Детерминистский подход это: Детерминизм — Гуманитарный портал

Детерминизм — Гуманитарный портал

Детерминизм — это философское учение (см. Философия) о закономерной универсальной взаимосвязи и взаимообусловленности явлений объективной действительности (см. Сущее, Мир). Детерминизм, как термин и обобщающее понятие, служит для обозначения класса философских концепций, утверждающих или признающих обусловленность, определяемость (детерминированность) всех существующих явлений наблюдаемого мира, включая и человека с его внутренним, субъективным, духовным миром, и некоторой первичной, субстанциальной реальностью (например, Богом — теологический детерминизм, природой — натуралистический детерминизм, или космосом — космологический детерминизм и другие). Однако чаще с понятием детерминизма связывают философское учение о естественной причинной обусловленности всех явлений объективного [материального] мира их универсальной, закономерной взаимосвязи и взаимозависимости. Философский детерминизм, сформулированный ещё древнегреческими материалистами-атомистами, оформился в классической философии как вид логического определения понятия (см. Понятие), противостоящий генерализации (обобщению). В XVI–XVII веках понятие детерминизма начинает приобретать новый смысл — смысл обусловленности — и употребляется в этике для выражения позиции, противостоящей «свободе воли». В XVII веке в период выработки элементарных понятий механики происходит сближение понятия детерминизма и причинности, устанавливается тесная связь категории закономерности и причинности, закладываются основы механистического детерминизма. Успехи механики закрепляют представления об исключительно динамическом характере закономерностей, об универсальности причинной обусловленности. Причинность становится формой выражения законов науки (см. Наука), содержанием детерминистской формы объяснения явлений. Полное и гармоническое слияние механической причинности и детерминизма происходит в концепции Пьер-Симона Лапласа. Центральной становится идея о том, что всякое состояние Вселенной есть следствие предыдущих и причина последующих её состояний. Сформированное им понятие причинно-следственных цепей, последующее отождествление этого понятия с понятием связи состояний и теоретико-механическим представлением о движении окончательно утверждают универсальный объяснительный статус лапласовского детерминизма. Одновременно с этим процессом в концепции лапласовского детерминизма наметился выход за рамки механистической методологии в силу немеханистического, но статистического, вероятностного характера закономерностей, которые исследовались Лапласом. Он обосновывал эвристическую ценность новых математических вероятностных методов, но в рамках доминирующих в то время механистических идеалов и норм научного исследования. Философский детерминизм сыграл значительную роль в развитии науки Нового времени, и сам, в свою очередь, проделал сложную эволюцию в своём развитии под влиянием научных достижений и общественной практики. Длительное время детерминизм был частью общих материалистически-механистических представлений о мире и процессе его познания, сложившихся в естествознании XVII–XVIII веков и господствовавших в нём, по существу, до конца XIX века. В рамках этих представлений мир рассматривался как гигантский механизм, все действия которого строго однозначно детерминированы в своём появлении и изменении чисто материальными причинными взаимодействиями и в конечном счёте законами механики Ньютона. Ум, которому было бы доступно знание всех координат и скоростей существующих в мире тел и который был бы способен произвести соответствующие математические вычисления, мог бы точно предсказать будущую судьбу мира (и любого явления в нём), как, впрочем, определить и его прошлое состояние. В таком мире нет места не только какому-либо произволу или провидению, но и случаю, возможности, вероятности (концепция абсолютного или лапласовского детерминизма). Но уже с середины XIX века стали возникать концепции (статистическая физика, теория естественного отбора в биологии и другие), которые выходили за рамки такого представления о мире. Переход науки от изучения простых динамических систем к вероятностным, эволюционирующим природным и социальным объектам сопровождался кризисом концепции лапласовского детерминизма, обусловив тем самым изменение идеалов аналитического, поэлементного характера познания, расхождение принципа причинности и принципа детерминизма. С формированием статистического вероятностного детерминизма в учении Чарльза Дарвина о естественном отборе, утверждающем целесообразный характер развития живых систем в биологии, обнаружилась существенная ограниченность причинного типа объяснений в научном познании. Дальнейшее освоение наукой саморегулирующихся систем (кибернетических, экологических, социальных) обусловило формирование новых категорий — цель, самоорганизация, саморазвитие, прямые и обратные связи, отражение и других, а также соответствующих конкретно-научных форм и новых методологических регулятивов. Соответственно менялся категориальный каркас естественнонаучных концепций, структура теоретических построений, идеалы и нормы научного исследования. В XX веке создание детерминистских концепций приобрело характер неудержимого потока (квантовая механика в физике, генетика и синтетическая теория эволюции в биологии, теория информации, кибернетика, синергетика и другие), что поставило науку и философию науки перед необходимостью выработки принципиально новой картины мира. В этих научных теориях при описании и объяснении соответствующих природных явлений и явлений социального порядка всё более существенная роль стала отводиться понятиям неопределённости, случайности, возможности, вероятности, целесообразности. В изменении структуры познавательной деятельности стали участвовать новые категориальные детерминистские схемы. Одну из первых классификаций форм детерминации предложил Марио Бунге. В ней, наряду с классической причинной детерминацией (или причинностью), выделяются также: Количественная самодетерминация последующего (состояния системы) предшествующим (состоянием). Механическая детерминация последующего предшествующим с прибавлением действующих причин и взаимных действий. Статистическая детерминация конечного результата объединённым действием независимых сущностей. Структурная (или холистская) детерминация частей целым. Телеологическая детерминация средств целями или задачами. Диалектическая детерминация или качественная самодетерминация всего процесса внутренней «борьбой» существенных противоположных сторон, или компонентов, системы. Взаимодействие, или детерминация следствия взаимным действием двух (или более) сущностей. Современное философское и методологическое осмысление детерминизма раскрывает взаимосвязь философского и естественнонаучного статусов (аспектов) этих принципов. Философский детерминизм фиксирует разнообразные формы взаимосвязей и взаимоотношений явлений объективной реальности: генетические (причинно-следственные) и статистические, пространственные и временные, связи состояний и коррелятивные связи, функциональные и целевые зависимости и так далее. Все они выражаются через систему таких философских детерминистических категорий, как необходимость и случайность, возможность, действительность, закономерность, причинность и ряда других. В настоящее время концепция общего детерминизма в философии дополняется и углубляется такими идеями, как глобальный эволюционизм, принцип системной организованности и концепция уровней бытия (см. Бытие). На этой основе по-новому ставятся и решаются такие традиционно сложные для детерминистского мировоззрения проблемы, как телеология живого или природа свободной, целе- и ценностно-ориентированной деятельности человека. Однако работа по созданию такой целостной теоретической концепции общего детерминизма ещё только начата и на сегодня намечены лишь самые приблизительные контуры её возможного содержания. Наряду с этим, в современной философии традиционные презумпции детерминизма подвергаются радикальному переосмыслению в контексте парадигмы неодетерминизма (см. Неодетерминизм). В целом, современная ситуация может расцениваться как транзитивная с точки зрения осуществляющегося в ней перехода от линейных представлений о детерминационных отношениях — к нелинейным; данный переход обнаруживает себя как в естественнонаучной, так и в гуманитарной проекциях, — синергетика (см. Синергетика) и постмодернизм являются наиболее последовательными выразителями этого перехода, соответственно, в сферах науки и философии. Методологическая природа (см. Методология) принципа детерминизма проявляется в том, что он выступает не только как философское учение, но и конкретно-научный норматив описания и объяснения универсальной закономерной связи и обусловленности развития и функционирования определённым образом системно-организованных объектов в процессе их взаимодействия. Принципиальная историчность этого учения обусловлена необходимостью формирования новых естественнонаучных форм детерминизма при переходе науки к изучению объектов с новыми системно-структурными характеристиками. В общественных науках детерминизм рассматривает вопросы о движущих силах и закономерностях общественного развития (см. Общество), о воздействии общества и отдельных его подсистем на формирование человеческих индивидов и их деятельность (см.  Деятельность). Центральным вопросом детерминизма здесь является вопрос о существовании и действии законов. Признание законов, по существу, означает возможность научного познания природы и общества, возможностей науки (в её «классическом» понимании), научно ориентированной адаптации человека к различным процессам (или управления ими). Отрицание законов стимулировало взгляд на природу и общество как на полностью неуправляемые и непредсказуемые процессы. Применительно к обществу такой взгляд часто возникал из попыток выявить специфику социальных процессов сравнительно с природными, подчеркнуть значение деятельности людей, индивидуального творчества для хода социальной истории. В таком смысле концепция детерминизма противостоит различным фаталистическим и провиденциалистским концепциям, связывающим процессы обусловливания, детерминирования явлений общества и существования человека с деятельностью разного рода эзотерических субстанций (судьбы, фатума, рока и тому подобных). Сложность вопроса о социальных законах объясняется и тем, что в процессе становления обществознания доминировало стремление формировать представление о законах общества по образцу законов естественнонаучных. Такой подход порождал упрощённые, «механические» образы и схемы закономерных связей общественной жизни. Эта тенденция не преодолена полностью и до настоящего времени, хотя теперь упрощения общественных законов стимулируются не механикой, а преимущественно биологией. Особую методологическую трудность всегда представляла трактовка законов, выводимая из деятельности взаимообусловленных человеческих индивидов. Понимание общественных условий в качестве продуктов деятельности людей создаёт возможности для преодоления этой трудности. В специальных науках детерминизм и детерминацию нередко понимают как синоним постоянной и строго однозначной связи. Именно в таком смысле говорят о «детерминированных процессах», «детерминированных механизмах», «детерминированных уравнениях» и так далее. Во всех этих случаях имеются в виду процессы, поддающиеся строго однозначному описанию и предсказанию. Наличие же в поведении систем, объектов и механизмов элементов вероятности, неопределённости квалифицируется в таком случае как отсутствие детерминизма, или индетерминизм. Индетерминизм полностью или частично отрицает универсальный характер принципа причинной обусловленности, то есть существование причинно-следственных связей, как и возможность их детерминистского объяснения. Так, в физике индетерминизм опирался на открытые квантовой механикой объективные непричинные типы взаимосвязей в микромире, в биологии он оформился в учении витализма. В целом, как показывает научная практика, эффективность научного поиска связана с дальнейшим углублением философской и методологической оснащённости науки, а не с отказом от её фундаментальных принципов. Принцип детерминизма является одним из наиболее выраженных интенций научного познания, явно или косвенно участвующим в регуляции научного поиска. Фундаментальным идеалом детерминизма в естествознании является объяснение исследуемого предмета (в отличие от гуманитарного познания, ориентированного на такую когнитивную процедуру как понимание).

Физика и либертарианский подход

Эту часть посвятим основным современным подходам в решении конфликта детерминизма и свободы воли.

Современная аналитическая философия раскладывает понятие свободы воли на два главных условия 👇

🙌🏼 Условие альтернативных возможностей (АВ): мы называем действие Х в момент t свободным, если с этим действием была связана «развилка» — не менее двух различных реально возможных сценариев будущего.

💪🏼 Условие контроля (К): действие Х совершается индивидом свободно, если оно является результатом выбора данного индивида, то есть зависит от него.

❓ Детерминизм vs индетерминизм?

✳️ С одной стороны, очевидно, что условие АВ противоречит принципу детерминизма. Тогда, наверное, логично было бы в целях сохранения понятия свободы воли принять индетерминизм?

✳️ С другой, индетерминизм утверждает, что процессы могут происходить случайно, непредсказуемым и не предопределенным образом, но это вступает в противоречие с условием контроля. Абсолютно случайные события не зависят ни от чего в прошлом, то есть не зависят и от выбора индивида. Подбрасывание монетки — не проявление свободы, а попытка подменить ее случайностью.

❗️ Любые попытки решить проблему свободы воли будут наталкиваться на серьезные противоречия.

❇️ Инкомпатибилизм утверждает, что свобода воли и детерминизм несовместимы.

К разновидностям инкомпатибилизма относятся 👇

1️⃣ Либертарианство — свобода воли есть, детерминизма нет. Трудность: как же тогда связаны наши действия с нашим выбором?

2️⃣ Жесткий детерминизм — свободы воли нет, детерминизм есть. Трудность: если нет свободы воли, то как тогда можно приписывать людям ответственность?

3️⃣ Жесткий инкомпатибилизм — свободы воли точно нет, так как она несовместима ни с детерминизмом, ни с индетерминизмом; верен ли детерминизм — неизвестно. Трудность: такая же, как и в прошлом пункте.

❇️ Компатибилизм — свобода воли и детерминизм совместимы. Трудность: как именно? Как переосмыслить свободу воли, чтобы она не противоречила научной картине мира?

Анализ рисков — Palisade Corporation

Анализ рисков представляет собой систематическое использование доступной информации для оценки частоты наступления конкретных событий и масштабов их последствий.

Обычно риски определяются как негативные события — например, убытки в венчурном предприятии или буря, которая приводит к крупным страховым убыткам. Однако анализ рисков дает шанс выявить потенциальные позитивные последствия. Благодаря исследованию всего пространства возможных последствий в каждой конкретной ситуации эффективный анализ рисков позволяет обнаружить проблемы и оценить перспективы.

Анализ рисков может проводиться на качественном или количественном уровне. Качественный анализ рисков, как правило, включает инстинктивную, внутреннюю оценку ситуации. Для него характерны такие утверждения: «это слишком рискованно», «возможно, это позволит получить высокую прибыль» и т. п. При количественном анализе рискам пытаются присвоить числовые значения либо за счет использования эмпирических данных, либо путем определения количественных характеристик, присущих качественным оценкам. Мы рассмотрим количественный анализ рисков.

Количественный анализ рисков можно проводить несколькими способами. В рамках одного из подходов, который по сути является детерминистским, используются точечные оценки. Используя этот метод, аналитик может присваивать отдельным сценариям разные значения — это позволяет увидеть, какими могут быть результаты в каждом конкретном случае. Например, в финансовой модели аналитик обычно изучает три результата: наихудший, наилучший и наиболее вероятный. Каждый из них определяется следующим образом:

Наихудший сценарий. Все расходы имеют максимально высокое, а доходы от продаж — самое низкое значение из всех возможных прогнозов. Результатом становятся убытки.

Наилучший сценарий. Все расходы имеют максимально низкое, а доходы от продаж — самое высокое значение из всех возможных прогнозов. Результатом становится крупная прибыль.

Наиболее вероятный сценарий. Значения выбирают из средних показателей расходов и доходов, а результатом становится умеренная прибыль.

С этим подходом связано несколько проблем:

• применяющие его аналитики рассматривают лишь несколько конкретных результатов, игнорируя сотни и тысячи других;
• все результаты имеют одинаковый вес, то есть не предпринимается попыток оценить вероятность получения каждого результата;
• взаимозависимость между исходными данными, воздействие различных исходных данных на результаты и другие нюансы игнорируются, что приводит к чрезмерному упрощению модели и снижению ее достоверности.

И все же, несмотря на недостатки и неточности, многие организации используют именно такой подход к проведению анализа.

Наилучший способ проведения количественного анализа рисков — применение моделировании по методу Монте-Карло. При моделировании по методу Монте-Карло неопределенные исходные параметры модели представляются в виде диапазонов возможных значений, известных как распределения вероятностей. При использовании распределений вероятностей переменные могут иметь разные вероятности наступления разных последствий. Распределения вероятностей представляют собой гораздо более реалистичный способ описания неопределенности переменных в процессе анализа риска. Ниже перечислены наиболее распространенные распределения вероятностей.

Нормальное распределение (или «гауссова кривая»). Чтобы описать отклонение от среднего, пользователь определяет среднее или ожидаемое значение и стандартное отклонение. Значения, находящиеся посредине, рядом со средним, характеризуются наиболее высокой вероятностью. Нормальное распределение симметрично и описывает множество обычных явлений — например, рост людей. К примерам переменных, которые описываются нормальными распределениями, относятся темпы инфляции и цены на энергоносители.

Логнормальное распределение. Значения имеют положительную асимметрию и в отличие от нормального распределения несимметричны. Такое распределение используется для отражения величин, которые не опускаются ниже нуля, но могут принимать неограниченные положительные значения. Примеры переменных, описываемых логнормальными распределениями, включают стоимость недвижимого имущества, цены на акции и нефтяные запасы.

Равномерное распределение. Все величины могут с равной вероятностью принимать то или иное значение, пользователь просто определяет минимум и максимум. К примерам переменных, которые могут иметь равномерное распределение, относятся производственные издержки или доходы от будущих продаж нового продукта.

Треугольное распределение. Пользователь определяет минимальное, наиболее вероятное и максимальное значения. Наибольшую вероятность имеют значения, расположенные возле точки максимальной вероятности. В число переменных, которые могут быть описаны треугольным распределением, входят продажи за минувший период в единицу времени и уровни запасов материальных оборотных средств.

PERT-распределение. Пользователь определяет минимальное, наиболее вероятное и максимальное значения — так же, как при треугольном распределении. Наибольшую вероятность имеют значения, расположенные возле точки максимальной вероятности. Однако величины в диапазоне между наиболее вероятным и предельными значениями проявляются с большей вероятностью, чем при треугольном распределении, то есть отсутствует акцент на предельных значениях. Пример использования PERT-распределения — описание продолжительности выполнения задачи в рамках модели управления проектом.

Дискретное распределение. Пользователь определяет конкретные значения из числа возможных, а также вероятность получения каждого из них. Примером может служить результат судебного процесса: 20% вероятность положительного решения, 30% вероятность отрицательного решения, 40% вероятность соглашения сторон и 10% вероятность аннулирования судебного процесса.

При моделировании по методу Монте-Карло значения выбираются случайным образом из исходных распределений вероятности. Каждая выборка значений называется итерацией; полученный из выборки результат фиксируется. В ходе моделирования такая процедура выполняется сотни или тысячи раз, а итогом этой работы становится распределение вероятностей возможных последствий. Таким образом, моделирование по методу Монте-Карло дает гораздо более полное представление о возможных событиях. Оно позволяет судить не только о том, что может произойти, но и о том, какова вероятность такого исхода.

Моделирование по методу Монте-Карло имеет ряд преимуществ по сравнению с детерминистским анализом:

• Вероятностные результаты. Результаты демонстрируют не только возможные события, но и вероятность их наступления.
• Графическое представление результатов. Характер данных, получаемых при использовании метода Монте-Карло, позволяет создавать графики различных последствий, а также вероятностей их наступления. Это важно при передаче результатов другим заинтересованным лицам.
• Анализ чувствительности. За редким исключением детерминистский анализ затрудняет определение того, какая из переменных в наибольшей степени влияет на результаты. При проведении моделирования по методу Монте-Карло несложно увидеть, какие исходные данные оказывают наибольшее воздействие на конечные результаты.
• Анализ сценариев. В детерминистских моделях очень сложно моделировать различные сочетания величин для различных исходных значений, и, следовательно, оценить воздействие по-настоящему отличающихся сценариев. Применяя метод Монте-Карло, аналитики могут точно определить, какие исходные данные приводят к тем или иным значениям, и проследить наступление определенных последствий. Это очень важно для проведения дальнейшего анализа.
• Корреляция исходных данных. Метод Монте-Карло позволяет моделировать взаимозависимые отношения между исходными переменными. Для получения достоверных сведений необходимо представлять себе, в каких случаях при увеличении некоторых факторов соответствующим образом возрастают или снижаются другие.

Модель электронных таблиц представляет собой наиболее распространенную платформу для проведения количественного анализа рисков. Многие специалисты по-прежнему используют детерминистский анализ рисков в моделях на базе электронных таблиц, в то время как могли бы проводить моделирование по методу Монте-Карло с помощью инструмента @RISK в Excel. @RISK добавляет в Excel новые функции, которые позволяют получать распределения вероятностей и проводить анализ результатов. @RISK доступен и для Microsoft Project — с его помощью вы сможете проводить оценку рисков в графиках проектных работ и бюджетах.

Посмотреть, как работает @RISK
» Узнать больше о @RISK
» Узнать больше о моделировании по методу Монте-Карло

Как Agile-менеджмент справляется со сложными проектами

Наш мозг видит причинно-следственные связи там, где их нет, не замечает проблемы там, где они есть, пытается объяснить необъяснимое, увлекается деталями и иерархиями. Поэтому, когда вокруг «все сложно», приходится искать гибкие подходы — и тут на помощь приходит Agile. Изначально это методология разработки ПО, но применять ее можно в управлении любыми проектами. T&P публикуют отрывок из книги Юргена Аппело «Agile-менеджмент. Лидерство и управление командами» о том, почему все обычно идет не так, как мы запланировали, и что с этим делать.

Причинно-следственные связи

Представлением о том, что обычно все происходит в соответствии с нашими планами, мы обязаны своей врожденной склонности к детерминизму. Он утверждает, что «будущие события неизбежно вытекают из предыдущих в соответствии с законами природы». Детерминизм говорит нам, что причиной любого события является другое событие, произошедшее ранее. С логической точки зрения это значит, что если нам известно все о текущем состоянии дел и мы знаем все варианты перехода из одного состояния в другое, то мы должны быть способны предсказывать будущие события, рассчитав их на основе предшествующих событий и законов природы. Если вам кинуть мяч, вы можете поймать его, поскольку в состоянии определить его траекторию. Вы вполне способны оценить, сколько у вас останется денег до конца месяца после того, как вы хорошенько погуляете с друзьями; или как лучше вывести из себя брата либо сестру и при этом не получить по шее.

В мире науки детерминизм оказался чрезвычайно успешным, позволив ученым предсказывать огромное количество разнообразных событий и явлений. Например, используя механику Ньютона, ученые уверенно предсказывают возвращение кометы Галлея в Солнечную систему в 2061 году. Научный метод предсказания будущих событий на основе событий, им предшествовавших, а также законов природы оказался настолько успешным, что философ Иммануил Кант провозгласил всеобщий детерминизм в качестве необходимого условия любого научного знания.

«Дети думают, что острые скалы созданы для того, чтобы о них могли чесаться животные, а реки — чтобы по ним можно было плавать на лодках. По всей видимости, устройство человеческого мозга заставляет нас повсюду усматривать целеполагание»

Детерминизм позволяет разработчикам программного обеспечения проектировать, планировать и предсказывать поведение своего программного продукта в реальных условиях использования. Они создают или вносят изменения в программный код, чтобы задать или изменить поведение программного продукта после компиляции и развертывания у пользователя. Если на мгновение отвлечься от ошибок программирования, сбоев операционных систем, аварийных отключений электричества, неквалифицированных пользователей и других рисков, то можно сказать, что предсказания разработчиков очень часто оказываются весьма точными. Тот же детерминизм позволил мне в свое время сделать вполне верный прогноз, что мой проект обанкротится, если не удастся найти больше клиентов.

Где можно учиться по теме #Agile

Но, как это ни было бы странно, одного детерминизма недостаточно. Хотя мы умеем предвидеть очередное появление кометы Галлея и можем еще на стадии разработки предсказать, как будет функционировать программное обеспечение, мы не в состоянии определить погоду на месяц вперед. Мы также не в состоянии точно предвидеть результат сложной комбинации желаемых параметров программного обеспечения, время, имеющееся на разработку, требуемые для проекта ресурсы или (что, к сожалению, случилось с моим проектом) наступление момента, когда появятся новые клиенты. Так в чем же проблема?

Сложность

Если вежливый и послушный сын ваших соседей — олицетворение предсказуемости, то его своенравная и взбалмошная младшая сестра может служить символом сложности. Предсказуемость позволяет вам ходить на работу, назначать встречи, заниматься спортом и смотреть телевизор. В то же самое время сложность зачастую превращает взаимодействия между вами и внешним миром в непредсказуемый хаос, полный неожиданных проблем и сюрпризов.

Многие иногда путают создаваемые сложностью проблемы с проблемой больших чисел (когда одновременно происходит огромное количество событий), но сложные явления не всегда предполагают наличие большого количества элементов. Возьмем, например, молекулу воды (фигурально выражаясь, естественно, на практике это сделать очень непросто). Эта молекула состоит всего из двух атомов водорода и одного атома кислорода. Ничего сложного, не так ли? И тем не менее даже такая простая структура из трех атомов проявляется неожиданным образом в сложных явлениях текучести, эффектах, связанных с плотностью воды, и других физических и химических явлениях, которые не поддаются легкому объяснению с точки зрения поведения отдельных атомов. Таким образом, сложность необязательно будет проявлением больших чисел. Достаточно трех молекул воды, чтобы состоящая из них система характеризовалась сложным поведением — примером будет знаменитая задача трех тел.

Задача трех тел

Задача из области небесной механики на определение относительного движения трех материальных точек, которые взаимодействуют по закону всемирного тяготения Ньютона. Не имеет общего решения.

К счастью, с того момента, когда Кант с энтузиазмом объявил причинность основой научного знания, наука не стояла на месте. Теория динамических систем, теория хаоса, теория сетей, теория игр и ряд других научных дисциплин добились значительного прогресса, объяснив, почему некоторые явления невозможно предсказывать и почему некоторые события невозможно планировать или рассчитать заранее — их можно только испытывать или наблюдать. Часто весь комплекс исследований в области сложных систем собирательно именуют теорией сложности. Если развитие науки начиная с XVII века проходило под знаком детерминизма, то сложность как предмет исследования возникла в XX веке; соответствующие исследования значительно ускорились с того момента, когда в конце XX века теория сложности выделилась в отдельную научную дисциплину. Физик-теоретик Стивен Хокинг утверждал, что XXI век будет веком сложности.

Развитие теории сложности — хорошая новость для руководителей, лидеров команд и менеджеров проектов (а также всех прочих «лидеров» и «менеджеров»), работающих в компаниях, создающих ПО. Это означает, что возник научный подход к исследованию сложных систем, включая проблемы разработки программного обеспечения и управления организациями в целом. И хотя для меня момент истины опоздал ровно на 10 миллионов евро, я согласен со Стивеном Хокингом, что представление о сложности — ключевая парадигма XXI века.

Наше линейное мышление

К сожалению, применяя теорию сложности к решению конкретных проблем, мы постоянно сталкиваемся с определенным неудобством: наш мозг предпочитает видеть простые причинно-следственные связи и игнорировать сложность. В своей статье «Рожденные верить: Как наш мозг создает богов» автор показывает, что человеческий мозг чрезмерно ориентирован на установление причинно-следственных связей, что заставляет нас видеть их даже там, где их нет. Как отмечается в статье, дети думают, что острые скалы созданы для того, чтобы о них могли чесаться животные, а реки — чтобы по ним можно было плавать на лодках. По всей видимости, устройство человеческого мозга заставляет нас повсюду усматривать целеполагание и причинно-следственные связи, даже если для этого нет никаких оснований. […]

Наш мозг жестко запрограммирован отдавать предпочтение «линейному мышлению» (представлению о предсказуемости следствий, если известны причины) перед «нелинейным» (гипотезой, что в реальности все обстоит гораздо сложнее). Мы привыкли считать, что события от начала и до конца разворачиваются линейно. В школе нас учат решать линейные уравнения, а более часто встречающиеся на практике нелинейные игнорируются просто потому, что справиться с ними гораздо труднее. Нам легче принять утверждение «это сделал он», чем утверждение «некоторые вещи просто случаются». Если в наличии проблема B, то мы предполагаем, что ее причиной стало событие A. Причиной финансового кризиса стали банкиры; в сокращении числа рабочих мест виноваты иммигранты; в плохой атмосфере в компании виноват менеджер; таяние полярных льдов вызвано выбросами CO2; проектной группе не удалось уложиться в отведенные сроки из-за того, что кто-то плохо работал. Линейное мышление воспринимает мир как пространство, наполненное легкообъяснимыми событиями, вызванными простыми причинами и имеющими простые следствия. Джеральд Вайнберг называет это ошибкой причинности.

Наша мыслительная зависимость от детерминизма заставляет людей искать способы контроля, которые позволили бы обеспечить наступление желательных событий и ненаступление нежелательных. В конце концов, если известно, что ситуация A имеет своим результатом событие B, а ситуация A’ — событие C, при этом C лучше, чем B, то всего-навсего надо заставить A превратиться в A’, и все будет хорошо. Так по крайней мере часто кажется.

Инженеры и другие люди с техническим складом ума особенно восприимчивы к идеям, базирующимся на идее управляемости. Именно инженеры создали научный менеджмент, основанный на отдаче распоряжений и контроле их исполнения, который всецело господствовал с начала XX века. И именно они придумали системы контроля, которые до сих пор существуют во многих организациях. Сейчас уже всем известно, что системы контроля эффективны, только если речь идет о повторяющихся операциях, не требующих особых размышлений. Но они не работают в ситуациях, когда необходим творческий подход при разработке новых продуктов! Поэтому было бы только справедливо, если бы инженеры и вытащили нас из того управленческого болота, в которое они нас в свое время затянули. […]

Редукционизм

Подход, в рамках которого систему разбирают на части, а затем изучают взаимодействие этих частей, чтобы понять, как работает целое, называется редукционизмом. Суть подхода в том, что «явления могут быть исчерпывающе объяснены в терминах других, более фундаментальных явлений». Мы можем разобрать самолет на детали и увидеть, как он функционирует, изучив каждый винтик; мы можем понять, как работает компьютерная программа, проанализировав ее код; в настоящее время ученые пытаются изучать болезни и врожденные дефекты, анализируя геном человека в надежде идентифицировать отдельные гены, ответственные за те или иные проблемы.

Редукционистский подход хорош только до определенного предела. После многолетних исследований ученые все еще не понимают, как работает сознание. Несмотря на созданные за последние сто с лишним лет многочисленные теории, экономисты так и не смогли предложить модель, которая позволяла бы достоверно предсказывать экономические кризисы. Многочисленные теории изменения климата дают совершенно разные прогнозы последствий глобального потепления. И хотя нет недостатка в методиках, моделирующих процесс разработки программного обеспечения, тем не менее во всем мире множество проектов все еще наталкиваются на непредвиденные проблемы. Живые организмы, сознание человека, экономика, изменение климата и проекты по разработке ПО — все эти системы устроены таким образом, что их поведение невозможно предсказать путем деконструкции и изучения компонентов по отдельности.

Идея целостности

Холизм как теория предполагает, что поведение системы несводимо к сумме поведений ее отдельных частей, а напротив, решающим образом определяется ее свойствами как единого целого. Этот подход часто воспринимают как противоположность редукционизму, хотя ученые, исследующие такие системы, полагают, что сложность будет связующим звеном между обоими подходами и каждый из них необходим, но недостаточен. […]

«Знание компонентов, находящихся на нижних уровнях системы, вовсе не означает, что мы сможем воссоздать всю систему как единое целое»

В качестве компромисса биолог-эволюционист Ричард Докинз предложил понятие иерархического редукционизма, смысл которого в том, что сложная система может быть представлена в виде иерархии, в которой события на каждом уровне могут быть объяснены поведением компонентов, находящихся в данной иерархии одним уровнем ниже, но только одним уровнем. Если следовать этой логике, вы не сможете объяснить провал своего проекта тем, что вам помешали кварки и лептоны.

Многие ошибочно полагают, будто бы из редукционизма следует, что мы в состоянии реконструировать любую систему, если понимаем, как функционируют ее составные части. В этом и состоит заблуждение: даже если мы отлично понимаем, как ведут себя все компоненты системы, это не значит, что система сводится к сумме своих составных частей. Знание компонентов, находящихся на нижних уровнях системы, вовсе не означает, что мы сможем воссоздать всю систему как единое целое.

Интересно, что, если исходить из редукционистского подхода и отследить изначальную причину проблемы (например, воспользовавшись методикой анализа основной причины), мы все равно не сможем создать систему, в которой данная проблема отсутствовала бы. Например, мы можем установить причину конкретного случая сердечной недостаточности (редукционизм), но нам никогда не удастся создать сердце, которое принципиально не будет подвержено сердечной недостаточности (конструкционизм).

© Artfoliophoto / iStock

Иерархический менеджмент

Взгляд на систему как на единое целое (холизм) и иерархический редукционизм сходятся на том, что не все в поведении сложной системы может быть объяснено событиями, происходящими на ее более низких уровнях. Обе гипотезы допускают, что каждому уровню присущи свои особенные и не сводимые к более элементарным уровням свойства. Например, как бы тщательно вы ни вглядывались, у вас не получится без определенных затруднений идентифицировать внутри деконструированной утки рычажки, подшипники и шестеренки, предназначенные для ходьбы, плавания и крякания. И тем не менее, увидев этот объект в парке, вы сразу понимаете, что это утка.

Все вышесказанное имеет далекоидущие последствия для менеджеров сложных систем вроде нас с вами, а также для менеджеров, управляющих разработками, проектных менеджеров и лидеров команд. Это означает, что тот, кто знает все о функционировании определенного уровня в иерархической системе, может оказаться недостаточно квалифицированным, чтобы работать на других уровнях в той же системе, потому что для этого требуются иные знания. Молекулярный биолог может оказаться недостаточно «квалифицированным», чтобы выполнять обязанности садовника, потому что знание того, как функционируют живые организмы на уровне клеток-эукариотов, генов и РНК, не подразумевает умения ухаживать за садом; а хорошему садовнику совсем необязательно знать о хромосомах и геноме. Точно так же генеральный директор должен иметь обширные знания о том, как управлять компанией, но при этом он может быть полным профаном в том, что касается коучинга и других навыков управления людьми (я уверен, что многие читатели лично сталкивались с такими ситуациями). Управление организацией требует совершенно иных знаний и опыта, чем управление людьми, хотя некоторое представление о том, как система функционирует на более низких уровнях, может оказаться полезным.

Инженер-программист Джоэл Сполски предложил закон дырявых абстракций в качестве объяснения, почему в системах компоненты, находящиеся на более высоких уровнях, могут проявлять себя неожиданным образом в результате воздействия на них событий, происходящих на более низких уровнях, хотя более высокие уровни, по идее, должны быть изолированы от такого воздействия. Более высокие программные уровни, которые подвергаются воздействию событий, происходящих на более низких программных уровнях, считаются дырявыми. Типичным свидетельством такого рода дырявых абстракций в программировании будут непонятные сообщения об ошибках, которые получают пользователи.

Мы наблюдаем аналогичные проблемы в других сложных системах. Мое сознание нередко становится жертвой временных помутнений, дежавю, забывчивости, произвольно всплывающих воспоминаний и иных странных вещей, которые могут быть объяснены только как сбои в нейронных цепочках низшего уровня, проникающие на более высокий уровень, который я называю своим мышлением. И тем не менее мне вовсе не нужно анализировать нейронные цепочки, чтобы обеспечить удовлетворительную работу своего сознания, хотя порой приятно осознавать, что, по мнению неврологов, такого рода явления достаточно распространены.

Точно так же вам не нужно хорошо разбираться в программировании на языке ассемблера, чтобы создавать хорошие программы более высокого уровня, хотя опять же некоторое представление о том, как это все работает уровнем ниже, может иногда облегчить вашу жизнь. В менеджменте все то же самое. Чтобы управлять компанией, генеральному директору необязательно уметь эффективно общаться с людьми, при условии что коммуникация делегирована надежной команде других управленцев (в этом его отличие от менеджеров по разработке новых продуктов, проектных менеджеров и лидеров команд, которым необходимо ежедневно общаться с коллегами). Но на случай, если проблемы нижнего уровня все же прорываются на более высокий (иными словами, когда имеет место дырявая абстракция), владение некоторыми навыками коммуникации может пригодиться.

Гибкий менеджмент

Когда иерархический менеджмент встречается со сложными системами и нелинейным мышлением, мы попадаем в область, которую я называю гибким (Agile) менеджментом. Это логическое дополнение к Agile-методологиям разработки программного обеспечения, которые были созданы в 1990-х годах несколькими группами и отдельными специалистами. Необходимость нового подхода была продиктована неудачами при разработке программного обеспечения, к которым приводил детерминистский подход, основанный на тщательном контроле, предварительном детальном проектировании и планировании сверху вниз. Несмотря на весь этот интенсивный менеджмент, результатом во многих случаях было программное обеспечение, работавшее из рук вон плохо.

«Непрерывная идентификация проблем и устранение причин позволяют последовательно развивать проект и в конечном итоге получить на выходе успешный продукт. Это похоже на процесс воспитания детей»

Гибкие методы разработки ПО некоторыми своими корнями уходят в теорию сложности, признающую недостаточность причинного детерминизма для реализации успешных проектов. Такие хорошо известные и используемые в гибких методологиях понятия, как «самоорганизация» и «эмерджентность», напрямую взяты из литературы по сложным системам, и люди, практикующие в настоящее время Agile-методологии, понимают, что при конструктивистском подходе гарантированы неудачи. Только непрерывная идентификация возникающих в ходе проекта проблем и устранение их причин позволяют последовательно развивать проект по разработке ПО и в конечном итоге получить на выходе успешный программный продукт. Это похоже на процесс взросления или воспитания детей.

Эмерджентность

Наличие у системы свойств, не выводимых из свойств отдельных элементов.

Несмотря на блестящие успехи с точки зрения окупаемости инвестиций Agile-проектов [Rico 2009], многие менеджеры по всему миру в своих компаниях препятствуют гибкому проектному менеджменту и гибким методологиям. Исследования и опросы свидетельствуют, что основными препятствиями на пути принятия гибких методов разработки ПО становятся традиционные методы управления изменениями, организационная культура, недостаток поддержки со стороны руководства, низкая подготовленность персонала, а также внешнее давление.

За многое из этого отвечают именно менеджеры. Если верить имеющимся отчетам на эту тему (а у меня нет оснований в них сомневаться), то сами менеджеры во всем мире будут скорее проблемой, чем частью решения. Печально, что это характерно не только в случаях внедрения гибких методологий разработки ПО. То же самое происходит при любых других серьезных организационных изменениях.

Моя позиция в этой книге состоит в том, что, когда необходимы подобные изменения, традиционный менеджмент будет проблемой, а не решением. Эту же точку зрения много лет назад высказывал Уильям Эдвардс Деминг. Именно поэтому нам нужна теория гибкого менеджмента: теория, которая хорошо сочеталась бы с гибкими методологиями разработки ПО. […]

Детерминизм — Викизнание… Это Вам НЕ Википедия!

Детерминизм (лат. ‘determino’ — определяю) — философское учение о естественной причинной обусловленности всех явлений объективного мира. Основу детерминизма составляют концепции причинности и закономерностей. В этом смысле детерминизм противостоит концепции абсолютной случайности и свободы в мире.

История появления детерминизма[править]

Философский детерминизм, сформулированный еще древнегреческими мыслителями, сторонниками атомистической теории, сыграл выдающуюся роль в развитии науки Нового времени и сам, в свою очередь, прошел сложную эволюцию в развитии под влиянием достижений науки и общественной практики. Долгое время детерминизм был частью общих материалистическо-механистических представлений о мире и процессе его познания, сложившихся в XVII—XVIII вв. Мир рассматривался как гигантский механизм, все действия которого обусловлены материальными причинами и законами механики Ньютона. Объяснить любое явление означает найти его причину. Полное отождествление понятий причинности детерминизма осуществлено П. Лапласом. Лапласовский детерминизм исключает объективное существование случайности, трактуя ее как беспричинность. То, что мы называем случайностью, есть лишь результат ограниченности наших знаний. Такой детерминизм часто переходит в фатализм (лат. ‘fatum’ — рок, судьба), в учение о неизбежности происходящего и невозможности его предвидения, поскольку сложные цепочки причинно-следственных связей не могут быть открыты ограниченному уму человека. Механистический детерминизм ограничивает свободу воли, снимает с человека ответственность за совершенные им поступки, превращает самого человека в пассивное следствие внешних обстоятельств.

