Главная

Популярная публикация

Научная публикация

Случайная публикация

Обратная связь

ТОР 5 статей:

Методические подходы к анализу финансового состояния предприятия

Проблема периодизации русской литературы ХХ века. Краткая характеристика второй половины ХХ века

Ценовые и неценовые факторы

Характеристика шлифовальных кругов и ее маркировка

Служебные части речи. Предлог. Союз. Частицы

КАТЕГОРИИ:






Інформаційна технологія. Означення. класифікація




інформаційна технологія — це сукупність методів і способів нагромадження, оброблення, зберігання, передавання, подання та використання інформації.

Сучасний стан розвитку ІСТ характеризується стійкою тенден­цією до зростання обсягів та інтенсивності інформаційних потоків майже в усіх галузях знань. При цьому зростання має приблизно експоненціальний характер. Діяльність будь-якої економічної системи, зокрема й підприємства (комерційного, виробничого, наукового і т. ін.) супроводжується нагромадженням, зберіганням та обробленням величезних масивів інформації. Тому без засобів продуктивної переробки потоків «сирих», первинних даних ефективне управління економічними системами практично неможливе.

Нині існують численні інформаційні технології, спрямовані на полегшення економічної діяльності людини. Наявні системи поділяються на певні типи, передусім за безпосереднім призначенням та підходами, що використовуються в них. У галузі ІСТ умовно можна виокремити три напрямки розвитку, які доповнюють один одного, визначаючи тип ІС. Системи першого типу зорієнтовано на операційну обробку даних — системи обробки даних (СОД). До них належать спеціалізовані пакети програм для статистичного аналізу, математичні пакети тощо. Другий тип ІС зорієнтований на задачі аналізу даних та управління — системи підтримки та прийняття рішень (СППР).

До третього, одного з найпоширеніших типів ІС, застосовуваних в управлінні, належать такі:

¨ АСУ — автоматизовані системи управління;

¨ СППР — системи підтримки прийняття рішення;

¨ ЕС — експертні системи.

Автоматизовані системи управління. АСУмають широкий спектр застосування: від автоматизації базових функцій підприємства до автоматизації прийняття управлінських рішень. Розвиток цих систем відбувався від найпростіших систем обробки інформації до сучасних інтегрованих інформаційних комплексів. АСУ можна поділити на вузькоспеціальні та інтегровані.

Перші підтримують деякі спеціалізовані напрямки діяльності (наприклад, бухоблік, фінанси, кадри, маркетинг) та частково інших базових функціональних галузей. Інтегровані системи забезпечують повну підтримку більшості функціональних сфер діяльності підприємства, пропонуючи широкий перелік спеціалізованих рішень як для різноманітних видів діяльності, так і для всіляких аспектів управління (стратегічне планування, управління спеціальними видами активів і т. ін.).

Системи підтримки прийняття рішень. СППРпризначені допомагати робити обґрунтований вибір із певного переліку альтернатив. Перш ніж набула поширення клієнт-серверна архітектура, застосовували два типи СППР: ІС для керівництва (управлінські) — Executive Information System (EIS), та системи підтримки рішень — Decision Support System (DSS). EIS створювались на великих ЕОМ і призначалися для керівництва верхнього рівня. DSS виконувались на робочих станціях і призначалися для менеджерів середньої ланки. Але останнім часом завдяки делегуванню повноважень із прийняття рішень середній та нижній ланці відмінності між цими типами СППР поступово зникають. У загальному випадку СППР складаються із СУБД, системи управління банком моделей та інтерфейсу користувача.

Експертні системи. ЕС — це ІС, що моделюють дії людини-експерта під час розв’язання задач у певній предметній галузі на основі логічного аналізу накопичених знань, що зберігаються в базі знань (БЗ) Мета досліджень з ЕС полягає передусім у розробці програм, які у процесі розв’язання задач, що виникають у слабо структурованій і важко формалізованій предметній галузі та є складними для експерта-людини, дають результати, не гірші за якістю та ефективністю рішенням, ніж експерти.

