Достоинства и недостатки математических моделей

 

Широкие возможности компьютерного имитационного моделирования приводят к разработке все более сложных конструкций моделей. Это порождает дополнительные проблемы не только для программиста, но и для пользователя. Количественное определение параметров модели (например, эластичности цены и рекламы) сталкивается со все большими трудностями. Поэтому часто приходится обращаться за недостающей информацией к экспертам, что при масштабных моделях со многими параметрами существенно усиливает спекулятивную природу практических рекомендаций.

Теория хаоса указывает на то, что при динамических с обратной связью системах уравнений даже мельчайшие изменения в конфигурации параметров модели или исходных условий могут привести к совершенно другим рекомендациям.

Слабым местом математических моделей принятия решений является не только проблема определения параметров, но и лежащее глубже несовершенство оценочных теорий как основы их конструкций. Так, при применении диффузионной модели более совершенные теории могли бы объяснить взаимное влияние цены и рекламы. Это способствовало бы решению вопроса: увеличивает ли реклама чувствительность к цене (так как она информирует) или уменьшает ее (так как она убеждает)? Отсутствие ответов на подобного рода вопросы свидетельствует о несовершенстве экономических теорий.

Определенное облегчение в этой связи могут принести "нейрональные сети". Эти стимулируемые нейробиологическими процессами компьютерные алгоритмы не нуждаются в функциональных причинно-следственных связях. Сеть сама "ищет" по определенному "правилу изучения" приближенную взаимосвязь, которая наилучшим образом отражает представленные данные. Поэтому нейрональные сети могут применяться без теоретической подоплеки для прогнозирования, например, покупок как реакции на воздействие рекламы. В этом случае для "подравнивания" и "настраивания" сети требуется обширный материал данных, отражающих прошлую динамику. С другой стороны, сеть сама гибко приспосабливается и "обнаруживает" даже неизвестные взаимосвязи, которые хотя и осуществляются "механически", но могут способствовать прояснению причинно-следственных связей.

Модели принятия решений могут лишь ограниченно отразить действительность не только из-за дефицита данных и несовершенства теорий, но прежде всего ввиду огромного разнообразия явлений и связей в реальной хозяйственной жизни. Многие исследователи видят в этом их существенный недостаток и повод для критики. Для них предпосылки моделирования равнозначны далекой от практики науке.

В этой связи В.-Р.Бретцке противопоставил пониманию модели, основанному на теоретическом отображении реалий, "конструктивистское" понимание. По его мнению, снижение сложности в модели принятия решений - это не неизбежное зло, а объективная необходимость, так как только структурирование расплывчатой проблемы по предпосылкам обозначает контуры и тем самым сужает сферу поиска решения. "Неполнота сведений является не конструкционным недостатком, а конструкционным принципом"2.

Конструкционный принцип, т.е. возможность абстрагироваться в интересах точного анализа от "мешающих величин", существующих в реальности, делает модели принятия решений открытыми для совершенствования. Они ни в коем случае не отнимают инициативы у лиц, ответственных за решения. Математические модели усиливают интеллект, но не заменяют его.

Наконец, модели принятия решений должны постоянно подтверждать свою полезность как дополнение к чисто умозрительной модели. Это удается все чаще, но пока не всегда. Однако в принципе модели имеют все предпосылки, чтобы служить менеджерам в качестве вспомогательного средства, а не как "абсолютное знание". Они способствуют лучшему пониманию реальных проблем, помогают при разработке альтернатив, упрощают их проверку и облегчают оценку интуитивных проектов и существующих моделей поведения.

У математических моделей есть и дидактическая задача. Разработчики совершенствуют свой образ мышления, так как модели позволяют знакомиться со структурой и логикой решаемых проблем и оттачивают аналитические мыслительные способности. Таким образом, интуитивная умозрительная модель получает твердую основу. При поиске проблемных решений можно научиться более целенаправленно и систематизированно продвигаться вперед и ставить под сомнение якобы надежные наблюдения.

В целом модели и теории, которые формулируются и решаются с помощью математических методов, представляют собой неотъемлемую составляющую диалога между теорией и практикой. В условиях быстро меняющихся постановок проблем, когда сегодняшние решения завтра уже не пригодны, требуются не только готовые к непосредственному использованию знания, но и умственная динамика, кругозор, компетентность, а также готовность постоянно критически оценивать свои знания.