Но уже с середины XIX в. стали возникать концепции, которые выходили за рамки такого представления о мире. В них при описании и объяснении природных явлений все более существенная роль стала отводиться таким понятиям, как «случайность», «возможность», «вероятность», «целесообразность», «альтернативность» и др. С другой стороны, существующий упорядоченный характер отношений в материальном мире выводит исследователей на принцип закономерности, который фиксирует такие свойства между явлениями, как необходимость, повторяемость, устойчивость. Необходимость есть то, что обязательно должно произойти в данных условиях; случайность происходит из побочных связей — может быть, а может и не быть.

Другой принцип детерминизма — взаимосвязь возможности и действительности. Действительность есть весь объективно существующий мир, вся совокупность явлений. Она сопоставляется с возможностью, которая фиксирует объективную тенденцию развития явлений, условий их возникновения. Переход возможности в действительность основан на причинной связи явлений объективного мира. Если возможность — это потенциальное бытие, будущее, содержащееся в настоящем, то действительность — реализованная возможность. Конкретная действительность содержит в себе возможность своего дальнейшего изменения и развития. Она сама возникла как результат реализации ранее существовавших возможностей. Для количественной оценки возможности используется понятие «вероятность», которая характеризует пределы существующей возможности, определяет степень близости ее осуществления.

И еще один принцип детерминизма, раскрывающийся в соотношении свободы и необходимости. Свобода может быть лишь там, где есть выбор. Объективным основанием для этого служит спектр возможностей, определяемых действием объективных законов и многообразием условий, в которых эти законы реализуются. Свобода — это и «осознанная необходимость», и деятельность людей по практическому освоению необходимости, т. е. по овладению средствами жизни и индивидуального развития. Детерминизм применительно к человеку всегда означал обусловленность его поведения взаимодействием внутренних и внешних факторов, его материальной и психической природой. Долгое время это отождествлялось с полным отрицанием у человека свободы выбора и свободы воли. Однако человек является носителем автономного нравственного начала и, следовательно, свободен (И. Кант).

В настоящее время в рамках философии человек рассматривается как бытие особого рода, которое, в отличие от всех других явлений во Вселенной, реализует в своем поведении единство противоположных сторон и отношений — сущности и существования, объективности и субъективности, необходимости, обусловленности (детерминированности) и свободы.

Издавна детерминизм противопоставляется индетерминизму, учению, не признающему причинной обусловленности событий. Своеобразной формой индетерминизма был окказионализм, распространенное в XVII в. учение об отсутствии причинных связей между душой и телом. Даже видимые причинно-следственные связи вещей окказионалисты считали результатом «непрерывного чуда». Индетерминизм проявляется и в методологии современной физики, возникая в результате трудностей определения движения в микромире. Индетерминизм присущ и некоторым направлениям, рассматривающим природу живого (витализм, учение о наличии в природе особой «жизненной силы»), социальной реальности (неокантианство).

Новое в учение о необходимой связи внесла теория неравновесных систем — синергетика. Понятие цели уже не представляется противоречащим причинности, а рассматривается как ее особый вид, целевая причинность. Признается объективная природа случайности, свобода рассматривается в качестве формы самодетерминации. Изменяется и подход к изучению причинно-следственной связи — основной формы детерминации. Взаимосвязь причины и следствия рассматривается не как однонаправленный процесс, а как двусторонний, с обратной связью.

• Бунге М. Причинность: Место принципа причинности в современной науке. М.: Издательство иностранной литературы, 1962. 513с.
• Иванов В. Г. Детерминизм в философии и физике. Л., 1974.-183 с.
• Ивин А. А. Истина, время, детерминизм // Полигнозис. 2008. № 3.
• Ивин А. А. Логическое исследование детерминизма // Философия и культура. 2008. № 9
• Купцов В. И. Детерминизм и вероятность. М., 1976.-256 с.
• Лебедев C.А., Кудрявцев И. К. Детерминизм и индетерминизм в развитии естествознания // Вестник Московского университета. Серия 7. Философия. № 6. 2005. С. 3-20.
• Лукасевич Я. О детерминизме // Философия и логика Львовско-Варшавской школы. М., 1999. С.179-198.
• Орланов Г. Б. Идея детерминизма: исторические тенденции развития // Детерминизм и современная наука. Воронеж, 1987. С.9-23.
• Пахомов Б. Я. Детерминизм и принцип развития. // Вопросы философии.1979. № 7.
• Сокулер З.А. Спор о детерминизме во французской философской литературе // Вопросы философии.1993. № 2.
• Спонтанность и детерминизм /В. В. Казютинский, Е. А. Мамчур, Ю. В. Сачков, А. Ю. Севальников и др.: Ин-т философии РАН.- М., 2006.-323 с.

что это означает для истории. Философия истории

3.7.1. Абсолютный детерминизм: что это означает для истории

Встав, в конечном счете, во взгляде на историю фактически на позиции волюнтаризма, французские материалисты в то же время не отказались от детерминизма, т.е. учения о естественной предопределенности всех явлений, причем детерминизма абсолютного.

«Природа, — писал П. Гольбах, — слово, которым мы пользуемся для обозначения бесчисленного количества существ и тел, бесконечных соединений и комбинаций, разнообразнейших движений, происходящих на наших глазах. Все тела — одушевленные и неодушевленные — представляют собой неизбежные следствия известных причин, со всей необходимостью производящие видимые нами явления. Ничто в природе не может быть случайным; все в ней следует точным законам, и эти законы представляют неизбежную связь известных следствий с их причинами. Какой-нибудь атом материи не может произвольно или случайно встретиться с другим атомом; эта встреча обусловлена постоянными законами, которые необходимо предопределяют поведение каждого существа, не могущего вести себя иначе в данных условиях. Говорить о произвольном движении атомов или приписывать какие-либо следствия случайности, значит не сказать ничего или же признаться в полном неведении тех законов, в согласии с которыми действуют, сталкиваются и соединяются тела в природе. Все происходит случайно только для людей, не знакомых с природой, со свойствами вещей и теми следствиями, которые необходимо должны произойти в результате действия определенных причин».22 Гольбах П. Здравый смысл, или Естественные идеи противопоставленные идеям сверхъестественным // П. Гольбах. Письма к Евгении. Здравый смысл. М., 1956. С. 272-273.

Абсолютный детерминизм полностью исключает какую бы то ни было свободу человека. «С дня рождения и до самой смерти, — продолжает П. Гольбах, — человек ни одного мгновения не бывает свободен. «Но я все же чувствую себя свободным», -скажете вы. Это иллюзия — такая же, как и уверенность той мухи из басни, которая сидя на дышле, возомнила, что управляет повозкой. Итак, человек считающий себя свободным, не что иное, как муха, вообразившая себя управителем вселенной, тогда как она на самом деле сама, неведомо для себя, целиком подчиняется ее законом».23 Там же. С. 303-305.

Казалось бы, с таких позиций в мире все закономерно. И стоит открыть эти законы, как человек может предвидеть будущие. В действительности же, как это на первый взгляд не может показаться странным, такая точка зрения по существу исключает существование законов.

Когда абсолютные детерминисты поднимают случайные связи до уровня необходимых, они тем самым фактически низводят необходимые связи до уровня случайных. Крайности сходятся. Взгляд, согласно которому в мире все абсолютно необходимо, по существу равнозначен воззрению, согласно которому в мире все случайно.

Как писал тот же Гольбах: «Излишек едкости в желчи фанатика, разгоряченность крови в сердце завоевателя, дурное пищеварение какого-нибудь монарха, прихоть какой-нибудь женщины являются достаточными причинами, чтобы заставить предпринимать войны, посылать миллионы людей на бойню, разрушать крепости, превращать в прах города, погружать народы в нищету и траур, вызывать войны, заразные болезни и распространять отчаяние и бедствия в течение целого ряда веков».24 Гольбах П. Система природы // Избр. произв. в 2-х т. Т. 1. М., 1963. С. 260.

Такой взгляд был далеко не нов и не представлял собой исключительного достояния материалистов. Двумя веками раньше известный французский ученый и одновременно религиозный философ Блез Паскаль (1623-1662) писал: «Нос Клеопатры: будь он чуть покороче, весь облик Земли был бы сегодня иным».25 Паскаль Б. Мысли. СПб., 1995. С. 81.

Детерминизм и индетерминизм в философской науке. Основные понятия

Связь между всеми явлениями и процессами в мире установлена однозначно, и оспаривать этот факт никто не смеет. Эта взаимосвязь подтверждена философским принципом детерминизма.

Определение 1

Детерминизм – это учение, которое посвящено всеобщей обусловленности явлений и событий.

Свои корни это понятие берёт из латинского языка, что в дословном переводе означает «определять» или «отделять». Говоря о первых представлениях связи явлений и событий, стоит отметить, что они появились из повседневной жизни людей и получили своё отражение в идеи, что ничто не появляется из ничего и не превращается в ничто.

Классическая философия XVII-XVIII вв. опирались на идею, что мир складывается из отдельных объектов и вещей. По мнению мыслителей, Вселенная представляется как полое пространство, движения веществ в котором заранее предусмотрено траекториями. Материя состоит из неделимых атомов, которым характерна постоянная масса, при этом время и пространство абсолютны. Вселенная, по своему существованию, напоминает механизм, с чётко отлаженными действиями. Её основная цель выстраивать причины и следствия в цепочку XVII-XVIII вв., которая соответствует строгой необходимости явлений и вещей. Такой мир не терпит случайностей, случайным может быть только, что человек до настоящего момента не может никак объяснить. Однако, в силу рациональности мира и когнитивных способностей человека, в конечном итоге человек сможет получить исчерпывающее знание о бытие.

Замечание 1

Такая картина мира сформировалась благодаря усилиям известных учёных: И. Ньютона и Р. Декарта.

Физика И. Ньютона и философия Р. Декарта стали основой совершенно верных и адекватных представлений о взаимосвязи абсолютно всех явлений и событий, однако из этих исследований сложилось ошибочное мнение о всеобщей мировой необходимости и полному отсутствию случайностей. Такую форму детерминизма стали называть механической.

Механический детерминизм

В основе механического детерминизма лежит трактовка взаимосвязей и взаимодействий всех типов как механических, а также отрицание возможности объективного существования случайностей. Одним из наиболее известных сторонников механического детерминизма считается Б. Спиноза. В основе его идей лежала мысль о том, что случайными человек называет те явления, о которых у него недостаточно знаний.

Ещё один учёный Пьер Симон Лаплас высказывал мнение, что если собрать все знания обо всех явлениях и событиях, которые происходят в определённый момент, то откроется возможность предсказать будущие события и перестроит прошедшие.

Замечание 2

Впоследствии теория П. С. Лапласа была названа «демоном Лапласа».

Во времена механического детерминизма человеческая личность находится на периферийных позициях. Человек, согласно идеям механического детерминизма, — это маленький винтик огромной системы, которая отлаженно работает, а он лишь природное тело вместе с другими такими же. Наука и философия не могли посредством своих идей объяснить «невещные», духовные проявления личности и попросту их не рассматривали. В конечном итоге стало понятно, что для науки Нового времени чуждо знание о человека. При  этом философия в качестве своеобразного компенсатора подобного недостатка и заботилась об утверждении мира свободы, морали и красоты, который существовал параллельно с миром природы.

Фатализм

Настал момент, когда философия практически перестала обращать хоть какое-то внимание на человека, полностью исключив его из картины мира и выдвинув на первые позиции «субъект познания». В силу всех этих событий в обществе назревало новое учение – фатализм.

Определение 2

Фатализм – это учение о всеобщей предопределённости явлений и событий.

В ходе научных открытий, которыми была ознаменована вторая половина XIX в., серьёзно пошатнулось доверие к догмам и истинам в науке, тем самым вызвав научную революцию, после которой пришли перемены в классических взглядах на мир и человека. Механический подход сменился органическим и системным. Новая картина мира представляла Вселенную как совокупность связей, а мыслила как неделимую действительность всеобщих связей.

Замечание 3

Согласно классическому философскому подходу, мир представлялся как действие часового механизма, в неклассической складывался прообраз паутины или сети.

Среди причин, которые стали толчком к формированию новой картины мира стали научные открытия А. Эйнштейна, Э. Резерфорда, Н. Бора и В. Гейзенберга. Последний утверждал, что самое важное достижение современной науки заключается в том, что она смогла разрушить классические границы естествознания и раздвинуть границы абсолютного познания. Согласно воззрениям В. Гейзенберга, реальность различается по факту того, наблюдаем мы её или нет. В квантовой теории появилось мнение, что объективное описание природы может быть не только тотальным, потому как результаты измерения во многом зависят от измерительного прибора. Иными словами, человеку необходимо самому присутствовать во время научного эксперимента, а это значит, что убрать его из картины мира не представляется возможным, как это было в классической науке и философии.

Замечание 4

Результаты исследования и научные выводы В. Гейзенберга получили название принципа соотношения неопределённостей.

Смысл принципа соотношения неопределённостей заключается в том, что невозможно одномоментно точно определить координату и импульс микрочастицы, иными словами установить её местоположение и скорость, с которой она движется; если получено точное значение одной, то другая обязательно останется неопределённой. Стоит обратить внимание, что это никоем образом не связно с несовершенством измерительных приборов, научно установлено, что это зависит от объективных свойств микрообъектов.

Нужна помощь преподавателя?

Опиши задание — и наши эксперты тебе помогут!

Описать задание  

Новые научные открытия изменили представления о мире и материи. Стало понятно, что сознание не является частью системы объективных связей вещей и явлений. Материя, в свою очередь, перестала представляться только в виде вещества. Теперь она могла быть, к примеру, полем, плазмой или вакуумом. Ввиду этого, наука XX в. усложнила мир и внесла в него некоторые сложные для понимания истины. Кроме того, наука возвратила в картину мира человека. Исходя из всего этого, получила своё развитие теория бессознательного, биология и генетика. Эти науки по-новому взглянули на мир и сущность бытия. Более того, достижения в астрофизике помогли осуществить прорыв в мегамир.

Индетерминизм

В XX в. произошла смена детерминизма индетерминизмом. Это случилось из-за того, что новые исследования в физике и философии обращались в проблематике человеческого бытия. В основе индетерминизма лежит отрицание всеобщей связи между явлениями и событиями, также индетерминизм не приемлет всеобщий характер причинности. Иначе говоря, сохраняет мысль о том, что не все явления и события возникают в результате каких-либо причин. Всеобщая связь всех явлений со всеми событиями доподлинно не установлена, а значит, не доказана.

Вся история философской науки пронизана противостоянием индетерминизма и детерминизма.

Пример 1

Детерминизм Б. Спинозы сосуществовал с индетерминистическими идеями Д. Юма.

В XVII в. были общепризнаны идеи механического детерминизма. А уже в начале XX в. сформировались идеи индетерминизма как реакция на механистические и фаталистические представления о мире. Индетерминизм становится ответом на вопросы о событиях и явлениях в культуре, тогда как детерминизм ограничивается природой.

Возрождение детерминизма начиналось в том же русле, котором когда-то зарождались причины к его кризису.

Пример 2

Немецкий выдающийся физик М. Борн утверждал, что новая физика отсеяла многие классические идеи, а некоторые видоизменила, но при этом она не потеряла своё предназначение – быть наукой, которая ищет причинность явлений.

В силу всех утверждений и исследований можно говорить о том, что представления о связи между явлениями и их причинами никуда не пропали, а скорее претерпели некоторые изменения. Вследствие чего изменился и принцип детерминизма. Таким образом, механический детерминизм потерял свою исключительную способность быть единственным способом, который объясняет связь явлений и событий.

Сегодня представления о детерминизме выражены в нескольких принципах:

• Принцип всеобщей взаимосвязи явлений и событий.
• Принцип причинности.
• Принцип многообразия форм детерминизма.
• Принцип закономерности.

Принцип взаимосвязи является общим, в котором отражается неизолированность явлений и событий друг от друга.

Принцип причинности предусматривает отношения причин и следствий между всеми явлениями и событиями.

Замечание 5

Стоит отметить, что современный детерминизм предусматривает причинные связи только как один из множества типов связи.

Смысл причинности связей заключается в том, что одно явление в конкретных условиях становится причиной другого, при этом определяет его свойства.

Проблема механического детерминизма в том, что он неверно отождествлял причинность и необходимость, не принимая во внимание фактор случайности. Современный же детерминизм это обстоятельство не упускает. Все явления, не только необходимые, но и случайные теперь обуславливаются.

Согласно принципу многообразия, детерминизм утверждает, что всё многообразие взаимодействий между явлениями нельзя относить к типу «причина-следствие». Непричинным отношениям характерно отсутствие отношений порождения. Они представлены:

• Функциональными связями.
• Связями между разными состояниями одного и того же объекта.
• Условной детерминацией.
• Вероятностной детерминацией.
• Целевой детерминацией.

При функциональных связях явления и события сосуществуют во времени. Такая связь между ними вынуждена, при этом отсутствуют отношения генетического порождения.

Связь между разными состояниями одного и того же объекта, определяет друг друга, при этом не порождает их как в ситуации с причинами.

При условной детерминации изменения происходят как в силу конкретных причин, так и посредством независящих обстоятельств.

Вероятностной детерминации характерна неоднозначность. Ключевое её условие в том, что в любой момент существует несколько вариаций развития событий, при этом воплощаются в реальность только те, для которых создались необходимые условия.

Целевая детерминация характерна событиям общества и культуры. Она тесно связана с деятельностью человека.

Принцип закономерности

Явления природы и их связи носят упорядоченный характер – отсюда название принципа закономерности.

Определение 3

Закон – беспристрастная, потребная, всеобщая, периодическая и немаловажная связь между явлениями и событиями.

Закон объективен и беспристрастен. Он не может зависеть от пристрастий человека или его желаний. Он носит существенный характер, потому что связи формируются на уровне сущности. В нём испытывают потребность, а это значит, что он действует всегда, если для него есть благоприятные условия. Всеобщность закона заключается в том, что он определяет все связи данного типа без исключения.

Замечание 6

Стоит отметить, что всякий закон может действовать только в рамках определённой сферы.

В силу того, что бытие многообразно, существует множество типов и форм законов, посредством которых происходит всякое действо в мире. Различают законы по степени общности: всеобщие, исключительные и специфические; по среде деятельности: законы природы, общественные законы и законы сознания; по механизмам структурам отношений детерминации: динамические и статистические.

Динамические законы описывают взаимодействия изолированных объектов и помогают определить истинную связь между ними. Иначе говоря, динамические закономерности повторяются во всех ситуациях и носят однозначный характер. Современной науке стало понятно, что не каждое явление подчинено динамическим законам. Вследствие этого появилось новый термин – статистические закономерности.

Определение 4

Статистические закономерности – это законы-тенденции, которые находятся в общей массе явлений.

Другое название статистических закономерностей вероятностными законами или законами средних величин. Статистическая закономерность обретает действие посредством взаимодействия большого числа элементов, характеризуется она их поведением вкупе. В качестве примера статистических закономерностей могут служить законы квантовой механики, а также действующие в обществе или истории законы.

Подводя итоги можно говорить о том, что философская наука, теория бытия или онтологическая наука находятся в самом ядре структуры философии. В первую очередь, необходимо ответить на вопросы о бытие и мире, только после этого приступать к более конкретным вопросам философского знания. Здесь можно будет говорить о сознании, познании, истине, человеке, смысле бытия, а также какое место в истории занимает всё вышеперечисленное. На эти вопросы можно получить ответы уже в других науках: гносеологии, антропологии, праксиологии и аксиологии.

Детерминированный и вероятностный риск | PreventionWeb.net

Детерминированный риск рассматривает влияние одного сценария риска, тогда как вероятностный риск рассматривает все возможные сценарии, их вероятность и связанные воздействия

Детерминистские подходы используются для оценки последствий стихийных бедствий для заданного сценария опасности, тогда как вероятностные методы используются для получения более точных оценок частоты угроз и повреждений. Вероятностные оценки характеризуются внутренними неопределенностями, частично связанными с естественной случайностью опасностей, а частично из-за нашего неполного понимания и измерения рассматриваемых опасностей, подверженности и уязвимости (OECD, 2012).

В чем разница между детерминированным и вероятностным риском?

Хотя исторические потери могут объяснить прошлое, они не обязательно служат хорошим ориентиром для будущего; большинство бедствий, которые могли произойти, еще не произошло (UNISDR, 2013a). Вероятностная оценка риска моделирует те будущие бедствия, которые, основываясь на научных данных, могут произойти (UNISDR, 2015). В результате эти оценки риска решают проблему, связанную с ограниченностью исторических данных (UNISDR, 2015).Таким образом, вероятностные модели «дополняют» исторические записи, воспроизводя физику явлений и воссоздавая интенсивность большого количества синтетических событий (UNISDR, 2015).

Напротив, детерминированная модель рассматривает вероятность события как конечную. Детерминированный подход обычно моделирует сценарии, в которых входные значения известны, а результат наблюдается.

Детерминированное и вероятностное моделирование частично пересекается. Например, вероятностное моделирование (т.е. выполнение нескольких сценариев с разной вероятностью возникновения) может использоваться для создания детерминированного сценария; типичные сценарии могут включать:

• Худший вариант например максимальные потери
• Best-case напр. убытки, которые могут быть покрыты
• Скорее всего например наиболее вероятные убытки

Есть ряд проблем с детерминированным подходом, включая тот факт, что он не учитывает весь спектр возможных результатов и не дает количественной оценки вероятности каждого из этих результатов.Следовательно, детерминированное сценарное планирование может фактически недооценивать потенциальный риск. Чтобы решить эту проблему, мы должны принять вероятностный подход.

Вероятностный риск — это вероятность возникновения чего-либо неблагоприятного. Этот метод оценивает вероятность события (событий) и содержит идею неопределенности, поскольку включает концепцию случайности.

В контексте риска бедствий под вероятностью понимается частота возникновения или период повторяемости убытков, связанных с опасными событиями.Что мы подразумеваем под периодом возврата? Возьмем следующий пример, взятый из Глобального оценочного отчета МСУОБ ООН за 2015 год:

На рисунке показана рекордная 1000 лет потерь разного размера (величины) — девять событий превысили потери в «60» за этот период. Период времени между девятью потерями колеблется от шестидесяти до 200 лет, что означает, что в среднем убытки величиной 60 превышались каждые 100 лет — период возврата этой потери. Проще говоря, убыток за 100-летний период повторяемости (величина 60 в нашем примере) происходит в среднем один раз в 100 лет.Как видно из рисунка, период возврата не означает, что убыток происходит каждые 100 лет. Точно так же это не означает, что если убыток случится сегодня, он не повторится еще 100 лет. Период повторяемости представляет собой годовую вероятность убытка такого размера каждый год. Годовая вероятность превышения убытка, характеризующаяся 100-летним периодом доходности, составляет 1% — это величина, обратная периоду доходности (1/100 * 100).

Используем ли мы детерминированный или вероятностный подход, часто зависит от типа вопроса, на который нужно ответить, и от принятого решения по управлению рисками бедствий.

Мы бы использовали вероятностный подход для определения вероятности ряда различных событий. Мы могли бы принять детерминированный подход для проверки плана эвакуации или стратегии смягчения последствий выбранного события. Однако, даже если мы заинтересованы в знании конкретного сценария риска для конкретного события, мы можем получить это с помощью вероятностной оценки. Фактически, вероятностные подходы позволяют нам выявлять и моделировать сценарии, а также учитывать период их повторяемости. Измерение вероятности событий означает, что лица, принимающие решения, более информированы и лучше способны выбирать подходящие стратегии для различных сценариев, например.г. снижение рисков в случае значительных рисков и передача рисков в случае более значительных (но менее вероятных) событий.

Вероятностная оценка риска остается сложной задачей, особенно из-за множества факторов, которые необходимо учитывать, и потому, что риск не статичен и все больше подвержен влиянию ряда других факторов, включая изменение климата. Но вероятностные оценки риска все чаще становятся стандартом оценки риска бедствий, поскольку они представляют собой более комплексный подход.Эти оценки предоставляют нам средства для количественной оценки воздействия и вероятности событий, а также учета связанной с ними неопределенности.

Оценка ущерба и потерь, вызванных засухой: пример детерминированной оценки

Глобальный

Ущерб от засухи обычно оценивается на основе прошлых событий без учета того, как засуха может измениться с течением времени.

ИСТОЧНИК: адаптировано из GFDRR (2014a)

Что такое неопределенность?

Немногие результаты естественных и социальных наук можно утверждать на 100% из-за естественной случайности опасностей и того факта, что информация и понимание процессов являются неполными.Несмотря на это, нам все еще нужно принимать решения по повышению устойчивости.

Модель риска может дать очень точный результат — она ​​может показать, например, что наводнение продолжительностью 1 год из 100 затронет 388 123 человека, — но на самом деле точность модели и исходные данные могут обеспечить только порядок оценка величины. Точно так же четко очерченные зоны затопления на карте опасностей неадекватно отражают неопределенность, связанную с оценкой, и могут привести к таким решениям, как размещение критических объектов сразу за линией затопления, где фактический риск такой же, как если бы объект был расположен внутри зона затопления (GFDRR, 2014a).

Мы не должны опасаться использования информации, которая является неопределенной, если любые решения и действия, основанные на этой информации, принимаются с полным пониманием связанной с этим неопределенности и ее последствий. Следует помнить, что неопределенность обычно способствует аналитическим дебатам, которые должны привести к принятию надежных решений, что является положительным проявлением неопределенности. Для достоверной научной информации также будет четко представлена ​​любая связанная с этим неопределенность (Duncan et al., 2014).

Как мы моделируем детерминированный и вероятностный риск?

Мы моделируем риск как детерминированно, так и вероятностно, используя ряд компонентов (иногда называемых модулями) для опасности, подверженности, уязвимости и потерь (или воздействия). В детерминированных моделях выход модели полностью определяется значениями параметров и начальными значениями, тогда как вероятностные (или стохастические) модели включают в свой подход случайность. Следовательно, один и тот же набор значений параметров и начальных условий приведет к группе разных выходов.Мы также можем использовать вероятностные модели риска для проведения детерминированного анализа, введя параметры конкретного опасного события.

Каталоги опасностей и наборы событий могут использоваться с моделями риска детерминированным или вероятностным образом. Детерминированные модели риска используются для оценки воздействия конкретных событий на подверженность риску. Типичные сценарии для детерминированного анализа включают воспроизведение прошлых исторических событий, наихудших сценариев или возможных событий в разные периоды повторяемости.Например, детерминированный анализ риска (или воздействия) обеспечит надежную оценку потенциального ущерба зданию, смертности / заболеваемости и экономических потерь от одного сценария опасности (GFDRR, 2014a). Модели риска используются в вероятностном смысле, когда набор событий содержит достаточное количество событий, чтобы оценка риска сходилась в наиболее продолжительном периоде повторяемости или наименьшей вероятности, представляющей интерес (GFDRR, 2014a).

Мы не можем полностью полагаться на наши знания о прошлых событиях, чтобы предвидеть будущий риск, потому что некоторые бедствия, которые могли произойти, еще не произошли.

Вероятностный подход сводит к минимуму эти ограничения. Он использует исторические события, экспертные знания и теорию для моделирования событий, которые могут произойти физически, но не представлены в исторических записях. Вероятностный подход может создать каталог всех возможных событий, вероятности наступления каждого события и связанных с ними потерь (Di Mauro, 2014). Таким образом, они дают более полную картину полного спектра будущих рисков, чем это возможно с историческими данными.Хотя используемые научные данные и знания все еще являются неполными, при условии признания присущей им неопределенности, эти модели могут дать представление о вероятном «порядке величины» рисков (UNISDR, 2015a).

Результаты вероятностных моделей риска обычно представлены в виде стандартных показателей (метрик), таких как среднегодовой убыток (AAL). AAL — это ожидаемые средние убытки в год с учетом всех событий, которые могут произойти в течение длительного периода времени. Это компактная метрика с низкой чувствительностью к неопределенности.В отличие от исторических оценок, AAL учитывает все бедствия, которые могут произойти в будущем, включая очень интенсивные убытки в течение длительных периодов повторяемости, и, таким образом, преодолевает ограничения, связанные с оценками, полученными на основе исторических данных о потерях вследствие бедствий. Большинство вероятностных оценок рисков были разработаны на коммерческой основе для страховой отрасли и охватывают конкретные риски, в основном в странах с более высокими доходами. Однако они редко доступны и основаны на патентованных моделях. Несмотря на то, что в настоящее время разрабатывается все больше и больше моделей рисков, являющихся общественным достоянием, использование различных методологий и наборов данных затрудняет сравнение (UNISDR, 2015a).

Второй выход — это вероятный максимальный убыток (PML) для различных периодов повторяемости. PML могут быть выражены как вероятность превышения заданной суммы убытков в разные периоды времени. Таким образом, даже в случае тысячелетнего периода повторяемости все еще существует 5% вероятность превышения PML в течение 50-летнего периода. Этот показатель актуален, например, для специалистов по планированию и проектированию инфраструктурных проектов, в которые можно вкладывать средства на ожидаемый срок службы в 50 лет (UNISDR, 2015a).

При разработке моделей риска в качестве входных компонентов используется множество различных наборов данных. Уровень неопределенности напрямую связан с качеством входных данных. Кроме того, существует случайная неопределенность, которую нельзя уменьшить. Во многих случаях во время разработки модели экспертная оценка и прокси используются в отсутствие исторических данных, и результаты очень чувствительны к большинству этих предположений и вариаций входных данных. Таким образом, результаты этих моделей следует рассматривать как индикаторы порядка величины рисков, а не как точные значения.Повышение качества данных и прогресс в науке и методологиях моделирования снижают уровень неопределенности, но крайне важно интерпретировать результаты любой оценки риска на фоне неизбежной неопределенности (UNISDR, 2015a).

Глобальная оценка рисков под руководством МСУОБ ООН

Глобальный

Наиболее вероятностные оценки рисков были разработаны на коммерческой основе для страховой отрасли и охватывают определенные риски, в основном в странах с более высоким уровнем доходов.Однако они редко доступны и основаны на патентованных моделях. Глобальная оценка рисков, проводимая МСУОБ ООН в открытом доступе, заполняет серьезный пробел в понимании рисков.

ИСТОЧНИК: UNISDR (2015a) [GAR15]

Детерминированный подход — обзор

III Методы

Существует три основных элемента SHA: (1) характеристика сейсмических источников, (2) характеристика затухания колебаний грунта и (3) фактический расчет значений опасности .Варианты применения каждого элемента SHA приводят к различиям в оценке опасности.

Первый элемент SHA, характеристика сейсмических источников, включает ответы на три вопроса.

•

Где происходят землетрясения?

•

Как часто происходят землетрясения?

•

Насколько сильными мы можем ожидать эти землетрясения?

Примерно 90% всех землетрясений происходит вдоль границ плит.Границы плит и места землетрясений с магнитудой ≥5.3, зарегистрированных с 1964 г. по настоящее время, показаны на рис. 1. Существует три типа границ плит: трансформные разломы, зоны субдукции и зоны спрединга. Трансформируемые границы разломов — это места, где плиты скользят друг мимо друга. Землетрясения с трансформационными разломами, как правило, бывают неглубокими (в пределах от среднего до верхнего слоя земной коры или глубиной менее 20 км) и происходят по довольно линейным схемам. Разлом Сан-Андреас, расположенный вдоль побережья Калифорнии и на северо-западе Мексики, является границей трансформной разломной плиты.

РИСУНОК 1. Границы плит и глобальная сейсмичность. Границы пластины показаны черным цветом. Континенты серые. Землетрясения магнитудой ≥ 5.3, зарегистрированные с 1964 г. по настоящее время, показаны кружками.

Зоны субдукции — это зоны, где одна плита перекрывает или погружает другую. Основная плита толкает погружающуюся плиту в землю, где она тает. Как только он тает, более легкие породы в субдуцированной плите продвигаются вверх и нагревают породы в вышележащей плите, вместе образуя действующие вулканы.В зонах субдукции имеется несколько сейсмических источников: внутриплитные землетрясения как внутри субдуцирующих, так и перекрывающих плит, и межплитные землетрясения вдоль поверхности разлома между двумя плитами. Большинство зон субдукции происходит по краям континентов, где океаническая кора погружается под континентальную кору. Сильные и сильные землетрясения в зонах субдукции, как правило, бывают глубокими (от десятков до сотен километров), а зоны субдукции вдоль берегов находятся на расстоянии от десятков до сотен километров от берега.Таким образом, энергия, выделяющаяся при крупных землетрясениях в зоне субдукции, начала ослабевать (ослабевать), прежде чем достигнет береговых населенных пунктов. Хорошо известные океано-континентальные зоны субдукции включают зоны вдоль западного побережья Южной Америки и вдоль восточного побережья Японии. Заметным исключением является граница плиты Индия-Евразия. Континентальная Индия сталкивается с континентальной Евразией и подчиняется ей.

Зоны растекания — это границы плит, где две плиты отдаляются друг от друга.Магма (расплавленная порода) поднимается, раздвигая пластины и добавляя новый материал к обеим пластинам. Землетрясения в зонах спрединга неглубокие. Большинство зон распространения — океанические; например, Евразия и Северная Америка расходятся вдоль Срединно-Атлантического хребта. Редким примером прибрежной зоны распространения является Исландия, расположенная по обе стороны Срединно-Атлантического хребта.

Ежегодно в мире происходит в среднем 18 сильных (магнитудой 7,0–7,9) и 1 сильное (магнитудой 8,0 и выше) землетрясений из десятков тысяч землетрясений во всем мире.Хотя сильные и сильные землетрясения являются основным источником сейсмической опасности, они не всегда являются наиболее важными источниками. Мелкие умеренные землетрясения (магнитудой 5,0–7,0), происходящие поблизости, могут вызвать значительные сотрясения и повреждения. Например, землетрясения в Нортридже, Калифорния, 1994 г., и в Кобе, Япония, в 1995 г. были неглубокими умеренными землетрясениями.

В качестве первого шага в SHA местоположения всех инструментально зарегистрированных землетрясений собираются в каталогах сейсмичности. Эти каталоги являются основным инструментом, используемым для определения того, где, как часто и насколько сильными могут быть землетрясения.Однако инструментальная регистрация землетрясений — это явление середины-конца 20-го века, в то время как физические процессы, вызывающие землетрясения, происходят в гораздо более длительных временных масштабах. Каталоги сейсмичности могут быть расширены на сотни и тысячи лет назад за счет включения исторических и палеосейсмических данных. Отчеты о сотрясениях, несчастных случаях и повреждениях от исторических землетрясений (задокументированных землетрясений, произошедших до инструментальной записи) анализируются различными способами, чтобы оценить их местоположение и величину.Поверхности погребенного грунта, затопленные леса, следы эксгумированных разломов и другие палеосейсмические (древние) данные наносятся на карту, датируются и анализируются, чтобы оценить возраст и пространственную протяженность землетрясений или другой тектонической активности, которая их породила. Все эти данные объединены в расширенные каталоги сейсмичности.

Даже если каталоги развернуты назад, статистика сейсмичности основана на геологически коротких каталогах, поэтому исследуются другие данные о деформациях. Геодезический мониторинг, еще одно явление середины-конца 20-го века, может выявить региональное накопление деформации в сейсмических регионах, а также лучше ограничить скорость деформации в сейсмически активных областях.Накопление региональной деформации может быть пространственно интерполировано или разделено для оценки (или более точной количественной оценки) магнитуд землетрясений и интервалов повторяемости известных разломов. Измерения накопления деформации в асейсмических регионах могут использоваться для определения верхней и / или нижней границ возможных магнитуд землетрясений и интервалов повторяемости.

Результаты сейсмического мониторинга, исторические данные, геодезический мониторинг и геологические данные объединяются для характеристики сейсмических источников.Хотя возможны многие интерпретации широкого диапазона входных данных, для PSHA используются только два различных метода определения характеристик очага землетрясения: определение зон сейсмического очага (разлома или области) и исторический параметрический метод.

Определение зон сейсмических источников включает определение географических координат области (полигональной) или разломного (линейного / плоского) источника. Предполагается, что опасность является однородной в пределах каждого полигона или вдоль каждого сегмента разлома и может быть описана с помощью нескольких параметров: минимального (пороговое значение) и максимальной магнитуды землетрясений, а также скорости сейсмичности, полученных из соотношения Гутенберга-Рихтера (GR).

logN = a − bM,

, где M — магнитуда, N — количество землетрясений с магнитудой M или более в единицу времени, а a и b — постоянные.

Исторический параметрический метод определяет уровни сейсмичности (снова на основе уравнения GR) для каждой точки сетки посредством пространственного сглаживания исторической сейсмичности. Исторические параметрические приложения обычно дополняют эти показатели сейсмичности конкретными сценариями землетрясений и зонами фоновых источников сейсмичности.

Множественные методы и широкий диапазон интерпретаций данных приводят к неопределенностям, связанным с характеристиками источника. Различные схемы используются для явного или неявного включения этих неопределенностей в расчеты сейсмической опасности.Например, можно определить несколько моделей исходной зоны. Границы исходной зоны могут быть проведены вокруг кластеров исторической сейсмичности («историческая» модель), вокруг геологических и / или тектонических структур или их комбинации. Затем расчеты опасностей из каждой модели могут быть объединены с использованием различных схем (например, логических деревьев, весов), которые производят среднее (или медианное) значение опасности.

Другая схема состоит в том, чтобы определить несколько альтернативных моделей источников, смешивая исторический параметрический и детерминированный подходы.По этой схеме были рассчитаны самые последние карты опасностей США. Исследователи объединили семь существующих региональных и национальных каталогов землетрясений за период с 1534 по 1995 годы, чтобы сформировать единый каталог США. Они переписали каждый каталог в едином формате, затем объединили и отсортировали их в один хронологический каталог. Были удалены повторяющиеся списки землетрясений, а также пред- и афтершоков. Все представленные различные магнитуды землетрясений были переведены в один и тот же масштаб. Затем исследователи рассчитали опасность для каждой из следующих исторических параметрических моделей:

Центральные и Восточные США	Западные США	Калифорния
Величина ≥ 3.0 с 1924 г.	Звездная величина ≥ 4,0 с 1963 г.	Магнитуда ≥ 4,0 с 1933 г.
Магнитуда ≥ 4,0 с 1860 г.	Звездная величина ≥ 5,0 с 1930 г.	Звездная величина ≥ 5,0 с 1900 г.
Звездная величина ≥ 5,0 с 1700 г.	Магнитуда ≥ 6,0 с 1850 г.	Магнитуда ≥ 6,0 с 1850 г.

Они также рассчитали опасность от зон крупных фоновых источников, чтобы учесть опасность для исторически асейсмичных районов, которые могут вызвать разрушительные землетрясения.Наконец, они рассчитали опасность по следующим детерминированным моделям:

Центральные и Восточные США	Западные США	Калифорния
Магнитуда ≥ 7,0	Магнитуда ≥ 6,5	Магнитуда ≥ 6,5
Нью-Мадрид, Чарльстон	Картированные сейсмогенные разломы	Картированные сейсмогенные разломы
Разлом Мерс, разлом Черав	Магнитуда ≥ 8.3 Зона субдукции Cascadia	(т.е. система Сан-Андреас)

Окончательные карты опасностей содержали средневзвешенные значения, полученные из всех этих расчетов опасностей.

Второй элемент оценки опасности землетрясения — это оценки ожидаемых колебаний грунта на заданном расстоянии от землетрясения заданной магнитуды. Эти оценки обычно представляют собой уравнения, называемые зависимостями затухания, которые выражают движение грунта как функцию величины и расстояния (а иногда и других переменных, таких как тип разлома).Зависимость затухания от движения грунта может быть определена двумя разными способами: эмпирически, используя ранее зарегистрированные движения грунта, или теоретически, используя сейсмологические модели для генерации синтетических движений грунта, которые учитывают эффекты источника, участка и пути. Однако эти подходы частично совпадают, поскольку эмпирические подходы приводят данные в соответствие с функциональной формой, предлагаемой теорией, а теоретические подходы часто используют эмпирические данные для определения некоторых параметров.

