лучшие книги по экономике
Главная страница

Главная

Замовити роботу

Последние поступления

Форум

Создай свою тему

Карта сайта

Обратная связь

Статьи партнёров


Замовити роботу
Книги по
алфавиту

Б
В
Г
Д
Е
Ж
З
И
К
Л
М
Н
О

системи підтримки прийняття рішень

Страницы [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ]
[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] [ 31 ] [ 32 ]
[ 33 ] [ 34 ] [ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ] [ 42 ] [ 43 ] [ 44 ] [ 45 ] [ 46 ] [ 47 ] [ 48 ] [ 49 ] [ 50 ]

 

Підходи до імітації в IFPS/Plus
IFPS/Plus забезпечує можливість виконання імітації за методом Монте-Карло. При цьому потрібно описати розподіл ймовірностей кожної випадкової величини. Коли викликається команда MONTE CARLO, то система IFPS/Plus розв’язує задачу за моделлю багато разів з різними комбінаціями значень величин, що кожного разу вибираються з відповідних розподілів ймовірно-стей, які перед цим були конкретизовані. Результати цих експериментів статистично аналізуються в СППР і на виході отримуємо статистичні результати. Ці результати можна інтерпретувати як ризики, включені у рішення. Наприклад, можна дізнатися, що є шанс на 10 %, що внутрішній коефіцієнт окупності перевищить 25 % , або з імовірністю 0,9 можна запевняти, що він перевищить 14 %.
Якщо в IFPS/Plus досліджували детерміновану модель і ді-йшли висновку, що необхідно змінити основну структуру моделі, щоб включити аналіз ризику, то потрібно лише задати специфічні параметри з їх імовірностями, а не окремі точкові значення. IFPS/Plus містить чотири розподіли ймовірностей, а також можна імітувати будь-який нагромаджений розподіл. До того ж IFPS/Plus здатна генерувати сценарії, що ґрунтуються на присвоєнні високого, низького, середнього і найімовірнішого значень випадкових змінних.
Вбудовані розподіли імовірностей
В IFPS/Plus вбудовані такі розподіли ймовірностей:

  • Однорідний (рівномірний) розподіл UNIRAND.
  • Трикутний розподіл TRIRAND.
  • T1090RAND — альтернативний вид трикутного розподілу.
  • Нормальний розподіл NORRAND.

