скачать книгу бесплатно
Курс «Маркетинг и продажи промышленного оборудования». Модуль «Системная динамика рынка»
Станислав Львович Горобченко
В предлагаемом модуле рассматриваются основные положения и аппарат системной динамики, ее приложение к моделированию и анализу рынка и к проблемам, связанным с совершенствованием маркетинга; применение получаемых имитационных системно-динамических моделей; анализ "типовых структур", используемых при построении указанных моделей. Модуль предназначен для слушателей курсов повышения квалификации дополнительного профессионального образования, обучающихся по курсу "Маркетинг и продажи" и будет полезен для специалистов смежных специальностей.
Станислав Горобченко
Курс «Маркетинг и продажи промышленного оборудования». Модуль «Системная динамика рынка»
Введение и задачи курса
Системная динамика оформилась как направление исследований в 70-годы 20-го века трудами Дж. Форрестера, Д. Медоуз, Х. Босселя и др., создавших теоретическую основу и показавших многочисленное применение системно-динамических моделей в различных областях применения. Среди них многочисленные приложения как к гидравлике, физике, химии и инженерии, автоматизации и синтезу регуляторов, так и к экологии, социальным, политическим, финансовым сферам и в целом, сложным системам.
Из главных достоинств, которые предлагала системная динамика, оказались более эффективные расчеты динамики и возможности анализа во времени процессов, происходящих во времени. Это стало ее главным отличием от, как оказалось, достаточно статичного системного анализа, и является главной визитной карточкой среди множества различных видов системных исследований.
ПОЧЕМУ ЭТОТ КУРС?
Курсы по системной динамике излагают основы этого метода в связи с конкретными проблемами. Иными словами, слушателю представляют модель определенной системы или, класса таких систем. Сведения о принципах ее конструирования сообщаются в объеме, необходимом для понимания этой модели и выводов из нее.
Наиболее традиционным поводом для ознакомления слушателей читателя с системной динамикой является моделирование поведения сложных систем. Системная динамика представляется как один из важных инструментов для решения поставленной задачи. Но, можно сказать, что ее познавательное значение гораздо шире. Оно имеет весьма важные методологические, даже философские аспекты, обычно упускаемые из вида при узкоутилитарном подходе.
Предлагаемый курс показывает системную динамику как практический набор инструментов и демонстрирует язык современной науки. И это позволяет углубить понимание, как самого метода, так и систем, моделируемых с его помощью.
Подход к моделированию, основанный на системной динамике, хотя и носит в первоначальном рассмотрении теоретичность, но еще долго не потеряет практической ценности, поскольку "нет ничего практичней хорошей теории".
Этот курс – первый, который впервые рассматривает применение моделей системной динамики к проблемам маркетинга и продаж рынка промышленного оборудования B2B и B2C.
Язык, как известно, влияет на характер мышления. В курсе мы также пытаемся показать системную динамику как средство развития системного мышления. А оно особенно необходимо людям, сталкивающимся с такой, системной по определению, сферой, как маркетинг. Именно таким специалистам, прежде всего, адресован данный курс, и не только потому, что приводимые в ней примеры моделей относятся к указанному кругу проблем.
Дело в том, что все категории и закономерности системной динамики как языка, приводимые в курсе, необходимо имеют рыночную и экономическую трактовку. Мы приведем обобщенный взгляд на проблемы промышленных компаний и рынка промышленного оборудования и подробно проведем анализ типовых структур системно-динамических моделей и типичных форм их поведения, характеризующих динамику моделируемых систем.
Особо будут выделены программы построения системно-динамических имитационных моделей. Это дополнительный повод для уверенности в том, что предлагаемый курс будет с пользой прочитан специалистами отрасли, заинтересованными в большем понимании системного подхода, моделировании, современных информационных технологий, и ориентированными на информационно-системный анализ сложных проблем, возникающих в развивающихся системах.
Теперь кратко остановимся на содержании учебного пособия. Если в первых главах обсуждаются основные понятия и аппарат системной динамики, то основной акцент делается на тех главах, где приводятся и обсуждаются основные модели, связанные с описанием процессов, характерных для рынка промышленного оборудования. Степень сложности моделей нарастает от первой к последней. При этом, если простые модели, в основном, знакомят читателя с процедурой построения системно-динамических моделей, то более сложные модели носят прикладной характер.