Масштаб землетрясения, тип разломов, расстояние от источника до площадки и местные условия (классификация площадок) должны быть четко определены для оценки движения грунта.Моментная магнитуда ( M ) является предпочтительной мерой магнитуды, потому что она напрямую связана с общим количеством энергии, выделившейся во время землетрясения. Необходимо указать тип разломов, поскольку в пределах 100 км от площадки сдвиговые землетрясения вызывают меньшие колебания грунта, чем обратные и надвиговые землетрясения, за исключением M ≥ 8.0. Геометрия измерений расстояния от источника до объекта должна быть четко указана, поскольку различные отношения затухания были получены с использованием разных геометрических форм.Существует также несколько схем классификации участков, от описания физических свойств приповерхностного материала до очень количественных характеристик. Карты сейсмической опасности рассчитываются для конкретной классификации участков (твердая порода, мягкая порода, жесткий грунт, грунт, мягкий грунт и т. Д.). Значения опасности, рассчитанные для участков скальной породы / твердой почвы (наиболее распространенная классификация участков), ниже, чем значения опасности, рассчитанные для участков с грунтом. Часто значения опасности для почвенных участков можно оценить на основе значений горных пород / участков с твердым грунтом, обычно отображаемых на картах опасностей, путем умножения на определенный коэффициент, но это не более чем приблизительные оценки.

Третий элемент оценки опасности — это фактический расчет ожидаемых значений колебаний грунта. После описания источников и выбора функций затухания вероятное движение грунта от каждого возможного источника (землетрясение) рассчитывается для каждой точки на сетке. Каждое из этих значений движения грунта от одного источника имеет такую ​​же вероятность возникновения, как и вызвавшее его землетрясение. Этот расчет значений движения грунта для конкретного участка выполняется для всех возможных источников, которые могут повлиять на этот участок.Все эти расчеты превращаются в годовую частоту появления и превышения различных уровней интересующего параметра движения грунта. Окончательные значения опасности определяются путем суммирования за интересующий период времени.

Наиболее часто отображаемые сейсмические движения грунта — это ускорения, которые являются мерой скорости изменения скорости. Перед землетрясением объекты, земля и люди «находятся в состоянии покоя»: наши скорости равны нулю или близки к нему, и благодаря вращательному и орбитальному воздействию Земли ускорение свободного падения удерживает нас на месте.Во время землетрясения объекты, земля и люди внезапно приходят в движение: наша скорость быстро увеличивается с нуля. Это увеличение, или ускорение, действует против ускорения свободного падения. Не закрепленные на якоре объекты и люди могут скользить, трястись или, когда ускорение превышает ускорение силы тяжести, подниматься в воздух (ненадолго становиться невесомыми). Здания и закрепленные на якоре объекты будут сотрясаться, и чем больше ускорение, тем сильнее сотрясение. Значения ускорения, отображаемые на картах сейсмической опасности, напрямую связаны с поперечными силами, указанными в положениях норм сейсмического строительства.Ускорение свободного падения и ускорения, изображенные на картах сейсмической опасности, измеряются в метрах в секунду в секунду (м / с ² ). Значения карты опасностей представлены либо в метрах в секунду в секунду, либо в процентах силы тяжести (% g ), где g — это ускорение свободного падения (∼9,78 м / с ² ). Отображенное значение 50% g означает, что ускорение от землетрясения вдвое меньше ускорения силы тяжести. Уровень сотрясения около 10%. г — это порог повреждения старых или не сейсмостойких конструкций, расположенных вблизи места землетрясения.Но взаимосвязь между уровнем сотрясения и повреждением варьируется в зависимости от многих факторов, включая расстояние до землетрясения, тип здания, классификацию площадки и многое другое. В целом, однако, чем выше уровень встряхивания, тем больше вероятность повреждения.

Инструменты оценки подверженности по уровням и типам — детерминированные и вероятностные оценки

Обзор

Первоначальные оценки воздействия, включая оценки на уровне скрининга, обычно начинаются с использования детерминированного подхода.Этот подход использует точечные значения и простые модели для получения точечной оценки воздействия (высокого или стандартного воздействия). Детерминированные оценки просты в выполнении, часто используют легкодоступные данные и дают результаты, которые легко интерпретировать.

Вероятностные оценки используют более сложные подходы к моделированию, которые полагаются на распределения данных в качестве входных данных вместо точечных значений для ключевых параметров. Это приводит к распределению возможных оценок воздействия и большей способности характеризовать изменчивость и неопределенность.

Описание

A детерминированный детерминированный Методология, основанная на точечных (т.е. точных) значениях в качестве исходных данных для оценки риска; это позволяет избежать количественных оценок неопределенности и изменчивости. Результаты также представлены в виде баллов. Неопределенность и изменчивость могут обсуждаться качественно или полуколичественно с помощью множественных детерминированных оценок риска. [EPA 2004] Оценка использует отдельные значения или точечные оценки в качестве входных данных для уравнения воздействия.В результате результат детерминированной оценки представляет собой балльную оценку воздействия. Детерминистские подходы могут использоваться как для скрининговых оценок, так и для оценок более высокого уровня, а также в качестве компонентов при оценке множественных факторов стресса и множественных путей.

A вероятностный вероятностный Тип статистического моделирования, используемый для оценки ожидаемой частоты и величины параметра путем выполнения повторяющихся симуляций с использованием статистически выбранных входных данных для детерминант этого параметра (например,г., осадки, загрязняющие вещества, потоки, температура). [EPA 2004] Оценка использует распределения данных, из которых несколько точек выбираются в качестве входных данных для уравнения воздействия в ходе нескольких симуляций. В результате выходом вероятностной оценки является распределение значений потенциального воздействия. Вероятностные подходы обычно используются только для оценок более высокого уровня.

Ниже приведены характеристики, характерные для детерминированных и вероятностных оценок. Это не обязательно компоненты всех детерминированных или вероятностных оценок.

	Детерминированный	Вероятностный
Входы		Вероятность или частотное распределение концентраций среды или факторов воздействия
	Детерминированные оценки используют отдельные значения или точечные оценки в качестве входных данных для уравнения подверженности. В оценках охраны здоровья обычно используется детерминированный подход с оценками по умолчанию с высокими конечными точками.Детерминированные оценки могут также использовать центральную тенденцию центральную тенденцию «Центральная тенденция» — это оценка среднего значения, испытываемого пострадавшим населением (http://www.epa.gov/risk_assessment/exposure.htm). значения для оценки «типичного» воздействия. В оценках, использующих вероятностный подход, используются распределения данных для некоторых входных переменных. Распределения вероятностей Распределения вероятностей Распределения вероятностей описывают диапазон значений, которые могут принимать определенные переменные в совокупности, и оценивают относительную вероятность (вероятность) того, что любое из этих значений может иметь место в данной совокупности (U.S. EPA, 2001). Распространенные распределения вероятностей включают нормальное, логнормальное, равномерное и дискретное. Эти типы подробнее обсуждаются в разделе «Входные данные» ниже. описать диапазон значений, которые могут принимать определенные переменные, и оценить относительную вероятность или вероятность того, что любое из этих значений может иметь место в данной популяции (US EPA, 2001). Вероятностные подходы обычно требуют больше ресурсов и опыта, чем использование детерминированного подхода, учитывая, что оценщик должен выбрать и подогнать распределения для входных параметров.Распределения вероятностей не обязательно включать для всех входных переменных. Обычно анализ чувствительности проводится для определения того, какие пути и параметры воздействия вносят существенный вклад в общую изменчивость и неопределенность оценок воздействия. Распределения вероятностей используются для чувствительных переменных, чтобы минимизировать сложность оценки, а точечные оценки могут быть подходящими для других входных переменных.
Инструменты	Простые модели и уравнения Стандартизированные методы Анализ чувствительности на основе точечных оценок	Сложные модели и уравнения Анализ чувствительности на основе распределений вероятностей Монте-Карло Монте-Карло Монте-Карло — это только один пример метода вероятностных оценок.моделирование
	Инструменты, доступные для детерминированных оценок, включают исходные данные по умолчанию и методы, установленные Агентством по охране окружающей среды для стандартизации расчетов точечных оценок между участками. В этих оценках часто используются простые модели и уравнения. Поскольку вероятностные оценки выбирают входные переменные из распределений, математические уравнения и компьютерные модели, используемые для их реализации, являются более сложными. Монте-Карло Монте-Карло Метод для характеристики неопределенности и изменчивости оценок риска путем многократной выборки распределений вероятностей входных данных уравнения риска и использования этих входных данных для расчета диапазона значений риска »(У.S. EPA, 2001). Моделирование — наиболее распространенный подход к оценке воздействия с помощью распределений вероятностей. Используя Монте-Карло, многократно отбираются распределения вероятностей для одной или нескольких переменных. Оценка воздействия рассчитывается каждый раз, чтобы получить распределение возможных значений для оценок воздействия. Распределения, выбранные при оценке риска Монте-Карло, могут быть либо эмпирическими данными (т.е. фактическими показателями потребления, зарегистрированными в научных исследованиях), либо синтезированными вероятностными / статистическими распределениями, такими как рассчитанные с помощью математических уравнений, которые представляют возможные распределения значений. Анализ чувствительности Анализ чувствительности Используется для определения того, какие параметры и воздействия оказывают наибольшее влияние на оценку воздействия. в детерминированной оценке позволяет оценщику вычислить вклад путей воздействия. Другими словами, каждая переменная независимо изменяется на одну и ту же заранее заданную величину (например, +/- 5%), и вычисляется оценка воздействия. Используя результаты анализа чувствительности, оценщик риска может определить, какие переменные имеют наибольшее влияние на оценку воздействия.Оценщик может решить найти распределения для этих переменных, чтобы можно было провести вероятностную оценку. При вероятностной оценке анализ чувствительности обеспечивает количественное ранжирование влияния переменных на основе варьирования множества переменных с распределениями вероятностей.
Результаты	Точечная оценка воздействия Полезно для определения приоритетов, исключения потенциальных путей воздействия и скрининговых оценок О результатах легко сообщать Ограниченная способность характеризовать неопределенность и изменчивость Неопределенность и изменчивость, охарактеризованные с использованием нескольких прогонов моделей	Распределение возможных оценок риска Более надежная оценка диапазона воздействий Используется в уточненных оценках Повышенная способность характеризовать неопределенность и изменчивость Позволяет выявлять пробелы в данных
	Детерминистские подходы дают точечную оценку воздействия, которая попадает где-то в пределах полного распределения возможных воздействий.Тщательно выбранные входные значения могут предоставить оценщикам значимые оценки центральной тенденции или высокоуровневых воздействий в определенной совокупности. Этот подход обычно используется при оценке на уровне отбора отчасти из-за относительно экономичного и простого характера подхода. Кроме того, о результатах просто сообщить. Характеристика неопределенности и изменчивости ограничена при использовании детерминированных подходов, но может быть аппроксимирована путем проведения нескольких детерминированных прогонов.Это дает оценщику представление о неопределенности и / или изменчивости путем оценки потенциального воздействия на основе нескольких точечных оценок с использованием входных данных из различных точек частотного распределения. Вероятностные оценки генерируют распределение возможных оценок воздействия, которое отражает совокупное влияние изменчивости входных параметров (US EPA, 2001). Этот подход может обеспечить более полную характеристику изменчивости оценок подверженности или риска и неопределенности входных переменных, а также выявить пробелы в данных, которые можно оценить в дальнейшем.Кроме того, оценщик воздействия имеет возможность лучше охарактеризовать, где (в общем распределении воздействий) падает верхняя оценка (например, 90 th , 99 th или дальше в хвосте). Моделирование методом Монте-Карло и другие вероятностные подходы могут предоставить оценки воздействия, но выполнение вероятностной оценки с использованием методов Монте-Карло может не потребоваться в ситуациях, когда риск или затраты на восстановление невысоки. Обычно факторы стресса, пути воздействия и рецепторы, представляющие наибольшую потенциальную озабоченность, выбираются для вероятностного подхода к сбережению ресурсов. Специалистам по оценке воздействия требуется больше усилий для передачи методологии и результатов вероятностной оценки. Сложность вероятностных подходов может скрыть важные предположения или ошибки в основных моделях подверженности или риска. Кроме того, вероятностная оценка хороша настолько, насколько хороши основные распределения параметров. Если используются данные низкого качества или не учитываются важные корреляции, результаты будут менее информативными.

---

Инструменты для разработки вероятностных оценок

Инструменты в этой таблице являются информационными ресурсами для разработки вероятностных оценок.Инструменты для детерминированных подходов включены в другие наборы инструментов на домашней странице.

Для просмотра некоторого содержимого на этой странице требуется JavaScript. Если вы хотите просматривать содержимое этой страницы, у вас должен быть включен JavaScript.

Методы

Детерминированные оценки воздействия используют комбинацию точечных значений, выбранных либо для защиты здоровья (т. Е. Высокие значения), либо для представления «типичного» воздействия (т. Е. Значений центральной тенденции). Они производят оценку воздействия, которая также является точечной оценкой, которая попадает где-то в пределах полного распределения возможных воздействий (U.S. EPA, 2004).

Детерминистические оценки используют точечные значения для точечной оценки индивидуального или популяционного воздействия.

С помощью детерминированного подхода можно провести несколько итераций оценки. Например, точечные оценки по умолчанию могут использоваться для оценки на уровне скрининга, чтобы создать базовую картину высококлассных или типичных воздействий. Если результатов первоначальной оценки недостаточно для использования при принятии решений, уточненная детерминированная оценка может быть завершена с использованием дополнительных данных для конкретного объекта, если таковые имеются, для создания более точной картины ожидаемого воздействия.

Оценки центральных тенденций		Представляют среднего или типичного человека в популяции, обычно около медианы или 50 медианы или 50 Если доступны как среднее арифметическое, так и медианные оценки воздействия, но существенно отличаются друг от друга, полезно предоставить оба значения для оценщики риска, чтобы лучше понять сценарий подверженности (У.S. EPA, 1992). распределения населения Среднее арифметическое использует средние значения для всех факторов Средняя экспозиция / доза соответствует 50 th процентилю экспозиции / дозе; полезно, когда данные находятся в логнормальном распределении логнормальном распределении В логнормальном распределении средняя и медианная оценки воздействия будут отличаться друг от друга, поэтому полезно предоставить оба значения.
Граничные оценки		Максимально возможное воздействие Полезно для быстрого скрининга сметы Использует самые высокие нормы приема; самая высокая частота и распределение воздействия; и средняя масса тела для эстимейта
Высокие оценки		Не ниже 90 -го процентиль распределения населения (например,g., разумный максимум, разумный наихудший случай и максимальное воздействие) Комбинация входов высокой и центральной тенденции Более реалистично, чем верхняя граница
	Разумная максимальная экспозиция	Используется в решениях Superfund о средствах правовой защиты в соответствии с рекомендациями RAGS Представляет наивысший уровень риска, который с большой вероятностью может произойти Часто представляет собой 90 -е –99.9 -й процентиль распределения воздействия, рассчитанный на основе вероятностной оценки риска (Агентство по охране окружающей среды США, 2001)
	Разумное воздействие наихудшего случая	Нижняя часть верхнего диапазона экспозиции (Агентство по охране окружающей среды США, 1992) 90 -я –98 -я процентиль (Агентство по охране окружающей среды США, 1992)
		Самая верхняя часть диапазона экспозиции (U.С. EPA, 1992) Выше 98 -го процентиля (Агентство по охране окружающей среды США, 1992)

Вероятностные оценки воздействия дают оценщику гибкость в создании оценок воздействия для спектра верхних процентилей (например, от 90 ^-го до 99,9 ^-го процентилей), из которых оценщик может выбрать наиболее подходящий верхний предел (US EPA, 2004). Многие из тех же алгоритмов и распределений данных, которые использовались для получения точечных оценок в детерминированных оценках, также могут использоваться в вероятностных оценках.

В целях защиты здоровья решения по управлению рисками часто основываются на оценках высокого уровня воздействия на человека. По мере того, как оценка воздействия увеличивается в пределах процентильного диапазона, уровень неопределенности увеличивается.

Случайные переменные — это такие переменные, как масса тела, частота воздействия и скорость приема пищи, которые считаются независимыми друг от друга. Они выражаются в виде вероятностных распределений, которые учитывают изменчивость в популяции. Учитываются любые известные корреляции между переменными (например,g. потребление пищи может коррелировать с массой тела).

Использование случайных величин позволяет рассчитать уникальную оценку воздействия путем выборки каждого набора распределений вероятностей и вычисления результата. Каждая итерация расчета представляет собой правдоподобную комбинацию входных значений и, следовательно, правдоподобную оценку воздействия. Однако «люди», представленные в каждой итерации, не предназначены для представления одного человека. Скорее, общее распределение значений воздействия предназначено для демонстрации вероятности или вероятности различных уровней воздействия в популяции с различными характеристиками и поведением.

Ниже приведены шаги, которые оценщик может предпринять для применения вероятностного подхода.

Определение переменных для вероятностной оценки

• Перед выполнением вероятностной оценки оценщик решает, какие из входных переменных будут оцениваться вероятностно. В идеале модель будет использовать распределения вероятностей для входных переменных, которые являются неопределенными или переменными, как это определено анализом чувствительности. Чаще выбор ограничивается доступными данными (У.С. EPA, 2004)

Выбор и соответствие распределений

• Оценщик выбирает и подбирает наилучшие распределения для переменных, которые будут вводиться как распределения вероятностей (см. «Входные данные» для получения дополнительной информации и ресурсов по выбору и подгонке распределений).

Пример распределения вероятностей

Источник: (Агентство по охране окружающей среды США, 2006)

Представление результатов вероятностных оценок

• Представление результатов вероятностной оценки может быть сложной задачей из-за сложности подхода.Напротив, результаты детерминированной оценки часто просты для понимания, а точка принятия решения о действии часто ясна. Например, если точечная оценка риска превышает определенный уровень, примите меры. В противном случае можно посоветовать другое действие или бездействие (Агентство по охране окружающей среды США, 2004 г.).

Результаты вероятностной оценки не так интуитивно понятны для интерпретации. Распределение воздействий или рисков следует характеризовать как отражающее изменчивость среди населения, основанную на различиях в воздействии (U.S. EPA, 2004).

Агентство по охране окружающей среды США (2004) рекомендует на раннем этапе и непрерывно взаимодействовать с заинтересованными сторонами, включая план коммуникации и разработку эффективных графиков, чтобы результаты были понятны затронутым сторонам (Агентство по охране окружающей среды США, 2004). Кроме того, информация может быть представлена ​​несколькими способами (например, с использованием функций плотности вероятности и функций совокупной плотности) для эффективного сообщения результатов.

• Глава 31 — Вероятностная оценка риска в ATRA, том I (U.S. EPA, 2004) и Глава 6 — Оценка воздействия в томе 1 RAGS (U.S. EPA, 1989) включают обсуждение факторов, которые следует учитывать при представлении результатов вероятностной оценки. В эту главу также включены гипотетические результаты, показывающие функции плотности вероятности и кумулятивной плотности.

---

Инструменты для проведения вероятностных оценок

Инструменты в этой таблице представляют собой все модели, которые можно использовать для проведения вероятностных оценок. Инструменты для детерминированных подходов включены в другие наборы инструментов на домашней странице.

Для просмотра некоторого содержимого на этой странице требуется JavaScript. Если вы хотите просматривать содержимое этой страницы, у вас должен быть включен JavaScript.

Входные данные

Детерминированные оценки

Описания источников данных, которые можно использовать в детерминированных оценках, можно найти в нескольких наборах инструментов на домашней странице. Фактически, модуль косвенной оценки (оценка сценария) набора инструментов подходов включает следующие категории входных данных:

• Источники и выпуски
• Судьба и транспорт
• Концентрации
• Характеристика популяций
• Факторы воздействия

Инструменты, относящиеся к входным данным о судьбе и переносе, концентрациях и факторах воздействия, также описаны в наборах инструментов для носителей и маршрутов.

