych wynikowych (jakie charakterystyki wyników będą wyliczane i pod kątem jakich własności czy też cech wyniki te będą anali- zowane, w szczególności czy proponowane charakterystyki rzetelnie informują o własnościach będących przedmiotem badania). Charakter symulacji: analiza zachowania się systemu w czasie; ekspery- menty można w zasadzie prowadzić zarówno w określonej chwili (symulacje przekrojowe), jak i w czasie (symulacje szeregów czasowych). Technika postępowania: numeryczna, choć może to sugerować, iż symulacja jest techniką ostatniej szansy i jest stosowana wówczas, gdy nie ma możliwości uzyskania rozwiązania w drodze analitycznej; w praktyce często okazuje się, 16 1.2. Symulacja – przegląd definicji że symulacja jest techniką tańszą, łatwiejszą i mniej pracochłonną, wymagającą prostszego oprogramowania komputerowego, a przy tym znacznie elastyczniejszą. Rozważmy system ze zmienną wyjściową y pozostającą w zależności funk- cyjnej Φ (dla uproszczenia przyjmiemy na razie, że jest to funkcja liniowa) od zmiennych xk: yt = Φ(x1, x2, . . . , xK) = b1x1 + b2x2 + ··· + bKxK, W projektowaniu układów eksperymentów zmienna y jest nazywana reakcją, zmienne xk (k = 1, . . . , K) są nazywane bodźcami (czynnikami), funkcja Φ zaś opisuje powierzchnię reakcji. k = 1, . . . , K. W eksperymencie kontrolowanym zmieniamy wartości x, aby obserwować reakcję y. Daje to możność wygenerowania próby liczącej T obserwacji na zmiennych zależnych y oraz niezależnych x. Na podstawie zgromadzonych obserwacji możemy oszacować parametry bk powierzchni reakcji ˆΦ, otrzymując model ˆyt = ˆΦ(x1, x2, . . . , xK) = ˆb1x1 + ˆb2x2 + ··· + ˆbKxK, który można poddawać dalszej interpretacji i analizie. W sytuacji, gdy eksperyment kontrolowany jest kosztowny lub wręcz niemożli- wy – uciekamy się do symulacji traktowanej jako quasi-eksperyment (eksperyment na modelu systemu), w którym zmianie ulegają parametry bk, zmienne xk lub jedne i drugie. Powyższy model jest na tyle prosty, że łatwo przeanalizować bezpośrednio jego własności, natomiast stosowanie do tego celu symulacji (wprawianie modelu w ruch) wydaje się zbędną rozrzutnością. Modele spotykane w praktyce wyróż- niają się wyższym stopniem komplikacji – składają się z wielu równań, zawierają nieliniowe funkcje Φm o skomplikowanej sieci powiązań pomiędzy zmiennymi objaśnianymi zarówno jednoczesnych, jak dynamicznych (z opóźnieniami w cza- sie), zawierają losowe zakłócenia, losowe zmienne–bodźce, losowe parametry równań. Losowe elementy modelu mogą ze swej strony zależeć od dodatkowych parametrów realizujących się z pewnym prawdopodobieństwem oraz podlegać pewnym ograniczeniom. Dla Lawrence’a R. Kleina, laureata Nagrody Nobla w dziedzinie ekonomii i ojca symulacji w badaniach ekonometrycznych, symulacja sprowadza się do znalezienia całkowitej ścieżki rozwiązania skończonego równania różnicowego. Numeryczna symulacja jest sekwencją liczbowych obliczeń na danych gospo- darczych i oszacowanych parametrach układu równań, a wielkości ze ścieżki wzrostu: y1, y2, . . . , yt są liczbową aproksymacją rozwiązania końcowego [Klein, 1983, s. 119]. W niniejszej pracy, za Kleinem, pod nazwą symulacja (dodamy deterministycz- na) będziemy rozumieli proces numerycznego rozwiązywania modelu (równania lub układu równań/nierówności) celem wyznaczenia trajektorii zmiennych 17 Rozdział 1. Wprowadzenie do symulacji endogenicznych. W symulacji deterministycznej najczęściej chodzi o rozwiąza- nie układu równań różnicowych, jest więc ona odpowiednikiem numerycznego całkowania układu równań. W wielu eksperymentach pojawia się konieczność uwzględnienia źródeł nie- pewności w zachowaniu modelowanego systemu. Stwarza to zapotrzebowanie na wprowadzenie do modelu wielkości przybierających wartości losowe zgodnie z pewnym rozkładem prawdopodobieństwa. Metoda Monte Carlo to technika roz- wiązywania modelu stochastycznego wielkości losowych z wybranego rozkładu prawdopodobieństwa. Nazwa Monte Carlo często jest kojarzona z siedzibą kasyna znanego z gier związanych z losowaniem wygrywającego numeru czy wygry- wającej karty. W gruncie rzeczy nazwa ta wywodzi się od kryptonimu jednego z zadań w projekcie Manhattan budowy amerykańskiej bomby atomowej, por. [Vose, 1996, s. 40]. Już w roku 1733 książę Buffon zastosował metodę Monte Carlo, próbując oszacować liczbę π w eksperymencie polegającym na wielokrotnym rzucaniu igły o długości l na podłogę z równoległych desek o szerokości 2l i wyliczeniu stosunku całkowitej liczby rzutów do liczby rzutów, w których igła spadła w poprzek szpary między deskami [Mihram, 1972, s. 186]. Popularyzacja metody Monte Carlo w badaniach naukowych jest związana z pracami Johna von Neumanna oraz Polaka Adama Ulama, realizowanych w ramach projektu Manhattan. Metoda ta okazała się szczególnie użyteczna w rozwiązywaniu zagadnień nieliniowych. Symulację z wykorzystaniem metody