В пособии рассматривается значительное количество примеров системно-динамических моделей, их математическое описание и даны их иллюстрации.
1. Исторический обзор и основные вехи создания методов системной динамики
Изучение процессов, происходящих в рыночной экономике и других сферах, является довольно сложной и неоднозначной в своем решении задачей, поскольку данные процессы происходят в сложных (то есть обладающих дублирующими обратными связями) слабоструктурированных системах, над которыми эксперимент в том смысле, как он понимается в естественных науках, невозможен, а если и возможен, то его последствия трудно оценить и предугадать из-за "контринтуитивного поведения" указанных систем.
Такое поведение обусловлено как размером и сложной структурой систем, так и огромным объемом информации, порождаемой происходящими в таких системах процессами. Эта информация в подавляющем большинстве случаев не поддается адекватной оценке без использования информационного анализа и информационных технологий. А это бывает крайне необходимо в условиях "уникального выбора", ошибки которого для компаний могут стоить очень дорого, например, при принятии решений в области инвестиций или выхода на новые рынки.
Поэтому разработка системных и информационных методов изучения процессов, протекающих в сложных системах, является актуальной задачей, которую предстоит решать для достижения устойчивого развития компаний, которую беспокоят серьезные стратегические проблемы. В будущем эта необходимость только усилится.
Наиболее ярко это видно на примере процессов, протекающих в сложных системах, находящихся в переходной фазе. К таким системам можно отнести системы с сильным и непредсказуемым влиянием таких факторов как: политические факторы (страны с переходной экономикой), технологические (турбулизация, связанная с резким внедрением информационных технологий), экономические (появление динамичных отраслей, не поддающихся традиционным экономическим закономерностям) и социальные факторы (влияние на поведение нерегулируемых факторов, социальных сетей, динамика социального и молодежного поведения и пр.).
Применение классических методов маркетинга к анализу протекающих в указанных системах процессов наталкивается на серьезные трудности, поскольку данные методы создавались для изучения достаточно простых систем с неизменной структурой, которые находятся в устойчивом, хотя, возможно, и квазиравновесном, состоянии, и плохо применимы к сложным системам, переходящим из одного состояния в другое, особенно, если такой переход сопровождается сильным изменением структуры системы.
То же самое относится к информации, которой сопровождаются такие процессы. Если в период нахождения системы в устойчивом состоянии информация извлекается, обрабатывается и используется вполне определенными и неизменными на протяжении продолжительного временного интервала методами, то в переходный период изменяется не только качественный и количественный состав информации, но и технологии, связанные с ее переработкой. Примером этому могут служить переход на новую систему расчетов, цифровизация бизнеса, развитие CALS-технологий для совершенствования электронного документооборота в компаниях и бурное развитие в последние десятилетия информационных технологий, сопровождающее так называемый переход в новую "информационную" ("постиндустриальную" или "технотронную") стадию развития общества.
Исследованию процессов, протекающих в сложных системах, посвящено значительное число работ. Среди них особое место занимают работы в области системного анализа, зарождение которого началось еще в античной греческой философии (Платон, Аристотель, стоики, Евклид). Именно тогда впервые возникли представления о системе как о совокупности элементов, находящихся в структурной взаимосвязи друг с другом и образующих определенную целостность.
Затем эти представления получили дальнейшее развитие в работах Николая Кузанского, Спинозы, Канта, Шеллинга, Гегеля, Маркса и других известных мыслителей. Практически трудно найти мыслителя, который в той или иной мере не затрагивал этой темы.
Тем не менее, только в ХХ веке системный подход был существенно развит и привел к зарождению системного анализа. Так, например, австрийский ученый Людвиг фон Берталанфи в 30-40-е годы успешно применил системный подход к описанию биологических процессов и ввел понятие открытой системы. Однако еще в начале ХХ века (1912-1928 гг.) методология системного анализа была заложена русским ученым А.А. Богдановым, который пытался разработать новую науку об организации ("тектологию") и тем самым предвосхитил основные идеи кибернетики, развитые позднее группой ученых во главе с Н. Винером, У.Р. Эшби и другими учеными в 40-50-е годы. Кроме того, отражение системного подхода можно найти в работах В.И. Вернадского, Белл Д., Т. Котарбиньского, Б. Рассела, А. Тойнби и других исследователей XX века. Позднее, в 60-70-е годы системный анализ становится базовой методологией в экономике, экологии, социологии, демографии, политике, военном деле и других областях. Следует отметить, что еще в 30-х годах ХХ века в некоторых экономических моделях уже присутствовали элементы системного анализа. Так, например, кейнсианская модель формирования совокупного спроса содержит обратные связи, приводящие к мультипликационным эффектам: это положительная или отрицательная петля обратной связи между совокупным спросом и произведенным национальным доходом.
