Основные требования к исследовательским моделям

МИНИСТЕРСТВО ОБРАЗОВАНИЯ  И НАУКИ

РОССИЙСКОЙ ФЕДЕРАЦИИ

ЧАСТНОЕ ОБРАЗОВАТЕЛЬНОЕ  УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО  ОБРАЗОВАНИЯ

«КАМСКИЙ ИНСТИТУТ»

Кафедра менеджмента и  экономики

 

Специальность: менеджмент организации Шифр: 080507

 

КОНТРОЛЬНАЯ РАБОТА

По дисциплине: Исследование систем управления.

По теме: Основные требования к исследовательским моделям.

Имитационная модель Монте Карло.

Исследование системы  управления качеством.

Основные этапы определяющие качество продукции.

 

Выполнила:_______________________________Харисова Р.И

студентка 71 группы ЗФО экономического факультета

Проверила:_______________________________ Кичимасова Ф.Д

 

г. Набережные Челны 2011

1.Основные требования  к исследовательским моделям.

Моделирование – осуществление  абстрактных экспериментов при  помощи построения некоторой системы-модели, которая является подобием системы-оригинала  для изучения сложных объектов. Необходимость  моделирования обусловлена сложным  характером рассматриваемых систем.

Сущность моделирования  заключается в замене реальных экспериментов, которые будут слишком сложны или потребуют весьма продолжительного времени, абстрактными экспериментами, осуществляемыми после разработки как можно более полной модели изучаемого явления. Моделирование  позволяет определить степень влияния  различных норм принятия решений  на многочисленные элементы поставленной проблемы и выбирать из всех заранее  намеченных вариантов принятия решений  то, который позволит добиться в  отношении поставленной цели наилучших  результатов.

Наиболее часто метод  моделирования ставит перед собой  следующие цели:

• изучить какой-то элемент  реальной действительности – дидактические  и исследовательские модели;

• отработать какой-то элемент  практических действий – тренировочные  и игровые модели;

• оптимизировать какой-либо процесс, форму или содержание чего-либо – оптимизационные модели;

• делегировать полномочия на совершение определенных действий другими лицами – модели предпочтений.

 

Принцип – основное исходное положение теории, науки, системы  знаний. Выделяют следующие принципы моделирования:

• абстрагирования: модель – отражение свойств в объекте  исследования, для одной модели свойства существуют, для другой – нет (например, цвет автобуса);

• информационной достаточности: если мы ничего не знаем о функционировании системы, модель которой хотим создать, то мы не сможем ее создать. Модель может  быть построена, если мы хоть что-то знаем  об объекте, но не все и хотим узнать больше;

• многомодельности (неисчерпаемость объекта моделирования): если мы создаем модель сложной системы, то не следует ограничиваться одной моделью (иерархия моделей различной степени подробности). Пределом составления моделей является решение поставленной задачи;

• многовариантности: модель та же самая, но значения параметров, входящих в эту модель, разные;

• параметризуемого: описание результата функционирования подсистемы некоторым параметром для дальнейшего уточнения и детализации модели, если это будет необходимо.

Модель – упрощенное представление  объекта системы или идеи в  некоторой форме, отличной от самой  целостности, создаваемое исследователем с целью получения знаний об объекте-оригинале  и отражающее его наиболее существенные свойства с точки зрения поставленной задачи. Выделяются следующие причины  использования моделей'.

• сложность реального мира (организация – сложная система, в которой происходят различные перемены, которые часто не могут быть постижимы с помощью возможностей любого человека.

Для этого создаются упрощенные модели реального мира);

• экспериментирование (большинство  вариантов решения перед воплощением  в жизнь необходимо экспериментально проверить.

Но не все решения могут  быть экспериментально проверены в  условиях реального мира);

• ориентация управления на будущее (наблюдение несуществующих явлений  и проведение экспериментов над  ними. Моделирование – единственный к настоящему времени систематизированный способ увидеть варианты будущего и определить потенциальные последствия альтернативных решений, что позволяет их объективно сравнивать).