Крім того система дає змогу моделювати будь-який розподіл за допомогою операторів GENRAND і CUMRAND.
Для кожного з цих розподілів імовірностей потрібно конкретизувати його ім’я та два або більше їх параметрів. Наприклад, UNIRAND (10,30) означає рівномірно розподілені ймовірності на інтервалі значень змінної від 10 до 30. Щоб генерувати в IFPS/Plus довільні значення цього розподілу, потрібно написати, наприклад, COST=UNIRAND (10,30).
У разі моделювання з багатьма повтореннями кожного разу IFPS/Plus вибирає довільне значення між 10 і 30. Узагалі, розподіл UNIRAND конкретизується двома параметрами: верхнім і нижнім значеннями змінної.
Отримання рівномірно розподіленої на відрізку [0,1] величини RANDON NUMBER (яка в зазначеному вище посібнику позначена символом x) відбувається за допомогою твердження: RANDON NUMBER = UNIRAND (0,1). Випадкова величина RANDON NUMBER може використовуватися для генерування довільного розподілу ймовірностей. Наприклад, імітація RANDON INTEGER — випадкових рівномірно розподілених чисел 0, 1, …, 9 виконується за допомогою виразу: RANDON INTEGER=TRUNCATE(10* RANDON NUMBER), де TRUN-CATE — вбудована в IFPS/Plus математична функція взяття цілої частини числа.
У разі імітації задач з масового обслуговування часто використовується експоненціальний розподіл. Генерування випадкової, експоненціально розподіленої величини EXPRANDON, математичне сподівання якої дорівнює М, відбувається за допомогою такого виразу: EXPRANDON = - М*NATLOG(RANDON NUMBER), де NATLOG — вбудована в IFPS/Plus математична функція обчислення натурального логарифма.
Трикутний розподіл імовірностей (TRIRAND і T1090RAND)є особливо корисним у разі імітації ризику. Для його застосування необхідно задати три параметри: нижню межу; найімовірніше значення (максимальне значення щільності розподілу в цій точці); верх­ню межу (висота трикутника вибирається з умови, що його площа
дорівнює одиниці). Трикутний розподіл є зручною апроксимацією розподілів, коли область можливих значень (наприклад, верхні й нижні обмеження) відома і розподіл має єдиний пік. Це також надає можливість виразити ідею, що ризик симетрично не розподіляється навколо певного значення. Певним значенням трикутного розподілу є мода, а не середнє значення величини.
Альтернативний шлях конкретизації трикутного розподілу — використовувати функцію T1090RAND. Якщо ви не знаєте точно найменше і найбільше значення, які може набувати певна змінна, то ви можете оцінити десяти- і дев’яностопроцентні точки на розподілі.
Щоб генерувати нормально розподілену випадкову змінну, необхідно конкретизувати її середнє значення і середнє квадратичне відхилення. Наприклад, N0RRAND(100,10) створює нормальний розподіл змінної з середнім значенням 100 і середнім квадратичним відхиленням 10. У мові фінансового моделювання IFPS/Plus в основу вбудованого нормального розподілу N0R-RAND покладений стандартний підхід, що ґрунтується на використанні центральної граничної теореми [37].
Визначення власних розподілів імовірностей
Хоч багато бізнесових ситуацій можуть бути описані з використанням вбудованих розподілів імовірностей, проте можуть бути випадки, де потрібно імітувати деякий інший розподіл. У такому разі можна визначати або функцію щільності GENRAND або нагромаджений розподіл (інтегральну функцію розподілу) CUMRAND.
Застосування імітаційної моделі
Реалізація імітаційної моделі передбачає багатократне її застосування, використовуючи різні комбінації довільно вибраних значень за допомогою розподілів імовірностей. Мета полягає в отримані інформації не тільки щодо середньої величини (наприклад, яка очікується) наслідку, але також стосовно розподілу ймовірностей можливих результатів (щоб знати ризики).
Щоб почати процес пошуку розв’язку задачі, використовується команда Monte Carlo замість команди Solve. Ця команда має вираз: Monte Carlo number, де «number» означає кількість виконуваних ітерацій. Якщо ви пропускаєте number, то IFPS/Plus виконає 100 ітерацій (за замовчування).
Як тільки система перейшла в режим імітаційного моделювання, потрібно вибрати та ввести в систему:

  • змінні, які ви хочете зробити аналізованими;
  • формат, який ви бажаєте для виведення даних (наприклад, гістограма, частотний розподіл);
  • стовпці (тобто, періоди), для яких ви хочете отримати надруковані результати.

Якщо при введенні опцій моделі Монте-Карло в систему допущена помилка, то система передбачає певні варіанти її виправлення.
Інтерпретація результатів
імітаційного моделювання

Результати застосування моделі Monte-Carlo друкуються у форматі, який відрізняється від звичайного виведення даних IFPS/Plus. Команда Solve закінчується електронною таблицею, яка надає окреме значення для кожного ряду і стовпця, конкретизованих в опціях Solve. Опції моделі Monte-Carlo закінчуються одним або більше розподілами ймовірностей для кожної змінної і певними стовпцями. Вихід Monte-Carlo організовується в такій послідовності: таблиця нормальної апроксимації, частотна таблиця, описова статистика (середнє значення, середнє квадратичне відхилення, асиметрія, крутизна та ін.), гістограма.
Після роздруковування результатів за необхідності можна здійснити додаткові ітерації імітаційної моделі, використовуючи спеціальну команду POOL. Наприклад, за командою POOL 100 IFPS/Plus виконає 100 додаткових ітерацій і потім надрукує результат для об’єднаних даних після всіх виконаних ітерацій.
Приклад імітаційної моделі
Нехай середня за розміром хімічна фірма бажає інвестувати 10 млн дол. у програму удосконалення головного підприємства, сподіваючись, що ця програма матиме життєвий цикл, який дорівнює десяти рокам [69]. Керівництво фірми визначило, що ключовими факторами при аналізуванні прибутковості цього запропонованого капіталовкладення є: обсяг ринку (Market size); реалізаційна ціна (Selling price); частка ринку компанії (The company’s market share); загальні інвестиції (Total investment); обсяг страхування інвестицій (Salvage value of the investment); змінні (експлуатаційні) витрати (Operating costs); постійні витрати (Fixed costs).
Усі ці показники пов’язані з невпевненістю, яка моделюється розподілами ймовірностей, описаними у табл. 4.3. Дані таблиці свідчать про велику міру невпевненості, з якою можна зустрітися. Формулюючи прогноз, компанія знає, що має намір закрити об’єкт, якщо реалізаційна ціна буде нижчою, ніж змінні витрати на одиницю продукції. У такому разі необхідно сплатити постійні (фіксовані) витрати.
Таблиця 4.3

