Содержание к диссертации
Введение
Глава 1. Оценка и методы прогнозирования развития черной металлургии России 7
1.1. Анализ развития черной металлургии России и особенности ее прогнозирования 7
1.2. Основные методы и модели, используемые при отраслевом прогнозировании 20
1.3. Определение параметров среднесрочного прогноза 31
Глава 2. Формирование сценарного пространства развития черной металлургии России 38
2.1. Разработка концепции модельного комплекса, осуществляющего формирование сценарного пространства 38
2.1.1. Понятие и методы построения сценариев 38
2.1.2. Обоснование состава и взаимосвязей модельного комплекса 43
2.2. Формирование ядра модельного комплекса 45
2.2.1. Разработка подхода к моделированию ядра с помощью метода блочного моделирования 45
2.2.2. Моделирование блочной группы «Производство» 50
2.2.3. Моделирование блочной группы «Внутренний рынок» 62
2.2.4. Моделирование блочной группы «Внешний рынок» 71
2.3. Построение оболочки на базе ядра модельного комплекса 92
2.3.1. Метод идентификации событий в модельном комплексе 92
2.3.2. Управление базой данных событий 96
2.3.3. Процедура генерации сценариев 98
Глава 3. Моделирование среднесрочного развития черной металлургии России с помощью модельного комплекса 104
3.1. Информационная поддержка модельного комплекса 104
3.2. Формирование внешних и внутренних связей параметров управления модельного комплекса 106
3.3. Формирование базового набора событий в рамках базы данных событий 116
3.4. Построение сценарного дерева с помощью модельного комплекса и анализ полученных результатов 122
Заключение 133
Литература 135
Приложения 144
- Основные методы и модели, используемые при отраслевом прогнозировании
- Формирование ядра модельного комплекса
- Построение оболочки на базе ядра модельного комплекса
- Формирование внешних и внутренних связей параметров управления модельного комплекса
Введение к работе
Черная металлургия России является одной из базовых отраслей экономики. Она включает в себя около 3000 предприятий, размещающихся в 20 основных регионах России. Эта отрасль в отдельных регионах обеспечивает до 85% промышленного производства. За счет налоговых поступлений с предприятий металлургического комплекса обеспечивается наполнение большого количества местных и региональных бюджетов. Кроме того, отрасль дает значительные валютные поступления от экспорта продукции на внешние рынки.
В связи с условиями, в которых развивалась отрасль, сложилась ситуация, когда предприятия черной металлургии зачастую являются градообразующими, а потому эффективное развитие отрасли является залогом успешного функционирования предприятий. Последнее гарантирует сохранение рабочих мест, что очень важно для многих регионов России.
В настоящее время около половины произведенной продукции отправляется на экспорт. Это является следствием, с одной стороны, избыточных производственных мощностей, а с другой, - резкого сокращения емкости внутреннего рынка из-за экономического кризиса, последовавшего вслед за распадом СССР. Таким образом, наряду с нефтяной и газовой отраслями черная металлургия обеспечивает сырьем многие страны мира, подтверждая тем самым сложившийся статус России, как сырьевого придатка развитых стран. В результате сложилось противоречие: с одной стороны, дальнейшее развитие отрасли ведет экономику России по регрессивному пути, с другой стороны, отрасль необходимо развивать, так как в противном случае неизбежно возникнет социальная напряженность из-за сокращения рабочих мест. Последний фактор в настоящее время перевешивает, что подтверждается темпами развития отрасли - за последние четыре года среднегодовые темпы роста составили более 9%.
Развитые страны мира уже в течение довольно продолжительного периода практически не развивают черную металлургию, а по возможности вообще сокращают объемы производства. Это является следствием того, что технологии производства в этой отрасли с экологической точки зрения чрезвычайно грязные, в связи с чем тратятся значительные средства на очистные сооружения. Кроме того, многие металлургические предприятия в этих странах являются по сути убыточными. Эти факторы приводят к постепенной миграции производства из развитых стран в развивающиеся, в том числе и в Россию.
