Алматы 2015 Almaty



Pdf көрінісі
бет17/130
Дата01.02.2017
өлшемі20,3 Mb.
#3199
1   ...   13   14   15   16   17   18   19   20   ...   130

 

REFERENCES: 

1. Mishenkova O.V. " Matematisheskoe modelirovanie v technike" 2012g. 

2. Rygykov U. I. " Imitacionnoe modelirovanie:  Teoria i technologia" 2004g. 

3. Lou A.M. " Imitacionnoe modelirovanie " 2004g. 

4. Lyshkina H.H. " Imitacionnoe modelirovanie ekonomisheskih prosseov" 2012g. 



 

Гнатченко А.А., Нурсеитов Д.Б. 



Имитациялық моделдеудін статистикалық ақпараттын екінші өңдеудін əдістері 

Түйіндеме. Мақалада статистикалық ақпараттын бірінші өңдеуден өткен кейін  екінші өңдеудін əдістері 

туралы  берілген.  Осы  кезеңде    дəлдік  нəтиже  алу  мақсат  үшін      имитациялық  модельден  ақпаратты  сапалы 

сұрыптауға жəне талдауға мүмкіндік пайда болады. 


121 

Түйін сөздер: статистикалық таңдау,  статистиканың екінші өңдеуі, имитациялық модельдеу, симуляция 

моделі, əртүрлі таңдаудің критериялары, нөлдік гипотеза, альтернативті талдау. 

 

Gnatshenko А.А., Nurseitov D.B. 



The secondary level methods of statistical information analysis in simulation models 

Summary.The article provides information on methods for handling static information even after it has passed the 

primary static treatment. At this stage, it is possible to make sorting on that information and analyze incoming 

information from the simulation model in order to obtain results that are more reliable.  

Key words: statistical selection, secondary processing of statistics, simulation, simulation model, criteria 

differences of samples, the null hypothesis, alternative analysis. 

 

 

УДК 004.942 



 

Гнатченко И.А.,

 Нурсеитов Д.Б. 

Казахский национальный технический университет имени К.И. Сатпаева 

г.Алматы, Республика Казахстан 

igor.gnatchenko@mail.ru 

 

СТАТИСТИЧЕСКАЯ ОБРАБОТКА РЕЗУЛЬТАТОВ ИМИТАЦИОННОГО 



МОДЕЛИРОВАНИЯ 

 

 

Аннотация.  В  статье  описывает  важность  и  основные  процедуры  сборки  и  последующей  обработки 

результатов  имитационного  моделирования  как  одного  комплексного  процесса.  Процесс  разделен  на  две 

логических  составляющих,  каждая  из  которых  играет  важную  роль  в  обеспечении  актуальности  результатов 

статистического  анализа.  В  статье  дается  описание  основных методам  центральной  тенденции  для  обработки 

статистически  сырого  материала.  Также  статья  акцентируется  на  методах  обработки  данных  статистических 

выборок как исходного материала. В статье уделяется внимание описание основных математических подходов, 

заимствованных из теории вероятностей при работе со статистическими данными, носящими часто случайный 

характер. 



Ключевые  слова:  статистическая  обработка,  имитационное  моделирование,  дисперсия,  квадрат 

отклонения, центральная тенденция, выборка, мода, медиана. 

 

Статистическая  обработка  результатов  является  неотъемлемой  частью  и  логическим 



продолжением  этапа  сбора  сырой  информации.  Именно  на  этом  этапе  информация,  которая  носит 

общий характер, приобретает очертания конкретных взаимозависимостей и может быть использована 

в  качестве  образца  или  объекта  реального  исследования.  Существует  множество  характеристик, 

присущих  статистической  обработке  данных.  Основополагающей  чертой  или  критерием  оценки 

любой  обработанной  информации  является  ее  точность.  Именно  точно  информации  отражает 

реальное  поведение  объекта  изучения  и  может  быть  использована  для  выявления  скрытых 

закономерностей, а также для прогнозирования поведения объекта наблюдения в аналогичной среде. 

