Виды тренажеров и их предназначение: Типы тренажеров. Как правильно заниматься в тренажерных залах? Программа занятий в тренажерном зале

4 типа имитационных моделей для использования в вашем бизнесе

В предыдущем посте мы определили моделирование как «репликация реального процесса или события в среде, которая изолирована или отключена от своего реального аналога».

Основная идея состоит в том, чтобы увидеть, как реальная система может взаимодействовать с набором новых условий или правил. Эти условия / правила могут включать в себя новую модель внедрения (например, переход на бережливое производство) или проблемы (такие как поздняя отгрузка, всплеск покупательского трафика и т. Д.).

Вы можете выбирать из широкого диапазона имитационных моделей. Ваш выбор зависит от характера вашей реальной системы, ваших требований и ожидаемых бизнес-результатов.

В этой статье мы рассмотрим 4 ведущих типа имитационных моделей .

Ведущие Типы имитационных моделей

1. Монте-Карло / Моделирование анализа рисков

Проще говоря, моделирование Монте-Карло — это метод анализа рисков.Компании используют его до реализации крупного проекта или изменения процесса, такого как производственная сборочная линия.

Построенный на основе математических моделей, анализ Монте-Карло использует эмпирические данные о реальных входах и выходах системы (например, поступление предложения и выход продукции). Затем он определяет неопределенности и потенциальные риски с помощью распределения вероятностей.

Преимущество моделирования на основе Монте-Карло заключается в том, что оно обеспечивает осведомленность и полное понимание потенциальных угроз для вашей прибыли и времени выхода на рынок.

Моделирование методом Монте-Карло можно реализовать практически в любой отрасли или области, включая нефть и газ, производство, инжиниринг, управление цепочками поставок и многие другие.

2. Агентное моделирование и моделирование

Агентное моделирование — это модель, которая исследует влияние «агента» на «систему» ​​или «среду». Проще говоря, просто подумайте о влиянии нового лазерный резак или другое заводское оборудование есть на вашей производственной линии.

«Агентом» в агентных моделях могут быть люди, оборудование и практически все остальное.Моделирование включает в себя «поведение» агента, которое служит правилами того, как эти агенты должны действовать в системе. Затем вы посмотрите, как система реагирует на эти правила.

Однако вы должны строить свои правила на основе реальных данных — в противном случае вы не получите точных сведений. В некотором смысле, он служит средством для изучения предлагаемого изменения и выявления потенциальных рисков и возможностей.

Наши специалисты по имитационному моделированию помогут
Вам сократить расходы и выявить риски

Свяжитесь с нами

3.Имитация дискретных событий

Имитационная модель дискретных событий позволяет вам наблюдать за конкретными событиями, которые приводят к вашим бизнес-процессам. Например, типичный процесс технической поддержки предполагает, что конечный пользователь звонит вам, ваша система принимает и назначает звонок, а ваш агент принимает звонок.

Вы можете использовать имитационную модель дискретных событий, чтобы изучить этот процесс технической поддержки. Вы можете использовать имитационные модели дискретных событий для изучения многих типов систем (например,g., здравоохранение, производство и т. д.), а также для различных результатов.

Например, Медицинский центр Небраски использовал модели дискретного моделирования событий, чтобы увидеть, как он может устранить узкие места в рабочем процессе, повысить коэффициент использования операционных и сократить расстояние и время перемещения пациента / хирурга.

4. Решения для имитационного моделирования системной динамики

Это очень абстрактная форма имитационного моделирования. В отличие от агентного моделирования и моделирования дискретных событий, системная динамика не включает конкретных деталей о системе.Таким образом, для производственного предприятия эта модель не будет учитывать данные об оборудовании и рабочей силе.

Скорее, компании будут использовать модели системной динамики для моделирования долгосрочного стратегического представления всей системы.

Другими словами, приоритетом является получение информации на агрегированном уровне обо всей системе в ответ на действие — например, сокращение капитальных затрат, прекращение линейки продуктов и т. Д.

Подробнее о том, как использовать моделирование для Снижение затрат и увеличение прибыли:

Как видите, каждая имитационная модель имеет свои преимущества и, как следствие, служит определенной цели.Выбор подходящей модели для ваших нужд — что для некоторых является сложной задачей — это только первый шаг, вам также потребуется определенный набор инструментов и опыта.

В MOSIMTEC мы помогаем компаниям снизить дорогостоящие риски и достичь ключевых бизнес-результатов, привнося необходимые им знания и инструменты в области имитационного моделирования. Позвоните нам сегодня .

Введение в типы моделирования

Выбор правильных типов моделирования для вашего проекта

Перед тем, как приступить к построению любой имитационной модели для данного проекта, становится критически важным определить типы моделирования, которые лучше всего подходят для системы. смоделирован.

Будет ли система развиваться со временем?

Будут ли системные агенты взаимодействовать друг с другом и со своей средой?

Смогут ли агенты адаптироваться к новым условиям, изменив, таким образом, свои модели принятия решений? Будет ли система моделироваться динамической или сложной?

В этом блоге мы рассмотрим наиболее популярные типы симуляции, широко используемые профессионалами и учеными для проведения симуляционных исследований.

Моделирование дискретных событий (DES)

Изображение от Ocean Ng доступно на Unsplash

Это один из типов моделирования, который моделирует систему как последовательность или серию событий.В моделировании дискретных событий каждый шаг процесса является событием. Переменные (например, количество ресурсов, время обработки и т. Д.) Изменяются в отдельные моменты времени. С математической точки зрения можно сказать, что система может изменяться только в счетное число моментов времени; такими точками являются те, в которых происходит событие (то есть мгновенное событие, которое может изменить состояние системы).

В связи с динамической природой моделей DES, аналитики моделирования должны отслеживать текущее значение моделируемого времени в процессе моделирования; кроме того, им нужен механизм для перехода от одного значения к другому в моделируемом времени.

Часы имитации — это переменная в имитационной модели, которая дает текущее значение имитируемого времени.

Опережение времени следующего события и опережение времени с фиксированным приращением — это два основных подхода, предлагаемых для опережения имитационных часов в модели DES.

Агентное моделирование (ABS)

Агентное моделирование

Это один из типов моделирования, в котором объекты (агенты) существенно взаимодействуют с другими объектами и их средой.

ABS рассматриваются как разновидность DES, поскольку практически в ABS изменения состояния происходят в счетное количество моментов времени.

Агенты — это автономные «объекты», которые могут определять свою среду и других агентов в ней и использовать эту информацию при принятии решений.

У них есть атрибутов и набор правил if / else, которые используются для определения их поведения . Агенты также изучают (т.е. получают лучшее понимание статуса других агентов и их среды), а адаптируют к поведению (т.е. изменить свои критерии и правила принятия решений) в течение длительного времени, что требует от них некоторой формы памяти.

ABS использует восходящий подход к моделированию; акцент делается на описании поведения и взаимодействия отдельных агентов. Модели ABS лучше работают в объектно-ориентированном программном пакете (например, Java), поскольку они позволяют создавать экземпляры переменных (или данных ), которые соответствуют атрибутам агентов, и методов , которые соответствуют их поведению.

Некоторые ситуации, когда можно использовать ABS, включают:

• Когда в системе есть сущности, которые естественно взаимодействуют с друг с другом и их средой
• Когда для сущностей важно изучить и адаптировать свое поведение к внешним обстоятельствам
• Когда логика и движение сущностей зависит от ситуационной осведомленности (т. е. восприятия своей среды), а не от фиксированного «сценария».

AmyLogic, коммерческий программный пакет моделирования, продаваемый компанией AnyLogic, поддерживает ABS, DES и системную динамику или их комбинацию. Поведение агентов разрабатывается с использованием диаграмм состояний, блок-схем процессов или уравнений системной динамики и может быть расширено путем написания кода Java.

System Dynamics

Systems Dynamics

Это тип непрерывного моделирования , используемый для разработки и улучшения бизнес-стратегий, государственной политики и военного планирования.

Считается нисходящим подходом к моделированию системы, обычно с помощью детерминированных моделей , но с возможностью включения случайных компонентов.

AnyLogic представляет собой наиболее часто используемое программное обеспечение для разработки и анализа моделей системной динамики.

В любой модели системной динамики есть три ключевых компонента:

• Запасы : они представляют собой накопление «ресурса» (например, население, запасы или уровень жидкости в запасах).Запасы представлены прямоугольниками (или контейнерами) на складе и блок-схеме .
• Потоки : это потоки ресурса в запас или из него. Потоки представлены толстыми двухлинейными стрелками (или трубами) с наложенным дроссельным клапаном, который регулирует скорость потока через трубу.
• Информационные ссылки : они передают информацию от запаса к клапану потока и обычно представлены тонкой изогнутой стрелкой.

О SimWell

В SimWell мы знаем, что вы новаторский бизнес-лидер, и ваша задача — принимать уверенные и обоснованные решения. Проблема в том, что у вас есть сложная операция с бесконечным количеством переменных и взаимодействий, которые просто не подходят для сводной таблицы. Это оставляет вас совершенно не в восторге от инструментов прогнозирования, имеющихся в вашем распоряжении, и в полной мере ошеломляет надвигающимися масштабными решениями.

Мы понимаем всепоглощающую природу важных решений и бессонных ночей, которые обязательно последуют за ними.Мы знаем, какое давление вы испытываете, и готовы помочь. Вам нужны НАСТОЯЩИЕ ответы, основанные на сложности вашей операции. С передовым программным обеспечением для моделирования от SimWell вы получите именно это.

Мы помогаем вам точно прогнозировать результат ваших решений, возвращая годы проб и ошибок, экономя ваши бесчисленные расходы и давая вам возможность стать новаторским бизнес-лидером. Перемотайте вперед важные решения с SimWell.

Электронная почта : [электронная почта защищена] | Телефон : +1 (412) 218–0913

Веб-сайт | YouTube | LinkedIn | Facebook

Что такое имитационное моделирование (и как оно работает)?

Содержание
Моделирование в CAD
Кто использует имитационное моделирование?
Ключевые преимущества имитационного моделирования
Проблемы моделирования

С момента создания U.Патентная система S. с 1790 по 1880 год, Патентное ведомство требовало, чтобы каждая заявка на патент подавалась с масштабной моделью изобретения. Модели, обычно сделанные из дерева высококвалифицированными плотниками, давали патентным экспертам что-то осязаемое для использования при оценке новизны каждой патентной идеи.

Требование модели было давно отменено, но моделирование продолжало играть важную роль в исследованиях, разработках и инновациях. Производители автомобилей, архитекторы и авиаконструкторы уже давно используют мелкомасштабные модели своих идей — отчасти для того, чтобы почувствовать, как они будут выглядеть в «реальной жизни», но также для исследования рынка и инженерных испытаний, таких как аэродинамические испытания в аэродинамические трубы.

Однако у физических моделей есть недостатки. Их изготовление часто требует времени и затрат — важный фактор, когда новинка выходит на рынок первым, и это может означать разницу между коммерческим успехом и неудачей. Кроме того, некоторые модели, которые обязательно меньше и легче, могут не вести себя при тестировании так же, как их полноразмерные аналоги, что приводит к неверным данным и дизайну, который не оправдывает ожиданий.

К счастью, достижения в области программного обеспечения автоматизированного проектирования (САПР) и производительности компьютерного оборудования позволили использовать виртуальные модели.Объекты можно не только проектировать на компьютере и визуально отображать с помощью рендеринга трехмерной графики, но и тестировать в смоделированных физических условиях с помощью того же программного обеспечения САПР, в котором они были разработаны.

Моделирование в CAD

Традиционное использование программного обеспечения САПР при разработке систем касалось только размера и формы объекта, будь то крошечная часть машины или гигантский корабль, самолет или здание. Но пользователи программного обеспечения САПР, осознав ценность моделирования, начали требовать возможности тестировать свои виртуальные объекты в виртуальных средах, и разработчики программного обеспечения САПР были счастливы удовлетворить их.

Чтобы протестировать виртуальный объект в условиях, максимально приближенных к реальному миру, недостаточно просто знать размер и форму объекта. Вам также необходимо знать его физические свойства, и вы должны иметь возможность представить эти свойства в компьютерной модели. Кроме того, вам необходимо знать, как эти свойства влияют на производительность тестируемого объекта. Обычно это делается с помощью уравнений, то есть математической модели поведения системы, учитывающей ее форму, размер и свойства материала.

Например, при тестировании виртуального самолета важно знать, как воздух, обтекающий крыло, создает подъемную силу. У нас есть хорошо зарекомендовавший себя набор математических уравнений для обработки физики крыловых профилей, и они могут быть включены в представление системы в САПР. Кроме того, материалы, используемые в крыле, важны, потому что они определяют, насколько тяжело крыло и как оно изгибается и изгибается под нагрузкой и в различных ситуациях, таких как взлет, посадка и турбулентность.Таким образом, физические свойства, такие как коэффициент трения и различные параметры, определяющие прочность конструкции крыла, также должны быть включены в модель.

Важным подходом к имитационному моделированию в САПР является использование моделирования методом конечных элементов (FEM). Физические явления часто описываются сложными уравнениями, которые непрактично или невозможно решить для каждой точки объекта. FEM решает эту проблему, разделяя объект на небольшие трехмерные фрагменты; Программное обеспечение САПР позволяет создавать сетку , — процесс создания трехмерной сетки внутри объекта для определения подразделений.

Создание сетки с помощью 3D Precise Mesh

Имея математическую модель и сетку, можно проводить тестирование модели с помощью множества смоделированных экспериментов в нескольких виртуальных сценариях. Кроме того, дизайн можно настроить, а моделирование можно запускать повторно, что часто непрактично в реальной системе.

Кто использует имитационное моделирование?

Имитационное моделирование используется во всех инженерных дисциплинах и в широком спектре отраслей, а также в академических кругах.Вот несколько примеров:

• Электрохимия : Исследователи в области аккумуляторных технологий нового поколения используют моделирование для разработки новых микро- и наноразмерных материалов для увеличения емкости аккумулятора, сокращения времени зарядки, увеличения общего срока службы аккумулятора (циклы заряда-разряда) и повышения безопасности аккумулятора.
• Телекоммуникации : Разработчики телекоммуникационного оборудования 5G используют моделирование для всего, от проектирования антенн базовых станций для максимальной дальности до определения размещения базовых станций для максимального покрытия и решения проблем в предоставлении услуг в движущихся поездах и автобусах.Разработчики также тестируют новые протоколы связи, моделируя базовые станции, мобильные устройства и алгоритмы в различных сценариях связи.
• Геология : Понимая математические взаимосвязи между различными типами почв, горных пород и подземных структур, геологи и сейсмологи могут использовать моделирование для прогнозирования влияния различных типов землетрясений на количество возможных поверхностных сотрясений.
• Оптика : инженеры могут моделировать оптические свойства материалов, в том числе так называемых метаматериалов, поверхность которых имеет наноразмерный дизайн, изменяющий их свойства, для разработки и тестирования новых линз и других оптических инструментов для множества различных приложений.

