Суть моделирования как метода
Виды моделирования. Основы скульптинга, ретопологии и развертки
В этой статье мы поговорим про скульптинг, ретопологию и развертку. Но сначала нужно определиться с целью. Что мы будем моделировать, и каким способом?
Предположим, что мы решили создавать персонажа для игры, но что если это будет окружение, архитектура или что-то еще? Сначала нужно узнать какие бывают способы моделирования и понять какой нам больше подходит.
Способы моделирования
1. Полигональное моделирование
Это, наверное, самый популярный способ разработки 3D модели. Суть заключается в создании и редактировании сетки из полигонов, которые состоят из вершин и ребер. Нажимая на левую клавишу мыши мы создаем новую вершину, которая соединяется ребром.
Такой процесс моделирования можно представить как форму, например, лица, покрытую прямоугольниками с разной степенью перспективного искажения.
Говоря простым языком: «Мы создаем сетку, которая состоит из примитивных фигур (примитивов)». В результате получается многогранник. Чтобы лучше ассоциировать, можно вспомнить как в фильмах и анимации много маленьких роботов превращались в одного большого. Так же и с полигональным моделированием. Много примитивов составляют одну большую модель.
Кстати, чаще всего у полигона четыре грани, но бывает и три. Примитивы с тремя гранями используются только в определенных случаях, а вот больше четырех граней быть не может. Привязки к реальным единицам измерения нет, поэтому модель получается неточной. Соответственно, такой способ не подходит для моделирования каких-то деталей или архитектурных проектов, где важен каждый миллиметр.
Вы просто передвигаете вершину, ребро или весь полигон, ориентируясь на внешний вид. Полигональное моделирование хорошо подойдет, если вы моделируете художественную вещь, и вам не важны точные размеры. Это может быть персонаж, локация уровня игры или животное.
2. NURBS моделирование
Основное отличие этого способа от полигонального моделирования в плавности. NURBS модель состоит не из полигонов, а из кривых (сплайнов), однако при визуализации все равно преобразуется в полигоны, хотя внутри системы моделирования остается в кривых. Используется для создания плавных органических форм и моделей.
Допустим, нужно представить сложную трехмерную поверхность природного происхождения. Ее можно описывать вершинами и разбивать на примитивы, но на это уйдет много времени, а изменять кривизну поверхности в полигонах будет просто не удобно. В таких случаях как раз и применим способ NURBS моделирования.
3. Точное моделирование в Сапрах
В этом способе модель задается математическими формулами, поэтому поверхность модели будет абсолютно гладкая при любом приближении, а настроить ее можно с точностью до миллиметра.
Используется, когда важна точность, а не художественная выразительность. Чисто теоретически, таким способом можно создать персонажа, но но это займет огромное количество времени и усилий, в отличие от полигонального моделирования и скульптинга.
Про полигоны
Возвращаемся к полигона. Почему в каких-то моделях их больше, а в каких-то меньше?
Дело в том, что модели делятся по количеству полигонов:
В играх на ПК и консоли чаще всего используют mid-poly, иногда hi-poly (в AAA проектах), а в мобильных играх low poly.
Скульптинг
Приступаем к части моделирования под названием «Скульптинг». Это первый 3D этап в создании персонаж. В нем персонаж лепится как из глины, отсюда и название. На этом этапе можно окунуться в творчество и лепить не задумываясь о полигонах. А их будет много. Не волнуйтесь, позже все это дело мы упростим. Кстати, для обучения скульптингу хорошо бы приобрести графический планшет.
И так, плавно переходим к основной теме статьи. Но я ничего же не сказал про программы. Предлагаю взять Zbrush для скульптинга и 3D Coat для ретопологии и развертки. Первым делом нужно запустить Zbrush. Мы попадаем в основной экран программы. Сначала нам нужно создать сферу.
Во вкладке Tool, которая находится в правой части экрана, выбираем пункт «Sphere3D». Вытягиваем сферу в рабочей области нажатием лкм.
Для перемещения используем горячие клавиши:
Появляется панель с кистями. Для редактирования сферы нажимаем «Edit».
Чтобы не получать такое сообщение нужно нажать «Make PolyMesh 3D » в панели Tool.
Теперь можно скульптить. Осталось только включить симметрию на клавишу «X». При нажатии на alt кисть начинает работать в обратную сторону. Если кисть выдавливала, то наоборот будет вдавливать. Для ушей, глаз, носа лучше всего создавать отдельные сферы и скульптить их отдельно. Со временем сетка будет меняться и понадобится пересчитать полигоны. Для этого во вкладке Geometry нужно нажать DynaMesh.
Если работать только с одной сферой, то вся детализация сойдет на нет при пересчете полигонов. Так что лучше делать это отдельными объектами, а под конец работы объединить.
Если нет идей для скульптинга, можно зайти на artstation.com и найти понравившуюся работу. Можно найти концепт-арты, добавить Zbrush и использовать как референс для тренировки.
В процессе работы над моделью может понадобиться инструмент «маска». Применить его можно нажав на ctrl. Маска — это область на которую не реагирует кисть. Таким образом можно лепить много чего интересного.
Под конец работы над моделью получится примерно 1 — 3 миллиона полигонов. Такую модель будет сложно открыть в другой программе, поэтому нужно сократить количество полигонов. Для этого во вкладке Zplugin выберем пункт «Decimation Master» и нажмем на Pre-process All. Zbrush запустит процесс и сократит количество полигонов.
Готовую модель можно вывести в формате obj. Его кушают практически все редакторы. Сохранить можно нажав на «Export» в панели Tool.
Ретопология
В нашей модели еще достаточно много полигонов. Чтобы упростить нужно как бы покрыть модель полигонами вручную, сохраняя форму. Это и есть процесс ретопологии. Чтобы приступить, нужно перейти во вкладку Retopology. Тут нам нужно фактически вручную рисовать полигоны. Вот пример того, как они должны располагаться.
Вокруг глаз и рта полигоны выстраиваем кругом. На месте сгибов добавляем больше полигонов, а на неподвижных частях полигоны могут быть большие и в малом количестве, например, на затылке и лбе.
Развертка
Развертка или UV mapping очень важный процесс в разработке модели. На этом этапе мы уже подготавливаем модель к текстурированию.В чем суть? Представьте картонную коробку, которую разложили на плоскости. Коробку разобрали и теперь она в виде одного листа картона. Так же и с нашей моделью, мы разложили ее в 2D пространстве.
Нажимаем на вкладку uv mapping. 3D Coat показывает развертку модели на данный момент. Синим и красным цветом отмечены артефакты. Чтобы текстура без проблем ложилась на модель нужно, чтобы во вкладке UV Preview был только серый цвет. Как это сделать? На shift + лкм нужно удалить ненужные швы так, чтобы модель разделилась на части. UV развертка нужна для удобства текстурирования и экономии ресурсов.
После того, как на модели не останется артефактов нужно нажать упаковать UV, а потом применить UV раскладку. Поздравляю, модель окончательно готова к анимации и текстурированию.
Моделирование данных: зачем нужно и как реализовать
Моделирование данных ощутимо упрощает взаимодействие между разработчиками, аналитиками и маркетологами, как и сам процесс создания отчетов. Поэтому я перевела статью IBM Cloud Education о ценности моделирования и от себя добавила инфо о способах трансформации данных для моделирования.
Моделирование данных
Узнайте, как моделирование данных использует абстракцию для представления и лучшего понимания природы данных в информационной системе предприятия.
Что такое моделирование данных
Моделирование данных — это создание визуального представления о всей информационной системе либо ее части. Цель в том, чтобы проиллюстрировать типы данных, которые используются и хранятся в системе, отношения между этими типами данных, способы группировки и организации данных, их форматы и атрибуты.
Модели данных строятся на основе бизнес-потребностей. Правила и требования к модели данных определяются заранее на основе обратной связи с бизнесом, поэтому их можно включить в разработку новой системы или адаптировать к существующей.
Данные можно моделировать на различных уровнях абстракции. Процесс начинается со сбора бизнес-требований от заинтересованных сторон и конечных пользователей. Эти бизнес-правила затем преобразуются в структуры данных. Модель данных можно сравнить с дорожной картой, планом архитектора или любой формальной схемой, которая способствует более глубокому пониманию того, что разрабатывается.
Моделирование данных использует стандартизированные схемы и формальные методы. Это обеспечивает последовательный и предсказуемый способ управления данными в организации или за ее пределами.
В идеале модели данных — это живые документы, которые развиваются вместе с потребностями бизнеса. Они играют важную роль в поддержке бизнес-процессов и планировании ИТ-архитектуры и стратегии. Моделями данных можно делиться с поставщиками, партнерами и коллегами.
Преимущества моделирования данных
Моделирование упрощает просмотр и понимание взаимосвязей между данными для разработчиков, архитекторов данных, бизнес-аналитиков и других заинтересованных лиц. Кроме того, моделирование данных помогает:
Уменьшить количество ошибок при разработке программного обеспечения и баз данных.
Унифицировать документацию на предприятии.
Повысить производительность приложений и баз данных.
Упростить отображение данных по всей организации.
Улучшить взаимодействие между разработчиками и командами бизнес-аналитики.
Упростить и ускорить процесс проектирования базы данных на концептуальном, логическом и физическом уровнях.
Типы моделей данных
Разработка баз данных и информационных систем начинается с высокого уровня абстракции и с каждым шагом становится все точнее и конкретнее. В зависимости от степени абстракции модели данных можно разделить на три категории. Процесс начинается с концептуальной модели, переходит к логической модели и завершается физической моделью.
Концептуальные модели данных. Также они называются моделями предметной области и описывают общую картину: что будет содержать система, как она будет организована и какие бизнес-правила будут задействованы. Концептуальные модели обычно создаются в процессе сбора исходных требований к проекту. Как правило, они включают классы сущностей (вещи, которые бизнесу важно представить в модели данных), их характеристики и ограничения, отношения между сущностями, требования к безопасности и целостности данных. Любые обозначения обычно просты.
Логические модели данных уже не так абстрактны и предоставляют более подробную информацию о концепциях и взаимосвязях в рассматриваемой области. Они содержат атрибуты данных и показывают отношения между сущностями. Логические модели данных не определяют никаких технических требований к системе. Этот этап часто пропускается в agile или DevOps-практиках. Логические модели данных могут быть полезны для проектов, ориентированных на данные по своей природе. Например, для проектирования хранилища данных или разработки системы отчетности.
Физические модели данных представляют схему того, как данные будут храниться в базе. По сути, это наименее абстрактные из всех моделей. Они предлагают окончательный дизайн, который может быть реализован как реляционная база данных, включающая ассоциативные таблицы, которые иллюстрируют отношения между сущностями, а также первичные и внешние ключи для связи данных.
Процесс моделирования данных
Моделирование данных начинается с договоренности о том, какие символы используются для представления данных, как размещаются модели и как передаются бизнес-требования. Это формализованный рабочий процесс, включающий ряд задач, которые должны выполняться итеративно. Сам процесс обычно выглядят так:
Определите сущности. На этом этапе идентифицируем объекты, события или концепции, представленные в наборе данных, который необходимо смоделировать. Каждая сущность должна быть целостной и логически отделенной от всех остальных.
Определите ключевые свойства каждой сущности. Каждый тип сущности можно отличить от всех остальных, поскольку он имеет одно или несколько уникальных свойств, называемых атрибутами. Например, сущность «клиент» может обладать такими атрибутами, как имя, фамилия, номер телефона и т.д. Сущность «адрес» может включать название и номер улицы, город, страну и почтовый индекс.
Определите связи между сущностями. Самый ранний черновик модели данных будет определять характер отношений, которые каждая сущность имеет с другими. В приведенном выше примере каждый клиент «живет по» адресу. Если бы эта модель была расширена за счет включения сущности «заказы», каждый заказ также был бы отправлен на адрес. Эти отношения обычно документируются с помощью унифицированного языка моделирования (UML).
Полностью сопоставьте атрибуты с сущностями. Это гарантирует, что модель отражает то, как бизнес будет использовать данные. Широко используются несколько формальных шаблонов (паттернов) моделирования данных. Объектно-ориентированные разработчики часто применяют шаблоны для анализа или шаблоны проектирования, в то время как заинтересованные стороны из других областей бизнеса могут обратиться к другим паттернам.
Назначьте ключи по мере необходимости и определите степень нормализации. Нормализация — это метод организации моделей данных, в которых числовые идентификаторы (ключи) назначаются группам данных для установления связей между ними без повторения данных. Например, если каждому клиенту назначен ключ, этот ключ можно связать как с его адресом, так и с историей заказов, без необходимости повторять эту информацию в таблице с именами клиентов. Нормализация помогает уменьшить объем дискового пространства, необходимого для базы данных, но может сказываться на производительности запросов.
Завершите и проверьте модель данных. Моделирование данных — это итеративный процесс, который следует повторять и совершенствовать под потребности бизнеса.
Типы моделирования данных
Моделирование данных развивалось вместе с системами управления базами данных (СУБД), при этом типы моделей усложнялись по мере роста потребностей предприятий в хранении данных.
Иерархические модели данных представляют отношения «один ко многим» в древовидном формате. В модели этого типа каждая запись имеет единственный корень или родительский элемент, который сопоставляется с одной или несколькими дочерними таблицами. Эта модель была реализована в IBM Information Management System (IMS) в 1966 году и быстро нашла широкое применение, особенно в банковской сфере. Хотя этот подход менее эффективен, чем недавно разработанные модели баз данных, он все еще используется в системах расширяемого языка разметки (XML) и географических информационных системах (ГИС).
Реляционные модели данных были предложены исследователем IBM Э. Ф. Коддом в 1970 году. Они до сих пор встречаются во многих реляционных базах данных, обычно используемых в корпоративных вычислениях. Реляционное моделирование не требует детального понимания физических свойств используемого хранилища данных. В нем сегменты данных объединяются с помощью таблиц, что упрощает базу данных.
