模型管理子系统

5.2.2　模型管理子系统

我们已经知道，能够生成、运行、维护模型，并利用模型与数据来解决问题是DSS区别于其他CBIS的关键功能。这一关键功能是靠DSS的模型管理子系统实现的，模型管理子系统主要由模型库和模型库管理系统组成。他的主要功能是生成模型和管理模型，是联系决策问题、数据与模型的桥梁。

模型与模型库

模型库中存储用于执行数据分析功能的专用的或通用的模型，如统计模型、预测模型、优化模型、管理科学模型、财务模型等。此外，模型库还包括模型构建模块(model building blocks)。简单地说，模型构建模块就是用来组建机器的零部件。模型构建模块的例子有随机数发生器程序、曲线或直线拟合程序、净现值计算程序和回归分析等。这样的基础构件有多种用途，它们作为数据分析工具，不仅能够直接应用，还可以作为大型模型的部件。

虽然我们经常谈论模型，但模型到底是什么呢?模型(model)是对现实事物的抽象和简化的描述。之所以要简化，是因为现实太复杂而难以准确再现，而且其中大部分复杂情况实际上与要研究的问题关系不大。通过模型化，可以在虚拟环境中对一个现实问题的核心特征进行分析，而不必在现实中进行。

模型的类型

一谈到模型，你可能马上浮现出的是一系列的数学表达式。事实并非如此，根据其抽象程度，模型可以分为四类:几何相似模型、模拟模型、数学模型、心智模型。

几何相似模型(物理模型)。这种模型是对系统的物理复制，通常是在原有基础上的小规模复本，是抽象程度最低的模型。几何相似模型可以从三维空间上进行复制，比如飞机模型、汽车模型、桥梁模型、生产线模型，也可以从二维空间上进行复制，比如照片。

模拟模型。与几何相似模型相反，它并不关注模型是否看起来像真实系统，而是关注自身能否像真实系统一样运行。一个模拟模型可以是一个物理模型，但其模型的形状不同于实际系统的形状。例如，描绘组织结构，权力和责任关系的图表;用不同颜色代表水或山的地图;股票走势图;一台机器或一所房子的蓝图;温度计等。接下来将要单独介绍的计算机仿真模型也属于这种类型。

数学模型。许多系统中的复杂关系难以用几何相似模型或模拟模型描述，因此需要引入一个更抽象模型的帮助——数学模型。大多数决策支持系统的分析是用数学模型或其他定量模型进行数值分析。数学模型是由三种类型的变量(决策变量，非控制变量，结果变量)以及各变量之间的关系组成。关于数学模型的进一步描述详见下面的内容。随着计算机图形技术的进步，人们趋向于将数学模型、几何相似模型及模拟模型三者相结合，以更好的模拟决策支持系统。

心智模型。除了以上三种模型，人们经常使用心智模型。心智模型是关于个体如何对情境进行思考的主观描述。模型包括个体感知的信念、假设、关系以及工作流程等。比如某经理人的心智模型可能会认为:激励老员工要比激励新员工更有效，因为大多数人会赞成此策略。当个体需要决策哪种信息更重要时，心智模型发挥了极大的作用。通常建模的第一步就是开发一个心智模型。一旦人们对情境有了感知，他们可能会用另一种更精确的模型来分析情境。

由于数学模型和计算机仿真模型能得到决策问题的定量结果，在DSS中使用的较多，因此下面对这两类模型作一简要介绍。

数学模型

数学模型作为一种使用非常普遍的模型，你可能在别的课程中学习过很多定量的数学模型。那么，这些模型有没有一定共同的特征呢?通常，数学模型包含三种变量，即决策变量、不可控变量和结果变量，而这些变量通过数学关系相联系，如图5-4所示。

图5-4　定量数学模型的基本结构

结果变量。即数学中所谓的因变量，能反映系统的有效性。例如，在投资决策问题中，资金的投资回报率就是一个结果变量;在任务规划问题中，规定时间内任务的完成率就是一个结果变量。也就是说，结果变量能说明系统运行的好坏以及系统是否达到其目标。

决策变量。即数学中所谓的自变量，描述的是一些可变的行动方案。例如，在投资决策问题中，投资多少资金就是一个决策变量;在任务规划问题中，安排多少人以及每个人的工作就是决策变量。这些变量的取值由决策者制定，DSS的目的就是帮助决策者找到足够好、甚至最优的决策变量取值。

不可控变量或参数。任何决策问题中总是存在一些因素，这些因素不能被决策者控制却能影响结果变量，如银行利率、税率等。从决策者的角度来看，大多数这些因素是无法控制的。因为他们源自决策者周边的环境，即决策者不能操纵他们。

