Dosen Pengampu Prof. Dra. Hj. Indah Susilowati, MSc., Ph.D. dan
Jaka Aminata, SE., MA., Ph.D.
Oleh:
12020114120004
2. Tio Kurniawan
12020114120007
12020114120011
12020114120014
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.
Penulis
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.
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
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.
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.
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
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.
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.
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
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.
waktu
kontinu formulasi
MILP
untuk
masalah penjadwalan
yang
memperhitungkan neraca di tank dan unit produksi; kapasitas, alokasi, dan urutan kendala
dan kendala permintaan.
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
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.
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.
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.
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.
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.
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
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).
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.
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.
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.
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.
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.
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
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.
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.