ФУНКЦІЇ РОЗПОДІЛУ ЙМОВІРНОСТЕЙ ВИТРАТ
І НАДХОДЖЕНЬ ХІМІЧНОЇ ФІРМИ

Показник

Розподіл

Значення параметрів

Початковий обсяг ринку (Initial Market)

трикутний

100 000, 250 000, 34 000

Ринкове зростання (Market Growth)

трикутний

1, 1. 03, 1. 06

Реалізаційна ціна (Selling Price)

трикутний

385, 510, 575

Частка ринку (Market Share)

однорідний

12 % до 17 %

Інвестиція (Investment), млн дол.

трикутний

7, 9. 5, 10. 5

Змінні витрати на одиницю продукції (Operating Cost per unit)

трикутний

370, 435, 545

Постійні витрати (Fixed Cost), $ тисячі

трикутний

250, 300, 375

Обсяг страхування (Salvage Value)

трикутний

3. 5, 4. 5, 5

На рис. 4.8 показана імітаційна модель IFPS/Plus для цієї ситуації. Різні розподіли ймовірностей, наведені в табл. 4.3, були вписані в модель. Запрограмовані також умови припинення роботи. Умова зупинення виробництва виражається за допомогою використання вбудованої функції MAXIMUM для визначення доходу. Якщо реалізаційна ціна нижча від експлуатаційних витрат, то дохід дорівнює 0; якщо вища, то дохід визначається множенням обсягу збуту на різницю між реалізаційною ціною і змінними (експлуатаційними) витратами.

MODEL RISK VERSION OF 03/06/95 13:41

COLUMNS 1..10
MARKET = TRIRAND (100 000, 250 000, 340 000), PREVIOUS * TRIRAND (1,1.03,1.06)
SELLING PRICE = TRIRAND(385,510,575)
MARKET SHARE = UNIRAND(.12,.17)
SALES VOLUME = MARKET * MARKET SHARE
INVESTMENT = TRIRAMD(7, 9.5, 10.5) ? 1000000,0
LIFE = 10
OPERATING COST = TRIRAND(370,435,545)
FIXED COST = TRIRAND(250, 300, 375) ? 1000
REVENUE = MAXIMUM(0,(SELLING PRICE – OPERATING COST) ? SALES VOLUME)
NET INCOME = REVENUE - FIXED COST
SALVAGE VALUE = 0 FOR 9,TRIRAND (3.5,4.5,5) ? 1 000 000
RATE OF RETURN = IRR (NET INCOME + SALVAGE VALUE, INVESTMENT)
Рис. 4.8. Імітаційна модель дослідження ризику інвестування
Багато цінної інформації одержується тоді, коли за допомогою команди MONTE CARLO 200 :
ENTER SOLVE OPTIONS
? monte carlo 200

ENTER MONTE CARLO OPTIONS

? hist net income
ENTER MONTE CARLO OPTIONS
? none
система IFPS/Plus виконує 200 прогонів (ітерацій) імітаційної моделі й видає результати у вигляді таблиці частот (рис. 4.9), статистичних характеристик (рис. 4. 10), гістограми розподілу чистого прибутку — NET INCOME (рис. 4.11) і коефіцієнта окупності або норми прибутку RATE OF RETURN (рис. 4.12).