Статистическая обработка используется не только как инструмент суммирования информации и 

выведения  средних  величин,  но  и  как  эффективное  средство  сравнения  достоверности  результатов 

исследования.  Особо  важную  роль  статистическая  обработка  информации  занимает  в  технических 

имитационных  расчетах.  К  числу  приложений,  в  которых  может  быть  использовано  данное 

направление,  относится  применение  теории  массового  обслуживания,  компьютерное  зрение, 

оптимизация работы имитационных алгоритмов, ранжирование потоков параллельного исполнения, 

обработка неструктурированной информации в облаке.[1] 



Классификация методов статистического анализа 

Методы  статистического  анализа  принято  делить  на  две  основополагающие  категории.  Первая 

категория  является  первичной,  а  вторая – методы  вторичного  анализа.  Первичными  показателями 

являются  результаты  работы  методов,  которые  своей  целью  имеют  выявление  основополагающих 

критических  показателей,  соответствующих  конкретной  изучаемой  предметной  области.  К  числу 

таких показателей можно отнести методы получения среднего арифметического значения по выборке 

из  исходного  множества,  методы  получения  математической  дисперсии,  методы  получения  моды  и 

медианы.[1] 

Вторичные методы выполняются как один из методов последующей обработки статистической 

информации, полученной на первичном этапе. К числу характеристик, которые могут быть получены 

вторичными  методами,  относятся  методы  получения  скрытых  статистических  закономерностей. 


122 

Например,  методы  обработки  данных  исследования  с  целью  получения  констант  корреляционного 

анализа  позволяют  получить  наилучший  результат  именно  на  вторичном  этапе  обработки 

информации. 

Регрессионный анализ имеет своим основанием методы, которые применяются на втором этапе 

обработки  статистической  информации.  Также  существуют  методы  сравнения  по  результатам 

которых  можно  определить  степень  родства  или  различия  выборок,  полученных  из  типовых 

источником изъятия информации. 

Факторный  анализ  является  одним  из  наиболее  предпочитаемых  учеными  методов  изучения 

скрытых  закономерностей,  в  основу  которого  положены  вторичные  методы  статистической 

обработки информации об эксперименте.[2] 

Методы  и  процедуры,  применяемые  при  анализе  первичных  результатов  имитационного 

моделирования 

Среди  всего  множества  методов,  применяемых  при  обработке  информации  первичной  ступени 

анализа,  можно  выделить  две  наиболее  предпочтительных  меры,  каждая  из  которых  имеет  свои 

особенности  и  области  применения – меры  центральной  тенденции  и  меры  разброса  данных 

исследования статистических величин. Рассматривая методы статистической обработки информации 

в  области  имитационного  и  математического  моделирования,  стоит  выделить  группы  методов, 

которые описывают среднюю или центральную величину, соответствующую определенной выборке. 

Меры центральной тенденции 

К  числу  объектов,  составляющих  выборку,  могут  относиться  многие  величины.  Например, 

средний размер детали, изготовленной в машинном цехе, средний арифметический вес данной детали 

и  так  далее.  Одной  из  наиболее  известных  мер  обработки  статистической  информации, 

характеризующей  величину,  относящуюся  ко  всем  элементам  выборки,  является  среднее 

арифметической значение.[2] 

Среднее  арифметическое  значение  применяется  для  определения  наиболее  типичного  или 

общего  результата  относительно  группы  несвязанных  появлений  признака  в  конечной  или 

результирующей  по  длине  выборки  эксперимента.  Визуальное  представление  способов  вычисления 

среднего арифметического проиллюстрировано на следующем рисунке. 

 

 

Рисунок 1. Среднеарифметическое значение величины 



 

Оно  представляет  собой  среднюю  оценку  определенного  критерия,  выбранного  в  качестве 

основного. Если сравнить средние арифметические значения нескольких выборок, то можно судить и 

степени,  скорости,  а  также  направлении  изменения  данного  качества  в  пределах  всего  множества 

изучаемых  объектов  предметной  области  проводимого  эксперимента.  Среднее  арифметическое 

значение может быть успешно найдено по следующей формуле. 

