TUGAS RESUME

EKONOMI SUMBER DAYA ALAM DAN LINGKUNGAN

Dosen Pengampu Prof. Dra. Hj. Indah Susilowati, MSc., Ph.D. dan
Jaka Aminata, SE., MA., Ph.D.

Oleh:

1. Mega Dwi Cahyani

12020114120004

2. Tio Kurniawan

12020114120007

3. Kalies Sirieh Puspitowati

12020114120011

4. Agustya Hafidza Savitri

12020114120014

5. Erliyan Lutfi Pambudi

12020114120017

KELAS A
ILMU EKONOMI DAN STUDI PEMBANGUNAN
FAKULTAS EKONOMIKA DAN BISNIS
UNIVERSITAS DIPONEGORO
SEMARANG
2016

KATA PENGANTAR

Kelimpahan inspirasi dari Allah SWT sungguh menjadi sumber pengetahuan penulis
dalam menyelesaikan makalah ini. Oleh karena itu, penulis mengucapkan syukur kepada
Allah SWT, karena-Nya penulis dapat menyelesaikan makalah yang berjudul Tugas
Resume Ekonomi Sumber Daya Alam dan Lingkungan dengan baik tanpa suatu
halangan yang berarti. Makalah ini disusun sebagai salah satu syarat memenuhi tugas
Ekonomi Sumber Daya Alam dan Lingkungan.
Terselesainya penulisan makalah ini adalah berkat dukungan dari semua pihak, untuk
itu penulis menyampaikan terima kasih kepada:
1. Bapak Jaka Aminata, SE., MA., Ph.D. sebagai dosen pengampu mata kuliah Ekonomi
Sumber Daya Alam dan Lingkungan.
2. Segenap pihak yang telah membantu dalam proses penyelesaian penulisan makalah ini.
Penulis menyadari bahwa makalah ini masih banyak memiliki kekurangan. Oleh karena
itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan
tulisan. Semoga tulisan ini bermanfaat bagi kita semua, baik sebagai sumber informasi
maupun sebagai sumber inspirasi.

Semarang, 18 Oktober 2016

Penulis

Energy, Natural Resources

and Environmental
Economics

PART I
Minyak Bumi dan Gas Alam

Sub Bab
Bab 7 7
Sub
Model Keseimbangan dan Pembelajaran Tim Manajerial

1. Pendahuluan
Tujuan dari sub bab ini adalah untuk menyelidiki bagaimanakah model ekuilibrium
dapat meningkatkan pembelajaran tim manajerial dalam lingkungan yang kompleks dan
selalu berubah. Fokus kemampuan organisasi-organisasi untuk belajar mengalami
peningkatan dalam dekade terakhir. Alasan peningkatkan fokus pada pembelajaran yaitu
karena pengembangan teknologi yang cepat dan perubahan politik telah menyebabkan
liberalisasi dan globalisasi pasar yang menimbulkan adanya persaingan intensif. Pada saat ini,
organisasi biasanya dipimpin oleh tim manajer. Ini berarti bahwa pembelajaran di tim
manajerial merupakan hal yang penting.

2. Pembelajaran Tim Manajerial

Akhir-akhir ini, pembelajaran tim manajerial semakin menarik minat baik antar peneliti
dan praktisi. Namun, tidak hanya istilah (konsep) yang ambigu, tetapi juga fenomena itu
sendiri, termasuk pertanyaan yang berasal dari pembelajar seperti siapa, apa, dimana dan
bagaimana pembelajaran tersebut berlangsung (Easterby-Smith et al. 1998). Tujuan kita
adalah untuk menjawab pertanyaan penelitian apakah mungkin dan bagaimana model
ekuilibrium dapat meningkatkan pembelajaran tim manajerial dalam tugas-tugas kompleks
yang penuh dengan ketidakpastian dan dengan topik yang hampir telah diabaikan dalam
penelitian sebelumnya. Dalam tulisan ini, kami telah menemukan hal-hal yang berguna
untuk membangun karakterisasi pembelajaran organisasi, yang juga tim belajar yaitu:
a. Pembelajaran terjadi ketika salah satu anggota memperoleh pengetahuan yang
berkaitan dengan organisasi,
b. Pembelajaran lebih terjadi ketika pengetahuan ditransfer ke anggota lain,
c. Pembelajaran lebih terjadi ketika interpretasi yang lebih bervariasi dikembangkan,
d. Ketika lebih banyak anggota yang memahami dan berkontribusi seperti interpretasi
yang bervariasi.

3. Visual Gas
Visual Gas adalah contoh dari model keseimbangan yang telah dikembangkan untuk
mendukung pengambilan keputusan strategis dan pembelajaran kognitif di sebuah perusahaan
minyak dan gas Norwegia. Sistem ini didasarkan pada model gas generik yang awalnya

dikembangkan oleh Mathiesen. Model menggambarkan penawaran dan permintaan fungsi

untuk pasar gas Eropa. Selain itu, menangani berbagai bentuk perilaku produsen (Price taker,
Nash-Cournot oligopoli, dan monopoli), pembatasan kapasitas pipa dan tarif, dan kuota
impor. Sistem ini terutama digunakan dalam proses pengambilan keputusan strategis di
perusahaan. Manajer yang berpengalaman dan analis bertanggung jawab atas generasi
skenario dan analisis. Pemula berpartisipasi dalam proses dan secara bertahap menjadi
berpengalaman. Ketika pengguna yang mengalami dipindahkan ke posisi lain dalam
organisasi atau meninggalkan perusahaan, bagian dari pengetahuan mereka masih
dipertahankan dalam kelompok analisis strategis melalui diskusi dengan rekan-rekan mereka
dan representasi dalam sistem. Visual Gas dengan demikian dapat dianggap sebagai bagian
dari organisasi memori (Walsh dan Ungson 1991).

4. Metode Penelitian
Metodologi Penelitian merancang sebuah studi eksperimental untuk situasi strategis di
kehidupan nyata yang melibatkan masalah khusus dan pertimbangannya. Pertama, waktu
manajer adalah sumber daya yang langka dan mahal, jadi biasanya ada kendala pada waktu
yang dialokasikan untuk berpartisipasi dalam studi eksperimental. Kedua, manajer mungkin
enggan untuk berpartisipasi dalam percobaan penelitian yang menggunakan strategi khusus
kehidupan nyata karena mereka tidak ingin mengungkapkan pertimbangan mereka untuk
peneliti yang ingin mempublikasikan temuan mereka. Selain itu, biasanya ada beberapa
pengguna dari sistem yang dibangun khusus seperti Visual Gas. Oleh karena itu, sulit untuk
merancang percobaan yang melibatkan perbandingan kejadian serupa.

5. Temuan dan Analisis.

5.1 Konsep yang Digunakan Pada Kedua Sesi
Tabel 1 menyajikan kategori konsep yang digunakan dalam diskusi selama dua sesi
eksperimental. Tujuan tabel ini adalah untuk mendapatkan gambaran tentang perbedaan
utama dalam konsep digunakan tanpa dan dengan Visual Gas.

Kolom pertama menunjukkan bagaimana kita harus dikategorikan konsep in super

ordinat dan konsep bawahan. Kolom kedua menunjukkan jumlah konsep yang digunakan
dalam diskusi selama Sesi.
Di sesi pertama ada diskusi umum yang khusus membahas tujuan Norwegia, seperti
pemanfaatan asoptimal sumber daya dibandingkan kepentingan pribadi dari para aktor. Pada
sesi kedua, fokus pada generasi laba di perusahaan dengan pertimbangan pendapatan dan
biaya. Perbedaan lain adalah bahwa dalam konsekuensi sesi pertama liberalisasi pasar gas
hanya terkait dengan sisi penawaran, sedangkan pada sesi kedua konsekuensi juga terkait
dengan permintaan. Namun, pembahasan masing-masing produsen lebih rinci di sesi pertama
termasuk konsep-konsep seperti surplus dan kelangkaan gas, variasi musiman. Pada sesi
kedua, fokus pada kapasitas produksi produsen dan volume. Perbedaan ketiga adalah
berkaitan dengan kategori pola perdagangan dan jaringan pipa yang tidak digunakan dalam
sesi pertama, kategori ini terkait erat dengan pertimbangan sisi permintaan dan untuk diskusi
generasi keuntungan di sesi kedua.