Monte Carlo nazwiemy symulacją stochastyczną (spotyka się też określenie symulacja Monte Carlo, por. np. [Vose, 1996]). Pojęcie symulacja stochastyczna jest używane w odniesieniu do ekspery- mentów typu próbkowania z modelu (model sampling), służących do badania własności modelu (lub zastosowanej doń metody) metodą Monte Carlo. Metoda ta polega na tym, że we fragmenty modelu (parametry, zmienne, ogranicze- nia) stanowiące źródło jego niepewności są wstawiane zaburzenia wylosowane z odpowiedniego rozkładu prawdopodobieństwa, a następnie jest wyznaczane rozwiązanie modelu (pojedyncze rozwiązanie otrzymane po wstawieniu warto- ści konkretnych zaburzeń nazywamy replikacją). Operacja ta jest powtarzana N-krotnie, dając próbę zawierającą N replikacji. Rozwiązanie modelu z zabu- rzeniami losowymi jest także losowe, a wynikowy rozkład prawdopodobieństwa rozwiązań pozostaje zwykle w tak skomplikowanej relacji do rozkładów wy- losowanych zakłóceń, że analityczne prześledzenie związków pomiędzy tymi rozkładami jest trudne lub niemożliwe. Symulacja stochastyczna rozumiana jako próbkowanie modelu polega na generowaniu reprezentatywnej próby zmiennych modelu, aby następnie wyliczyć pewne sumaryczne charakterystyki trajektorii po jakiej biegną zmienne modelu, w domyśle – zmienne modelowanego systemu. Próbkowanie modelu pozwala na określenie charakteru rozkładów wynikowych tam, gdzie zastosowanie technik analitycznych jest trudne. W najprostszym przypadku jesteśmy zainteresowani podstawowymi parametrami rozkładów 18 1.2. Symulacja – przegląd definicji wynikowych, takimi jak średnia i/lub rozproszenie badanych zmiennych. W przy- padkach bardziej zaawansowanych badamy dalsze charakterystyki rozkładów, jak miary asymetrii, miary kurtozy, kwantyle czy też wreszcie całe rozkłady pod względem np. ich jednomodalności czy zgodności z takimi rozkładami wzorco- wymi, jak rozkłady: normalny, t-Studenta, beta, gamma etc. Jedno z pierwszych zastosowań próbkowania z modelu zawiera praca W.S. Gosseta (publikującego pod pseudonimem Student) z roku 1908 wprowadza- jąca rozkład t-Studenta [Teichroew, 1965]. Zanim udało mi się rozwiązać problem analitycznie, spróbowałem rozwiązać go empirycznie. Wykorzystany materiał miał postać tablicy z informacją o wzroście oraz rozmiarze środkowego palca lewej dłoni 3000 kryminalistów (…). Pomiary zostały naniesione na 3000 kartek (…) następnie po starannym ich wymieszaniu losowano próby czteroelementowe (…). Z każdej 4-elementowej próby wyliczano wartość średnią oraz odchylenie standardowe (…). Dało to dwa 750-elementowe zbiory do testowania wyników teoretycznych [dotyczących rozkładu t nazwanego później rozkładem Studenta – przyp. aut.]. Wzrost i rozmiar palca zostały wybrane, gdyż ich rozkład był prak- tycznie normalny (…) (tłum. własne na podstawie [Morgan, Byron, 1984, s. 6]). Pojęcie symulacja pojawia się także w kontekście gier kierowniczych, w któ- rych dynamiczny model symuluje otoczenie, gracze zaś podejmują decyzje zależne od stanu otoczenia i gromadzą doświadczenia. Modele te wykorzystuje się do tre- nowania kadry podejmującej decyzje [Skrzypek, Szubra, 1996]. Można też mówić o grze operacyjnej (operational gaming), jeżeli celem nie jest trening uczest- ników, lecz poważne wykorzystanie grania jako narzędzia służącego uściśleniu mechanizmu gry oraz zdobyciu wyniku gry bądź uzyskaniu ważnej informacji o charakterze rozwiązania gry. Jako przykład wymienia się tu wojenne gry szta- bowe rozgrywane na modelu teatru działań przed planowaną operacją wojskową. Do symulacji są zaliczane pewne metody heurystyczne (nie obejmuje ich ni- niejsza praca, por. [Cieślak, 1998]) naśladujące w ten czy inny sposób proces podejmowania decyzji w ludzkim umyśle czy też proces rozwiązywania proble- mów decyzyjnych. W klasie metod naśladujących umysł wyróżniamy metody sieci neuronowych, w klasie metod naśladujących ewolucję – algorytmy ge- netyczne, w klasie metod naśladujących zjawiska fizyczne zaś – symulowane wyżarzanie (simulated annealing). Powyższy przegląd pokazuje zróżnicowanie zarówno znaczenia, jak i kon- tekstu używania słowa symulacja. Nie przedstawiliśmy wyczerpująco zakresu zjawisk, w których pojawia się to słowo, zwłaszcza że zakres jego stosowania stale się rozszerza. Warto zwrócić uwagę na różnicę między modelem symulacyjnym a modelem optymalizacyjnym. W modelu optymalizacyjnym, obok opisu procesu przekształ- cania wartości zmiennych decyzyjnych (egzogenicznych) w skutki (zmienne endogeniczne), wprowadzamy kryterium przypisujące każdej z dopuszczalnych decyzji (wartości zmiennych egzogenicznych) jej użyteczność (koszt lub korzyść). Natomiast model symulacyjny opisuje jedynie proces przekształcania wartości 19
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Prognozowanie i symulacje w ekonomii i zarządzaniu
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: