Wielotypowe procesy substytucji technologicznej

Podobne dokumenty
Zastosowanie modeli dyfuzji innowacji do analizy rynków finansowych: przykład rynku funduszy inwestycyjnych w Meksyku

166 Wstęp do statystyki matematycznej

EKOLOGICZNA OCENA CYKLU ŻYCIA W SEKTORZE PALIW I ENERGII. mgr Małgorzata GÓRALCZYK

Sterowanie wielkością zamówienia w Excelu - cz. 3

lim Np. lim jest wyrażeniem typu /, a

6. Teoria Podaży Koszty stałe i zmienne

Zmiany koniunktury w Polsce. Budownictwo na tle innych sektorów.

Spacery losowe generowanie realizacji procesu losowego

Summary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling

Programowanie celowe #1

ĆWICZENIE 3. Farmakokinetyka nieliniowa i jej konsekwencje terapeutyczne na podstawie zmian stężenia fenytoiny w osoczu krwi

METODA ELEMENTÓW SKOŃOCZNYCH Projekt

Modele cyklu ekonomicznego

Optymalizacja ciągła

Agnieszka Nowak Brzezińska Wykład III

Metody numeryczne w przykładach

KONSPEKT FUNKCJE cz. 1.

Maciej Piotr Jankowski

Kolokwium I z Makroekonomii II Semestr zimowy 2014/2015 Grupa I

Rola stacji gazowych w ograniczaniu strat gazu w sieciach dystrybucyjnych

Ćwiczenia 5, Makroekonomia II, Rozwiązania

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV

Model Marczuka przebiegu infekcji.

prospektywna analiza technologii

W celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0,

System prognozowania rynków energii

Pochodna funkcji odwrotnej

dr inż. Ryszard Rębowski 1 WPROWADZENIE

Analiza składowych głównych. Wprowadzenie

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe

szt. produkcja rzeczywista

Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych)

Struktura terminowa rynku obligacji

Funkcja liniowa - podsumowanie

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe

Statystyka. Wykład 10. Magdalena Alama-Bućko. 15 maja Magdalena Alama-Bućko Statystyka 15 maja / 32

TRANSAKCJE ARBITRAŻOWE PODSTAWY TEORETYCZNE cz. 1

Wprowadzenie do analizy korelacji i regresji

gdzie. Dla funkcja ma własności:

TEST. [2] Funkcja długookresowego kosztu przeciętnego przedsiębiorstwa

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

Nazwa metody pochodzi od nazwy firmy, w której została opracowana Boston Consulting Group. Koncepcja opiera się na dwóch założeniach:

Jerzy Stopa*, Stanis³aw Rychlicki*, Pawe³ Wojnarowski* ZASTOSOWANIE ODWIERTÓW MULTILATERALNYCH NA Z O ACH ROPY NAFTOWEJ W PÓ NEJ FAZIE EKSPLOATACJI

Zastosowanie rozmytych map kognitywnych do badania scenariuszy rozwoju jednostek naukowo-dydaktycznych

Ćwiczenia laboratoryjne - 7. Problem (diety) mieszanek w hutnictwie programowanie liniowe. Logistyka w Hutnictwie Ćw. L. 7

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi

6. Klasyczny algorytm genetyczny. 1

Agnieszka Nowak Brzezińska Wykład III

Wpływ rozwoju elektromobilności w Polsce na zanieczyszczenie powietrza

Definicje i przykłady

Zbiór zadań. Makroekonomia II ćwiczenia KONSUMPCJA

Drgania. W Y K Ł A D X Ruch harmoniczny prosty. k m

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

dr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW

INSTRUKCJA DO ĆWICZENIA NR 7

Ćwiczenie 6. Transformacje skali szarości obrazów

Liniowe układy scalone w technice cyfrowej

Przykłady: zderzenia ciał

Analiza współzależności dwóch cech I

WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Faza Określania Wymagań

TEORETYCZNE ASPEKTY ORAZ PRAKTYKA ANALIZY CYKLU NA RYNKU NIERUCHOMOŚCI

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

3. O czym mówi nam marginalna (krańcowa) produktywność:

3. Modele tendencji czasowej w prognozowaniu

Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym

zaznaczymy na osi liczbowej w ten sposób:

Wykład 4 Przebieg zmienności funkcji. Badanie dziedziny oraz wyznaczanie granic funkcji poznaliśmy na poprzednich wykładach.