Експертні системи та системи штучного інтелекту відрізняються від систем обробки даних тим, що в них використовується символьний (а не числовий) спосіб подання інформації, символьний вивід та евристичний пошук розв’язку (а не виконання відомого алгоритму). Технологія ЕС нині використовується для розв’язання різних типів задач (інтерпретація, прогноз, діагностика, планування, конструювання, контроль, інструктування, управління) у найрізноманітніших проблемних галузях, таких як фінанси, нафтова та газова промисловість, гірнича справа, хімія, освіта, телекомунікації та зв’язок тощо. Нині спостерігається тенденція до дедалі більшої інтеграції ЕС та СППР, тому поступово ці типи ІС зближуються.

 

12.Інформаційні системи. Технології побудови ІС

Об’єктно-орієнтований підхід дає змогу подати задачу розробки ІС як задачу побудови ієрархії об’єктів, що взаємодіють. При цьому об’єкти кожного рівня розглядаються як представники певних класів, що характеризуються наборами властивостей і методів. Функціонування ІС в об’єктно-орієнтованій методології описується за допомогою низки спеціалізованих діаграм. Однією з переваг такого підходу є наочність його засобів (графічних) та можливість їх практичного застосування за допомогою уніфікованої мови моделювання UML.

UML (Unified modeling language) — уніфікована графічна мова моделювання призначена для візуалізації, специфікації, конструювання та документування систем, в яких провідну роль відіграє програмне забезпечення. За допомогою UML можна розробити докладний план створюваної системи, що відбиває не тільки її концептуальні елементи, такі як системні функції та бізнес-про­цеси, а й конкретні особливості реалізації, зокрема класи, записані спеціальними мовами програмування, схеми баз даних, а також програмні компоненти багаторазового використання.

CASE (Computer Aided System Engeneering) — технологія ком­п’ютерного проектування ІС, призначена для розробки складних ІС у цілому. Під CASE-технологією розуміють програмні засоби, що підтримують процеси створення та супроводження ІС (зокрема, аналіз і формулювання вимог), проектування прикладного програмного забезпечення (додатків) і баз даних, генерування коду, тестування, документування, конфігураційне керування, управління проектом та інші процеси.

CASE-технологія містить набір інструментальних засобів, що дають змогу в наочній формі моделювати будь-яку предметну область, аналізувати побудовану модель на всіх етапах розробки й супроводження ІС і створювати прикладні програми згідно з інформаційними потребами користувачів. Більшість наявних CASE-засобів ґрунтуються на методології структурного й об’єктно-орієн­тованого аналізу та проектування, що передбачає використання специфікації у вигляді діаграм або текстів для описування зовнішніх вимог, зв’язків між моделями системи, динаміки поводження системи та архітектури програмних засобів.

SADT (Structure Analyse and Design Technic) — технологія структурного моделювання, призначена для побудови функціональної моделі об’єкта певної предметної області. Головна мета SADT-технології — описувати складні об’єкти як ієрархічні, багаторівневі модульні системи за допомогою невеликого набору типових елементів. До найістотніших властивостей SADT-техно­логії належать:

· принцип побудови моделі згори вниз;

· реалізація ієрархічного, багаторівневого моделювання;

· можливість одночасно зі структуруванням проблеми розробляти структуру баз даних.

Сучасні концепції побудови СППР спрямовані на розв’язання суперечності між відсутністю корисної інформації, з одного боку, та наявністю величезних обсягів інформації — з другого. До найвідоміших підходів, спрямованих на підвищення ефективності зберігання та використання інформації, можна віднести:

¨ Data Warehouse — концепцію побудови сховища даних;

¨ Data Mart — вітрини даних;

¨ OLAP (On-Line Analitical Processing) — багатовимірний опе­ративний аналіз даних;

¨ Data Mining (DM) — інтелектуальний аналіз даних.

 

13. Основні етапи та алгоритми проведення інтелектуального аналізу даних

Виокремимо два типи задач, розв’язуваних із різною ефективністю різними методами KDD (хоча, втім, реальні задачі дослідження даних можуть охоплювати обидва типи).

Задачі першого типу полягають у побудові на підставі наявних даних різних моделей, якими можна скористатися з метою прогнозування та ухвалення рішення в майбутньому, за схожої ситуації.

