吉林大学网络教育学院――项目管理
项目活动工期估算
&&& 项目活动工期估算（activity duration estimating）是项目时间管理的重要环节之一，有关项目活动工期估算的概念、依据、方法和结果现分述如下：
&&& 一、 项目活动工期估算的概念和依据
&&& 项目活动工期的估算以项目活动所需资源估算的结果为依据，通过分析和估计而给出每项项目活动的工作周期，然后据此人们就可以开展项目进度计划工作了。
&&& （一）项目活动工期估算的概念
&&& 项目活动工期估算是对已确定出的项目活动所需工期（duration）可能长度的估算工作，这既包括对每项独立的项目活动工期的估算，也包括对整个项目工期的估算。这项工作通常是由项目团队中的项目进度计划人员完成，有时人们也先使用项目管理信息系统给出这种估算，然后再由专家审查和确认系统给出的这种估算。对一个项目活动所需工期的估算通常要考虑项目活动的作业时间、项目活动所必要的休息时间、客观条件延误的时间（如在浇筑混凝土活动中应该考虑浇筑时间、养生时间和因下雨或公休而流逝的时间等），为完成项目活动所投入的资源（包括资源种类、数量及投入时间）以及项目活动的各种提前和滞后时间要求等。对于每个项目活动工期的估算，人们必须考虑所有支持项目活动工期估算的数据和假设条件等，所有这些都应该做也项目活动工期估算的文档以便成为主要依据。
&&& （二）项目活动工期估算的主要依据
&&& 在项目活动工期估算中所使用的主要依据和信息有如下几个方面：
&&& 1.项目活动清单及其细节说明
&&& 项目活动清单及其细节说明是在项目活动定义阶段得到的项目所需开展活动的文件，项目活动清单及其细节说明不但列出了项目所需开展的全部活动，而且给出了这些活动相互之间的关系说明。人们在估算项目活动工期时必须使用它们作为主要的依据。
&&& 2.项目所需资源的需求及其细节说明
&&& 项目活动工期的长短直接受项目所需资源的数量和质量制约，所以项目所需资源的需求及其细节说明也是项目活动工期估算的主要依据。因为在多数情况下，项目所需资源的数量和质量是决定项目活动工期长短的重要参数之一，如若有两个人工作一整天能完成一项具体的项目活动，而当只剩下一个人作业时就需要两天时间才能完工了。
&&& 3.项目活动的约束条件和假设条件
&&& 这是指在项目活动工期估算时项目活动的各种约束条件和假设条件，这些都是人们在项目活动工期估算时必须全面考虑的前提条件。其中，所谓约束条件是指项目活动开展中面临的各种限制因素，如项目成本预算已经确定而且不能突破就是一种项目活动工期估算的约束条件。所谓假设条件则是指在项目活动工期估算中对各种可能发生情况的假定，如假定在整个项目期间不会出现战争等极端恶劣情况。这些都是项目活动工期估算的重要依据。
&&& 4.项目集成计划和项目范围说明书
&&& 项目集成计划包含有项目风险清单与项目成本的初步估算等信息，这些都是项目活动工期估算的依据之一。因为项目风险清单中给出了已识别的项目风险，这些项目风险会影响项目活动的工期。此时人们就需要在项目活动的基准持续时间估算中再加入为应对项目风险而增加的项目活动工期裕量，特别是对于风险发生概率和风险后果严重的情况更要特别注意。另外，项目成本预算如果已经确定也会对项目活动工期估算造成影响，所以它也应该是项目活动工期估算的依据之一。同时，项目范围说明书及其变更也是项目活动工期估算的依据，因为如果项目范围说明书已经取消了某些项目活动，这根本就不用估算它们的工期了。
&&& 5.项目所需资源的供给情况
&&& 任何项目活动工期的估算也必须考虑项目活动所需资源的供给情况，因为实际上任何项目活动所需工期的估算都是建立在既定项目活动资源需求之上的。如果项目活动所需资源的种类、特性和数量有一个方面不能满足或存在缺口，则项目活动工期估算就必须充分考虑这种项目活动所需资源在种类、数量、特性和质量等方面的供给情况。当项目活动所需资源的供给情况不能够确定时，人们就需要做出相对合理的项目活动所需资源供给情况的假定，这种假定也是项目活动工期估算的论据之一。
&&& 6.其他依据和信息
&&& 在估算项目活动工期的过程中，人们还必须参考有关的历史信息。这类信息包括事业环境因素和组织过程资产方面的信息、已完成相似项目的实际项目活动工期文件、商业性项目工期估算的数据库资料、项目团队成员掌握的有关项目工期估算的知识和经验等。不但所有这些都应该作为项目活动工期估算的依据，而且任何相关信息都应该作为项目活动工期估算的依据。
&&& 二、项目活动工期估算的方法和结果
&&& 有了上述项目活动工期估算的依据，人们就可以使用项目活动工期估算的方法和工具得到项目活动工期估算的结果了，有关项目活动工期估算的方法和结果分述如下：
&&& （一）项目活动工期估算的方法
&&& 项目活动工期估算是随着估算依据和信息的不断完备而逐步精确的，所以项目活动工期估算会有很多种针对不同信息资料的具体方法。例如，建设工程项目一般按照初步设计、扩出设计和详细设计的不同设计深度而给出不同精度的项目活动工期估算。项目活动工期估算的主要方法包括下述几种：
&&& 1.专家法
&&& 专家法是由项目时间管理专家运用他们的经验和专业特长对项目活动工期做出估计和评价的方法。由于项目活动工期受许多因素的影响，所以使用其它方法计算和推理的方法是很困难的，但专家评估法却十分有效。
&&& 2.类比法
&&& 类比法是以过去相似项目活动的实际活动工期为基础，通过类比的办法估算新项目活动工期的一种方法。当项目活动工期方面的信息有限时，可以使用这种方法来估算项目的工期，但是这种方法的结果比较粗，一般用于最初的项目活动工期估算。
&&& 3.定量分析法
&&& 人们可以使用“项目活动所需完成的总工作量×劳动生产率”的方法定量估算项目活动工期，如“工程建设项目的设计活动工期＝所需图纸总张数×每张图纸的工作时间”。在很多时候不同的行业或专业都有自己的标准或规定劳动生产率（或叫劳动工时定额和机械工时定额等），人们只要通过所需的项目可交付物数量或所需的努力情况就可以给出定量的项目活动工期估算。这种项目活动工期估算的精度较高，但是所需的劳动生产率等数据比较难找。
&&& 4.三点估算法
&&& 三点估算法主要用于对不确定性项目活动工期的估算，这种方法的核心内容是首先要分析给出项目活动工期估算中的乐观时间to（在非常顺利的情况下完成某项活动所需的时间）、最可能时间tm（在正常情况下完成某活动最经常出现的时间）、悲观时间tp（这是在最不利情况下完成某项的活动时间）。然后根据这三种项目活动的时间所对应的发生概率，选用某种期望值或平均数的计算方法求出具体项目活动的工期估算。例如，项目计划评审方法（PERT）的估算项目活动工期期望值的公式为：
&&& 例如，假定一项活动的乐观时间为1周，最可能时间为5周，悲观时间为15周，这项活动的则该项活动工期的期望值为：
&&& 5.仿真模拟法
&&& 仿真模拟法是以一定的假设条件和数据为前提，运用计算机仿真的模拟的方法进行项目活动工期估算的一种方法，常见的这类方法有蒙特卡罗模拟等具体方法。这种方法也是主要用于不确定性项目活动工期的估算，它即可以用来确定每项具体项目活动工期的估算和统计分布情况，也用来确定整个项目工期的估算和统计分布情况。
&&& 6.时间储备和最大活动工期
&&& 如同项目成本估算中需要保留一定的资金作为“管理储备”一样，在整个项目工期的估算中也需要留有一定的“时间储备”作为应对各种已识别项目风险的手段和“缓冲器”。这种“时间储备”既可以是项目活动工期估算的一个百分比的相对数，也可以是一定数量的绝对数。这种“时间储备”可以分散使用也可以集中使用，如果项目的风险后来不断降低和消除，这种“时间储备”可以消减或删除。另外，专家多数建议每个项目进度计划中的项目活动都需要有最大活动工期的限定，这种最大项目活动工期应该包括交付、评估和验收之类的时间在内，这些应该在项目合同或项目实施组织的政策中明确给出规定。
&&& （二）项目活动工期估算的工作结果