Вероятностные оценки

Некоторыми входными значениями для вероятностной оценки будут распределения данных вместо отдельных значений. Однако в выборе и подгонке распределений вероятностей для всех входных переменных часто нет необходимости, поскольку это может потребовать значительных ресурсов и может не повысить точность оценки воздействия.

В идеале, только те входные переменные, которые, как было установлено, вносят значительный вклад в общую изменчивость и неопределенность, как определено анализом чувствительности, должны рассматриваться для включения в качестве вероятностных распределений (U.S. EPA, 2001).

Этапы выбора и согласования распределений вероятностей:

1. Выдвинуть гипотезу о семействе дистрибутивов
2. Оценить качество соответствия распределения
3. Оценка параметров распределения
4. Оценить качество соответствия параметров

Приложение B тома 3 RAGS, часть A (Агентство по охране окружающей среды США, 2001)

При подборе данных к распределению специалисты по оценке воздействия могут учитывать множество распределений или математических функций (например,g., нормальный, логнормальный, равномерный, Пуассон, бета). Часто может оказаться подходящим более одного распределения вероятностей. Агентство по охране окружающей среды США (2001) рекомендует использовать поэтапный многоуровневый подход для включения вероятностных распределений в вероятностную оценку. В Приложении B тома 3, части A RAGS (Агентство по охране окружающей среды США, 2001) рассматриваются методы, доступные для выбора и согласования распределений, и содержатся рекомендации, основанные на вопросах, на которые должна ответить оценка, и имеющихся данных для определения входных переменных.

Подобно подходу точечной оценки, на разных площадках могут потребоваться разные распределения вероятностей для входных переменных, в зависимости от конкретных проблем управления рисками и источников неопределенности (US EPA, 2001). US EPA (1997b) Руководящие принципы анализа Монте-Карло также включает руководство для экспертов по выбору исходных данных и распределений для вероятностных оценок.

Агентство по охране окружающей среды США (2000) « Варианты разработки параметрических распределений вероятностей для факторов воздействия » предоставляет руководство по выбору распределений вероятностей и подгонки данных из справочника по факторам воздействия , выпущенного в 1997 г., (U.S. EPA, 1997a). Три фактора — потребление водопроводной воды, мобильность населения и правила ингаляции — используются в качестве тестовых примеров в документе, и предоставляются рекомендации по математическим моделям, которые лучше всего соответствуют данным.

Приложения

Поскольку оценки с использованием вероятностных методов менее распространены, чем оценки с использованием детерминированных, ниже описаны несколько примеров вероятностных оценок.

• Вероятностная оценка воздействия для детей, которые контактируют с игровыми наборами и настилами, обработанными CCA, с использованием модели стохастического воздействия на человека и имитации дозы для сценария консерванта древесины (SHEDS-Wood) (Zartarian et al., 2005).
  • Модель SHEDS — это вероятностная модель, которую можно использовать для оценки совокупного воздействия и мультимедийных, многопутевых химических веществ, представляющих интерес. EPA усовершенствовало модель SHEDS (т.е. SHEDS-Wood) для оценки воздействия на детей остатков хрома и мышьяка из игровых наборов и настилов, обработанных хроматом арсената меди (CCA) (Zartarian et al., 2005).
  • Используя вероятностную модель SHEDS-Wood EPA смогло:
    • обращаются как к изменчивости, так и к неопределенности входных и выходных данных модели;
    • генерирует временной ряд экспозиции с высоким разрешением результатов;
    • проводит всесторонний анализ чувствительности для определения критических входных данных модели и факторов, которые в наибольшей степени влияют на прогнозы модели; и
    • получить более реалистичную оценку воздействия путем включения конкретной информации о деятельности, связанной с воздействием (например,g., дневниковые опросы, связанные с контактом с колодой и игровым набором) и рассмотрение влияния сценариев, снижающих воздействие (например, мытье рук после игры).
  • Подробная информация о методах, предположениях и результатах представлена ​​в отчете. Поглощенные дозы, включая средние дневные дозы (ADD) и среднесуточные дозы за всю жизнь (LADD), представленные в этом отчете, были использованы для получения оценок риска для детей от воздействия остатков хрома и мышьяка в отдельном отчете (Dang et al., 2003).

• Сравнение четырех вероятностных моделей (CARES, Calendex, ConsExpo, SHEDS) для оценки совокупного воздействия пестицидов в жилых помещениях (Young et al., 2012)
  • Young et al. (2012) сравнили результаты шести оценок воздействия, включая оценки, полученные на основе двух детерминированных подходов и четырех вероятностных подходов. Эти подходы использовались для прогнозирования воздействия пестицидов на детей в помещениях через ингаляционные, кожные и недиетические пути для выбранных сценариев.Два детерминированных подхода, оцененных в этом исследовании, — это Стандартные рабочие процедуры для жилых помещений Агентства по охране окружающей среды и Проект протокола для измерения непрофессионального воздействия пестицидов на детей всеми соответствующими путями. Дополнительную информацию о вероятностных моделях (например, CARES®, Calendex ™, ConsExpo и SHEDS), используемых в этом исследовании, можно найти в разделе «Инструменты для проведения вероятностных оценок».
  • Цель авторов при сравнении нескольких подходов состояла в том, чтобы предоставить указание на надежность каждой модели, пролить свет на лежащие в их основе предположения и сравнить диапазон оценок воздействия.В документе обсуждается каждый подход и модель, включая различия в алгоритмах. Young et al. (2012) обнаружили, что выявленные различия можно объяснить предположениями о деятельности, распределением входных данных и алгоритмами воздействия.
  • Смит (1994) опубликовал результаты сравнения оценок риска воздействия летучих растворителей при проглатывании и контакте с кожей. Оценки риска, полученные с использованием вероятностных методов, сравнивались с оценками, рассчитанными с использованием детерминированного подхода «разумный максимальный риск».Детерминированная оценка находилась в верхней части диапазона вероятностных оценок.

Ссылки

• Smith, RL. (1994). Использование моделирования Монте-Карло для оценки воздействия на человека на сайте Суперфонда. Анализ рисков 14: 433-439.
• Агентство по охране окружающей среды США. (1989). Руководство по оценке рисков для Суперфонда: Том 1: Руководство по оценке здоровья человека (Часть A). (EPA / 540 / 1-89 / 002). Вашингтон, округ Колумбия.
• Агентство по охране окружающей среды США. (1992). Рекомендации по оценке воздействия.(EPA / 600 / Z-92/001). Вашингтон, округ Колумбия.
• Агентство по охране окружающей среды США. (1997a). Справочник факторов воздействия. (EPA / 600 / P-95 / 002Fa-c). Вашингтон, округ Колумбия.
• Агентство по охране окружающей среды США. (1997b). Руководящие принципы анализа Монте-Карло. (EPA / 630 / R-97/001). Вашингтон, округ Колумбия.
• Агентство по охране окружающей среды США. (2000). Варианты построения параметрических распределений вероятностей факторов воздействия. (EPA / 600 / R-00/058). Вашингтон, округ Колумбия.
• Агентство по охране окружающей среды США. (2001). Руководство по оценке рисков для Суперфонда (RAGS): Том III — Часть A: Процесс проведения вероятностной оценки рисков.(EPA 540-R-02-002). Вашингтон, округ Колумбия.
• США EPA. (2005). Вероятностная оценка воздействия на детей, которые контактируют с игровыми наборами и настилами, обработанными CCA: с использованием модели стохастического воздействия на человека и имитации дозы для сценария воздействия консерванта для древесины (SHEDS-Wood). Парк Исследований Треугольника, Северная Каролина.
• Агентство по охране окружающей среды США. (2004). Справочная библиотека по оценке риска токсичных веществ в воздухе: Том 1: Руководство по техническим ресурсам. (EPA-453-K-04-001A). Парк Исследований Треугольника, Северная Каролина.
• U.S. EPA. (2006). Подходы к применению физиологически обоснованных фармакокинетических моделей (PBPK) и подтверждающих данных при оценке риска. (EPA / 600 / R-05 / 043F). Вашингтон, округ Колумбия.
• Young, BM; Tulve, NS; Егеги, ПП; Водитель, JH; Зартарян В.Г .; Johnston, JE; Delmaar, CJ; Evans, JJ; Смит, Луизиана; Glen, G; Ланчик, C; Росс, JH; Сюэ, Дж; Barnekow, DE. (2012). Сравнение четырех вероятностных моделей (CARES, Calendex, ConsExpo и SHEDS) для оценки совокупного воздействия пестицидов в жилых помещениях.J Expo Sci Environ Epidemiol 22: 522-532.

Детерминированные и вероятностные модели и мышление

То, как мы понимаем и осмысливаем вариации в мире, влияет на решения, которые мы принимаем.
Частью понимания вариативности является понимание разницы между детерминированными и вероятностными (стохастическими) моделями. Учебный план Новой Зеландии определяет следующий результат обучения: «Выбирает и использует соответствующие методы для исследования вероятностных ситуаций, включая эксперименты, моделирование и теоретическую вероятность, различая детерминированные и вероятностные модели. »Это восьмой уровень учебной программы, высший уровень среднего образования. Детерминированные и вероятностные модели знакомы не всем учителям математики и статистики, поэтому я пишу об этом сегодня.

Модель

Термин «модель» сам по себе сложен. Есть много способов использовать это слово, два из которых особенно важны для этого обсуждения. Первое значение — «математическая модель как инструмент принятия решений». Это тот, с которым я знаком за годы преподавания исследований операций.Второй способ — это «способ мышления или представления идеи». Или что-то вроде того. Похоже, это исходит из психологии.
При обучении математическим моделям в области исследования операций / управления начального уровня мы потратим некоторое время на выяснение того, что мы подразумеваем под моделью. Я написал об этом в посте «Все модели неправильные».
В простом конкретном воплощении модель — это представление другого объекта. Простым примером является модель автомобиля или модель дома из Лего.У модели есть те же аспекты, что и у оригинала, такие как форма и способность двигаться или нет. Но многие аспекты реального объекта отсутствуют в модели. В машине нет двигателя внутреннего сгорания, а в доме нет мягкой мебели. (И полы очень ухабистые). У этих моделей мало смысла, кроме развлечения и радости творчества или владения. (Возможно, вас заинтересует следующее видео о парижском ресторане Lego, которого я очень хочу.Смешно так сказать парижанин!)

Многие модели выполняют полезные функции. Мой муж работает геодезистом, и в его работу входит создание моделей на бумаге или в компьютере явления на земле и проверка того, что указанные отметки на модели соответствуют отметкам, нанесенным на землю. Цель модели связана с владением и проверкой правильного направления канализации. (В результате землетрясений в Крайстчерче в течение нескольких лет его модели стали менее детерминированными, чем раньше, и, к сожалению, многие из наших коллекторов оказались в неправильном направлении.)
В нашем мире полно моделей:

• карта — это модель местности, которая помогает нам перемещаться с места на место.
• ноты — это письменная модель звука, из которого можно воспроизвести песню
• Расписание автобусов — это модель того места, где должны появиться автобусы
• Финансовые отчеты компании являются моделью одного из аспектов компании

Детерминированные модели

Детерминированная модель предполагает определенность во всех аспектах. Примерами детерминированных моделей являются расписания, структуры ценообразования, модель линейного программирования, модель количества экономических заказов, карты, бухгалтерский учет.

Вероятностные или стохастические модели

Большинство моделей действительно должны быть стохастическими или вероятностными, а не детерминированными, но это часто слишком сложно реализовать. Представлять неопределенность чревато. Некоторыми более распространенными стохастическими моделями являются модели массового обслуживания, цепи Маркова и большинство имитационных моделей.
Например, при планировании школьного формального образования некоторые элементы модели являются детерминированными, а некоторые — вероятностными. Стоимость аренды заведения является детерминированной, но количество студентов, которые придут, является вероятностным.Устройство GPS использует детерминированную модель для выбора наиболее подходящего маршрута и дает прогнозируемое время прибытия. Однако мы знаем, что фактическое время прибытия зависит от всех факторов, включая дорогу, водителя, дорожное движение и погодные условия.

Модель как способ думать о чем-то

Термин «модель» также используется для описания того, как люди понимают смысл своего мира. У некоторых людей более детерминированная модель мира, чем у других, обусловленная возрастом, культурой, религией, жизненным опытом и образованием.Люди приписывают значение чему угодно, от звездных узоров, чайных листьев и фаз луны до облегчения поиска места для парковки и отсутствия в определенном месте, когда падает кокос. Это способ превратить вероятностный мир в более детерминированный и более значимый мир. Некоторых людей устраивает вероятностный мир, в котором вещи действительно имеют высокую степень случайности. Но часто мы менее счастливы, когда случайность идет против нас. (Мне кажется интересным, что фермеры, попавшие в беду, например, снегопад или засуха, с радостью обращаются за помощью к правительству, но, когда урожай неимоверный, я не вижу, чтобы они предлагали добровольно вернуть часть своего непредвиденного дохода.)
Допустим, All Blacks выигрывают матч по регби против Австралии. Есть несколько способов извлечь из этого смысл. Если у нас детерминированный склад ума, мы можем сказать, что All Blacks выиграли, потому что они лучшая команда в мире по регби. Мы приписали результату причину и следствие. Или мы могли бы взглянуть на это более вероятным образом, решив, что вероятность того, что они выиграют, составляет около 70%, и что в тот день, когда им повезло. Или, если бы мы были австралийцами, мы могли бы сказать, что австралийская команда была намного лучше, и шанс на победу All Blacks составлял всего 1 из 100.
Я разработал следующие сценарии для обсуждения в классе. Студенты могут расположить их по порядку или по категориям в соответствии со своими критериями. После обсуждения их результатов мы могли бы поговорить о детерминированном и вероятностном значении каждого из сценариев.

1. All Blacks выиграли чемпионат мира по регби.
2. Эри лучше сдала тест после обучения.
3. У Холли диагностировали рак, у нее был религиозный опыт, и рак исчез.
4. Домашнему животному дали гомеопатическое средство, и ему стало лучше.
5. Билл выиграл в лотерею 20 миллионов долларов.
6. Вы получили пять правильных ответов из пяти в викторине «верно / неверно».

Обычный учитель математики сейчас далеко от своей зоны комфорта. Цифры пропали вместе с красной галочкой, и нет правильных ответов. Это важный аспект понимания вероятности — многие вещи являются результатом случайности. Но с этой идеей мы тянем учителей математики на незнакомую территорию.Учителям социальных наук, естественных наук и английского языка всегда приходилось иметь дело с темной областью чувств, ценностей и этики. Что касается подготовки студентов к случайному миру, я думаю, что это территория, на которой стоит потратить некоторое время. И это может просто помочь им найти подходящую математику / статистику!

% PDF-1.6 % 1 0 объект > / OCG [4 0 R] >> / OpenAction 5 0 R / PageLayout / SinglePage / PageMode / UseThumbs / Страницы 6 0 R / Тип / Каталог >> эндобдж 7 0 объект > эндобдж 2 0 obj > / Шрифт> >> / Поля [] >> эндобдж 3 0 obj > ручей 2018-01-08T17: 02: 13 + 01: 002016-09-23T14: 35: 49 + 02: 002018-01-08T17: 02: 13 + 01: 00application / pdfuuid: 6afa81da-fa7b-43e7-b1bf-ad3513b2e88fuuid: 390e4729-cacc-40b3-a067-3a1c6a779309 конечный поток эндобдж 4 0 obj > >> >> эндобдж 5 0 obj > эндобдж 6 0 obj > эндобдж 8 0 объект > эндобдж 9 0 объект > эндобдж 10 0 obj > эндобдж 11 0 объект > / MediaBox [0 0 535.Р`C͡; / `PzT = d_ 겭 mcMtt3X2NT1: / _ f_wRҡn + CYXéI «XfzV3 * # ZD3 ی o’PZ2F> vDT), 2 %% nn 7r «/ Нет, SgE) F [ؾ l \ axa 0

Сравнение стохастического и детерминированного подходов к скоординированному планированию цепочки поставок

Целью данной статьи является рассмотрение скоординированного выбора портфеля поставок и планирования производства и распределения в цепочках поставок в условиях региональных и местных рисков сбоя. В отличие от многих статей, которые предполагают модель нарушения поставок по принципу «все или ничего», в этой статье только региональные сбои относятся к категории сбоев по принципу «все или ничего», в то время как для локальных сбоев могут быть рассмотрены все уровни сбоев.Две биобъективные модели принятия решений: стохастическая, основанная на выжидательном подходе, и детерминированная, основанная на подходе ожидаемой стоимости, предлагаются и сравниваются для оптимизации компромисса между ожидаемыми затратами и ожидаемыми услугами. Основные результаты показывают, что выжидательный подход стохастического программирования с его способностью обрабатывать неопределенность с помощью вероятностных сценариев событий сбоя и гораздо более простой задачи ожидаемого значения, в которой случайные параметры заменяются их ожидаемыми значениями, приводит к аналогичным ожидаемым значениям. работоспособность цепочки поставок в условиях многоуровневых сбоев.Однако стохастический подход, который учитывает все возможные сценарии сбоев, приводит к более диверсифицированному портфелю поставок, который будет застрахован от множества сценариев.

1. Введение

Неожиданные перебои в материальных потоках стали в последние годы серьезным источником беспокойства в глобальных цепочках поставок, и скоординированное принятие решений по операциям поставок, производства и распределения при нарушенных потоках представляется важной проблемой ( например, Blackhurst et al.[1] и Hoffmann et al. [2]). Хотя вероятность сбоев потока очень мала, их влияние на бизнес может быть огромным. Например, перебои с потоками в цепочках поставок электроники из-за сильного землетрясения в Восточной Японии 11 марта 2011 года, а затем катастрофического наводнения в октябре в Таиланде, где были сосредоточены многие производители компонентов, привели к огромным потерям крупных производителей электроники (например, Park et al. др. [3] и Харагути и Лалл [4]). Аналогичные потери понесла автомобильная промышленность (например,г., Фудзимото и Парк [5], Мацуо [6] и Маршевска [7]). Например, через два месяца после землетрясения компания Toyota North America, которая получила до 15% своих запчастей из Японии, столкнулась с нехваткой 150 критических запчастей и была вынуждена работать только на 30% своей мощности.

Деловая практика многих компаний (например, Zeng and Xia [8]) обеспечивает типичную среду принятия решений в цепочках поставок в условиях сбоев. Поставщики часто находятся в разных географических регионах и различаются по оптовым ценам, срокам доставки и надежности, в то время как их профили сбоев содержат такие параметры, как вероятность сбоев и скорость выполнения или процент фактически доставленного заказа.Популярным подходом к принятию решений в цепочках поставок с нарушенными потоками является стохастическое программирование, которое способно включать вероятностные сценарии сбоев и находить согласованные графики цепочки поставок для всех потенциальных сценариев с учетом различных конфликтующих целевых функций. В этой статье мы представляем применение стохастического смешанного целочисленного программирования (стохастический MIP) для скоординированного выбора портфеля поставок и планирования производства и распределения в цепочках поставок с частично или полностью нарушенными поставками.Поставщики расположены в разных географических регионах, и поставки подвержены частичным (многоуровневым) локальным сбоям каждого поставщика в отдельности и полностью (двухуровневым) региональным сбоям всех поставщиков в том же регионе. Одновременно оптимизируются две одинаково важные и противоречивые цели: ожидаемая стоимость и ожидаемый уровень обслуживания. В этой статье стохастический подход MIP сравнивается с детерминированным подходом MIP, в котором все возможные сценарии сбоев заменяются одним сценарием, который получается путем замены стохастических параметров их ожидаемыми значениями.

Работа организована следующим образом. Обзор соответствующей литературы представлен в Разделе 2. Проблема скоординированного принятия решений в цепочке поставок, подверженной частичным локальным сбоям и полным региональным сбоям, описана в Разделе 3. Стохастическая смешанная целочисленная программа с целью Минимизация взвешенной суммы ожидаемой стоимости и ожидаемого уровня обслуживания разработана в разделе 4, а соответствующая детерминированная смешанная целочисленная программа предложена в разделе 5.Численные примеры, результаты вычислений и некоторое сравнение двух подходов к решению представлены в Разделе 6. Наконец, выводы и управленческие последствия, а также направления дальнейших исследований представлены в Разделе 7.