Важно отметить, что имитационное моделирование не ограничивается проектированием и тестированием физических объектов, хотя эти приложения поддаются моделированию в программном обеспечении САПР. Бизнес-процессы также могут быть смоделированы и смоделированы для проверки их производительности. Используя моделирование и симуляцию, бизнес может получить ответы на такие вопросы, как:

• Сколько сотрудников службы технической поддержки мне нужно укомплектовать? Нужно ли мне временно добавлять персонал для запуска крупного продукта?
• Если я добавлю к своей группе логистики клерка по доставке, как это повлияет на нашу работу по выполнению заказов?
• Если мы добавим линейку продуктов, сможет ли наша производственная инфраструктура удовлетворить дополнительный спрос, или мне нужно будет добавить производственную линию и персонал? Что, если вместо этого я передам производство на аутсорсинг?
• Если я автоматизирую производственный процесс, сможет ли склад принять дополнительную продукцию?

Ключевые преимущества моделирования

Имитационное моделирование — как в инженерных, так и в бизнес-дисциплинах — может принести множество преимуществ организациям, которые его используют.Основные преимущества:

• Более короткие циклы проектирования и тестирования : Возможность изменять и повторно тестировать виртуальный дизайн означает, что вам не нужно тратить время (или деньги) на создание и тестирование нескольких итераций прототипа. Вы можете выбрать проект, который удовлетворяет требованиям моделирования, прежде чем строить реальный прототип.
• Больше (и более реалистичных) сценариев тестирования : С физическими прототипами не всегда можно протестировать все возможные рабочие условия.В моделировании, однако, нет практических ограничений для сценариев работы, которые можно моделировать и тестировать.

Таким образом, имитационное моделирование имеет преимущества перед более традиционными подходами, такими как анализ данных, прогнозирование и оптимизация. Эти подходы гораздо более теоретические и основаны на различных предположениях о поведении объекта. С симуляцией вам не нужно столько предположений — с правильной математической моделью вы можете пробовать разные сценарии и точно знать, каким будет поведение.

Проблемы моделирования

Однако имитационное моделирование

не обходится без проблем. Если вы не понимаете ограничений своей модели, вас может убаюкать ложное чувство безопасности, что все результаты вашего моделирования на 100% надежны. Это может привести к плачевным результатам. Вот некоторые общие проблемы с симуляцией:

Действительность математической модели : Некоторые модели, такие как упомянутый ранее аэродинамический профиль, имеют четко определенные уравнения, описывающие их поведение.В других ситуациях дизайнеры открывают новые возможности и не имеют достаточного объема фундаментальных исследований для построения математической модели. В этом случае уравнения могут быть основаны больше на догадках и ограниченном количестве эмпирических данных, а не на обобщенных физических отношениях. В этой ситуации достоверность модели может быть сомнительной, а надежность результатов моделирования может ухудшиться.

Мусор на входе, мусор на выходе: Использование неверных параметров, очевидно, приведет к плохим результатам.Кроме того, в некоторых случаях физический параметр — это не одно число, а диапазон значений с определенным распределением. Эта изменчивость должна быть должным образом учтена в модели.

Компромиссы : Для сложных систем, особенно тех, которые моделируются с помощью FEM, разработчикам часто приходится принимать решения относительно компромисса между точностью и временем или вычислительной мощностью. Чрезвычайно подробные модели могут потребовать гораздо больше времени и вычислительных мощностей для моделирования, чем есть в наличии.Тем не менее, облачные вычисления предоставляют дополнительные вычислительные мощности по разумной цене для задач моделирования.

Как компании преодолевают эти проблемы? Помимо проблемы вычислительной мощности, надежность результатов моделирования зависит от надлежащей проверки и аккредитации модели. К счастью, объем знаний о том, как правильно строить имитационные модели и проводить верификацию моделей, постоянно растет, и специалисты по имитационному моделированию могут помочь убедиться, что данная модель определена достаточно подробно, чтобы максимально соответствовать реальности.

По мере снижения стоимости и упрощения использования программных пакетов САПР и других программ для моделирования имитационное моделирование становится важным инструментом в коммерческих компаниях. Если ваша организация еще не использует имитационное моделирование в некоторых аспектах своей деятельности, скорее всего, скоро это произойдет.

Агентное моделирование: методы и методы моделирования человеческих систем

Аннотация

Агентное моделирование — это мощный метод имитационного моделирования, который за последние несколько лет нашел применение в ряде приложений, включая приложения для решения реальных бизнес-задач. .После краткого ознакомления с основными принципами агентно-ориентированного моделирования обсуждаются четыре области его применения с использованием реальных приложений: имитация потока, организационная симуляция, рыночная симуляция и диффузионная симуляция. Для каждой категории описывается и анализируется одно или несколько бизнес-приложений.

В агентном моделировании (ABM) система моделируется как совокупность автономных субъектов, принимающих решения, называемых агентами. Каждый агент индивидуально оценивает свою ситуацию и принимает решения на основе набора правил.Агенты могут выполнять различные действия, соответствующие системе, которую они представляют, например, производить, потреблять или продавать. Повторяющиеся конкурентные взаимодействия между агентами — это особенность агентно-ориентированного моделирования, которое опирается на возможности компьютеров для исследования динамики, недоступной для чистых математических методов (1, 2). На простейшем уровне агент-ориентированная модель состоит из системы агентов и отношений между ними. Даже простая агентно-ориентированная модель может демонстрировать сложные модели поведения (3) и предоставлять ценную информацию о динамике реальной системы, которую она имитирует.Кроме того, агенты могут развиваться, позволяя проявиться непредвиденному поведению. Сложная ABM иногда включает нейронные сети, эволюционные алгоритмы или другие методы обучения, чтобы обеспечить реалистичное обучение и адаптацию.

ABM — это больше мышление, чем технология. Образ мышления ABM состоит из описания системы с точки зрения составляющих ее единиц. Ряд исследователей считают, что альтернативой ABM является традиционное моделирование дифференциальными уравнениями; это неверно, поскольку набор дифференциальных уравнений, каждое из которых описывает динамику одной из составляющих системы, является агентно-ориентированной моделью.Синонимом ABM может быть микроскопическое моделирование, а альтернативой — макроскопическое моделирование. Поскольку образ мышления ABM начинает пользоваться значительной популярностью, сейчас хорошее время, чтобы пересмотреть, почему он полезен и когда следует использовать ABM. Это вопросы, которые рассматриваются в данной статье: сначала анализируется и классифицируется преимущества ABM, а затем приводится ряд примеров, в которых преимущества будут четко описаны. Что читатель сможет унести домой, так это четкое представление о том, когда и как использовать ПРО.Одна из причин, лежащих в основе популярности ABM, — это простота реализации: действительно, если кто-то услышал об ABM, легко запрограммировать агентную модель. Поскольку эту технику легко использовать, можно ошибочно думать, что ее легко освоить. Но хотя ABM технически проста, она также глубока в концептуальном плане. Эта необычная комбинация часто приводит к неправильному использованию ПРО.

Преимущества агентного моделирования.

Преимущества ABM по сравнению с другими методами моделирования можно описать в трех утверждениях: ( i ) ABM фиксирует возникающие явления; ( ii ) ABM обеспечивает естественное описание системы; и ( iii ) ABM является гибким.Однако ясно, что способность ABM справляться с возникающими явлениями — вот что движет другими преимуществами.

ABM фиксирует возникающие явления.

Эмерджентные явления возникают в результате взаимодействия отдельных сущностей. По определению, они не могут быть сведены к частям системы: целое больше, чем сумма ее частей из-за взаимодействия между частями. Возникающее явление может иметь свойства, не связанные со свойствами детали. Например, затор, возникающий в результате поведения и взаимодействия отдельных водителей транспортных средств, может двигаться в направлении, противоположном направлению движения автомобилей, которые его вызывают.Эта характеристика эмерджентных явлений затрудняет их понимание и предсказание: эмерджентные явления могут быть нелогичными. Многочисленные примеры нелогичных эмерджентных явлений будут описаны в следующих разделах. ABM по самой своей природе является каноническим подходом к моделированию эмерджентных явлений: в ABM один моделирует и моделирует поведение составляющих единиц системы (агентов) и их взаимодействия, фиксируя возникновение снизу вверх при запуске симуляции.

Вот простой пример возникающего явления с участием людей. Это игра, в которую легко играть с группой от 10 до 40 человек. Один просит каждого члена аудитории случайным образом выбрать двух человек, человека A и человека B. Затем один просит их двигаться, чтобы они всегда держали A между собой и B, чтобы A был их защитником от B. казалось бы, случайная мода, и скоро начнут спрашивать, зачем они это делают. Затем их просят переместиться так, чтобы они оставались между A и B (они — Защитники).Результаты поразительны: почти мгновенно вся комната взорвется, и все сгруппируются в плотный узел. Этот пример показывает, как простые индивидуальные правила могут привести к согласованному групповому поведению, как небольшие изменения в этих правилах могут иметь драматическое влияние на групповое поведение и как интуиция может быть очень плохим ориентиром для результатов, выходящих за рамки очень ограниченного уровня сложности. Коллективное поведение группы — явление возникающее. Используя простое моделирование на основе агентов (доступно на сайте www.icosystem.com/game.htm), в котором каждый человек моделируется как автономный агент, следующий правилам, можно фактически предсказать возникающее коллективное поведение. Хотя это простой пример, когда индивидуальное поведение не меняется со временем, ABM позволяет иметь дело с более сложным индивидуальным поведением, включая обучение и адаптацию.

Можно использовать ABM, когда есть потенциал для эмерджентных явлений, например, когда:

• Индивидуальное поведение нелинейно и может быть охарактеризовано пороговыми значениями, правилами «если-то» или нелинейной связью.С помощью дифференциальных уравнений сложно описать прерывистость в индивидуальном поведении.

• Индивидуальное поведение проявляет память, зависимость от пути и гистерезис, немарковское поведение или временные корреляции, включая обучение и адаптацию.

• Взаимодействия агентов неоднородны и могут создавать сетевые эффекты. Уравнения совокупного потока обычно предполагают глобальное однородное перемешивание, но топология сети взаимодействия может привести к значительным отклонениям от прогнозируемого поведения агрегата.

• Средние не подойдут. Агрегированные дифференциальные уравнения имеют тенденцию сглаживать флуктуации, а не ABM, что важно, потому что при определенных условиях флуктуации могут усиливаться: система линейно устойчива, но нестабильна по отношению к большим возмущениям.

Интересно, что поскольку ABM порождает эмерджентные явления снизу вверх, возникает вопрос о том, что составляет объяснение такого явления. Более широкая повестка дня сообщества ABM состоит в том, чтобы отстаивать новый подход к социальным явлениям, не с точки зрения традиционного моделирования, а с точки зрения полного переопределения научного процесса.Согласно Эпштейну и Акстеллу (1), «[ABM] может изменить то, как мы думаем об объяснении в социальных науках. Что составляет объяснение наблюдаемого социального явления? Возможно, однажды люди интерпретируют вопрос «Можете ли вы объяснить это?» Как вопрос: «Сможете ли вы вырастить это?» ».

ABM обеспечивает естественное описание системы.

Во многих случаях ABM наиболее естественен для описания и моделирования системы, состоящей из «поведенческих» сущностей. Пытаетесь ли вы описать пробку, фондовый рынок, избирателей или то, как работает организация, ABM приближает модель к реальности.Например, более естественно описать, как покупатели перемещаются в супермаркете, чем придумывать уравнения, которые управляют динамикой плотности покупателей. Поскольку уравнения плотности являются результатом поведения покупателей, подход ABM также позволит пользователю изучать совокупные свойства. ABM также позволяет реализовать весь потенциал данных, которые компания может иметь о своих клиентах: панельные данные и опросы клиентов предоставляют информацию о том, что на самом деле делают реальные люди.Знание фактической корзины покупок клиента позволяет создать виртуального агента с этой корзиной для покупок, а не с плотностью людей с синтетической корзиной для покупок, вычисленной на основе усреднения данных о покупках.

Различие между бизнес-процессами и действиями — еще один пример того, насколько естественнее ABM. Бизнес-процесс — это абстракция, иногда полезная, с которой людям внутри организации часто трудно понять. ABM смотрит на организацию с точки зрения не бизнес-процессов, а деятельности, то есть того, что на самом деле делают люди внутри организации (рис.1).

Рис. 1.

Иллюстрация бизнес-процесса и представлений агентов о бизнесе.

Эти два описания, конечно, должны быть взаимно согласованными. Описание бизнес-процесса фактически предоставляет разработчику модели полезную проверку согласованности. Однако когда дело доходит до заполнения, проверки и калибровки модели, сотрудникам внутри организации легче отвечать на вопросы о своей деятельности: они могут относиться к модели, потому что модели описывают их действия.

Можно использовать ABM, когда описание системы с точки зрения деятельности составляющих ее единиц является более естественным, например, когда:

• Поведение людей не может быть четко определено с помощью совокупных скоростей перехода.

• Индивидуальное поведение сложно. В принципе, с помощью уравнений можно сделать все, но сложность дифференциальных уравнений экспоненциально возрастает по мере увеличения сложности поведения. Описание сложного индивидуального поведения с помощью уравнений становится трудноразрешимым.

• Действия — более естественный способ описания системы, чем процессы.

• Проверка и калибровка модели на основе экспертной оценки имеют решающее значение. ABM часто является наиболее подходящим способом описания того, что на самом деле происходит в реальном мире, и эксперты могут легко «подключиться» к модели и получить чувство «собственности».

• Стохастичность применяется к поведению агентов. С помощью ABM источники случайности применяются в нужных местах, в отличие от шумового члена, добавляемого более или менее произвольно к совокупному уравнению.

ABM гибкий.

Гибкость ABM можно наблюдать во многих измерениях. Например, в агентную модель легко добавить больше агентов. ABM также обеспечивает естественную основу для настройки сложности агентов: поведения, степени рациональности, способности учиться и развиваться, а также правил взаимодействия. Еще одним аспектом гибкости является возможность изменять уровни описания и агрегирования: можно легко играть с агрегированными агентами, подгруппами агентов и отдельными агентами, с разными уровнями описания, сосуществующими в данной модели.Кто-то может захотеть использовать ABM, когда соответствующий уровень описания или сложности неизвестен заранее, и его поиск требует некоторых усилий.

Области применения.

Примеры возникающих явлений изобилуют социальными, политическими и экономическими науками. Постепенно стало общепризнанным, что некоторые явления трудно предсказать или даже противоречить здравому смыслу. В контексте бизнеса ситуации, представляющие интерес, когда могут возникать новые явления, можно разделить на четыре области:

1. Потоки: эвакуация, движение и управление потоками клиентов.

2. Рынки: фондовый рынок, торговые роботы и программные агенты, а также стратегическое моделирование.

3. Организации: операционный риск и организационная структура.

4. Распространение: распространение инноваций и динамика внедрения.

Остальная часть статьи построена вокруг этих областей применения.

Потоки

Эвакуация.