Основателем системно-динамического направления является Дж.Ф. Форрестер. Исходя из теории систем, дифференциальных уравнений, компьютерного моделирования, он разработал принципы и аппарат “системной динамики”, позволяющий анализировать и принимать управленческие решения. Им были созданы модель городской динамики, различные модели мировой динамики “Мир-1” и “Мир-2”(1971-1972 гг.), положившие начало глобальному моделированию, в рамках которого были разработаны следующие как системно-динамические, так и несистемно-динамические модели и проекты: “Мир-3” или "Пределы роста" Д. Медоуза (1972 г.); "Человечество перед выбором" М. Месаровича и Э. Пестеля (1974 г, концепция "органического роста"); "ЛИНК" Л. Клейна (с 1968 г, синтез национальных моделей); глобальная межотраслевая модель В. Леонтьева. В 1988 г. таиландским ученым К. Саидом была разработана системно-динамическая имитационная модель развивающихся стран, учитывающая взаимосвязь экономических, демографических, экологических, социально-политических и технологических факторов развития.
Системно-динамические модели позволили увязать воедино многие сферы функционирования человеческого общества. Так, в рамках концепции "устойчивого развития" в 1995 г. группой американских ученых была создана модель "США на пороге XXI-го века", которая моделирует развитие США с учетом экономических, демографических, экологических, социально-политических и технологических факторов.
Аналогичные модели при поддержке Института Тысячелетия и Всемирного банка были созданы и создаются в настоящее время во многих странах мира (Таиланд, Тунис, Китай, Малави, Грузия, Армения и другие). Например, весной 1997 г. были завершены обобщенные системно-динамические модели для изучения динамики макроэкономических показателей Грузии и Армении, а в марте 1997 г. на проходившем в Токио Международном Форуме по Глобальному Моделированию был представлен доклад о возможном будущем для Бангладеш, Туниса и США, составленный на основе системно-динамических моделей, разработанных для данных стран. Все это было бы невозможным без использования современных информационных технологий и информационного анализа.
Поэтому большинство зарубежных моделей, используемых для анализа сложных проблем и процессов, созданы и создаются в настоящее время на основе специальных сред разработки имитационных моделей. В настоящий момент известны такие наиболее распространенные среды разработки имитационных моделей как STELLA (Ithink), DYNAMO, VENSIM, POWERSIM. Они позволяют не только быстро создавать имитационные модели при помощи простых визуальных инструментов, но и проводить анализ работы созданных моделей и использовать данные модели для оценки воздействия управленческих решений на протекание сложных процессов в моделируемых системах.
Что же касается развития системного анализа и системно-динамического направления в РФ, то здесь следует отметить, что системные исследования активно стали развиваться в бывшем СССР в 70-80-е годы нашего столетия. Например, в ЦЭМИ АН СССР в 70-х годах была разработана эконометрическая модель экономики США, предназначенная для среднесрочного прогнозирования; в СО АН СССР был разработан ряд эконометрических моделей (например, С-106 и МОПЕК), моделирующих экономику различных стран в период с окончания второй мировой войны; в МГУ им. М.В. Ломоносова разрабатывались имитационные модели экономики СССР; в ЛГУ были построены модели управления системной образования, в вычислительном центре АН СССР в начале 80-х годов исследовательской группой под руководством академика Н.Н. Моисеева была создана имитационная модель глобальных экологических изменений.
В настоящее время работы в направлении имитационного моделирования ведутся во многих учебных и научных учреждениях.
Однако большая часть исследований проводилась в рамках системного анализа, а системно-динамическим исследованиям отводилась второстепенная роль. Тем не менее, в данном направлении работы велись и ведутся как по созданию системно-динамических имитационных моделей, так и по разработке отечественных сред разработки имитационных моделей. Так, в МИУ (ГАУ) им. С. Орджоникидзе на основе DYNAMO была разработана среда для разработки имитационных моделей ИМИТАК 32, при помощи которой были созданы региональные модели сельского хозяйства. В ЦЭМИ были созданы и использовались для имитационных моделей такие языки программирования, как GPSS, PLIS и SIMULA.