Реляционные базы данных часто используют язык структурированных запросов (SQL) для управления данными. Эти базы подходят для поддержания целостности данных и минимизации избыточности. Они часто используются в кассовых системах, а также для других типов обработки транзакций.
В ER-моделях данных используют диаграммы для представления взаимосвязей между сущностями в базе данных. ER-модель представляет собой формальную конструкцию, которая не предписывает никаких графических средств её визуализации. В качестве стандартной графической нотации, с помощью которой можно визуализировать ER-модель, была предложена диаграмма «сущность-связь» (Entity-Relationship diagram). Однако для визуализации ER-моделей могут использоваться и другие графические нотации, либо визуализация может вообще не применяться (например, только текстовое описание).
Объектно-ориентированные модели данных получили распространение как объектно-ориентированное программирование и стали популярными в середине 1990-х годов. Вовлеченные «объекты» — это абстракции сущностей реального мира. Объекты сгруппированы в иерархии классов и имеют связанные черты. Объектно-ориентированные базы данных могут включать таблицы, но могут также поддерживать более сложные связи. Этот подход часто используется в мультимедийных и гипертекстовых базах данных.
Размерные модели данных разработал Ральф Кимбалл для быстрого поиска данных в хранилище. Реляционные и ER-модели делают упор на эффективное хранение и уменьшают избыточность данных, а размерные модели упорядочивает данные таким образом, чтобы легче было извлекать информацию и создавать отчеты. Это моделирование обычно используется в системах OLAP.
Две популярные размерные модели данных — это схемы «звезда» и «снежинка». В схеме «звезда» данные организованы в факты (измеримые элементы) и измерения (справочная информация), где каждый факт окружен связанными с ним измерениями в виде звездочки. Схема «снежинка» напоминает схему «звезда», но включает дополнительные слои связанных измерений, что усложняет схему ветвления.
Инструменты для моделирования данных
Сегодня широко используются многочисленные коммерческие и CASE-решения с открытым исходным кодом, в том числе различные инструменты моделирования данных, построения диаграмм и визуализации. Вот несколько примеров:
erwin Data Modeler — это инструмент моделирования данных, основанный на языке IDEF1X, который теперь поддерживает и другие нотации, включая нотацию для размерного моделирования.
Enterprise Architect — это инструмент визуального моделирования и проектирования, который поддерживает моделирование корпоративных информационных систем и архитектур, программных приложений и баз данных. Он основан на объектно-ориентированных языках и стандартах.
ER/Studio — это программа для проектирования баз данных, совместимая с некоторыми из самых популярных СУБД. Она поддерживает как реляционное, так и размерное моделирование данных.
Бесплатные инструменты моделирования данных включают решения с открытым исходным кодом, такие как Open ModelSphere.
Для того, чтобы преобразовать данные в структуру, которая соответствует требованиям модели, можно использовать встроенный механизм регулярных запросов, которые выполняются в Google BigQuery, Scheduled Queries и AppScript. Их легко можно освоить, потому что это привычный SQL, но проводить отладку в Scheduled Queries практически нереально. Особенно, если это какой-то сложный запрос или каскад запросов.
Есть специализированные инструменты для управления SQL-запросами, например, dbt и Dataform.
dbt (data build tool) — это фреймворк с открытым исходным кодом для выполнения, тестирования и документирования SQL-запросов, который позволяет привнести элемент программной инженерии в процесс анализа данных. Он помогает оптимизировать работу с SQL-запросами: использовать макросы и шаблоны JINJA, чтобы не повторять в сотый раз одни и те же фрагменты кода.
Главная проблема, которую решают специализированные инструменты — это уменьшение времени, необходимого на поддержку и обновление. Это достигается за счет удобства отладки.
Моделирование как метод научного познания
1. Моделирование как метод научного познания.
Моделирование в научных исследованиях стало применяться еще в глубокой древности и постепенно захватывало все новые области научных знаний: техническое конструирование, строительство и архитектуру, астрономию, физику, химию, биологию и, наконец, общественные науки. Большие успехи и признание практически во всех отраслях современной науки принес методу моделирования ХХ в. Однако методология моделирования долгое время развивалась независимо отдельными науками. Отсутствовала единая система понятий, единая терминология. Лишь постепенно стала осознаваться роль моделирования как универсального метода научного познания.
Термин «модель» широко используется в различных сферах человеческой деятельности и имеет множество смысловых значений. Рассмотрим только такие «модели», которые являются инструментами получения знаний.
Главная особенность моделирования в том, что это метод опосредованного познания с помощью объектов-заместителей. Модель выступает как своеобразный инструмент познания, который исследователь ставит между собой и объектом и с помощью которого изучает интересующий его объект. Именно эта особенность метода моделирования определяет специфические формы использования абстракций, аналогий, гипотез, других категорий и методов познания.