Паническое бегство толпы, вызванное паникой, часто приводит к гибели людей, когда людей раздавливают или топчут.Такие явления могут возникать в опасных для жизни ситуациях, таких как пожары в многолюдных зданиях, или могут возникать из-за спешки за сиденьями, а иногда и без всякой причины. Недавние примеры включают панику в Хараре, Зимбабве, и на рок-концерте в Роскилле в Дании. Частота таких бедствий, по-видимому, увеличивается, поскольку растущая плотность населения в сочетании с более легким транспортом приводит к увеличению масштабов массовых мероприятий, таких как популярные концерты, спортивные мероприятия и демонстрации. Паникующие люди одержимы краткосрочными личными интересами, не контролируемыми социальными и культурными ограничениями.Снижение внимания в ситуациях страха также приводит к тому, что такие альтернативы, как боковые выходы, по большей части игнорируются. Кроме того, существует социальная инфекция, то есть переход от индивидуальной психологии к массовой, при которой люди передают контроль над своими действиями другим, что приводит к конформизму. Такое иррациональное пастушеское поведение часто приводит к плохим общим результатам, таким как опасная перенаселенность и более медленный побег, увеличение смертности или, в более общем плане, ущерба. С точки зрения агентов, коллективное паническое поведение — это возникающее явление, которое является результатом относительно сложного поведения на индивидуальном уровне и взаимодействий между людьми (гипнотический эффект, взаимное возбуждение изначального инстинкта, круговые реакции и социальная помощь).ПРО кажется идеально подходящей для получения ценной информации о механизмах и предпосылках паники и помех из-за несогласованности действий. Результаты моделирования (4, 5) предлагают практические способы минимизировать вредные последствия таких событий и существование оптимальной стратегии ухода. Например, рассмотрим ситуацию пожарной лестницы в замкнутом пространстве: кинотеатр или концертный зал. Предположим, что доступен один выход. Как увеличить отток людей? Сужая проблему, можно спросить: каков эффект от установки колонны (столба) непосредственно перед выходом, слегка асимметрично (например, слева от выхода), примерно в 1 м от выхода? Интуитивно можно было подумать, что колонна замедлит отток людей.Однако ABM, подкрепленная реальными экспериментами, показывает, что колонка регулирует поток, что приводит к уменьшению количества травмированных людей и значительному увеличению потока, особенно если предположить, что раненые не могут двигаться и препятствовать потоку (4). Этот результат является примером противоречивого следствия возникающего явления: кому придет в голову поставить колонну перед аварийным выходом? ABM естественным образом фиксирует это возникающее явление (рис. 2).

Рис. 2.

Агентное моделирование эвакуации при пожаре (живое моделирование доступно на сайте www.helbing.org). Люди представлены кружками, зелеными кружками — раненые. В симуляциях предполагается, что в комнате находится 200 человек. ( a ) Без столбца. ( b ) С колонкой, через 10 с. ( c ) С колонкой, через 20 с. При отсутствии колонны 44 человека убегают и 5 ранены через 45 с; с колонны сбегают 72 человека, и через 45 с никто не пострадал. После Helbing et al. (4).

Управление потоками.

Очевидным приложением ABM для управления потоками является трафик.Один из самых амбициозных проектов моделирования в этой области уже несколько лет осуществляется в Лос-Аламосской национальной лаборатории (LANL) (transims.tsasa.lanl.gov). Команда из отдела оценки технологий и безопасности LANL разработала пакет программного обеспечения для моделирования дорожного движения, чтобы создать продукты, которые можно использовать в городских агентствах по планированию по всей стране. Пакет ABM TRansportation ANalysis SIMulation System (TRANSIMS) предоставляет планировщикам синтетические модели повседневной активности населения (например, поездки на работу, в магазин, отдых и т. Д.)), моделирует движение отдельных транспортных средств в региональной транспортной сети и оценивает выбросы загрязняющих веществ в атмосферу, создаваемые движением транспортных средств. Информация о поездках извлекается из фактических данных переписи и обследований по конкретным районам в целевых городах, что дает более точное представление о передвижениях и распорядке дня реальных людей, когда они проводят целый день с различными доступными для них вариантами транспорта. TRANSIMS основан на (и вносит свой вклад в дальнейшее развитие) передовых программ компьютерного моделирования, разработанных Ливерморской национальной лабораторией для военных приложений.Модели TRANSIMS создают виртуальный мегаполис с полным представлением людей региона, их деятельности и транспортной инфраструктуры. Поездки планируются таким образом, чтобы удовлетворить потребности людей в активности. Затем TRANSIMS моделирует движение людей по транспортной сети, включая использование ими транспортных средств, таких как автомобили или автобусы, на посекундной основе. Этот виртуальный мир путешественников имитирует путешествия и поведение реальных людей в этом регионе.Взаимодействие отдельных транспортных средств создает реалистичную динамику движения, на основе которой аналитики, использующие TRANSIMS, могут оценить выбросы транспортных средств и оценить общую производительность транспортной системы. В предыдущем планировании перевозок у людей проводился опрос об элементах их поездок, таких как пункты отправления, назначения, маршруты, время и используемые виды транспорта или способы передвижения. TRANSIMS начинает с данных о деятельности людей и поездках, которые они совершают для выполнения этой деятельности, а затем строит модель спроса со стороны домохозяйств и видов деятельности.Модель прогнозирует, как изменения в транспортной политике или инфраструктуре могут повлиять на эти действия и поездки. TRANSIMS пытается уловить все важные взаимодействия между подсистемами путешествий, такие как индивидуальные планы действий и загруженность транспортной системы. Например, когда поездка занимает слишком много времени, люди находят другие маршруты, пересаживаются с машины на автобус или и наоборот, , уезжают в разное время или решают не заниматься определенной деятельностью в данном месте.Кроме того, поскольку TRANSIMS отслеживает отдельных путешественников — места, маршруты, используемые виды транспорта и насколько хорошо выполняются их планы поездок, — он может оценивать альтернативы транспортировки и надежность, чтобы определить, кто может выиграть, а кто может пострадать от изменений в транспорте. В первоначальных тематических исследованиях для демонстрации первой версии TRANSIMS использовалась часть региона Даллас / Форт-Уэрт площадью 25 квадратных миль. Используя существующие зональные данные о производстве / достопримечательностях Далласа / Форт-Уэрта, мероприятия и планы на ≈3.5 миллионов путешественников были сгенерированы на часы с 5:00 до 10:00. Из этих планов те, кто попадает в исследуемый регион площадью 25 квадратных миль, использовались в качестве входных данных для модуля моделирования для сравнения двух изменений инфраструктуры в отношении того, как каждый помогли облегчить заторы. Хотя обе альтернативы улучшили перегруженность и поток вдоль автострады, неожиданным результатом стало то, что альтернатива улучшения местных артерий превосходила альтернативу добавлению полос на автостраду с точки зрения надежности сети.Надежность сети — это мера ежедневной изменчивости времени в пути путешественников. Другими словами, если поездка на работу занимает от 10 до 30 минут, надежность сети низкая; если на это уходит от 10 до 12 минут, надежность сети высока. Команда недавно смоделировала столичный регион Портленд, штат Орегон, модель, которая требует 120 000 ссылок и 1,5 миллиона путешественников, что на порядок больше, чем моделирование Далласа / Форт-Уэрта из 10 000 ссылок и 200 000 путешественников.Преимущества подхода ABM очевидны: лучшее и более эффективное планирование инфраструктуры, включая не только лучшую пропускную способность, но и соответствие требованиям с точки зрения выбросов, благодаря способности ABM улавливать и воспроизводить возникающие явления движения.

Еще одно приложение ABM для управления потоками — моделирование поведения клиентов в тематическом парке или супермаркете. Коллективные шаблоны, генерируемые тысячами клиентов, могут быть чрезвычайно сложными по мере их взаимодействия: например, время ожидания у аттракциона в тематическом парке зависит от выбора других людей.Крупная курортная компания тематических парков думала о том, как улучшить адаптируемость графика работы, но знала, что это зависит от знания большего количества информации об оптимальном балансе вместимости и спроса. Акстелл и Эпштейн разработали ResortScape (13), агентную модель парка, которая дает целостную картину окружающей среды и всех взаимодействующих элементов, которые вступают в игру на таком курорте. Модель обеспечивает быстрый способ in silico для менеджеров определять, настраивать и наблюдать за воздействием любого количества рычагов управления, таких как:

• Когда или нужно ли выключить конкретную поездку.

• Как распределить аттракционы на душу населения по территории парка.

• Каков допустимый уровень времени ожидания.

• Когда продлить часы работы.

В моделировании агенты представляют реалистичное и изменчивое сочетание элементов предложения (аттракционы, магазины, пункты питания) и спроса (посетители с разными предпочтениями) дня в парке. Используя существующие ресурсы и данные, такие как опросы клиентов, исследования сегментации, таймеры очередей, счетчики посетителей, оценки посещаемости и показатели емкости, модель генерирует информацию о потоке гостей.Пользователи могут разрабатывать и запускать бесконечное количество сценариев для изучения динамики парковочного пространства, проверки эффективности различных управленческих решений и отслеживания удовлетворенности посетителей в течение дня.

ABM особенно полезен в этом контексте, потому что сопоставление между предпочтениями и поведением агентов, с одной стороны, и производительностью парка (с точки зрения среднего времени ожидания, количества посещенных достопримечательностей, общего пройденного расстояния и т. Д.) На другой слишком сложен, чтобы его можно было решить с помощью математических методов и чисто статистического анализа данных.Почему отображение слишком сложное? Потому что, например, время, в течение которого данный клиент должен ждать у данного аттракциона, зависит от того, что делают другие клиенты, как они реагируют на различные условия парка, каков их список желаний и т. Д. Поток клиентов в парке и деньги, которые они тратят, представляют собой «возникающие» свойства взаимодействия между клиентами и пространственной планировкой парка. Поэтому моделирование работы парка с заданной планировкой кажется единственным решением.ABM — самый естественный и простой способ описания системы, потому что действующими лицами этой системы являются заказчики (и влечения) с собственным поведением. Например, время ожидания в аттракционе тематического парка является результатом взаимодействия многих поведенческих единиц: клиентов. Наконец, данные, доступные разработчику модели, естественно структурированы для ABM: доступные данные представляют собой описание желаний и поведения ряда клиентов.

В том же духе Бильге, Венейблс и Касти разработали агентную модель супермаркета (www.simworld.co.uk) (6). SimStore — это модель настоящего британского супермаркета, магазина Sainsbury’s в Южном Руислипе в Западном Лондоне. Агенты в SimStore — это покупатели программного обеспечения, вооруженные списками покупок. Они ходят по кремниевому магазину, собирая товары с полок в соответствии с такими правилами, как принцип ближайшего соседа: «Где бы вы ни были, идите туда, где находится ближайший товар в вашем списке покупок». Используя эти правила, SimStore генерирует пути, по которым идут клиенты, на основе которых он может рассчитать плотность клиентов в каждом месте.

Также можно связать все точки, которые посетили, скажем, не менее 30% клиентов, чтобы сформировать наиболее популярный путь. Затем алгоритм оптимизации может изменить расположение различных товаров в супермаркете и, таким образом, минимизировать или максимизировать длину среднего пути совершения покупок. Покупатели, конечно, не хотят терять время, поэтому им нужен кратчайший путь. Но менеджер магазина хотел бы, чтобы они проходили почти у каждой полки, чтобы стимулировать импульсивные покупки. Таким образом, существует динамическое напряжение между минимальной и максимальной траекториями покупок.Первоначально эта модель была нацелена на то, чтобы помочь Sainsbury’s модернизировать свои магазины, чтобы увеличить поток покупателей, сократить запасы и сократить время нахождения продуктов на полках.

Macy’s — это сеть универмагов, использующая ABM (7). В 1997 году компания Macy’s East обратилась в PricewaterhouseCoopers со следующим вопросом: «Как мы узнаем, что у нас есть нужное количество продавцов в торговом зале?» По словам ветеранов отрасли, розничный бизнес — это бизнес средних значений, где анализ выполняется в виде таблиц.Это бизнес, в котором объем продаж в час является определяющим фактором при распределении продавцов, а количество продавцов, размещаемых в торговом зале, основывается на скорости продаж, прогнозируемой на конкретный день. И все же реальное поведение — это результат взаимодействия между людьми, а не усредненных значений. С помощью ABM у Macy’s появилась возможность использовать визуализацию для просмотра данных таким образом, чтобы они становились информативными и приводили к решениям. Средние значения данных электронной таблицы можно использовать для оценки распределения индивидуального поведения, поэтому отдельные агенты в моделировании согласуются с доступными реальными данными.Но поскольку агенты представляют людей, реальный ход их поведения может быть гораздо более реалистичным и информативным. Таким образом, вместо того, чтобы делать оценки сверху вниз, Macy’s может наблюдать, как объем на самом деле происходит снизу вверх. Виртуальный магазин может быть изменен с точки зрения планировки (полки, положения кассовых аппаратов, ворот и т. Д.) И количества сотрудников в каждом отделе, чтобы увидеть, как эти изменения влияют на эмоциональное состояние большого числа агентов. Затем можно исследовать пространство рычагов, чтобы максимально рентабельно увеличить количество довольных клиентов.Результаты модели включают наблюдение «микровзрывов» спроса, когда клиенты могут делать «покупки в рамках проекта» (например, покупают одежду и затем дополняют ее), важность близости к предметам (физическое размещение, а также привязанность к бренду. ), что помогает стимулировать импульсивные покупки.

Рынки

Динамика фондового рынка является результатом поведения многих взаимодействующих агентов, приводя к возникающим явлениям, которые лучше всего понять, используя восходящий подход — ABM.В последние несколько лет наблюдается всплеск интереса к агентным моделям рынков, стимулируемый новаторской работой Артура и его коллег (8, 9). Одно коммерческое приложение было разработано Bios Group для фондовой биржи Национальной ассоциации торговцев ценными бумагами (NASDAQ) (www.cbi.cgey.com/journal/issue4/features/future/future.pdf). В 1997 году фондовый рынок NASDAQ собирался осуществить серию, по-видимому, небольших изменений: уменьшение размера тиков с 1/8 до 1/16 и так далее до гроша.NASDAQ очень внимательно рассматривает изменения в торговой политике: NASDAQ может очень много потерять, если новое правило вызовет негативный отклик со стороны инвесторов, маркет-мейкеров и эмитентов в масштабах всей сети. В прошлом руководители NASDAQ анализировали финансовый рынок с помощью экономических исследований, финансовых моделей и отзывов участников рынка. Комитет по качеству рынка устанавливает правила в значительной степени благодаря вкладу экономистов, юристов, лоббистов и политиков.