Состояние отрасли находится в очень сильной зависимости от конъюнктуры мирового рынка, которая в последние годы ведет себя весьма нестабильно, что накладывает отпечаток на качество управления отраслью. Например, только за один 2002 год на мировом рынке черных металлов произошли следующие события: для многих стран-экспортеров фактически был закрыт рынок США, после этого стали закрываться в той или иной мере внутренние рынки стран ЕС, Китая, Мексики, Канады, Таиланда, Малайзии, даже Россия частично закрыла свой рынок от продукции из Украины и
Казахстана. Все это сопровождалось возбуждением большого количества антидемпинговых расследований. Только за полгода цены на мировом рынке выросли более чем на 30%.
Таким образом, в настоящее время складывается ситуация высокой нестабильности конъюнктуры мирового рынка, являющейся также дестабилизирующим фактором и для конъюнктуры внутреннего рынка. В этих условиях в системе управления отраслью на передовые позиции выдвигается проблема точности среднесрочного прогнозирования. Ее появление связано с тем, что в условиях большой нестабильности внутреннего и внешнего рынков, а также с учетом масштабов отрасли традиционные методы прогнозирования оказываются несостоятельными. Поэтому их необходимо применять совместно или в комплексе с другими методами, например, вместе со сценарным подходом, опирающемся на системный анализ. Сценарный подход способен учесть те факторы и их влияние, которые не учитывают традиционные методы. Использование сценариев при построении прогнозов способствует снижению неопределенности, что ведет как к повышению качества получаемых прогнозов, так и к принятию на их основе более обоснованных решений.
Проблеме построения прогнозов развития отрасли с использованием сценарного подхода в научной литературе, посвященной проблемам отраслевого прогнозирования, уделяется мало внимания, если не учитывать работы, в которых авторы проводят построение сценариев бессистемно, варьируя только один из входных параметров, как, например, [29, 64, 70, 93, 103]. Наиболее часто сценарный подход базируется на межотраслевых балансах [21, 52, 57, 104, 105], которые используются как в чистом виде, когда строится прогноз во взаимоувязке всех отраслей народного хозяйства, так и в составе крупных прогнозных комплексов. В последних предусматривается вариантное построение прогнозов в зависимости от разработанных сценариев, то есть сначала разрабатываются сценарии, а потом на их основе строятся прогнозы. Это фактически приводит к отрыву сценариев от прогнозов. В теоретическом плане можно выделить целый ряд подходов к построению сценариев, но на практике они практически не реализованы [1, 4, 5, 46-48, 53, 58, 135]. Таким образом, прослеживается разрыв между теоретическими разработками и практической их реализацией.
Объектом исследования в работе является анализ среднесрочных тенденций развития черной металлургии России.
Предметом исследования является процедура составления среднесрочного прогноза развития черной металлургии с помощью сценарного подхода.
Цель диссертационного исследования состоит в разработке и построении модельного комплекса, описывающего сценарное пространство и позволяющего генерировать сценарии развития черной металлургии России для проведения анализа закономерностей развития отрасли в среднесрочной перспективе.
В рамках поставленной цели исследования в работе ставятся следующие задачи:
провести анализ предметной области, исследовать ее ретроспективное развитие и определить основные особенности черной металлургии как объекта прогнозирования;
определить параметры отраслевого среднесрочного прогноза для черной металлургии;
разработать состав и определить внутренние взаимосвязи модельного комплекса;
разработать требования к объему и составу информации, необходимой для эффективного функционирования моделей в составе модельного комплекса;
построить модели системы с учетом выделенных особенностей черной металлургии;
разработать процедуру моделирования событий в составе модельного комплекса и определить состав и структуру базы данных событий;
разработать и на примере продемонстрировать метод построения сценариев развития черной металлургии, провести анализ полученных результатов.
Научная новизна исследования заключается в следующем:
в обосновании параметров среднесрочного отраслевого прогноза в управлении черной металлургией;
в создании модельного комплекса, позволяющего реализовывать сценарные исследования среднесрочных перспектив развития черной металлургии России;
в разработке оригинального подхода к моделированию процедур ценообразования в условиях олигополистического рынка;
в разработке методов улучшения качества получаемых прогнозов распределения экспортно-импортных потоков продукции черной металлургии на основе метода межстрановой увязки показателей внешней торговли;
Практическая значимость работы состоит в том, что разработанный и построенный модельный комплекс, а также метод построения сценариев, описанные в диссертационном исследовании, дают возможность проводить анализ перспективного развития черной металлургии России на основе сценарного подхода. Построение сценарных деревьев с помощью модельного комплекса позволяет не только выявить возможные пути развития отрасли, но и является основой для принятия обоснованных решений как на основных предприятиях отрасли, самостоятельных или входящих в различные холдинги и консорциумы, так и в органах государственной власти, имеющих отношение к управлению экономикой России, в частности, в Министерстве экономического развития и торговли. Также результаты работы могут быть использованы различными субъектами экономики, чья деятельность прямо или косвенно связана с черной металлургией России или рынком черных металлов.
Для проведения исследования использовались научные разработки в области системного и экономического анализа, макроэкономической теории,
конъюнктурных исследований, отраслевого прогнозирования, в том числе балансовые методы и модели, метод RAS, экономико-статистического моделирования.
Отдельные положения и результаты данного исследования опубликованы в четырех печатных работах [108-111].
Работа состоит из введения, трех глав и заключения, библиографии и приложения. Первая глава посвящена анализу ретроспективного развития черной металлургии России, ее состава, взаимосвязей с мировым рынком. В этой главе проводится анализ существующих методов прогнозирования отраслевого развития, а также обосновываются параметры среднесрочного отраслевого прогноза для черной металлургии. Во второй главе разрабатывается концепция модельного комплекса, позволяющего строить сценарное пространство, производится построение ядра и оболочки этого комплекса. На базе разработанных модельного комплекса и процедуры генерации сценариев в третьей главе осуществляется построение сценарного дерева перспективного развития черной металлургии России.
Основные методы и модели, используемые при отраслевом прогнозировании
Рассмотрение методов и моделей, используемых при отраслевом прогнозировании, можно проводить с двух точек зрения: глобальной и локальной. Глобальный подход к отраслевому прогнозированию предполагает рассмотрение отрасли со всех сторон, вследствие чего строится прогноз не только основных показателей развития отрасли (в соответствии с задачами прогнозирования), но и различных макроэкономических показателей внешней среды. При построении прогноза в этом случае строится целый комплекс моделей с использованием различных методов. Локальный подход, напротив, предполагает узкоспециализированное рассмотрение отрасли. Он применяется, когда необходимо получить прогноз отдельных показателей отраслевого развития, поэтому в данной ситуации исследователи ограничиваются применением какого-то одного метода.
Соответственно описанным подходам ниже будут рассмотрены как комплексные отраслевые модели, так и методы, используемые при прогнозировании отдельных отраслевых показателей.
В соответствии с общепринятой классификацией все методы прогнозирования можно разделить на следующие группы: экономико-статистические, экспертные, на основе дескриптивных моделей [25]. Как уже упоминалось выше, при комплексном прогнозировании могут быть использованы все эти методы, при локальном же наибольший интерес представляют экономико-статистические методы и методы на основе дескриптивных моделей.
При комплексном прогнозировании развития отраслей наибольшее распространение получили балансовые модели, главным образом межотраслевые. Эта распространенность объясняется как широтой их применения, так и большой информативностью. На основе межотраслевых балансов можно получить прогнозы объемов производства, распределения произведенной продукции по отраслям, потребления ресурсов и т.п., рассчитать различные важные показатели, например, коэффициенты фондоемкости, трудоемкости и т.д. Можно и дальше приводить преимущества данного метода, но стоит отметить и недостатки, главным из которых является потребность в большом количестве первоначальной информации, без которой невозможно построить балансы.
В качестве примера использования межотраслевых балансов можно привести небезызвестные макромодельные комплексы СИРЕНА (СИнтез РЕгиональных и НАроднохозяйственных решений) и СОНАР (Согласование Отраслевых и НАроднохозяйственных Решений) [21, 52, 105]. В них прогнозирование отраслевых показателей, осуществляемое с помощью межотраслевого баланса, фактически является промежуточным этапом для получения основных макроэкономических показателей. Кроме построения инерционных прогнозов, эти комплексы предусматривают возможность построения сценариев развития, при разработке которых во главу угла ставится исследование некоторой важной проблемы или совокупности гипотетических проблемных ситуаций. В соответствии с разработанными сценариями в моделях изменяются условия, управляющие переменные и параметры, на основе которых и проводятся расчеты.