Если в период "холодной войны" системный анализ и системная динамика, а также разработка имитационных моделей носили ярко выраженный идеологический и политический характер, то в настоящее время в области системных исследований все больше и больше развивается международное сотрудничество как в области научных исследований и образования, так и в сфере применения имитационных моделей в бизнесе (управленческий консалтинг). Так, например адаптацией имитационных моделей, разработанных группой под руководством Дж.Ф. Форрестера (Массачусетский технологический институт, Дартмутский колледж), а также разработкой на их основе собственных моделей занимаются в МГУ, МГИМО, НИИСИ, МИФИ, Институте кибернетики им. В.М. Глушкова АН Украины и других организациях. В 1992 г. на базе НИИСИ был организован Институт системного анализа РАН (ИСА РАН), а в марте 1996 г. в Москве был учрежден Международный комитет по общим системам.
Среди современных работ в области системной динамики имитационного моделирования можно отметить работы зарубежных и отечественных ученых, таких как Дж.Ф. Форрестер, Дж. Стерман, Д.Л. Кауфман, М.Р. Гудман, Н. Робертс, Донелла и Деннис Медоузы, М. Месарович, Е. Пестель, Т.К. Абдель-Хамид, Д.Ф. Андерсен, Р.А. Кларк, А. Форд, Д.Н. Ким, Дж.Д. Морекрофт, П.М. Миллинг, Ж.П. Ричардсон, Е.Б. Робертс, Х. Саид, П.М. Сенж, К. Ванг, Е.Ф. Фольштейнхолм, Р. Зараза, Н.Н. Моисеев, Т. Нейлор, А.Г. Гранберг, В.С. Дадаян, Н.В. Чепурных, А.Л. Новоселов, В.И. Дудорин, В.Г. Соколов, В.А. Смирнов, Р.В. Игудин, Д.М. Хомяков и П.М. Хомяков, А. Рыженков, и других авторов (наиболее полный библиографический список работ по системной динамике и информационно-системному анализу, начиная с 1967 г. по настоящее время содержит более 3000 работ).
Помимо этого необходимо отметить работы таких зарубежных и отечественных ученых в области "устойчивого развития", экономики, как А. Маркандия, Д. Пирс, Дж. Диксон, Т. Титенберг, Т.С. Хачатуров, С.Н. Бобылев, А.Л. Бобров, К.В. Папенов, А.А. Голуб, Е.Б. Струкова, Н.П. Тихомиров, М.Я. Лемешев и другие.
Кроме того, для практического применения системно-динамических моделей в образовательном процессе необходимо отметить работы по игровому имитационному моделированию (деловым играм) таких авторов, как И.М. Сыроежин, А.А. Вербицкий, Л.Н. Иваненко, Д.Н. Кавтарадзе, М.М. Крюков, Л.И. Крюкова, В.М. Ефимов, В.Ф. Комаров, В.Н. Макаревич и другие.
2. Системная динамика и имитационное моделирование
2.1. Обзор вопросов системной динамики и имитационного моделирования
Раздел является обзором существующих подходов и программных средств в имитационном моделировании. Приводятся три общепринятые парадигмы системной динамики, дискретно-событийного и агентного моделирования. Более подробно рассматривается агентный подход, сравнительно редко используемый в России, но являющийся основой для создания эффективных систем поддержки принятия решений в бизнесе. Раздел предназначен для первоначального знакомства с имитационным моделированием и описания того круга бизнес задач, где его применение может оказаться эффективным.
Имитационную модель можно рассматривать как множество правил, определяющих процессы функционирования некоторой системы и ее переходов из одного временного состояния в следующее. Эти правила могут определяться любым доступным для компьютера способом – в виде блок-схем, дифференциальных уравнений, диаграмм состояний, автоматов, сетей. Имитационные модели, как правило, менее формализованы, чем аналитические, система описывается «как она есть», в терминах максимально приближенных к реальным.
В имитационном моделировании к настоящему моменту сложились три самостоятельные парадигмы – системная динамика, дискретно-событийное и агентное моделирование. Они соответствуют разным уровням абстракции при создании модели, что обуславливает применение того или иного подхода.