Чтобы оценить влияние сокращения размера тиков, NASDAQ использовала агентную модель, которая имитирует влияние регуляторных изменений на финансовый рынок в различных условиях.Модель позволяет регулирующим органам тестировать и прогнозировать эффекты различных стратегий, наблюдать за поведением агентов в ответ на изменения и отслеживать развитие событий, обеспечивая заблаговременное предупреждение о непредвиденных последствиях недавно введенных правил быстрее, чем в режиме реального времени, и без риска раннего тестирования в реальном времени. рынок. В агентской модели NASDAQ маркет-мейкер и агенты инвесторов (институциональные инвесторы, пенсионные фонды, дневные трейдеры и случайные инвесторы) покупают и продают акции, используя различные стратегии.Доступ агентов к информации о ценах и объемах примерно такой же, как на реальном рынке, и их поведение варьируется от очень простых до сложных стратегий обучения. Нейронные сети, обучение с подкреплением и другие методы искусственного интеллекта использовались для создания стратегий для агентов. Этот творческий элемент важен, потому что регуляторы NASDAQ особенно заинтересованы в стратегиях, которые еще не были обнаружены участниками реального рынка, чтобы снова приблизиться к своей цели по разработке регулирующей структуры с как можно меньшим количеством лазеек, чтобы предотвратить злоупотребления со стороны коварных игроков.

Модель дала неожиданные результаты. В частности, моделирование предполагает, что уменьшение размера тика рынка может снизить способность рынка выполнять определение цены, что приводит к увеличению спреда между ценой покупки и продажи. Увеличение спреда в ответ на уменьшение размера тика противоречит здравому смыслу, поскольку размер тика является нижней границей спреда. Первоначально считалось, что внедрение десятичной дроби будет способствовать более узкому спреду, уменьшая расхождение между заявками и ценами предложения.В целом десятичное представление считалось очень эффективным и действенным. Среди профессионалов рынка бытует мнение, что обеспечение большей детализации ценового обозначения полезно для инвесторов, поскольку оно способствует конкуренции между покупателями и продавцами, которые могут вести переговоры на более точных условиях, и, таким образом, снижает спрэд рынка, что приводит к более выгодным ценам на товары и услуги. инвесторы. Эту мудрость сложно проверить эмпирически: сложность рыночного поведения делает выделение причины и следствия весьма проблематичным.Без компьютерного моделирования разработчики правил вынуждены прибегать к интуитивному и недостаточно подробному аргументу, оценивая взаимодействие на рынке только по одному критерию: конкуренции (и, следовательно, по цене). Остались без внимания другие аспекты проблемы: если доступны более выгодные цены, выиграют ли только мелкие инвесторы или крупные инвесторы тоже выиграют? Сделают ли меньшие размеры тиков рынок более нервным и нестабильным?

Табличная модель или даже системная динамика (10) (популярный метод бизнес-моделирования, использующий наборы дифференциальных уравнений) не смогли бы дать такое же глубокое понимание, как ABM, потому что поведение рынка возникает из взаимодействия игроков, которые, в свою очередь, могут изменить свое поведение в ответ на изменения на рынке.Взаимодействие между инвесторами, маркет-мейкерами и правила работы фондовой биржи NASDAQ делают динамику всей системы довольно трудной для понимания. Прогнозирование того, как это изменится в соответствии с новым набором операционных правил, не может основываться на интуиции или классических методах моделирования, поскольку они не подходят для описания сложности поведения агентов фондового рынка. Например, соотношение между размером тика и спредом можно понять, только приняв во внимание детали поведения инвесторов и маркет-мейкеров для моделирования процесса определения цены.

Фондовые рынки — не единственные рынки, которые можно лучше понять с помощью ABM. Например, такой подход может принести пользу аукционам. Действительно, электронные двойные аукционы с использованием интеллектуальных агентов сегодня имеют множество применений. eBay использует интеллектуальных агентов, позволяющих клиентам автоматизировать процесс торгов, но их можно было бы сделать гораздо более сложными, используя ABM для тестирования различных поведений роботов. Разработка интеллектуальных агентов с желаемыми совокупными свойствами может оказаться «приложением-убийцей», которое сделает кибер-мир предпочтительной средой для экономических транзакций.Shopbots — это интернет-агенты, которые автоматически ищут информацию, касающуюся цены и качества товаров и услуг. По мере того как распространенность торговых роботов в электронной коммерции увеличивается, результирующее сокращение экономических трений из-за снижения затрат на поиск может кардинально изменить поведение рынка. Некоторые предсказывают, что интеллектуальные агенты в конечном итоге преобразуют наш мир, что означает, что они могут торговать информацией, собирать информацию, переводить информацию и проводить для нас всевозможные переговоры в будущем.В конечном итоге транзакции между экономическими программными агентами будут составлять существенную и, возможно, даже доминирующую часть мировой экономики. Заманчиво предположить, что те же механизмы могут быть успешно применены к программным агентам. Но нужно быть очень осторожным с внедрением агентской технологии, поскольку агенты ведут себя так, как это все еще плохо изучено. Например, на аукционе с участием всех агентов цены имеют тенденцию расти, достигают пика, а затем внезапно резко падают, прежде чем тот же процесс начнется снова.Кепхарт из IBM и его коллеги изучают потенциальное влияние торговых роботов на динамику рынка, моделируя и анализируя агентную модель экономики торговых роботов, которая включает представления покупателей и продавцов программным агентом (11). Их модель похожа на те, которые изучаются экономистами, интересующимися, например, феноменом разброса цен, с различными исходными допущениями и методологией: здесь цель разработать экономических программных агентов, а не «просто» объяснить человеческие экономические факторы. поведение.В частности, они изучали агентскую экономику, в которой ( i ) затраты на поиск нелинейны; ( ii ) некоторая часть покупателей не использует механизмы поиска; и ( iii ) шоп-боты экономически мотивированы и стратегически оценивают свои информационные услуги так, чтобы максимизировать свою прибыль. В этих условиях они обнаружили, что рынки могут демонстрировать множество ранее не наблюдаемых динамических поведений, включая сложные лимитные циклы и сосуществование нескольких стратегий поиска покупателей.Робот-бот, взимающий с покупателей плату за информацию о ценах, может манипулировать рынками в своих интересах, иногда непреднамеренно принося пользу покупателям и продавцам.

Те же методы ABM, которые используются для изучения фондового рынка или коллективного поведения торговых роботов, могут применяться в ситуациях, когда есть много агентов, играющих в экономические игры. Это «теория игр без теории». Теория игр — отличная основа, но теоретики игр страдают от наложенных на себя ограничений: способность доказывать теоремы накладывает серьезные ограничения на то, что возможно.В частности, любая реальная ситуация может оказаться за пределами досягаемости теории. Аксельрод (2) утверждает, что агентно-ориентированная теория игр — единственный путь вперед.

Команда Icosystem Corporation смоделировала рынок интернет-провайдеров (ISP) с помощью ABM (www.icosystem.com). Агенты используются для представления как интернет-провайдеров, так и их клиентов. Каждый интернет-провайдер является агентом, а каждый клиент — агентом. Предложения интернет-провайдеров соответствуют потребностям и ожиданиям клиентов; клиенты принимают решения (принять, уйти или переключиться) в зависимости от соответствия между их профилями и профилями интернет-провайдеров.Одним из атрибутов интернет-провайдеров, среди многих других, является то, сколько они ежемесячно взимают за свои услуги. Интернет-провайдеры, которые не зарабатывают достаточно денег, устраняются в соответствии с «эволюционной» динамикой; те, которые успешны, порождают подражателей (то есть интернет-провайдеров с аналогичными бизнес-моделями), а также тонко настраивают свои собственные бизнес-модели. ABM дала два важных результата: ( i ) Она обнаружила бизнес-модель бесплатного интернет-провайдера (без ежемесячной платы). ( ii ) Он предсказал нестабильность бизнес-модели бесплатного интернет-провайдера: первый бесплатный интернет-провайдер, который появляется в симуляции, отличается от пакета тем, что предоставляет услуги без взимания ежемесячной платы и зарабатывает деньги на рекламе.Эти два свойства возникают из динамики взаимодействия между интернет-провайдерами через рынок. Поскольку интернет-провайдеры учатся и развиваются, было бы трудно получить это понимание, используя другие методы моделирования.

Организации

Перспективной областью применения ABM является организационное моделирование (12). Совершенно очевидно, что можно смоделировать возникающее коллективное поведение организации или части организации в определенном контексте или на определенном уровне описания.По крайней мере, процесс моделирования дает ценную качественную информацию. Но в некоторых случаях можно также генерировать полуколичественные идеи. Хорошей иллюстрацией этого является агентная модель операционного риска (www.businessinnovation.ey.com/events/pubconf/2000–04-28/ec5transcripts/BonabeauNivollet.pdf) (13).

Человеческая организация часто подвержена операционному риску. Рассмотрим финансовые учреждения. Операционный риск возникает из-за того, что неадекватные информационные системы, операционные проблемы, нарушения внутреннего контроля, мошенничество или непредвиденные катастрофы приведут к непредвиденным убыткам.Согласно Базельскому комитету по банковскому делу, операционный риск включает сбои во внутреннем контроле и корпоративном управлении, которые могут привести к финансовым потерям из-за ошибок, мошенничества или несвоевременной работы или привести к ущемлению интересов банка в других сферах. Таким образом, например, его дилеры, кредитные сотрудники или другие сотрудники превышают свои полномочия или ведут дела неэтичным или рискованным образом. Это все чаще рассматривается как самый важный риск, с которым сталкиваются банки.Примеры крупных операционных убытков включают Daiwa, Sumitomo, Barings, Salomon, Kidder Peabody, Orange County, Jardine Fleming, а в последнее время — NatWest Markets, Common Fund или Yamaichi. Хотя большинство банков разработали эффективные, а иногда и изощренные способы борьбы с рыночным риском и, в значительной степени, с кредитным риском, они все еще находятся на ранних этапах разработки системы измерения и мониторинга операционного риска. В отличие от рыночного и кредитного риска, факторы операционного риска в основном являются внутренними для организации, и четкой математической или статистической связи между отдельными факторами риска и размером и частотой операционных убытков не существует.Опыт с крупными убытками встречается нечасто, и многим банкам не хватает временных рядов исторических данных об их собственных операционных убытках и их причинах. Неопределенность в отношении того, какие факторы являются важными, возникает из-за отсутствия прямой связи между обычно определяемыми факторами риска (измеряемыми с помощью рейтингов внутреннего аудита, самооценки внутреннего контроля на основе таких показателей, как объем, текучесть, уровень ошибок и волатильность доходов) и размер и частота убытков. Это контрастирует с рыночным риском, когда изменения цен имеют легко вычисляемое влияние на стоимость торгового портфеля банка, и с кредитным риском, когда изменения кредитного качества заемщика часто связаны с изменениями в разнице процентных ставок по обязательствам заемщика. по безрисковой ставке.Очевидно, что с учетом всех характеристик операционного риска его количественно оценить сложно. Операционные исторические данные настолько скудны, что невозможно надежно и эффективно распределить капитал, и невозможно получить хорошие оценки VAR (стоимость с учетом риска) и RAROC (доходность капитала с поправкой на риск). Распределение капитала важно, потому что оно дает менеджерам стимул держать операционный риск под контролем. Тем не менее, финансовые учреждения испытывают растущее давление с целью количественной оценки операционного риска таким образом, чтобы убедить как инвесторов (эффективное распределение капитала), так и регулирующие органы (риск под «контролем»).Точнее, финансовое учреждение должно иметь возможность количественно оценивать операционный риск в надежных рамках, чтобы иметь возможность держать риск под контролем, оптимизировать распределение экономического капитала и определять свои потребности в страховании.

Учитывая характеристики операционного риска, восходящее моделирование в масштабе всего предприятия выглядит многообещающим подходом (к низкочастотному и высокому операционному риску). Что необходимо, так это структура, которая включает возможность нелинейных эффектов из-за взаимодействий между субъединицами и каскадных событий.Фреймворк должен уметь работать с ограниченными данными. Отсюда идея моделирования операций снизу вверх для создания большого искусственного набора данных, который включает в себя большие события. Затем искусственно созданные данные можно использовать для применения классических методов распределения капитала. Bios и Cap Gemini Ernst & Young (13) применили методы ABM для измерения и управления операционным риском в Société Générale Asset Management (SGAM). Была разработана имитационная модель деятельности бизнес-единицы, начиная с моделирования бизнес-процессов и идентификации рабочих процессов.Затем с помощью модели бизнес-процессов и рабочих процессов были идентифицированы «агенты» банка и смоделированы их действия, а также их взаимодействие с другими агентами и факторы риска, которые могут повлиять на их деятельность. Чтобы сделать инструмент управляемым, в конце концов, действия должны были быть смоделированы достаточно подробно, чтобы охватить «физику» банка, но не слишком подробно. Факторы риска были связаны с прибылью и убытками банка через потенциально сложные пути в организации, например, от распоряжения клиента до обнаружения торговой ошибки в бэк-офисе.Затем была смоделирована среда банка — рынки, клиенты, регулирующие органы и т. Д. Запуская модель, можно сгенерировать искусственное распределение доходов, используемое для оценки потенциальных убытков и их вероятности. Например, банк может рассчитать свою «подверженную риску прибыль», то есть минимальную прибыль, которую можно наблюдать в течение одного года в банке с уровнем уверенности 95%. Выгода для банка: его распределение экономического капитала подкреплено моделированием того, как работает организация, а не каким-то странным сочетанием отраслевых исторических данных и бухгалтерской магии.Если модель хороша, регулирующие органы с большей легкостью ее примут, и банку не придется откладывать в 10 раз больше экономического капитала, в котором он действительно нуждается. Для бизнеса по управлению активами экономический капитал — это часть активов под управлением. Уменьшение доли всего на 0,01% означает миллионы долларов. Однако измерения — это только первый шаг. Дополнительным преимуществом моделирования является то, что можно определить, откуда происходят потери, и протестировать процедуры смягчения последствий.

Принимая решение смоделировать банк с помощью ABM, нельзя принимать произвольное решение по моделированию.Один из них моделирует банк таким образом, который естественен для практиков, потому что он моделирует деятельность банка, глядя на то, что делает каждый участник. Если вместо этого моделировать процессы банка, людям будет труднее понять модель, потому что деятельность одного человека охватывает множество процессов. Это имеет важные последствия, когда дело доходит до заполнения, проверки и калибровки модели. Если люди «подключаются» к имитационной модели в том смысле, что они распознают и понимают, что делает модель, они могут улучшить ее, упростить количественную оценку того, что необходимо количественно оценить, и т. Д.Поскольку они глубоко понимают факторы риска, связанные с их собственной деятельностью, их легче включить в модель. После того, как у них есть свои действия и соответствующие факторы риска в модели, они могут предложить процедуры контроля и смягчения последствий и протестировать их с помощью инструмента моделирования. Другими словами, ABM — это не только инструмент моделирования; это естественно структурированный репозиторий для самооценки и идей по реорганизации организации.