5.2 Deskripsi Sesi Pertama (tanpa Visual Gas)

Sesi pertama dimulai dengan pembahasan asumsi yang menjadi dasar pengembangan
konsekuensi dari liberalisasi pasar gas. Para anggota diasumsikan bahwa perusahaan akan

mempertahankan beberapa kekuatan pasar, dan bahwa pemerintah Norwegia masih akan
mengontrol eksploitasi ladang gas Norwegia. Kemudian, mereka membahas perilaku
produsen di Norwegia dan menyimpulkan bahwa perusahaan akan berperilaku sebagai
oligopoli, sedangkan produsen Norwegia lainnya mungkin akan berperilaku sebagai price
taker. Berdasarkan asumsi ini, mereka mendiskusikan konsekuensi bagi perusahaan dalam
kaitannya dengan Norwegia pesaing dan juga untuk produsen lain. Seperti disebutkan di
atas, diskusi ini sangat rinci, mengungkapkan bahwa dua analis pasar memiliki pemahaman
yang sangat mendalam tentang perilaku produsen seperti Inggris dan Belanda. Kemudian,
manajer memperkenalkan yang ide permintaan, dan ada diskusi singkat terkait dengan
prognosis pertumbuhan permintaan gas di Eropa, khususnya Inggris. Kesimpulan dari
pembahasan pertama adalah bahwa tim percaya kemungkinan besar harga akan
turun. Mereka percaya bahwa volume akan lebih tidak berubah karena pemerintah masih
akan mampu untuk mengontrol produksi. Mereka menyatakan keraguan mengenai
perkembangan keuntungan, percaya bahwa keuntungan yang paling mungkin akan turun, tapi
tidak mengharapkan perubahan yang dramatis. Aspek yang menarik adalah bahwa
kesimpulan di awal sesi dan hampir tidak berubah selama diskusi, tetapi hanya moderator.

5.3 Deskripsi Sesi Kedua (dengan Visual Gas)

Sesi dengan Visual Gas dimulai dengan pembahasan asumsi model dan ekspresi
keyakinan bahwa model parameter memberikan representasi yang sah dari pasar. Ketiga
peserta terlibat dalam parameterisasi model. Kemudian, mereka menghasilkan dasar kasus
baru, terutama mengubah perilaku produsen untuk Belanda dari price taker ke
oligopoli. Mereka merubah skenario dan setuju dengan hasil setelah diskusi mereka yang
dibandingkan dengan model hasil dengan persepsi mereka tentang Situasi pasar saat ini
Sebagai langkah berikutnya mereka telah menyimpulkan pada sesi pertama yaitu, perusahaan
berperilaku sebagai perusahaan oligopoli dan produsen Norwegia lainnya berperilaku sebagai
price taker. Kemudian, mereka merubah skenario dan agak terkejut dengan hasilnya. Laba
tersebut lebih rendah dari yang diharapkan, terutama karena biaya transportasi yang jauh
lebih tinggi dari yang diperkirakan. Mereka mengubah perilaku perusahaan untuk price taker.
Mereka juga menghapus pembatasan kapasitas pipa. Akhirnya, mereka beralih ke scenario
yang mereka anggap paling masuk akal, yaitu perusahaan berperilaku sebagai oligopoli tanpa
pembatasan sebelumnya dikenakan pada kapasitas pipa dan produsen Norwegia lainnya
berperilaku sebagai price taker. Arah perubahan hasil model adalah seperti yang diharapkan,
tetapi mereka masih memiliki masalah, khususnya peningkatan biaya transportasi.

Kesimpulan awal dari kedua sesi adalah untuk memeriksa model sebagai asumsimengenai biaya transportasi. Kemudian, mereka perlu membahas lebih dalam mengenai
scenario yang dibuat sebelum membuat pikiran mereka mengenai konsekuensi dari
liberalisasi pasar gas.

5.4.

Perbandingan Sesi

Dalam sesi kedua kecenderungan untuk menggunakan penyederhanaan heuristik,

seperti ketersediaan dan fokus penahan pada pasokan gas dan harga. Dalam sesi kedua lebih
fokus pada keuntungan sebagai hasil mempertimbangkan harga, pendapatan dan
biaya. Banyak perhatian diberikan untuk variabel seperti perdagangan. Pola dan biaya
transportasi yaitu variabel yang terkait dengan interaksi penawaran dan permintaan. Tanpa
alat komputerisasi untuk melakukan perhitungan yang diperlukan sulit untuk mengevaluasi
bagaimana perubahan asumsi pasar mempengaruhi keuntungan. Pada sesi pertama ada
kecenderungan untuk jangkar efek liberalisasi untuk situasi pasar saat ini. Tim tidak berharap
volume, harga dan laba berubah secara dramatis. Pada sesi kedua, bagaimanapun, Visual Gas
dihitung dan disajikan efek dari skenario yang sama dibandingkan dengan hasil dari kasus

dasar bahwa mereka baru saja dianggap sebagai representasi yang adil dari keyakinan mereka
sendiri. Perbedaan antara efek dihitung dan harapan tim yang dramatis, dan VisualGas
sehingga dicegah efek penahan. Hasil dari skenario kedua dan ketiga juga dikombinasikan
untuk membentuk hipotesis bahwa hanya sebagian didukung dalam skenario keempat. Uraian
di atas menunjukkan bahwa subjek tidak menggunakan argumen apapun dari sesi pertama
dalam evaluasi mereka dari konsekuensi dari acara pasar di sesi kedua. Oleh karena itu, tidak
ada "kekuatan luar" yang bisa mempengaruhi hasil.

6. Penutup
Temuan yang dilaporkan di atas menunjukkan bahwa model tersebut dapat mendukung
manajer/analis dalam mengembangkan lebih bervariasi interpretasi perubahan lingkungan,
yaitu meningkatkan penghasilan dengan cara:
a. Mengambil jumlah yang lebih besar dari aspek yang relevan menjadi pertimbangan,
b. Operasi dengan satu set lebih bervariasi dari asumsi dan mengevaluasi jumlah yang
lebih besar dari konsekuensi bagi perusahaan,
c. Mengevaluasi konsekuensi menggunakan kuantitatif (rasio tingkat) harapan bukan
ordinal, sehingga meningkatkan sensitivitas mereka untuk kritis. Acara pasar adalah
untuk pencapaian tujuan.