CECHOWANIE TERMOELEMENTU Fe-Mo I WYZNACZANIE PUNKTU INWERSJI

Finanse i Rachunkowość studia stacjonarne lista nr 9 zastosowania metod teorii funkcji rzeczywistych w ekonomii (część II)

MODELOWANIE RZECZYWISTOŚCI

Pozycjonowanie a strategiczne planowanie marketingowe

Mikroekonomia. Wykład 4

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne.

Projekcja inflacji Narodowego Banku Polskiego materiał edukacyjny

Programowanie liniowe

Inteligentna analiza danych

Symulacja obrotów magazynowych

Analiza ilościowa w przetwarzaniu równoległym

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

OPCJE MIESIĘCZNE NA INDEKS WIG20

Średnie. Średnie. Kinga Kolczyńska - Przybycień

Opis modułu kształcenia Symulacja przemysłowych procesów technologicznych część I

Modelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński

Ocena wpływu rozwoju elektromobilności na stan jakości powietrza

szt. produkcja rzeczywista

MODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY

Regresja linearyzowalna

METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych

Ćwiczenie 6. Symulacja komputerowa wybranych procesów farmakokinetycznych z uwzględnieniem farmakokinetyki bezmodelowej

Projektowanie układów metodą sprzężenia od stanu - metoda przemieszczania biegunów

Silniki prądu stałego z komutacją bezstykową (elektroniczną)

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Algorytmy Równoległe i Rozproszone Część V - Model PRAM II

MODEL AS-AD. Dotąd zakładaliśmy (w modelu IS-LM oraz w krzyżu keynesowskim), że ceny w gospodarce są stałe. Model AS-AD uchyla to założenie.

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Transkrypt:

Wielotypowe procesy substytucji technologicznej Witold Kwaśnicki Przedstawiono opis jedno- i wielośrodowiskowego modelu substytucji technologicznej oraz wyniki badań symulacyjnych tego modelu przy użyciu pakietu symulacyjnego STELLA 5.. W referacie zawartym w pracach poprzedniej szkoły Symulacji Systemów Gospodarczych Antałówka 98 {Kwaśnicki, 998] przedstawiłem przegląd modeli substytucji technologicznej (dwu i wielotypowej) oraz propozycje ewolucyjnego modelu substytucji technologicznej. Przedstawiłem tam też metodę identyfikacji jego parametrów oraz możliwości wykorzystania modelu ewolucyjnego do prognozowania. Najbardziej popularnym i najczęściej wykorzystywanym jest model procesów substytucji opisujący zmiany udziału jednej technologii w kształcie litery S (nazywanej niekiedy krzywa logistyczną). Jest to typowy przypadek współzawodnictwa (konkurencji) dwóch technologii: nowej i starej [Fisher, Pry, 977], [Blackman, 973], [Sharif i Kabir, 976]. Na ogół jednak występują więcej niż dwie konkurujące technologie, tak więc mamy do czynienia z procesami substytucji multitechnologicznej (nazywanej często wielotypową). W sytuacji wielu konkurujących technologii zmiana udziału pojedynczej technologii w czasie ma kształt krzywej dzwonowej w której wyróżnić możemy cztery fazy: fazę wstępną, kiedy to tempo dyfuzji nie jest wysokie, następującej po niej fazę relatywnie szybkiej dyfuzji, w trzeciej fazie dana technologia osiąga stan dojrzałości, jej udział jest wówczas największy, w ostatniej fazie, inne, lepsze technologie wypierają dojrzałe rozwiązanie, udział danej technologii w czwartej fazie stale maleje [Bright, 968].. Model ewolucyjny jedno środowisko. Załóżmy, że każda z podanych technologii scharakteryzowana jest w dowolnym momencie t przez pojedynczy indeks opisujący jej jakość. Nazwmy ten indeks