2. Обзор литературы

Литература по скоординированное принятие решений при планировании и составлении графиков производства и распределения в основном ограничивается детерминированными моделями, в которых операции по снабжению рассматриваются отдельно (например, Erengüç et al. [9]).Например, комплексная задача маршрутизации производства, инвентаризации и распределения и подход MIP в сочетании с алгоритмом эвристической маршрутизации для координации операций производства, инвентаризации и транспортировки были рассмотрены Lei et al. [10]. Kaur et al. [11] предложил теоретико-графический подход к координации цепочки поставок для моделирования различных механизмов координации и их взаимозависимостей. Орграф, представляющий координацию цепочки поставок, преобразуется в его матрицу смежности, постоянная функция которой дает составной индекс координации.В Choi et al. [12], задача планирования и координации цепочки поставок с одним или несколькими поставщиками и с одним производителем была сформулирована как проблема планирования потокового цеха с двумя машинами. Авторы разработали алгоритмы планирования как для децентрализованных (с производителем в качестве лица, принимающего решение), так и для централизованных цепочек поставок. Лю и Папагеоргиу [13] разработали многоцелевой подход MIP для решения вопросов производства, распределения и планирования мощностей глобальных цепочек поставок с одновременным учетом затрат, оперативности и уровня обслуживания.Чен [14] представил обзор существующих моделей, которые объединяют операции производства и исходящего распределения на уровне детального планирования. Эти модели нацелены на оптимизацию детального производства по заказу и календарного планирования поставок совместно с учетом соответствующих доходов, затрат и уровней обслуживания на уровне отдельного заказа. Савик [15] предложил подход MIP для интегрированного планирования производства материалов, поставок материалов и сборки продукта в цепочке поставок, управляемой потребителями.Монолитный подход, при котором графики производства, поставки и сборки определяются одновременно, сравнивался с иерархическим подходом. Сообщалось о численных примерах, смоделированных на основе реального планирования в цепочке поставок электроники.

Действия по смягчению и непредвиденным обстоятельствам / восстановлению были изучены Томлином [16] в условиях двойного источника, одного ненадежного поставщика и другого надежного и более дорогостоящего. Покупатель, который страдает от нехватки предложения, может покупать у более дорогого альтернативного поставщика или производить меньше, и его решение зависит от имеющихся у него запасов.Если надежный поставщик обладает гибкостью в отношении объемов, условное изменение маршрута путем временного увеличения его производства может оказаться эффективным способом ускорения процесса восстановления. Автор установил, что наряду с затратами важную роль в определении стратегии управления сбоями у покупателя играют процент времени безотказной работы поставщика, продолжительность простоев, пропускная способность и гибкость. Последние разработки в области управления сбоями в цепочке поставок с мультидисциплинарной точки зрения были обобщены Ивановым и соавт.[17–19], которые изучали эффект Ripple в цепочках поставок. Они подчеркнули, что эффект Ripple может объединить исследования в области управления сбоями в цепочке поставок, аналогично эффекту кнута в отношении колебаний спроса и времени выполнения заказа.

В литературе, посвященной неопределенности в поставках, поставки могут быть либо полными сбоями, либо неопределенностью урожайности. Неопределенность урожайности возникает, когда количество поставленных поставок является случайной величиной, моделируемой как случайная добавочная или мультипликативная величина, тогда как сбои происходят, когда поставка подвержена частичному или полному отказу.Обычно сбои моделируются как случайные события, которые могут иметь случайную продолжительность. Шмитт и Снайдер [20] считали, что системы инвентаризации подвержены как перебоям в поставках, так и неопределенности урожайности. Они сравнили однопериодные и многопериодные модели и показали, что первая может привести к выбору неправильной стратегии снижения риска предложения. Schmitt et al. [21] исследовали оптимальную конструкцию системы в многопозиционной системе при перебоях в поставках. Они изучили ожидаемые затраты и отклонения от стоимости системы как в централизованных, так и в децентрализованных системах инвентаризации.Они показали, что, когда спрос детерминирован, а предложение нарушено, децентрализованные запасы сокращают дисперсию затрат за счет эффекта диверсификации рисков и что децентрализованные запасы также могут быть выбраны, когда предложение нарушено, а спрос является стохастическим. Недавний обзор литературы по моделям OR / MS для сбоев в цепочке поставок был представлен Snyder et al. [22]. Они обсудили 180 научных работ по этой теме, разделенных на шесть категорий: оценка перебоев в поставках, стратегические решения, решения о поставках, контракты и стимулы, инвентарь и расположение объектов.

Савик [23, 24] предложил новый стохастический подход MIP к интегрированному выбору портфеля поставок и составлению графика заказов клиентов в цепочке поставок с учетом рисков сбоя «все или ничего». Стохастические формулы MIP были дополнительно усовершенствованы Савиком [25] для совместной оптимизации портфеля поставок и производства и распределения готовой продукции. Для распределения продуктов были рассмотрены и сопоставлены три способа доставки.

Настоящая статья отличается от предыдущего исследования в следующих двух аспектах.Во-первых, в отличие от многих статей, которые предполагают модель нарушения поставок по принципу «все или ничего», в этой статье только региональные сбои относятся к категории сбоев по принципу «все или ничего». Однако для локальных сбоев все уровни нарушений можно рассматривать в рамках трех категорий: незначительные нарушения, серьезные нарушения и полное отключение (например, [8, 26]). Профили сбоев содержат такие параметры, как вероятность сбоев на всех уровнях и скорость выполнения или процент фактически доставленного заказа.Во-вторых, в этой статье выжидательный подход стохастического программирования с его способностью обрабатывать неопределенность с помощью вероятностных сценариев событий сбоя сравнивается с подходом детерминированного программирования, в котором случайные параметры заменяются соответствующими ожидаемыми значениями для достижения так называемая проблема математического ожидания (например, Kall and Mayer [27]). Задача ожидаемого значения — это MIP, и она часто используется на практике, поскольку связанную стохастическую смешанную целочисленную программу, как правило, гораздо сложнее решить, поскольку она рассматривает несколько сценариев (например,g., Дурбах и Стюарт [28] и Мэджони и Уоллес [29]). Целью как выжидательного подхода, так и подхода ожидаемой стоимости является оптимизация ожидаемой производительности цепочки поставок при двух типах сбоев в отношении двух конфликтующих целевых функций, ожидаемой стоимости и ожидаемого обслуживания. В то время как стохастический подход направлен на оптимизацию ожидаемой производительности цепочки поставок по всем возможным сценариям сбоев, детерминированный подход учитывает только один сценарий, представляющий ожидаемые условия сбоев.Подход стохастического программирования определяет подмножество недоминируемых решений для всех сценариев сбоев, тогда как детерминированный подход дает недоминируемое решение только для одного сценария. Решение проблемы ожидаемой стоимости не принимает во внимание какую-либо информацию о распределении и остается неизменным до тех пор, пока ожидания не меняются. В отличие от проблемы ожидаемой стоимости, стохастическое программирование дает рекомендации по выбору портфеля поставок, который будет застрахован от различных сценариев сбоев.Проведено сравнение двух подходов и соответствующих решений и получены некоторые управленческие идеи.

3. Описание проблемы

Рассмотрим трехэшелонную цепочку поставок (см. Рисунок 1), в которой один производитель одного типа продукта собирает и доставляет продукты в несколько распределительных центров для удовлетворения спроса клиентов, используя критически важные детали, которые могут производиться и поставляться многими поставщиками.

Пусть будет набор поставщиков, пусть будет набор клиентов, пусть будет набор центров распределения и пусть будет набор периодов планирования (обозначения см. В разделе Обозначения).

Предполагается, что заказы на детали размещаются в начале горизонта планирования, а детали, заказанные у поставщика, поставляются в период. Каждому покупателю заказанные продукты поставляются ровно через один распределительный центр. Продукты для каждого клиента доставляются в центр распределения за одну поставку, которую нельзя запланировать до того, как будут выполнены все заказы клиентов. Продукция, отгруженная в период до распределительного центра, доставляется в срок.

Поставщики запчастей находятся в географических регионах. Поставки подвержены случайным локальным сбоям на разных уровнях, где уровень сбоя относится к той части заказа, которая может быть доставлена ​​(степень выполнения). Уровень представляет собой полное отключение поставщика, то есть отсутствие доставки заказа, а уровень представляет собой нормальные условия без сбоев, то есть полную доставку заказа. Промежуточные уровни нарушения представляют собой различные части заказа, который может быть доставлен.Чем меньше, тем меньшая часть заказа может быть доставлена ​​из-за меньшей доли доступных ресурсов поставщика. Доля заказа, которая может быть доставлена ​​поставщиком при уровне сбоя, описывается соответствующей степенью выполнения:

Обозначает вероятность уровня сбоя для поставщика; то есть детали, заказанные у поставщика, поставляются полностью с вероятностью, частично на разных уровнях выпуска поставщика, с вероятностью, или вообще не с вероятностью.

Помимо независимых локальных сбоев в работе каждого поставщика, существуют потенциальные региональные катастрофы, которые могут привести к полному останову всех поставщиков в том же регионе одновременно. Например, региональные бедствия могут включать землетрясение и наводнение. Пусть будет вероятность региональных сбоев всех поставщиков в регионе.

Обозначим набором индексов всех сценариев сбоев, где каждый сценарий может быть представлен целочисленным вектором, где — уровень сбоя доставки заказа от поставщика по сценарию.Будут рассмотрены все возможные сценарии сбоев; это, .

Вероятность сценария сбоя с подмножеством неоткрытых поставщиков (которые могут поставлять детали по сценарию) составляет [26], где — вероятность реализации сценария сбоя для поставщиков в: и — вероятность возникновения сбоя на уровне доставка заказа от поставщика по сценарию.

Целью скоординированного принятия решений в цепочке поставок в условиях многоуровневых сбоев является распределение общего спроса на запчасти между подмножеством выбранных поставщиков (т.е., чтобы определить портфель поставок) и составить график для каждого сценария сбоя, когда клиенты заказывают продукты и доставляют продукты в распределительные центры, чтобы оптимизировать компромисс между ожидаемой стоимостью и ожидаемым уровнем обслуживания.

4. Постановка задачи: стохастический подход

В этом разделе представлена ​​стохастическая модель MIP WCS для скоординированного принятия решений при наличии цепочки поставок в условиях многоуровневых рисков сбоя. Следующие решения принимаются совместно с использованием предложенной модели [25, 26]: (i) Выбор портфеля поставок:, если выбран поставщик; в противном случае, и доля от общего спроса на детали, заказанные у поставщика (ii) Планирование производства: если по сценарию сбоя заказ клиента запланирован на период; в противном случае (iii) график распределения: если по сценарию сбоя отгрузка продукции в центр распределения запланирована на период; в противном случае (iv) немедленная доставка заказа клиента: если в случае сбоя заказ клиента доставлен в установленный срок; в противном случае

Вектор распределения спроса, где и, определяет портфель предложения, введенный Савиком [30].

Пусть будет минимальной ожидаемой стоимостью продукта и пусть будет максимальным ожидаемым уровнем обслуживания: где — уровень сбоя поставщика в сценарии, а — соответствующая скорость выполнения, то есть доля заказа, доставленного поставщиком в сценарии сбоя.

Ожидаемая стоимость (см. (4)) представляет собой фиксированную стоимость заказа, ожидаемую закупочную стоимость для поставленных деталей, ожидаемый штраф за задержку потребительского спроса и ожидаемый штраф за неудовлетворенный (отклоненный) покупательский спрос,.

Обозначим нормализованную (в интервале) ожидаемую стоимость продукта (минимальное и максимальное значения соответственно) и нормализованный ожидаемый уровень обслуживания (минимальное и максимальное значения соответственно).

Модель WCS . Он состоит из выбора поставщика, заказа клиента и планирования распределения для минимизации взвешенной суммы нормализованной ожидаемой стоимости и ожидаемого уровня обслуживания.

Свернуть где с учетом (4) — (7).

Ограничения выбора портфеля поставок (i) Общий спрос на запчасти должен полностью распределяться между выбранными поставщиками.(ii) Спрос на запчасти не может быть назначен невыбранным поставщикам: Ограничения планирования заказов клиентов (i) Для каждого сценария сбоя каждый заказ клиента либо планируется в течение горизонта планирования, либо внепланово и отклоняется. (ii) Для любого периода и каждого В сценарии сбоя общий спрос на мощность всех заказов клиентов, запланированных на период, не должен превышать производственные мощности: Ограничения координации поставок-производства-распределения (i) Для каждого сценария сбоя и каждого периода планирования совокупный спрос на части всех заказы клиентов, запланированные в период с 1 по период, не могут превышать совокупные поставки запчастей в период с 1 по период от неоткрытых поставщиков.(ii) Для каждого сценария сбоя отгрузка в центр распределения может быть запланирована только после последнего периода выполнения запланированных заказов клиентов: где — набор периодов отгрузки.

Ограничения доставки (i) Для каждого сценария сбоя может быть запланирована не более одной отгрузки в каждый распределительный центр: Ограничения по сроку выполнения заказа для клиента (i) Для каждого сценария сбоя заказ клиента может быть доставлен без задержки (т. Е. ,), если он запланирован не позднее чем и отправлен в распределительный центр не позднее чем; в противном случае заказ клиента задерживается или внеплановый (т.e.,): Условия неотрицательности и целостности

Обратите внимание, что нет необходимости ограничиваться двоичной системой, поскольку любое допустимое решение, удовлетворяющее ограничениям (14), всегда является двоичным.

Модель WCS — детерминированная эквивалентная смешанная целочисленная программа стохастической смешанной целочисленной программы. Когда эта проблема решена, получается рекомендация по выбору портфеля поставок (), который будет застрахован от различных сценариев сбоев, в которых показатели выполнения определенных поставщиков недостаточны для удовлетворения спроса на запчасти.Переменные планирования (и) — это решения, которые будут реализованы в будущем, когда сценарий будет окончательно реализован.

Модель WCS иллюстрирует выжидательный подход (например, [27]). По сути, этот подход основан на точной информации о будущем. Модель WCS может быть разложена на двухэтапную стохастическую смешанную целочисленную программу с обращением. Переменные выбора портфеля поставок () называются решениями первого этапа, а переменные планирования () называются решениями об обращении за помощью или решениями второго этапа.В отличие от решений первого этапа, последние переменные зависят от сценария.

Стохастические смешанные целочисленные программы обычно трудно решить, потому что они представляют собой крупномасштабные проблемы оптимизации при применении к реальным задачам. Общий подход (например, [27]) заключается в рассмотрении более простой детерминированной программы, известной как задача ожидаемого значения, в которой случайные параметры заменяются их ожидаемыми значениями, или рассмотрение нескольких детерминированных программ, каждая из которых соответствует одному конкретному сценарию. , а затем объединить полученные решения в одно эвристическое решение.

5. Формулировка проблемы: детерминированный подход

В этом разделе представлена ​​задача ожидаемой стоимости EWCS для скоординированного планирования цепочки поставок при ожидаемых условиях поставки. В модели WCS , где случайность характеризуется набором сценариев сбоев, единственными случайными параметрами являются показатели выполнения поставщиками, которые появляются как в целевой функции (4), так и в ограничениях (11).

В модели EWCS вероятностные показатели выполнения поставщиками, определенные для каждого сценария сбоев, или, что эквивалентно, для каждого уровня сбоев, (1) были заменены ожидаемыми уровнями выполнения каждого поставщика: или, что эквивалентно, соответственно, стохастические бинарные переменные решения « (17) — (19), определенные для каждого сценария нарушения, были заменены их детерминированными эквивалентами.

Теперь ожидаемая стоимость продукта (см. (22)) и ожидаемый уровень обслуживания (см. (23)) определяются следующим образом:

Модель EWCS представлена ​​ниже.

Модель EWCS

Обратите внимание, что, в отличие от модели стохастического программирования WCS , которая сформулирована для определения оптимальных графиков для всех возможных сценариев сбоев, модель EWCS учитывает только один сценарий, представляющий ожидаемые поставки. За исключением ожидаемых значений случайных параметров, эта модель не принимает во внимание какую-либо информацию о распределении, и решение остается неизменным до тех пор, пока ожидания не меняются.В отличие от модели WCS , где выбор портфеля поставок совмещен с планированием цепочки поставок для всех рассмотренных сценариев сбоев, теперь портфель определяется вместе с единым графиком.

Если случайные параметры появляются только в ограничениях, то [27] где — оптимальное значение решения задачи ожидаемого значения EWCS , а — оптимальное значение решения задачи ожидания WCS . С другой стороны, когда неопределенность ограничивается целевой функцией задачи, решение, полученное простой заменой случайных параметров их ожидаемыми значениями, уже представляет собой надежную альтернативу (Делаж и др.[31]).

6. Вычислительные примеры

В этом разделе представлены некоторые вычислительные примеры, чтобы проиллюстрировать возможные применения предложенных моделей MIP и сравнить подходы выжидательного и ожидаемого значения. Примеры частично смоделированы по образцу реальной цепочки поставок электроники (например, Sawik, [32]). Для расчетных примеров были выбраны следующие параметры.

поставщиков, заказы клиентов, центры распределения, уровни частичного сбоя, географические регионы и периоды планирования.

.

.

Сроки доставки от поставщиков:.

Сроки доставки до распределительных центров:.

Потребительский спрос:, для всех, и общий спрос:.

Срок сдачи: для всех.

Фиксированные затраты на заказ для поставщиков:.

Закупочные цены за единицу у поставщиков:.

Штрафы за просроченные, невыполненные заказы клиентов: соответственно за всех.

Производственная мощность:.

Уровни локальных сбоев и связанные с ними показатели выполнения (процент заказа, который может быть доставлен) показаны ниже.

, где полное отключение, то есть 0% доставленного заказа; , серьезный сбой, то есть от 1% до 50% и от 1% до 30% доставленного заказа, соответственно; , незначительные нарушения, то есть от 51% до 99% и от 31% до 99% доставленного заказа соответственно; , без сбоев, то есть доставлено 100% заказа.

Общее количество всех возможных сценариев — это сценарии, где каждый сценарий представлен вектором, где (см. Таблицу 1).