SubBab
Bab 88
Sub
Sebuah
SebuahTinjauan
Tinjauan Perencanaan
PerencanaanKilang
kilang dan Penjadwalan

1. Pendahuluan
Membangun kilang modern adalah investasi besar yang menempatkan pemiliknya
dalam posisi di mana biaya yang tetap tinggi harus tertutup untuk masa depan yang panjang.
Karena investasi merupakan biaya tetap, penggunaan sumber daya yang efisien penting untuk
Jangka pendek dan keuntungan jangka panjang. Selain itu, kilang menggabungkan peralatan
kompleks dan menghasilkan reaksi kimia yang rumit.Terlepas dari kompleksitas perbaikan
dan penentukan tantangan. Proses yang efisien dalam kilang itu sendiri, faktor lain
memainkan peran kunci dalam pencarian keuntungan dalam industri. Dari perspektif
manajemen kilang ada perbedaan antara perencanaan dan penjadwalan. Pada tahap
perencanaan, jangka waktu biasanya dalam beberapa minggu atau bulan. Karena pasar yang
terkait dengan operasi kilang yang tidak stabil, penggunaan informasi yang benar dan
diperbarui penting karena ini akan sangat mempengaruhi capabilityto mengidentifikasi
peluang pasar. Identifikasi peluang pasar sangat penting untuk meningkatkan profitabilitas.
Kemampuan mengidentifikasi peluang pasar akan tergantung pada kemampuan perusahaan
(diberikan saat Kondisi: harga, keputusan produksi, minyak mentah tersedia, dll) untuk
menentukan keputusan untuk membeli, memperbaiki, dan menjual produk-produknya. Untuk
membuat keputusan seperti itu, perusahaan harus mempertimbangkan sudah memesan dan
direncanakan produksi, bersama-sama dengan harga di masa depan. Karena kompleksitas
yang terlibat dalam operasi kilang berbeda di seluruh rantai pasokan, masalah penjadwalan
kilang sering dipisahkan menjadi tiga sub-masalah yang berbeda, lihat Fig.1below. SubMasalah pertama melibatkan pembongkaran minyak mentah dari kapal atau pipa, transfer ke
tangki penyimpanan dan jadwal pengisian untuk setiap campuran minyak mentah ke unit
destilasi. Sub-masalah kedua terdiri dari penjadwalan unit produksi, yang meliputi proses
fraksinasi dan reaksi. Sub-Masalah ketiga adalah terkait dengan pencampuran, penyimpanan,
dan mengangkat produk akhir. Secara historis, penyuling telah membangun organisasi
berdasarkan proses yang terkait dengan perencanaan dan penjadwalan. Untuk mendorong
efisiensi operasional, perusahaan penyulingan utama sekarang menempatkan peningkatan
fokus pada pengelolaan kegiatan rantai pasokan sebagai proses yang terintegrasi, erat
menghubungkan perencanaan kilang dan penjadwalan untuk meningkatkan komunikasi dan
jumlah operasi pabrik.

2. Seleksi Minyak Mentah dan Penjadwalan Minyak Mentah

Perencanaan dan penjadwalan operasi minyak mentah di kilang adalah tugas penting
yang dapat menyimpan jutaan kilang dolar per tahun (Kelly dan Mann 2003a, b). minyak
mentah bervariasi secara signifikan dalam komposisi, hasil produk, sifat, dan harga, dan
menyumbang perolehan mereka untuk sebagian besar dari biaya kilang '. Sebuah isu utama
bagi kilang, oleh karena itu, untuk mengidentifikasi dan proses campuran minyak mentah
optimal yang memaksimalkan margin keuntungan (Li et al. 2007). Biasanya, kilang minyak
menerima minyak mentah melalui pipa yang terhubung ke docking station, di mana kapal
tanker minyak membongkar. minyak mentah dibongkar disimpan di kilang di tangki minyak
mentah. Secara umum, dua jenis kapal pasokan minyak mentah ke kilang: kapal pengangkut
minyak yang sangat besar (VLCCs) yang mungkin membawa beberapa bidang minyak
mentah yang berbeda dan kapal kecil membawa minyak mentah . Jadwal pengiriman untuk
kapal tanker minyak mentah ditentukan oleh pengadaan dan logistik departemen dalam
hubungannya dengan pembelian minyak mentah.Transportasi pembawa minyak mentah yang
berbeda, urutan pembongkaran juga telah ditentukan karena pertimbangan logistik.
Penjadwalan minyak mentah didasarkan pada informasi terkini tentang kedatangan kapal
minyak mentah atau operator, komposisi mentah di tangki yang berbeda, dan pakan mentah
optimal untuk unit destilasi minyak mentah (CDUs) dari rencana produksi.

2.1 Pemilihan Minyak Mentah

Tujuan utama dari pemilihan mentah untuk menemukan campuran mentah yang layak
untuk memaksimalkan keuntungan dari produksi yang direncanakan dalam waktu yang sudah
dipertimbangkan, dengan mempertimbangkan penyimpanan saat minyak mentah di kilang
dan tanker minyak mentah dijadwalkan tiba di kilang.Untuk menemukan campuran minyak
mentah yang tepat scheduler harus memperhitungkan pengolahan dan pertimbangan
ekonomi. Setelah pemilihan minyak mentah, pengadaan minyak mentah dan logistik
departemen harus mengamankan minyak mentah dan jadwal mereka untuk pengiriman.
Informasi ini kemudian digunakan dalam simulasi pencampuran minyak mentah untuk
mencapai batu tulis mentah optimal. BothStommel dan Snell (2007) andIshizuka et al. (2007)
diskusi yang baik sekarang dan menjelaskan aturan umum untuk bagaimana perusahaan
terkemuka menangani seleksi dan penjadwalan minyak mentah. Dalam literatur, minyak
mentah pilihan hasbeen dianggap sebagai bagian dari produksi masalah perencanaan.
literatur, bagaimanapun, mengabaikan salah satu komponen penting. Kompleks hubungan
nonlinear blending dari campuran minyak mentah yang berbeda dihilangkan dalam berencana

masalah karena meningkatnya kompleksitas masalah. Dalam industri, ini Hubungan biasanya
diselesaikan dengan menggunakan in-house atau lebih alat simulasi komersial. Tinjauan
umum literatur yang berhubungan dengan perencanaan produksi disajikan dalam bagian
nanti.

2.2 Penjadwalan Minyak Mentah

Tujuan dari penjadwalan minyak mentah untuk meminimalkan operasional biaya
sementara memenuhi beban target

minyak mentah ke CDU. Untuk penjadwalan yang

mengasumsikan Jadwal kedatangan tetap untuk kapal, pengetahuan tentang kuantitas dan
kualitas minyak mentah di kapal dan campuran minyak mentah di tangki minyak mentah,
waktu minimum penyelesaian untuk air garam di tank, minimum dan tingkat maksimum
minyak mentah di tangki, minimum dan tingkat maksimum aliran di dalam pipa, dan target
(kualitas dan kuantitas) dari campuran minyak mentah untuk CDU. Hal ini juga umum untuk
menganggap bahwa tank tidak dapat menerima dan memberi makan mentah pada saat yang
sama. Untuk model penjadwalan minyak mentah kita membutuhkan sejumlah besar alokasi
biner variabel untuk mempertimbangkan keputusan penjadwalan diskrit, seperti memilih tank
untuk menerima campuran minyak mentah dan kendala nonlinier untuk menghitung
komposisi minyak mentah untuk penyimpanan dan pengisian tangki. Sejauh ini, model yang
diusulkan untuk penjadwalan minyak mentah belum dianggap sifat mentah nonlinear. Jika
kita asumsikan sifat mentah linear, hasil penjadwalan minyak mentah dalam campuran
nonlinear bilangan bulat kompleks (MINLP) model. Istilah nonlinier bilinear dan berasal dari
keseimbangan dan komposisi campuran minyak mentah kendala massa untuk penyimpanan
dan pengisian tangki dan pakan dari tangki tersebut. Sebuah istilah nonlinier f(x,y,z)
dikatakan

bi-linear

jika

misalnya,f(x,y,z)=x*y+y*z+z*y).

linear

terhadap

Masalah

masing-masing

penjadwalan

dapat

variabel

yang,

dimodelkan

baik

menggunakan pendekatan waktu kontinu atau pendekatan waktu diskrit.