konkurencyjnością c i (t) technologii i. Konkurencyjność jest funkcją czasu t i zależy od charakterystyk technicznych danej technologii oraz jej ceny, jest większa, gdy charakterystyka techniczna danej technologii jest lepsza a cena niższa. Środowisko zewnętrzne, w którym technologie ewoluują nie jest stabilne i wpływa na wartości każdej konkurencyjności c i (t). Niech N i (t) oznacza miarę rozległości stosowania technologii i w czasie t. Załóżmy dyskretny czas oraz przyjmmy, że rozmiar użycia technologii i w najbliższej chwili (t + ) jest proporcjonalny do rozmiaru stosowania tej technologii w poprzedniej chwili N i (t) i konkurencyjności technologii c i, N i ( t + ) = AN i ( t) ci. () Stosując proste przekształcenia arytmetyczne, można wyprowadzić następujący układ równań opisujący zmiany udziałów i-tej technologii w czasie: ci f i ( t + ) = f i ( t) (2) c( t) gdzie ct () jest średnią konkurencyjnością n c( t) = f ( t) c ( t). (3) i= i i Widać więc, że stosując równanie (2) jesteśmy w stanie opisać ewolucję struktury stosowanych technologii (proces substytucji). W celu opisania ewolucji zbioru technologii powinniśmy znać wartości ich konkurencyjności c i oraz udziały początkowe f i (t 0 ). Rysunek. Udziały pięciu typów - jedno środowisko 2

Cechą charakterystyczną takiego modelu jest, że przy założeniu stałości wszystkich konkurencyjności w czasie zawsze wgrywa jedna technologia, ta o największej konkurencyjności. Typowy przebieg zmiany udziałów wielu technologii dla takiego modelu przedstawiono na Rysunku. Dla przebiegu symulacyjnego, którego wyniki przedstawiono na Rysunku przyjęto, że w chwili początkowej istnieje 5 typów o wartościach konkurencyjności c i równych odpowiednio:,07, 0,88, 0,997,,048, 0,948. Udziały początkowe f i (t 0 ) dobrano tak by typ najlepszy miał udział najmniejszy. Udziały początkowe pięciu typów były równe odpowiednio: 0,0, 0,54, 0,5, 0,20, 0,. Widzimy, że udział najlepszego typu stale rósł tak, że w ostatnim okresie symulacji jego udział był bardzo równy 00%. Typu najgorsze 2 i 5 (o udziałach początkowych 54% i 0%) zostały bardzo szybko wyeliminowane. Natomiast dwa pozostałe typy (o stosunkowo dużych udziałach początkowych 5% i 20%), których konkurencyjności były niewiele mniejsze od konkurencyjności typu najlepszego początkowo, początkowo zwiększały swój udział by w następnej fazie swego rozwoju podzielić los typów najgorszych i zostać także wyeliminowanym. Kształt udziałów typów o pośredniej konkurencyjności przypomina postulowany często przez badaczy kształt krzywej dzwonowej. f i Węgiel Ropa naftowa Energia nuklearna Nowe źródło Drewno Gaz Rysunek 2. Światowe udziały (rzeczywiste i prognozowane) różnych źródeł energii Bardzo często jednak obserwujemy współistnienie kilku typów, nawet w stosunkowo długim przedziale czasu. Niech jako przykład posłuży nam udział 3