中间变量。将决策变量和结果变量进行必要联系的就是中间变量。这类变量有时会影响中间输出结果。例如在编制机床作业进度表时，机器磨损是一个中间变量，总利润是结果变量(因为机器磨损会影响总利润)。员工满意度是一个中间变量，它决定了公司的生产效率。

最终，定量模型的这些组成变量通过数学表达式(方程或不等式)联系在一起。

计算机仿真模型

数学模型的使用虽然广泛，但在DSS系统中，我们经常会碰到一些半结构化或非结构化问题，这些问题极其复杂，很多情况下难以建立数学模型进行分析，或者能建立数学模型，但模型过于复杂以致求解困难，此时就可以用仿真技术解决。因此，仿真是最常用的决策支持工具之一。

广义上讲，仿真就是对现实世界的特征进行模拟。在DSS系统中，仿真就是一种用计算机模仿真实系统的运行过程，并进行管理实验的技术。或者说，仿真就是在模拟进化的复杂自适应系统。“进化”体现在仿真上是动态的，它的仿真时钟是在不断推进的，系统状态是在不断改变的。与其他模型相比，仿真模型可以详细分析系统在某段时间的动态运行过程，而其他模型则相对比较静态。“复杂自适应”体现在仿真的研究对象通常是由大量的异质性个体组成，这些个体在系统环境的影响下会做出不同的行为，而行为的发生就会改变系统的状态，系统状态的改变又会导致下一时刻个体发生新的行为。系统就是在这样的不断进化过程中达到稳态，通过分析稳态时系统的性能，我们可以选择最优方案。此外，我们还可以分析系统运行过程中的变化趋势，从而找到导致某些现象的微观机理。

作为一种对真实系统进行模仿性实验研究的方法，仿真可以描述或预测某一系统在不同环境下的性能，因此尤其适用于what-if分析。仿真的这一特色功能使得它尤其适用于社会经济系统的研究，例如:一些经济政策的发布会导致怎样的市场变化?股票市场的波动是怎样形成的?这些问题如果在实际系统上做实验，不仅成本高、系统状态难以控制，而且会对正常的市场造成极大干扰。用仿真模型就可以解决所有这些难题。

这种方法首先是建立模型来描述真实系统的内部结构和它与外部的联系，以及与系统功能之间的关系，然后在计算机上作模拟性实验研究。该方法可以根据研究问题的需要，改变模型的参数及初始条件(输入)，通过计算机的反复运行，得出各种不同的结果(输出)。针对一组参数，仿真通常要重复实验很多次，以评估系统在某一环境下的整体平均性能。通过比较、分析这些性能参数，我们就可以从中选择一个最优方案。下面我们举两个例子来介绍仿真:一个是离散事件仿真，一个是微观仿真。

例一:银行在设置出纳柜台时，可以用一种名为离散事件仿真的方法来计算一下最优的柜台数量，从而为领导决策提供依据。首先统计银行客户到来的分布规律，以及接受服务时间长短的分布规律。而后建立模型，模型模拟的是每一个顾客的到来、排队、接受服务、离开等事件(行为)，并在计算机上实现这一系统。通过what-if分析，不断改变系统设置的柜台数量，观察系统的运行情况并对一些输出的指标进行比较分析，最终就可以找到最优柜台数量的配置。

例二:一家公司要开发新产品，在开发推广之前可以用系统仿真预测一下产品的市场占有率。通过市场调研，公司市场部可以获得市场中潜在消费者人数、消费者对这类产品属性的偏好数据、生产同类产品的竞争厂家的广告策略，再通过扩散理论、社会传染理论、社会网络理论等建立模型来描述消费者接受产品的过程。然后在计算机上模拟真实系统，进行实验研究，最后对输出结果进行分析，找到该新产品的推广策略。当推广市场发生变化时，我们不需改变这个模型，而只需改变输入参数即可得到另一市场的推广策略。

由上例可以看出，仿真就是用计算机模仿真实系统，通过实验的方法解决what-if问题。当初始参数改变时，输出结果也会产生相应变化，比较输出结果即可找到最优系统。相较于其他决策支持工具，仿真的优势在于:

仿真只需对系统进行少量简化，就可以解决复杂程度高的问题，与数学模型相比它更接近于真实系统。

仿真提供了一个实验平台，管理人员可以利用仿真模型进行what-if分析，并可以更快捷、更方便地反复实验，以找到更可靠的解决方案。

可以在方案实施之前预先查看效果。仿真可以让管理人员在几分钟内看到决策的长期影响。

可以解决多种类别的问题，比如库存问题和员工配置问题，也能帮助高层管理人员进行远景规划。此外，管理人员还可以通过改变参数设置来确定哪些是重要的参数，并在这些参数组合中找到最优方案。