Salah satu model pertama yang disajikan untuk penjadwalan minyak mentah adalah
diskrit mixed integer linear programming (MILP) disajikan oleh Lee et al. (1996). para
penulis mem pertimbangkan satu stasiun docking, satu set tangki penyimpanan, satu set
pengisian tangki dan Kumpulan CDUs Tujuannya adalah untuk menemukan jadwal yang
memenuhi mentah yang telah ditentukan batu tulis untuk CDU, sambil meminimalkan total
biaya operasi (bongkar biaya, biaya untuk demurrage, biaya persediaan tangki, dan biaya
untuk CDUs changeover). Tujuan untuk model penjadwalan adalah untuk memaksimalkan
margin mentah (nilai total pemotongan dari unit destilasi minyak mentah dikurangi biaya

pembelian, pengangkutan, dan pengolahan minyak mentah) dikurangi biaya operasi

(changeover, demurrage, penaltyfor berjalan di bawah keamanan mentah persediaan). Biaya
bongkar dan biaya persediaan tidak dianggap karena jumlah minyak mentah tetap untuk
cakrawala penjadwalan. Permintaan minyak mentah untuk setiap CDU, bagaimanapun,
menjadi puas.

3. Perencanaan Produksi dan Penjadwalan

Kilang dibangun dari unit pengolahan yang berbeda yang mengubah berbagai masukan
stream menjadi beberapa aliran output. Perubahan modus operasi dari hasil unit pengolahan
dalam periode dengan kapasitas berkurang dan gangguan pada hasil (kualitas dan kuantitas)
dari pengolahan. Mengurangi kapasitas dan gangguan yield juga terjadi untuk start up setelah
periode dengan pemeliharaan.Rencana produksi digunakan dalam horizon bergulir
pengaturan untuk mempertimbangkan informasi terkini mengenai kilang dan pasar.
Keputusan yang berkaitan dengan penjadwalan kegiatan kilang umumnya dilakukan atas
dasar c waktu yang lebih singkat, yaitu, hari atau minggu, untuk menentukan timing tertentu
dari operasi.

3.1 Perencanaan Produksi

Untuk mendukung produksi pengambilan keputusan perencanaan, kilang umumnya
menggunakan paket komersial berdasarkan model satu-periodik linear yang mengandalkan
hasil konstan (PIMS dari Aspen Tech dan RPMS dari Honeywell, Process Solutions). Hal ini
telah memotivasi peneliti untuk menguraikan model yang memberikan representasi yang
lebih akurat dari proses kilang atau kegiatan. Sebuah model MINLP umum dibahas untuk
masalah perencanaan produksi diesel, tapi ini hanya sebagian dijelaskan di koran. Rinci
blending dan pengolahan formulasi disajikan hanya untuk unit hidro-mengobati. Mereka
melaporkan bahwa rencana kilang yang diperoleh dari model MINLP meningkatkan kinerja
perusahaan secara signifikan dibandingkan dengan keputusan operasi saat ini yang
didasarkan satu pengalaman dan perhitungan manual.
Neiro dan Pinto (2005) merumuskan model MINLP yang memanjang perencanaan
Model dibahas inMoro et al. (1998) untuk memperhitungkan beberapa periode waktu dan
ketidakpastian dalam data pasar. Ketidakpastian dianggap dalam permintaan produk, harga
produk dan biaya minyak mentah. ketidakpastian yang dinyatakan dalam skenario, dan fungsi
tujuan mencakup nilai-nilai tertimbang masing-masing skenario berdasarkan probabilitas
untuk setiap skenario terjadi. Untuk setiap periode waktu, keputusan utama adalah untuk

memilih minyak mentah, bagaimana mengoperasikan unit pengolahan, dan berapa banyak
dari produk akhir untuk terus dalam persediaan. Zhang dan Hua (2007) mengajukan model
MILP untuk perencanaan model multi-periode yang mempertimbangkan integrasi sistem
pengolahan dan sistem utilitas untuk industri kilang. Tujuan di sini adalah untuk menentukan
bahan yang optimal dan aliran energi dalam rangka untuk memaksimalkan keuntungan secara
keseluruhan. Ketidakpastian hadir dalam bentuk yang berbeda dalam sub-sistem yang
berbeda di kilang.

3.2 Penjadwalan Produksi

Dalam literatur, model MILP umumnya diuraikan untuk penjadwalan produksi
masalah. Model fokus pada bagian dari kegiatan kilang dan menggabungkan tingkat yang
berbeda dari rincian mengenai pencampuran dan pengolahan di unit pengolahan. Model
umumnya diselesaikan dengan menggunakan pemecah komersial standar sebagai GAMS
(CPLEX, OSL, DICOPT, CONOPT) .Pinto et al. (2000) mengajukan model MILP diskrit
untuk produksi dan distribusi penjadwalan diesel. Model MILP yang diusulkan menganggap
hubungan blending linear. Sebuah penjadwalan satu hari mempertimbangkan interval waktu
satu jam ditujukan. Joly et al. (2002) menguraikan kedua model MINLP diskrit dan MILP
diskrit model untuk masalah penjadwalan yang menganggap keputusan terkait dengan
pencampuran, penyimpanan dan distribusi. Model ini mempertimbangkan bagaimana
menjalankan unit pengolahan secara optimal untuk meminimalkan produksi dan biaya
persediaan. Model ini juga dapat digunakan untuk mengevaluasi kelayakan dan biaya
produksi untuk diberikan produk dan rencana pengiriman minyak mentah. Penelitian ini
mengusulkan

waktu

kontinu formulasi

MILP

untuk

masalah penjadwalan

yang

memperhitungkan neraca di tank dan unit produksi; kapasitas, alokasi, dan urutan kendala
dan kendala permintaan.

4. Blending Produk dan Optimasi Resep

Masalah produk blending menyangkut cara terbaik untuk mencampur komponen yang
berbeda dan aditif dalam rangka memenuhi kualitas dan permintaan persyaratan produk
akhir. Beberapa produk akhir dapat diproduksi dari sejumlah kombinasi dari komponen,
tetapi beberapa sifat dari produk akhir idak menunjukkan hubungan linear, misalnya, titik
tuang diesel. Masalah produk blending biasanya dibagi menjadi masalah jangka panjang dan
masalah jangka pendek. Dalam kasus situasi jangka panjang, masalah dasarnya adalah untuk
menentukan resep optimal yang memaksimalkan keuntungan diberikan spesifikasi kualitas

dan persyaratan kuantitas. Dalam situasi jangka pendek, rinci operasional dan temporal
kendala ikut bermain dan isu dasar menjadi yang penjadwalan.Beberapa asumsi
penyederhanaan umum adalah (a) resep tetap adalah yang telah ditetapkan, (b) komponen dan
tingkat aliran produksi diketahui dan konstan, dan (c) semua sifat produk diasumsikan linear.
Keputusan blending jangka pendek dipengaruhi oleh dua fakta: (a) fleksibilitas dalam jangka
pendek dibatasi, sehingga kadang-kadang sulit untuk memberikan resep, yang dianggap
optimal dalam jangka panjang, biasanya diberikan oleh perencanaan Model dan (b) nilai
relatif komponen blending pada titik pencampuran di waktu mungkin berbeda dari nilai yang
ditentukan dalam optimasi jangka panjang. Dengan demikian, dalam jangka pendek, resep
lain mungkin lebih menguntungkan daripada jangka panjang optimal, dan penyimpangan dari
resep jangka panjang mungkin menunjukkan resep lainnya harus juga digunakan