ABM идеально подходит не только для управления операционным риском в финансовом учреждении, но и для моделирования риска в целом.Моделирование риска в организации с использованием ABM — это правильный подход к моделированию риска, потому что чаще всего риск является свойством действующих лиц в организации: события риска влияют на деятельность людей, а не на процессы. Например, более естественно сказать, что кто-то из бухгалтеров допустил ошибку (отправил неправильный счет покупателю), чем сказать, что на процесс дебиторской задолженности повлияло событие ошибки в подпроцессе выставления счета. ABM произведет революцию в сфере консультационных услуг по бизнес-рискам, поскольку представляет собой смену парадигмы от моделей, основанных на электронных таблицах, и моделей, ориентированных на процессы.Заполнение, проверка и калибровка агентной модели риска на порядок проще и имеет гораздо больше смысла, чем другие модели. Агент-ориентированная модель также упрощает разработку стратегий смягчения последствий. В течение 3–6 лет ABM следует регулярно использовать в аудите.

То, на что намекнул пример Société Générale Asset Management, — это идея использования ABM для создания лучших организаций (12). Действительно, получив надежную модель организации, можно поиграть с ней, изменить некоторые организационные параметры и измерить, как производительность организации меняется в ответ на эти изменения.Показатели эффективности могут варьироваться от скорости распространения информации в организации до того, насколько хорошо организация коллективно выполняет свою задачу — изобретает новые продукты, продает или управляет дебиторской задолженностью.

Распространение

В контексте этого раздела ABM применяется к случаям, когда на людей влияет их социальный контекст, то есть то, что делают другие вокруг них. Хотя этому предмету уделяется много академического внимания, существует очень мало бизнес-приложений, возможно, из-за «мягкой» природы переменных и сложности измерения параметров.Социальное моделирование в бизнесе до сих пор не было очень успешным, потому что упор делался на его использование как инструмент прогнозирования, а не как инструмент обучения. Например, менеджер может лучше понять свой рынок, играя с его агентной моделью. Тогда, конечно, сложно количественно оценить ощутимые выгоды от чего-то нематериального, и менеджер не может утверждать, что сэкономил X миллиона долларов, играя с симуляцией своих клиентов. Тем не менее, использование социального моделирования в бизнес-контексте имеет большую ценность.Фаррелл и его команда разработали синтетический мир, населенный виртуальными агентами, чтобы попытаться предсказать, как (и когда) произойдут попадания (7). Работая на Twentieth Century Fox, они смоделировали, как такие фильмы, как «Титаник» или «Проект ведьм из Блэр» могут стать хитами, но их модель не имела большого успеха. Прогнозирование попаданий может оказаться самой сложной задачей; понимание того, как происходят совпадения, — лучшее использование модели.

Давайте рассмотрим простую модель принятия продукта, чтобы проиллюстрировать ценность ABM в моделировании распространения в социальных сетях.Этот пример также покажет, почему и когда необходим ABM, и подчеркнет взаимосвязь между ABM и более традиционной моделью агрегированной системной динамики (10). Предположим, что ценность нового продукта V зависит от числа его пользователей, N , в общей численности потенциальных пользователей N _T , в соответствии со следующей функцией, где ρ — доля населения, которая принял продукт, θ — характеристическое значение (здесь θ = 0.4), а d — показатель степени, определяющий крутизну функции (здесь d = 4). V ( N ) равняется 0, когда нет пользователя, и максимальному (= 1), когда все население приняло продукт. Наконец, θ действует как порог: когда пользовательская база приближается к 40% населения, кривая ценности взлетает. Предположим для простоты, что функция ценности одинакова для всех пользователей. Предположим далее, что степень принятия определяется оценкой потенциальных клиентов в V .Действительно, клиенты могут не знать точное количество людей, принявших эту технологию в населении, но они могут оценить долю пользователей в их социальном окружении. Если мы предположим, что каждый человек связан с n другими людьми в популяции, мы можем определить оценку доли пользователей k во всем населении как ρ̂ _k = n _k / n , где n _k — это количество соседей k , которые приняли продукт.Значение продукта V̂ _k , по оценке человека k , затем определяется следующим образом: Если человек k подключен ко всем остальным, V̂ _k идентично V . Однако это маловероятно. Подход к проблеме с помощью системной динамики моделирует поток людей от непользователей к пользователям, при этом каждый человек в популяции воспринимает одинаковую среднюю долю усыновителей ρ = N / N _T и, следовательно, такую ​​же воспринимаемую ценность: Получающееся в результате дифференциальное уравнение эквивалентно: Здесь мы предполагаем, что единица времени составляет 10 дней.Рис. 3 a показывает, как ρ и V меняются во времени, когда начальное количество пользователей равно 5% от совокупности.

Рис. 3.

( a ) Результаты дифференциального уравнения. ( b ) Агентно-ориентированная модель среднего поля.

Давайте теперь рассмотрим, как агентный подход решит эту проблему. Первое преобразование — от главного уравнения (то есть уравнения, описывающего динамику общего числа пользователей) к индивидуальным вероятностям перехода, где каждый агент имеет вероятность перехода, заданную скоростью главного уравнения.Другими словами, для каждого агента, который еще не является пользователем, вероятность стать им равна V (ρ) в единицу времени. Смысл этой модели в том, что каждый агент действует индивидуально, но прекрасно знает, сколько пользователей в популяции. Рис. 3 b показывает, как доля пользователей увеличивается со временем для популяции из 100 агентов. Эта кривая в среднем почти неотличима от кривой, полученной с помощью подхода системной динамики, за исключением случаев, когда начальная популяция пользователей очень мала, и в этом случае взлет может быть значительно медленнее в агентном описании в некоторых моделированиях из-за значительных колебаний в ранняя часть симуляции.Эти колебания отражают индивидуальные решения, принимаемые агентами, в отличие от среднего глобального потока. Тем не менее, в среднем получается такая же динамика, как и в модели потока. Однако все становится совсем иначе, если исходить из предположения, что агенты оценивают долю пользователей от доли своих соседей, которые являются пользователями. Предположим, что у каждого человека в популяции ровно n = 30 соседей. Давайте теперь рассмотрим два случая:

1. Эти 30 соседей выбираются случайным образом из популяции.

2. В топологии социальных взаимодействий существует кластеризация, в которой соседом соседа, скорее всего, будет сосед. Для определенности предположу, что популяция делится на две равные по размеру субпопуляции. Вероятность того, что две особи из одной субпопуляции являются соседями, равна P = 0,5, а вероятность того, что две особи из разных субпопуляций являются соседями, равна 0,1. В популяции из 100 агентов среднее общее количество соседей любого заданного узла равно 0.5⋅50 + 0,1⋅50 = 30. Мы предполагаем, что начальные 5% пользователей относятся к одной из субпопуляций.

Второй случай вводит локализацию в динамику: человек взаимодействует только со своими соседями, и здесь мало дальнодействующих взаимодействий и мало глобального перемешивания. В первом случае можно было ожидать наблюдать динамику, аналогичную модели системной динамики, тогда как во втором случае динамика могла быть совершенно иной. Похоже, что даже в первом случае результирующая динамика отличается от динамики среднего поля (рис.4 a ), но второй случай приводит к потенциально совершенно другим результатам, как видно на рис. 4 b . Внедрение продукта происходит намного быстрее с кластеризацией, даже если начальная группа пользователей находится полностью в одном кластере.

Рис. 4.

( a ) Сто агентов, 30 случайных соседей. ( b ) Сто агентов, кластерные соседи (два кластера, распространение начинается в одном кластере).

Этот простой пример показывает не только то, насколько полезен ABM при работе с неоднородными популяциями и сетями взаимодействия, но и то, как перейти от модели дифференциального уравнения к модели на основе агентов — обычно используется противоположное преобразование, где дифференциальное Модель уравнений — это аналитически управляемая (но обманчиво) версия агентно-ориентированной модели для среднего поля.Что полезно в этом «обратном» преобразовании, так это то, что оно ясно показывает, что агент-ориентированная модель становится все более необходимой по мере увеличения степени неоднородности моделируемой системы.

Обсуждение

Когда пригодится ПРО?

Из примеров, представленных в этой статье, должно быть ясно, что ABM может принести значительные выгоды при применении к человеческим системам. На этом этапе полезно подвести итог, когда лучше всего использовать ABM:

• Когда взаимодействия между агентами являются сложными, нелинейными, прерывистыми или дискретными (например, когда поведение агента может резко измениться, даже периодически, другими агентами).Пример: все примеры, описанные в этой статье.

• Когда пространство критически, а позиции агентов не фиксированы. Пример: пожарная лестница, тематический парк, супермаркет, движение.

• Когда популяция неоднородна, когда каждый человек (потенциально) индивидуален. Пример: практически каждый пример в этой статье.

• Когда топология взаимодействий неоднородна и сложна. Пример: когда взаимодействия однородны и глобально смешиваются, нет необходимости в агентном моделировании, но социальные сети редко бывают однородными, они характеризуются кластерами, что приводит к отклонениям от среднего поведения.

• Когда агенты демонстрируют сложное поведение, включая обучение и адаптацию. Пример: NASDAQ, интернет-провайдеры.

Проблемы с ABM.

Есть некоторые вопросы, связанные с применением ПРО в социальных, политических и экономических науках. Одна проблема является общей для всех методов моделирования: модель должна служить определенной цели; универсальная модель не может работать. Модель должна быть построена на правильном уровне описания, с достаточным количеством деталей, чтобы служить ее цели; это остается скорее искусством, чем наукой.

Другая проблема связана с самой природой систем, моделируемых с помощью ABM в социальных науках: чаще всего в них задействованы человеческие агенты с потенциально иррациональным поведением, субъективным выбором и сложной психологией — другими словами, мягкие факторы, трудно количественно оценить, откалибровать, а иногда и оправдать. Хотя это может стать основным источником проблем при интерпретации результатов моделирования, справедливо будет сказать, что в большинстве случаев ПРО — это просто единственная игра в городе, которая имеет дело с такими ситуациями.Сказав это, следует быть осторожным в том, как использовать ABM: например, нельзя принимать решения на основе количественного результата моделирования, который следует интерпретировать исключительно на качественном уровне. Из-за разной степени точности и полноты входных данных для модели (данные, опыт и т. Д.) Характер выходных данных также варьируется, начиная от чисто качественной информации и кончая количественными результатами, используемыми для принятия решений и реализация.

Последняя серьезная проблема в ABM — практическая проблема, которую нельзя упускать из виду. По определению ABM рассматривает систему не на уровне агрегатов, а на уровне составляющих ее единиц. Хотя совокупный уровень, возможно, можно описать всего несколькими уравнениями движения, описание нижнего уровня включает в себя описание индивидуального поведения потенциально многих составляющих единиц. Моделирование поведения всех модулей может быть чрезвычайно затратным по вычислениям и, следовательно, отнимать много времени.Хотя вычислительная мощность все еще растет впечатляющими темпами, высокие вычислительные требования ABM остаются проблемой, когда дело доходит до моделирования больших систем.

Сноски

• ↵ * Электронная почта: eric {at} icosystem.com.

• Этот документ является результатом коллоквиума Артура М. Саклера Национальной академии наук «Адаптивные агенты, интеллект и новые человеческие организации: определение сложности с помощью агент-ориентированного моделирования», состоявшегося 4–6 октября 2001 г. Центр Арнольда и Мейбл Бекман Национальной академии наук и инженерии в Ирвине, Калифорния.

Сокращения

• ABM, моделирование на основе агентов

• NASDAQ, Национальная ассоциация дилеров по ценным бумагам Автоматизированное котирование

• ISP, поставщик интернет-услуг

• Национальная академия © 2002, Национальная академия Наук

1. Имитационные модели: почему? Кто? Когда?

Имитационные модели стали важным инструментом ботанической эпидемиологии. Для этого есть много причин, но мы подчеркнем три из наиболее важных: (1) они позволяют исследовать гипотезы и, как таковые, стали неоценимым средством для руководства исследованиями; (2) это уникальные подходы к интеграции (в буквальном смысле этого слова) эпидемиологических знаний в форме экспериментальных результатов; и (3) они позволяют связать эпидемиологию с другими областями исследований, например, от агрофизиологии до экологии и от социальных наук до управления природными ресурсами.Этот модуль и эта вводная глава предназначены для потенциальных пользователей имитационных моделей. Он ни в коем случае не предназначен для исчерпания очень разнообразных инструментов моделирования, которые уже существуют, а сосредоточен на механистических динамических моделях. Точно так же он не предназначен для охвата всего спектра приложений; однако для заинтересованных читателей мы предоставляем ссылки, которые можно использовать в качестве возможной отправной точки.

Зачем нужны имитационные модели?

Имитационные модели предназначены для ответа на вопросы ученых в динамической, количественной и часто наглядной форме.Большая часть эпидемиологических исследований и их приложений, в частности, включает большое количество компонентов, действующих лиц и факторов.

Объединение их в связную структуру может показаться сложной задачей, особенно для новичков, и может привести к путанице даже для опытных ученых, особенно если цели такого упражнения четко не определены. Это часто приводило к тому, что моделирование становилось самоцелью, а не одним из многих инструментов, которые эпидемиологи по болезням растений могут использовать для анализа и получения ответов на проблемы со здоровьем сельскохозяйственных культур.

Таким образом, имитационные модели должны отвечать на конкретные вопросы (Zadoks and Rabbinge, 1985), чтобы не стать эгоистичными и часто неспособными выдвигать новые идеи. Понимание может быть многих видов. Они могут быть ограничены (очень важной) целью более точного определения границ и компонентов рассматриваемой проблемы, выявления ключевых факторов, определяющих поведение патосистем, определения вариантов управления заболеванием и количественной оценки их потенциальной эффективности или обеспечения рамки для будущих исследований, например, e.g., количественная оценка эффектов компонентов сопротивления в частичном сопротивлении.

Еще одно полезное использование имитационного моделирования заключается в том, что оно до сих пор представляет собой единственный способ численно интегрировать имеющуюся информацию, часто получаемую в результате экспериментов по процессам, лежащим в основе эпидемий болезней растений. Этот тип приложений имеет важное значение, позволяя численно визуализировать пробелы в знаниях.

Имитационные модели позволяют мобилизовать имеющиеся (в основном количественные) знания о системе и исследовать поведение системы.Это свойство имитационного моделирования проистекает из связи между уровнями интеграции в биологических системах (Rabbinge and De Wit, 1989), то есть того факта, что имитационные модели основаны на том принципе, что поведение системы на одном уровне интеграции ( скажем, поле) является отражением процессов, действующих на следующем, более низком уровне биологической интеграции (например, растения, больные или здоровые), которые формируют популяцию, присутствующую в поле. Другими словами, моделирование обеспечивает масштабирование, то есть интеграцию процессов, происходящих на заданном уровне иерархии внутри системы (например,g., «сайт на листе заражен») на более высокий уровень иерархии этой системы (например, «имеет место эпидемия»). В результате имитационное моделирование является уникальным научным подходом, поскольку позволяет исследовать возможные варианты будущего. Конечно, имитационное моделирование — это ключевой подход, используемый в настоящее время для изучения воздействия изменения климата на земные системы, включая эпидемии болезней растений. Однако существует большое количество других приложений экстраполяционной мощности имитационного моделирования. Это уже было признано пионерами в этой области, которые на самом деле уже давно проводили эксперименты на основе моделирования в ботанической эпидемиологии (Teng, 1985).