FREQUENCY TABLE

 

 

PROBABILITY OF VALUE BEING GREATER THAN INDICATED

 

90

80

70

60

50

40

30

20

10

NET INCOME

 

 

 

 

 

10

–315

–286

166

657

1213

1847

2698

3556

4951

*1000

 

 

 

 

 

 

 

 

 

RATE OF RETURN

 

 

 

 

 

 

 

10

–.120

–.110

–.57

.077

.075

.145

.226

.315

.429

Рис. 4.9. Результати імітаційного моделювання у вигляді таблиці частот

 

SAMPLE STATISTICS

 

 

 

 

MEAN STD DEV SKEWNESS KURTOSIS 10PS CONF MEAN 90PS

NET INCOME

 

 

 

 

 

 

 

10

1772393

2056882

.9

2.9

1586225

1958560

RATE OF RETURN

 

 

 

 

 

 

 

10

.1144

.2128

.6

2.4.

 

.0951

.1336

Рис. 4.10. Результати імітаційного моделювання
у вигляді статистичних характеристик

 

Рис. 4.11. Гістограма розподілу чистого прибутку

 

Аналізуючи результати імітаційного моделювання, можна зазначити, що навіть 10-го року чистий дохід може сильно коливатися (між збитками понад 300 тис. дол. і прибутком понад 4 млн дол.). До того ж, коефіцієнт окупності змінюється відповідно до цих показників інвестиції від –12,0 % до 42,9 % і тільки з меншою ймовірністю ніж 0,4 він може перевищити 15 %.

Рис. 4.12. Гістограма розподілу коефіцієнта окупності
Гістограми показують (перші стовпці гістограм найвищі з від’ємними значеннями), що суттєві ризики втратити інвестиційні кошти виникають тоді, коли змінні (експлуатаційні) витрати перевищують реалізаційну ціну. Якщо ви менеджер цього проекту, то вам необхідно уважно розглянути проблеми, які можуть з’явитися, інакше ризикований захід завершиться невдало. Є пев-ний резон відмовитися від цього проекту, якщо ви не хочете ризикувати, навіть за умови, що очікувана прибутковість проекту перевищує 10 % (фактично вона становить 11,44 %). На даній імітаційній моделі можна дослідити й інші варіанти інвестування, вводячи в неї необхідні умови.
4.4. Система підтримки
прийняття рішень PLEXSYS