5. Diskusi dan Penelitian Selanjutnya

Bab ini telah menganalisis masalah perencanaan dan penjadwalan di kilang. Korankoran mempertimbangkan perencanaan dan penjadwalan masalah terutama untuk sub-sistem
kilang dan untuk rantai pasokan kilang, dalam bentuk yang berbeda dan dengan berbagai
derajat detail. Sudah umum untuk menggunakan MILP komersial dan pemecah MINLP untuk
mengatasi model kilang yang diusulkan. Selain itu, algoritma khusus diusulkan untuk
memecahkan masalah ukuran industri tertentu di waktu yang wajar. Sayangnya, tidak ada
teknik solusi umum sejauh ini yang diuraikan guna memecahkan masalah dunia nyata dengan
cara yang memuaskan. Pekerjaan di masa depan harus fokus pada merumuskan NLP dengan
memperhitungkan semua aspek sub-sistem kilang dan mengembangkan teknik solusi yang
memungkinkan perusahaan untuk memecahkan ukuran model penjadwalan nonlinear dunia
nyata dalam waktu yang wajar. koordinasi yang lebih baik dari kegiat n kilang dapat
meningkatkan kemampuan kilang untuk mengevaluasi khusus peluang yang mungkin timbul.
penelitian masa depan harus mempertimbangkan bagaimana untuk mengkoordinasikan
keputusan

penjadwalan

dengan

keputusan

perencanaan

jangka

panjang.

Selain

mengembangkan teknik solusi dan model yang lebih maju, saat ini ada peningkatan fokus
pada dampak lingkungan dari kegiatan yang berhubungan dengan penyulingan minyak
mentah. Mengingat konsensus kontemporer tentang lingkungan, penelitian lebih lanjut
berfokus pada dampak lingkungan diperlukan.

Energy, Natural Resources

and Environmental
Economics

PART II
Electricity Markets and
Regulation

Sub Bab 1
Multivariate Modelling and Prediction of Hourly One-Day Ahead Prices at Nordpool

1. Pendahuluan
Pemodelan dan peramalan harga listrik sangat penting bagi produsen serta sebagai
konsumen. Kedua spot pasar dan pasar keuangan terhubung ke pasar listrik diregulasi perlu
perkiraan untuk perencanaan kapasitas dan manajemen risiko. Sementara banyak fitur dari
harga listrik yang sama dengan fitur harga saham, ada juga beberapa perbedaan penting untuk
membuat. Dua perbedaan tersebut adalah seasonalities jelas dan stasioneritas kemungkinan
harga listrik. Model yang mengandung fitur tersebut biasanya tidak disukai untuk analisis
harga saham karena mereka jelas bertentangan dengan gagasan efisiensi pasar. oleh karena
itu ada alasan untuk tidak mengadopsi model harga saham langsung ke harga listrik sejak
melakukannya akan berarti mengabaikan menyajikan informasi penting dalam Data riwayat.
Tulisan ini bertujuan untuk memberikan kontribusi untuk literatur tentang sifat-sifat
dinamis yang disebut harga spot di pasar listrik. Secara khusus, kami menunjukkan metode
bagaimana statistik seperti analisis multivariat varians (MANOVA) dan analisis fungsional
varians (FANOVA) dapat digunakan untuk menemukan properti tersebut.

2. Nordpool and Electricity Price Data

Data harga diteliti adalah sistem harga dari market1 Nordpool Elspot, sebuah tempat
perdagangan untuk listrik untuk negara-negara Skandinavia, Finlandia dan Jerman. Di pasar
ini, kontrak per jam untuk pengiriman fisik listrik untuk periode 24-jam berikutnya
diumumkan sekali sehari. Harga yang terbentuk oleh apa yang disebut titik perdagangan
ekuilibrium di mana pelaku pasar menempatkan tawaran mereka dan menawarkan, setelah
kurva penawaran dan permintaan pasar ditentukan. Intersection antara kurva ini adalah harga.
Tawaran dapat diposting untuk jam tertentu (tawaran per jam), untuk blok jam (tawaran
block) atau untuk memproduksi dalam jam dengan harga tertinggi (tawaran jam fleksibel).
Periode pengamatan data belajar di sini adalah 1997-2007.
Kemacetan diperlakukan dengan membagi pasar ke daerah penawaran sehingga pelaku
pasar harus membuat tawaran mereka di daerah di mana produksi atau konsumsi mereka
secara fisik terletak. Daerah penawaran yang Swedia (SE), Finlandia (FI), wilayah Jerman
(KT), Jutland (DK2) dan Selandia (DK1). Norwegia dibagi menjadi dua atau tiga daerah
tergantung pada kapasitas pada titik tertentu dalam waktu. Divisi ini ditentukan oleh

Norwegia Transisi Sistem Operator (TSO), Statnett. Seperti yang ditunjukkan oleh Huisman
et al. (2007), serangkaian harga jenis ini harus ditafsirkan sebagai observasi harian pada time
series 24-dimensi, atau panel. Jika harga terlihat sebagai observed time series per jam, salah
satu tidak akan memperhitungkan fakta bahwa harga benar-benar ditentukan sekali setiap
hari. Dari sudut pandang praktis, data karena diatur sesuai dengan Tabel 1.

2.1 Local or UTC Time

Masalah metodologis terjadi karena daylight - saving time berubah. Ini berarti bahwa
setiap musim semi akan ada kurangnya pengamatan pada satu titik waktu. Masalah ini telah
ditangani dengan hati-hati, karena seasonalities adalah kepentingan utama di sini, dan ini
terdistorsi oleh masalah yang tampaknya kecil ini. Dengan menggunakan UTC (GMT)
waktu, kita akan mendapatkan suatu kurun waktu yang tidak memiliki masalah ini. Namun,
sejak jam puncak harga listrik terkait dengan waktu setempat yang mengatur ketika listrik
lebih atau kurang digunakan, dalam banyak aplikasi, waktu setempat adalah waktu untuk
memilih. Dalam kasus tersebut, observasi musim semi hilang dan tambahan observasi musim
gugur harus selaras dengan benar dalam dataset. Solusi kami telah digunakan untuk observasi
semi hilang adalah untuk menghitung dengan nilai interpolasi dari dua orang sekitarnya.

2.2 Price or Log-Price?

Untuk data harian, diartikan sebagai perkiraan dekat dengan persentase pengembalian.
Istilah "return" tidak memiliki interpretasi alam yang sama untuk harga spot listrik karena ini
yang akan menyangkut komoditas, pada kenyataannya, akan disampaikan secara fisik.
Namun, salah satu bisa menduga bahwa variasi harga untuk tingkat tinggi lebih besar dari
variasi untuk tingkat rendah, menyebabkan masalah dalam berbagai jenis analisis statistik.
Dengan demikian, logaritma dari harga adalah titik awal yang baik dari sudut pandang
statistik.

3. Some Stylized Facts of Electricity Prices

Pada bagian ini, beberapa analisis univariat awal sarana harian logprices per jam akan
dibuat. Kami melakukan ini untuk melihat apa yang bergaya fakta kami juga dapat
mengharapkan dalam pengaturan multivariat, dalam rangka memberikan model yang
realistis. Dalam prakteknya, orang akan tetap pemodelan sederhana dan membatasi model
untuk aspek yang paling penting untuk konteks tertentu. Beberapa fakta bergaya yang dilihat
sudah dari angka ini. Musim tahunan jelas hadir dan ada lompatan tiba-tiba dari bawah harga
dan ke atas dengan frekuensi yang tidak teratur. Tidak jelas, ada kecenderungan sedikit logharga meningkat selama 11 tahun observasi

3.1 Seasonalities
Pada seasonalities, sudah ditemukan dalam plot time series pada Gambar. 1, bahkan
lebih terlihat di sini. Variasi tahunan dipandang sebagai gelombang periode panjang sekitar
365 di ACF log-harga. Musim mingguan dapat dilihat dalam ACF dari perubahan relatif.
Pemerosotan grafik ini dikombinasikan dengan fakta bahwa panjang siklus yang sama
dengan dua seasonalities alami di alam (tahun) dan kehidupan manusia (minggu), kita terikat
untuk percaya bahwa seasonalities bisa realistis dimodelkan sebagai deterministik.