Принято различать три уровня абстракции: высокий (стратегический), средний (тактический) и низкий (оперативный) [1]. При низком уровне моделируется поведение отдельных объектов, но, в отличие от физического моделирования, используются не точные траектории и времена, а их усредненные или стохастические значения. На этом уровне принято решать задачи, связанные с диспетчеризацией, различными видами транспортировки изделий и материалов, компьютерными системами. На среднем уровне абстракции обычно оперируют с расписаниями, задержками, мощностями и емкостями, физическое перемещение при этом не анализируется. Здесь абстрагируются от индивидуальных свойств объектов моделирования (людей, машин, товаров) и в основном рассматривают их потоки.
Характерными задачами этого уровня являются системы массового обслуживания, модели бизнес-процессов, логистика. При высоком уровне абстракции в модели, как правило, отсутствуют индивидуальные объекты сами по себе, а оперируют лишь с их количеством и агрегированными показателями. На данном уровне моделируется проблемы рыночного равновесия, социально-экономического развития отраслей, экологические процессы.
Дискретно-событийное моделирование
Подходом, соответствующим низкому и среднему уровню абстракции, является дискретно-событийное (далее ДС) моделирование. Его концепцию предложил в 60-х годах прошлого века Джефри Гордон, разработав популярное и сегодня программное средство GPSS. В работе [2] он предложил использовать концепции заявок (entities), ресурсов и потоковых диаграмм (flowcharts). На рис.2.1 изображена типичная потоковая диаграмма, согласно которой моделируется работа call-центра.
Рис.2 1. Пример потоковой диаграммы «обработка звонков в call-центре»
Заявки, в данном случае звонки, представляют собой некие пассивные объекты, которые перемещаются, захватывают и освобождают ресурсы согласно потоковым диаграммам – схемам, описывающим изучаемый процесс. Заявки могут представлять собой людей, товары, детали, документы, сообщения. ДС моделирование является дискретным – каждому событию соответствует определенный дискретный момент времени. Характерной чертой данного подхода является «обезличенность» заявки, от ее индивидуальных свойств абстрагируются. Считается, что все заявки обладают универсальной логикой поведения и обрабатываются по единому, заранее известному алгоритму. Ядро модели отвечает за генерацию, обработку и уничтожение заявок.
Инструменты дискретно-событийного моделирования
Существует достаточно много программных продуктов, поддерживающих ДС подход. Среди всех средств, предназначенных для имитационного моделирования, этот класс наиболее представительный. Например, в отчёте (3) приводятся характеристики 65 различных инструментов. Это объясняется большой популярностью дискретно-событийного моделирования в таких областях как системы массового обслуживания, бизнес-процессы, производство, логистика, транспорт и других. Часть программных продуктов являются достаточно универсальными (Arena, Extend, GPSS, Witness), другие заточены под более узкий класс задач и содержат абстрактные элементы, взятые из предметной области исследования (AutoMod – транспорт, логистика, производство; MedModel – моделирование и оптимизация систем в здравоохранении; Comnet – телекоммуникации).
Стандартными характеристиками большинства продуктов являются: возможность создания модели в графическом режиме (потоковые диаграммы рисуются, используются стандартные шаблоны для отдельных блоков, параметры элементов системы задаются через подменю); интерфейсы для соединения с базами данных, средства для обработки статистики на входе и выходе модели, для ее оптимизации, для создания анимации в ходе имитационных экспериментов.
Системная динамика
Высокому уровню абстракции в имитационном моделировании соответствует подход системной динамики (далее СД), предложенный в 50-х годах прошлого века американским ученым Джемом Форрестером. При данном подходе не рассматриваются индивидуальные объекты, а лишь их количества и агрегированные показатели. Системная динамика применяется тогда, когда нет необходимости или возможности исследовать влияние отдельных объектов, а достаточно изучить поведение системы на уровне агрегированных величин.
Форрестер предложил использовать для этого понятия «накопители» (stocks), и «потоки» между ними (flows) (4). Накопители могут относиться к различным материальным объектам, например, к людям в демографических моделях, товарам, деньгам при моделировании баланса на рынке, природным ресурсам в задачах экологии. На рис. 2.2 приведена системно-динамическая диаграмма из модели распространения продукта на рынке.