&&& 项目活动工期估算工作的结果包括如下几个方面的内容：
&&& 1. 估算出的项目活动工期
&&& 项目的活动工期估算是对完成一项活动所需时间及其可能性的定量计算，根据项目各项活动的工期估算可以进一步估算出整个项目所需工期。估算出的项目活动工期应包括对项目活动工期可能变化范围的评估。例如：“项目活动需要2周±2天的时间”，这表示项目活动的时间至少需要8天，而且不会超过12天，最可能的是10天（每周5天工作日）。
&&& 2. 项目工期估算的支持细节
&&& 这是有关项目工期估算的依据与支持细节的说明文件。其中，项目工期估算的依据给出了项目工期估算中所使用的各种约束条件和假设前提条件、各种参照的项目历史信息，以及项目活动清单、资源需求数量和质量等方面的依据资料和文件。项目工期估算的支持细节包括所有与项目工期估算结果有关的文件与说明。
&&& 3. 更新后的项目活动清单及其细节
&&& 同样，在项目活动估算过程中人们也会发现在已有的项目活动清单及其细节中存在的某些问题或遗漏，此时人们必须对项目活动清单及其细节说明进行必要的修订和更新，这些更新后的项目活动清单及其细节说明是项目工期估算工作结果的一部分。
&&& 4.更新后的其他项目文件
&&& 另外，在项目活动估算中人们也会发现在已有项目集成计划、项目范围管理计划、项目工作分解结构等项目文件中存在有问题和遗漏，此时人们也需要对这些项目文件以及事业环境因素和组织过程资产等进行必要的修订和更新，这些都是项目工期估算工作的结果。
&&& 特别需要注意的是，虽然上述方法可以用来估算整个项目的工期，但是使用项目进度计划编制过程的方法估算整个项目的工期会更为精确和适用一些。All rights reserved Powered by
copyright &copyright 。甜梦文库内容来自网络，如有侵犯请联系客服。|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
H4sIAAAAAAAAA6193e8suXHdvyLskw1IQTe/qbfICQLBEKRYhiUgNw+/+UoELNaGoDWCBP7f0yRnpopkHTZ7+r6sr++u5jTJ4qli8VTxf/y/H/5y++HXfvnlDz/e//3+4w+/Xn/5w/V/f/3b3+5//eHXP3z72V/Udd3+z9d9+eGXP/ztL3/78Z7/3j5W++3ncLl8bX/9b19/vf/0t99uP/Sr7X/+0/3/5D+vi/6PXz5/f33/vuK/v/6nlf3qH373m9//47efl+Xr/u1npxe/wWi7/dO7YNI/7/fy5woyffsL0vs3okOIuhqHuV+X9E8TNkinHt9+jsHHN9jlKw3eLA5DxjekR5BqGhLDuDdMeMPoBqaazWYk9+s2hdYsG6helrX+t9FdXfq34Vr//faRl+1v7MO8FsGuXm9/vj4u9ad6+tRfre9PjWhGzNSH0vTjjx7/N/zfluGV39/+mezq/uXxfz8/eLZOwbwGHxa0TmawTu2gaqDIgN6zHFYMpA7OM4ZTbziF4TSEM/clbWq1JjjrEnfE/AFqVRj0TSBBY9CBLfHVV/GeVtBtNmAvXwaCkvkGg8zXTkEWcwyP27bdg1G2Na/lXpsjn52PjC+G96dbNF+2MT7+eeWTJggwzcwblCyeONd0oANYBGKZJbyJPfgRyMDeq6lXt9e08g+xd6/KFKf/pnFt/HPIRqLBE11/DF/pjyaagVo8B60TsP7xlQBDC1h86vujKtjI1/fteeJgfdXk1Pck7K6XC6bcsFhTluTvfv/X//X101/+79ff/vKvP339+Iv/9q//fv/rT18/Xe9/j7/9bTZxYDZqwFs73/7Jjo3ymgZENq5eT2vyRK15VR8pRlr0FVPCOzyJ0Bn7kZN4vEb/XI9427ZIUF5ByHV5+4p1gU7Qj4OVFvamdB7v5bV5wvK4ZVZvJjfyD1npQ6CT9GMn2XxIooXkpY1Nqx+W8iHwE37FvkCh+Q9T1uf9PUfcKT4wD7vnCziyHkX3SojuuY3bh1+T7V9vUoTo7fpIf+/zv3UppPXrA58JlKPPAu61ZbDqYy6POJiisu3eH1x9Rp6G93eszEaBr1Sd06q2vg35fLI6ovNrCnFCsxvzOMkk2fgdxsWuw11jOjEs69cIxROKxygaovj7TaelbM5aDUogFHAoSSgGooRHxvpaLmmHm7y9vvwAcWVGHWVCz4jNurmbWV84z7Ar/9new6NBCxxteaOtywitXq2N9tc8kku9ae09aozG9usKuCqB1ZHn5tYvL2fg9VfaiSFsC2fdfWMmf1MLnkwOCKhp5NTbWOkd4r/d+Wj3kX2uILJXw+PsMFLL4yEsQ1ggWFPD8AWNqEaxhAL5ZBRobKHEkv3ZA6PwJQPJhhHEZhUq+a61NfpqaSJhwE2tR0vzRqmDzDTAZmhi0mD7AjS0wUlv3w1Vw2RwCoQoanhOlwHfI1bpv7SPsDYj5tGJYt8Ad/zoCB+d3mjFXS4Wo/CBKsRhpt9r759+ezf2N8PwNg+GBqkJX4/w22EmhI23E0v7RHIzK1wj075XZoRcb5jwuN/SmO/6Fe7YkDIHcU2h4KffQuygwNmtfEtj4cuist8wnyLz5XejKFALUSAKs8ht4zhPU5yjAFWNSESGq49X3j1CWqmockCcjmZWhWYuHF8FilcUOG3pyWMs/6ZEbyNUIlQFmE03NmhNygpb9RUOIWmKV/SCkGoLoyTcMSQyKw1S+7oJVZxyKeIL5noMieJ0DaIU3ZyQvbut6f7gyx9DIqbSGiHVR2VnEyfaq74fQyJm0uAMpAeHQvO4p/Etrt33FQYxjrYII9bzxmLVjX/TyPzt7dJmdhhjGz1kG7PDNs76veQ0Zxu90B7TgG1aZ25VXrtL/Gp2+VcOnVtyywN6z65lKwiCJNOdHvcRv/38eKRQPjyizrnqxrFrFjCtho0ZnIXyN4xCtVta8bKy4ZKY1bklJ+tdE+tqfi4yxDMGnIsKcnMuYpmrdHGYbW0d4ZA5mXWE07CnNo/021/30W8TrxgQF5Xfrvny6IGrxiSGMSAWKpg1cx49MWv5VGkiNlT1oaEWA9oCwXdOu+TEnFePgelamnw7MKA2KN2mPU315ZKvc1QyV/vVJHkMj7Atjd4ODKgNPsvdtr08rng8Ro6xrcKTrE+yweMLTyn/hIFpDUMuQHxWPoBa4Lm6bAgaJ4+m8p+7q8Cacx15NAtO2P055hj6Hv9anotyxIIWXIzk7/lkyi03YsqVWHCJUXC6LFRm21sbrT5vvWSbqpEpXrZhhNxKKo5xZI1JXs1Cr3Y+q2jFy7xtTbFhnTHr43xZmxo5Dgd5rE+YzfCl4xc3jnjZQafYJ8tm+NLJVxMOZP/6c/m5ndzZuZwIdSBRkD9n9rgKyMzJ6ScHovNWTPHUQ+VJfuawGagc1Q3YNDCTAvcQphvyJ9+wx6mO737PDBBynR5z6sxSVH6FWM5BltMdv7qS4luvdO+kb1nRleLoLZrOdzVmiExc5yDX6dP8WmF68loehl76NL86+VToYXjUJl7OmNo8y9bGRykrD2Mo/RHLen5V4Onw6CHf6GlFBaUDXhci/n57jPApkPIgGVnwG7Mr27g7VvHf5ks9YJXzzLbH7072735AKi3ZWX1/ZNPOBp63dr6icT42xOqrDUZ04gd00to7H5q/32OyoiwQtT5hatfOeoVJROIHRNKlGScIq8IJRB5hQB5tknHGXZevcPayjPBpJQOMgxI+1ueVa3tzf7g5TGY8AWQFWwUizz8e9cuKmQ+THzY7qM1l7SPueeHArwAjeeEACaLPbx31wlzbtgYiXyQjLJj1tgmPW77H/3L8zmiEQ6cppCQsOA1HPbe+us7isHWENGB6PxvcPc+Y6aOKERoRQIAEYLrMEiIdlGGuMCORQYRkkDDr7PzR6KXGpN0YIQEkzDpPfzR6kVWX277AG1J9uCHnY5V6i5IZRxir9OmQmVgl8liBxL0rU7oKOO3pOG38zVMueDw1DsUkSNxqhMvaMzFRjU/0g1SuRrigRTER/21uQECLZTrp/HFGbyOgIB8344CM+ghoPz6IPK9LYtM1DmhoOvZRX2lvGPOFMdXypiG1DGiojX3OxCQ1/kr4A0oaxUQzMUkUk70KFFb99POPP77Ryv+zVzCl2Nns9E/JkdJHPyVvmfFPgbkCd/6m9YqXmBflcntdRBa5Ld8OZWemnNQgliNSUx5evrT1GMfQd+K6POb39wT6Hhy+96UaB+M6xYtpFIXsCofsfeXGQUpoMBVhwjSmFe4Nd+muwdGEA52wPXuH2GAawoQO2Z69Q1RyQZRCZUWmq3b5zIyno6HasCP7Qujf+tKYiWhI8aofRWG2wmF2XwsDooT6tymcVjic7mtV0HzSTGJMtrARCBATpP6O/PRo9614V63iYNt2SelPErF5wCRk55M/2MnfMYioPkBRmK1wmG3PBhEVJp9teAXRCKueRQG2qZLeDscOq1G1mE1REeYHXVd1MQe75wsjM33NwkZUGpa/5KQvjFU8EAgT0pTrqxi/kgq1aM1eBj6Zmmzwib5weO6GdSEzviOKC65RKViClJz/jBeol9QRFuQP94kXyN9OOJZwZLIYRqfVj/H5gRvfzebi4U/DI7X75OjeTIchnMGebm3qsz3d+o8oujO9DLZ05z/8smTzDsWYU3iZWl6U6u3t3+Yyw7S9y8fRVtv+V7EUoDTl5HkiaIICfddg27en4v1tB4m+wufTQrteEGXab2NRZtjMPUWpWYG9L8o0bNwrEAl3xehcjrwPlwf0nmcqNdCsoEk3eIcRd9xKHtv7G6iwSa8gkLA7oswJt6J5UZCmAie9Ag6xghxzQojU4BDvrYBQrCDHPHjcaTCJ01eQl7OCTPOgy9JykZVeQb6uP6/Om9G0c6sNSy30VYBE7GeSSc3LsDSVf+kVxAhWkEwihySXeGlUc9Ufyo/vz8ZFVNPIPwFkI6wgk0TAaHsq7h+VIkwQlhTMZntmt5QOLscx+TDBpWV7Xi/hZek+Q9ADtjXEdKy8qlnN1hxllD2GVSyVranIRaNSKivILg8voeFLSCykIAv1EszDS1hhsvkF0YwVxJd9We5xZPLbClJNL8Gc8Sc1DlGNglTT1zwLI3T+kksKUgHtGq4Yk20MDSmo5bax0c7zeWXGhpy2hkzUSzq3QabahutSV+Hk0dAWIcbRkHF6GadfVTphLpeUTrkuj299HVODQwGXhsFOX/XM5aL2kXHCmlM1X6F4khEmmzcY7Kjuos4/vihTpdZLCZrxWtWYFPjoAeWoNufKMddLqrC8WDeLSZSjB5SjmhRNtPmWUCdr3Kwkn7HudoRDNKMHNKOaG/XNLau0hrfhGIhI9IBIVFPrZnV8V9q662349UQhqAaqINSVbi4kxZnzJiuKU0cRvzo/wKFqIY2qhZ67temj8r57pnRNKlfd/NB9BEcbCxUKPeFa90o5QDrHYyBGh2bgw/UBOkRRmBKvo7UZ7KdOcM3AaKQ1jOEOxtAeMoM9NIq8wi0tXbir5GZ8uoeKTluMyYcGChGFhHpunmEij1IGkZdjGKD4sM+Syyh7kZfhRwPLrBJutl6cfTTyMoFjUrSHKsWsIM6eiUVqHJpTVClmBSn2lElWOEQkFhLJafl1hclMkpWGdebSXd8NzGU+5qkNiPwBqx7rBv/JGdby2MqSv7aQX3qBNU/+IfascYhfUAWYFYTUNibvE5cl32qnaMsFk9vIpd4OXZuUBpP8NaoGK5i1AR2NuaxM13bANzOstucljJwuQJVgVpBto4zlsL45D4wIlkjHDUhn1Cti4jauwmSDdTBX2ixpDmPt/fH1p9/8ceAuqKxBs6KuZvn66vjXj/9i+/U9N+F4psqz2YPBS68ePuomHE8TOjoVoBIuK6iHP7OVGpm4xkGu6fXEM46jxmGrCLmm1xMfTb7WmMQ1qBrLCqrio86KY7J94OEBvS8xlox13knV5ktRjoeRgFRonI013usWb5rL2jSVt2mmthN+u3VM+w5Qbv2oPfT4reJ0vONbonZyUhXVM1lBXco3XGlSmzQczai466O6JY3qlqygLj1Ky152faihvG2tnyn4p8L5yIwC3je0F2Uyyh5P88IWHZihw9P5aTWg5mJMTYVKGhUqWamP8wRbVjhUqKSR0tEKCsCjJ78ak2wFKR2toAZ0QYeXquqguqPBJztCqkcrKAMPFp5pWVyrUYN22/fBHpruPGvXxkyuCskiraAAdOG6SCkyLp7XVJqkUWmSFVR/R9N/smBfhwEn6A84oWVyudhNIx2lFRR4JwRKeXg000QPSF9Z8Bv/v6/3q3FI7qeR1tIKcr+D5VINJs0tKl2y5yV+FSZbTiaobLxXnT/mys0Z78UhIAO0gj4ZZM958ZoaTVI2jQST9rx8L4+JMCn+QDVKVpLvTTivGof4BtUiWUGmd9R51ZjEn0gOWTDNKedRY1I6CMkhC+a540WUeTWCigzbyRHH5jrvsLgBGyobMqg1ve1Uc3Mbp2V4uRjNII2kFTSSdkkt1bah3nFqTG57b4BEsoyuhTlGsHnmaEYNYQ4o4QPn0eBYwhnQwHfUijf4jvAH9HDSkTSYnjAH9NAW3p+QMFb43JyIKQQJo9uRMDqbhvxsIrsvYbSUrjdMO1l50Na51R1VqTodwBneA96QVsisIP3RO7V9xB3XarhHNyS5MysIVNx5CWMeH2GycQNacp9JGBscTTiAl9x5CWODSbyE5JnuvISxwmT7ZQWS7D5OmTejaZdXGxZJGM0KSMR9JmHMo6QJD4QD4gondX3cF743OJFwwGml4Exp96vfZguIpJJ9AHicB5pIwciRvUFSSSdJJQEwogFZtmiYUrJhW3xP6W46QauvMGBY0qQYBQ4sQvgjouyxquLxnmK4kAUE2eLR6dQckyIVJJV0gmxxIjHb4JDHQPJId75PZINJEQmSR7rzfSKNLFsxCtyDCuU0Q9OZZ9LKmEh4Z5By0gniQXBHkUdDv00srUFuxAniQXe/fb3GVi6YwfuODRrNKZJBOkFCOOMTlHi9avRg1+MrbLzrWw7lC8VhB5u+q0hiYNteSBaibUMumm8GEigaJFB0gtCJ49irTda3KD/CoU2HxIIFpzn6rNfra6P5ENe5UfHJA50b+vNxFtep1deD2+LEZJzta0+1Z7BsEkFuQCge20Xc8xK8W7cx5CVQZ3UnSawOegnNwzLSNhqkbXRS/8sZI61wiLSQqNEJEqspI61wKN42cNP1EqsDRlqhkdUgLWNBwy3pppUHDTJ5XaRuLMin+m81mEQABhKAPtt/q8JkNIDUjn1SZ35bznvgaqOyxADSQjpByrZNb07gmds39nxSVgiHbAJ3QfJsTIVM/hkpIp0gbiuXQ0+X9oi3NPnpNgo84tRg0hogdaQThG5O35bXaJ/PJ+UHlbZYIX2Lyc9KbX+Pkdnio876faZtZ/GVins+XH5BwaDO+m5Phsbp+WHXvN7Xb70K3PBe+4YeGTFILunOy9CM3N/fWNAUwnUt0HTijUtsZrvsbXePbV6PGxZp04yFiYpWm7aPuOdzefd3QwougxSVTtKrHfS5lqcOSAlrUGd9J+jVZnxujUMpCqShdFK3ywmfW+GQYtIgxaQT1Gl8xZzNRKyDG+GQfaJG+E5QpJWXWaNzcadYrEEjkkft8J3Q4bJaJdY3lOx2hElRElJPOqHD5VGvXmMS0SD1ZMGs63SOenUrJ7gc6CnlOp3f/Maf9+oVFXj2VTCk+qirpnEV5VAYhYSVTuqqCYTj4EauwSTKQW3undBh0+rUiNLeU4j6egiMrYJ8z9sgEwmhNvdO6K0Z1ns+fmeTWpbSHPwLb6MKk0TIBrW5L5g4LK+f+3MP4d7eyG3GjQc3uq5TXR73ZW2sIr9kYpC+1AlKTAQM6sDz8GimibBQ13wnqDI5DuWlvqGHpxtMIiykOHU7PT9nIiMvX0EiJahrH2cGa+v0kkPA+41fSA6iJBJKGKQQdZ1C9Bj6XsTEVWImsO+BVCK0WjkYMXGloSHlqEHKUScoR2cipgqHlKMGKUedoBydiZhqHLInpBZ1klr06FatMCmeQQpRJyhEZ6K0GocoAfXFLDgObs/5nEiNTMSAZKAF2f/wWXxYo9HJIcDcj+3ipsPUV2HSiQmJUQtmXfF8ND6sMSlcQT3zn/u9qX4+GCDK0mITYNqnlRZ/xnnzwWLFgpGt/oCRPgkWQ8X+xEhIrOok+fE12bG73AwOmWocmnEkUHViA9LUCaAEgnM4xEKozWfBaSuZUthbulPM4RALoZ6eBedU14YGk/gHyVILZs18dsl+I4f3KJgPck4qwtNTKw8/FxC0YacsGzdIsOqkxq0TH4FWmvf9MyReNUi86gTZ+NFwUO41aCK8nGoWmT1gx0MhFP7wENBSrxyDhKuu01nvI+6FfZF/A4mnLOq07wTN9dGwj+tILclkLequ7wTN9UzYV+MowoGk1EtuZsK+GofNISSlXmf9WTa5RjaEDKmpV1sfDThrTEuYMEByXSA4E3DWOI5wIAG5Luw7RUAVvid8SECuCwQ/C3hr5EDI8CjmunBwPuCt0SKhwZDH9YFg9Xp9btlljaXE1U2PDHd9xz92HdPOCq1oJsyuQYl3sAg2g7alusfi7BqUSAirYDPoqQbNRlbq2xUqYzrV3bRjmY+tK1ej2EwMyKrrjoaoUY6p8ohp9omsUHtTJ/VLzheo0aq0iW+p7M0+8vtg7TVug0aUhRqbOqHxM0eLRrwubnCImrDo1vXJV7Z5zGNNe1WvOApuMImUsADXdZF3qj3ffvtLrbM4REdYgOu6aPuja+kamaTMVg04qeuaxuxzc2np4v+h4giHdicW4bqugxrak/6xuvfulR+IqPAZOTBBbkcO+KHmuaizPVtE8ahj1SBgGsmQgYbVcqXeZg2EM2Cc0RliIqhvMIlxsD631zdwHHAB0+AQ12B97l7FkBiGNTjENViT21cJnaiMavCJd1Dj0oKP844T50ArKzwtU+I258Am6uRFfO+lxGc/BoF6lm4QoxJbZi/D414ewns2SexpsTTXn60DsrwfoaXOpRZ1Li2Y53ZhjUlHMtTFtGDOFYOjHVljEttgYbAfHgPRjqxxiGGwMNj3Gf8JhqlxiGFQt9KC0z4ocyhwtXLvSqvhpZgflfJ222I6WK03imGTDGnH91pAZjQ2G2rXhyKPjCaZwh3U7LTgzL0bDu60a0xDgQ4WJPsuTD0aPtaYtLJmQDxdi7uJ8LHGIbLBwmffhamfhY81MlEOlkL7LnCdCR9rHKIZLIX2wzD1aPioxTsca2Ca2o9q3KHnakLGakNy2AEZnSw+z0OimSZniYXRvldB7D9f3eBQiGMGXPPBS+8NDnEN1jf77/nSe41PKmeLVc7+7EvvDSbZDVY5+y58PFHkXuEzs2VaZ6HIPSOMityZ5nCiyN2xIIEpnKsYtg0veanpBJzlGmNLrQytBbTQh5X7iHvBLW9pah2zL8AR/nyRu7WVfRFHIKGx/6zIvcEhjkDiYn++yL3BJL5AQmN/vsjdymI368C5qD8pzJvRfDBYGxa5XKRQ9p8VuedREg4FL0ib7D8rcm9wKFRBemQ/X+Re/TZfQIMXEBe5z/FAGyrIrY0t6t7qhSJ3BIxoIA1PggRCwvbUUt3cv6EHDBvZooGzUX8ekVH2WNUxHYClcg6LNMZeKHI/PJ08xiV1sUXqYi8UuT+voVS81KeVw/ikNLZIaeyF4veJIvsGh+wG9aX1O6/yzKRGakwiGaQn9sILPdO3iw0aUSdS9Ra0UwWNDSbFPqinbME8VdBYYTIC8KDmqT/EjzfnvK+qtiu1W7QeBiR9G4EZX+UrHLZFZFoYPphqZa2RRfpcL71ttK+Ga76Z4Qy22wdquAaHthjS5HrhPaODxRENJrkHpM/1wntGEwq8Boc2NFLjeuENowk1XINDmxjpcL30htFNhVcKp95TS/iH3//3/Ic4giVvh6S4Xnje6Gg+rsakMwSS4nrhwSOrs4Sx1AypuJFFeQJpbnrpPIG6wnrx8aNjSkq4zYHerc86zkUwbTzoZFiktfV7DTv2K/7ykChYY5gDpmlTR3ywpaC7z9HXOMQ0SHfrpeYdB1MqQc7ERZhZwLfHJSPWTx+PdR2TbSAtrJDrE1H2Yl3eSdQxbRsSvXqhVcfRWJeLTi0JXS0SunqhVcdMrFnj0I5HnVn9TquOmW1QY1Iwgh6n90LbjpltwHHc8g5GHFKx+r2GHRNxdI25Eibc4n2rjgkdZIOjCAdu8b49x3y8XqNpQoNhhO5Uj1anXrJ9aqD+bUO/DUMH3ekaj8blsqTbLQMiwUq4nkjm4/KKWlb2JQNq6ZrZsy3nriY5wUXXicI8MppkTzgDOulySPvxWYMTCGdAJx80+WpwIuEMKKS7ONw2VfrnQ730dV07lBqHFKkOKVILjlRHF9dUUB2dXd7Wc0+YIbgVYzLjXEFxsXDrM+Xl2nhI7pftkCLVC81PuCUCh+P4s9yOSgsc6svqd1qdVLMri9MbTKIYpDEtmKfiISc/P+6YxLSJh5qCT3YdOpP74xAwu9B2VJFBdsKhPIT3bCqGC7mk76Jy8ELF8SapjnSmDulM/d6rXzNWU2ESxyDNqRc6qhxUC9WYpDZ1SG3qhe4qB52hkxvQOgX5pu3PMTajaWfYGBYtsoIU1PfkcFolo100vpXMIyMcoiAkNPVCTw5wa9/8NlENEpd6qffGJelKnvN2TXNYTLQyIL28+3CkxMU//8MffitkLprvsfQ9MGHSd+SYUCw1OI5wYCBzugtHg0lBDRKhFszDSacKh28QUJ/su24fczzbOORqO3DYAf2c1LY43jvVUUdYhzrCeqHDBx8g3CUVDo0NCU690NVjQtvS4NApCYlMC85307Y0+MQ0SHBa8E9pWxpMYiAkOC2Y303b4uT+u47pUAVtS9jRtvCc7YS2xbOTtwa3rWH0nMI+XB7Qe55JB+GQKjWMH3AQEfdCMc3DBcPWGoRF4by2xXGln9Ns3ICXgqBt2Y4+6tuzB2a5kR3mH2pM0qY6pE0Ngs5lOtvRoJElIVVqEBQuE68/NTjETkiVWnDay5lDt6ANJjES0qMWzFPybSdrQx2TpnYbZfBExXCjzAeb1daxbCJAYBQE9U6VecmO1bvrFw4k0ohp8ilIQnLVICh5jt9eNbAUJyHFapCEPaUTXLzeXkf7Ass/B2iDG3yK65GSteC3z2XmeNebnNl4pD28uiEOMRNSshacphgxP8hZXjbc+KE8rLgOcEix6pBiteC0e+j2eHGsU5eUvw56NB5SqTqkUi04dY53Ww2XVu/m8NaZWjfqfOzsgJ/aW08gCKt+m3ECE6J2nDB49WTKebbxtZbPvajnbpBePQHAyHdyDZqjxvPODkin144T424/GF/3EnOYRDpI/1ow27oORjpbNP/+czmFbntzhEmMg/SvBbMtRWaYz8dy077vOno0aMQvSAVb0M5F2bKa0FlQDBj650Ey0OVWD9Q8bulvLteGcqpgk+R2Dilgg/SWzQ7iXrBp2Q2vo1amDuldg/SuzcENw3WjjrSvDmlfg/SuzcENU2NSZIB0sEGS+R3cMDUmBfKoL28QJH8VJs84MPxXE4zmOd4Gn4gJqWODKP+TthDGYdsGqVWD9K7OpBnPh4KVYXv2VZA/enEc9K2lRowtB/K2XCvoSN3qkLo1CHK3KhrLX9FHLxUOqVgdUrEGQe7GtxQKdmXto0M9coP0Ds9Bxmo9vBU1KQ5pWoMg8ZnJMvF+sY764jrUFzcIsp4zWaYan8gDqWnDeblPg0mEgdS0BfPoRcUcPl9amOwZVBu+bQv7XA4Buap/JEgC2XOzXA7nSGvoUMvdIKiNjuZ0fMUJxD2o5W6Q1EYHXV6FSVJhh+S9QVAezceINRqtJhL5BkFzdPQyr8ak4AUJfoOgP3IqrWS6Rv/27MM+xUgVMjESkv0GQYVk9T3fumQxZ36n5pVuaIOHGo34B4l/g6hF2g8eahziHCT+DYIK6WjuSu5N6wK4Yw/Ck0QjEpgPUipaiOxL4JGqVwqdSeKEipbokIWkwUF6jGgi6VHjEBWhXrtBeoAoXBfpkrL6beqv65DmN0iqofcFaJqrpB36bIsGOfsQYXjUP3c0413akEgWWzukDA6CyufMOSPysIHK1Rzq1BsE9U950mqzItPP9wiNiAn16A2C7uflVlIs+kKbJcYanwgrDgirDZKOXuHWmBQ+ILFywWySoBP2W+MQHyDhcMHBHZiOBr01PvEEEhEX/BmnM4fpSVDskaC4YB51QHP4tHk90xYLV6tx52p1vyKy+ojqmpVK+j0THleRdxxceh6EzgN9Y68MG2SN4/DKdaYUdBiq5zGTPQT6HsAv8fz1ax4rYVrCBJwShevXg819G0w274BT4vk2Aw2mJ0wQ78TzbQYqTL6/gNAnDi8q581rOgisDY6ErB7JnqNwacknpbw8WXJUYTG5ZsPkWorkxMPj0S5K4PhEgEgOHYULzDIv0Rn7cqL2EYY4tBKoJ28Ubiz5OF9b6vI1wlGEA8KhKNxMTsjVGxxNOCDsicLNJLhJ83LPQM+0zZ3R4pu045z4aKdUyZ8zoKc2wDxRo5+HLcGDvFDsTih5LnJLMc7MG0upZLRruyG5R9IMDySJItiOI8Q9L8T1u16xbwCRWBTuZU5NuefGHQkfkpLUluGYd6gwSSftkU46Cnc0R73DKqYCPNJJR+H4O7vU8x6hXnxyk0gzHYW7i6LSBE3ZPVe/elJLe6SWjtK9xHUJhR1Hv03+DKmlo3AX4VSuylO3x+i3KVBCyucoldtvVJ4RHpgCahwKjpDyOQol9jamVX/WZudEAi+cBjcsXtYlezXgHmkHHOGelu3l2gGP2vBG4Ybl4CMBeXg030Q3SBcdhduWiQrLGoe00B5poePOrcrBA26Fz6aWSaQbT9bcnuVVLRKmw56MRGKeSaUba+quynYR9zyZrrwpbSUkl47C1ccZT6Z5eE3SaY+k01G4BjlqzjUm0RTq2xvFa5B9c+Y43JxAIjv2Ja/TyzvvvaoFN2zC4SFPSmrTeYLKOF+YYXk0sTiXfXlNh3akmY5SKaxPt0ybGQ1/m7gJaaOjkLzm88nnnA7tA0zSRnukjY5SUptfBryOA3GEQxaEVNFRKIWN7prViOqWt+g9k8B1hENnMqSKLjhNBX1ODr8StckCbSye9LKO0Ci6QXrogtY+wn35eoWwJQkeLnkO5asULwsPPdJDx7705TDTtn5by6EDEj9H4RqAg/HEdBm7uT+aUXPFpyfxs0fi5yik/vePCdifyopTz0TQjT9tcknMfxz1pxwO5pLa4tx9wD13angEQ2pTj/TQUSjUPeNODc96kE7aI5103CnanXGnNSbNO9JMR6lo96hlV5jEWEgnHYWi3WjveTPH8Hbhj9sQh7jKQq4ynZ4AahjUV8I05muESR4aqaQL5ql6kQqTbR3UNDh2BcnzW2c+VKk2k2PGDOmrL07eXKtKqcJ8nMxJ15IATcfjGo03vPUkoPZIQB3FEmV2+OjN+KGXESYFRkhGHaXS5fWi0vKGFd/i1DgUJKEGwlEoST4a9MkNhD2ST8euhPc4G7cu18jnOaSejlI57/69rOcKW0+KaY8U01Eo4T1zbK3xiaSQejoKpb0H72UbTCIppJ6OQpnvmdCixidHi9TTUSjzPXEv7GVVtWd9hoV74XXZuRh217jNQlzyjOxfBgd2IetAULUuo/bu+3ieN+3zgVk3CKsS4GHIvbiKK5u9ZyYOCKx8xMl7X8cdMcm2PZJtP0Grjf23b0crbxtYsi3Ui/gJe+7utwalVUbC7SfouctfJ0cdHmgLMuagyfzQsubDjtrWyFkibXf5rFaIzD6GFyajxLLnd+8k7vZI3P0EVRAUja4GIv7wIKh6AmkMlJ8Bsj5cRkAUT6H+x08gg4FKT9X2Ec4GiIIopN5+As1d9XpZn+BBp9T824M2+lPk14YxclmHR6rt8g0De5zhPh856zPQEQmdfPa9AuUDVdC14UMIDXjgzkjE5gMmne7+WITZc2GBZ51JzeuRZLsAn1zGwPcG6bc90m8/QZvU68EDbA1KFINaNz9BzzmwGpToBom1n6DnHFiQ2SHg0Ki7oB7a0rzTqqyLdLceabjLpwysCwLxQIEE3R4Jup9AA0cF/EcNRJOLOjc/gQaOCviPGohCHyTQfgK1zXFf2uB6TUvYl1T4I1AKaJEq+wnaVqq8NiDfmBiImSjTY/cmis/hmO5ap8UNkuOOiGd0T434PPIcN4mvPRJfP4G+3+m7/gAiHtQ2+vkB547fNSg5EyQFf4J+t2LA6gP48oJi/A1/0J9twlUTRlhABilhjLptTnvqyMKQQNrbgBpKF+Bzh808KgJVBIpZaHwTDma1AdIEhJmnv/6eyJ03QIaAcMBzugCwAbUEinmnrwA8GAZUoNxQwUV/xhz08zwRBlSmS2rhgCTc5VO656kO+bI8TprzQKCYjPr7/QlNbwMUCQgHOUKva/mkV/04W8R1xDYznLbnKKN46AlId11wzzWdzIMiMyGyQSLsJ2iX2dpPjjdQRDdIh/2E+m6iruYDiIZQJ+rnB4yeA9/1zw0o0RDSZD9Bv1t+uvoAblXj/PS6k5+uGvrt56cj5afDivLTo2TxBF7geshAosGwokNYnxjeh9wJGQIXKgfFjAwx03o+P51HSKA0cqTIfoIefvO0ASJrUoijViEjfTAN3oASRyGZ9RP06BXTCJTYCimvn6DnwodVPKIFpsjuDRinwccGPB1KNCZNXh2Juctnda//7D6CmsdJQMQYSM39BDoePtRAnoBQcLRKXRlB+MB/nC/iiIVwoniOhZpQIsjlEgHJtMs3dCQkIyMSknsPBybZbum+Md3LtSzZhWMPKJ5UVUGDOpC1N0QZZo/WNXfjhgFjDupztkdnlAsFA3WwDkiS/QTFLcGPg5IDQzrsJ2jbo4peazoOyqYXU8y4B9txUKIbjemmb7x2QqPXfADREFJgPz+gkdvuPzTWABGDI9n1E6hW2h58aawBpTMa0mM/QQMG1cuaTzWpSNamoDvah5n8ABJnByTOfn5A84rjwWClBiUaRErtF1EMpCByR54GicIipNV+ITWctObg5KZus0jEQ0in/UI6VWbYoBIRmTERracKDYMszg4G6B9XoUn00MHMh12Vy7Fs1kf01F3k5CV1weWYSHw+JI+NJppoCLWofgK1T2NSqsjZlPgo9QZodDUoURLqS/0ElfvDvNqOQVVFA0dkhOTYT7gmBbmkB96K9H8KiHTXAemun0CNUDi3BgjxricnkMTWAYmtn0DcefzxT7//51/MDoUIBkmrnwhtfcZ+OG5EgWhA/ajXPhafC+raKFnLqREkry64o5hu6BnkrsWBKavb+Bi35Czvy7lF+foL0FJWcbNn4Cgx3R8HjsHvxdNcExwcsy3MOdLNyrF42lanB+IcJLJ+gh5+2LUBIrZBKusn0IdvZtRwJI8PDnOO8KjrQfdcg5JJIU31E/RcgsTKqXmmr+7NGPcwnjfjea9dGzYtPZJgl08cGLaLIQWgOvnxUrdgHz6Zt7neYD1BnhH6DAqekCr7+RnN0XEI7X26XohO2xE0neWQIPsJjY2fbvjqM97c2Olc53Dg1Fdl9vbgr/4yAqLAyY1IrH94jW3zm8ob4X55meXcGInKUNvsJ7T74ahv5kB8xyHZY/9+wTnH0fpsuZgkQCX2KlySHb3DcfLFHJNht567bVvZzkAx4MOem3R7wWPKa4sZj8HveW7e/DmQKDqghtvlg056bs/NnbpsB6jEXoVyxqOZsBqUTT0msr6e8WgmrAYl8oKq7FUqaJwOHWo4ojCozV6FusajoUMNSuQFddrr+cLGCpRvYkxkbWXjZ/toPnSodhY1jg5Q3r1Kb7AyZ8nP4U//fU2HZB811nUGrr0OJPgOUPC9CvWPM/Pz/KRcT1+0n3OfRKcF1Mz7+UmHnzYPsu48QEn42tUqniPb1tvJnfYDVIqvQuHiUW8nS5lDwOfU5sl1cHtl79GUZM3Aw5FsMqA23wlw8tqeIPe8WuBhO3W+DlA0nj/ipFcLlW8nHkRtvZ+g7bX9LNfLXa9DwAxoJ2+X+3meZ71q5kmvHqCMPH9Wy3q3kC4IfCp9ro4Oak27/StdHIQlPVrybCPNPrj0+fK2MwlOOiQ7D1B2Xj6sUfXH1AYFfZjziYjLRfKnH0ZsCGXq5cNaEUYC2iJx+wkoOScoUy+gh9t1VkDMSqFMPeHMXZ9jNmhpN8iHDChZz99wWMODKZhrqgNJ2QOUspcPOFVzFWQhd4hYrlUHZFz0OHN/zzGwNsINhNzz1/eR6SEikzqjhuUF+KQqKwYO+k7LRdSx/An6Kb3XcCvBYb5yvTbroMq6BlUEirnIzUu75bKyCvRXbKA4SnMDlfWZO7rKrla2xDhAc8Ns37asOKsXeY/sSJr2CDXtBQ5bFHinrAFyBIQJyPUuZjGPPJn3V6wfbiHf5l8eMOHRQHuCxpGY66uF3+vVWNT7mYwRaCBQHIm5/tZuSSoFG3Mj0anRRQIaEVGXt5OVZ1FuoR6hcD39Nhauz9+jRVFtFqFwPeOeE65HLmuOJFyPULheQJtT6r5svQHSBIQDH/c9ZevNBxj6gBHHnJStN6DENFC2XkC/m2w9yrL1uCNbV3uydaZ2mZCtrwtz21C3LnSaovhzHzDyoCgaNlYUFQlPu+5C7kRIkStGI4l8I9Stq/O69cj1zpF06xHq1pWkW2dNNYCCqQGiKYa6dSXo1qdDsQaOyAkq1pWgWD/4UEgDSkQFFetKUKzzFeSp67kVJHJCTcSfoA6OdEJZ2IASOUFBegFtHmc/JuxrQCkkguL0Atq8yH4sU96AUjAEheoFNB6kYQzKqBcK2IVXn6fpaDrUrglKM/MeEVRHzev96xXfPHNDMf2zfB4K2riyPVJhUUTdyJ/Qh+sSGiCaej2iqT6zs2zTbnNqKVzzo4NhNSMgIigoZ1fS4ysgDJULAaJGxzNBPn7YnTUhaZQLICIUsSupAAIgIy7UPLYnEXuEInYldcphoDwm3sLTZDIubRFzd24ETeQEpewFWkNo5EhrICIkKFkvQK3hJLV86cIRlyWnQ3PE/36DYQRKsQmUrxdQe2Trv598GEHTeQ2K2At0+5rr/jGjAiKxeoRi9QJ06k29CpTtEoOEDaMH4cl6BtEtqXEik6m3dNDVjokwexGt4fWnlo0Ox0NCyc5BDkijomWkeAiK1pVQsjOzEWsgIhvURfwJ1JawHduINShbS0wzfZmO1emGoYC+mql/iaxWwxHZQGG6Egp0JkopGiAiGChGV1IhzkcEU0MTwUBhuhJKcz5zGhU0SdUjlKoroUDnaHDJQRnlWFTA11cajNlgPqCs+YFmHsrblVRfoaJ97ZfnUwQgKrIVHMWvqIH4E05+B+S1X96p4nv2KmCkNTSREhS6K6HWwqt7Ss19XS/4YFYDESnZESl9cEnYABERoYbgT6AmX3v3D+F6oflxoh2oTVddZUWt8ZhbF6IdqEdXQoEF3wLgqa8KiG86dPPfr/6cC26jcCPjQl26kgossl8qUprXG9AvB9KMMvJIg8Hh01PfAMxq8xC3b/XjdGJCrb2fP374raAGiHgCCsiV0NBrJuKsgYgVoES8AGHvejSxXX8AsQUUipcPwM9Yz4S8VpQXRKYNb0PewQ3JTMhLYqLIdOHtfhv1K5sPeXmftOjZjGJCOd2vLPKmtNGx0eIIRuhXNhHyVkDUhTtC7bcSqmrQ/q5/nPY3bHuthBoap3z89nxE8MVV+xuxhqYdDxXVSqikOXiH3oDS7oeK6gLq5kBltUCU+xdHj4pre3oe74v54K/aKYHNOQ4g+jIda7K7Ncu1Xmj+kaBVWh4zzT8FGVB4rYQCnep0yuYfVPo2oBRwQOG1Ekpz3BZllB9/v+8FVAQ1HDGDHzFDf5W/29q0BgrEDFA5rYRCHGeTWsDc0zpOrRppoyPURiuh7MbflEqrZg2+E6yBiI6g4lkJb6M9rzIeWfO9376vAmXbE6qf+wBnzm21YaLc3jNClbM63/gucpVzpLqaGHDw0T+JNsPuNRAdVWAPbPV92941H0BMA6XN6nzbuwaUmAZKm9X3bXsXZRV7ZGLnNs5rW+LeUvG9t4+5OI9hRKS3Uf07cyLKXpjHJbKRtLgRKpOVWIJ1LMyLXBFCquMIVcdKelFuIsyLsvIjYhbqniAbzup8kFDPM+2ciImpL8ipcnPAUUa+WyKRERQcK+nJsYlEQA1EZASFxUoopDnqVqK8FSM+DXUPgE1tk9atyEryCDtjK6F4hiOXiB6RQSUFpeckIpQYK+HxrzOMJ6vwkoRpKJnSO5IpQScxI5yivNn2Beg+qZ1t3sajxa2wyqgIjXR5279RwK76o+4Ib4eEy6iYUIyPFx3c9J5mSm67WcbEsAzDQlykJanUPv12WJZhITrS59+d6nAdw0XspM8/PVXjVvsG8ZPQE2TCjqbdTmtZK/8mxF1aarnZfQkQuJSxsrmPDBHRl/5M49JikWg+/XmINdV+s/59vp4rumIS3nQ/wAuPjpnEpPeGjwIlLWhPDqrTyuhEVA25F2u2pjm/5WHF2ILpk9v5HilmR9i7nLzqyraYHUPhshYbdR6KjctYGS7jrhVzl/C+0uFVr3GZD1rR6U6ff2Kpww0MFzPU6VeWatzKytFNVp8zO2prB3i7tj7FYhIoaNbCnfIUi66xwmJzATXNWmzbB1i0+X3Ffh/zmHBvuH8NWmPxVVXoyNcnJT9lkI69V/Gwsn0LjrP625vxF0AWUQgbld63aSKOInh/nV7ATjY85HDDkVENfp+Am8Xe5XBl+ddo/jWY0/rY/tM1cJXdM2ZTmNn6iPDg83wdLvNcUOCsxestdg0hP8fTYmkWgUFFsxZuuw6ztxLzZWmNB1aGX8mbsbID7N3YHYtkoCpaC5dCEw/NlREzLOYpYG9vLT6Vc+gl9g6XnSOhMloLV0DVQ3AzWNVqo9u+Pu39Kad0rK7Em43tW3B0JrQN23/qqoyOzTCLyKBEWn92s9BhMa6Cymj9fS8Xum9gvAUl0vr8/UKLaxiHQcW0/r5XDPU3cKuC+ul21Py67EN/XeHizFd78TCLvOutTcUohtk71Fnr87cRZawMlzEZlFpr6UJiZk83WMwzQLW1FlrBHVRLdLjsVAkF11rsBrergK6xKpvCWbD22uWoTR3wzbWVWf59mOn6u5iD79mV0bMVYOwG9dlauJqZOtHVWJYxGhRka6nNGTrRGZAXg9Jr3d3DfMoanT+WhaHbt+BIq7+bOXjlX0bKZphFXVCErYVLminf3GAxfoKq64L1HX1z8w2Mt6Agu3zDSd/c4DLegvrsgvsdfbMseU73Uug2bAujTbnW/MWf2/TYoTC7vghzjDSYsLsKDP7cN48KaYtdHklZpmJ7HWRrquAIQN/w586I3V2lMa0p2fesKri0lFHjOEZJTMLd4jSU8UhqMasu6/i32RI5ED79uQuf5Idtu99mySsm125/u9FTsk7XuyvgGJU4kHD/c1cVKFcEdb/NqINJs9vfbt7qsTq1nbte0gVGbr1TNq7Vue3cujzKJccYmRGGAymoDbmuBwLKg+63GSkg7fX22+1bPMlOXyUoieQ3ItpZGRaQMvl1t/uWdmmSb/tKXfvgzUcDxE5fbrDN226tNmaKww991ECcypjAGlJZjZb7IYVLekBpI5iQ3HRaraAe68tCnI45hRoe+d/WJRY1s3lm9R7wwQo/YPOiyY+ppY2DXJV59mzAqOF2e4mSHoXxNjWK9w+VBdkxjkEYQ3jAEF09TKr1upvRD/PFYmLuc4tl7nR7f2Sx2IbzgEbaBOrEPPrqysMzxvCAMaQ+wcI8epAL97ABEJjHora1j9XC2eG/j9qOGqHD4kSyVUWGo0irpxjpLRwHRF4T364Yv8385CvASir2qZ+PB38+NZ6emnM/8+E8GvQ59pNj4znEcHSqeCZSpVo4u7prVvSZv/vD737/93OwM1N48DK23uaBxYJhBi08bimGNQpvj21T8A2yzkzdalJJwsM1UwcO2g0aY2OmLsVo/CDodOkEbPQsGvNiTGM6WB/w0tmzFkLfUtx4X6bxGWcyvedxs6ySG1PIzCXEGTrazj55nMlxW5/9wj21cnxVvuf2hznCJPxvT9mkf9g1/006rG9hdepj5dTo61jkFmcIopzMolX3Jr2mU3F2KtH+xz/8dgTIIrg4xQ/IyHNpzFNDdI96hMm2a5zarsWbqVzfw1r9j3FWamOX/nzQyMIj3WKlRRshrAxhhiJQwZSNt+yUbCi5rBGmYpgzRDGRCW0QNEOYIof9TF+DYBiCmZm3qFPeaV3XV0c65y5mhGAZwlGCAS+cNQiOIUwRCVv7iWx/g+YZ2lTIA/bpHFpgaDOs4LRKFrDo5pWZFL