3.2 Stationary or Non-Stationary Models

Pertanyaan apakah log-harga stasioner atau tidak dijawab sudah sejak musim
deterministik telah berpendapat untuk hadir di sini. Dengan demikian, mereka tidak dianggap
stasioner. Namun, satu masalah yang luar biasa mengenai stasioneritas, atau lebih tepatnya
kovarians stasioneritas, adalah sifat dari penyimpangan dari ini seasonalities deterministik.

Untuk tujuan ini, residual setelah koreksi untuk seasonalities dapat dihitung, dengan analisis
varians atau regresi dengan dummies, dan belajar.
Perlahan-lahan autocorrelations menghilang pada Gambar. 3b menunjukkan bahwa seri
sisa mungkin non-stasioner atau hampir jadi. Namun, tes unit root menolak hipotesis nonstasioneritas. Ternyata bahwa ARIMA.1 stasioner; 0; 1 / 0,1; 0; 07/01 proses sesuai seri
cukup baik, dengan koefisien autoregressive besarnya AR D 0: 914 dan musiman AR D 0:
863, masing-masing. Hal ini tidak jauh dari salah satu, yang sesuai dengan proses ARIMA.0
non-stasioner; 1; 1 / 0,0; 1; 1/7. Mungkin saja akan menarik minat menyimpulkan bahwa
serial ini berarti fitur mengembalikan. Namun, jika konteksnya adalah prediksi jangka
pendek, jangka panjang properti semacam ini adalah kepentingan kecil, dan ARIMA.0
sederhana; 1; 1 / 0,0; 1; 1/7 mungkin lebih disukai. Sebuah diskusi yang sama berlaku untuk
sisa dari setiap seri komponen, dengan beberapa indikasi bahwa ARIMA.1 stasioner; 0; 1 /
0,1; 0; 1/7 harus disukai untuk ini.

4. Multivariate Decomposition and Modelling

Kami selalu dapat model log-harga pada jam h hari t , yt .(h), sebagai jumlah dari dua
komponen
yt (h) = ft (h) + et (h)
Dimana ft (h) adalah komponen deterministik mewakili keteraturan diprediksi, seperti
tingkat yang diharapkan log-harga dan seasonalities, dan komponen stokastik et (h) mewakili
volatilitas dan spike, serta korelasi serial di tingkat dan volatilitas.

Kami dapat mewakili waktu tahun (i), minggu (j), weekday (k) dan jam (h), sehingga
kombinasi (i, j, k, h) unik menentukan unit observasi. Sebuah dekomposisi alami dari logharga adalah

dengan subskrip sekarang mewakili identifikasi waktu.

Mengingat struktur informasi menjelang satu hari, adalah alamiah mempertimbangkan
penawaran harga untuk hari tertentu sebagai vektor Yijk 24-dimensi dengan elemen Yijkh.
Kemudian memiliki:

Jika kita mempertimbangkan lebih kasar klasifikasi tahun (i), bulan (j), dan hari kerja
(k), kita harus menambahkan indeks (l) yang menunjukkan "repeat" dari bulan yang
diberikan (l = 4 atau 5).

Representasi ini dapat digunakan untuk mendekomposisi log-harga linear pada

komponen musiman deterministik tanpa kekhawatiran tentang istilah error. Ekspresi dapat
diambil sebagai titik tolak untuk analisis multivariat varians (MANOVA) modeling. Namun,
tidak perlu bahwa istilah kesalahan adalah independen, terdistribusi secara identik, dan pasti
tidak multinormal sebagai diperlukan untuk teori inferensi standar. Namun demikian, fitur
kuadrat terkecil dari perangkat lunak MANOVA dapat digunakan untuk memperoleh
dekomposisi, dan melakukan analisis data eksplorasi, misalnya, melihat profil jam dari
koefisien di masing-masing komponen. Di atas, kita berpikir tentang variabel kategori
sebagai variabel efek tetap, yang mungkin tepat untuk Bulan dan Hari Kerja. Tahun alternatif
dapat diambil sebagai efek acak atau, jika kita percaya ada kecenderungan, diambil sebagai
kovariat.
Kami akan mempelajari representasi dari tahun, bulan dan weekday. Adapun
parameterisasi kami dapat mengambil satu kategori untuk masing-masing tiga variabel
kategori sebagai basis. Dengan 11 tahun data ini sesuai, termasuk istilah konstan, untuk 1 +
10 + 11 + 6 + 28 vektor parameter bebas. Atau, kita dapat mengungkapkan sebagai
penyimpangan dari total vektor rata-rata, sehingga memiliki 1 + 11 + 12 + 7 = 31 parameter,
tetapi memiliki diingat bahwa mereka berjumlah nol-vektor atas kategori untuk masing-

masing tiga variabel kategori. koefisien estimasi yang diperoleh dari menjalankan MANOVA
standar.
MANOVA juga menyediakan perkiraan kesalahan standar dari prediksi. Namun,
mereka didasarkan pada normalitas, kebebasan serial dan asumsi kovarians matriks konstan,
yang belum tentu demikian. Oleh karena itu menarik untuk melihat ke dalam aspek distribusi
multivariat dari residual. Di sini kita membatasi diri untuk menunjukkan variasi harian dari
standar deviasi, skewness dan kurtosis.
Model MANOVA juga dapat ditulis di regresi multivariat, yaitu
Y=X B+E
Dimana Y dan E adalah T 24 matriks dan X adalah T 28 matriks desain dan B
adalah 28 24 matriks koefisien regresi, dengan T menjadi total seluruh observasi. T adalah
4,017.
Matriks desain akan terdiri dari 0 dan 1 dalam pola yang mendefinisikan struktur
kalender dari masalah. Jika kita telah memilih parameterisasi alternatif dengan vektor
parameter menjumlahkan satu untuk setiap variabel kalender kategoris, yang ditinggalkan
kategori untuk setiap jenis (biasanya yang terakhir) akan diwakili oleh 1, agar parameter
regresi dari jenis untuk jumlah untuk vektor nol. software MANOVA biasanya memberikan
estimasi koefisien hanya sebagai pilihan, dan itu penting untuk mengetahui jenis
parameterisasi digunakan. Beberapa perangkat lunak juga menyediakan matriks desain yang
dihasilkan, yang dapat digunakan untuk tujuan regresi kemudian (dan juga memberitahu jenis
MANOVA parameterisasi digunakan).
Mungkin fitur time series dari seri. Dalam kerangka yang diberikan ini dapat dipelajari
dengan melihat residual setelah estimasi MANOVA (atau estimasi regresi multivariat). Untuk
data saat mereka ternyata memiliki fitur seperti IMA (1) seri multivariat. Ini mungkin
menunjukkan pendekatan pemodelan alternatif, di mana kita model time series multivariat
dengan variabel kalender sebagai kovariat. Namun, software multivariat time series mungkin
tidak tersedia, dan yang paling sering terbatas pada vektor autoregressive time series,
mungkin dengan kovariat. Satu pengecualian adalah SCA, yang memiliki kerangka kerja
untuk identifikasi dan estimasi model VARIMA.

5. Functional Analysis of Variance (FANOVA)

Model fungsi ditulis sebagai berikut

Di mana notasi analog dengan satu di Sect. 5 digunakan. estimasi yang dibuat oleh
paket FDA-paket (Ramsay et al., 2007) dalam statistik program paket R (R Development
Core Team, 2007). Sama seperti untuk MANOVA di Sect. 5, yang dapat ditulis ulang dapat
dirumuskan sebagai model regresi fungsional. Dalam model ini, hanya variabel dependen
fungsional. Variabel penjelas yang diwakili oleh matriks X yang sama seperti dalam
MANOVA.