 


123 

где М – среднеарифметическое значение 

 

n = количество испытуемых 



 

Среднее арифметическое значение характеризует лишь косвенно признак, относящийся ко всей 

выборке  в  целом.  При  этом  часто  возникает  необходимость  определить  не  среднее  значение 

исследуемого  признака,  а  значение,  которое  данный  признак  приобретает  наибольшее  количество 

раз. При этом величина, получаемая в результате данного преобразования, носит название мода. 

При  работе  с  данной  характеристикой  стоит  иметь  ввиду,  что  использование  интервального 

частотного  распределения  может  быть  положено  в  основу  определения  моды  ряда.  При  этом  мода 

будет  определяться  как  величина,  лежащая  в  непосредственной  середине  этого  интервала,  при 

условии, что частота признака будет максимальна.[3] 

Стоит  иметь  также  ввиду,  что  мода  не  характеризует  частоту  появления  заранее  заданного 

признака  в  исследуемой  экспериментальной  последовательности  предметной  области,  а  наоборот, 

представляет  собой  значение  этого  признака.  Существуют  ситуации,  в  которых  величину  моды 

определить весьма затруднительно ввиду того факта, что два признака имеют аналогичную частоту 

появления  в  исследуемой  последовательности.  При  этом  частоты  их  появления  являются 

наибольшими.  В  этом  случае  мода  может  быть  определена  как  среднее  арифметическое  значение 

двух  признаков,  частоты  которых  имеют  наивысшее  значение.  Мода,  а  также  ее  визуальное 

представление проиллюстрированы на следующем рисунке. 

 

 



 

Рисунок 2. Мода последовательности появления события 

 

В качестве третьей меры центральной тенденции можно привести величину, которая получила 



название  медианы.  Рассматривая  медиану  как  основной  источник  получения  информации  о 

монотонно возрастающей последовательности, ее можно охарактеризовать как серединное значение 

последовательности характеристических величин, расположенных в монотонном порядке (в порядке 

возрастания  или  же  убывания).  Медиана  последовательности  распределения  события 

проиллюстрирована на следующем рисунке. 

 


124 

 

 



Рисунок 3. Медиана последовательности появления события 

 

При  этом  с  одной  стороны  от  значения  медианы  будет  располагаться  ровно  столько  данных 



экспериментальной  выборки  предметной  области,  сколько  и  с  другой.  В  случае,  если  количество 

элементов  выборки  является  четным,  то  вычисляется  значение  половинной  суммы  значений, 

лежащих  в  середине  монотонно  возрастающего  интервала  показателей,  представляющих  признак 

объекта изучаемой предметной области.[3] 

При  использовании  введенных  ранее  методов  стоит  понимать  области  применения  данных 

характеристик,  а  также  методы  обработки  данных,  используемых  при  получении  данных 

характеристик.  Например,  медиану  и  моду  статистической  выборки  предметной  области  можно 

использовать  для  определения  величины  схожести  частного  рассматриваемого  распределения  с 

симметричным или с нормальным распределением. 

Среднее значение, медиана, а также мода, вычисленные для нормального распределения, имеют 

аналогичные и очень близкие к друг другу значения. Данное свойство рассмотренных характеристик 

часто  применяется  для  определения  качественной  разницы  алгоритма  моделирования  случайных 

величин. 

Методы разброса данных статистической выборки 

При  обработке  результатов  статистического  распределения  часто  бывает  не  достаточно 

центральных  моментов,  рассмотренных  выше.  Очень  часто  бывает  необходимо  получить  не  только 

среднее значение по выборке или среднюю величину монотонно возрастающего ряда, но и величину 

отклонения каждого элемента этого ряда от средней величины. 

Простейшей характеристикой, применяемой для определения разности между индивидуальным 

значением  величины  и  центральной  средней  величиной,  является  мера  разброса.  Она  позволяет 

сравнивать  две  разные  последовательности  изучаемых  событий.  Применяя  данную  характеристику 

при статистическом анализе стоит учитывать, что данных показатель крайне неустойчив и не может 

быть  использован  в  качестве  основополагающего  критерия  сравнения  последовательностей.  Это 

является  следствием  того,  что  даже  единичное  появление  значения  изучаемого  события,  которое 

имеет очень высокое или очень низкое значение, влияют на значения искомой величины в большой 

степени. Для того, чтобы вычислить меру разброса, необходимо найти разность между наибольшей и 

наименьшей значениями рассматриваемой последовательности изучаемых событий.[4] 

В  науке  и  практике  применяют  более  точный  показатель,  характеризующий  разброс  значений 

относительно  определенной  центральной  точки.  Данный  метод  основан  на  учете  разности  между 

значением величины каждого результата исследования и средним арифметическим значением среди 

элементов целой выборки. 