Загальне описання ГСППР PLEXSYS
Одним із найперспективніших напрямів розвитку СППР є створення групових систем підтримки прийняття рішень (ГСППР). Дослідження галузі ГСППР дають змогу переглядати ролі й обов’язки в групових діях, пов’язаних із оцінюванням ситуації, виявленням і генеруванням ідей, діалектикою обговорення, а також розв’язанням інших завдань, які приводять до при-йняття групових рішень. ГСППР об’єднують комунікації, обчислення і технологію підтримки рішень з тим, щоб допомогти деякій групі ОПР розв’язати низку відносно неструктурованих задач. У цьому розумінні завдання до звичайного програмного за­безпечення СППР слід додати технічні засоби у вигляді електрон­них кімнат для нарад, локальні мережі та засоби підтримки те-
лекомунікацій і групової роботи. Надаючи групі ОПР можливість прискорити розроблення рішення, змінити його зміст чи модифікувати напрямок руху повідомлень, технологія ГСППР у такий спосіб розрахована на підвищення якості результатів нарад.
Детальне описання групових систем підтримки прийняття рішень буде подано в розділі 11 даної книги. Тут доцільно коротко зупинитися на одній з перших групових систем підтримки прийняття рішень PLEXSYS — розробці університету штату Арізона (США), яка послужила прообразом найчастіше застосовуваної в даний час групової системи підтримки прийняття рішень GroupSystems, описаної в розділі 11.
В університеті Арізона була створена спеціальна лабораторія з розроблення рішень. Вона використовувалася відповідальними керівниками, менеджерами та іншими професіоналами для розв’язання складних неструктурованих завдань. Лабораторії з розроблення рішень належить кімната рішень, кілька кімнат для відпочинку та кімната для обслуговуючого персоналу. В кімнаті рішень поставлений П-подібний стіл, на якому встановлено 15 об’єднаних у мережу персональних комп’ютерів, а також великий екран і проектуюча система, що підключена до ПЕОМ. У кімнатах відпочинку також установлені ПЕОМ, з’єднані з мережею. Для підтримки процесу прийняття рішень створена СППР PLEXSYS.
PLEXSYS — це інтегрована комп’ютерна система для планування (для її розроблення був узагальнений досвід планування більш ніж 40 різних організацій), моделювання і прийняття рішень. СППР може використовуватись в індивідуальному чи груповому режимах для виконання таких функцій:
1) пошуку даних у внутрішніх та зовнішніх джерелах інформації;
2) аналізу цих даних на базі застосування широкого діапазону кількісних і якісних моделей;
3) генерування критеріїв, результатів і передумов, на яких ґрунтуються результати;
4) зв’язування передумов з рішеннями і запам’ятовування цих конструкцій на майбутнє.
Процес обдумування в PLEXSYS здійснюється за допомогою двох підсистем: EBS — електронного мозкового штурму і SIAA — аналізу передумов і ідентифікації власників рішень.
Засоби EBS дають змогу учасникам наради за допомогою мережі мікрокомп’ютерів анонімно обмінюватися коментарями щодо питань, які розглядаються. Система будується на методі пулу записок, за якого кожний член групи пише свої коментарі на аркуші паперу, котрий потім переміщується в центр стола для прочитання іншими членами. Цей процес продовжується, доки група не вичерпає весь запас коментарів на дану тему. За допомогою EBS метод пулу записок автоматизований.
Кожний учасник вводить коментар щодо поставленого питання на екран свого комп’ютера і посилає через мережу іншим учас­никам. Усі учасники проглядають наявні коментарі, вводять додаткові й повертають файл коментарів у мережу. Порядок роботи учасників розроблення рішень довільний, процес здійснюється паралельно і безперервно протягом приблизно 45 хв. Після закінчення сеансу коментарі всіх учасників збираються, проводиться їх аналіз для виділення загальних питань, оцінок і зв’язків між ними.
Засіб SIAA використовується для: виділення власників рішень, що відносяться до пропонованого плану; реєстрації припущень (передбачень) чи сподівань цих власників рішень; ранжування припущень власників рішень за важливістю для самого власника і для пропонованого плану.
Власники рішень — це ті люди або групи людей, від дій яких залежить організація, чи на яких покладається організація при виконанні своїх завдань, чи ті, що впливають на запропонований план або хід дій. Процес ідентифікації власників рішень і допущень, які задовольняють модель, складається із п’яти кроків: формування групи; виділення припущень і власників рішень; внутрігрупова діалектика; міжгрупова діалектика; аналіз і синтез.
Окремі особи і групи плановиків взаємодіють із системою за допомогою якісних і кількісних моделей, що зберігаються в централізованій базі моделей. Доступ до моделей контролюється системою управління сеансом, яка шляхом взаємодії з централізованою системою управління знаннями передає в робочу зону для швидкого доступу відповідні для даного сеансу стратегічного планування моделі і дані.
Підсистема управління сеансами надає доступ до специфічної для даного сеансу інформації, включаючи входи сеансу, і до моделі, яка знаходиться в базі знань. Крім того, програмні засоби допомагають користувачеві проводити аналіз і зберігати планову інформацію для конкретного сеансу планування. Підсистема включає чотири типи інтерактивних програмних засобів: мову бази знань, опис сценаріїв, монітор сеансів, засіб управління зв’язками.