模型的分析功能

介绍完几种类型的模型之后，我们再次回到西蒙的决策过程模型，设计阶段要建立模型并找出可行的方法，而选择阶段则是要找出最佳的解决方案。那么，如何才能找出最佳方案呢?模型仅仅是问题的分析工具，要得到最佳方案，就需要将模型与数据结合在一起进行分析、比较。敏感性分析(sensitivity analysis)就是一种常用的分析方法。

敏感性分析(sensitivity analysis)是研究模型假设条件的变化对于问题结果的影响，它既可以检查输入变量的变化对结果变量的影响，也可以反过来寻求为了实现假定的目标输入变量应该如何取值。

敏感性分析在DSS中是非常有价值的，它可以让用户输入他们自己的数据，并观察到系统在不同的条件下如何运行，这样就可以帮助用户更好地理解模型和问题。在敏感的模型中，条件的细微变化就会导致不同的结果，这就意味着给定的解决方案的实施效果可能存在很大变数;而在不敏感的模型里，条件的变化不会明显改变解决方案，这意味着解决方案成功的可能性很高。在DSS中，常用的敏感性分析的方法有因果分析和目标追寻。

因果分析(what-if analysis)。在评估不确定性的基础上，模型建立者根据输入数据做出预测和假设。而后在这些假设和模型的基础上得出结论。what-if分析试图改变假设(输入数据)，以分析这个改变对结果的影响。例如:如果将库存储存成本从10%变为12%，那么总库存费用会如何变化?如果将初始假设的广告预算提高5个百分点，市场占有率将如何变化?如果将产品的价格提高1%，看看计划中利润可能增长多少?

目标追寻(goal-seeking)。目标追寻是因果分析的逆运算，即首先假定一个输出的结果，然后据此来计算出决策变量的值。例如，一个购买房地产的用户可能会问:这套房子40万元，我想用20年分期付款支付，第一笔现金支付5万元，那么我每月需要支付多少?由于房子的总价格是各月分期付款的函数，所以这里是用已知的目标值来求出决策变量值的逆运算。

模型库管理系统

模型库管理系统(Model Base Management System，MBMS)是模型管理子系统的核心部分，所有模型库中的模型都受MBMS的控制。如同在数据库系统中，用户对数据库的各种操作是经由DBMS提供的各种功能来实现，MBMS提供一系列功能，使用户能够方便地完成对模型的各种操作。具体来讲，MBMS的功能主要包括:

(1)模型构建。MBMS提供某种建模手段，帮助用户迅速地构建决策模型。常见的建模方法包括建模语言、表计算形式或图形化建模。构建的模型可能是一个全新的模型，也可能是在某一个已有模型的基础上进行修改加工所构成的模型。

(2)模型库维护。MBMS对模型库中的模型必须有一套系统的管理工具，管理者可以用来对模型库进行管理维护，如对模型的登记、分类、删除、拷贝，对模型目录的创建、修正、删除等。模型目录的作用与数据字典相似，是所有模型的分类，它包括模型定义，主要功能是回答模型可行性和功能的问题。

(3)模型集成。模型集成是模型库管理系统的重要功能，这一功能可以把各个不同的模型整合在一起，以适应不同决策问题的需要。例如，为了支持某个生产决策问题，可能需要把模型库中已经存在的物料需求模型、生产能力模型、财务模型和销售模型等组合在一起，并且其中前一个模型的输出作为后一个模型的输入。

(4)模型运行与结果分析。模型执行是控制模型实际运行过程，MBMS应当可以对模型运行情况进行跟踪，模型跟踪在执行模型时十分重要，因为我们时常需要了解执行的中间结果，以便发现特定的问题所在。MBMS还提供对模型执行的结果进行分析、评价的工具。例如用敏感性分析方法对某一产品销售模型进行分析，从中发现敏感的变量。

到这里，你可能会问这样一个问题:MBMS能够知道哪些模型应该用于哪种情况吗?事实上，这样的模型选择无法由MBMS做出，因为这些专业技能需要由人工完成。这也是知识系统部分协助MBMS的潜在自动化领域。另外，对于某一个特定的问题，模型库中可能有多种模型都可以解决。这就产生了一个问题，应该选择哪一个模型呢?一般来说，针对具体领域的解决方法比通用的方法更有效。

这些问题正是模型管理的难点之一，这也正是为什么市面上有许多的DBMS商业套件，但却没有综合的MBMS商业套件的原因。