Задачі другого типу характерні тим, що наголос у них робиться на з’ясуванні сутності залежностей у множині даних, а також взаємовпливу, тобто на побудові емпіричних моделей різних систем, які легко може сприймати людина.

Розглянемо головні етапи (кроки), характерні для будь-якого дослідження даних за допомогою методів KDD і становлять основний цикл пошуку нового знання та його оцінювання (рис. 5.1). Залежно від задачі кількість етапів, а також обсяг виконуваних на кожному з них дій можуть змінюватися, але загалом усі вони необхідні і так чи інакше мають належати процесу інтелектуального аналізу даних.

Рис. 5.1. Схема інтелектуального аналізу даних
і оцінювання виявленого нового знання

Перший етап полягає у зведенні даних до форми, придатної для застосування конкретних реалізацій систем KDD. Нехай, скажімо, інформацію подано у вигляді текстів і потрібно побудувати автоматичний рубрикатор, класифікатор якихось анотацій, описів тощо. Вхідна інформація являє собою тексти в електронному вигляді, але практично жодна з наявних систем KDD не здатна працювати безпосередньо з текстами. Щоб працювати з певним текстом, ми маємо з вихідної текстової інформації заздалегідь дістати деякі похідні параметри (наприклад, частоту появи ключових слів, середню довжину речень, параметри, що характеризують сполучуваність тих чи інших слів у реченні тощо), тобто побудувати чіткий набір кількісних або якісних параметрів даного тексту. Ця задача найменш автоматизована в тому сенсі, що систему шуканих параметрів формує людина, хоча значення параметрів можуть обчислюватися автоматично в рамках відповідної технології первинної обробки даних. Вибравши параметри, дані можна подати у вигляді прямокутної таблиці, де кожний рядок характеризує окрему ознаку (стан, властивість) досліджуваного об’єкта, а кожний стовпець — ознаки (стани, властивості) всіх досліджуваних об’єктів. Рядки такої таблиці в теорії KDD, як і в теорії баз даних, називають записами, а стовпці — полями.

Практично всі наявні системи KDD працюють тільки зі щойно описаними прямокутними таблицями.

Здобута прямокутна таблиця — це лише «сировинний» матеріал для застосування методів KDD, і дані, що входять до неї, необхідно передусім обробити. По-перше, таблиця може містити параметри (ознаки об’єктів), що мають однакові значення в якомусь зі стовпців. Коли б досліджувані об’єкти мали тільки такі ознаки, усі вони були б абсолютно ідентичними. Звідси випливає, що відповідні ознаки жодним чином не характеризували б досліджуваних об’єктів, а отже, їх потрібно вилучити з аналізу. Можлива й така ситуація, що деяка категоріальна ознака в усіх її записах має різні значення, через що відповідне поле не придатне для аналізу даних і його також доведеться вилучити. Нарешті може статися так, що полів буде дуже багато, і якщо ми всі їх намагатимемося досліджувати, то надто відчутно збільшиться час розрахунків, оскільки практично для всіх методів KDD характерна сильна (не менш ніж квадратична, а нерідко й експоненціальна) залежність часу розрахунків від кількості параметрів, тоді як залежність часу розрахунків від кількості записів лінійна або близька до неї.

Тому у процесі попередньої обробки даних необхідно, по-перше, розглянути множину всіх ознак, що стосуються шуканої залежності, вилучити з неї ті, які явно не придатні для подальшого дослідження, та виокремити ті, що найімовірніше ввійдуть у шукану залежність. Для цього, як правило, застосовують статистичні методи, що ґрунтуються на застосуванні кореляційного аналізу, лінійних регресій, тобто методи, що дають змогу швидко, хоча й наближено оцінити вплив одного параметра на інші.

Третій етап — безпосереднє застосування методів KDD за різ­ними сценаріями, що містять складні комбінації тих методів, які
допомагають аналізувати дані з різних поглядів. Власне, цей етап дослідження і називають Data Mining (добування даних).