6. Prediction via Univariate ARIMA Modelling

Sebuah alternatif untuk prediksi VARIMA dengan kovariat mungkin untuk model
harian rata log-harga sebagai time series univariat, dan prediksi untuk jam individu dengan
faktor koreksi diperkirakan dari profil setiap hari, yang mungkin tergantung pada kalender.
Pada seri waktu rata-rata harian, kita masih memiliki dua musim, mingguan dan tahunan.
Untuk prediksi pasar lokal, musim mingguan adalah yang terpenting, dan akan masuk dalam
spesifikasi ARIMA, sedangkan musim tahunan dapat ditangani dengan berbagai cara, antara
lain (a) mengambil sebagai kovariat (b) melakukan lokal cocok atau (c) mengabaikannya.
Yang terakhir ini mungkin dalam rangka sebagai pilihan pragmatis, karena model mungkin
melibatkan pembedaan, sehingga prediksi akan berangkat dari tingkat lokal pula.

Bahkan, plot autokorelasi untuk mean-log-harga mengungkapkan pembedaan itu dan

pembedaan musiman yang diperlukan untuk mencapai stasioneritas. Pada Gambar. 9, kita
menunjukkan plot autokorelasi setelah differencing ini, konsisten dengan MA (1) dan MA (7)
komponen, dengan lobus samping yang umum di jeda musiman.
Estimasi modelnya sebagai berikut:

Residual dari fit ARIMA menunjukkan kemungkinan untuk perbaikan, tetapi tidak ada
alternatif model sederhana alami tampaknya di tangan. Ini mungkin karena beberapa

perubahan struktural dalam serangkaian panjang ini, tidak diperhitungkan dalam konteks
ARIMA yang ketat.

7. Multivariate Volatility
Model volatilitas multivariat terutama dipelajari sehubungan dengan volatilitas return,
dan volatilitas adalah objek utama penelitian. Masalah dengan model tersebut adalah
sejumlah besar parameter yang akan diestimasi, khususnya, ketika mereka datang di samping
parameter level. Dalam prakteknya, seringkali cukup untuk membatasi perhatian model
pesanan (1,1). The curse dimensionality juga dapat diselesaikan dengan model indeks, di
mana setiap komponen dinyatakan dalam indeks seri representatif. Dalam arti, ini adalah apa
yang kita lakukan ketika kita telah menggunakan setiap hari rata-rata log-harga sebagai dasar
dan skala hasilnya menurut indeks per jam. Jika kita model seri perwakilan ini baik terhadap
berbagai waktu dan tingkatan bersyarat dan volatilitas, ini akan menyiratkan skala bersama,
nyaman tetapi tidak harus realistis.

8. Multivariate Dynamic Modelling

Model ini cocok menjadi kerangka multivariat dinamis linear model (MDLM) seperti
yang dijelaskan di West dan Harrison (1997), yang juga memungkinkan persamaan keadaan
yang lebih luas dengan cross-dependensi diungkapkan oleh premultiplication dari variabel
negara tertinggal oleh matriks tergantung waktu Gt, serta setelah diketahui faktor perkalian
tergantung waktu ke covariances. Dengan asumsi distribusi pada istilah kesalahan serta
distribusi sebelumnya pada parameter B0 dan , skema memperbarui Bayesian didirikan,
yang menyediakan distribusi posterior, data yang diberikan, untuk (Bt , ) serta distribusi
prediksi dari yt . Meskipun distribusi yang terlibat adalah cukup rumit, yang melibatkan
matriks normal / terbalik distribusi Wishart, skema rekursif untuk parameter saat ini dengan
mudah diprogram. Iterasi perlu nilai-nilai mulai serta spesifikasi dari matriks W.

9. Kesimpulan
Dari sudut pandang eksplorasi pandang, metode menghasilkan grafik yang
menggambarkan profil harga harian untuk berbagai kategori data, seperti satu bulan tertentu,
sehingga memungkinkan perbandingan antara kategori. Hal ini juga menunjukkan bagaimana
teknik ini dapat digunakan bersama-sama dengan metode peramalan univariat sederhana
untuk memprediksi seluruh profil harga harian dari harga spot listrik. Selain itu, model linear
dinamis multivariat, memungkinkan parameter waktu bervariasi, dijelaskan dan diilustrasikan

pada data Nordpool. Kebutuhan memungkinkan untuk seasonalities dikaji dalam tulisan ini
adalah jelas. Namun, jika digunakan dalam peramalan untuk tujuan perdagangan, ini
mungkin agak persyaratan untuk tidak kehilangan uang dari kemungkinan untuk kembali
normal.

Energy, Natural Resources

and Environmental
Economics

PART IV
General Problems and
Methods

Sub Bab 1
Discrete Event Simulation in the Study of Energy, Natural Resources and the Environment

1. Pendahuluan
Tujuan utama dari bab ini adalah menunjukan Discrete Event Simulation (DES) bisa di
aplikasikan pada studi ekonomi sumber daya alam dan lingkungan terlebih untuk
memberikan ide-ide untuk proyek proyek ekonomi sumber daya alam dan lingkungan
tersebut. Dengan simulasi, kita lihat dengan model komputer yang di buat hampir sama dari
sistem kenyataanya, dimana percobaan mengacu pada perubahan sistematis dalam variabel
input, keputusan, kemudian mempelajari efek yang timbul dari variabel output, hasil akhir,
yang kemudian terbentuk kesimpulan untuk mengambil keputusan. Di sini, kita fokus pada
DES berurusan dengan sistem stochastic, di mana model simulasi harus dijalankan berkalikali. DES memainkan peran yang semakin penting dalam bisnis dan telah menjadi metode
yang paling penting dalam Ilmu Manajemen. Alasan utama untuk ini adalah perkembangan
yang sangat pesat teknologi komputer.

2. Project Time Planning Simulation

Telah disebutkan di atas bahwa pembangunan proyek-proyek lingkungan telah menjadi
topik yang penting dalam simulasi. proyek konstruksi ditandai dengan terdirinya dari tugas.
Beberapa tugas dapat dilakukan secara paralel dengan tugas-tugas lainnya. tugas-tugas
tertentu tidak dapat dimulai sebelum tugas lain selesai. Waktu yang diperlukan untuk suatu
tugas yang diberikan umumnya tidak tetap, melainkan stochastic.