Рис. 2.2. Пример системно-динамической диаграммы «Проникновение продукта на рынке»
Инструменты системной динамики
В ней три объекта – накопителя: «потенциальные пользователи», люди, формирующие спрос и люди, являющиеся реальными пользователями. Такие факторы как реклама, частота контактов определяют потоки, в соответствие с которыми накопители «перетекают» друг в друга. С формальной точки зрения системно-динамическая модель представляет собой систему дифференциальных (в частном случае алгебраических) уравнений, определяющих потоки между накопителями. Отличительной чертой СД является неразличимость объектов, находящихся в одном накопителе. Их невозможно индивидуализировать, приписав различные свойства, логику поведения или процесс обработки. Все взаимосвязи задаются на уровне накопителей, то есть между агрегированными величинами.
Системно-динамические модели обычно применяются при стратегическом анализе и долгосрочном планировании. Интересные примеры их использования можно найти как в монографиях по системной динамике, например в (5) и (6), так и в многочисленных статьях по конкретным системно-динамическим моделям, созданным за более чем полвека развития данной парадигмы.
Число программных продуктов, предназначенных для использования системно-динамического подхода, относительно невелико по сравнению с ДС моделированием. Наиболее распространены инструменты Vensim компании High Performance Systems (www.hps nc.com), Powersim компании Powersim, SA (www.powersim.com), IThink компании Ventana Systems (www.vensim.com), а также Anylogic. Vensim является из них наиболее простым и недорогим, обладая при этом такими характеристиками, как поддержка графического создания потоковых диаграмм; встроенные логические операторы и генераторы случайных чисел; средства для связи с базами данных для генерации отчетов, анимации и анализа чувствительности.
Важной характеристикой инструментов Powersim и IThink являются встроенные алгоритмы частичной поддержки дискретного моделирования. Это позволяет создавать модели с разными уровнями абстракции для отдельных блоков. Более подробную информацию о характеристиках данных инструментов можно найти на сайтах компаний разработчиков и в руководстве по Powersim (7).
Агентное моделирование
Третьей парадигмой в имитационном моделировании является агентное моделирование (далее АМ). Агент представляет собой индивидуализированный активный объект, который может обозначать человека, транспортное устройство, компанию, населенный пункт. В зависимости от того, какой объект представляет собой агент, модель может соответствовать высокому уровню абстракции (агент – компания, страна), среднему (агент – транспортная единица), низкому (агент – отдельный человек) или сочетать несколько уровней. Таким образом, данная парадигма является наиболее универсальной.
Основным отличием агентного подхода от первых двух является построение модели по принципу снизу-вверх. Зависимости между агрегированными величинами не задаются исходя из знаний о реальном мире, а получаются в процессе моделирования индивидуального поведения десятков, сотен или тысяч агентов, их взаимодействия друг с другом и с объектами, моделирующими окружающую среду. Например, исследование рынка будет происходить не в понятиях совокупного спроса и предложений, а в модели будут заложены возможные реакции отдельного человека на изменение цены, его потребительские характеристики. У агентов появляется возможность «общаться» между собой, обмениваться информацией, предпочтениями, влияя, тем самым, на поведение друг друга. Модель может учитывать пространственные характеристики, взаиморасположение агентов по отношению друг к другу и объектам окружающей среды.
К преимуществам агентного подхода следует отнести: отсутствие предопределенности в поведении системы на глобальном уровне, что может привести к появлению новых гипотез о ее функционировании в ходе симуляции модели; реализм и гибкость в описании системы, возможность моделировать самые сложные нелинейные обратные связи, использовать любой необходимый уровень детализации и абстракции. В АМ отсутствуют ограничения на гетерогенность элементов модели; появляется возможность моделирования общения и обмена информацией.
К потенциальным барьерам для построения агентной модели следует отнести, во-первых, наличие адекватных данных. Как правило, собрать статистику по характеристикам индивидуальных объектов сложнее, чем по агрегированным показателям. Во-вторых, придется определить логику поведения отдельного агента в терминах, доступных для обработки компьютером. Если это сложный объект, например человек, то приходится моделировать такие иррациональные вещи, как психологию поведения, выбора, привычки. С последними результатами в этой области, используемыми в агентных моделях, можно ознакомиться в статье (8).
В процессе имитационных экспериментов могут возникнуть вычислительные сложности, поскольку агентные модели в среднем требуют больших аппаратных и программных мощностей для проведения симуляций, чем системная динамика или дискретно-событийное моделирование.