 

Выделяют следующие признаки классификации моделей:

• с точки зрения этапов моделирования:

• когнитивная – мысленный образ объекта;

• содержательная – получение информации об объекте и выявление взаимосвязей и закономерностей (описательные, объяснительные и прогностические модели);

• концептуальная – сформулированная на вербальном или на вербально-визуальном уровне модель, базирующаяся на определенной концепции или аспекте (логико-семантические, структурно-функциональные и причинно-следственные модели);

• формальная – представленная в виде алгоритмов и математических зависимостей, описывающих или имитирующих  реальные объекты и процессы (математические и компьютерные модели);

• в зависимости от средств, с помощью которых реализованы  модели:

• материальные – воспроизводят  основные геометрические, физические, динамические и функциональные характеристики изучаемого объекта; частным случаем  являются физические модели, имеющие  ту же физическую природу, что и объект моделирования;

• идеальные – основаны на символических схемах (графические, логические, математические и др.); математические модели в свою очередь могут разделяться  на аналитические (когда свойства и  взаимосвязи описываются отношениями-функциями  в явной и неявной форме) и  имитационные (основанные на многократных экспериментах, главным об разом машинных, по реализации алгоритмов и процедур, описывающих процесс функционирования исследуемой системы).

Модель строится из следующих  этапов:

• постановка задачи. Является самым важным этапом, от которого зависит  правильное решение управленческой проблемы. Для правильной постановки задачи необходимо знать не только о наличии проблемы, но и о причинах, вызвавших ее;

• построение модели. На данном этапе определяется: главная цель модели, информация для построения модели, наличие и отсутствие данной информации, выходные нормативы предполагаемые получить на выходе;

• проверка модели на достоверность. Для этого определяется степень  соответствия модели реальному миру при помощи установления специалистом по науке управления – все ли существенные компоненты реальной ситуации встроены в модель.

Чем больше модель будет  отражать реальный мир, тем выше будет  ее потенциал как средство оказания помощи руководителю в принятии хорошего решения. Модель можно проверить  на достоверность установлением  степени, с которой получаемая информация, помогает руководству совладать  с проблемой;

• применение модели. Модель не может считаться успешно построенной  без ее применения на практике;

• обновление модели требуется  в случаях: не ясной формы выходных данных; изменения целей организации, которые влияют на принятие решений; изменения в окружающем окружении (поставщиков, конкурентов, потребителей, технологий, законодательств и др.)

1.1Имитационная модель Монте Карло

Существуют следующие  виды имитационного моделирования:

• Агентное моделирование. Цель агентных моделей – получить представление о глобальных правилах поведения системы, исходя из предположений об индивидуальном, частном поведении ее отдельных активных объектов и взаимодействии этих объектов в системе. Агент – некая сущность, обладающая активностью, автономным поведением, может принимать решения в соответствии с некоторым набором правил, взаимодействовать с окружением, а также самостоятельно изменяться;

• Дискретно-событийное моделирование. Этот вид модлирования наиболее подходит для моделирования производственных процессов и имеет огромную сферу приложений – от логистики и систем массового обслуживания до транспортных и производственных систем;

• Системная динамика. Такой  вид моделирования более всех других парадигм помогает понять суть происходящего выявления причинно следственных связей между объектами  и явлениями. С помощью системной  динамики строят модели бизнес-процессов, развития города, модели производства, динамики популяции, экологии и развития эпидемии;

• Монте-Карло симуляция  – численный метод решения  математических задач при помощи моделирования случайных величин.

Одним из наиболее часто  используемых методов имитационного  моделирования является Монте-Карло симуляция .

Метод Монте-Карло — общее  название группы численных методов, основанных на получении большого числа  реализаций стохастического (случайного) процесса, который формируется таким  образом, чтобы его вероятностные  характеристики совпадали с аналогичными величинами решаемой задачи. Метод  Монте-Карло относится к имитационному  моделированию, в котором при  расчете какой-либо системы воспроизводится  и исследуется поведение всех ее компонентов При проведении ФЭК исследований этот метод обычно используется в составе анализа “затраты-эффективность».

Проведение данного анализа  разделяется на три этапа:

– построение математической зависимости искомых данных от переменных параметров, таких как стоимость  медицинских и немедицинских  ресурсов, вероятности клинических  исходов и т.д.

– определение видов математических распределений, которые описывают  распределение конкретных переменных параметров

– собственно Монте-Карло  симуляция, т.е. многократно повторяющиеся  расчеты (обычно 1000 или 10 000 раз) искомых  данных с использованием сгенерированных  случайным образом (с учетом вида математического распределения) переменных данных.