Необходимость использования метода моделирования определяется тем, что многие объекты (или проблемы, относящиеся к этим объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств.
Процесс моделирования включает три элемента:
1) субъект (исследователь),
2) объект исследования,
3) модель, опосредствующую отношения познающего субъекта и познаваемого объекта.
Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от отражения других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько «специализированных» моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.
На втором этапе процесса моделирования модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение «модельных» экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее «поведении». Конечным результатом этого этапа является множество знаний о модели R.
На третьем этапе осуществляется перенос знаний с модели на оригинал формирование множества знаний S об объекте. Этот процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели. Мы можем с достаточным основанием переносить какой-либо результат с модели на оригинал, если этот результат необходимо связан с признаками сходства оригинала и модели. Если же определенный результат модельного исследования связан с отличием модели от оригинала, то этот результат переносить неправомерно.
Четвертый этап практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.
Моделирование циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта и ошибками в построении модели, можно исправить в последующих циклах. В методологии моделирования, таким образом, заложены большие возможности саморазвития.
2. Особенности применения метода математического моделирования в экономике.
Проникновение математики в экономическую науку связано с преодолением значительных трудностей. В этом отчасти была «повинна» математика, развивающаяся на протяжении нескольких веков в основном в связи с потребностями физики и техники. Но главные причины лежат все же в природе экономических процессов, в специфике экономической науки.
Большинство объектов, изучаемых экономической наукой, может быть охарактеризовано кибернетическим понятием сложная система.
Сложность экономики иногда рассматривалась как обоснование невозможности ее моделирования, изучения средствами математики. Но такая точка зрения в принципе неверна. Моделировать можно объект любой природы и любой сложности. И как раз сложные объекты представляют наибольший интерес для моделирования; именно здесь моделирование может дать результаты, которые нельзя получить другими способами исследования.
Потенциальная возможность математического моделирования любых экономических объектов и процессов не означает, разумеется, ее успешной осуществимости при данном уровне экономических и математических знаний, имеющейся конкретной информации и вычислительной технике. И хотя нельзя указать абсолютные границы математической формализуемости экономических проблем, всегда будут существовать еще неформализованные проблемы, а также ситуации, где математическое моделирование недостаточно эффективно.
3. Особенности экономических наблюдений и измерений.
Уже длительное время главным тормозом практического применения математического моделирования в экономике является наполнение разработанных моделей конкретной и качественной информацией. Точность и полнота первичной информации, реальные возможности ее сбора и обработки во многом определяют выбор типов прикладных моделей. С другой стороны, исследования по моделированию экономики выдвигают новые требования к системе информации.
Методы экономических наблюдений и использования результатов этих наблюдений разрабатываются экономической статистикой. Поэтому стоит отметить только специфические проблемы экономических наблюдений, связанные с моделированием экономических процессов.
В экономике многие процессы являются массовыми; они характеризуются закономерностями, которые не обнаруживаются на основании лишь одного или нескольких наблюдений. Поэтому моделирование в экономике должно опираться на массовые наблюдения.
Другая проблема порождается динамичностью экономических процессов, изменчивостью их параметров и структурных отношений. Вследствие этого экономические процессы приходится постоянно держать под наблюдением, необходимо иметь устойчивый поток новых данных. Поскольку наблюдения за экономическими процессами и обработка эмпирических данных обычно занимают довольно много времени, то при построении математических моделей экономики требуется корректировать исходную информацию с учетом ее запаздывания.
Познание количественных отношений экономических процессов и явлений опирается на экономические измерения. Точность измерений в значительной степени предопределяет и точность конечных результатов количественного анализа посредством моделирования. Поэтому необходимым условием эффектного использования математического моделирования является совершенствование экономических измерителей. Применение математического моделирования заострило проблему измерений и количественных сопоставлений различных аспектов и явлений социально-экономического развития, достоверности и полноты получаемых данных, их защиты от намеренных и технических искажений.
4. Случайность и неопределенность в экономическом развитии.
Для методологии планирования экономики важное значение имеет понятие неопределенности экономического развития. В исследованиях по экономическому прогнозированию и планированию различают два типа неопределенности: «истинную», обусловленную свойствами экономических процессов, и «информационную», связанную с неполнотой и неточностью имеющейся информации об этих процессах. Истинную неопределенность нельзя смешивать с объективным существованием различных вариантов экономического развития и возможностью сознательного выбора среди них эффективных вариантов. Речь идет о принципиальной невозможности точного выбора единственного (оптимального) варианта.