różnych nośników w produkcji energii w skali całego świata. Krzywe kropkowane na Rysunku 2 pokazują rzeczywiste udziały pięciu podstawowych źródeł energii, mianowicie drewna, węgla, ropy naftowej, gazu i energii nuklearnej. Krzywe ciągłe pokazują prognozę udziałów tych źródeł w oparciu o identyfikacje ich konkurencyjności dokonana na podstawie danych rzeczywistych z okresu 900-990. Długookresowe konkurencyjności zidentyfikowane w oparciu o 90 letni okres wynoszą: dla węgla,0, drewna 0,999, ropy naftowej,0444, gazu,0533. Identyfikacja konkurencyjności energii nuklearnej na podstawie okresu 900-990 nie była możliwa, jako, że energia nuklearna wprowadzona została 96 roku. Analiza zmian udziału energii nuklearnej w okresie 96-990 pozwala zidentyfikować jej konkurencyjność na,086. W prezentowanym scenariuszu rozwoju energii dodano także nowe, hipotetyczne źródło energii. Przyjęto, ze to nowe źródło zostanie wprowadzone w roku 2025 a jego konkurencyjność będzie równa,2. Na uwagę zasługują zmiany udziału drewna. Do 950 roku udział drewna systematycznie malał ale od tego roku udział ten ustabilizował się na poziomie ok. 5%. Zgodnie z przewidywaniami modelu drewno powinno być systematycznie eliminowane. Można zadać sobie pytanie, dlaczego typ którego konkurencyjność jest wyraźnie gorsza od wszystkich pozostałych nie jest eliminowany nawet w stosunkowo długim okresie czasu. Charakterystyczne zachowania modelu o których wspominaliśmy poprzednio wynikają z założenia stałości konkurencyjności wszystkich typów. Jedną z możliwych przyczyn jest zmiana konkurencyjności w czasie. Zmienne konkurencyjności analizowane były w referacie z poprzedniej szkoły. Wydaje się, że w przypadku alternatywnych źródeł energii nie to jest przyczyną tak charakterystycznego przebiegu udziału drewna. Wydaje się, że mamy tutaj sytuacje co najmniej dwóch istotni różnych środowisk w których różne typy mają różne konkurencyjności. Nazwmy te dwa środowiska światem uprzemysłowionym i światem tradycyjnym. Światowe udziały poszczególnych typów są ważoną sumą udziałów tych typów w obu środowiskach. W świecie uprzemysłowionym istotnie drewno uznawane jest za najgorsze źródło energii i już dawno zostało praktycznie wyeliminowane, natomiast nadal pozostaje ono podstawowym źródłem energetycznym w świecie tradycyjnym. Sytuacja współistnienia kilku typów wynikająca z istnienia wielu środowisk w których konkurencyjności typów mogą być rożne nie jest zjawiskiem rzadkim. Wydaje się, że znane zjawisko segmentacji rynków może być także uznane za bliskie takiemu modelowi wielośrodowiskowemu. 2. Wielośrodowiskowy model substytucji technologicznej Przyjmmy zatem, że mamy s środowisk w których konkuruje ze sobą n technologii. Konkurencyjność technologii i-tej w j-tym środowisku oznaczmy 4

przez c, a udział i-tej w j-tym środowisku w chwili t przez f (t). W obrębie każdego środowiska występuje konkurencja opisywana przez prezentowany w poprzedniej części model jednośrodowiskowy. Zatem możemy napisać, że zmiany udziału i-tej technologii w j-tym środowisku opisywane są równaniem: c f ( t + ) = f ( t) (4) c j ( t) gdzie c j (t) jest średnią konkurencyjnością w j-tym środowisku. j n c ( t) = f ( t) c ( t) (5) i= Udział typu i we wszystkich środowiskach jest ważoną sumą udziałów w poszczególnych środowiskach i s f ( t) = f ( t) w ( t). (6) i= j Waga w j środowiska j zależy od względnego zakresu stosowania (N ) poszczególnych technologii w każdym ze środowisk: w n i= j = n s N i= j= N (7) Rysunek 3. Model wielośrodowiskowy zapisany w STELLI 5

Nowe możliwości pakietu symulacyjnego STELLA 5. (zwłaszcza możliwość stosowania tablic) umożliwiają stosunkowo proste zaimplementowanie takiego wielośrodowiskowego modelu i symulacyjne badanie jego właściwości. Model zapisany w STELLI przedstawiono na Rysunku 3. Przyjmując, że występują cztery środowiska i pięć typów, zakładając, że w rożnych środowiskach poszczególne typy są w rożnym stopniu preferowane otrzymujemy całkiem inny charakter zmian aniżeli w modelu jednośrodowiskowym (por. Rysunek i Rysunek 4). Konkurencyjności pięciu typów w czterech środowiskach przedstawiono w Tabeli. Konkurencyjności w pierwszym środowisku są równe konkurencyjnością w modelu jednośrodowiskowym. Tabela. Konkurencyjności pięciu typów w czterech środowiskach Typ 2 3 4 5 Środowisko,07 0,88 0,978,048 0,948 2 0,893,022,044 0,937,067 3 0,95 0,944,37 0,856,030 4,000 0,9 0,948,00,078 Początkowe udziały pięciu typów w poszczególnych środowiskach przedstawione są w Tabeli 2. Podobnie jak w przypadku konkurencyjności udziały typów w pierwszym środowisku są takie same jak w modelu jednośrodowiskowym. W pozostałych środowiskach też przyjęto zasadę, że najlepszy typ jest najmniej liczny a typ najgorszy ma największe udziały. Tabela 2. Udziały początkowe poszczególnych typów w czterech środowiskach Typ 2 3 4 5 Środowisko 0,0 0,54 0,5 0,20 0,0 2 0,54 0,0 0,5 0,20 0,0 3 0,0 0,20 0,0 0,54 0,5 4 0,5 0,54 0,20 0,0 0,0 Do pełnego opisu modelu potrzeba nam jeszcze wartości wag w j poszczególnych środowisk. Przyjęto, że środowisko pierwsze jest największe, jego waga w jest równy 0,4. Wagi pozostałych środowisk są równe odpowiednio 0,25, 0,20, 0,5. 6