Важливою проблемою, яку розв’язано за реалізації системи планування PLEXSYS, є розроблення механізму для подання і зберігання знань про моделювання і процеси планування. Знання про моделювання і процеси планування подаються і зберігаються за допомогою комбінованого методу подання знань, який є поєднанням семантичних мереж успадкування і фреймів, що уможливили поліпшення ефективності системи і забезпечення необхідної потужності подання (метод описаний у розділі 9 книги). Підсистема керування базами знань СППР PLEXSYS містить чотири редактори для створення баз знань: редактор термінів; редактор
виразів; середній редактор та редактор прикладів.
Система керування базою моделей (СКБМ) підтримує широкий діапазон моделей з прийняття рішень і планування. Формування моделей починається з описування загальної структури моделей, яка потім послідовно розгортається до рівня докладного описування.
Основні результати та практичні рекомендації
Система планування PLEXSYS є прикладом інтелектуальної СППР, яка інтегрує керування даними, моделями і процесами в середовищі групового прийняття рішень і планування на всіх рів-нях організації. Її дослідження дало змогу сформулювати ряд цінних висновків та рекомендацій.
1. Анонімність є позитивним фактором, який сприяє широкій дискусії. Вона особливо важлива у разі розгляду питань, які піддаються сильному впливу авторитетів, тому що це дає змогу активізувати роботу всіх членів групи незалежно від їхнього статусу.
2. Дослідження показали, що характеристики кімнати рішень (освітлення, меблі, шпалери, акустика тощо) — дуже важливі. Особливо велика роль естетики. Лабораторія рішень повинна бути багатоцільовою і мати здатність легко перебудовуватися з тим, щоб задовольняти вимоги різних груп, які відрізняються чисельністю і характером завдань.
3. Порядок денний сеансу планування має включати пленарні засідання і наради невеликих груп, а також електронні та звичайні усні засідання. Таке змішування типів діяльності важ­ливе для підтримки інтересу і стимулювання творчої роботи членів групи.
4. Проведені дослідження показали, що для ефективної роботи потрібно кілька (а не один) великих настінних екранів для відображення різної загальної інформації.
5. Максимально допустимий для користувачів час очікування результату 1—2 с. Опитування показало, що користувачі хотіли б мати час для реагування не більше 0,5 с.
6. Із системою працювали групи різної чисельності — від 3 до 22 осіб. Ступінь задоволеності групи зростав з її збільшенням. Комп’ютерна система сприяє досягненню консенсусу. Електрон-ний мозковий штурм для групи з чотирьох і менше членів неефек­тивний. Систему PLEXSYS доцільно використовувати для груп чисельністю від 8 до 22 осіб.
7. Ефективні засоби керування моделями і процесами планування мають працювати за умов неповноти і несумісності. Інфор-мація, генерована в процесі групового «обдумування», часто виявляється неповною і суперечливою. Це типова ситуація для випад­ку, коли мають місце кілька джерел інформації і кілька її інтерпретацій. Групові процеси повинні обробляти і використовувати всю інформацію незалежно від її повноти. В СКБМ ця вимога реалізована шляхом застосування багатовимірних зв’язків.
8. Модель можна описати за допомогою відповідного діалогу, який, у свою чергу, має розроблятися так, щоб можна було легко звертатися до моделей і використовувати їх. Об’єкти і зв’язки часто виступають у ролі графічних характеристик, які в людино-машинному діалозі подаються у вигляді зображень. Семантика моделі проявляється як форма діалогу. Моделями можна маніпулювати під час діалогу за допомогою табличних, графічних і текстових форм. Діалогові форми мають бути взаємозамінними з метою адаптації до окремих типів користувачів.
9. У системі PLEXSYS застосований метод робочого місця, що означає надання користувачеві на його робочому місці доступу до всіх моделей із бази знань, які можуть знадобитися в процесі роботи, тобто реалізований підхід гнучкого вибору різних моделей і інструментарію. Це потребує встановлення стандартів для введення нових моделей у систему.
Протягом дослідження групової системи підтримки прийняття рішень PLEXSYS отримані й інші корисні рекомендації, які були враховані за створення нових поколінь СППР. Докладнішу інформацію про цю СППР можна знайти в [35].

Страницы [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ]
[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] [ 31 ] [ 32 ]
[ 33 ] [ 34 ] [ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ] [ 42 ] [ 43 ] [ 44 ] [ 45 ] [ 46 ] [ 47 ] [ 48 ] [ 49 ] [ 50 ]


ВНИМАНИЕ! Содержимое сайта предназначено исключительно для ознакомления, без целей коммерческого использования. Все права принадлежат их законным правообладателям. Любое использование возможно лишь с согласия законных правообладателей. Администрация сайта не несет ответственности за возможный вред и/или убытки, возникшие или полученные в связи с использованием содержимого сайта.
© 2007-2019 BPK Group.