3/13/5XQnU0/Q+QuGsEXhk4HP0sNtgt0Zg8st1nSGGiSa3DQKbwHWGGFzQ8duzA6DVKcNTIp8JNBZrresMIVh3u+czg5odDUeYIQQemxSE8qznq7Ag+cZkGn/6zR/3znDryrhi3eeK/JObG8rdZzyO8dNcsR+eoYjtzHArx7btz9fl8QrPQQ6jQWOkus7QhbmndMzzuRj3wIeh7fcYOaxTUUO2rW3VJ36bEek6QwX8yDJa+99PrL3mG3XuJNY+OCOD/9OM4TGCV1Mswa1eL4OzxcpEuqua4gcWLGzhUJagaD9AUGzq1AwrcARzT+62RKyJ1Ec4jBvUFDeUCvHcYHXmdLcyGeaqpoIF9mKx827dDXiYaHVVM0xQvXn/uoyJu3tJMSpTUyGDT892bC77Num4FWMCNcME/GlJ0ACtQWB8oCb5IN1XfJV8vH2PZ/7AsCq+W2ZoQMYcIbC9rqf2us53Vfqh4NVrQ2Vsn+iZHR/iTaVUsX97gbCY/JyAGs2VZrtFz+z7KnkV8qm1bXHVILDdomd2fI0gvpHSILB9omd2fNWk+upzNKguIwRmxXrK9z8uaW9c13QMyas+5fU1t6uZHe9uZn1d+e6wCZPZrXpmr1cv26oiL1yGtsSiWD2XPJQfHtp8SxGGjvYgk9Gt+qizP+CxmGxuNTN7vX7CKrdP0zcv3JA2OGzHm5kdX81eeUYk+tGMGbbXzcxeDzGJVbZlSGx/X3IrLjuKUwzb62bKu7PuMMX3uoseWTETsa1mZq9vB+jcsSSFdeYe4qszYAn0yv1yCvH+83/5p90QT4X/+J//H4RmdvCZsAEA
建模技术包括（但不限于）：
假设情景分析。假设情景分析是对各种情景进行评估，预测它们对项目目标的影响（积极或消极的）。假设情景分析就是对“如果情景X出现，情况会怎样？”这样的问题进行分析，即基于已有的，考虑各种各样的情景，例如，推迟某主要部件的交货日期，延长某设计工作的时间，或加入外部因素（如罢工或许可证申请流程变化等）。可以根据假设情景分析的结果，评估在不利条件下的可行性，以及为克服或减轻意外情况的影响而编制应急和应对计划。
模拟。模拟技术基于多种不同的活动假设［通常使用（见节）的］计算出多种可能的项目工期，以应对不确定性。最常用的模拟技术是蒙特卡洛分析（见节），它首先确定每个活动的可能持续时间，然后据此计算出整个项目的可能工期。
，也称7QC工具，用于在PDCA循环的框架内解决与质量相关的问题。 如图8-7所示，七种基本质量工具是：
，又称鱼骨图或石川图。问题陈述放在鱼骨的头部，作为起点，用来追溯问题来源，回推到可行动的根本原因。在问题陈述中，通常把问题描述为一个要被弥补的差距或要达到的目标。通过看问题陈述和问“为什么”来发现原因，直到发现可行动的根本原因，或者列尽每根鱼骨上的合理可能性。要在被视为特殊偏差的不良结果与非随机原因之间建立联系，鱼骨图往往是行之有效的。基于这种联系，项目团队应采取纠正措施，消除在控制图中呈现的特殊偏差。
，也称过程图，用来显示在一个或多个输入转化成一个或多个输出的过程中， 所需要的步骤顺序和可能分支。它通过映射SIPOC模型（见图8-6, Supplier 供应者；Input 输入；Process 流程；Output 输出；Customer 客户）中的水平价值链的过程细节，来显示活动、决策点、分支循环、并行路径及整体处理顺序。可能有助于了解和估算一个过程的。通过工作流的逻辑分支及其相对频率，来估算。这些逻辑分支，是为完成符合要求的成果而需要开展的一致性工作和非一致性工作的细分。
图8-6SIPOC模型
核查表，又称计数表，是用于收集数据的查对清单。它合理排列各种事项，以便有效地收集关于潜在质量问题的有用数据。在开展检查以识别缺陷时，用核查表收集属性数据就特别方便。用核查表收集的关于缺陷数量或后果的数据，又经常使用帕累托图来显示。
，涵盖100%的可能观察结果。横轴上每个特定原因的相对频率逐渐减少，直至以“其他”来涵盖未指明的全部其他原因。 在帕累托图中，通常按类别排列条形，以测量频率或后果。
直方图，是一种特殊形式的条形图，用于描述集中趋势、分散程度和统计分布形状。 与控制图不同，直方图不考虑时间对分布内的变化的影响。
、产量、范围变更频率或其他管理工作成果，以便帮助确定项目管理过程是否受控。
散点图，又称相关图，标有许多坐标点（X,Y），解释因变量Y相对于自变量X的变化。相关性可能成正比例（正相关）、负比例（负相关）或不存在（零相关）。如果存在相关性，就可以画出一条回归线，来估算自变量的变化将如何影响因变量的值。
& & & & & & &&
图8-7七种基本质量工具示意图
。访谈技术利用经验和历史数据，对风险概率及其对项目目标的影响进行量化分析。所需的信息取决于所用的类型。例如，有些常用分布要求收集最乐观（低）、最悲观（高）与最可能情况的信息。图11-13是用法估算成本的一个例子。关于法的更多信息，见（见节）和（见节）。在风险访谈中，应该记录风险区间的合理性及其所依据的，以便洞察风险分析的可靠性和可信度。
图11-13风险访谈所得到的成本估算区间
。在建模和模拟中广泛使用的连续概率分布，代表着数值的不确定性，如进度活动的持续时间和项目组成部分的成本的不确定性。不连续分布用于表示不确定性事件，如测试结果或决策树的某种可能情景等。图11-14显示了广为使用的两种连续概率分布。这些分布的形状与量化风险分析中得出的典型数值相符。如果在具体的最高值和最低值之间，没有哪个数值的可能性比其他数值更高，就可以使用均匀分布， 如在早期的概念设计阶段。
图11-14常用概率分布示例
常用的技术有面向事件和面向项目的分析方法，包括：
有助于确定哪些风险对项目具有最大的潜在影响。它有助于理解项目目标的变化与各种不确定因素的变化之间存在怎样的关联。把所有其他不确定因素固定在基准值，考察每个因素的变化会对目标产生多大程度的影响。敏感性分析的典型表现形式是也有助于分析冒险情景。龙卷风图是在敏感性分析中用来比较不同变量的相对重要性的一种特殊形式的条形图。在龙卷风图中，Y轴代表处于基准值的各种不确定因素，X轴代表不确定因素与所研究的输出之间的相关性。图中每种不确定因素各有一根水平条形，从基准值开始向两边延伸。这些条形按延伸长度递减垂直排列。
图11-15龙卷风图示例
预期货币价值分析。预期货币价值（EMV）分析是当某些情况在未来可能发生或不发生时，计算平均结果的一种统计方法（不确定性下的分析）。机会的EMV通常表示为正值，而威胁的EMV则表示为负值。EMV是建立在风险中立的假设之上的，既不避险，也不冒险。把每个可能结果的数值与其发生的概率相乘，再把所有乘积相加，就可以计算出项目的EMV。这种技术经常在决策树分析中使用（见图11-16）。
图11-16决策树分析示例
建模和模拟。项目模拟旨在使用一个模型，计算项目各细节方面的不确定性对项目目标的潜在影响。模拟通常采用蒙特卡洛技术。在模拟中，要利用项目模型进行多次（反复）计算。每次计算时，都从这些变量的中随机抽取数值（如或活动持续时间）作为输入。通过多次计算，得出一个（如总成本或完成日期）。对于成本风险分析，需要使用进行模拟；对于进度风险分析，需要使用和持续时间估算进行模拟。图11-17是用三元模型和风险区间得出的成本风险模拟结果，它表明实现各个特定成本目标的可能性。对其他项目目标也能画出类似曲线。
图11-17成本风险模拟结果
（最好来自具有近期相关经验的专家）用于对成本和进度的潜在影响，估算概率及定义各种分析工具所需的输入，如。
还可在数据解释中发挥作用。专家应该能够识别各种分析工具的劣势与优势。根据组织的能力和文化，专家可以决定某个特定工具应该或不应该在何时使用。