СИРЕНА и СОНАР были созданы по принципу специализированных модельных комплексов, охватывающих все народное хозяйство, но с акцентом на отдельные аспекты его развития. «Главный принцип построения таких модельных комплексов заключается в том, что достаточно детальное описание «ядра» (особо интересующего объекта) дополняется агрегированным описанием «оболочки» (остальной части народного хозяйства)» [21, с. 986]. Подобный принцип моделирования больших систем венгерский экономист Г. Шимон назвал рефлекторным программированием. Название было дано по аналогии с работой рефлектора (прожектора), который, изменяя направление света, последовательно высвечивает определенные участки местности.
Следует отметить, что зачастую в модельных комплексах за основу берется модель межотраслевого баланса, на которую производятся разного рода надстройки, позволяющие получать прогнозы других интересующих исследователей показателей. Подобным образом построены комплексы СИРЕНА и СОНАР. Проведение более детальных исследований на основе данных модельных комплексов осуществляется с помощью специализированных оптимизационных межрегиональных межотраслевых моделей (ОМММ). Каждая из таких специализированных ОМММ имеет возможность подключать особые модели или их группы отдельных регионов или отраслей.
В настоящее время методология прогнозирования развития отраслей с помощью межотраслевых балансов не потеряла своей актуальности, поэтому по-прежнему широко применяется. Так Лисин B.C. и Узяков М.Н. в целях изучения перспектив развития черной металлургии в зависимости от роста тарифов естественных монополий строят комплексную модель, ядром которой является межотраслевой баланс [57]. Отраслевой блок модели базируется на детальном макроэкономическом прогнозе, что, по мнению авторов, дает возможность получения более развернутой оценки вероятных сценариев развития самой черной металлургии. В работе проводится исследование того, как рост тарифов влияет на рост цен в экономике в целом. В этой связи при расчетах в условиях роста цен применяются две гипотезы: первая — отрасли экономики стремятся сохранить номинальный уровень прибыли, вторая -норму прибыли. На основе полученной балансовой модели в работе делается акцент на том, как будет развиваться черная металлургия как в условиях различных уровней роста тарифов, так и отталкиваясь от запланированного в бюджете индекса потребительских цен (обратными расчетами).
Модель межотраслевого баланса не всегда используется в чистом виде. В частности делаются попытки интеграции в межотраслевой баланс моделей, осуществляющих построение прогнозов производственных показателей на основе экономико-статистических методов [104]. Необходимость подобной интеграции объясняется невозможностью получения корректной исходной информации (или части ее) стандартными путями из-за развития в экономике бартерных отношений, наличием высоких темпов инфляции и т.д. Поэтому получение недостающей информации осуществляется с помощью моделей, разработанных на базе экономико-статистических методов.
Если в качестве предметной области выступает не отрасль, а более мелкий элемент, например, предприятие, то использование межотраслевых балансов, безусловно, становится невозможным, но сами балансовые модели применимы. Подобным примером использования балансовой модели может служить модель анализа хозяйственной деятельности ОАО «Северсталь» [6]. Как отмечалось в п. 1.1., рынок черных металлов является олигополией, поэтому анализ деятельности отдельных крупных его игроков в отраслевом разрезе вполне оправдан. В упомянутой работе стоятся балансы на основе материальных и финансовых потоков в подразделениях предприятия с учетом разбиения продуктов на основной, куда входит продукция для внутреннего потребления, товарная и смешанная, и добавочный. На основе полученного баланса рассчитываются цены на продукцию, а также проводится анализ эластичности цен в зависимости от различных факторов производства.
Наряду с межотраслевыми балансами широкое распространение получили модели межотраслевых взаимодействий, построенные частично на их основе [66, 71-73, 132, 133]. Эти методы позволяют избежать основного недостатка балансов — высокой трудоемкости получения матрицы коэффициентов прямых затрат, а также требования наличия большого объема первоначальной информации. Если для построения межотраслевого баланса необходимо иметь информацию обо всех отраслях народного хозяйства или хотя бы о самых крупных, которые аккумулируют в себе всю информацию о подотраслях, то для построения моделей межотраслевого взаимодействия достаточно иметь данные об исследуемой отрасли и частично о смежных отраслях. Данные модели строятся с помощью экономико-статистических методов, главным образом регрессионного анализа, на основе фактора ресурсов и фактора спроса на продукцию отрасли.
