|
Множества показателей
Недостаточная исследованность производственной функции образования во многом связана с чрезвычайной сложностью анализа такого вида производства, как образование, поскольку его результат зависит от множества переменных, существенно различающихся по своей природе. Среди них важное место занимают социально - экономические переменные, связанные с объективной ситуацией на рынке квалифицированного труда и рынке образовательных услуг, а также субъективные (влияние семьи, мотивации к обучению и труду и т. д.). Причем влияние этих переменных на результат деятельности образовательных заведений часто затмевает влияние факторов, связанных с затратами этих заведений на образование. Разработка производственной функции для образования усложняется наличием множества трудно поддающихся анализу факторов, что ставит под сомнение обоснованность применения понятия производственной функции к образованию, так же, как и понятий «эффективность» и «производительность» по отношению к образовательной системе. Однако неоднозначность результата
Основной метод исследования операций - изучение математических моделей операций. Сущность оперативного подхода заключается в следующем: определение и математическая формулировка цели операции, критерия оптимальности (показателя качества процесса) и ограничений; построение математической модели операции, выражающей эффективность исследуемой системы как функцию множества переменных, из которых, по крайней мере, хотя бы одна поддается управлению; определение (а в случае необходимости прогнозирование) входной информации; выбор метода оптимизации с помощью методов математического программирования; нахождение оптимального решения; проверка полученной модели путем сравнения с оригиналом операции и в случае необходимости корректировка модели и ее решения.
Для проведения правильного анализа нужно знать всю совокупность связей между переменными. Одним из первых подходов к решению этой задачи является конфликтный анализ, разработанный в 1934 г. Р. Фришем. Он предложил изучать целую иерархию регрессий между всеми сочетаниями переменных. При этом каждая переменная рассматривалась как зависимая от всех возможных подмножеств переменных, а также от всего множества переменных. Анализируя регрессии с разным числом переменных, Р. Фриш обнаружил «эффект деградации» коэффициентов регрессии. Он проявляется в том, что если в регрессию включается много переменных, имеющих линейные связи друг с другом (мультиколлинеарные переменные), то коэффициенты регрессии имеют тенденцию возвращаться к тем значениям, которые они имели в уравнении с меньшим числом переменных. Например, при четырех переменных, вводя разное их число в анализ, Р.Фриш получил следующие коэффициенты регрессии для связи между X/ их2: bl2 = - 0,120; ЬП4 = 0,919; bl2<} - - 0,112. Это позволило ему сделать вывод о наличии какого-то оптимального
Для проведения правильного анализа нужно знать всю совокупность связей между переменными. Одним из первых подходов к решению этой задачи является конфлюэнтный анализ, разработанный в 1934 г. Р. Фришем. Он предложил изучать целую иерархию регрессий между всеми сочетаниями переменных. При этом каждая переменная рассматривалась как зависимая от всех возможных подмножеств переменных, а также от всего множества переменных. Анализируя регрессии с разным числом переменных, Р. Фриш обнаружил «эффект деградации» коэффициентов регрессии. Он проявляется в том, что если в регрессию включается много переменных, имеющих линейные связи друг с другом (мультиколлинеарные переменные), то коэффициенты регрессии имеют тенденцию возвращаться к тем значениям, которые они имели в уравнении с меньшим числом переменных. Например, при четырех переменных, вводя разное их число в анализ, Р.Фриш получил следующие коэффициенты регрессии для связи между х/ их2: Ь12 = - 0,120; Ь{24 = 0,919; Ь123 - - 0,112. Это позволило ему сделать вывод о наличии какого-то оптимального
forecasting (прогнозирование): Систематический метод получения оценок будущих значений переменных, обычно основывающийся на анализе наблюдений за их прошлым поведением. Прогнозирование обычно базируется на одном из двух методов работы с временными рядами (time series). Первый метод — Бокса-Дженкинса (Box-Jenkins) особенно подходит для краткосрочного прогнозирования, но менее надежен при долгосрочном. Во втором методе используется эконометрическая модель (econometric model), в которой интересующая переменная специфицируется как эндогенная (endogenous) и является частью всей системы. Прогноз затем может быть осуществлен с учетом взаимодействия множества переменных при данных значениях экзогенных переменных.
recursive model (рекурсивная модель): Модель, в которой текущие значения одного множества переменных определяют текущие значения другого множества, в то время как предыдущие (или лаговые) значения последнего определяют текущие значения первого. Простейший пример рекурсивной модели имеет следующий вид:
Графические возможности пакета соответствуют вводу и представлению в виде блок-схемы, составленной из ограниченного набора типовых звеньев. Каждое звено характеризуется функциональным преобразованием и параметрами. Хотя при проведении числовых исследований допустимо использовать все возможности MATLAB-SIMULINK, последующий переход к реализации связан с рядом ограничений. Не снижая возможности графического пакета, используется только подмножество имеющихся звеньев с небольшим добавлением элементарных звеньев 1-го и 2-го порядков. Все звенья выполняют отображение R" -> R*, т.е. все звенья имеют только один выход. Такой вид отображения позволяет широко использовать аналитические решения для динамических звеньев, проявляет детальную структуру системы с выделением всего множества переменных, формализует процессы обработки и визуализации и т.д. Задание параметров звеньев происходит в числовом виде.