Одной из подходящих характеристик ряда является дисперсия или средний квадрат отклонения. 

Величина дисперсии характеризует силу разброса значения искомого признака от средней величины 

в  рассматриваемой  последовательности  событий.  Чем  больше  значение  данной  величины,  тем 

больше  разброс  данных  в  пределах  выборки.  Чтобы  определить  значение  среднего  квадрата 

отклонения, необходимо произвести следующие вычисления.[4] 


125 

 

 



Часто  в  качестве  основного  показателя  отклонения  величины  от  центрального  момента 

выбирают  иную  величину,  называемую  стандартным  отклонением.  Данная  величина  является 

производной  от  среднего  квадрата  отклонения.  Вычисляется  она  по  средствам  извлечения 

квадратного  корня  из  дисперсии.  Данная  характеристика  обладает  одним  преимуществом  в 

сравнении  с  дисперсией – значение  стандартного  отклонения  измеряется  в  тех  же  единицах,  что  и 

среднее  арифметическое  значение.  Визуальная  демонстрация  применения  правила  трех  сигм 

проиллюстрирована на следующем рисунке. 

 

Рисунок 4. Визуальная демонстрация применения правила трех сигм 



 

При  работе  со  стандартным  отклонением  были  замечены  определенные  свойства  при  работе  с 

нормальной кривой распределения. Это свойство носит название правило трех сигм. Оно описывает 

процентную  частоту  появления  события  в  интервале  одной,  двух  и  трех  сигм  нормального 

распределения.  Стоит  отметить,  что 99.72% величин  входят  в  диапазон  от -3 до 3 сигм,  а 68.26% 

случаев  от -1 сигмы  до 1. Данная  характеристика  является  одной  из  характеристик  нормального 

распределения. 

 

ЛИТЕРАТУРА 



1.  Федоткин И.М. "Математическое моделирование технологических процессов" 2011г. 

2.  Шеннон Р. "Имитационное моделирование систем - искусство и наука" 1978г. 

3.  Акопов А.С. "Имитационное моделирование. Учебник и практикум" 2014г. 

4.  Мищенкова О.В. "Математическое моделирование в технике" 2012г. 

 

REFERENCES: 



1. Fedotkin I. M. " Matematisheskoe modelirovanie  technologisheskih prossesov" 2011g. 

2. Shennon P." Imitacionnoe modelirovanie  system -isskustvo i nauka" 1978g 

3. Akopov A.S. " Imitacionnoe modelirovanie:  Ushebnik i practicum" 2004g. 

4. Mishenkova O.V. " Matematisheskoe modelirovanie v technike" 2012g. 

 

Гнатченко И.А., Нурсеитов Д.Б. 



Имитациялық  моделдеудін нəтижелерін статистикалық өңдеу  

Түйіндеме.  Мақалада имитациялық  моделдеудін нəтижелерін   маңызды жəне  негізі жинақтау процедура 

мен  тізбекті өңдеуі бір кешенді процес ретінде келтірілген. Процес екі логикалық құрамына бөлінген, əр бөлігі 

статистикалық талдаудін нəтижесіне маңызды негізі болып келеді. 

Түйін  сөздер:  статистикалық  өңдеу,  имитациялық  моделдеу,  дисперсия,  ауытқы  квадраты,  орталық 

тендеция, таңдау,  мода, медиана. 

 

 


126 

Gnatshenko I.А., Nurseitov D.B. 



Statistical analysis of simulation 

Summary.  The article describes the importance and the main assembly procedures and post-processing of 

simulation as one integrated process. The process is divided into two logical components, each of which plays an 

important role in ensuring the relevance of the results of the statistical analysis.  