На первом этапе симуляции  Монте-Карло при анализе «затраты-эффективность» для каждого из оцениваемых методов лечения строится математическая модель. С помощью модели рассчитываются коэффициенты «затраты-эффективность» для сравниваемых методов лечения. Для удобства расчетов обычно используется программное обеспечение MS Excel. В качестве входных данных в модели используются различные виды медицинских и немедицинских издержек (определяются исходя из задач исследования и особенностей ведения конкретных пациентов для каждой патологии отдельно), а также вероятности наступления тех или иных клинических исходов (таких как полная ремиссия, частичная ремиссия, смерть, отсутствие эффекта и т.д.). Далее делается предположение о том, что все переменные данные представлены в виде множества случайных чисел, распределенных строго определенным образом. Для описания вероятностей наступления исходов обычно используется бета-распределение, а для описания распределения издержек гамма-распределение Бета-распределение применяется для описания вероятностей, вследствие того, что оно является математическим распределением, допускающим только положительные числа и подходящим для описания биноминальных данных. Бета-распределение в теории вероятностей и статистике двухпараметрическое семейство абсолютно непрерывных распределений. Оно ограничено интервалом от 0 до 1 и характеризуется, двумя параметрами α и β. При биноминальном распределении экспериментальных данных описание их с помощью бета-распределения является очень простой задачей. Если данные представлены количеством событий – r, произошедших с выборкой определенного размера – n, то параметры α и β определяются как α = r, а β = n-r . Таким образом, бета-распределение, в данной ситуации является наиболее подходящим для выполнения поставленных задач. Нормальное распределение не используется вследствие того, что допускает отрицательное значение распределенной величины, что является недопустимым при расчетах затрат и эффектов.

Как уже было отмечено выше, для описания затрат обычно применяется  гамма-распределение. Гамма-распределение  в теории вероятностей — это двухпараметрическое  семейство абсолютно непрерывных распределений.

Данный выбор был обоснован, тем что гамма-распределение имеет  интервал от 0 до ∞ и подходит для  описания затрат, которые представляют собой стоимость ресурсов умноженную на количество единиц.

Далее в модель подставляются  полученные путем псевдослучайного генерирования переменные параметры. Параметры генерируются с использованием описанных выше математических распределений. Данная процедура повторяется 1000 раз. Полученное множество точек представляется на графике (рис. 1), а средние значения используются для дальнейших расчетов.

Далее полученные данные по затратам и эффективности можно  использовать для построения сравнительных  кривых «готовности платить». Данные кривые отражают изменение фармакоэкономической привлекательности сравниваемых лечебных технологий при различных порогах готовности платить. Применительно к фармакоэкономике порог готовности платить отражает ту сумму, которую общество готово потратить на достижение определенного терапевтического эффекта или неких суррогатных точек для данной категории больных.

Расчет кривых «готовности  платить» (ГП) проходит в несколько  этапов. Первый этап заключался в расчете  «чистой денежной выгоды» (ЧДВ) для  каждой из сравниваемых схем терапии  в каждой точке полученной путем  «Монте-Карло» симуляции. Для расчетов используется формула [2]:

NMB = Ef x wpR – C,

где NMB – «чистая денежная выгода» (Net monetary benefit),

Ef – эффективность полученная в результате «Монте-Карло» симуляции,

wpR – уровень порога готовности платить (Willingness to pay ratio),

С – затраты полученные в результате «Монте-Карло» симуляции.

На следующем этапе  полученные численные значения ЧДВ  для каждой схемы терапии при  определенном пороге ГП сравниваются между собой с целью выявления  наибольшего абсолютного значения. Затем рассчитывается в каком проценте случаев каждая методика даст наибольшую ЧДВ при данном пороге ГП. Полученные данные наносятся на график, по оси абсцисс откладываются значения порога ГП, а по оси ординат – вероятность наибольшей ЧДВ.

2. Исследование систем  управления качеством.

Современная рыночная экономика  предъявляет принципиально иные требования к качеству выпускаемой  продукции. В настоящее время  выживаемость любой фирмы, ее устойчивое пoложение на рынке товаров и услуг определяются уровнем конкурентоспособности. В свою очередь конкурентоспособность связана с двумя показателями – уровнем цены и уровнем качества продукции. Причем второй фактор постепенно выходит на первое место. Производительность труда и экономия всех видов ресурсов уступают место качеству продукции.