В развитии экономики неопределенность вызывается двумя основными причинами. Во-первых, ход планируемых и управляемых процессов, а также внешние воздействия на эти процессы не могут быть точно предсказуемы из-за действия случайных факторов и ограниченности человеческого познания в каждый момент. Особенно характерно это для прогнозирования научно-технического прогресса, потребностей общества, экономического поведения. Во-вторых, общегосударственное планирование и управление не только не всеобъемлющи, но и не всесильны, а наличие множества самостоятельных экономических субъектов с особыми интересами не позволяет точно предвидеть результаты их взаимодействий. Неполнота и неточность информации об объективных процессах и экономическом поведении усиливают истинную неопределенность.
На первых этапах исследований по моделированию экономики применялись в основном модели детерминистского типа. В этих моделях все параметры предполагаются точно известными. Однако детерминистские модели неправильно понимать в механическом духе и отождествлять их с моделями, которые лишены всех «степеней выбора» (возможностей выбора) и имеют единственное допустимое решение. Классическим представителем жестко детерминистских моделей является оптимизационная модель народного хозяйства, применяемая для определения наилучшего варианта экономического развития среди множества допустимых вариантов.
В результате накопления опыта использования жестко детерминистских моделей были созданы реальные возможности успешного применения более совершенной методологии моделирования экономических процессов, учитывающих стохастику и неопределенность. Здесь можно выделить два основных направления исследований. Во-первых, усовершенствуется методика использования моделей жестко детерминистского типа: проведение многовариантных расчетов и модельных экспериментов с вариацией конструкции модели и ее исходных данных; изучение устойчивости и надежности получаемых решений, выделение зоны неопределенности; включение в модель резервов, применение приемов, повышающих приспособляемость экономических решений к вероятным и непредвидимым ситуациям. Во-вторых, получают распространение модели, непосредственно отражающие стохастику и неопределенность экономических процессов и использующие соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, стохастическое программирование, теорию случайных процессов.
5. Проверка адекватности моделей.
Сложность экономических процессов и явлений и другие отмеченные выше особенности экономических систем затрудняют не только построение математических моделей, но и проверку их адекватности, истинности получаемых результатов.
Специфика верификации нормативных моделей экономики состоит в том, что они, как правило, «конкурируют» с другими, уже нашедшими практическое применение методами планирования и управления. При этом далеко не всегда можно поставить чистый эксперимент по верификации модели, устранив влияние других управляющих воздействий на моделируемый объект.
Несмотря на отмеченные усложняющие обстоятельства, соответствие модели фактам и тенденциям реальной экономической жизни остается важнейшим критерием, определяющим направления совершенствования моделей. Всесторонний анализ выявляемых расхождений между действительностью и моделью, сопоставление результатов по модели с результатами, полученными иными методами, помогают выработать пути коррекции моделей.
Значительная роль в проверке моделей принадлежит логическому анализу, в том числе средствами самого математического моделирования. Такие формализованные приемы верификации моделей, как доказательство существования решения в модели, проверка истинности статистических гипотез о связях между параметрами и переменными модели, сопоставления размерности величин и т.д., позволяют сузить класс потенциально «правильных» моделей.
Внутренняя непротиворечивость предпосылок модели проверяется также путем сравнения друг с другом получаемых с ее помощью следствий, а также со следствиями «конкурирующих» моделей.
Оценивая современное состояние проблемы адекватности математических моделей экономике, следует признать, что создание конструктивной комплексной методики верификации моделей, учитывающей как объективные особенности моделируемых объектов, так и особенности их познания, по-прежнему является одной из наиболее актуальных задач экономико-математических исследований.
6. Классификация экономико-математических моделей.
Математические модели экономических процессов и явлений более кратко можно назвать экономико-математическими моделями. Для классификации этих моделей используются разные основания.
Остановимся более подробно на характеристике таких классов экономико-математических моделей, с которыми связаны наибольшие особенности методологии и техники моделирования.
Выше уже показывались различия между моделями дескриптивными и нормативными. Дискриптивные модели отвечают на вопрос: как это происходит? или как это вероятнее всего может дальше развиваться?, т.е. они только объясняют наблюдаемые факты или дают вероятный прогноз. Нормативные модели отвечают на вопрос: как это должно быть?, т.е. предполагают целенаправленную деятельность. Типичным примером нормативных моделей являются модели оптимального планирования, формализующие тем или иным способом цели экономического развития, возможности и средства их достижения.
Применение дескриптивного подхода в моделировании экономики объясняется необходимостью эмпирического выявления различных зависимостей в экономике, установления статистических закономерностей экономического поведения социальных групп, изучения вероятных путей развития каких-либо процессов при неизменяющихся условиях или протекающих без внешних воздействий. Примерами дескриптивных моделей являются производственные функции и функции покупательского спроса, построенные на основе обработки статистических данных.