Key words: statistical processing, simulation, variance, square deviation, central tendency, sampling, mode, median. 

 

 



УДК 658.562  

 

Даулетұлы М..бакалавр, Наурызбаева А.І., Тулегенова Б.А.

 

Казахский национальный технический университет имени К.И. Сатпаева 

г. Алматы, Республика Казахстан, 

n_arshin@list.ru 

 

ЛОГИСТИКАЛЫҚ ЖҮЙЕНІҢ  ФУНКЦИОНАЛДЫҚ САЛАЛАРЫНЫҢ СИПАТТАМАЛАРЫ 

 

Аңдатпа. Соңғы жылдары бірқатар елдерде тауар айналымы аумағында өзгерістер орын алды. Шаруашылық 

практикасында тауарды жеткізу мəселесі бойынша жаңа технологиялар мен оптималдау əдістері қолданыла бастады. 

Олардың  барлығы  логистикалық  жүйе  концепциясында  жинақталды.  Ең  алдымен,  логистикалық  жүйе 

тұтынушыларға қызмет етеді жəне олардың сұранысын барынша қанағаттандыруға тырысады.   

Түйін  сөздер:  Логистикалық  жүйе,  материалдық  ағын,  ақпараттық  ағын,  өндірістік  кəсіпорын,  өнірістік 

логистика. 

 

Тұтынушыларға нəтижелі қызмет көрсету, көптеген транспорттық - логистикалық фирмаларды жəне 



аудандардағы  делдалдардың  жұмысын  басқару  жəне  координациялау  жергілікті  транспорттық - 

логистикалық  жүйесіз  мүмкін  емес.  Осы  жүйелердің  түзетуші  жəне  біріктіруші  потенциалды  белгілі 

аудандардың  əлеуметтік-экономикалық  дамуына,  транспорттық - логистикалық  қызмет  көрсетудің 

жоғары  сапасының  арқасында  тұтынушыларға  қызмет  көрсету  нəтижелілігін  ұлғайту,  олардың  əлемдік 

стандарттарға  жақындауы,  жергілікті  материалдық  жəне  оларды  ақпараттық  жəне  қаржылық  ағыммен 

қамтамасыздандыратын  заманауи  логистикалық  басқару  технологияларын  енгізу. Мультимодалді 

транспорттық  дəліздердің  логистикалық  қолдау  жүйесінің  жетілдірілуі  маңызды.  Біріккен  сауда 

транспорттық  құрылымдардың  пайда  болуына  негізделе  əр  түрлі  деңгейдегі  логистикалық  орталарда 

олардың функцияларының координациясы негізінде осындай жүйе транспорттық дəліздердің жасалуын 

жүзеге  асыруға  бөлінетін  бюджеттік  құралдарды  жəне  инвестицияларды  тиімді  пайдалануға  көмегін 

тигізеді,  терминалды  жəне  қоймалық  жүйенің  рационалды  дамуын  жүзеге  асыру,  бейрационалды 

тасымалды  қысқарту,  экологиялық  жағдайды  жақсарту  жəне  соңғы  тұтынушыларға  транспорттық - 

логистикалық сервистің сапасын жақсартуды қамтамасыз етеді. [1] 

Логистикалық  жүйенің  объектісі  ішкі  материалдық  ағын  болып  табылатыны  белгілі,  дегенмен  

кейбір учаскілерде басқарудың белгілі бір ерекшелігі бар. Осы ерекшелікке сəйкес логистикалық жүйенің 

бес функционалды саласын бөліп қарастырады: сатып алу, өндірістік, бөлу, тасымалдау жəне ақпараттық. 

