Опрос экспертов проводят в несколько этапов, как правило — анонимно. После очередного этапа от эксперта требуется не просто ранжировка, но и ее обоснование. Эти обоснования сообщаются всем экспертам перед очередным этапом без указания авторов обоснований.
Имеющийся опыт свидетельствует о возможностях существенно повысить представительность, обоснованность и, главное, достоверность суждений экспертов. В качестве “побочного эффекта” можно составить мнение о профессиональности каждого эксперта.
Как уже отмечалось в первой части нашего курса, в большинстве реальных больших систем не обойтись без учета “состояний природы” — воздействий стохастического типа, случайных величин или случайных событий. Это могут быть не только внешние воздействия на систему в целом или на отдельные ее элементы. Очень часто и внутренние системные связи имеют такую же, “случайную” природу.
Важно понять, что стохастичность связей между элементами системы и уж тем более внутри самого элемента (связь “вход-выход”) является основной причиной риска выполнить вместо системного анализа совершенно бессмысленную работу, получить в качестве рекомендаций по управлению системой заведомо непригодные решения.
Выше уже оговаривалось, что в таких случаях вместо самой случайной величины X приходится использовать ее математическое ожи-дание Mx. Все вроде бы просто — не знаем, так ожидаем. Но насколько оправданы наши ожидания? Какова уверенность или какова вероятность ошибиться?
Такие вопросы решаются, ответы на них получить можно — но для этого надо иметь информацию о законе распределения СВ. Вот и приходится на данном этапе системного анализа (этапе моделирования) заниматься статистического исследованиями, пытаться получить ответы на вопросы:
· А не является ли данный элемент системы и производимые им операции “классическими”?
· Нет ли оснований использовать теорию для определения типа распределения СВ (продукции, денег или информационных сообщений)? Если это так — можно надеяться на оценки ошибок при принятии решений, если же это не так, то приходится ставить вопрос иначе.
· А нельзя ли получить искомое распределение интересующей нас СВ из данных эксперимента? Если этот эксперимент обойдется дорого или физически невозможен, или недопустим по моральным причинам, то может быть “для рагу из зайца использовать хотя бы кошку” — воспользоваться апостериорными данными, опытом прошлого или предсказаниями на будущее, экспертными оценками?
Если и здесь нет оснований принимать положительное решение, то можно надеяться еще на один выход из положения.
Не всегда, но все же возможно использовать текущее состояние уже действующей большой системы, ее реальную “жизнь” для получения глобальных показателей функционирования системы.
Этой цели служат методы планирования эксперимента, теоретической и методологической основой которых является особая область системного анализа — т. н. факторный анализ, сущность которого будет освещена несколько позже.
Достаточно часто при анализе экономических систем приходится решать т. н. задачи массового обслуживания, возникающие в следующей ситуации. Пусть анализируется система технического обслужи-вания автомобилей, состоящая из некоторого количества станций различной мощности. На каждой из станций (элементе системы) могут возникать, по крайней мере, две типичных ситуации:
· число заявок слишком велико для данной мощности станции, возникают очереди и за задержки в обслуживании приходится платить;
· на станцию поступает слишком мало заявок и теперь уже приходится учитывать потери, вызванные простоем станции.
Ясно, что цель системного анализа в данном случае заключается в определении некоторого соотношения между потерями доходов по причине очередей и потерями по причине простоя станций. Такого соотношения, при котором математическое ожидание суммарных потерь окажется минимальным.
Так вот, специальный раздел теории систем — теория массового обслуживания, позволяет
· использовать методику определения средней длины очереди и среднего времени ожидания заказа в тех случаях, когда скорость поступления заказов и время их выполнения заданы;
· найти оптимальное соотношение между издержками по причине ожидания в очереди и издержками простоя станций обслуживания;
· установить оптимальные стратегии обслуживания.
Обратим внимание на главную особенность такого подхода к задаче системного анализа — явную зависимость результатов анализа и получаемых рекомендаций от двух внешних факторов: частоты поступления и сложности заказов (а значит — времени их исполнения).
Но это уже связи нашей системы с внешним миром и без учета этого факта нам не обойтись. Потребуется провести исследования потоков заявок по их численности и сложности, найти статистические показатели этих величин, выдвинуть и оценить достоверность гипотез о законах их распределения. Лишь после этого можно пытаться анализировать — а как будет вести себя система при таких внешних воздействиях, как будут меняться ее показатели (значение суммарных издержек) при разных управляющих воздействиях или стратегиях управления.
Очень редко при этом используется сама система, производится натуральный эксперимент над ней. Чаще всего такой эксперимент связан с риском потерь заказчиков или неоправданными затратами на создание дополнительных станций обслуживания.
Поэтому следует знать о таком особом подходе к вопросу моделирования систем как метод статистических испытаний или метод Монте Карло.
Вернемся к примеру с анализом работы станций обслуживания. Пусть у нас всего лишь одна такая станция и заранее известны:
l — средняя скорость поступления заказов и
m — средняя скорость выполнения заказов (штук в единицу времени), и таким образом задана величина b = l / m — интенсивность нагрузки станции.
Уже по этим данным оказывается возможным построить простейшую модель системы. Будем обозначать X число заказов, находящихся в очереди на обслуживании в единицу времени, и попытаемся построить схему случайных событий для определения вероятности P(X).
Событие — в очереди находятся точно X заказов может наблюдаться в одной из четырех ситуаций.
· В очереди было X заказов (A1), за это время не поступило ни одного нового заказа (A2) и за это же время не был выполнен ни один заказ из находящихся в работе (A3).
· В очереди было X - 1 заказов (B1), за это время поступил один новый заказ (B2) и за это же время не был выполнен ни один заказ из находящихся в работе (B3).
· В очереди было X + 1 заказов (C1), за это время не поступило ни одного нового заказа (C2) и за это же время был выполнен один заказ из находящихся в работе (C3).
· В очереди было X заказов (D1), за это время поступил один новый заказа (D2) и за это же время был выполнен один заказ из находящихся в работе (D3).
Такая схема событий предполагает особое свойство "технологии" нашей системы — вероятность поступления более одного заказа за рассматриваемую единицу времени и вероятность выполнения более одного заказа за то же время считаются равными 0.
Это не такое уж "вольное" допущение — длительность отрезка времени всегда можно уменьшить до необходимых пределов.
А далее все очень просто. Перемножая вероятности событий A1..3, B1..3, C1..3, D1..3, мы определим вероятности каждого из вариантов интересующего нас события — в течение заданного нами интервала времени длина очереди не поменялась..
Несложные преобразования суммы вероятностей всех четырех вариантов такого события приведут нас к выражению для вероятности длины очереди в X заказов:
P(X) = bx · (1-b), {3-13}
а также для математического ожидания длины очереди:
MX = b / (1-b). {3-14}
Оценить полезность такого моделирования позволят простые примеры. Пусть мы решили иметь всего лишь 50%-ю интенсивность нагрузки станции, то есть вдвое "завысили" ее пропускную способность по отношению к потоку заказов.