Четвертий етап — верифікація та перевірка результатів, найчастіше здійснювані в такий спосіб. Усі наявні дані, що мають бути проаналізовані, розбивають на дві (як правило, не однакові за розміром) групи. У більшій групі даних за допомогою тих чи інших методів KDD дістають моделі й залежності, а в меншій виконують їх перевірку. Далі за різницею в точності між результатами, здобутими для обох груп, доходять висновку щодо адекватності й статистичної значущості побудованої моделі. Існує багато інших, складніших способів верифікації (перехресна перевірка, бутстреп-аналіз тощо), які дають змогу оцінити значущість побудованих моделей без розбиття даних на дві групи.

Нарешті, на п’ятому етапі знання, що їх здобула людина, автоматично інтерпретуються з метою їх використання для прий-
няття рішень та внесення сформульованих правил і залежностей до баз знань тощо. Цей етап часто передбачає застосування методів, що є проміжними між технологією KDD і технологією експертних систем. Від того, наскільки ефективним він буде, значною мірою залежить успіх розв’язання поставленої задачі.

Цим етапом і закінчується цикл KDD. Остаточне оцінювання вагомості здобутого нового знання виходить за рамки аналізу, автоматизованого чи традиційного, і стає можливим тільки після впровадження на практиці рішення, прийнятого на основі такого знання. Дослідженням практичних результатів, досягнутих за допомогою здобутого засобами KDD нового знання, завершується його оцінювання (див. рис. 5.1).

 

14. Модель. Означення. Типи моделей

Термін «модель» широко вживаний не лише в науковій літературі, причому залежно від ситуації в нього вкладається різний зміст. Слово «модель» походить від латинського «modulus», що означає міра, мірило, зразок, норма.

У найширшому сенсі під словом «модель» розуміють деякий образ об’єкта (зокрема, умовний чи уявний), що нас цікавить, або, навпаки — прообраз деякого об’єкта чи системи об’єктів. Наприклад, глобус — модель Земної кулі, фотографія — модель зображеного на ній об’єкта; карта — модель місцевості і т. ін. Що ж до розуміння моделі як прообразу, то можна згадати, наприклад, модель автомобіля, експоновану на виставці, за якою надалі поч­неться масове виготовлення таких автомобілів.

Гіпотези й аналогії, що відбивають світ, який реально, об’єктив­но існує, мають бути наочними і зводитися до зручних для дослідження логічних схем. Такі логічні схеми, що спрощують міркування та логічні побудови або дають змогу проводити експерименти для уточнення природи явища, називаються моделями.

Іншими словами: модель — це деякий об’єкт-замінник об’єкта-оригіналу, що забезпечує вивчення деяких істотних, з погляду дослідника, властивостей оригіналу.

Заміщення одного об’єкта іншим із метою здобуття інформації про найважливіші властивості об’єкта-оригіналу за допомогою об’єкта-моделі називається моделюванням. Таким чином, моделювання полягає в заміні об’єкта моделлю з метою дістати інформацію про цей об’єкт, виконуючи експерименти з його моделлю. Теорія заміщення одних об’єктів (оригіналів) іншими (моделями) і дослідження властивостей об’єктів на їхніх моделях називається теорією моделювання.

Основні типи моделей. Натурні моделі. У разі натурного моделювання оригінал (об’єкт) і модель тотожні. Такі моделі широко використовуються в техніці з метою випробувати окремі види продукції чи агрегатів: на стадії складання певну частину виробів (електронних мікросхем, двигунів, автомобілів тощо) піддають тестуванню.

Фізичні моделі. Фізичне моделювання передбачає, що об’єкт і модель мають однакову фізичну природу. Саме такими є, скажімо, літак і його геометрична модель. На цій підставі за результатами продування моделі в аеродинамічній трубі роблять висновки про аеродинамічні якості літака. Зв’язок між характеристиками літака та його моделі встановлюється згідно з теорією подібності.

Аналогові моделі. Аналогове моделювання ґрунтується на аналогії явищ, що мають різну фізичну природу, але описуються однаковими математичними рівняннями. Найпростіший приклад: вивчення механічних коливань за допомогою електричної схеми, фізичні процеси в якій описуються тими самими диференціальними рівняннями, що й коливання.

Знакові моделі. У знаковому моделюванні моделями є знакові утворення деякого виду. Розглядають вербальні моделі, схеми, графи, графіки, креслення, математичні вирази, формули тощо, причому знакові утворення та їхні елементи завжди задаються разом із тими законами (правилами), відповідно до яких ними можна оперувати.