Формирование ядра модельного комплекса
Ядро сценарного пространства представляет собой совокупность моделей разной направленности. Эти модели описывают как внутреннее функционирование объекта исследования, так и внешнюю среду, оказывающую влияние на объект. Изначально было выделено три больших совокупности моделей: модель системы, модель внешнего рынка, модель внутреннего рынка. Эти совокупности фактически образуют группы моделей, объединенных между собой по определенному признаку. В рамках каждой группы модели могут быть распределены по отдельным блокам, в каждый из которых будет входить небольшое количество моделей таким образом, что ни одна модель не может входить в несколько блоков и ни одна модель не может не входить ни в один из блоков. В итоге, объединение всех блоков в рамках одной группы должно давать полное множество моделей. В результате выстраивается некоторая иерархия: на первом уровне находятся простые модели; на втором уровне -модельные блоки, сформированные из простых моделей первого уровня; на третьем уровне - группы модельных блоков, сформированные из блоков второго уровня; и, наконец, на четвертом уровне - ядро модельного комплекса, сформированной из групп. Описанное распределение целесообразнее всего осуществлять в рамках метода блочного моделирования.
Последний позволяет решить описанную проблему. В рамках данного метода все модели объединяются в блоки. Каждый блок связан с другими с помощью одинаковых переменных, которые осуществляют передачу информации от одного блока к другому. В результате все блоки оказываются связанными между собой информационными потоками.
Преимуществом данного метода является то, что с его помощью производится дезагрегация всей модельной совокупности, при этом не происходит потеря ни информативности, ни целостности системы.
Необходимо отметить, что в рамках данной дезагрегации являются синонимами: блок моделей и модельный блок, группа и блочная группа.
С точки зрения рассматриваемой отрасли - черной металлургии можно выделить следующие основные группы: производство, ресурсы, сбыт. Последнюю группу в свою очередь можно разделить на две: внешний и внутренний рынки. Каждая выделенная группа состоит из ряда модельных блоков (см. рис. 2.3.).
Так в группе «ресурсы» выделены следующие модельные блоки: блок оценки запасов сырьевых месторождений, блок расчета показателей объемов добычи и обогащения руды, блок расчета показателей вторичного сырья. Вообще, если рассматривать все поступающие в отрасль ресурсы, то это займет много времени и места. Поэтому здесь были представлены только одни из основных блоков в качестве примера, в самой же работе данная группа блоков рассматриваться вообще не будет, поскольку в противном случае это уведет работу далеко за рамки поставленных целей.
Группа «производство» объединяет блок, моделирующий производственный процесс по основным стадиям технологического процесса -переделам, блок, рассчитывающий максимально возможные объемы производства для каждого передела, и блок расчета себестоимости. Данная блочная группа фактически является моделью системы (см. рис. 2.2.).
Группы внешнего и внутреннего рынков объединяют ценовые блоки и блоки, отвечающие за расчет отдельных показателей рынков. Кроме того, для внешнего рынка выделен блок распределения экспортно-импортных потоков продукции. Его введение позволит не только получать данные об объемах экспортируемой и импортируемой продукции, но и данные о географическом распределении продукционных потоков. Последние покажут основных конкурентов на каждом товарном рынке.
На рис. 2.3. все информационные потоки указаны цифрами. Ниже приведен базовый перечень информации: 1 - число разрабатываемых железорудных месторождений; коэффициент содержания железа по каждому из разрабатываемых железорудных месторождений; оценка запасов разрабатываемых железорудных месторождений;
Производственный блок в модели системы будет отвечать за процесс производства продукции черной металлургии. В его основу положена основная технологическая цепочка отрасли, отражающая этапы получения из исходного сырья готовой продукции.
При построении производственного блока схема на рис. 1.1. будет взята за основу. Построения уравнений, которые сформируют блок, можно осуществлять двумя путями: либо по принципу спроса, либо по принципу предложения. Поскольку в настоящее время более важной задачей для любой фирмы является не вопрос производства, а вопрос сбыта, то уравнения будут строиться по принципу спроса. Вследствие этого уравнения, отражающие процесс добычи железной руды, вынесены в ресурсную группу. В целом, зная объемы выплавки чугуна и норму расхода железной руды на производство одной тонны чугуна, можно вычислить необходимый объем добычи руды. В итоге производственный блок будет состоять из четырех базовых уравнений.
Для начала построим уравнение, вычисляющее необходимый объем выплавки стали, а затем на этой основе сформируем соотношения и для других переделов. Построения уравнения будут проводиться с учетом допущения, что вся произведенная продукция в текущем периоде времени потребляется в этом же периоде. «Против» этого допущения можно противопоставить тот факт, что в черной металлургии весьма значителен по времени производственный цикл. Следовательно, правильность или неправильность принятия за основу данного допущения будет определяться величиной временного периода, взятой за единицу в системе. Поскольку за единицу времени будет принят один квартал, то влияние данного негативного фактора нивелируется, тем более что металлургические предприятия значительно сокращают производственный цикл за счет постепенного увеличения доли производства стали, полученной на машинах непрерывного литья заготовок (МНЛЗ).
Таким образом, необходимый объем производства стали определяется текущим спросом. Сталь - продукт второго передела, является полуфабрикатом, а потому она, главным образом, потребляется при производстве готового проката. Но одним лишь третьим переделом круг потребителей ее не исчерпывается. Часть стали потребляется в машиностроении в виде стальных слитков, еще часть уходит на экспорт. Не смотря на значительные объемы экспорта продукции черной металлургии, Россия также и импортирует ее, в том числе и стальное литье (но в значительно меньшем объеме). Импорт идет в основном из стран ближнего зарубежья (главным образом из Украины и Казахстана).
Построение оболочки на базе ядра модельного комплекса
В модельном комплексе важное место занимает надстройка, позволяющая моделировать события. Она определяет, во-первых, какое событие должно свершиться, а во-вторых, в какое время это произойдет. Главное место в этом процессе моделирования занимает идентификация событий, которая и решает, что и когда должно случиться. Разберемся в этом более подробно.
Каждое значимое событие для исследуемого объекта происходит в результате причинно-следственной связи. Где причиной является сложившаяся ситуация, которая, как следствие, вызывает реакцию на эту ситуацию, выражающуюся в свершении события. Под ситуацией в настоящей работе будем понимать совокупность условий, обстановку.
Проводить процедуру идентификации событий будем, опираясь на теорию распознавания образов. Для этого потребуется создать базу данных событий, в которой будет определен набор событий, каждое из которых реализуется в определенной ситуации. Как уже отмечалось выше, ситуация -это совокупность условий. Таким образом, событие реализуется, когда условия для его реализации совпадают с условиями, сложившимися в данный момент времени. В модельном комплексе совокупность условий образуют текущие значения переменных модели системы и моделей внешней среды, а также значения дополнительных факторов и рассчитанных показателей. В целом весь модельный комплекс представляет собой динамическую систему, которая в каждый момент времени изменяется. Однако поскольку время берется в качестве дискретной переменной, то и весь комплекс будет работать дискретно, поэтому узнать текущую обстановку можно будет после реализации всех процессов в модельном комплексе после наступления очередного дискретного промежутка. Фактически идентификация обстановки идентична процедуре съема показателей с приборов, в результате которой получаются значения всех переменных, факторов и показателей, образующих текущую ситуацию, после чего необходимо будет сопоставить эту ситуацию с образцами в базе данных. Если текущая ситуация совпадает с образцом, то можно говорить о наступлении соответствующего события.
Необходимо также отметить, что условия, в которых реализуется событие, во-первых, не обязательно должны содержать в себе все переменные, дополнительные факторы или показатели, а во-вторых, их значения не обязательно должны быть строго фиксированными. Здесь речь идет о том, что для каждого события критическими или определяющими являются не все переменные, а только их часть, вычисление же показателей и отслеживание дополнительных факторов необходимо только для четкой идентификации событий. Поэтому если событие однозначно идентифицируется без последних двух, то они не используются вообще.
Второе утверждение о том, что значения факторов и переменных не обязательно строго фиксированы, означает, что вероятнее всего их значения должны носить интервальный характер при идентификации условий реализации. Например, условием свершения события «начало антидемпингового расследования» является значение переменной -«экспортные цены» для определенного региона в диапазоне от х до у % от среднерыночной цены в данном регионе (где х, у 100). Таким образом, в качестве условия реализации события могут выступать переменные как с точечной, так и с интервальной оценкой. Однако помимо количественных оценок факторов могут быть также использованы качественные факторы, в которых нельзя провести количественную оценку, поэтому в их отношении можно лишь говорить о том реализуется ли в принципе данный фактор или нет, то есть он может принимать два значения: 0 — не реализуется, 1 — реализуется.
Кроме этого концепция распознавания образов может быть использована для идентификации новых событий, когда происходит идентификация ситуации, в которой следует ожидать свершения какого-либо события, а в базе данных под данную ситуацию никакого события нет. Однако здесь есть одна проблема: необходимо определить критерии, по которым можно судить, что должно произойти какое-то событие. И наоборот, необходимо определить условия, то есть ситуацию, когда никаких событий ожидать не стоит. Помимо принципиально новых событий не может не возникнуть ситуация, когда условия будут только примерно отвечать событию из базы данных, незначительно отличаясь от него. В этом случае можно говорить о вероятности возникновения подобного события, но с несколько другими свойствами. Например, такое событие, как начало антидемпингового расследования в какой-либо стране при похожей ситуации в другой стране с большой долей вероятности приведет к осуществлению этого события, но с другим свойством (атрибутом) - другая страна.
На рис. 2.5. показан алгоритм, по которому будет проводиться идентификация времени наступления события. Остановимся на нем более подробно. Итак, совокупность значений переменных ядра сценарного пространства, дополнительных факторов и рассчитанных на их основе показателей определяет текущую ситуацию, складывающуюся в отрасли.
В базе данных содержится список событий, которые могут произойти в отношении к данной отрасли. При этом каждое событие характеризуется условиями, при которых оно может реализоваться. Описываются эти условия теми же переменными и факторами, которые содержатся в модельном комплексе, но не всей их совокупностью, а только частью. Эта часть и является определяющей в отношении условий наступления события, оставшаяся же часть является несущественной, а потому относимые к ней переменные и факторы могут принимать любые значения. Таким образом, с одной стороны имеется текущая обстановка в отрасли, а с другой - база данных событий и условий их наступления. Следовательно, остается только провести сравнение этих условий. При сравнении могут возникнуть 4 ситуации, при этом одновременно могут реализовываться только первых три (причем в любом составе - от одной до трех). Четвертая ситуация осуществляется только если не реализовалась ни одна из первых трех.
Первая ситуация возникает, когда условия наступления какого-либо события полностью совпадают с текущей обстановкой в системе — это «жесткое» совпадение. Причем таким образом одновременно могут идентифицироваться несколько событий. Итак, поскольку условия наступления событий совпали, значит, они должны будут с большой долей вероятности свершиться, а потому с этого момента они становятся частью сценария. Следующий шаг после идентификации события - это определение влияния свершившихся событий на всю систему в целом, в частности — на переменные моделей.
Вторая ситуация возникает, когда условия наступления какого-либо события незначительно не совпадают с текущей обстановкой (различие либо в одном параметре, либо в незначительных отклонениях нескольких параметров от условий наступления события). В этом случае идет речь о «мягком» совпадении условий. В этой ситуации необходимо применять критерии отбора близости. Эти критерии дадут возможность определить условия, которые позволят либо говорить о наступлении подобного события, либо отвергнуть данное событие. Далее, в случае идентификации события, определяются его характеристики, а затем определяется влияние события на систему.
Критерии отбора близости могут быть трех видов. Первый вид отвечает за отслеживание возможности возникновения подобного события. Поскольку каждое событие помимо условий его свершения несет еще и ряд атрибутов, то данный критерий должен отслеживать совпадение условий для всех атрибутов, а не только для тех, которым сопоставлены условия свершения событий в базе данных. Если условия совпадают, но атрибут имеет другое значение, то можно говорить о наступлении подобного события. Примером может служить ситуация, описанная на с. 93, когда делается вывод о начале антидемпингового расследования в другой стране.
Формирование внешних и внутренних связей параметров управления модельного комплекса
На основе рис. 3.2. можно сделать вывод, что графики рассматриваемых показателей очень похожи, при этом графики потребления стали и производства готового проката практически сливаются. Поэтому можно сделать вывод, что функциональная зависимость может быть как линейной, так и мультипликативной. Построим обе функции и по качественным характеристикам выберем лучшую. Также сразу проведем анализ прогностических способностей этих зависимостей. В результате получены следующие соотношения:
В таблице 3.4. представлены основные характеристики полученных зависимостей. Строит отметить, что в обоих отношениях коэффициенты оказались значимы с вероятностью, превышающей 90%. Из таблицы видно, что мультипликативная форма показывает лучшее качество модели, однако несколько худший показатель прогностических способностей. Если учесть, что последний незначительно отличается от аналогичного, построенного для линейной формы и принять во внимание, что в мультипликативной форме полученные оценки параметров обладают большей надежностью, чем в линейной, остановим выбор на функциональной зависимости (3.5). Последней функциональной зависимостью, которую необходимо построить в рамках производственного блока является зависимость объемов потребления готового проката (см. формулу (2.8)).
Исходя из корреляционной матрицы (см. Таблицу 3.5.) между показателем потребления готового проката и экзогенными переменными наблюдается достаточно тесная зависимость. Исключением могут служить коэффициенты корреляции между показателями объемов строительства и объемов производства промышленностью строительных материалов, показывающими наличие более слабой связи. Из рис. 3.3. становится понятной причина столь невысоких показателей. Об этом уже говорилось выше: в данных отраслях прослеживается ярко выраженная сезонность, причем абсолютно симметричная. Результатом этого становится высокая корреляционная зависимость этих переменных между собой. Тем не менее, необходимо отразить все переменные в описанной зависимости.
В обеих функциях все полученные оценки параметров можно признать надежными, хотя в зависимости (3.7) этот показатель и качество модели в целом выше, чем в (3.6). Однако в обеих моделях знак коэффициента при показателе промышленности строительных материалов получился отрицательным. Возможность его появления предусматривалась, поскольку между показателями строительства и строительных материалов по сравнению с остальными показателями достаточно высокий коэффициент корреляции. Если принять во внимание сезонность данных показателей в отличие от остальных, то получается, что рассматриваемые две переменные за счет отрицательного знака сглаживают имеющуюся сезонность.
В связи с выше сказанным и принимая во внимание, что мультипликативный вид зависимости показывает лучшие результаты, постараемся разорвать сложившуюся связь, приписав данным двум показателям разные виды зависимостей (вместо мультипликативной формы для переменной строительства возьмем экспоненциальную). В результате получилась следующая зависимость: сравнению с функцией (3.7) в функции (3.8) выросла надежность оценок, а также незначительно выросло качество модели в целом. Однако отрицательный знак коэффициента при показателе промышленности строительных материалов сохранился, незначительно снизившись по абсолютному значению. Таким образом, попытка не увенчалась успехом. Проведение аналогичных действий в отношении переменной промышленности строительных материалов привело только к существенному падению качества зависимости.
Предпримем более радикальные меры: с помощью метода главных компонент снизим, во-первых, размерность исследуемой зависимости, а во Ill вторых, произведем замену показателей строительства и промышленности строительных материалов на обобщенный показатель. В результате получена следующая первая главная компонента, представляющая собой линейную зависимость заменяемых переменных:
Представленная главная компонента (3.9) несет в себе 92% информации о заменяемых ею двух первоначальных показателях. Построим линейную и мультипликативную функции с новой переменной:
Функции (3.10) и (3.11) по качеству и по прогностическим способностям сравнимы с предыдущими. От отрицательного знака с помощью метода главных компонент избавиться так и не удалось. По сравнению с функцией (3.8) несколько снизилась надежность полученных оценок, главным образом, оценки при показателе машиностроения. Постараемся улучшить качество получаемых оценок при переменных. Для этого возьмем показатель объемов производства в машиностроении по экспоненте. В результате получается следующая зависимость: Функция (3.12) обладает практически наилучшими характеристиками. Кроме того, значительно возросла надежность оценок. Несмотря на то, что от отрицательного знака избавиться не удалось, придется остановиться на данной зависимости.