Нередки случаи анализа риска по одному критерию, но гораздо разумнее использовать совокупность взаимоувязанных критериев, поскольку риск есть функция множества переменных разнонаправленного действия. К тому же большинство рисковых решений одновременно преследует несколько целей, характеризуемых показателями далеко не одного порядка. Правда, при многоцелевой ситуации критерии подчас объективно противоречивы, что обязывает ранжировать их для учета предпочтений при разработке вариантов решений.
Более сложный метод генерирования идей заключается в морфологическом подходе и в анализе множества переменных, связанных с решаемой проблемой. Морфологический метод предусматривает обобщение информации в рамках морфологической матрицы, в которой аккумулируется огромное количество возможных решений. Здесь проставляются значения множества переменных, существенных характеристик того или иного объекта, как уже достигнутых, так и теоретически возможных в перспективе.
Более сложный метод генерирования идей заключается в__мор-фологическом подходе и в анализе множества переменных, связанных с решаемой проблемой. Морфологический метод предусматривает обобщение информации в рамках морфологической матрицы, в которой аккумулируется огромное количество возможных решений. Здесь проставляются значения множества переменных, суще-
Исследователи, разработчики, конструкторы и проектировщик ки должны правильно выбрать и сформулировать задачи для НИР и ОКР, рационально спланировать их выполнение с минимальными затратами времени и средств, проанализировать научно-техническую информацию и найти возможные пути и способы решения данной задачи, т. е. провести генерирование идей. К числу наиболее распространенных методов генерирования идей относятся методы аналогии, ассоциаций, эмпатии (вхождения в образ), фантазии, интуиции, инверсии (противоположно обычному подходу к решению). Примером решения инженерной задачи методом инверсии могут служить станки типа «обрабатывающие центры», у которых в отличие от традиционных станков с неподвижными режущими элементами и вращающимися деталями последние неподвижны, а вся режущая часть движется. Наиболее продуктивно во всех НИИ и КБ может быть использован морфологический подход при анализе множества переменных, связанных с решаемой проблемой. В этом случае вся выявленная информация и возможные способы решения задачи аккумулируются в двух-, трехмерной или n-мерной матрицах.
С учетом столь большого множества показателей, практически бывает порой трудным дать комплексную, итоговую оценку качества конкретных минеральных ресурсов в целом. Нередко сырье хорошего качества по одному из показателей имеет отрицательную оценку по каким-либо другим характеристикам. Примеров подобного рода очень много. Так, большая зольность некоторых углей нередко "компенсируется", в экономическом, а не технологическом смысле, меньшей сернистостью. Запасы чистых коксующихся углей залегают в наименее благоприятных горно-геологических условиях - это маломощные пласты, расположенные на больших глубинах. Наоборот, добыча малокалорийных бурых углей становится бесспорно выгодной благодаря исключительно хорошим условиям их залегания. Отбраковка запасов лишь по одному из многочисленных показателей их качества недопустима.
С помощью коэффициентов эластичности определяются размеры возможной экономии материалов за счет роста или снижения уровня производственных факторов. Такая информа-'ция крайне важна. Оптимальные решения могут быть обеспечены лишь на основе взаимной увязки множества показателей. И если темпы роста одних влекут непомерный рост других, необходимы ограничения. В этом плане коэффициенты эластичности являются таким инструментом, который позволяет определить возможность обеспечения намеченных планов производства материальными ресурсами.
Для множества показателей, значения которых увеличиваются при улучшении показателя (например, рентабельность собственного капитала), масштабирование производится по следующей формуле:
Для множества показателей, значения которых уменьшаются при улучшении показателя (например, длительность оборота кредиторской задолженности), масштабирование производится по формуле (2):
1) использование множества показателей, которые имеют различную природу и часто несопоставимы;
Для выплаты премий из каждого источника разработаны свои показатели, условия и размеры премирования. С целью сокращения множества показателей и условий премирования, осложняющих премиальную систему, и повышения стимулирующей роли премиальных надбавок на предприятиях создают единый фонд материального поощрения (ЕФМП), который включает все средства предприятия, предназначенные на премирование работников (кроме средств из фонда заработной платы).
Многомерные методы предоставляют объективные количественные средства для исследования сходства, близости, группировки или классификации данных. Данные могут быть представлены в виде множества показателей, переменных, которые характеризуют объекты, например предприятия, или один объект в разные моменты времени, например хозяйственную деятельность предприятия в различные годы. Большинство методов позволяет решать задачу с наименьшим числом переменных и выделением наиболее важных характеристик и скрытых факторов.
Многофакторная система требует уже не одного, а множества показателей тесноты связей, имеющих разный смысл и применение. Основой измерения связей является матрица парных коэффициентов корреляции (табл. 8.10).
Существуют различные способы упорядочения предпочтений ЛПР в системе множества показателей [108-110]. Формализация предпочтений ЛПР в основном осуществляется в рамках векторного критерия качества, использования отношения предпочтения на множестве оценок альтернатив или исходов или же в терминах ситуаций.
В ходе анализа отраслевого рынка, после определения его границ, вычисляют показатели концентрации. Из множества показателей чаще всего выбирают следующие:
Из множества показателей рынка труда, отметим еще продолжительность рабочей недели (Average Work Week) и среднечасовую оплату труда (Average Hourly Earnings).
Множества участников Множественной регрессии Максимизировать полезность Множество эффективных Множество дополнительных Множество конкретных Множество независимых Множество покупателей Множество продавцов Множество реализуемых Множество вариантов Мощностью двигателя Мощностей материальных вывоз мусора снос зданий
|
|
|
|
Навигация