Математичні моделі. Найважливішим видом знакового моделювання є математичне моделювання, коли моделі будуються (описуються) засобами математики і логіки.

Для економічної кібернетики найбільшу практичну цінність становить економіко-математичне моделювання, спрямоване на дослідження економічних систем засобами математичного моделювання з урахуванням специфіки економіки та використанням здобутків економічних дисциплін (економічної теорії, макро- та мікроекономіки, менеджменту тощо).

 

15. Моделювання. Означення. метод «чорної скриньки»

Заміщення одного об’єкта іншим із метою здобуття інформації про найважливіші властивості об’єкта-оригіналу за допомогою об’єкта-моделі називається моделюванням. Таким чином, моделювання полягає в заміні об’єкта моделлю з метою дістати інформацію про цей об’єкт, виконуючи експерименти з його моделлю. Теорія заміщення одних об’єктів (оригіналів) іншими (моделями) і дослідження властивостей об’єктів на їхніх моделях називається теорією моделювання.

Незважаючи на те, що як засіб пізнання невідомих об’єктів людство здавна використовує метод «чорної скриньки», останній усе ж пов’язують з електротехнікою. Інженерові пропонується наглухо зачинена шухляда (скринька) із вхідними клемами, до яких він на свій розсуд може приєднувати будь-яку електричну напругу, імпульси та інші впливи, і з вихідними клемами, на яких він може спостерігати вихідні сигнали. Завдання інженера — з’ясувати стосовно вмісту шухляди все, що він зможе (закон
функціонування, внутрішню структуру і т. ін.).

Позначивши, наприклад, вхідні впливи Х = { Х 1, Х 2, …, Хn }, а вихідні Y = { Y 1, Y 2, …, Yn }, маємо встановити вигляд функціональ­ної залежності Y = F (X) (рис. 6.1).

Рис. 6.1. Модель «чорної скриньки»

Ця проблема часто постає безпосередньо, коли потрібно перевірити прилад — справний він чи ні, чи відповідає він стандарту. Проте сфера застосування методу «чорної скриньки» значно ширша. Наприклад, лікар, що обстежує хворого, ставить йому низку запитань-тестів (входи) і на підставі відповідей (виходи) та власного досвіду робить певні висновки щодо діагнозу.

Із застосуванням «чорної скриньки» ми стикаємося повсякчас, перемикаючи телевізор, працюючи за комп’ютером, керуючи автомобілем тощо.

Розглянемо методологію «чорної скриньки». Припустимо, що як вхід X, так і вихід Y піддаються зміні незалежно від їхньої фізичної природи.

Надаючи ряд значень вхідній змінній Xi, діставатимемо ряд значень іншої змінної Yj, тобто ряд спостережень (табл. 6.1).

Таблиця 6.1

X X 1 X 2 …. Xn
Y Y 1 Y 2 …. Yn

Отже, первинні дані всякого дослідження «чорної скриньки» утворюються тільки з послідовності значень вектора з двома складовими — входу та виходу. Діставши доволі довгі ряди спостережень, експериментатор розпочинає пошук закономірностей у поводженні скриньки, пошук повторюваності такого поводження.

Якщо система не детермінована, тобто перетворення вхід—вихід не є однозначним, експериментатор може піти одним із двох шляхів:

1-й шлях — змінити множину входів і виходів, узявши до уваги більшу кількість змінних та збільшивши кількість спостережень, а далі з’ясувати, чи є нова система детермінованою;

2-й шлях — відмовитися від пошуків строгої детермінованості й спробувати відшукати статистичну закономірність.

 

16. Ізоморфні та гомоморфні системи

Ізоморфними системами з погляду кібернетичного моделювання називаються системи, однакові для спостерігача, якому доступні лише входи та виходи цих систем.

Отже, умовою ізоморфності систем А і В є така система рівнос­тей для довільного елемента (моменту часу) t:

Тут ізоморфізм тлумачиться як ідентичність поводження розглядуваних систем у деякому середовищі, з яким вони контактують через свої входи та виходи. При цьому системи А і В можуть мати різну фізичну природу. Ізоморфні системи є ідеальними
функціональними моделями одна одної.