Однако критически важным для подхода является определение цели моделирования до начала работы по моделированию. Это означает, что нужно выбирать среди множества приложений моделирования. Определение цели моделирования во многих отношениях влечет за собой фундаментальный вопрос оценки модели — будет ли оцениваться ожидаемая модель? Каким путем? Существуют ли данные, подходящие для оценки модели? Оценка моделей — это отдельная научная область (Teng, 1981), но это, прежде всего, философский научный вопрос: модели, включая имитационные модели, состоят только из тщательно выбранных компонентов системы; а система — это упрощение (смоделированной) реальности.

Таким образом, (имитационные) модели можно только до некоторой степени доказать, что они ошибочны. Понятие «валидация», применяемое к моделям (а также к теориям в целом, Popper, 1963), может подразумевать, что модель «истинна», в то время как единственная истина — это реальность, а модели являются лишь упрощениями. Поэтому во многих отношениях ученые могут быть больше заинтересованы в разработке простых моделей с разреженными параметрами, которые можно легко оценить, будь то с точки зрения присущей им согласованности (модель работает так, как предполагал исследователь), или с точки зрения их собственной согласованности. результаты (результаты модели разумно соответствуют имеющимся наблюдениям).Teng (1981) проводит важное обсуждение философских основ оценки моделей.

Еще одна причина, по которой исследователи предпочитают модели с разреженными параметрами, возникает, когда модели предназначены для прикладных целей: в таком случае часто выбирают модель, для работы которой требуется мало информации, чтобы она была доступна наибольшему количеству пользователей. , в самом широком диапазоне контекстов.

Из приведенных выше замечаний следует, что, как и в экспериментальных исследованиях, простейшая модель, позволяющая исследователю (1) лучше понять поведение системы и (2) четко ответить на определенные вопросы, часто предпочтительнее сложных структур.Последние сложно оценить, сложны по своей природе и часто очень трудно использовать в практических целях защиты растений. Таким образом, простая, ясная и понятная модель отражает четкую формулировку поставленного вопроса.

Кто пользователи имитационных моделей?

Разработка имитационных моделей не требует математических знаний и навыков программирования. Но для этого требуется (1) хорошее понимание рассматриваемой системы, (2) некоторые базовые знания в области математического анализа и, опять же, (3) хорошая формулировка рассматриваемого научного вопроса.

Таким образом, для ботанических эпидемиологов критически важными шагами являются (1) четкое определение целей имитационного моделирования, (2) четкое описание системы, которую необходимо решить (это будет рассмотрено в следующей главе) с числовой информацией следующего -низкий уровень интеграции (например, моноциклические процессы эпидемий) и (3) сопоставление двух вышеуказанных точек с независимыми доступными данными, которые относятся к моделируемому уровню интеграции (например, эпидемия), чтобы позволить оценка разработанной модели.

Когда использовать имитационные модели?

Использование моделирования становится очевидным, когда рассматривается ряд факторов, влияющих на поведение системы. Для анализа взаимодействий в (биологических) системах доступно множество подходов, особенно статистических. Имитационное моделирование представляет собой уникальный подход, поскольку он позволяет одновременно обрабатывать ряд таких факторов и «видеть» их влияние на поведение системы, например, на течение эпидемии.В дополнение к причинам «почему», перечисленным выше, одним из ключевых результатов имитационного моделирования является лучшее понимание того, какие компоненты системы (растение-патоген) действительно важны в ее поведении, а какие, предположительно, менее важны.

В патологии растений, особенно в ботанической эпидемиологии, а также при анализе превращения эпидемий в потери урожая всегда имеют дело с динамическими процессами. Имитационное моделирование — мощный подход к решению таких процессов.С течением времени некоторые компоненты системы будут иметь увеличивающееся или уменьшающееся влияние на поведение рассматриваемой системы (например, динамика эпидемии или увеличение урожайности — и, следовательно, потери урожая — со временем). Предвидеть такие переключения, особенно в сочетании с факторами, которые считаются важными для свойств рассматриваемой системы (например, факторы окружающей среды или антропогенные факторы), чрезвычайно сложно. Имитационное моделирование обеспечивает уникальный способ визуализации, понимания и количественной оценки такой динамики.
Наконец, имитационные модели также могут представлять собой хорошие образовательные инструменты: они могут обеспечить интуитивно понятный практический анализ систем (болезней растений).

Сводка

• Имитационные модели имеют ряд приложений. В частности, имитационные модели:
• позволяют исследовать поведение систем растение-патоген;
• при этом они позволяют мобилизовать экспериментальные данные; №

,

• , позволяет исследовать чувствительность систем «растение-патоген» к некоторым их (указанным) компонентам;
• разрешить разведку «фьючерсов», т.е.е. проанализировать, как рассматриваемая система может вести себя в еще недокументированных условиях.
• Разработка имитационных моделей
  не требует математических знаний и навыков программирования. Но для этого действительно требуется (1) хорошее понимание рассматриваемой системы, (2) некоторые базовые знания в области исчисления и (3) хорошая формулировка рассматриваемого научного вопроса.
• Имитационное моделирование — это мощный подход к динамическим процессам.Со временем некоторые компоненты системы могут оказывать более сильное или слабое влияние на поведение системы (например, на динамику эпидемии или рост урожайности — и, следовательно, на потери урожая). На такие вопросы можно эффективно ответить с помощью имитационного моделирования.
• Имитационные модели являются хорошими обучающими инструментами: они могут обеспечить интуитивно понятное практическое использование систем анализа (растение-патоген).

Ссылки

Поппер, К. Р. 1963. Предположения и опровержения: рост научного знания.Рутледж, Лондон.

Rabbinge, R., and De Wit, C.T. 1989. Системы, модели и моделирование. Страницы 3-15 в: Моделирование и управление системами в защите растений. Rabbinge, R., Ward, S.A. и Van Laar, H.H., Eds. Пудок, Вагенинген, 420 с.

Teng, P.S. 1981. Валидация компьютерных моделей эпидемий болезней растений: обзор философии и методологии. Zeitschrift für Pflanzenkrankheiten und Pflanzenschutz 88: 49-63.

Teng, P.S. 1985. Сравнение имитационных подходов к моделированию эпидемии.Ежегодный обзор фитопатологии 23: 351-379.

Zadoks, J.C., Rabbinge, R. 1985. Моделирование для достижения цели. Страницы 231-244 в: Достижения в патологии растений, Том. 3. Математическое моделирование болезней сельскохозяйственных культур. C.A. Гиллиган, изд. Academic Press, Лондон.

От поведенческого моделирования к компьютерным моделям: как моделирование может быть использовано для улучшения управления и политики здравоохранения

Введение

Системы здравоохранения долгое время описывались как сложные системы.1 2 Они включают большое количество разнообразных участников (врачей, пациентов, медсестер, фармацевтов и т. Д.) И ресурсов (медицинское оборудование, ИТ-инфраструктура, помещения и т. Д.), Действия которых сильно взаимозависимы.

В таких сложных системах менеджеры и лица, определяющие политику, то есть лица, принимающие решения, которые повлияют на большее количество людей (категория, которая включает членов правления и руководителей, а также руководителей административных, клинических и медсестринских служб), могут изо всех сил пытаются понять сложные взаимосвязи между множеством факторов в системах, которыми они должны управлять, и, следовательно, оценить влияние определенного выбора.Проверяя свои потенциальные решения в смоделированной среде, менеджеры и лица, определяющие политику, могут безопасно изучить различные варианты и оценить их влияние, а исследователи могут узнать о поведении руководителей при принятии решений. Моделирование также можно использовать для обучения менеджеров; они могут практиковать свою роль в смоделированных сценариях, где они могут безопасно экспериментировать, узнавать, что влияет на поведение системы, которой они управляют, а затем передавать эти знания в реальное руководство.3–5 Ситуации и принимаемые решения будут различаться в зависимости от ситуации. роль участников.Главный клинический менеджер может захотеть узнать, что более эффективно — нанять дополнительную медсестру или дополнительного консультанта для сокращения времени ожидания, в то время как национальному директивному органу может потребоваться понять динамику клинической занятости, чтобы оценить, есть ли необходимость в ней. обучить больше врачей и медсестер. Ситуации различаются, но моделирование предлагает набор методов, которые можно адаптировать к различным уровням и типам сценариев принятия решений.

В здравоохранении наиболее известным методом моделирования является клиническое моделирование, при котором врачи воспроизводят клинические встречи, часто в учебных целях.Эти подходы основаны на ролях персонала и восприятии систем здравоохранения. Например, врачи могут воспроизвести условия конкретной операции, чтобы человек или группа могли практиковать. Однако, будучи руководителями организации, люди имеют более агрегированное представление, они смотрят на потоки и группы, а не на отдельных пациентов, и они разрабатывают и внедряют организационные процессы, а не индивидуальные планы лечения. Решения, принимаемые менеджерами и политиками, могут длиться годами или даже десятилетиями.Это должно быть отражено в моделировании, используемом для их изучения. Менеджмент также характеризуется относительным отсутствием поддающихся проверке технических или процедурных навыков. Хотя управление, основанное на фактических данных, является актуальной темой, существует несколько рецептов управленческого поведения, которые можно было бы оценить.6 Следовательно, имитационные подходы к управлению здравоохранением и выработке политики имеют различные требования, чем те, которые используются для изучения и улучшения клинической практики7.

Литература по моделированию для управления здравоохранением и разработки политики рассредоточена по различным дисциплинарным традициям (экономика здравоохранения, операционные исследования, менеджмент, исследования служб здравоохранения, клинические журналы) и, как правило, сосредоточена на одном методе моделирования.Моделирование по-прежнему оказывает незначительное влияние на управление здравоохранением и выработку политики5. 8 В этой статье мы исследуем, как моделирование можно использовать для исследования, понимания и улучшения управления и разработки политики в организациях здравоохранения, а также предоставим комплексный обзор существующих подходов.

Подходы к моделированию для исследования и улучшения управления здравоохранением и разработки политики

Не существует готового определения моделирования для управления здравоохранением и разработки политики, которое охватило бы весь спектр методов моделирования.В клиническом контексте Габа определяет клиническое моделирование как «метод, а не технологию — для замены или усиления реальных переживаний управляемыми переживаниями, которые вызывают или воспроизводят существенные аспекты реального мира в полностью интерактивной манере» 9. определяет компьютерное моделирование как «экспериментирование с упрощенной имитацией (на компьютере) операционной системы по мере ее развития во времени с целью лучшего понимания и / или улучшения этой системы» 10. На основе этих двух определений мы определяем моделирование для здравоохранения управление и выработка политики как методика, которая вызывает или воспроизводит существенные аспекты реального мира, чтобы экспериментировать с упрощенной имитацией операционной системы с целью лучшего понимания и / или улучшения этой системы.Это определение охватывает широкий спектр практик и проектов в области управления здравоохранением и разработки политики9. 11–15

В оборонном и военном секторах приложения для моделирования подразделяются на категории с использованием живой, виртуальной и конструктивной типологии11:

• Живое моделирование вовлекает реальных людей, работающих с реальными системами. Их также называют поведенческими симуляциями, клиническими симуляциями или симуляциями in vivo.

• В конструктивных моделях или имитациях участвуют моделируемые люди, работающие с смоделированными системами.Иногда их называют симуляциями in silico или компьютерными симуляциями.

• Виртуальное моделирование занимает промежуточное положение между двумя предыдущими подходами. В них участвуют реальные люди, управляющие смоделированными системами (например, авиасимуляторами), и иногда их называют пилотажными симуляторами управления или микромирами.

Мы следуем этой категоризации, чтобы структурировать нашу презентацию различных вариантов моделирования управления здравоохранением и разработки политики. Теперь мы подробно рассмотрим эти три подхода к моделированию.

Живое моделирование

Живое моделирование часто используется в медицинском образовании16, а также предлагается для улучшения17 и исследовательских целей18 в сфере здравоохранения. Тем не менее, он в основном используется на клиническом уровне, и использование имитационного моделирования для информирования руководства здравоохранения и разработки политики остается ограниченным.

Цель симуляции в реальном времени — изучить индивидуальное и групповое поведение, попросив участников отреагировать на набор обстоятельств. Например, при моделировании вводится новая политика или новый стандарт управления, и наблюдается то, как участники адаптируют свое поведение.5 Такое моделирование может включать манекены пациентов19, 20 настольных игр, представляющих работу организаций здравоохранения, 7 ролевых игр, крупномасштабные учения, например, учения по массовым несчастным случаям (MCI), 21 или тематические исследования и виньетки (например, повествования). реальных ситуаций в организациях здравоохранения, на которые просят отреагировать менеджеров).

Когда для обучения используется моделирование в реальном времени, цель состоит в том, чтобы участвующие менеджеры осознали, как их решения и отношение влияют на производительность моделируемой системы здравоохранения.В других проектах усовершенствования цель состоит в том, чтобы лучше понять процессы принятия решений и взаимодействия между участвующими менеджерами, а также охарактеризовать их поведение в различных условиях. В рамках проекта по лидерству в области безопасности Зингер и др. и Купер и др. разработали программу обучения для повышения лидерства в области безопасности среди клинических и неклинических руководителей больниц.19 20 Основным элементом этого однодневного тренинга было имитационное упражнение. , используя манекен, где неклинические менеджеры участвовали в моделировании операции.Сценарии были разработаны, чтобы дать участникам возможность продемонстрировать важные навыки руководства безопасностью: показать, что вы «действительно заботитесь», быть доброжелательным / не защищаться, поощрять высказывание, способствовать общению и совместной работе, принимать меры, мобилизовать информацию со всей организации и искать вклад других19. Оценка проводилась с помощью сессий подведения итогов, анкетирования участников о том, насколько участникам понравилось обучение, и последующего подведения итогов через 3–7 месяцев после тренинга.В дальнейшем участники упомянули об изменениях в своем поведении и поведении других людей, которые они приписали обучению. Они указали на конкретные изменения, такие как введение еженедельных списков действий, прикрепленных к информационным доскам в их подразделениях, для улучшения «принятия мер» или организация мозговых штурмов для «получения информации» от сотрудников по проектам улучшения. В дополнение к обучению, полученному для участников, программа позволила получить интересные наблюдения о препятствиях и препятствиях на пути к высказыванию, с которыми сталкиваются менеджеры.В другой программе Rosen et al
Компания 7 создала настольную игру, в которой участников поместили на должность нового главного исполнительного директора в больнице с плохими показателями безопасности. Участники начали с ограниченной информации о больнице и заранее определенной организационной структуры (иерархии, постановка целей и структура отчетности). У них была возможность получить информацию из различных источников (команда по улучшению работы, внешний консультант по управлению, «экспертная» группа по улучшению внешних процессов, обходы руководителей) для информирования об изменениях в организации.Сессии подведения итогов позволили лучше понять рассуждения менеджеров. Например, при обсуждении возможности привлечения людей к ответственности за достижение целей по повышению безопасности с помощью вознаграждений или штрафов участники возражали, что данные, используемые для измерения этих целей, были низкого качества и что цели иногда были недостижимыми. Анкеты для оценки показали, что участникам понравилось моделирование и что они позволили обсудить новые стратегии повышения безопасности пациентов.Однако не было никакой последующей оценки, что является общей проблемой с живыми симуляторами в управлении здравоохранением и разработке политики 5, что затрудняет оценку воздействия тренинга на отношение участников и их эффективность в их профессиональной роли.

Для стажеров этот тип моделирования предоставляет способ экспериментировать с принятием решений в безопасной среде без последствий для реальной системы, а также для получения обратной связи от других участников и фасилитаторов об их поведении и производительности.Для исследователей сила этого подхода по сравнению с прямым полевым наблюдением заключается в том, что организатор моделирования имеет контроль над окружающей средой и сценарием, что придает высокую внутреннюю достоверность такого рода исследованиям22. Также легко записать полное моделирование. для углубленного анализа22. Однако практическая организация моделирования в реальном времени может быть сложной задачей, особенно если требуются высокоточные манекены пациента (как в приведенном выше примере). Живое моделирование может быть дорогостоящим, часто требует специального помещения и опыта, а набор сотрудников может быть затруднен, когда обучение не является основной целью.23 24 Рекомендации по использованию моделирования in vivo для управления и политики здравоохранения были предложены Коэном и др. .5. В них описывается дизайн подходов к моделированию, способы анализа данных и влияние на участников.

Конструктивное моделирование

Конструктивное моделирование использует компьютерные модели, которые воспроизводят полную систему in silico, например палату, больницу, местную службу здравоохранения или национальную систему здравоохранения. В модели закодированы определенные правила, управляющие системой, такие как распределение ресурсов, правила приоритета в очередях ожидания или предпочтения отдельных агентов (пациентов, персонала) в определенных ситуациях.Эти правила будут закодированы в компьютерном моделировании, которое затем будет запущено, чтобы увидеть, как смоделированная система ведет себя.

Основным преимуществом этих моделей является то, что они позволяют воспроизводить крупномасштабные системы и длительные сроки. Они позволяют оценить влияние различных политик и конфигураций ресурсов на производительность этих систем с помощью сценариев «что, если». Модели также могут определять уровни неопределенности в больших системах и способствовать диалогу и обучению между заинтересованными сторонами.8 Таким образом, компьютерное моделирование может быть очень полезным для разработки политики и управления здравоохранением. Важной проблемой, общей для всех подходов к компьютерному моделированию, является доступность данных, 25 в которой моделистам может потребоваться проявить изобретательность для сбора соответствующей информации26. улучшение.27–29 Это связано с высокой рабочей нагрузкой в ​​службах здравоохранения, низкой осведомленностью о методах компьютерного моделирования и «беспорядком» систем здравоохранения по сравнению с другими промышленными системами, что затрудняет их моделирование и препятствует реализации результатов.27 29 В качестве одного из способов преодоления этих проблем были предложены совместные и упрощенные подходы к моделированию.30 В этих подходах специалисты по моделированию напрямую сотрудничают с группой клиентов и заинтересованных сторон на семинарах, чтобы построить и проанализировать компьютерную модель, в отличие от традиционного подхода. где эксперты строят и анализируют симуляцию независимо и только представляют результаты клиентам и заинтересованным сторонам проекта. Однако в большинстве рецензируемых научных публикаций эксперт по моделированию является исследователем, проект финансируется за счет исследовательского гранта, а не организацией здравоохранения, 12 и проект предполагает ограниченное взаимодействие с практиками, что резко контрастирует с другими отраслями промышленности.31 32 Имеются данные о проектах моделирования, которые выполняются коммерческими консультационными агентствами или непосредственно организациями здравоохранения, но они редко публикуются в академических журналах.

В сообществе исследователей медицинских услуг сетуют на отсутствие исследований по моделированию систем оказания медицинской помощи, 34 но вполне возможно, что это сообщество не знает о том, что в сообществах оперативных исследований и менеджмента было опубликовано множество статей по компьютерному моделированию. 35 Экономисты в области здравоохранения также использовали моделирование для экономической оценки новых технологий.36 Обсуждения по-прежнему укоренились в отдельных исследовательских сообществах и еще не оказали существенного влияния на сферу исследований в области здравоохранения или на практику управления здравоохранением и разработки политики.

Для конструктивного моделирования в здравоохранении можно использовать различные типы компьютерных моделей, каждая из которых имеет свой взгляд на сложные системы.

Моделирование дискретных событий

При моделировании дискретных событий (DES) различные типы объектов (пациенты, рецепты на лекарства, машины скорой помощи и т. Д.) Проходят через систему в зависимости от их характеристик, переходя от одного этапа процесса здравоохранения к другому.Каждый этап процесса может потребовать использования общих ресурсов (персонал, МРТ, операционные и т. Д.) И имеет переменное время завершения. Большинство переменных (например, время, необходимое для выполнения операции или вероятность того, что пациенту потребуется сканер) описываются как распределения вероятностей. Каждый раз, когда объект (например, пациент) попадает на новую стадию процесса, система случайным образом выбирает время завершения в распределении. Когда выполняется много симуляций, распределение значений приближается к распределению вероятностей.

Используя DES, можно моделировать влияние различных графиков пациентов, распределения ресурсов или кадровой политики на потоки пациентов (время ожидания, продолжительность пребывания и т. Д.) .37 Например, Tako et al
38 исследовали время ожидания в британской службе лечения ожирения. Работая напрямую с практиками, чтобы сформулировать проблему и смоделировать ее, они построили DES-модель клиники ожирения и смоделировали различные сценарии, такие как изменение распределения рабочей силы по разным видам деятельности или добавление различных типов ресурсов.Хотя добавление ресурсов положительно сказалось на времени ожидания в определенных частях системы, авторы показали, что это может только перенести проблему на другие части системы и даже ухудшить результаты по некоторым показателям. Эти результаты подчеркивают важные компромиссы в управлении системами здравоохранения. В результате исследования было принято решение добавить больше хирургов, а не врачей, и пересмотреть критерии приемлемости для бариатрической хирургии. Другие примеры использования DES включают перспективную оценку новых моделей оказания первичной медико-санитарной помощи с точки зрения затрат и качества услуг39, а также определение лучших политик заказа для улучшения цепочки поставок крови в больницах.40

Системная динамика

Второй подход компьютерного моделирования — системная динамика (SD). В его основе лежит предположение, что «сложное поведение организационных и социальных систем является результатом постоянного накопления людей, материальных или финансовых активов, информации или даже биологических или психологических состояний, а также как уравновешивающих, так и усиливающих механизмов обратной связи» 41. Следовательно, SD явно моделирует не отдельных агентов, а «запасы» и «потоки» пациентов или других агентов (например, персонал) и работает на более агрегированном уровне, чем DES, чтобы показать, как организационные и социальные структуры влияют на поведение систем.42 Структура в модели SD относится к причинным цепочкам, лежащим в основе событий, представленных в модели как сеть взаимосвязанных причинных петель между переменными. SD также может включать в себя так называемые «мягкие» переменные43, представляющие конструкции, количественное измерение которых является спорным, например «удовлетворенность пациента», и которые нелегко включить в DES. SD часто предпочтительнее DES для более крупных систем и более длительных сроков.

Примером применения SD является серия статей о влиянии Chlamydia trachomatis , распространенной инфекции, передающейся половым путем.44 45 В этом исследовании исследователи сотрудничали с отделением больницы в Портсмуте, Великобритания, чтобы принять решение о развертывании нового скринингового вмешательства. Имитационное исследование дополнило скрининговое исследование в Портсмуте. На основе данных, собранных с помощью статистического анализа эмпирических данных общественного здравоохранения, была использована модель SD для оценки воздействия заболевания (распространенность, стоимость), его динамики (роли различных групп в распространении инфекции) и того, как на нее влияют. различными вмешательствами (скрининг, целенаправленный скрининг).Это исследование было использовано для информирования местных организаций по оказанию помощи в области мочеполовой медицины за счет более точного определения скрининговых вмешательств. Другие примеры включают перспективную оценку потребности в стоматологической помощи в Шри-Ланке для корректировки возможностей обучения стоматологов26 и исследование динамики цепочек поставок лекарств, чтобы избежать нехватки основных лекарств46.

Агентное моделирование

Агентное моделирование (ABS) исследует взаимодействия между разнородными автономными агентами, которые подчиняются набору правил.В каждый момент симуляции каждый агент (например, отдельный пациент, врач или медсестра) применяет правила, основанные на его местной ситуации, чтобы определить свое следующее состояние. Например, если агент, представляющий пациента, живет в среде, где преобладает определенное заболевание, он может переключать состояние с «восприимчивый» на «инфицированный». На изменение состояния могут влиять определенные характеристики агента, такие как пол или возраст. При переключении состояний агент, в свою очередь, изменяет локальный контекст для своих соседей.В случае эпидемии агент может заразить другие агенты в своем доме.

Таким образом, ABS напрямую связана с концепцией эмерджентности, где поведение системы проистекает из совокупного эффекта индивидуального поведения на более низком уровне. В этом суть концепции «сложной адаптивной системы», в которой организации понимаются как «совокупность отдельных агентов, обладающих свободой действий, которые не всегда полностью предсказуемы, и чьи действия взаимосвязаны, так что действия одного агента» изменяет контекст для других агентов.1 Это отличается от более механистической точки зрения, когда люди обязаны следовать установленным процедурам и правилам. Подход ABS позволяет моделировать влияние индивидуального поведения на системном уровне и учитывать разнообразие агентов. АБС применяется в различных дисциплинах социальных наук, включая социологию47 и исследования в области менеджмента.48 Методологические введения доступны в литературе.47 49

ABS был разработан позже, чем DES или SD, для моделирования организаций и еще не получил широкого распространения в здравоохранении как подход к моделированию.50 Однако некоторые примеры начинают появляться. Например, Барнс и др.
51 моделировало влияние различных политик и практик, таких как соблюдение и эффективность гигиены рук, скрининг пациентов, деколонизация, изоляция и укомплектование персоналом, на распространение метициллин-устойчивого Staphylococcus aureus (MRSA). Они определили влияние соотношения количества персонала к пациенту на частоту передачи и обнаружили, что несоблюдение правил гигиены рук врачами-мошенниками является значительным фактором передачи.Хотя этот результат имеет очевидные управленческие последствия, проект был исследовательской инициативой, и в статье не упоминалось о взаимодействии с менеджерами или политиками. По смежной теме Macal et al
52 использовали ABS для моделирования MRSA, ассоциированного с сообществом, в районе Чикаго. Их результаты показывают, что колонизированные агенты (то есть люди, которые являются носителями бактерий, но бессимптомны) играют большую роль в передаче, чем инфицированные люди, что ставит под сомнение существующую парадигму борьбы с инфекцией MRSA.Опять же, авторы не упоминают о непосредственном взаимодействии с заинтересованными сторонами в этом исследовании, хотя его результаты могли быть полезны для местной политики в области общественного здравоохранения.

Виртуальная симуляция

В то время как живые симуляции включают реальных участников, работающих с «физическими» системами in vivo, а конструктивные симуляции используют полностью in silico модели для симуляции организаций, виртуальные симуляции представляют собой промежуточный режим. Они включают в себя участников-людей, взаимодействующих с компьютерными моделями сложных организаций в виде компьютерного моделирования «человек в цикле», когда участники периодически вносят входные данные в компьютерную модель, тем самым влияя на ход моделирования.Преимущество по сравнению с моделированием in vivo заключается в том, что компьютерные модели могут быстро вычислять большой объем данных и моделировать длительный временной масштаб (от дней до лет) за несколько секунд. По сравнению с конструктивным моделированием виртуальное моделирование позволяет исследователям изучать процесс принятия решений в режиме реального времени, запрашивая мнение участников. Решения, принимаемые этими участниками, ближе к реальным образцам решений, чем правила, закодированные в компьютерных моделях чисто конструктивного моделирования. Однако виртуальное моделирование может быть трудным для реализации.Среди других факторов особое внимание следует уделять ясности целей проекта (цели обучения для участников, цели исследования для наблюдателей), используемых компьютерных моделей (уровень сложности, способность ясно и убедительно проиллюстрировать интересующие явления. ), а также от способа проведения моделирования (инструктаж, разбор полетов, компьютерный интерфейс) 53 54

Для исследования этот метод используется для выявления ментальных моделей, выявления процессов принятия решений, выявления предубеждений и проверки теорий принятия решений.55 Нам не известно об использовании этого типа моделирования в управлении здравоохранением и разработке политики. Что касается политики в области изменения климата, исследование с использованием виртуального моделирования показало, что большая часть участников не понимала должным образом, как вариации выбросов углерода связаны с атмосферной концентрацией углекислого газа56. Это связано с фундаментальным непониманием явления накопления, которое частично управляет поведением таких систем. Другие исследования показали, что, сталкиваясь с решениями в сложных экономических системах, люди часто применяют простые шаблоны решений, которые не принимают во внимание феномен « обратной связи » (когда результат процесса также влияет на его вход, как, например, в случае « порочного » или « порочного »). «добродетельные» циклы).57 год

При использовании для обучения цель состоит в том, чтобы помочь менеджерам понять факторы и явления, влияющие на производительность системы. Например, Пеннок и др.
Компания 58 разработала симулятор полетов на основе модели переходного ухода, где передовые медсестры руководят переводом пожилых людей с множественными хроническими заболеваниями из госпитализации в дом. Авторы построили компьютерное моделирование, которое показывает, как эта модель влияет на доход больницы в зависимости от таких факторов, как параметры системы оплаты, критерии приемлемости пациентов или коэффициенты замены койки, а также их неопределенность.Они также построили на системном уровне модель того, как внедрение модели переходной помощи различается во всей системе здравоохранения, в зависимости от стоимости и эффективности, а также убеждений поставщиков в этой модели и характеристик системы. Качественная оценка высшего руководства здравоохранения показала высокий интерес и множество потенциальных применений таких инструментов, например, для анализа «что, если» для одного поставщика или для переговоров о финансировании со страховщиками.

Другим примером виртуального моделирования в управлении здравоохранением является симулятор больницы Бина и др. , где участники могут распределять ресурсы больницы между разными палатами и устанавливать правила для очередей ожидания (например, «первым пришел — первым обслужен» против «высокий приоритет». пациенты в первую очередь »).Затем компьютерная модель имитирует влияние этого решения на работу больницы.59 Помимо использования в качестве инструментов поддержки принятия решений, эти виртуальные модели могут использоваться для обучения или для анализа моделей принятия решений руководителями здравоохранения. В других секторах виртуальное моделирование использовалось для изучения процесса принятия решений при эксплуатации природных ресурсов60 или о влиянии стимулов на развитие альтернативных видов топлива на автомобильных рынках61.

Объединение подходов к моделированию для улучшения управления здравоохранением и разработки политики

Мы представили и обсудили три различных режима моделирования, используемых для изучения и улучшения управления здравоохранением и разработки политики.В таблице 1 приведены их характеристики. У каждого из этих трех режимов есть свои сильные стороны и ограничения. Однако в сочетании они могут дополнять друг друга. Комплексное использование живого, виртуального и конструктивного моделирования является важной задачей военного обучения62.

Таблица 1

Характеристики трех режимов моделирования

Чтобы проиллюстрировать, как этот подход может быть полезен в управлении здравоохранением и разработке политики, можно рассмотреть вопрос о подготовке к инцидентам с массовыми жертвами (MCI) из-за экологических катастроф и террористических атак. или промышленные опасности.Живое моделирование уже используется для оценки готовности организации к таким событиям21. Однако полномасштабные учения длительны и дороги в организации. Можно начать с построения конструктивного моделирования MCI и тестирования различных политик (например, распределения ресурсов) для оценки глобальной производительности системы здравоохранения. Такие модели уже существуют.63 На основе этой модели можно затем обучать различные типы лиц, принимающих решения, с помощью виртуального моделирования. Некоторые виртуальные симуляторы уже существуют для MCI, в настоящее время основное внимание уделяется клиническим навыкам, 64 но этот подход можно использовать на управленческом уровне для улучшения понимания процесса принятия решений в этих исключительных условиях и для обучения участников.Наконец, на основе результатов конструктивного и виртуального моделирования может быть разработан сценарий полномасштабного бурения. Это упражнение в реальном времени, которое, вероятно, будет самой затратной частью процесса, будет основываться на знаниях, накопленных с помощью других подходов, и будет действовать как проверка реальности для проверки моделей и гипотез, которые они делают о реальной ситуации. Можно было бы разработать ряд других подходов, например, маломасштабные тренировки для частей системы (например, определенные типы операций, связанные с MCI).

Как показано на рисунке 1, процесс объединения подходов к моделированию является циклическим, при этом понимание поведения и производительности системы уточняется на каждом этапе, а политики обновляются соответствующим образом. Этот пример иллюстрирует роль, которую несколько режимов моделирования могут играть в обучении системам здравоохранения17, посредством чего управление здравоохранением и выработка политики итеративно изучаются для улучшения понимания и содействия улучшениям.

Рисунок 1

Пример одного из возможных способов комбинирования различных подходов к моделированию для повышения готовности к инцидентам с массовыми жертвами.

Оценка моделирования для управления и разработки политики

Не существует стандартного метода оценки моделирования, поскольку критерии оценки будут меняться в зависимости от контекста и целей проекта. Методы моделирования и вмешательства можно рассматривать как тип «обучающейся системы здравоохранения», в которой обучение является механизмом, с помощью которого организации постоянно повышают свою эффективность.17 Действительно, часто утверждается, что конструктивное моделирование — это инструменты обучения, 65 нацеленные на создание понимание динамики моделируемой системы.66 Точно так же поведенческое моделирование часто используется в качестве обучающего инструмента16 или для поддержки изучения плохо изученных явлений18. Виртуальное моделирование также оценивается с точки зрения обучения, которое оно генерирует.67 Таким образом, одним из способов оценки вмешательства с помощью моделирования является включение его способность генерировать обучение.

Чтобы можно было оценить обучение, проект моделирования должен начинаться с хорошего обоснования, в котором указывается, что и кем необходимо изучать. Полезный способ выразить это обоснование — разработать теорию программы, связав вмешательство (проект моделирования) с желаемыми результатами и определив механизмы, которые позволяют достичь этих результатов.68 Обучение будет одним из ключевых механизмов, и теория программ должна определять, как оно генерируется. Во вставке 1 предлагаются наводящие вопросы для определения рамок оценки.

Вставка 1

Шаги и наводящие вопросы для оценки вмешательств по моделированию

1. Укажите цели

   • Каковы цели проекта?

   • Кто и чему должен научиться для достижения этих целей?

2. Разработка теории программ

   • Какую роль играет моделирование в создании обучения?

   • Как проект будет способствовать обучению целевой группы населения?

   • Какие доказательства подтверждают это?

   • Какие предположения были сделаны при вмешательстве?

3. Разработать стратегию оценки

4. Спроектировать и проверить моделирование

5. Выполнить моделирование

6. Оценить теорию программы

   • Дало ли вмешательство желаемые результаты?

   • Были ли подтверждены предположения?

   • Какие вопросы остались без ответа?

На практике важным моментом является определение того, кто учится.В некоторых случаях это будут участники симуляции. Это тот случай, когда моделирование используется в качестве метода обучения, когда экспериментальное обучение («обучение на практике») используется для улучшения знаний и навыков участников моделирования. В случае конструктивного моделирования в моделировании не участвуют люди, но есть надежда, что лица, принимающие решения, «клиенты» получат представление об их организации на основе модели, разработанной экспертами. Например, исследование времени ожидания для лечения ожирения привело к тому, что менеджеры изменили структуру персонала.38 В других случаях те, кто организует симуляцию, получат знания, в частности, когда симуляция используется в качестве метода исследования для изучения управления здравоохранением и разработки политики. Например, в виртуальном моделировании участники узнают о динамике сложных организаций посредством взаимодействия с моделями, но исследователи также узнают о моделях принятия решений менеджерами посредством наблюдения. Затем это может повлиять на то, как они строят мероприятия по улучшению, и в конечном итоге повысить результативность этих вмешательств.Это также может дать более общие знания о поведении руководителей здравоохранения и лиц, определяющих политику, что будет способствовать развитию научных знаний и теории.

Для определения результатов обучения различных участников симуляционных проектов полезной отправной точкой является модель Киркпатрика для оценки обучения.69 Киркпатрик оценивает обучающие мероприятия на четырех уровнях:

• Реакция: участники сочли обучение интересным и полезным?

• Знание: действительно ли участники чему-то научились?

• Поведение: повлияло ли вмешательство на поведение участников на практике?

• Результаты / исходы: улучшило ли вмешательство деятельность организации?

Схема Киркпатрика работает в предположении, что благодаря интересному и полезному обучению участники получат новые знания, которые они будут использовать на практике для изменения своего поведения, что в конечном итоге приведет к повышению эффективности организации.Эта модель использовалась для оценки клинического моделирования16, и ее можно было легко перенести на живое или виртуальное моделирование при управлении и разработке политики. Его также можно использовать для оценки конструктивных имитационных моделей. Основное отличие от клинической практики заключается в том, что время подготовки отдельных менеджеров, принимающих решения в режиме реального времени, до улучшения результатов на передовой может быть очень долгим, в отличие, например, от улучшений при частых хирургических операциях. Следовательно, важно, чтобы теории программ включали промежуточные результаты, такие как повышение осведомленности о конкретных проблемах («знания») или модификации принимаемых решений («поведение»).Например, в исследованиях оценивалось, как различные способы представления результатов компьютерного моделирования влияют на «понимание», генерируемое моделью, которое является способом измерения «знаний» в рамках концепции Киркпатрика, 66 в то время как другие исследовали, как вовлечение заинтересованных сторон при построении модель влияет на восприятие результатов как способ оценки «поведения» 70. Эти исследования способствуют лучшему пониманию того, как симуляция способствует обучению менеджеров, и помогают улучшить проведение симуляционных вмешательств.

Помимо определения результатов, парадигма обучения имеет значение для оценки достоверности симуляций, то есть компьютерных моделей или поведенческих сценариев, разработанных и используемых в симуляционных вмешательствах. Эта оценка должна быть связана с целями проекта. В конечном итоге все модели воспроизводят только упрощенную версию реальности, но некоторые из них полезны, потому что помогают нам понять важные аспекты реального мира.43 В результате симуляции не могут быть достоверными «по сути», но они должны соответствовать назначению. и в соответствии с описанными выше целями обучения.В частности, исследователям необходимо найти баланс между реалистичностью моделирования и их пригодностью для целей проекта моделирования.71–73 Например, иногда компьютерное моделирование с плохой «достоверностью» по сравнению с реальными данными может по-прежнему генерируют полезные идеи.74 Этот вопрос внешней достоверности является общим для всех методов моделирования, но его всегда следует рассматривать в связи с целями проекта моделирования.75 76 Аналогичным образом, очень грубые имитаторы оказались полезными в клиническом моделировании, например, курица груди и латексные баллоны, используемые для имитации венозного доступа под ультразвуковым контролем.77 Это связано с тем, что эти модели позволяют вести правильные беседы и размышления, а также позволяют обучению происходить на правильном уровне абстракции. Базовая компьютерная модель или поведенческое моделирование могут иллюстрировать важные явления на более абстрактном уровне, например, скопление пациентов в очередях ожидания или боязнь высказать свои опасения.

Что касается конкретных схем оценки, оценка имитационных вмешательств может опираться на инструментарий исследований по улучшению здравоохранения.78 79 В проектах обучения с использованием моделирования можно использовать целый ряд схем, от рандомизированных клинических испытаний, посвященных индивидуальному или групповому обучению, до анализа временных рядов, изучающего влияние вмешательств с помощью моделирования на эффективность работы организации. Однако для проектов, использующих конструктивное моделирование, сложнее разработать контролируемые исследования воздействия моделирования на результативность организации, поскольку единицей исследования является вся организация (отделение, больница, региональная или национальная система здравоохранения). для которого разработана модель.В этом случае проще провести лонгитюдные исследования до и после проведения компьютерного моделирования, сравнивающие эффективность до и после вмешательства. Вот как Монкс и др. изучали влияние проекта компьютерного моделирования на оказание неотложной помощи при инсульте, используя простой предварительный дизайн. Авторы дополнили этот количественный анализ качественным исследованием, оценивающим влияние вовлечения клиницистов на различных этапах процесса моделирования70.

Когда моделирование используется в качестве исследовательского метода в исследовательских целях, цель не обязательно состоит в том, чтобы произвести практические улучшения или повысить навыки целевой группы, но скорее в генерировании общих знаний и внесении вклада в теорию управления и политики здравоохранения. изготовление.В этом случае люди, обучающиеся на симуляции, будут исследователями, которые ее организуют, и обучение часто будет происходить на более абстрактном, теоретическом уровне, чем когда симуляция используется для обучения или улучшения. Исследовательский проект будет сосредоточен на понимании механизмов, влияющих на управленческое поведение и эффективность работы организации в сфере здравоохранения. Например, бизнес-исследователи использовали виртуальное моделирование, чтобы изучить ментальные модели, которые менеджеры применяют при принятии решений57, а исследователи служб здравоохранения использовали компьютерные модели, чтобы понять основные факторы, которые влияют на решение врачей о способе оказания помощи и, в конечном итоге, на скорость лечения. кесарево сечение.80 Структура Киркпатрика изначально не была разработана для оценки таких примеров, но она может предоставить полезную основу для размышлений над этими проблемами. В таблице 2 показано, как четыре уровня модели Киркпатрика можно превратить в вопросы, которые могут направлять оценку вмешательств с использованием моделирования для обучения и совершенствования, а также составление рамок исследований с использованием моделирования в качестве метода исследования в управлении здравоохранением и разработке политики. .

Таблица 2

Применение концепции Киркпатрика к проектам обучения / усовершенствования и исследовательским проектам

Заключение

В этом документе дается комплексное представление о различных подходах к моделированию, которые можно использовать для исследования, понимания и улучшения управления здравоохранением и разработки политики.Для менеджеров, лиц, определяющих политику, и специалистов по оценке моделирование может использоваться для улучшения понимания конкретных систем здравоохранения и как часть инструментов для улучшения. В профессиональном контексте моделирование часто является более быстрым, безопасным и менее дорогостоящим способом экспериментировать с изменениями системы. Однако исследователи должны отметить конкретные ограничения, связанные с каждым подходом к моделированию, как с точки зрения требуемых инвестиций и опыта, так и с точки зрения типа ситуаций, которые они могут воспроизвести. Искусственный характер среды моделирования может также снизить внешнюю достоверность некоторых выводов; поэтому пользователи моделирования всегда должны помнить о целях своего проекта и о том, что они хотят узнать с помощью моделирования.Когда эти предостережения обрабатываются должным образом, есть веское обоснование и очевидные преимущества для использования методов моделирования. Чтобы моделирование полностью раскрыло свой потенциал, исследователи и специалисты в области управления здравоохранением и разработки политики могут использовать обширный опыт других дисциплин и промышленных секторов, где моделирование уже доказало свою ценность.

% PDF-1.4
%
1 0 объект
>
эндобдж
2 0 obj
>
эндобдж
3 0 obj
>
эндобдж
4 0 obj
>
эндобдж
5 0 obj
>
/ Ресурсы>
/ Шрифт>
/ ProcSet [/ PDF / Text]
/ Свойства>
>>
/ Повернуть 0
/ Большой палец 172 0 R
/ TrimBox [0.0 0,0 612,0 792,0]
/ Тип / Страница
>>
эндобдж
6 0 obj
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
7 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
8 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
9 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
10 0 obj
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
11 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
12 0 объект
>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
13 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
14 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
15 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
16 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
17 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
18 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
19 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
20 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
21 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
22 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
23 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
24 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
25 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
26 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
27 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
28 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
29 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
30 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
31 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
32 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
33 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
34 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
35 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
36 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
37 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
38 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
39 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
40 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
41 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
42 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
43 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
44 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
45 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
46 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
47 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
48 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
49 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
50 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
51 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
52 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
53 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
54 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
55 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
56 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
57 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
58 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
59 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
60 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
61 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
62 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
63 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
64 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
65 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
66 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
67 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
68 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
69 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
70 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
71 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
72 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
73 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
74 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
75 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
76 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
77 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
78 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
79 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
80 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
81 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
82 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
83 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
84 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
85 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
86 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
87 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
88 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
89 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
90 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
91 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
92 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
93 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
94 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
95 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
96 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
97 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
98 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
99 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
100 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
101 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
102 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
103 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
104 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
105 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
106 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
107 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
108 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
109 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
110 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
111 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
112 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
113 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
114 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
115 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
116 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
117 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
118 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть на 90
/ Тип / Страница
>>
эндобдж
119 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
120 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
121 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
122 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
123 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
124 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
125 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
126 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
127 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
128 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
129 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
130 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
131 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
132 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
133 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
134 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
135 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
136 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
137 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageB]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
138 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
139 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
140 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
141 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
142 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC / ImageI]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
143 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
144 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
145 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
146 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
147 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
148 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
149 0 объект
>
/ Шрифт>
/ ProcSet [/ PDF / Text]
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
150 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
151 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
152 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
153 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
154 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
155 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
156 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
157 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
158 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageC]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
159 0 объект
>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageB]
/ XObject>
>>
/ Повернуть 0
/ Тип / Страница
>>
эндобдж
160 0 объект
>
/ Ресурсы>
/ ExtGState>
/ Шрифт>
/ ProcSet [/ PDF / Text / ImageB]
/ Свойства>
/ XObject>
>>
/ Большой палец 556 0 R
/ TrimBox [0.