Инструменты агентного моделирования
Агентный подход возник в 90-х годах прошлого века изначально в университетской среде США. В связи с этим большинство инструментов предназначалось для академических и учебных целей, многие до сих пор не являются коммерческими продуктами в полной мере. Одной из наиболее популярных разработок такого типа является среда Swarm (www.swarm.org) – коллекция библиотек под язык C, созданная в институте Санта-Фе. Наиболее известными коммерческими инструментами являются среды Ascape, RePast, AnyLogic.
Последний из них является разработкой российской компании XJTeknologies (www.xjtek.ru). Его конкурентным преимуществом является поддержка всех трех парадигм имитационного моделирования и возможность использования их в рамках одной модели. Также AnyLogic отличает мощное производительное ядро, позволяющее симулировать поведение миллионов агентов; богатые возможности для анимации и графического описания модели; поддержка разнообразных типов экспериментов, включая анализ чувствительности, метод Монте-Карло, встроенный оптимизатор OptQuest; возможности интеграции с базами данных, ERP и CRM системами; набор библиотечных объектов из областей логистики, бизнес-процессов, пешеходной динамики.
Информацию по другим инструментам агентного моделирования можно найти на электронном ресурсе (9).
Применение агентного моделирования
Агентный подход является наиболее молодым и потому наименее знакомым российским специалистам. Рассмотрим примеры успешного применения агентного моделирования в маркетинге и бизнесе. К области анализа распространения какого-либо товара, услуг, мнений, рекламы, могут относиться задачи на основе концепций моделирования эпидемиологии. Простейший пример диаграммы, согласно которой моделируется распространение заболевания, изображен на рис.2.3.
Рис.2.3. Пример диаграммы состояний агента по модели «распространение гриппа»
Одному объекту при этом может соответствовать несколько диаграмм состояний или блок-схем. Из рисунка видно, что при агентном подходе предметом моделирования является поведение отдельного объекта, а глобальное состояние системы является следствием. В эпидемиологии агентный подход позволяет моделировать сложные социальные сети, в том числе с учетом пространственного фактора, контакты между людьми, разную восприимчивость людей и степень их иммунитета. Это позволяет добиваться хороших результатов при прогнозировании скорости и характера распространения заболевания (10).
Второй класс задач относится к моделированию рынков, потребительских или финансовых. Агентный подход позволяет сделать акцент на индивидуальные предпочтения, стереотипы поведения потребителей при выборе ими продуктов и услуг. Отдельно выделяют задачи моделирования инноваций в бизнесе, их первоначального распространения на рынке. В четвертую группу относят задачи, связанные с оптимизацией организационной структуры, бизнес-процессов и снижением операционных рисков. Примером задачи первого класса служит моделирование эвакуации при давках в местах массового скопления граждан. Поведение людей в таких ситуациях часто становится иррациональным и не поддается моделированию традиционными методами. Агентный подход зарекомендовал себя для отыскания оптимальных методов эвакуации и минимизации возможных рисков (12). Агентное моделирование часто применяется западными компаниями при проектировании парков развлечений, супермаркетов. В таких задачах оптимизируется геометрическое расположение элементов системы относительно друг друга (например, аттракционов и кафе, или касс и полок с продуктами). Целью может служить увеличение пропускной способности, сокращение времени стояния в очередях, оптимальное расположение рекламных материалов.
Наглядным примером является оптимизированная модель супермаркета Sainsbury’s в западном Лондоне, разработанная компанией SimStore в 1999 году (13). Собрав статистику о предпочтениях посетителей и характерных для них путях следования в магазине, разработчики использовали агентный подход в сочетании с генетическими алгоритмами для улучшения расположения элементов супермаркета. Отметим, что решать подобные задачи аналитическими или статистическими методами крайне затруднительно, и агентное моделирование является одним из немногих возможных средств поддержки принятия решений.
Агентный подход хорошо применим для моделирования функционирования бирж. Результаты торгов зависят от поведения множества независимых людей с различными целевыми функциями, и их поведение логично моделировать в рамках агентного подхода. Подтверждением этому служит, например, модель Bios Group фондовой биржи NASDAQ (14). Модель измерения и минимизации операционных рисков управления активами банка Societe Generale (15) служит примером применения АМ в финансовых институтах и банках.