Гомоморфізм. Нехай маємо дві системи, структуру яких ілюструє рис. 6.2.

Рис. 6.2. До означення гомоморфізму

При цьому залежність між входами та виходами має вигляд:

У такому разі системи А і В уже не будуть ізоморфними, та й структура в них різна: модель Y «простіша», має менше входів і виходів. Але зауважимо таке: для кожного стану системи А маємо тільки один цілком визначений стан системи В, тобто за станом системи А ми однозначно можемо визначити стан системи В.

Наприклад, якщо значення параметрів для системи А буде
{ Х 1 = 1, Х 2 = 3, Х 3 = 5, Х 4 = 2, Y 1 = 7, Y 2 = 4}, то для системи В дістанемо { U 1 = 4, U 2 = 7, V = 19}.

Але якщо ми задамо якийсь стан системи В, то однозначно визначити стан системи А не зможемо — у системи А можлива множина станів. Наприклад, якщо для системи В маємо { U 1 = 5, U 2 = 4, V = 10}, то для системи А дістанемо 6 змінних і 3 рівняння:

Отже, система А не буде однозначно визначеною. Таку відповідність називають гомоморфізмом (рис. 6.3).

Рис. 6.3. Гомоморфні системи

Нехай система А — оригінал. Для цієї системи побудуємо модель В. Система А має розмірність n, а В — розмірність m < n. Якщо при цьому кожному стану А відповідає один цілком визначений стан B, але не кожному стану B відповідає один стан А, то систему В називають гомоморфною моделлю системи А.

Взагалі, створюючи модель В системи А ми намагаємося, як правило, втілити в цій моделі найбільш істотні властивості системи А, відкидаючи множину менш істотних властивостей з метою спрощення моделі. У результаті цього спрощення розмірність моделі В завжди буде меншою за розмірність А (тобто m < n).

Отже, модель — це гомоморфний образ оригіналу.

Модель «чорної скриньки» у вивченні великих економічних систем. З погляду «чорної скриньки» системи, що мають однакові входи та виходи й однаково реагують на зовнішні впливи, є ізоморфними, хоча за внутрішньою структурою вони можуть бути різними.

Модель «чорної скриньки» незамінна під час вивчення великих, зокрема й економічних систем. Зауважимо, що докладно вивчати поводження таких систем, впливаючи на їхні входи та спостерігаючи за виходами, як правило, неможливо, оскільки потребувало б надто багато часу. Навіть тоді, коли б ми мали у своєму розпорядженні всю інформацію про стан усіх елементів системи, навряд чи можна було б скласти повне уявлення про її поводження. Адже за величезної кількості зв’язків між елементами наявну інформацію не вдається звести в єдине ціле.

У цьому разі потрібно реальну складну економічну систему замінити іншою, простішою, але такою, що функціонує аналогічно. Отож економічну систему розглядають як «чорну скриньку»
і будують її спрощену модель, причому сама «чорна скринька» і модель, що її відтворює, описуються однаковими математичними співвідношеннями.

За такого абстрагування однозначним перетворенням реальної економічної системи дістають простішу модель, вилучаючи неістотні змінні, з певним наближенням оцінюючи значення істотних змінних, апроксимуючи нелінійні та стохастичні залежності ліній­ними й детермінованими, і т. ін. Здобута модель буде гомоморфною і, якщо зроблені припущення є достатньо обґрунтованими, то й адекватною моделлю складної реальної економічної системи.

Завдяки спрощенню реальної системи дістаємо однозначну від­повідність її стану гомоморфній моделі, а також неоднозначність оберненої відповідності.

 

17. Економіко-математичне моделювання. Типи моделей

Дослідження математичної моделі дає змогу діставати характеристики реального економічного об’єкта чи системи. Тип математичної моделі залежить як від природи системи, так і від задач дослідження. У загальному випадку математична модель системи містить опис множини можливих станів останньої та закон переходу з одного стану до іншого (закон функціонування).

Розглянемо основні типи економіко-математичних моделей (ЕММ), які класифікують за різними критеріями.