Wyniki symulacji o powyższych warunkach początkowych przedstawiono na Rysunku 4. Warunki symulacji są takie, że w każdym środowisku inny typ jest typem najlepszym. W środowisku pierwszym jest to typ, w drugim typ 5, w trzecim typ trzeci i w czwartym typ czwarty. W takiej sytuacji naturalnym jest, że typy te dominują w swoich środowiskach a ich sumaryczny udział na koniec symulacji (w stanie równowagi) jest równy wartościom wag poszczególnych środowisk; i tak typ ma udział w stanie równowagi równy 40%, typ trzeci 20%, czwarty 5% i piąty 25%. Typ drugi nie jest typem najlepszym w żadnym ze środowisk i dlatego jego sumaryczny udział w stanie równowagi jest równy zero. Krzywe udziałów nie przypominają typowych krzywych dzwonowych. Typowym w takiej sytuacji jest występowanie na przemian okresów wzrostu i malenia udziałów (typy, 4, 5) Rysunek 4. Udziały pięciu typów cztery środowiska 3. Zakończenie W referacie przedstawiono propozycję wielośrodowiskowego modelu substytucji i wstępne wyniki badań symulacyjnych. Niestety nie udało się znaleźć eleganckiej, analitycznej metody identyfikacji parametrów tego modelu (tak jak możliwe było to w przypadku modelu jednośrodowiskowego). Wątpliwym jest czy znalezienie takiej analitycznej metoda identyfikacji jest możliwe. Wydaje się, że praktycznym podejściem byłoby wykorzystanie jednej z metod optymalizacji (np. algorytmów genetycznych) do identyfikacji tych parametrów. Takie podejście do identyfikacji parametrów modelu planowane jest w przyszłości. Problemem może być jednak bardzo duża 7

liczba parametrów do identyfikacji (wartości konkurencyjności, udziałów początkowych w poszczególnych środowiskach i wagi poszczególnych środowisk). Jeśli mamy s środowisk i n typów to ogólna liczba identyfikowanych parametrów jest równa s ( 2n ) ; czyli dla czterech środowisk i pięciu typów, na podstawie sumarycznych udziałów poszczególnych typów (bo takie dane najczęściej są dostępne) należałoby określić wartości 35 parametrów modelu. Tak duża liczba parametrów może być sporym problemem nawet dla efektywnych algorytmów optymalizacyjnych. Literatura [Blackman Jr.A. Wade, 973] [Bright J.R, 968] New Venture Planning: The Role of Technological Forecasting, Techn. Forec. and Social Change 5, 25-49 (). Technological Forecasting for Industry and Government: Methods and Applications, Prentice-Hall, New Jersey. [Fisher J.C., Pry R.H, 977] A Simple Substitution Model of Technological Change, Techn. Forec. and Social Change 3, 75-88. [Kwaśnicki W., 998] Symulacja procesów substytucji technologicznej, Symulacja systemów gospodarczych Antałówka 98, Zakopane. [Ryan B., Gross N., 943] The Diffusion of Hybrid Seed Corn in Two Communities, Rural Sociology 7, 5-24. [Sharif M.N., Kabir C., 976] System Dynamics Modeling for Forecasting Multilevel Technological Substitution, Techn. Forec. and Social Change 9, 89-2 (976). Witold Kwaśnicki Instytut Organizacji i Zarządzania Politechnika Wrocławska Wyb. Wyspiańskiego 27 50-370 Wrocław e-mail: kwasnicki@ci.pwr.wroc.pl 8