9016 3 0 904 9016 3 0 9015 1 93 9015 9 1 9015 9 1 1 901 59 129 90 159 904 2 2 140 9 0159 0164 0164 148 904 9016 9016 9016 904 904 3 904 1 904 1 904 9016 904 904 173 173 903 904 2 183 183 904 9016 3 9016 9016 9016 904 904 907 9016 9016 904 9016 904 909 904 1 904 904 904 2 3 4 1 0 0 0 1 3 0 0 0 2 4 0 0 0 0 0 0 5 0 0 1 0 6 0 0 1 1 7 0 0 0 8 0 0 1 3 9 0 0 2 0 10 0 0 2 1 11 0 0 2 2 12 0 2 0 13 0 0 3 0 14 0 0 3 1 15 0 16 0 0 3 3 17 0 1 0 0 18 9016 4 19 0 1 0 2 20 0 1 0 3 21 9 0164 0 1 1 0 22 0 1 1 1 23 0 1 1 24 0 1 1 3 25 0 1 2 0 26 0 1 1 27 0 1 2 2 28 0 1 2 3 29 1 1 30 0 1 3 1 31 0 1 3 2 32 1 3 3 33 0 2 0 0 34 0 2 0 2 0 2 36 0 2 0 3 37 0 2 2 2 38 0 2 1 1 39 0 2 1 2 40 0 0 41 0 2 2 0 42 0 2 2 1 43 0 2 2 2 44 0 2 2 3 45 0 2 3 2 3 1 47 0 2 3 2 48 0 2 3 3 3 3 0 3 0 0 50 0 3 0 1 51 0 3 0 0 0 0 3 0 3 53 0 3 1 0 54 0 3 9 0164 1 1 55 0 3 1 2 56 0 3 1 57 3 2 0 58 0 3 2 1 59 0 3 2 2 3 2 3 61 0 3 3 0 62 0 3 1 3 3 2 64 0 3 3 3 65 1 0 0 66 1 0 0 1 67 1 0 0 68163 0 3 69 1 0 1 0 70 1 0 1 1 1 1 1 1 1 1 0 1 2 72 1 0 1 3 73 1 0 2 0 0 2 1 75 1 0 2 2 76 1 0 2 3 77 1 0 3 0 78 1 0 3 1 2 80 1 0 3 3 81 1 1 0 0143 0144 0 1 83 1 1 0 2 84 1 1 0 85164 3 1 0 86 1 1 1 1 87 1 1 1 2 9 0164 88 1 1 1 3 89 1 1 2 0 91 1 1 2 2 92 1 1 2 3 0 94 1 1 3 1 95 1 1 3 96164 3 97 1 2 0 0 98 1 2 0 1 99 1 2 0 2 100 1 2 0 3 101 102 1 2 1 1 103 1 2 1 2 3 105 1 2 2 0 106 1 2 2 1 2 108 1 2 2 3 109 1 2 3 0 110 1 2 3 1 111 1 2 3 2 112 163 113 1 3 0 0 114 1 3 0 1 115 1 115 1 115 1 115 2 116 1 3 0 3 117 1 3 1 0 1 119 1 3 1 2 120 1 3 1 3 121 1 3 2 0 122 1 3 2 1 123 124 1 3 2 3 125 1 3 3 0 1 1 127 1 3 3 2 128 1 3 3 3 0 130 2 0 0 1 131 2 0 0 2 132 2 0 0 3 133 2 0 1 0 134 0163 135 2 0 1 2 136 2 0 1 3 0 138 2 0 2 1 139 2 0 2 2 3 141 2 0 3 0 142 2 0 3 1 143 2 0 3 2 144 2 0 3 3 145 2 145 2 145 2 146 2 1 0 1 147 2 1 0 2 149 2 1 1 0 150 2 1 1 1 2 152 2 1 1 3 153 2 1 2 0 154 2 1 2 1 155 2 1 2 2 157 2 1 3 0 158 2 1 3 1 904 9016 9016 904 904 2 160 2 1 3 3 161 2 2 0 0 1 163 2 2 0 2 164 2 2 0 3 165 2 2 1 0 166 2 2 1 1 167 2 167 2 9016 168 2 2 1 3 169 2 2 2 0 2 0 9016 1 171 2 2 2 2 172 2 2 2 3 2 3 904 904 0 174 2 2 3 1 175 2 2 3 2 176 2 2 3 3 177 2 3 0 0 178 2 179 2 3 0 2 180 2 3 0 3 9016 3 9016 3 904 0 182 2 3 1 1 183 2 3 1 2 1 2 3 185 2 3 2 0 186 2 3 2 1 9016 4 187 2 3 2 2 188 2 3 2 3 189 0 190 2 3 3 1 191 2 3 3 2 2 2 3 193 3 0 0 0 194 3 0 0 1 2 196 3 0 0 3 197 3 0 1 0 901 64 198 3 0 1 1 199 3 0 1 2 1 201 3 0 2 0 202 3 0 2 1 2 204 3 0 2 3 205 3 0 3 0 1 207 3 0 3 2 208 3 0 3 3 90 164 209 3 1 0 0 210 3 1 0 1 211 2 212 3 1 0 3 213 3 1 1 0 1 0 1 9016 904 1 9016 9016 1 215 3 1 1 2 216 3 1 1 3 0 218 3 1 2 1 219 3 1 2 2 9 0164 220 3 1 2 3 221 3 1 3 0 9016 3 9016 3 1 223 3 1 3 2 224 3 1 3 3 0 226 3 2 0 1 227 3 2 0 2 3 229 3 2 1 0 230 3 2 1 1 231 3 2 1 2 232 3 2 1 3 9016 2 904 234 0 234 3 2 2 1 235 3 2 2 2 2 2 2 2 3 237 3 2 3 0 238 3 2 3 1 2 240 3 2 3 3 241 3 3 0 0 242 3 3 0 1 243 3 3 0 2 904 904 3 245 3 3 1 0 246 3 3 1 1 1 1 2 248 3 3 1 3 249 3 3 2 0 1 251 3 3 2 2 252 3 3 2 3 253 3 3 3 0 254 3 3 3 1 3 1 2 256 3 3 3 3

Локальная вероятность отсутствия нарушений (уровень), была равномерно распределена по [0].89, 0,99] и [0,79, 0,89], соответственно, для поставщиков и; то есть вероятности были взяты независимо от U [0,89; 0,99] и U [0,79; 0.89] соответственно.

С учетом местных вероятностей отсутствия сбоев, вероятности для оставшихся локальных уровней сбоев были рассчитаны следующим образом: Вероятность полного останова (уровень): Вероятность серьезного сбоя (уровень): Вероятность незначительного сбоя (уровень): для всех поставщиков

Таким образом, который отражает реальную взаимосвязь между вероятностями возникновения сбоев на разных уровнях (например,г., [8]).

Вероятность сбоев в регионе составляет и.

Вероятность реализации сценария сбоя для поставщиков в регионе рассчитывается следующим образом: а вероятность сценария сбоя равна.

На рисунке 2 представлены основные характеристики всех поставщиков: вероятность полного останова,, ожидаемая скорость выполнения, и закупочная цена,,.

Таблица 2 представляет подмножество недоминированных решений для проблемы ожидания WCS для подмножества параметра компромисса.Результаты показывают, что большая часть недоминированных портфелей поставок состоит только из двух поставщиков: второго по стоимости и надежного поставщика из региона и самого дешевого и самого ненадежного поставщика из региона. Редко выбирают самого дорогого и самого надежного поставщика в регионе и второго самого дешевого и самого ненадежного поставщика в регионе. Для (минимизации стоимости) выбирается только самый дешевый поставщик. Для (максимизации уровня обслуживания) общий спрос на запчасти распределяется между двумя самыми надежными и самыми дорогими поставщиками.Приведенное выше решение показывает, что портфель услуг, ориентированных на поставку (близкий к 0), более диверсифицирован, чем портфель, ориентированный на затраты (близкий к 1). В таблице 2 также показана соответствующая ожидаемая доля удовлетворенного спроса, то есть спрос, удовлетворенный вовремя или с задержкой. Результаты решения демонстрируют, что большой ожидаемый уровень обслуживания иногда связан с небольшой ожидаемой долей удовлетворенного спроса. Таким образом, максимизация ожидаемого уровня обслуживания приводит к отклонению заказов клиентов, которые не могут быть выполнены в установленные клиентом сроки.

удовлетворенный спрос 9016 0 0,1 0,2 0,3 0,4 0,5 и 0,6 0,7 0,8 и 0,9 = 38077; Bin. = 33076; Минусы. = 28769; Nonz. = 348325 Exp. Стоимость 17,31 () 16,20 15,47 12,06 12.00 11,76 10,70 10,65 10,51 () Exp. уровень обслуживания 85,52 () 84,87 84,52 77,19 76,76 75,95 58,63 58,71 38,22 () 85,52 85,30 84,52 93,70 93,61 93,53 91,34 91.20 90,68 Выбранные поставщики (% от общего спроса)

Вар.: количество переменных; Bin .: количество двоичных переменных; Минусы: количество ограничений; Nonz: количество ненулевых коэффициентов. . .

На рисунке 3 показаны ожидаемые графики поставок, производства и отгрузки, соответственно, для (т. Е. Для максимального ожидаемого уровня обслуживания), и (т. Е. Для минимальной ожидаемой стоимости). Ожидаемые графики были рассчитаны с использованием формул, представленных ниже: (i) Ожидаемый график поставок деталей производителю: (ii) Ожидаемый график производства: (iii) Ожидаемый график отгрузки продукции от производителя в центры распределения:

По мере увеличения, то есть приоритет лица, принимающего решение, смещается с максимального уровня обслуживания на минимальную стоимость, и все больше деталей заказывается у менее надежных и менее затратных поставщиков, ожидаемые графики поставок и соответствующие производственные графики более задерживаются, а также доставка продукции покупателям.Обратите внимание, что, несмотря на ограничение (13), которое обеспечивает выполнимый график с максимально одной отгрузкой продукции в каждый распределительный центр для каждого сценария сбоя, ожидаемый график отгрузки (29) может быть разделен на более мелкие отгрузки (см. Рисунок 3, где для каждого уровня достоверности указаны две крупные партии и одна малогабаритная).

Для сравнения в таблице 3 представлено подмножество недоминируемых решений, полученных для задачи ожидаемой стоимости EWCS , а на рисунке 4 показаны графики поставок, производства и отгрузки.В отличие от подхода стохастического программирования, который учитывает все возможные сценарии сбоев для оптимизации ожидаемой производительности цепочки поставок, решение, полученное с использованием детерминированного подхода, основано на совокупной информации об ожидаемом выполнении поставщиками. В целом результаты аналогичны для обеих моделей, и соответствующие значения оптимального решения близки друг к другу, что указывает на то, что задача ожидаемого значения может использоваться на практике, когда сложно решить стохастические смешанные целочисленные программы.Оптимальные значения решения для задачи ожидаемого значения часто превосходят соответствующие значения решения для задачи выжидания, что согласуется с предложением в [27]; сравните Раздел 5, например, минимальную стоимость для EWCS (см. Таблицу 3), для WCS (см. Таблицу 2) или максимальный уровень обслуживания для EWCS (см. Таблицу 3), для WCS ( см. Таблицу 2).

0 0.1, 0,2 и 0,3 0,4 и 0,5 0,6 и 0,7 0,8, 0,9 и 1 Вар. = 162; Bin. = 136; Минусы. = 125; Nonz. = 1430 Exp. стоимость 16,91 () 14,27 12,14 11,67 10,45 () Exp. уровень обслуживания 87 () 86 81 79 62 () Exp.удовлетворенный спрос 87 90 91 93 91 Выбранные поставщики (% от общего спроса) : количество переменных; Bin .: количество двоичных переменных; Минусы: количество ограничений; Nonz: количество ненулевых коэффициентов. . . Стохастический выжидательный подход, однако, ведет к более диверсифицированному портфелю предложения. При детерминированном подходе большинство недоминированных портфелей поставок состоит только из двух поставщиков:, в то время как поставщики выбираются только для максимального целевого уровня обслуживания (то есть для). Сравнение рисунков 3 и 4 показывает, что ожидаемые расписания для модели WCS , рассчитанные как ожидания по всем расписаниям для всех возможных сценариев сбоев, (27) — (29), аналогичны соответствующим одиночным расписаниям, определенным моделью EWCS . .Основные наблюдаемые отличия заключаются в более отложенном ожидаемом графике производства и отгрузки для модели WCS, когда рассматривается минимизация затрат (то есть для). Наконец, интересно отметить, что в рассматриваемой среде с несколькими поставщиками как выжидательный подход, так и, в частности, подход ожидаемой стоимости часто выбирают портфель поставок из двух источников, с одним основным поставщиком и одним поддерживающим поставщиком. Вычислительные эксперименты проводились с использованием языка программирования AMPL и CPLEX 12.6.2 на ноутбуке MacBook Pro с процессором Intel Core i7, работающим на частоте 2,8 ГГц и с 16 ГБ ОЗУ. Решатель был способен найти проверенное оптимальное решение для всех примеров с временем ЦП от нескольких минут до нескольких часов для стохастической модели WCS и долей секунды для детерминированной модели EWCS . Поскольку модель стохастического программирования WCS должна определять недоминируемые расписания для всех возможных сценариев сбоев, а модель EWCS работает только с одним сценарием, разница в требуемых вычислительных усилиях очевидна. 7. Выводы В этой статье были предложены две биобъективные формулировки MIP, стохастическая и детерминированная, и они сравниваются для скоординированного принятия решений в цепочках поставок в условиях частичных локальных сбоев и региональных сбоев по принципу «все или ничего». Задача проблемы заключалась в совместном планировании поставок, производства и распределения, чтобы оптимизировать компромисс между ожидаемой стоимостью и ожидаемым уровнем обслуживания. В то время как подход стохастического программирования направлен на оптимизацию ожидаемой производительности цепочки поставок по всем возможным сценариям сбоев, детерминированный подход учитывает только один сценарий, представляющий средние условия сбоев.В результате подход стохастического программирования определяет недоминированные решения для всех сценариев сбоев, тогда как детерминированный подход дает только одно решение. В частности, в подходе стохастического программирования выбор портфеля поставок сочетается с планированием цепочки поставок для всех рассмотренных сценариев сбоев. Напротив, детерминированный подход к ожидаемой стоимости предоставляет портфель вместе с единым ожидаемым графиком производства и распределения. Ожидаемые расписания, полученные для модели стохастического программирования WCS , как ожидания по всем расписаниям для всех сценариев сбоев, были сопоставлены с соответствующими расписаниями, определенными детерминированной моделью EWCS , на основе сценария ожидаемого сбоя.Сравнение показало, что оба подхода приводят к аналогичным ожидаемым решениям. Основные результаты согласуются с результатами других исследований и перечислены ниже: (i) Два подхода к принятию решений, стохастический и детерминированный, приводят к аналогичным ожидаемым характеристикам цепочки поставок в условиях многоуровневых сбоев. (Ii) Оптимальное решение значения для задачи ожидаемого значения часто превосходят соответствующие значения решения задачи ожидания и просмотра. (iii) Несмотря на рассматриваемую среду с множественными источниками, как выжидательный подход, так и, в частности, подход ожидаемого значения часто выбирают портфель поставок из двух источников, с одним основным поставщиком и одним вспомогательным поставщиком.(iv) Стохастический подход, который учитывает все возможные сценарии сбоев, может привести к более диверсифицированному портфелю поставок, который будет застрахован от множества сценариев. (v) Ожидаемые графики более отложены для стохастического подхода. (vi) Портфель услуг, ориентированных на поставки, более диверсифицирован и может включать в себя как дорогостоящих, надежных поставщиков, так и недорогих ненадежных поставщиков, в то время как портфель ориентированных на затраты услуг зависит в основном от дешевых и менее надежных поставщиков. В целом результаты вычислительных экспериментов показывают, что предложенный подход и разработанные модели MIP являются гибкими и эффективными инструментами для согласованного планирования цепочки поставок.Портфельный подход приводит к составам MIP с сильной релаксацией LP и доказал свою вычислительную эффективность. Процессорное время, необходимое для поиска проверенных оптимальных решений для примеров реалистичного размера с использованием коммерчески доступного программного обеспечения для MIP, является приемлемым для реального управления нарушениями цепочки поставок (см. Sawik [33]). Поскольку распределение вероятностей перебоев в поставках от каждого поставщика обычно неизвестно (например, [8]), локальные многоуровневые сбои в модели стохастического программирования WCS имеют полиномиальное дискретное распределение, а двухуровневые региональные сбои имеют биномиальное распределение. дискретное распределение, и все сбои независимы.В рамках будущих исследований мы предлагаем усовершенствовать модель стохастического программирования для более общих сценариев с выделением конечного числа элементов и сосредоточением в них всей вероятности. Например, вместо полной остановки у поставщиков в регионе могут быть коррелированные сбои. Еще одним важным направлением будущих исследований является изучение устойчивости и чувствительности в отношении изменений входных данных в планировании цепочки поставок в условиях риска сбоев (например, [33]). Дальнейшие исследования также могут быть сосредоточены на следующих улучшениях предложенных моделей: рассмотреть возможность минимизации времени и затрат на восстановление (например,г., Whitney et al. [34]). Обозначения Индексы : : Поставщик, : Заказчик, : Дистрибьюторский центр, Регион, : Сценарий сбоя, : Период планирования, Входные параметры заказчик товаров 901 46 : Размер заказа : Общий спрос на детали / продукцию, : Производительность производителя : Срок исполнения заказа клиента : Фиксированная стоимость заказа запчастей у поставщика : Штраф за единицу отложенного заказа клиента : Штраф за единицу невыполненного заказа клиента : Подгруппа поставщиков в регионе : Подгруппа клиентов, обслуживаемых распределительным центром : Цена за единицу детали, приобретенные у поставщика : Уровень вероятности сбоя для поставщика : Вероятность сбоя в регионе : Доля заказа, доставленного поставщиком с уровнем сбоя (степень выполнения) : Ожидаемая доля заказа, доставленного поставщиком (ожидаемая скорость выполнения) : Срок поставки от поставщика : Время транспортировки до распределительного центра. Конфликт интересов Автор заявляет об отсутствии конфликта интересов. Благодарности Эта работа была поддержана исследовательским грантом NCN (№ DEC-2013/11 / B / ST8 / 04458) и AGH (№ 11.11.200.324). Детерминированные и вероятностные модели / AO S8-4 / AO по уровням / Цели достижений / Математика и статистика / На главную Заметки для учителя Статистика включает в себя процесс выявления закономерностей в реальном мире с использованием данных.При решении статистических задач часто бывает полезно создавать модели реальных ситуаций на основе наблюдений за данными, предположений о контексте и теоретической вероятности. Затем модель можно использовать для прогнозирования, проверки предположений и решения проблем. Детерминированная модель не включает элементы случайности. Каждый раз, когда вы запускаете модель с одними и теми же начальными условиями, вы будете получать одни и те же результаты. Большинство простых математических моделей повседневных ситуаций являются детерминированными, например, высота (h) в метрах яблока, сброшенного с воздушного шара на высоте 300 м, может быть смоделирована как h = — 5t 2 + 300, где t — время в секундах с момента падения яблока. Простые статистические отчеты, в которых не упоминаются и не рассматриваются вариации, можно рассматривать как детерминированные модели. Уравнение линейной регрессии в двумерном анализе может применяться в качестве детерминированной модели, если, например, безжировая масса тела = 0,8737 (масса тела) — 0,6627 используется для определения безжировой массы тела элитного спортсмена. Вероятностная модель включает элементы случайности. Каждый раз, когда вы запускаете модель, вы, вероятно, получите разные результаты даже при одинаковых начальных условиях.Вероятностная модель — это модель, которая включает в себя некоторые аспекты случайной вариации. Детерминированные модели и вероятностные модели для одной и той же ситуации могут дать очень разные результаты. Рассмотрим очень простую модель банкомата. Клиенты приезжают, чтобы использовать машину, в среднем каждые две минуты. Клиенты используют машину в среднем 2 минуты. Какова вероятность того, что клиенту придется подождать 3 минуты и более? Детерминированная модель ситуации просто использует средний промежуток между клиентами и среднее время использования и предполагает, что они не имеют изменений, то есть все промежутки составляют 2 минуты, а все время использования составляет 2 минуты.Модель предполагает, что кто-то приходит ровно каждые две минуты и использует машину ровно две минуты, поэтому времени ожидания нет. Распределение времени ожидания таково, что все время ожидания равняется нулю минут. В простой вероятностной модели той же ситуации время использования машины может составлять 2 минуты для каждого человека, но включать случайное время прибытия. Один из способов включить случайность в модель — провести симуляцию. Мы можем смоделировать 15 случайных времен прибытия за 30-минутный период, например, 2 4 5 5 10 11 12 15 16 19 20 24 29 29 29.В приведенной ниже таблице клиенты представлены буквами от a до o, прибывшие, чтобы воспользоваться машиной или дождаться, пока машина освободится. Распределение времени ожидания из моделирования: В приведенном выше примере используется только одна небольшая симуляция. Вероятностные модели могут быть основаны на экспериментальных распределениях или моделях распределения. Детерминированные модели могут быть относительно простыми и могут использоваться, когда случайные вариации не оказывают большого влияния на моделируемую ситуацию (случайные вариации относительно малы). Если случайные вариации являются основным компонентом контекста, для достижения этой цели может потребоваться вероятностная модель. Добавить комментарий Отменить ответ Comment Name * Email * Website © 2024 ШПИЛЬКИ — Мода проходит, стиль остается