Untuk memberikan beberapa gagasan tentang bagaimana DES dapat diterapkan untuk
masalah konstruksi, kami memberikan contoh sederhana, mengenai pembangunan rumah,
tetapi perwakilan dari masalah konstruksi. [Contoh ini dibangun pada Born dan St ahl

(2008).] Kami berasumsi bahwa kontraktor berencana membangun total 100 rumah.
kontraktor ingin menentukan total waktu yang dibutuhkan untuk membangun semua rumah,
serta distribusi dari waktu konstruksi untuk rumah masing-masing. Pembangunan rumah
melibatkan empat tugas: Proses A sedang membangun kerangka rumah; Proses B dan C
adalah pipa dan kabel listrik, masing-masing, yang dapat dimulai hanya setelah frame telah
dibangun, tetapi dapat dilakukan bersamaan dengan satu sama lain; dan Proses D, yang
merupakan lukisan, dapat dilakukan hanya setelah pipa dan kabel listrik tugas telah selesai.
Gambar 1 memberikan pandangan membangun rumah dan menunjukkan sifat dari distribusi
waktu yang dibutuhkan untuk masing-masing empat tugas. Membangun frame secara
eksponensial didistribusikan dengan rata-rata 32 jam. Plumbing dan lukisan secara seragam
terdistribusi dengan distribusi dari 28 5 dan 30 15 jam. Terakhir, lukisan terdistribusi
normal dengan rata-rata 22 jam dan standar deviasi dari 4 jam. WebGPSS built-in distribusi
fn $ snorm memiliki mean 0 dan standar deviasi 1. Untuk setiap proses ditunjukkan pada
Gambar. 1, hanya ada satu pekerja yang tersedia. Ketika seorang pekerja telah menyelesaikan
bagiannya dari rumah, dia bisa, jika mungkin, mulai melakukan jenis pekerjaan yang sama di
rumah berikutnya.
The GPSS program can be illustrated by the following GPSS block diagram (Fig. 2).
Discrete Event Simulation in the Study of Energy

Fig. 2 Block diagram for the house construction project

Pada gambar di atas blok GENERATE membuat 100 transaksi yang nantinya akan di
bangun rumah. Pembangunan rumah di mulai (SEIZE) ketika tukan kayu(aproc) mulai
bekerja membangun kerangka rumah. The ARRIVE blok menandai saat itu pembangunan
rumah dimulai. Di blok ADVANCE 32 * fn $ xpdis, tukang kayu membangun frame, dan
kemudian diteruskan oleh blok RELEASE. Blok SPLIT membuat salinan dari transaksi yang
masuk ke listrik (cproc), sedangkan yang asli akan langsung melalui SPLIT ke tukang ledeng
(bproc) . Ketika tukang ledeng dan listrik telah menyelesaikan tugas mereka dan dibebaskan
oleh blok RELEASE yang berhubungan, dua transaksi, merujuk ke rumah yang sama,
digabung menjadi satu transaksi setelah keduanya mencapai di 2 blok ASSEMBLE. transaksi
merger kemudian mencoba untuk mendapatkan layanan dari pelukis (dproc). Ketika pelukis
dibebaskan melalui blok RELEASE nya, blok DEPART mengukur waktu yang digunakan
untuk membangun rumah. transaksi akhirnya memasuki blok TERMINATE1 di mana
transaksi meninggalkan sistem dan menghapus satu token. Jika simulasi dimulai dengan 100
token, simulasi akan berhenti ketika token terakhir dilepas, yaitu, ketika rumah 100 telah
selesai.

Fig. 3 Distribution of times to build houses

Kami melihat variasi yang besar dalam waktu yang dibutuhkan untuk membangun
rumah. Mayoritas dari 100 rumah mengambil antara 100 dan 200 jam untuk membangun.
Hampir sepertiga dari rumah mengambil antara 200 dan 500 jam , dan satu rumah bahkan
membutuhkan antara 500 dan 600 jam. Kami kemudian menemukan bahwa setiap rumah
membutuhkan persis 84 jam untuk membangun. 84 jam ini sesuai dengan jumlah dari kali
sepanjang jalur kritis (terpanjang waktu jalan di diagram PERT), yang terdiri dari proses A
(32), C (30), dan D (22). Perbedaan antara stochastic dan hasil deterministik sangat besar. Hal

ini menunjukkan bahwa waktu variasi stochastic harus dipertimbangkan jika ada yang tertarik
dalam memperoleh hasil yang realistis dan berguna.
3. A Bidding Example
Perusahaan A sedang mempertimbangkan mengakuisisi perusahaan T dengan cara
penawaran tender tunai untuk 100% saham T. Nilai T tergantung pada hasil proyek eksplorasi
minyak yang T sedang melakukan. Jika eksplorasi gagal sepenuhnya, T akan bernilai $ 0 per
saham, tetapiketika berhasil secara sempurna, bagian dari T di bawah manajemen saat ini
akan bernilai $ 100. Semua nilai antara $ 0 dan 100 sama-sama mungkin. Apapun hasilnya, T
akan bernilai 50% lebih di bawah manajemen A daripada di bawah manajemen saat ini.
Harga tawaran untuk T harus ditentukan sebelum A tahu hasil pengeboran, tapi T akan tahu
hasilnya ketika memutuskan apakah atau tidak untuk menerima tawaran A. T diharapkan
untuk menerima tawaran dari A yang lebih besar dari per saham nilai T di bawah manajemen
saat ini. Berapa harga yang harus A ditawarkan?
Kami di sini menentukan nilai T sebagai nilai yang terletak di antara 0 dan 100. Dalam
rangka untuk menggambarkan hasil, kami juga mencetak waktu dan nilai. Di segmen kedua,
kami menghasilkan tawaran yang datang pada waktu 1,5, 2,5,. . . , 100,5, yaitu, selalu sedikit
lambat ketika nilai ditentukan.

4. A Duopoly Game
Contoh ketiga kami berhubungan dengan permainan berdasarkan DES, berurusan
dengan duopolies memproduksi dan menjual barang-barang yang homogen, seperti minyak
atau batu bara, tetapi di mana permintaan stokastik. Meskipun permainan ini sangat kecil, itu
menyajikan karakteristik utama dari game berdasarkan DES.
Fitur dasar dari permainan ini adalah bahwa dari Bertrand duopoli permainan, di mana
dua perusahaan menjual produk yang identik. Jika permintaan deterministik, biaya marginal
yang konstan, produksi dibuat sesuai pesanan, tidak ada batas untuk kapasitas produksi dan
tidak ada persediaan, maka perusahaan dengan biaya unit yang lebih rendah akan secara teori
mendorong harga turun ke tepat di bawah biaya unit pesaing, yang kemudian tidak akan
mampu menjual sesuatu. Perusahaan dengan biaya yang tinggi bisa bertahan hidup dengan
mampu menjual dengan harga yang lebih tinggi, karena produsen lainnya akan kehabisan
persediaan dari waktu ke waktu, karena variasi permintaan stokastik, dan pembeli kemudian
akan membeli dari perusahaan dengan persediaan di tangan, bahkan jika itu dikenakan harga
yang lebih tinggi. Setiap perusahaan sekarang pada gilirannya diminta untuk membuat tiga

keputusan: (1) harga yang harus dikutip; (2) jumlah unit yang akan diproduksi setiap bulan
(ada produksi yang diperlukan dari satu unit); dan (3) waktu sampai keputusan berikutnya
adalah harus dibuat.
Asumsikan bahwa perusahaan 1, yang dimulai, menetapkan harga $ 10, jumlah yang
akan diproduksi 10 unit dan waktu sampai keputusan berikutnya juga sampai 10 hari. Ini
terlihat dalam dialog permainan sebagai berikut :
For corp. 1: Give price (< $ 30)
10
Give monthly production (at least 1)
10
Give number of days until next decision
10

Mari kita asumsikan bahwa perusahaan 2 menetapkan ketiga variabel keputusan untuk
20. Sejak keputusan selanjutnya adalah dilakukan pada saat 10 oleh perusahaan 1,
Results for corp. 1 at time 10.00
Profits

Inventories $

7.49
.00

Bank

177.49

Acc. receiv.

30.00

Equity

207.49

Permainan kemudian berlangsung sampai salah satu perusahaan bangkrut atau tahun
simulasi telah berlalu.
Menyimpulkan, DES dalam bentuk sederhana permainan duopoli, bahkan dalam bentuk
yang paling sederhana, memberikan beberapa wawasan ke dalam bagaimana stochastic
variasi dalam variabel kunci dapat menyebabkan hasil yang bertentangan dengan hasil model
Bertrand deterministik tradisional. Permainan DES juga dapat dengan mudah diperluas untuk
memungkinkan untuk digunakan lebih lanjut untuk percobaan dan di bidang pendidikan.