Бизнес-проблематику, где успешно применяется агентный подход, можно разделить на 4 класса (11). К первому относятся задачи с различного рода потоками. Они могут состоять из людей (проблемы пропускной способности помещений, эвакуации), единиц транспорта (моделирование городского трафика, планировки аэропортов, вокзалов). Часто для этого применяется дискретно-событийный подход. Если же объекты моделирования слишком разнородны или необходимо учесть их пространственное взаиморасположение, то использование агентного подхода предпочтительнее.
Выводы
Современные инструменты имитационного моделирования позволяют эффективно применять его не только в научных изысканиях, но и в качестве средства для построения систем поддержки принятия решений в бизнесе. Для достижения практически значимых результатов необходимо знать об особенностях и ограничениях каждого из трех существующих подходов.
Выбор той или иной парадигмы должен обуславливаться не столько предметной областью моделирования, а необходимой степенью детализации системы и имеющимися в распоряжении данными. Выбор инструмента моделирования при этом не столь первостепенен. Большинство современных программных средств сделает процесс симуляции удовольствием для разработчика, предоставив широкие возможности для анимации и оптимизации моделируемых процессов.
2.2. Поведение сложных динамических систем
Сложные динамические системы, хотя и имеют такие же основные определения, как и системы вообще, однако, они рассматриваются в динамике. Их изменение происходит как во времени, так и по составу элементов. Новые свойства в них рождаются благодаря развитию или рождению новых связей. Они обладают разнообразием таких связей, которые становятся контурами обратной связи, регулируя поведение систем.
Дадим некоторые основные определения теории динамических систем.
Глоссарий
Архетипы – часто встречающиеся системные структуры, генерирующие определенные типы поведения.
Балансирующий цикл (контур, петля) обратной связи – стабилизирующий, стремящийся к определенной цели регулирующий цикл обратной связи, также известный под названиями «отрицательная обратная связь», «петля отрицательной обратной связи», поскольку противодействует любому изменению, которое пытаются вызвать в системе внешние силы.
Пример. Чем сильнее реклама, тем меньше доверия к ней.
Цикл выравнивает, стабилизирует, противостоит изменениям в системе. Балансирующий цикл появляется практически всегда, как противостоящий усиливающему циклу и способствует самосохранению системы. Одновременно балансирующий цикл мешает инновационному развитию.
Динамика – поведение системы или любого ее компонента во времени.
Динамическое равновесие – состояние системы, при котором значение запаса (его уровень или величина) постоянно, не изменяется во времени, несмотря на имеющиеся входные и выходные потоки. Такое состояние возможно только в том случае, если сумма всех входных потоков равна сумме всех выходных.
Запас – скопление определенного вещества или информации в системе по мере ее существования и функционирования. Запас изменяется в ходе функционирования системы. Его можно сравнивать по величине (больше\меньше). Существуют рациональные и иррациональные запасы. Рациональные могут быть измерены, для иррациональных единицы измерения отсутствуют. К примеру, это могут быть социальные системы, погода, настроение.
Запасы имеют свойства. В основном, они могут быть положительными. Положительные запасы имеют пределы роста, рис.2.4. К примеру, "раздача" бюджетного финансирования имеет пределы и провоцирует кризисы; расширение бизнеса может быть ограничено пределами территории.
Рис. 2.4. Пределы роста запаса
Запасы регулируются, меняя значение потоков. Запасы меняются медленнее потоков. Если потоки действуют дольше эталонного времени, то возникает инерция. Запасы позволяют потокам не зависеть друг от друга. Запасы являются буфером, смягчающим внешние воздействия. Пример: запас соли делается заранее для устранения проблем с гололедом.
Иерархия, иерархическая структура – внутренняя организация системы, позволяющая составить систему большего размера из меньших систем (подсистем).
Лимитирующий фактор – необходимый для системы входной поток, в определенный момент вызывающий ограничение ее деятельности. Самое сильное действие оказывает входной поток. Лимитирующий фактор может возникать на разных уровнях системы и ее подсистем. У роста всегда будут пределы, либо их установит система, чтобы избежать разгона, разноса и разрушения. Рождение лимитирующего фактора в системе связано с переходом по линии: "усиление" – "балансирование" – "доминирование".
Линейная зависимость – такая связь между двумя элементами системы, при которой результат всегда пропорционален причине. График линейной зависимости – прямая. Результаты могут суммироваться.