За цільовим призначенням ЕММ поділяються на теоретико-аналітичні, застосовувані для дослідження загальних властивостей і закономірностей економічних процесів (наприклад, модель Кейнса), та прикладні, призначені для розв’язування конкретних економічних задач (моделі економічного аналізу, прогнозування, управління тощо).

ЕММ можуть бути призначені для дослідження як різних функціональних складових економіки (виробничо-технологічної, соціальної, територіальної структури), так і його окремих частин. Розглядають моделі всієї економіки в цілому та її підсистем — секторів, галузей, регіонів, комплексів моделей виробництва, споживання, формування та розподілу прибутків, трудових ресурсів, ціноутворення, фінансових зв’язків тощо.

Згідно із загальною класифікацією математичних моделей вони поділяються на функціональні та структурні, охоплюючи проміжні форми (структурно-функціональні). У дослідженнях на макрорівні най­частіше використовуються структурні моделі, оскільки для планування та управління велике значення мають взаємозв’язки підсистем. Типовими структурними моделями є моделі міжгалузевих зв’яз­ків. Функціональні моделі широко застосовуються в економічному регулюванні, коли на поводження об’єкта («вихід») впливають, змінюючи «вхід». Прикладом може бути модель поведінки споживачів за умов товарно-грошових відносин. Один і той самий об’єкт може описуватися водночас як структурною, так і функціональною моделлю.

За характером відображення причинно-наслідкових зв’язків розрізняють детерміновані моделі та моделі, що враховують випадковість і невизначеність — стохастичні.

Залежно від урахування часового чинника економіко-матема­тичні моделі поділяються на статичні та динамічні. У статичних моделях усі залежності стосуються одного моменту або періоду часу. Динамічні моделі характеризують зміни економічних процесів у часі.

За тривалістю періоду часу, що розглядається, розрізняють моделі короткострокового (до року), середньострокового (до 5 років), довгострокового (10—15 і більше років) прогнозування та планування. Час в економіко-математичних моделях може змінюватися неперервно або дискретно. Тому розрізняють неперервні та дискретні моделі

Моделі економічних процесів надзвичайно різноманітні за формою математичних залежностей. У загальному випадку виокремлюють лінійні та нелінійні моделі. Особливо важливим є клас лінійних моделей, найзручніших для аналізу й розрахунків, зав-дяки чому вони набули великого поширення.

Відмінності між лінійними та нелінійними моделями істотні не лише з математичного, а й з теоретико-економічного погляду. Адже численні залежності в економіці як на макро-, так і на мікрорівні мають принципово нелінійний характер: вплив податкової та грошово-кредитної політики на економічних суб’єктів, ефективність використання ресурсів з розширенням виробництва, зміна обладнання, моделі управління запасами тощо. Теорія «лінійної економіки» істотно відрізняється від теорії «нелінійної економіки». Від того, якими — опуклими чи неопуклими — вважаються множини виробничих можливостей підсистем (галузей, підприємств), істотно залежать висновки про можливості поєднання централізованого планування та господарської самостійності економічних підсистем.

За співвідношенням екзогенних і ендогенних змінних, які вклю­чаються до моделей, останні поділяють на відкриті і замкнені. Повністю відкритих моделей не існує; модель повинна мати хоча б одну ендогенну змінну. Повністю замкненими (такими, що не містять жодної екзогенної змінної) економіко-математичні моделі бувають надзвичайно рідко. Загалом економіко-математичні моделі різняться за ступенем відкритості.

Макроекономічні моделі поділяють на агреговані та деталізовані. Залежно від того, чи містять ці моделі просторові чинники та умови, чи ні, розрізняють моделі просторові та точкові.

Отже, загальна класифікація ЕММ охоплює понад десять основних ознак. З розвитком економіко-математичних досліджень проблема класифікації застосовуваних моделей дедалі ускладнюється. Поряд з появою нових типів моделей (особливо мішаних типів) і нових ознак їх класифікації відбувається інтеграція моделей різних типів у складніші модельні конструкції.

 






Не нашли, что искали? Воспользуйтесь поиском:

vikidalka.ru - 2015-2024 год. Все права принадлежат их авторам! Нарушение авторских прав | Нарушение персональных данных