Кəсіпорынды  шикізатпен  жəне  материалдармен  қамтамасыз  ету  үрдісінде    сатып  алу 

логистикасының  мəселелері  шешіледі.  Бұл  сатыда  жабдықтаушылар  зерттеліп,  таңдалады,  келісім-

шарттарға қол  қойылады жəне  оның  орындалуы  бақыланады,  жеткізу  шарттары  бұзылған  жағдайларда 

шаралар  қолданылады.  Кез  келген  өндірістік  кəсіпорынның  осы  қызметтің  іс-əрекеті  оқшауланбаған, 

керісінше  ішкі  материалды  ағынды  басқару  стратегиясына  тəуелді  болғанын  талап  етеді.  Материалдық 

ағындарды  жабдықтаушының  дайын  өнім  қоймасына  тұтынушы - кəсіпорын  цехтарынан  жеткізу 

үрдісінде  шешілетін  мəселелердің  белгілі  бір  ерекшелігі  болады,  яғни  бұл  логистиканың    оқшауланған 

бөлімінің- сатып алу логистикасының бөлінуінің себебі  болып табылады. Тəжірибе жүзінде  сатып алу 

логистикасының  негізгі мазмұнын құрайтын  іс-əрекеттің шеңбері жабдықтаушы мен кəсіпорын ішіндегі 

жабдықтау қызметінің  функциялар құрамы арасындағы келісім - шартпен анықталады [2]. 

Кəсіпорын ішінде материалдық ағындарды басқару үрдісінде негізінен өндірістік логистиканың 

мəселесі шешіледі. Бұл сатының ерекшелігі мынада: ағынды жүргізу бойынша  жұмыстардың негізгі 

көлемі    бір  кəсіпорын  аумағының  шеңберінде    орындалады.  Логистикалық  үрдістің  қатысушылары 

тауар – ақша  қатынастарына  түспейді.  Ағын  бекітілген  шарттар  нəтижесінде  емес,  кəсіпорынды 

басқару жүйесі қабылдайтын шешімдер нəтижесінде жүреді.  

Өндірістік логистиканың саласы материалды сатып алу  жəне өнімді бақылау саласымен тығыз 

байланысты.  Бірақ  осы  саладағы  негізгі    мəселелер-өндіріс  үрдісіндегі  материалдық  ағындарды 


127 

басқару. Дайын өнімді өткізу үрдісінде материалдық ағындарды басқару кезінде бөлу  логистиканың 

мəселелері    шешіледі.  Бұл  мəселелерді  шешумен    өндірістік    кəсіпорындар,  сондай – ақсауда 

делдалдық    қызметті  атқаратын    кəсіпорындар    да  айналысады.  Бұл  мəселелерді  шешуге    билік 

құрылымдарының    да  қатысы  бар,  себебі  аймақ  экономикасының  жағдайы  бөлуді  ұйымдастыруға  

тəуелді.  Мысалы,  аймақтағы  азық-түлік  тауарларын  бөлу  жүйесі  қажетті  деңгейде  

ұйымдастырылмаған жағдайда жергілікті биліктің жағдайы тұрақсыз болады.  

1-суретте материалдық ағын бөлу логистикасының саласында өндірістік цехтарда жүріп түсетіні 

көрсетілген.  Бұл  дегеніміз  ыдыс  жəне  орау  мəселелері,  дайын  болуға  қажетті  топтың  мерзімі  жəне 

мөлшері  жөніндегі  мəселелер,  сондай-ақ  өткізу  үрдісіне  маңызды  басқа  да  көптеген  мəселелер 

материалды ағынды басқарудың ерте сатыларында шешіле бастайды. 

 

 



 

 

 



 

 

 



 

 

1- сурет. Сатып алу, өндірістік жəне бөлу логистикасының мəселелері шешілетін  



материалдық ағындар учаскелері 

 

Тасымалдау  аймақтарында  материалдық  ағындарды  басқаруда  тасымалдау  логистикасының 



айрықша  мəселелері  шешіледі.  Материалдық  ағынның  шикізат  көзінен  соңғы  жұмыстарының 

жиынтық көлемін екі үлкен топқа бөлуге болады (шамамен тең): 

-   арнайы тасымалдау ұйымдарына жататын көлік орындайтын жұмыс; 

- барлық қалған (тасымалдайтын) кəсіпорындардың жекеше көлігімен орындалатын жұмыс. 

Логистикалық жүйенің басқа да функционалдық салалары сияқты тасымалдау логистикасының 

нақты  бір  белгілі  шегі  болмайды.  Тасымалдау  логистикасының  əдістерін  түрлі  тасымалдауларды 

ұйымдастыруға қолданады.  