Является ли экономико-математическая модель дескриптивной или нормативной, зависит не только от ее математической структуры, но от характера использования этой модели. Например, модель межотраслевого баланса дескриптивна, если она используется для анализа пропорций прошлого периода. Но эта же математическая модель становится нормативной, когда она применяется для расчетов сбалансированных вариантов развития народного хозяйства, удовлетворяющих конечные потребности общества при плановых нормативах производственных затрат.
Многие экономико-математические модели сочетают признаки дескриптивных и нормативных моделей. Типична ситуация, когда нормативная модель сложной структуры объединяет отдельные блоки, которые являются частными дескриптивными моделями. Например, межотраслевая модель может включать функции покупательского спроса, описывающие поведение потребителей при изменении доходов. Подобные примеры характеризуют тенденцию эффективного сочетания дескриптивного и нормативного подходов к моделированию экономических процессов. Дескриптивный подход широко применяется в имитационном моделировании.
По характеру отражения причинно-следственных связей различают модели жестко детерминистские и модели, учитывающие случайность и неопределенность. Необходимо различать неопределенность, описываемую вероятностными законами, и неопределенность, для описания которой законы теории вероятностей неприменимы. Второй тип неопределенности гораздо более сложен для моделирования.
По способам отражения фактора времени экономико-математические модели делятся на статические и динамические. В статических моделях все зависимости относятся к одному моменту или периоду времени. Динамические модели характеризуют изменения экономических процессов во времени. По длительности рассматриваемого периода времени различаются модели краткосрочного (до года), среднесрочного (до 5 лет), долгосрочного (10-15 и более лет) прогнозирования и планирования. Само время в экономико-математических моделях может изменяться либо непрерывно, либо дискретно.
Модели экономических процессов чрезвычайно разнообразны по форме математических зависимостей. Особенно важно выделить класс линейных моделей, наиболее удобных для анализа и вычислений и получивших вследствие этого большое распространение. Различия между линейными и нелинейными моделями существенны не только с математической точки зрения, но и в теоретико-экономическом отношении, поскольку многие зависимости в экономике носят принципиально нелинейный характер: эффективность использования ресурсов при увеличении производства, изменение спроса и потребления населения при увеличении производства, изменение спроса и потребления населения при росте доходов и т.п. Теория «линейной экономики» существенно отличается от теории «нелинейной экономики». От того, предполагаются ли множества производственных возможностей подсистем (отраслей, предприятий) выпуклыми или же невыпуклыми, существенно зависят выводы о возможности сочетания централизованного планирования и хозяйственной самостоятельности экономических подсистем.
Для моделей народнохозяйственного уровня важно деление на агрегированные и детализированные.
В зависимости от того, включают ли народнохозяйственные модели пространственные факторы и условия или не включают, различают модели пространственные и точечные.
Таким образом, общая классификация экономико-математических моделей включает более десяти основных признаков. С развитием экономико-математических исследований проблема классификации применяемых моделей усложняется. Наряду с появлением новых типов моделей (особенно смешанных типов) и новых признаков их классификации осуществляется процесс интеграции моделей разных типов в более сложные модельные конструкции.
7. Этапы экономико-математического моделирования.
Основные этапы процесса моделирования уже рассматривались выше. В различных отраслях знаний, в том числе и в экономике, они приобретают свои специфические черты. Проанализируем последовательность и содержание этапов одного цикла экономико-математического моделирования.
Знание общих свойств модели имеет столь важное значение, часто ради доказательства подобных свойств исследователи сознательно идут на идеализацию первоначальной модели. И все же модели сложных экономических объектов с большим трудом поддаются аналитическому исследованию. В тех случаях, когда аналитическими методами не удается выяснить общих свойств модели, а упрощения модели приводят к недопустимым результатам, переходят к численным методам исследования.
4. Подготовка исходной информации. Моделирование предъявляет жесткие требования к системе информации. В то же время реальные возможности получения информации ограничивают выбор моделей, предназначаемых для практического использования. При этом принимается во внимание не только принципиальная возможность подготовки информации (за определенные сроки), но и затраты на подготовку соответствующих информационных массивов. Эти затраты не должны превышать эффект от использования дополнительной информации.
В процессе подготовки информации широко используются методы теории вероятностей, теоретической и математической статистики. При системном экономико-математическом моделировании исходная информация, используемая в одних моделях, является результатом функционирования других моделей.
5. Численное решение. Этот этап включает разработку алгоритмов для численного решения задачи, составления программ на ЭВМ и непосредственное проведение расчетов. Трудности этого этапа обусловлены прежде всего большой размерностью экономических задач, необходимостью обработки значительных массивов информации.
Обычно расчеты по экономико-математической модели носят многовариантный характер. Благодаря высокому быстродействию современных ЭВМ удается проводить многочисленные «модельные» эксперименты, изучая «поведение» модели при различных изменениях некоторых условий. Исследование, проводимое численными методами, может существенно дополнить результаты аналитического исследования, а для многих моделей оно является единственно осуществимым. Класс экономических задач, которые можно решать численными методами, значительно шире, чем класс задач, доступных аналитическому исследованию.
6. Анализ численных результатов и их применение. На этом заключительном этапе цикла встает вопрос о правильности и полноте результатов моделирования, о степени практической применимости последних.
Математические методы проверки могут выявлять некорректные построения модели и тем самым сужать класс потенциально правильных моделей. Неформальный анализ теоретических выводов и численных результатов, получаемых посредством модели, сопоставление их с имеющимися знаниями и фактами действительности также позволяют обнаруживать недостатки постановки экономической задачи, сконструированной математической модели, ее информационного и математического обеспечения.
Взаимосвязи этапов. На рис. 1 изображены связи между этапами одного цикла экономико-математического моделирования.
Обратим внимание на возвратные связи этапов, возникающие вследствие того, что в процессе исследования обнаруживаются недостатки предшествующих этапов моделирования.
Уже на этапе построения модели может выясниться, что постановка задачи противоречива или приводит к слишком сложной математической модели. В соответствии с этим исходная постановка задачи корректируется. Далее математический анализ модели (этап 3) может показать, что небольшая модификация постановки задачи или ее формализации дает интересный аналитический результат.
Поскольку экономико-математические задачи могут быть сложны по своей структуре, иметь большую размерность, то часто случается, что известные алгоритмы и программы для ЭВМ не позволяют решить задачу в первоначальном виде. Если невозможно в короткий срок разработать новые алгоритмы и программы, исходную постановку задачи и модель упрощают: снимают и объединяют условия, уменьшают число факторов, нелинейные соотношения заменяют линейными, усиливают детерминизм модели и т.д.
Недостатки, которые не удается исправить на промежуточных этапах моделирования, устраняются в последующих циклах. Но результаты каждого цикла имеют и вполне самостоятельное значение. Начав исследование с построения простой модели, можно быстро получить полезные результаты, а затем перейти к созданию более совершенной модели, дополняемой новыми условиями, включающей уточненные математические зависимости.
По мере развития и усложнения экономико-математического моделирования его отдельные этапы обособляются в специализированные области исследований, усиливаются различия между теоретико-аналитическими и прикладными моделями, происходит дифференциация моделей по уровням абстракции и идеализации.
8. Роль прикладных экономико-математических исследований.
Можно выделить, по крайней мере, четыре аспекта применения математических методов в решении практических проблем.
1. Совершенствование системы экономической информации. Математические методы позволяют упорядочить систему экономической информации, выявлять недостатки в имеющейся информации и вырабатывать требования для подготовки новой информации или ее корректировки. Разработка и применение экономико-математических моделей указывают пути совершенствования экономической информации, ориентированной на решение определенной системы задач планирования и управления. Прогресс в информационном обеспечении планирования и управления опирается на бурно развивающиеся технические и программные средства информатики.
2. Интенсификация и повышение точности экономических расчетов. Формализация экономических задач и применение ЭВМ многократно ускоряют типовые, массовые расчеты, повышают точность и сокращают трудоемкость, позволяют проводить многовариантные экономические обоснования сложных мероприятий, недоступные при господстве «ручной» технологии.
3. Углубление количественного анализа экономических проблем. Благодаря применению метода моделирования значительно усиливаются возможности конкретного количественного анализа; изучение многих факторов, оказывающих влияние на экономические процессы, количественная оценка последствий изменения условий развития экономических объектов и т.п.
4. Решение принципиально новых экономических задач. Посредством математического моделирования удается решать такие экономические задачи, которые иными средствами решить практически невозможно, например: нахождение оптимального варианта народнохозяйственного плана, имитация народнохозяйственных мероприятий, автоматизация контроля за функционированием сложных экономических объектов.
Сфера практического применения метода моделирования ограничивается возможностями и эффективностью формализации экономических проблем и ситуаций, а также состоянием информационного, математического, технического обеспечения используемых моделей. Стремление во что бы то ни стало применить математическую модель может не дать хороших результатов из-за отсутствия хотя бы некоторых необходимых условий.
В соответствии с современными научными представлениями системы разработки и принятия хозяйственных решений должны сочетать формальные и неформальные методы, взаимоусиливающие и взаимодополняющие друг друга. Формальные методы являются прежде всего средством научно обоснованной подготовки материала для действий человека в процессах управления. Это позволяет продуктивно использовать опыт и интуицию человека, его способности решать плохо формализуемые задачи.
Ошибка в тексте? Выдели её мышкой и нажми 