Өндірістік  логистикалық  жүйелер  шеңберіндегі  материалдық  ағындарды  басқару  əр  түрлі 

əдістермен  жүргізілуі  мүмкін,  соның  ішінде  негізгі  екеуін  атап  көрсетуге  болады:  бір-бірінен 

ерекшеленетін «итеруші» жəне «таратушы» жүйелер.  

Бірінші нұсқа «итеруші жүйе» атына ие жəне өндіріс ұйымдастыру жүйесін білдіреді, өндірістік 

учаскеге  келіп  түсетін  ондағы  еңбек  заттарына  алдындағы  технологиялық  үзбелерден  тікелей 

тапсырыс алынбайды. 

Материалдық  ағын  алушыға  өндірісті  басқарудың  орталық  жүйесінен  тапсыратын  үзбеге  келіп 

түсетін бұйрық бойынша «итеріледі». 

Ағындарды  басқарудың  итеруші  үлгілері  өндірісті  ұйымдастырудың  дəстүрлі  əдістеріне  тəн. 

Өндірісті  логистикалық  ұйымдастыруда  оларды  қолдану  мүмкіндігі  есептеу  техникасының  жаппай 

таралуымен байланысты пайда болады.  

 

 

 



 

 

 



 

 

 



Шартты белгілер: 

 

               Материалдық ағын                                          



 

              Ақпараттық ағын 

 

2-сурет. Өндірістік логистикалық жүйе шеңберіндегі материалдық ағындарды  



басқарудың итеруші жүйесінің сызбасы 

   


 

            Жабдықтау                    Өндірістік цехтар               Өткізу 

 

Басқару жүйесі 



№2 цех 

№1 цех 


Жинау цехы 

Шикізат қоймасы 



128 

Алғашқы  жұмыстарды 60-шы  жылдарға  жататын  бұл  жүйелер  кəсіпорынның  жабдықтау, 

өндірістік жəне  жабдықтаушы бөлімшелерінің жоспарлары мен əрекеттерінің нақты уақыт ағындағы 

тұрақты өзгерістердің есебінен үйлестіруді тез түзетуді мүмкін етті.  

Өндірістегі  логистикалық  үрдістерді  ұйымдастырудың  екінші  нұсқасы  материалдық  ағынды 

басқарудың  өзгеше  əдісіне  негізделген.  Ол  «тартушы  жүйе»  деп  аталады  жəне  бөлшектер  мен 

жартылай фабрикаттар алдыңғыдан келесі технологиялық операцияны қажетінше берілетін өндірісті 

ұйымдастыру жүйесі болып табылады (2-сурет). 

Бұл жерде  басқарудың орталық жүйесі кəсіпорынның түрлі учаскілері арасындағы материалдық 

ағынның алмасуына араласпайды жəне оларға ағынды өндірістік тапсырмаларды белгілемейді. Жеке 

технологиялық  үзбенің  өндірістік  бағдарламасы  келесі  үзбенің  тапсырыс  мөлшерімен  анықталады. 

Басқарудың  орталық  жүйесі  өндірістік  технологиялық  тізбектің  тек  соңғы  үзбесін  алдына  мақсат 

қояды [1].  

 

ƏДЕБИЕТТЕР 



1. Түлембаева А.Н. Логистика. Триумф. Алматы, 2008 

2. Полещук И. Логистика. Учебное пособие, Минск, БГЭУ, 2007 

3. Лубенцова В.С. Математические модели и методы в логистике.-С.:ИЛ 

4. Смехов А.А. Введение в логистику.-М.: ИД 

 

REFERENCES 



1.  A.N Tүlembaeva Logistics. Triumph. Almaty, 2008 

2.  Polishchuk I. Logistics. Textbook, Minsk, Belarusian State Economic University, 2007 

3. Lubentsova V.S Mathematical Models and Methods in logistike.-C.: IL 

4. Smekhov A.A. Vvedeniye v logistiku.-M.: ID 

 

Даулетұлы М., Наурызбаева А.І., Тулегенова Б.А.



 



Достарыңызбен бөлісу:
1   ...   13   14   15   16   17   18   19   20   ...   130




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет