Вы находитесь на странице: 1из 81

МОСКОВСКИЙ АВТОМОБИЛЬНО-ДОРОЖНЫЙ

ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ
УНИВЕРСИТЕТ (МАДИ)

В.Т. КАПИТАНОВ, О.Ю. МОНИНА,


А.Б. ЧУБУКОВ

ПРИМЕНЕНИЕ
МАТЕМАТИЧЕСКИХ МЕТОДОВ
ДЛЯ АНАЛИЗА АВАРИЙНОСТИ
В РЕГИОНАХ

МЕТОДИЧЕСКОЕ ПОСОБИЕ
МОСКОВСКИЙ АВТОМОБИЛЬНО-ДОРОЖНЫЙ
ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
(МАДИ)

Кафедра «Организация и безопасность движения»

Утверждаю
Зав. кафедрой проф.
_______________ С.В. Жанказиев
«___» _______________ 2013 г.

В.Т. КАПИТАНОВ, О.Ю. МОНИНА,


А.Б. ЧУБУКОВ

ПРИМЕНЕНИЕ
МАТЕМАТИЧЕСКИХ МЕТОДОВ
ДЛЯ АНАЛИЗА АВАРИЙНОСТИ
В РЕГИОНАХ
МЕТОДИЧЕСКОЕ ПОСОБИЕ

МОСКВА
МАДИ
2013
УДК 656.13.08:519.87
ББК 39.808в6
К 202

Капитанов, В.Т.
К 202 Применение математических методов для анализа аварий-
ности в регионах: методическое пособие / В.Т. Капитанов,
О.Ю. Монина, А.Б. Чубуков. – М.: МАДИ, 2013. – 80 с.

Настоящее пособие содержит материалы, необходимые для углубленного


освоения разделов курсов кафедры «Организация и безопасность движения».
В пособии изложены прикладные математические методы, отработанные
при проведении исследований по темам «Совершенствование информационных
средств и систем Госавтоинспекции» НИЦ БДД МВД России и «Научные основы
формирования дифференцированных стратегий повышения безопасности дорож-
ного движения» МАДИ, предназначенные для использования в учебном процессе
для подготовки магистров по специальности 190702 «Организация и безопасность
движения», а также в практической деятельности сотрудников Госавтоинспекции.

УДК 656.13.08:519.87
ББК 39.808в6

___________________________________________________________________

КАПИТАНОВ Валерий Тимофеевич


МОНИНА Ольга Юрьевна
ЧУБУКОВ Александр Бежанович

ПРИМЕНЕНИЕ
МАТЕМАТИЧЕСКИХ МЕТОДОВ
ДЛЯ АНАЛИЗА АВАРИЙНОСТИ
В РЕГИОНАХ

МЕТОДИЧЕСКОЕ ПОСОБИЕ

Редактор Т.А. Феоктистова

Подписано в печать 18.10.2013 г. Формат 60x84/16.


Усл. печ. л. 5,0. Уч.-изд. л. 4,0. Тираж 100 экз. Заказ . Цена 80 руб.
МАДИ, 125319, Москва, Ленинградский пр-т, 64.

© МАДИ, 2013
3

ВВЕДЕНИЕ
Прошедшие десятилетия характеризуются активным развитием
и внедрением в практику информационных технологий. Новые воз-
можности появились с возникновением Интернета и с формированием
банков данных, содержащих различные сведения по самым разным
сторонам жизнедеятельности. Все это позволяет повысить уровень
интеллектуализации анализа ситуаций, принятия решений и управле-
ния процессами. Для этого требуется научиться использовать имею-
щийся математический аппарат и информацию, имеющуюся в банках
данных.
В рассматриваемой сфере это касается широкого круга анали-
тических задач, в частности, оценки уровня безопасности дорожного
движения и эффективности мер, направленных на его повышение,
как в стране в целом, так и в субъектах Российской Федерации, ана-
лизу причин возникновения ДТП, мест дислокации ДТП и т.д.
Применение математических методов позволяет решить целый
ряд задач в сфере обеспечения безопасности дорожного движения
(ОБДД), в частности, разработать:
комплекс моделей прогнозирования ситуаций в области ОБДД,
включая анализ достижимости целей, эффективности принятия
управленческих решений;
методологию решения задач мониторинга, анализа и моделиро-
вания ситуаций в области ОБДД;
методику проведения комплексного анализа факторов и послед-
ствий дорожно-транспортной аварийности;
методику проведения мониторинга основных показателей дея-
тельности подразделений ГИБДД различного уровня;
методику установления целевых значений показателей и инди-
каторов БДД;
алгоритмы расчета эффективности программных мероприятий,
направленных на повышение БДД;
рекомендации по разработке системы мониторинга и анализа
хода реализации программных мероприятий.
Ниже приводятся ряд методов, применяемых при проведении
исследований в НИЦ БДД МВД России и МАДИ (ТУ), а также примеры
их использования для решения некоторых практических задач в об-
ласти обеспечения безопасности дорожного движения (ОБДД).
4
1. МОДЕЛИ И МЕТОДЫ В АНАЛИЗЕ АВАРИЙНОСТИ
1.1. Понятие моделирования
В сфере ОБДД формулируются различные аналитические за-
дачи, в частности, оценки уровня безопасности дорожного движения
(БДД) и эффективности мер, направленных на его повышение, как в
стране в целом, так и в субъектах (регионах) Российской Федерации,
анализа причин возникновения ДТП, мест дислокации ДТП и т.д.
Принятие решений заключается в определении управления для
достижения объектом заданной цели. Это решение опирается на
имеющуюся модель (математическое представление) объекта, за-
данную цель, полученную информацию о состоянии среды и выде-
ленный ресурс управления, который чаще всего представляет собой
ограничения, накладываемые на управление в связи со спецификой
объекта и возможностями системы управления (временные, матери-
альные и др.).
Эффективность управленческих решений зависит от полноты
данных о каком-либо процессе, от объективности оценки вызвавших
его причин и условий возникновения этих причин. Выявление основ-
ных тенденций развития любого процесса позволяет спланировать
возможные значения его показателей в виде их совокупности, сфор-
мировать систему мероприятий, обеспечивающих достижение по-
ставленной цели, и через соответствующие административно-
хозяйственные и общественные организации привести в действие ор-
ганизационно-правовые, экономические и социальные механизмы,
реализующие эти мероприятия, а тем самым и достичь нового наме-
чаемого состояния.
Обычно самым сложным этапом исследования является работа
по созданию модели, так как она требует привлечения компетентных
специалистов, хорошо знающих изучаемую систему. Необходимо
тщательно продумать уровень детализации, чтобы он соответствовал
целям исследования и отвечал качеству доступной информации о
системе. Нет необходимости создавать детализированную динамиче-
скую модель, если для решения задачи достаточно иметь простую
модель. Более того, бесполезно разрабатывать сложную модель, ес-
ли доступная информация, по которой определяются коэффициенты
модели, разрознена и ненадежна. Бессмысленно проводить оптими-
5
зационное исследование с упрощенной моделью, которая дает не-
правильное значение истинного оптимума.
Модель должна быть настолько детализирована, насколько это
необходимо для целей исследования, для которого она создается.
Существует способ создания модели с рациональным уровнем неточ-
ности, а именно метод постепенного совершенствования модели и
методов оптимизации. Начав с самой простой модели, ее последова-
тельно доводят до такого уровня, когда точность полученного значе-
ния соответствует точности используемой в модели информации. Од-
нако этот трудоемкий процесс иногда требует больших затрат време-
ни. Для того чтобы получать результаты в заданные сроки и не прово-
дить постепенного совершенствования модели, обычно подгоняют
модель под методы, наиболее развитые к данному времени или осво-
енные специалистом, проводящим эту работу, или же использован-
ные в предыдущем исследовании. Например, часто возникает жела-
ние формулировать задачи как задачи линейного программирования
просто потому, что специалисту удобно работать с задачами такой
структуры.
При конструировании модели следует также учитывать возмож-
ности и ограничения имеющихся оптимизационных программ. Задача
нелинейного программирования должна быть меньшей размерности,
чем подобные задачи, которые решаются с помощью методов линей-
ного программирования. Однако на этапе моделирования соображе-
ния такого рода должны играть второстепенную роль по сравнению с
основными требованиями задачи.
Дорожно-транспортное происшествие возникает в результате
формирования неких неблагоприятных случайных межэлементных
микровзаимодействий в сложной системе (комплексе) «водитель– ав-
томобиль–дорога–среда» (ВАДС).
Эффективным методом исследования подобных сложных сис-
тем является их моделирование. Формальная модель подобной мак-
росистемы описывает преобразование упомянутых микровзаимодей-
ствий в некоторый вполне регулярный процесс. Взаимодействие меж-
ду микро- и макроуровнями или характер преобразования случайных
взаимосвязей элементов системы в регулярный процесс во многом
зависит от тех физических, экономических, биологических, социаль-
ных и других закономерностей, сочетание которых определяет ее
функционирование.
6
В качестве источников информации о процессах, протекающих в
социальной сфере и касающихся дорожно-транспортной аварийности,
выступают:
информационные бюллетени ЕЭК ООН;
данные о ДТП, формируемые в МВД России;
данные государственной статистической службы;
материалы специальных исследований и др.
Используя сведения о принимаемых решениях и статистическую
информацию, характеризующую тот или иной процесс, можно прини-
мать управленческие решения, основываясь на имеющемся опыте и
результатах моделирования.
1.2. Типы моделей
В исследованиях обычно используются модели трех основных
видов:
аналитические;
поверхности отклика;
имитационные.
Модель первого типа включает уравнения, описывающие физи-
ческие свойства; они образуют системы уравнений или неравенств.
Поскольку такие модели описывают поведение системы на уровне ос-
новных технических принципов, они обычно достоверны для более
широких условий работы системы, чем модели поверхности отклика.
В модели поверхности отклика вся система или входящие в нее
части состоят из аппроксимирующих (заменяющих) уравнений вы-
бранного вида, коэффициенты которых определяются на основе пря-
мо или косвенно полученной информации о работе системы. Модели
такого типа используются обычно в тех случаях, когда отклик системы
непредсказуем или слишком сложен для создания аналитической мо-
дели. Модели поверхности отклика обычно надежны в ограниченной
области (определенной аппроксимацией). Однако их преимуществом
является упрощенная структура.
В моделях третьего типа основные уравнения, описывающие
поведение системы, группируются в отдельные модули или подпро-
граммы. Они описывают работу отдельных частей оборудования или
реакцию системы на изменение ее состояния. Каждый из этих моду-
лей или подпрограмм независим от других и содержит внутренние вы-
7
числительные процедуры, такие, как решение уравнений, «генерация»
каких-либо событий в соответствии с законом распределения и т.д.
Имитационные модели обычно используются в тех случаях, когда
трудно решать уравнения с неявно заданными переменными, когда от
состояния системы зависит выбор алгоритма вычислительной проце-
дуры или соответствующих уравнений, когда в модель приходится
вводить случайные возмущения, что требует использования генера-
торов случайных чисел. Модели этого типа обычно сложнее моделей
двух описанных выше типов и, как правило, при их использовании
нужны большие вычислительные мощности.
В большинстве случаев выбор типа модели определяется каче-
ством имеющейся информации о системе, степенью понимания того,
что происходит с системой, и зависит от сложности самой системы.
1.3. Пути реализации модели
Независимо от принятого типа модели требуется выбрать: каким
образом реализовать модель, в какой форме записать ее, какие сред-
ства использовать для формализации и решения оптимизационной
задачи.
Модель можно записать в виде уравнений и ограничений, а за-
тем запрограммировать для вычисления значений функций.
Имитационные и аналитические модели можно реализовать в
виде программ. Из-за больших ресурсов, в первую очередь времен-
ных, имитационные модели используются при решении оптимизаци-
онных задач с небольшим числом независимых переменных.
При решении значительной части прикладных задач использу-
ются аналитические модели в сочетании с имитационными.
После того, как модель построена и выбран способ ее представ-
ления, как правило, требуется сформулировать оптимизационную за-
дачу.
В общем виде (вне зависимости от предметной области) задача
оптимизации заключается в минимизации некоторой функции f(x)
(критерий, целевая функция)
f ( x ) min
при ограничениях (группа равенств, неравенств)
hk ( x ) 0,( k 1,..., K ),
g j ( x ) 0,( j 1,..., J ),
8
и области изменения переменных
xi0 xi x1i ,( i 1,..., N ).
Выше х=(х1, …, хN) – многомерная величина (вектор).
Задачи оптимизации классифицируются в зависимости от вида
функций, входящих в систему, наличия ограничений, размерности за-
дачи и т.д.
Если целевая функция и ограничения линейные, то решается
задача линейной оптимизации (симплекс-метод, метод ветвей и гра-
ниц и др.).
Примером задачи нелинейной оптимизации является сетевая
задача нахождения управляющих сигналов светофоров (в основе ре-
шения – градиентный метод).
Ниже в основном рассматриваются задачи линейной оптимиза-
ции.
Методы линейной и нелинейной оптимизации изложены, напри-
мер, в работах [9, 21, 33].
Вычислительные трудности, связанные с решением оптимиза-
ционной задачи, обычно вызываются следующими причинами: плохим
масштабированием, несоответствием программ для вычисления зна-
чений функций и программ для вычисления производных, недиффе-
ренцируемостью входящих в модель функций, неправильным задани-
ем области определения значений аргументов функций. Как правило,
при анализе можно выявить эти ситуации и исключить путем простой
модификации модели.
1.4. Вероятностно-статистические модели и методы
Теория вероятностей – раздел математики, предназначенный
для разработки и исследования свойств математических моделей,
имитирующих механизмы функционирования реальных явлений или
систем, условия «жизни» которых включают неизбежность влияния
большого числа случайных (т.е. не поддающихся строгому учету и
контролю) факторов.
Математическая статистика – раздел математики, посвященный
математическим методам систематизации, обработки и использова-
ния статистических данных для научных и практических выводов. При
этом статистическими данными называются сведения о числе объек-
9
тов в какой-либо более или «менее обширной совокупности», обла-
дающих теми или иными признаками.
Там, «где на поверхности происходит игра случая, там сама эта
случайность всегда оказывается подчиненной внутренним, скрытым
законам» [12]. Именно разнообразные математические модели таких
скрытых закономерностей предоставляют исследователю теория ве-
роятностей и математическая статистика.
Всякая генеральная совокупность (случайная величина) опреде-
ляется своим законом распределения.
Функция распределения вероятностей F ( x ) (или опуская ин-
декс – F ( x ) ) случайной величины называют функцию, ставящую в
соответствие любому заданному значению x величину вероятности
события x , т.е.
F ( x ) P{ x }.
Плотность вероятностей определяется как
f (x) F' .
По своему смыслу значения функции f ( x ) пропорциональны
вероятности того, что случайная величина примет значение где-то в
окрестности точки х.
Теоретическое среднее E случайной величины определяется
как (верхняя строка – непрерывный случай, нижняя строка – дискрет-
ный):
xf ( x )dx
E ,
xi0 pi
i

где x 0i , pi – соответственно значение и вероятность реализации слу-


чайной величины.
На практике при подсчете приближенного значения E на осно-
ве выборочных данных x1,..., x n , ее заменяют эмпирическим анало-
гом (выборочной средней):
1 n
x( n ) xi .
ni 1
Дисперсия D случайной величины определяется как (верхняя
строка – непрерывный случай, нижняя строка – дискретный):
10

(x E )2 f ( x )dx
D .
( xi0 E )2 pi
i

Эмпирическая дисперсия s 2 – приближенное значение теорети-


ческой дисперсии:
1 n
s 2( n ) ( xi x )2 .
ni 1
Выборочное (эмпирическое) значение среднеквадратического
отклонения имеет вид:
1 n
s( n ) ( xi x )2 .
ni 1
Широкий класс случайных величин индуцируется последова-
тельностью независимых случайных экспериментов следующего типа:
в результате реализации каждого случайного эксперимента (наблю-
дения) некоторое интересующее нас событие А может произойти (с
некоторой вероятностью р) или не произойти (соответственно с веро-
ятностью q=1–p). При многократном повторении эксперимента веро-
ятность р осуществления события остается неизменной, а наблюде-
ния, составляющие эту последовательность экспериментов, являются
независимыми. Эксперименты подобного типа называют последова-
тельностью испытаний Бернулли.
В терминах случайных величин эта последовательность экспе-
риментов i описывается как:
1, если событие А произошло
i .
0 в противном случае
Биномиальный закон описывает распределение случайной ве-
личины
p( m ) 1 ... m, т.е. числа появления события в последо-
вательности из m независимых испытаний, когда вероятность появ-
ления этого события в одном испытании равна р.
Известно, что
P{ p( m ) x} Cnx p x ( 1 p )m x
,
x
где C n – число сочетаний из n по x .
11
Центральное место в теории и практике вероятностно- статисти-
ческих исследований занимает нормальное (гауссовское) распреде-
ление.
Механизм формирования нормально распределенных случай-
ных величин заключается в следующем. Считается, что значения слу-
чайной величины формируются под воздействием очень большого
числа факторов, причем «сила» воздействия каждого отдельного фак-
тора мала и не может превалировать среди остальных, а характер
воздействия аддитивный. Показано, что функция плотности случай-
ных величин подобного типа имеет вид:
( x a )2
2 1 2 2
( x ; a, ) e ,
2
где a, 2 – параметры закона, интерпретируемые соответственно как
среднее значение и дисперсия случайной величины.
Соответствующая функция распределения нормальной случай-
2 2
ной величины ( a, ) обозначается Ф( x ; a, ) и задается соотноше-
нием
( t a )2
x
2 2 1 2 2
Ф( x ; a, ) P { ( a, ) x} e .
2
Условились называть нормальный закон с параметрами
2
a 0, 0 стандартным, а его функции плотности и распределения
обозначать соответственно ( x ) ( x ;0,1) и Ф( x ) Ф( x ;0,1) (прил. 1).
«Каждый уверен в справедливости нормального закона: экспе-
риментаторы – потому, что они думают, что это математическая тео-
рема, математики – потому, что они думают, что это эксперименталь-
ный факт» [1, 19].
Однако полнота теоретических исследований, а также сравни-
тельная простота, относящиеся к нормальному закону, делают его
наиболее удобным в применении. Даже в случае отклонения экспери-
ментальных данных от нормального закона существуют различные
пути его адаптации к реальным процессам.
1.5. Статистические методы проверки гипотез
На разных стадиях статистического исследования возникает не-
обходимость в формулировке и экспериментальной проверке некото-
12
рых утверждений (гипотез) относительно природы или величины не-
известных параметров. Например, высказывается предположение,
что исследуемые наблюдения извлечены из смеси двух нормальных
генеральных совокупностей. Цель исследования – проверить, не про-
тиворечит ли высказанная гипотеза имеющимся выборочным данным.
Процедура обоснованного сопоставления высказанной гипотезы
с имеющимися данными осуществляется с помощью того или иного
статистического критерия и называется статистической проверкой ги-
потез.
Результат подобного сопоставления может быть либо отрица-
тельным (данные наблюдения противоречат высказанной гипотезе, а
потому от этой гипотезы следует отказаться), либо неотрицательным
(данные наблюдения не противоречат высказанной гипотезе, а потому
ее можно принять в качестве одного из допустимых решений). При
этом неотрицательный результат статистической проверки гипотезы
не означает, что высказанное предположительное утверждение явля-
ется наилучшим, единственно подходящим: просто она не противоре-
чит имеющимся выборочным данным, однако таким же свойством на-
ряду с рассмотренной могут обладать и другие гипотезы.
Статистически проверенное предположение следует расцени-
вать не как абсолютный факт, а лишь как достаточно правдоподобное,
не противоречащее опыту утверждение.
По своему назначению и характеру решаемых задач статистиче-
ские критерии чрезвычайно разнообразны. Однако их объединяет
общность логической схемы, по которой они строятся. Эта схема опи-
сывается следующим образом [1].
1. Выдвигается гипотеза Н0.
2. Задаются величиной так называемого уровня значимости кри-
терия . Всякое статистическое решение, т.е. решение, принимаемое
на основании ограниченного ряда наблюдений, неизбежно сопровож-
дается некоторой, хотя может и очень малой, вероятностью ошибоч-
ного заключения как в ту, так и в другую сторону. Например, в какой-то
небольшой доле случаев гипотеза Н0 может оказаться отвергнутой,
в то время как на самом деле она является справедливой, или, на-
оборот в какой-то небольшой доле случаев можно принять гипотезу,
в то время как на самом деле она является ошибочной, а справедли-
вым оказывается некоторое конкурирующее с ней предположение –
13
альтернатива Н1. При фиксированном объеме выборочных данных
величину вероятности одной из этих ошибок можно выбирать по сво-
ему усмотрению. Если же объем выборки можно как угодно увеличи-
вать, то имеется возможность добиваться как угодно малых вероятно-
стей обеих ошибок и при любом фиксированном конкурирующем
утверждении Н1. В частности, при фиксированном объеме выборки
задаются величиной вероятности ошибочного отклонения прове-
ряемой гипотезы Н0, которую часто называют основной или нулевой.
Эту вероятность ошибочного отклонения нулевой гипотезы называют
уровнем значимости критерия. Выбор величины уровня значимости
зависит от сопоставления потерь, которые можно понести в случае
ошибочных заключений в ту или иную сторону: чем весомее потери от
ошибочного отклонения высказанной гипотезы Н0, тем меньшей вы-
бирается величина . Однако поскольку такое сопоставление в
большинстве практических задач оказывается затруднительным, то,
как правило, пользуются некоторыми стандартными значениями уров-
ня значимости: =0.1, 0.05, 0.025, 0.01, 0.005, 0.001. Особенно рас-
пространенной является величина уровня значимости , равная 0.05.
Она означает, что в среднем в 5% случаев будет ошибочно отвер-
гаться высказанная гипотеза.
3. Задаются некоторой функцией от результатов наблюдения
(n)
(n)
( X 1,..., X n ) . Эта статистика , как и всякая функция от резуль-
татов наблюдения, сама является случайной величиной и в предпо-
ложении справедливости гипотезы Н0 подчинена некоторому хорошо
изученному закону распределения с плотностью f ( n ) ( u ) .
Определяется мера отклонения выборочных характеристик от
соответствующих гипотетических значений и т.д.
4. Из таблиц распределения f (n) ( u ) находятся 100 (1–( / 2 )) %

(min) (max)
точка /2 и 100( / 2 )%-ная точка / 2 , разделяющие всю об-
(n)
ласть изменения случайной величины на три части: область не-
правдоподобно малых (I), неправдоподобно больших (III) и правдопо-
добных (в условиях справедливости гипотезы Н0), значений (II).
В случае, когда рассматриваются только односторонние откло-
(n)
нения, т.е., например, «слишком большие» значения статистики ,
14
(max)
находят лишь точку , которая будет разделять весь диапазон
(n)
значений на две части: на область неправдоподобно больших и
область правдоподобных значений.
(n)
5. В функцию подставляют имеющиеся выборочные данные
(n)
X 1,..., X n и подсчитывают численную величину . Если окажется,
что вычисленное значение принадлежит области правдоподобных
(n)
значений , то гипотеза Н0 считается не противоречащей выбороч-
(n)
ным данным. В противном случае, т.е. если слишком мала или
слишком велика, делается вывод, что ( n ) на самом деле не подчиня-
ется закону f ( n ) ( u ) (что влечет вероятность ошибки ), и это несоот-
ветствие вынуждены объяснить ошибочностью высказанного предпо-
ложения Н0 и, следовательно, отказаться от него.
Таким образом, решение, принимаемое на основании любого
статистического критерия, может оказаться ошибочным как в случае
отклонения проверяемой гипотезы Н0 (с вероятностью ), так и в слу-
чае ее принятия (с вероятностью ). Величину (1- ) называют мощ-
ностью критерия.
Из двух критериев, характеризующихся одной и той же вероят-
ностью отвергнуть в действительности правильную гипотезу Н0
следует предпочесть тот, который обладает большей мощностью.
1.6. Выделение аномальных наблюдений
К настоящему времени создан целый раздел прикладной мате-
матической статистики, включающий методы оценивания показате-
лей, подчиняющихся различным законам распределения. Хорошо из-
вестны методы выявления аномальных наблюдений в некоторой со-
вокупности.
В конечном счете решение выделить какие-либо данные всегда
субъективно. Наиболее строгий подход к проблеме анализа аномаль-
ных данных, применяемый в различных областях, требует повторить
эксперименты (если это возможно). В большинстве случаев, относя-
щихся к сфере ОБДД, повторить эксперимент невозможно. При не-
большом объеме опытных данных и отсутствии явных причин появле-
ния аномалий целесообразно использовать статистические методы их
выявления.
15
Часто даже предварительный просмотр исходных данных может
вызвать сомнения в истинности (или правомерности) отдельных на-
блюдений, слишком сильно выделяющихся на общем фоне. В этих
случаях возникает вопрос: объясняются ли обнаруженные выбросы в
исходных данных лишь случайными колебаниями выборки (обуслов-
лены природой анализируемой генеральной совокупности) или дело
здесь в чем-то еще.
Во многих случаях решение задачи может быть получено фор-
мальными методами.
С математической точки зрения речь идет о выделении наблю-
дений, величина которых не согласуется с распределением основной
массы данных.
Рассматриваемая задача разделяется на два этапа: выявление
«подозрительных» наблюдений и проверка статистической значимо-
сти их отличия от основной массы данных.
Задаются функцией
* *
( X i1 ,..., X ik ;X)
от всех имеющихся наблюдений X , характеризующей степень ано-
мальности (меру удаленности от основной массы наблюдений) «по-
дозрительных» наблюдений X i*1,..., X ik* , а затем подставляют в функ-
цию реальные значения наблюдений и сравнивают величину с неко-
торым пороговым значением 0 . Если 0 , то «подозрительные»
наблюдения являются аномальными.
Статистические методы, как правило, основаны на проверке ну-
левой гипотезы о том, что аномальное значение относится к тому же
множеству, что и остальные опытные данные. Для проверки этой ги-
потезы необходимо выбрать соответствующий критерий, согласно ко-
торому отвергается аномальный результат с заданным уровнем зна-
чимости.
Критерий определяется заданием соответствующей критической
области во множестве значений статистики. Критическая область
должна включать все маловероятные при принятой гипотезе значения
статистики критерия.
Для выявления резко выделяющихся наблюдений имеется ряд
критериев. Как правило, при использовании минимальной информа-
ции о функции распределения исключаются лищь результаты наблю-
дений, весьма далеко отстоящие от основной массы.
16
С математической точки зрения речь идет о выделении наблю-
дений, величина которых не согласуется с распределением основной
массы данных.
Чаще всего предполагается, что наблюдения основной массы
имеют нормальное распределение с неизвестными параметрами. От-
носительно моделей для «выбросов» единства предположений нет.
Предположим на магистрали (0, L ) длиной L и на участке
( l,l l ) магистрали длиной l зафиксированы реализации случайной
величины (факт ДТП) и требуется выявить аномальные участки.
В ходе анализа выясняется, что некоторые зафиксированные
значения существенно отличаются от остальных (аномальные дан-
ные). В зависимости от выбранного критерия возможны различные
варианты принятия решения о том, опасен или нет выбранный уча-
сток ( l , l l ).
Предлагается к рассмотрению несколько критериев.
1. Задача представляется классической задачей теории вероят-
ности (повторение испытания при постоянных условиях).
Если бы во всех точках магистрали были бы одинаковые усло-
вия с точки зрения безопасности дорожного движения, то следовало
бы ожидать равную вероятность возникновения ДТП в любой точке
магистрали.
Очевидно, что в этом случае вероятность P0 события на участке
магистрали пропорциональна длине этого участка, т.е.
l
P0 .
L
Пусть в каждом из n испытаний реализуется один из двух исхо-
дов A (ДТП на участке ( l ,l l ) или A (ДТП вне участка ( l , l l ) , при-
чем вероятность A равна p , A -q=(1- p ). Тогда вероятность pn ( x )
ровно x раз наблюдать A в n испытаниях определяется как [11]:
n!
pn ( x ) Cnx p x q n x p xqn x ,
x ! ( n x )!
где C nx - число сочетаний из n по x ;
p = P0 .
Вероятность pn ( x ) того, что A встретится не более чем x раз в
n испытаниях, определяется по правилу сложения вероятностей
17
pn ( x ) pn ( 0 ) pn ( 1) ... pn ( x ).
Участок может быть опасным (аномальным), если m nP0 и ве-
роятность реализации зафиксированного количества ДТП сущест-
венно не превосходит возможное значение P0 (маловероятное собы-
тие), т.е.
n!
pn ( m ) Cnm pmq n m
p mq n m P0 ,
m! ( n m )!
где m – зафиксированное количество ДТП на участке ( l , l l ).
Если оба перечисленных условия выполняются, то требуется
проверить, превосходит ли зафиксированное значение некоторую за-
ранее нормированную контрольную величину.
Вариантов решения задачи может быть несколько.
1. Участок опасен, если при заданном уровне значимости зна-
чение величины m превышает критическое значение j ( m j ), т.е.:
j
Cnx P x q n x
1 ,
x k 1
где k – целая часть P0 ; j – критическое значение аномальности (для
заданного уровня значимости).
2. Одним из наиболее простых и достаточно мощных критериев
проверки принадлежности аномального выборочного значения нуле-
вой гипотезе является двусторонний несмещенный критерий ано-
мального наблюдения Смирнова [11], основанный на формировании
статистики нормированного максимального абсолютного отклонения
аномального наблюдения от выборочного среднего.
Суть критерия заключается в следующем.
Магистраль (0, L ) разбивается на n участков с равной длиной l .
Пусть в результате проведения эксперимента получена некото-
рая гауссова выборка x ( x1,..., x n ) (количество ДТП на участках 1,…, n)
объема n. Одно из выборочных значений x m существенно отличается
от остальных. Необходимо решить, является ли оно аномальным (и
соответствующий ему участок магистрали) или обусловлено случай-
ной природой всех выборочных значений.
В качестве статистики критерия рассматривается величина
max/ xi x/
un ,i 1,..., n,
s
18

где x , s – соответственно выборочные среднее и дисперсия:


1 n 1 n
xi , s 2
x ( xi x )2 .
ni 1 ni 1
Для рассматриваемой статистики получены законы распределе-
ния вероятностей и составлены таблицы критических значений рас-
пределения наибольшего по абсолютной величине нормированного
выборочного отклонения в зависимости от объема выборки n и уров-
ня значимости [7, 11], позволяющие найти по заданным ,n крити-
ческое значение u ,n такое, что
P{ u u ,n } .
Если значение выборочной статистики u *n , полученное на основе
опытных данных, не превышает критического значения u ,n (табл. 1),
т.е. если
max/ xi x /
u*n u ,n ( i 1,...n ),
s
то гипотеза о том, что значение x m не принадлежит общему ряду (по
сути не является аномальным с уровнем значимости ).
Таблица 1
Критические значения u ,n распределения наибольшего отклонения
un max(/ xi x /) / s , такие, что P { un u ,n }
n=3 4 5 6 7 8 9 10 12 14 16 18
0.01 1.41 1.73 1.97 2.16 2.31 2.43 2.53 2.61 2.75 2.86 2.95 3.02
0.05 1.41 1.71 1.92 2.07 2.18 2.27 2.35 2.41 2.52 2.60 2.67 2.72
0.10 1.41 1.69 1.87 2.0 2.09 2.17 2.24 2.29 2.39 2.46 2.52 2.58
n=20 22 24 25 28 30
0.01 3.08 3.13 3.18 3.22 3.26 3.29
0.05 2.78 2.82 2.86 2.90 2.93 2.96
0.10 2.62 2.66 2.70 2.73 2.76 2.79
В [4] приводится достаточно точная аппроксимация (с точностью
до 0.1) u ,n при 0.05 :
1.39 0.462 ln( n 3 ) при : 5 n 35;
u0.05 ,n
2.136 0.281ln( n 15 ) при : 35 n 500.
1.7. Проверка независимости характеристик
Для проверки гипотезы независимости характеристик достаточно
часто используется наиболее известный критерий корреляции Спир-
мена [4], в основе которого лежит ранговая статистика.
19
Суть метода заключается в следующем.
Обозначается через R i ранг X i в вариационном ряду X 1,..., X n
(т.е. номер места, занимаемого величиной X i в вариационном ряду
X ( 1) ... X ( n ) ). Аналогично обозначается через Si ранг Yi среди
элементов Y1,...,Yn .
Таким образом, выборки порождают множество пар рангов
( R1,S1 ),...,( Rn ,Sn ).
Переставив эти пары в порядке возрастания первой компоненты,
получаем множество пар ( 1,S(1) ),..., ( n,S( n ) ).
Для множеств рангов вводится ранговая статистика, представ-
ляющая собой коэффициент корреляции:
n n n
( Ri R )( Si S ) /( ( Ri R )2 ( Si S )2 )0.5 .
i 1 i 1 i 1
Часто используют также формулу
6 n
1 2
( Ri Si )2 .
n( n 1) i 1
В [4] отмечается совпадение результатов расчета по этим двум
формулам.
Значения находятся в интервале от –1 до +1 ( =0 указывает
на отсутствие корреляции). При полном соответствии рангов 1,
при противоположных – 1. Значения , близкие к крайним, сви-
детельствуют против гипотезы независимости.
Считается, что критическая область критерия Спирмена опреде-
ляется зависимостью
{/ / t ( n )},
где t ( n ) – граница критической области; n – количество эксперимен-
тов.
При больших n ( n 10 ) эта граница представляется в виде
P ( n 0 .5 / / c ) 2Ф( c ) ,
где Ф( c ) – квантили нормального распределения; – уровень зна-
чимости критерия.
Алгоритм расчета принят следующим.
Вводится последовательность n исходных данных элементов
выборок x(i,1) и x(i,2).
20
Для первой выборки.
Осуществляется цикличный перебор (цикл в цикле) по i и j (от 1
до n). При этом анализируется условие x(i,1)>x(j,1)and(i<>j). Если оно
выполняется, то k=k+1 (исходное значение k=0).
При этом полагается ранг равным z(i)=k.
Для второй выборки.
Осуществляется цикличный перебор (цикл в цикле) по i и j (от 1
до n). При этом анализируется условие x(i,2)>x(j,2)and(i<>j). Если оно
выполняется, то k=k+1 (исходное значение k=0).
При этом полагается ранг равным z2(i)=k.
Далее путем организации нескольких циклов рассчитывается
ранговый коэффициент корреляции
n n n
r= (z(i) - z1)(z2(i)- z1)/( (z(i) - z1)(z(i)- z1))0.5 )/ (z2(i) - z1)(z2(i)- z1))0.5 ).
i 1 i 1 i 1
По таблицам (прил. 1 или табл. 2) определяются соответствую-
щие границы.
Таблица 2
Критические значения коэффициента ранговой корреляции Спирмена
Уровень значимости
n
0.05 0.025 0.01 0.005
1 2 3 4 5
5 0.9
6 0.829 0.886 0.943
7 0.714 0.786 0.893
8 0.643 0.738 0.833 0.881
9 0.6 0.683 0.783 0.833
10 0.564 0.648 0.745 0.794
11 0.523 0.623 0.736 0.818
12 0.497 0.591 0.703 0.78
13 0.475 0.566 0.673 0.745
14 0.457 0.545 0.646 0.716
15 0.441 0.525 0.623 0.689
16 0.425 0.507 0.601 0.666
17 0.412 0.49 0.582 0.645
18 0.399 0.476 0.564 0.625
19 0.388 0.462 0.549 0.608
20 0.377 0.45 0.534 0.591
21 0.368 0.438 0.521 0.576
21
Продолжение табл. 2
1 2 3 4 5
22 0.359 0.428 0.508 0.562
23 0.351 0.418 0.496 0.549
24 0.343 0.409 0.485 0.537
25 0.336 0.4 0.475 0.526
26 0.329 0.392 0.465 0.515
27 0.323 0.385 0.456 0.505
28 0.317 0.377 0.448 0.496
29 0.311 0.37 0.44 0.487
30 0.305 0.364 0.432 0.478

1.8. Определение наличия тренда


Для проверки гипотезы случайности выборок данных (отсутствия
тренда) наиболее эффективным является критерий инверсий, суть ко-
торого заключается в следующем.
Если в выборке значений x1,..., xn , записанных в порядке их по-
явления, за некоторым значением x i следует значение x j , причем
xj xi ( i 1 j n ) , то имеет место инверсия. Общее число инвер-
сий I в выборке является статистикой критерия случайности получен-
ных значений x . Иногда рассматривают статистику Т, определяемую
числом обратных инверсий ( x j xi ).
Под уровнем значимости понимается ошибка решения, связан-
ная с отклонением гипотезы о случайности выборки, когда она в дей-
ствительности верна [18].
При n 20 статистика I распределена приблизительно нор-
мально со средним M ( I ) и дисперсией D( I ) , где
n( n 1)
M( I ) ,
4
2n 3 3n 2 5n
D( I ) .
72
Граница t ( n ) значений, являющихся критическими для рас-
сматриваемой гипотезы при заданном уровне значимости , выбира-
ется из условия [4]:
n( n 1) n( n 1)
P( t (n) T(n) t ( n )) 1 .
4 4
22
Точные критические значения инверсий I1( ) и I 2 ( ) приведены
в табл. 3 [4].
Таблица 3
Критические значения I1( ) и I 2 ( ) критерия инверсий
Доверительная вероятность
n 0.90 0.95
I1 I2 I1 I2
10 13 31 11 33
12 21 44 18 47
14 30 60 27 63
16 41 78 38 81
20 69 120 64 125
30 171 263 162 272
40 319 460 305 474
50 514 710 495 729
60 756 1013 731 1038
70 1045 1369 1014 1400
80 1382 1777 1344 1815
90 1766 2238 1721 2283
100 2198 2751 2145 2804
Гипотеза случайности принимается, если
I1( ) I I 2 ( ).
В противном случае может идти речь о наличии некой законо-
мерности (тренда).
1.9. Критерий принадлежности двух выборок одной
и той же генеральной совокупности
Сравниваются две выборки или две серии независимых наблю-
дений объемами m и n однородных величин x и y. Причем обнаружи-
ваются различные рассеивания величин.
Требуется установить, можно ли считать это рассеивание (рас-
хождение) существенным или оно имеет случайный характер [25].
Нулевая гипотеза: функции распределения Px(t) и Py(t) тождест-
венны для любых t.
Для проверки нулевой гипотезы используется критерий Вилкок-
сона, основанный на определении числа инверсий в объединенной
общей последовательности величин x и y, расположенных в порядке
возрастания их значений. Под инверсией понимается ситуация, при
которой какому-либо значению x предшествует значение y.
Нулевая гипотеза отвергается, если число инверсий не попадает
в некоторую установленную область.
23
Эта область определяется следующим образом.
При больших объемах выборок (>10) число инверсий U распре-
делено приблизительно нормально с центром и дисперсией соответ-
ственно:
mn
Mu ,
2
mn
Du ( m n 1).
12
Критическая область для нулевой гипотезы следующая:
u Mu t Du ,
u Mu t Du .
Выше под t понимается нижний предел интегрирования в инте-
грале нормированной функции Лапласа. При уровне значимости 5% –
t=1.96, при 10% – t=1.645.
Если расчетное значение числа инверсий u не находится в кри-
тической области, то нулевая гипотеза не отвергается.
1.10. Критерии проверки нормальности распределения
2
1.10.1. Модифицированный критерий
Нормальный закон распределения получил наибольшее приме-
нение в практических расчетах. В [8] описывается критерий согласия,
модифицированный применительно к проверке нормальности рас-
пределения.
Совокупность выборочных данных разбивается на k равноверо-
ятных интервалов и статистика критерия подсчитывается по формуле
2 k k 2
mi n,
ni 1
где n - объем выборки; mi - количество членов выборки, попавшее в
k -й интервал.
Границы интервалов определяются как
x ci s ( i 0,..., k ),
где
1 n 1 n
x xi и s { ( xi x )2 } 0.5 , с0 ,сk .
ni 1 ni 1
Для k 15 значения коэффициентов c i следующие:
24
Таблица 4
i 1 2 3 4 5 6 7
ci -1.5011 -1.1108 -0.8416 -0.6229 -0.4307 -0.2533 -0.0837

Коэффициенты c i симметричны относительно 0, поэтому ci 0


находятся как
c0.5( k 1) 1 c0,5( k 1) 1 (i 1,...,0.5( k 1)) – для нечетных k ;
c0.5k 1 c0,5k 1 (i 1,...,0.5( k 2 )) – для четных k .
2
Если d k ( ) , где d k ( ) – критическое значение статистики
критерия на уровне значимости , то гипотеза нормальности откло-
няется.
Критические значения d k ( ) для k 15 приведены в табл. 5.
Таблица 5
Критические значения d k ( )
0.05 0.01
dk ( ) 21.270 26.464
Таблица 6
Значения коэффициентов c i модифицированного
2
-критерия нормальности для k 3 15
k c1 c2 c3 c4 c5 c6 c7
3 -0.4307
4 -0.6745 0
5 -0.8416 -0.2533
6 -0.9674 -0.4307
7 -1.0676 -0.5659 -0.1800
8 -1.1503 -0.6745 -0.3186 0
9 -1.2206 -0.7647 -0.4307 -0.1397
10 -1.2816 -0.8416 -0.5244 -0.2533 0
11 -1.3352 -0.9085 -0.6046 -0.3488 -0.1142
12 -1.3830 -0.9674 -0.6745 -0.4307 -0.2194 0
13 -1.4261 -1.0201 -0.7363 -0.5024 -0.2934 -0.0966
14 -1.4652 -1.0676 -0.7916 -0.5660 -0.3661 -0.1800 0
15 -1.5011 -1.1108 -0.8416 -0.6229 -0.4307 -0.2533 -0.0837
Таблица 7
Критические значения d k ( ) модифицированного
2
-критерия нормальности

k 0.10 0.05 0.01


1 2 3 4
3 2.371 3.248 5.418
25
Продолжение табл. 7
1 2 3 4
4 3.928 5.107 7.917
5 5.442 6.844 10.075
6 6.905 8.479 12.021
7 8.322 10.038 13.837
8 9.703 11.543 15.567
9 11.055 13.007 17.234
10 12.384 14.438 18.852
11 13.694 15.843 20.431
12 14.988 17.226 21.977
13 16.267 19.589 23.495
14 17.535 19.937 24.990
15 18.792 21.270 26.464
1.10.2. Критерий Шапиро-Уилка
Это один из наиболее эффективных критериев проверки нор-
мальности распределения. Основан на отношении оптимальной ли-
нейной несмещенной оценки дисперсии к ее обычной оценке. Метод
относительно трудоемок и предполагает использование ряда таблиц.
В [8] для 0.05 приведена аппроксимация, позволяющая дос-
таточно просто выполнить необходимые расчеты и обойтись без таб-
лиц.
Последовательность расчетов следующая.
Определяются дисперсия и среднеквадратическое отклонение:
n 1 n
2 2
s ( xi x) , x xi .
i 1 ni 1
Статистика критерия имеет вид (аппроксимация)
0.6695 s 2
W1 (1 ) ,
n 0.6518 B
где
m
B { a j ( xn j x j )2 ,
j 1

n
m ], [
2
0.899
a0 0.02,
( n 2.4 )0.4162
1483 71.610 10
aj a0 [ z ],
( 3 z )10.845 ( 1.1 z )8.26
26
n 2j 1
z .
n 0. 5
Если W1 1, то нулевая гипотеза нормальности распределений
случайных величин отклоняется.
1.11. Линейный регрессионный анализ
После выявленния с помощью корреляционного анализа связей
переменных и определения степени этих связей, как правило, ставит-
ся задача нахождения их математической зависимости с использова-
нием регрессионного анализа. Для этого выбирается класс функций,
связывающих k аргументов x1,..., xk и функцию y f ( x1,..., x k ) от
этих аргументов.
Функция f ( x1,..., x k ) , описывающая зависимость среднего значе-
ния величины y от значений аргументов, называется функцией (урав-
нением) регрессии.
В данной работе рассматриваются функциональные связи, кото-
рые являются либо линейными, либо могут быть сведены к линейным.
При этом следует иметь ввиду, что, если, многомерная случайная ве-
личина ( y , x1,..., x k ) подчиняется нормальному закону, то уравнение
регрессии имеет линейный вид.
Обычно нет информации о виде уравнения регрессии и законе
распределения, но постулируют нормальность закона распределения.
На практике это дает неплохие результаты.
Ставится задача оценки параметров в общем уравнении линей-
ной регрессии по методу наименьших квадратов [25].
Пусть для n систем значений аргументов
x1 x1i ,..., x n x ni ( i 1,..., n )
измерены значения величины Y yi .
Уравнение регрессии записывается в виде
y 1( x1 x1 ) 2 ( x2 x 2 ) ... k ( xk xk ),
где xi - среднее арифметическое всех значений x i , т.е.
n n n
x1 x1i , x2 x2i , …, xk xki .
i 1 i 1 i 1
Требуется найти неизвестные коэффициенты , 1,..., k из ус-
ловия
27
n k
( yi ( i ( xij xi ))2 min.
i 1 j 1

Алгоритм решения задачи следующий [25].


Для оценки параметра имеем
1 n
yi y.
ni 1
Введем обозначения
1 n
l rs ( xri xr )( xsi xs ), ( r , s 1,..., k ),
ni 1
1 n
l 0s ( yi y )( xsi xs ).
ni 1
Определитель L :
l11l 22 ...l1k
l 21l 22 ...l 2k
L .
.......... ..
l k 1l k 2 ...l kk
Через L's обозначен определитель, получающейся из L заменой
s го столбца столбцом из элементов l 01 , l 02 ,..., l 0k .
Для оценки параметров уравнения регрессии имеют место соот-
ношения
L's
s .
L
2
Для неизвестной дисперсии оценка рассчитывается как
2 1 n
s [ yi 1( x1i x1 ) ... k ( xki xk )] 2 ,
ni 1
ns 2 2
причем ( 2
) следует распределению с ( n k 1) степенями сво-

боды.
Доверительные границы и s со (100 q )% определяются как
s s Lss
t q ,n , s t q ,n k 1
k 1 ,
n k 1 n k 1 L
где Lss – главный минор определителя L , получаемый из L вычерки-
ванием s –ых строки и столбца.
28
Оценка для регрессионного уравнения имеет вид
1 k k
1( X 1 x1 ) 2( X2 x 2 ) ... k ( Xk x k ) t q ,n k 1 1 Lij ( X i x i )( X j x j ),
L i 1j 1
причем Lij – алгебраическое дополнение элемента l ij в L .

1.12. Имитационное моделирование


Под имитационной моделью понимается пошаговое моделиро-
вание изучаемого объекта с использованием компьютера.
Имитационное моделирование – это исследование сложной сис-
темы, направленное на получение информации о самой системе, ото-
браженной в модели.
Элементам реальной системы соответствуют алгоритмические и
программные модули. Структура и логика взаимодействия элементов
реализуются с помощью соответствующего моделирующего алгорит-
ма. При этом необходимо знать, каким образом изменяются во вре-
мени характеристики системы (ее элементов). «Продвижение» систе-
мы во времени из одного состояния в другое (от одного набора харак-
теристик к другому) осуществляется по определенным правилам.
Моделирование – экспериментирование с моделью реального
объекта (модельный эксперимент). Инструментом исследования слу-
жит ПЭВМ.
Фиксируются определенные моменты времени и характеристики
состояния объекта последовательно рассчитываются в каждый из
моментов времени (сканирование во времени). Требуется задать пра-
вило, в соответствии с которым осуществляется переход из одного
состояния объекта в другое.
Существенным является то, что имеется возможность оценки
статистических свойств поведения объекта (модели). Для этой цели
используются генераторы случайных чисел.
Распределения случайных величин формируются на основе
псевдослучайных чисел, генерируемых с помощью детерминирован-
ной алгебраической формулы. На практике такие псевдослучайные
числа считают случайными, равномерно распределенными в интер-
вале (0,1) и независимыми.
В ходе модельного эксперимента получают частные значения
исследуемых характеристик. Моделирование не дает функциональной
связи этих характеристик с независимыми переменными и парамет-
29
рами (как это имеет место, например, для моделей теории массового
обслуживания). Поэтому требуется выполнить расчеты с одним или
несколькими наборами значений параметров. Это означает, что в слу-
чае необходимости получения оптимального решения на базе имита-
ционных (стохастических) моделей необходим определенный объем
модельных экспериментальных исследований для различных наборов
параметров и переменных. Начальное случайное число берется из
системного таймера (инициализируется со случайного значения
встроенным генератором случайных чисел).
При этом фактически производится статистически выборочный
эксперимент с моделью системы. Каждому набору значений парамет-
ров и независимых переменных исследуемого объекта соответствует
выборка (наблюдение) определенного объема. Объем выборки влия-
ет на «статистическую надежность» оцениваемого отклика модели-
руемого объекта.
Таким образом, имитационное моделирование предполагает
реализацию следующих этапов:
выделение элементов системы и построение модели;
разработку алгоритма и программы;
проверку адекватности модели (например, путем сопоставления
результатов с результами модели теории массового обслужива-
ния в простейших случаях);
обработку и анализ результатов;
принятие решений о поведении моделируемой системы.
Имитационное моделирование весьма эффективно при иссле-
довании стохастических систем, подверженных воздействию много-
численных случайных факторов.
1.13. Векторная оптимизация
При проведении практических оптимизационных расчетов мож-
но использовать различные методы в зависимости от вида модели,
ее свойств и структуры. Непосредственная оптимизация с помощью
подходящего метода нелинейного программирования применима во
всех случаях, однако, для некоторых задач полезно воспользоваться
другими приемами, как, например, методом последовательной опти-
мизации или двухэтапным методом, в котором используются проме-
жуточные приближенные модели. В тех случаях, когда предполагает-
30
ся существование множества локальных минимальных решений,
следует использовать такой метод, который приводит к глобальному
минимуму.
Для надежной оптимизации моделей, которые могут иметь не-
сколько локальных минимумов, следует воспользоваться несколькими
методами решения задачи, чтобы найти глобальный минимум. Оты-
скать глобальный минимум желательно не только в связи с тем, что
это лучшее возможное решение задачи, но также и потому, что ло-
кальный минимум может привести к неправильным оценкам результа-
тов расчетов по определению влияния переменных модели.
Методы поиска глобального оптимума являются в настоящее
время предметом интенсивных исследований и делятся на детерми-
нированные и стохастические, которые в свою очередь могут быть
эвристическими (интуитивными) или строго обоснованными. Про-
стейший и наиболее широко используемый метод состоит в прове-
дении ряда оптимизационных расчетов при различных начальных
условиях и разбиении на непересекающиеся области изменения не-
зависимых переменных. С ростом числа областей повышается уве-
ренность в том, что не пропущен ни один локальный минимум. Это,
однако, достигается ценой существенного увеличения оптимизаци-
онных расчетов.
Методы отыскания глобального минимума хорошо отработаны
для задач со специальной структурой. В практических исследованиях
глобальный минимум находится, как правило, эвристическим путем.
В многокритериальной задаче сравнение решений по предпоч-
тительности осуществляется с помощью заданных на множестве Х
решений числовых функций (частных критериев) Q=(Q1,...,Qm). Каждое
значение характеризуется значением вектора Q(u). Выбор оптималь-
ного решения сводится к нахождению оценки из множества:
Y=Q(u)={y Em; y=Q(u), u X},
где Em – m-мерное числовое критериальное пространство.
Оценку yo из Y называют оптимальной (по <) относительно Y,
если не существует оценки y из Y такой, что:
i : y(i) < yo. (1)
Определенная таким образом оценка, минимальная по <, явля-
ется по существу слабо оптимальной по Парето (оптимальной по
31
Слейтеру) [18]. Множество всех таких оценок из Y называют слабо
эффективным.
Задача расчета УВ состоит в нахождении u, обеспечивающих
выполнение в смысле (1) условия
Q (u) → min (2)
при u из X.
Решая независимо каждую из задач скалярной оптимизации, по-
лучаем m оптимальных точек.
Известно, что условию (2) в смысле (1) удовлетворяет ряд зна-
чений u из X, образующих множество Парето. Для получения одно-
значного решения многокритериальной задачи необходима дополни-
тельная информация. Поэтому в соответствии с рекомендациями тео-
рии полезности, следует найти способ сведения многокритериальной
задачи к однокритериальной. При этом предлагается учесть [18], что
существует обобщенная оценка полезности любого решения и необ-
ходимо построить функцию полезности Р=F(Q1(u),..., Qm(u)), имея вви-
ду, что:
1. Существует способ нахождения полезности Р каждого частно-
го критерия Qi:
Рi=Fi(Qi).
Если при этом функции полезности являются независимыми, то
функция Р может быть построена следующим образом:
m
Р= Fi (Qi ).
i 1
При известных весовых коэффициентах Qi(u) каждого из крите-
риев эта функция примет вид:
m
Р= Ai (u)Qi (u).
i 1
2. Не существует функций полезности частных критериев [18].
можно лишь ранжировать частные критерии по важности:
Q1(u)  Q2(u)  ...  Qm(u).
Задачи с подобным упорядочением критериев носят название
лексикографических. Считается, что Q предпочтительнее Q`, когда
выполнено одно из условий:
Q1  Q1`;
Q1=Q1`, Q2  Q2`;
32
...
Qi=Qi` (i=1,...,m-1), Qm  Qm`;
Q=Q`.
В лексикографических задачах следует добиваться сколь угодно
малого приращения более важного критерия за счет сколь угодно
больших потерь по менее важным критериям.
3. Существует некоторый главный критерий Ql, остальные же
критерии должны быть не менее некоторых величин bi:
Р=Ql,
u : Qi (u) bi, i l,
другое возможное ограничение имеет следующий вид:
bi Qi ( u ) b0 ,
i
где bo – константа.
Метод главного критерия применим лишь в тех случаях, когда
имеются достаточно веские соображения относительно значений ве-
личин bo, b1, ..., bm.
1.14. Оптимизационная задача выбора мероприятий,
направленных на снижение ущерба от ДТП
1. Мероприятия выбираются, исходя из решения оптимизацион-
ной задачи: определить значения переменных xr (и соответствующих
им мероприятий), обеспечивающих оптимум эффекта от реализации
мероприятий при ограничении на выделяемые ресурсы [6]:
[ Ci Aij { 1 ( 1 brj x r )]} max,
i j r

( Sr xr ) S,
r
где Ci – стоимость ущерба от i-го ДТП; Aij – степень влияния j-й при-
чины на i-е ДТП; brj – степень возможности устранения j-й причины r-
мероприятием; x r – бинарная переменная, принимающая значение 1,
если соответствующее мероприятие реализуется, и 0 – в противном
случае; S r – стоимость реализации r-го мероприятия; S – суммарные
ресурсы, выделяемые на реализацию мероприятий по обеспечению
БДД.
2. При формировании целевых программ ставится задача выбо-
ра комплекса мероприятий из некоего допустимого перечня, суммар-
33
ная стоимость которых в максимальной степени приближена снизу к
выделяемым финансовым средствам.
С математической точки зрения задача формулируется сле-
дующим образом.
Известны:
C – выделяемые финансовые средства;
c i – стоимость i -го мероприятия ( i 1,..., n - число мероприятий);
x – множество недопустимых наборов ( x1,..., xn ).
Пусть x i бинарная переменная, принимающая значения 1 или 0
в зависимости от того, входит или нет i -ое мероприятие в комплекс.
Таким образом, необходимо обеспечить минимум
n
С ci x i min
i 1
n
при ограничениях С ci xi 0, ( x1,..., xn ) x.
i 1
Сформулированная задача решается перебором значений x i
(i 1,..., n ).
2. ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ МАТЕМАТИЧЕСКИХ МЕТОДОВ
2.1. Порядок определения аномальности аварийности
на одном из участков магистрали
Рассмотрим порядок определения аномальности наблюдаемой
аварийности на одном из участков магистрали (см. табл. 7).
2.1.1. Метод по схеме Бернулли
Уровень значимости =0.05. Длина магистрали L=100, dl=1,
m=40, n=80.
Находим
P0 0.01,
j
Cnx P x q n x
0.999 1 0.95,
x k 1
j 3 m 40.
Участок – опасный.
2.1.2. Метод Смирнова
Число ДТП на 11-ом участке: n11=35. Требуется установить на-
личие аномальности в данных, т.е. является ли одиннадцатый участок
аномальным. Уровень значимости 0.05 .
34
Таблица 7
Данные о количестве ДТП на участках магистрали
Номер i
1 2 3 4 5 6 7 8 9 10
участка
Кол-во
3 5 9 13 22 10 12 3 2 1
ДТП
Вычисляется среднее значение
1 n 1
x xi ( 3 5 ... 35 ) 10.45.
ni 1 11
Определяется дисперсия
1 n 1
s2 ( xi x )2
(( 3 10.45 )2 ... ( 35 10.45 )2 ) 95.26,
ni 1 11
s 9.76 .
Наибольшее значение
max/ x i x /
u11 , i 1,...,11,
s
35 10.45
u11 2.515.
9.76
По таблице критических значений для n=11 и уровня значимости
0.05 определяется критическое значение u0.05,11 2.465 .
Проверяется гипотеза
u11 2.515 u0.05,11 2.465.
Вывод: участок n11 является аномальным (аварийным) при уров-
не значимости 0.05 .
2.2. Проверка наличия тренда в последовательностях данных
об аварийности (за различные периоды времени)
Требуется проверить наличие тренда в данных о погибших в
ДТП в Российской Федерации (табл. 8).
Таблица 8
Количество погибших в ДТП
в Российской Федерации с 1977 по 2011 гг.
Кол-во по- Кол-во по-
Год Год
гибших,тыс. гибших,тыс.
1 2 3 4
1977 26.95 1995 32.4
1978 27.7 1996 29.4
1979 27.5 1997 27.7
1980 27.5 1998 29
35
Продолжение табл. 8
1 2 3 4
1981 27.8 1999 29.7
1982 27.27 2000 29.6
1983 26.5 2001 30.9
1984 26.08 2002 33.2
1985 22.68 2003 35.6
1986 20.65 2004 34.5
1987 21.24 2005 34
1988 25.9 2006 32.7
1989 32.74 2007 33.3
1990 35.77 2008 29.9
1991 37.5 2009 27.6
1992 36.47 2010 26.6
1993 37.2 2011 27.9
1994 36

Алгоритм расчета следующий.


Рассматривается последовательность n исходных данных x(i) о
ДТП по годам.
Принимается число инверсий k=0.
Осуществляется последовательный перебор по i (от 1 до n-1) и j
(от i+1 до n). При этом анализируется условие x(j)<x(i). Если оно вы-
полняется, то k=k+1.
По указанной таблице [4] определяются соответствующие гра-
ницы.
В качестве уровня значимости принято значение =0.05.
В таблице 9 приведены результаты проверки гипотезы случай-
ности выборок данных о погибших в ДТП за различные периоды вре-
мени по 2011 год.
Таблица 9
Результаты проверки гипотезы случайности выборки данных
Период Количество Граница критических Заключение
времени, лет инверсий значений о гипотезе
Принята
35 233 233 373
233 233 373
Принята
30 189 162 272
162 189 272
Принята
25 171 113 198
133 171 198
Принята
20 122 64 125
64 122 125
Принята
17 69 44 92
44 69 92
Принята
15 54 32 72
32 54 72
Принята
12 45 18 47
18 45 47
36
Полученные результаты свидетельствуют о случайности (отсут-
ствии тренда) выборок данных о погибших в ДТП за рассмотренные
периоды. При этом ошибка не превышает 5%. То есть, нет оснований
утверждать, что в рассматриваемые временные интервалы наблюда-
ются какие-либо существенные изменения (отличные от случайного)
характера протекания процесса аварийности.
2.3. Проверка принадлежности выборок одной
и той же генеральной совокупности
Ставится задача проверить: можно ли считать, что между дан-
ными о числе погибших в 2010 и 2007 гг., а также между числом по-
гибших и раненых в 2011 г. нет систематических расхождений и что
они имеют одинаковые предельные погрешности. Иными словами,
нужно проверить гипотезу о том, что распределения погрешностей
указанных двух пар выборок описываются одинаковыми функциями
распределения.
Для первой пары выборок имеем
mn
Mu 3444.5,
2
mn
Du ( m n 1) 95871.917,
12
U 3131.
Для второй пары выборок:
mn
Mu 3444.5,
2
mn
Du ( m n 1) 95871.917,
12
U 3527.
Критическая область (при уровне значимости 5%: t=1.96) для ну-
левой гипотезы в рассматриваемых случаях следующая:
u Mu t Du 2837.621,
u Mu t Du 4051.379.
Полученные значения инверсий U=3131 и U=3527 не лежат в
критической области, а потому гипотеза не опровергается, и нет осно-
ваний считать рассматриваемые выборки существенно различающи-
мися.
37
2.4. Проверка нормальности распределения
Требуется провести анализ распределения отношения разности
фактического и теоретического значений к теоретическому значению
(рассчитанному по формуле Смида (см. 3.1)) числа погибших в ДТП в
субъектах Российской Федерации за период с 2009 по 2011 гг. (объем
выборки – 249 значений).
Рассчитанные в соответствии с изложенным выше значения
следующие:
x 0.00408 , s 0.3049 ,
m1 13 , m2 15 , m3 15 , m4 15 , m5 23 , m6 20 , m7 15 ,
m8 22 , m9 24 , m10 16 , m11 17 , m12 21, m13 6, m14 9,
m15 18 .
2 2 2
При этом значение =21.1807 ( d k ( 0.05 ) и d k ( 0.01) ),
что не позволяет отклонить гипотезу нормальности рассматриваемой
случайной величины (при 0.05, 0.01).
2.5. Пример линейного регрессионного анализа
В качестве некоторого начального эксперимента с использова-
нием приведенных выше соотношений (п. 1.11) могут быть получены
значения коэффициентов для линейной взаимосвязи числа погибших
в ДТП в России ( y ) и значений числа Вольфа для северного полуша-
рия солнца ( x ) – табл. 10.
Таблица 10
Исходные данные и результаты оценки взаимосвязи
Значения
Год x y
коэффициентов
1 2 3 4
1982 75.25 27.27
1983 24.53 26.5
1984 20.08 26.08
1985 9.4 22.68
1986 8.89 20.65 =30.41724
1987 11.85 21.24 x =36.78034
1988 61.99 25.9
l11 =935.36599
1989 100.74 32.74
1990 85.67 35.77 l 01 =43.42024
1991 73.25 37.5
1992 49.59 36.47
1993 36.43 37.2
1994 20.99 36
38
Продолжение табл. 10
1 2 3 4
1995 11.3 32.4
1996 6.84 29.4
1997 16.68 27.7
1998 38.93 29
1999 70.38 29.7
2000 80.51 29.6
2001 85.01 30.9
2002 70.12 33.2
2003 44.01 35.6
2004 21.42 34.5
2005 15.58 34
2006 3.93 32.7
2007 2.34 33.3
2008 1.75 29.9
2009 3.88 27.6
2010 15.29 26.6
Откуда
l 01 43.42024
y x x 30.41724 x 36.78034 28.709875 0.04642x.
l11 935.36599

2.6. Пример использования псевдослучайных чисел


С использованием генератора случайных (псевдослучайных) чи-
сел, распределенных по нормальному закону с математическим ожи-
данием и дисперсией, равными соответственно 30.41 и 21.31 (оценки
по фактическим данным, табл. 10), ставится задача получения выбор-
ки данных, близких к реальным данным о погибших в ДТП в период
1982–2010 гг.
Алгоритм следующий.
Исходные данные:
математическое ожидание M ;
дисперсия .
Вероятность генерации числа в интервале ( x i , x i 1 ) рассчитыва-
ется как
1
Pi (exp( ( x i M )2 /( 2 ))) ( x i 1 x i ).
2
Интервал, из которого генерируются случайные числа, принима-
ется равным ( 5 ,5 ) . Этот интервал разбивается на 100 подин-
тервалов равной длины.
Полагается i : h ( x i 1 x i ) – шаг разбиения.
39
Используется стандартный генератор случайных чисел, распре-
деленных в интервале (0, 1) по равномерному закону.
Каждому из подинтервалов разбиения на оси x приводится в
соответствие в интервале (0, 1) отрезок длиной i , равной
Pi
( i ): i .
Pi
i
Тем самым обеспечивается генерация случайных чисел с тре-
буемым законом распределения.
Выборки 29 чисел генерировались до тех пор, пока разница ма-
тематического ожидания и дисперсии выборки минимально отлича-
лись от исходных M , . Числа располагались в порядке, приближен-
ном к фактическому (рис. 1).
тыс.чел.
40

35

30

25

20
Ф актические значения
Результат генерации
15
Год
1981 1986 1991 1996 2001 2006 2011

Рис. 1. Число погибших в ДТП в Российской Федерации


(статистические данные и результат расчета практически совпадают)
3. КОМПЛЕКСНЫЙ АНАЛИЗ АВАРИЙНОСТИ
НА ОСНОВЕ МАТЕМАТИЧЕСКИХ МЕТОДОВ
3.1. Решение оптимизационной задачи
на примере адаптации формулы Смида к условиям России
Для сравнений социальных и транспортных рисков используют,
как правило, уровень автомобилизации — отношение количества ав-
томобилей к численности населения.
Р. Смид (Smeed) предположил, что общее количество погибших
в ДТП (D) может быть оценено по формуле:
D/N=α×(N/P)−2/3,
40
где D – количество погибших в ДТП; N – количество зарегистрирован-
ных транспортных средств; P – численность населения; α – поправоч-
ный коэффициент.
Лабораторией транспортных и дорожных исследований (Вели-
кобритания) [5] были проведены работы по определению зависимости
относительных показателей аварийности (число погибших и раненых
в ДТП к общему числу транспортных средств, находящихся в эксплуа-
тации) от относительных показателей автомобилизации (число транс-
портных средств, находящихся в эксплуатации к численности населе-
ния). В основу исследований была положена формула Смида. Прово-
дился анализ изменения полученных соотношений во времени для
различных групп стран.
Для стран с уровнем национального дохода менее 600 долл.
формула Смида имеет вид:
0.43
F /V 0.00074(V / P ) ,
где F – количество погибших в ДТП; V – количество транспортных
средств, находящихся в эксплуатации; P – численность населения.
Проведенное через 3 года для тех же стран исследование пока-
зало, что данное соотношение практически не изменилось:
0.43
F /V 0.000914(V / P ) .
Для стран с доходом на душу населения свыше 600 долларов
формула имеет вид:
0.56
F /V 0.00039(V / P ) .
Отмечается, что формула Смида обладает универсальными
свойствами и позволяет оценить аварийность для объектов с опреде-
ленными значениями характеристик.
На основе модели Смида установлена, в частности, зависимость
количества погибших в ДТП на автомобильных дорогах Республики
Татарстан (D) от количества транспортных средств (N) и численности
населения (Р) [15]:
(D/N)105=23.4(N/P)−0.93.
Следуя гипотезе Смида, ставится задача адаптировать полу-
ченное им соотношение применительно к субъектам Российской Фе-
дерации. При этом необходимо принять во внимание многообразие
условий проживания, качества жизни и др. в регионах.
41

Предполагается, что число погибших y 1 и раненых y 2 в ДТП,


количество ДТП y 3 в субъектах Российской Федерации могут быть
аппроксимированы степенной функцией
yi i ( x1
i
x20.5 i ),
где x1 – численность населения в регионе, тыс.; x 2 – количество
транспортных средств, тыс.; i, i – неизвестные ( i 1,...,3 ).
Задача формулируется следующим образом:
( y ij zij )2 min,
j

y ij i ( x1 j
i
x2 j 0.5 i ),
где y ij – соответственно количество погибших ( i 1) и раненых
(i 2 ) , количество ДТП ( i 3 ) , относящиеся к j -му региону; zij – со-
ответственно фактические значения количества погибших ( i 1) и
раненых ( i 2 ) , количества ДТП ( i 3 ) , относящихся к j -му региону.
Сформулированная задача оптимизации решается методом, из-
ложенным в разделе регрессионного анализа. При этом используются
данные об аварийности в регионах за период 2009–2011 гг. (прил. 3).
В результате оптимизации получены следующие соотношения
для упомянутых показателей аварийности в регионах:
y1 0.406136( x10.636282 x20.318144 );
y2 2.377382( x10.677373 x20.338686 );
y3 2.55502( x10.65198 x20.32599 ),
где y1, y 2 , y 3 – соответственно количество погибших и раненых, коли-
чество ДТП; x1 – численность населения в регионе, тыс.; x 2 – количе-
ство транспортных средств, тыс.
На рисунке 2 представлен график, иллюстрирующий полученные
результаты.
Более чем 30% отклонение по абсолютной величине (по погиб-
шим) от расчетных значений имеет место для 19 регионов (табл. 11).
Таблица 11
№ Величина
Регион
п/п отклонения, %
1 2 3
1 Владимирская область 68.1
2 Кабардино-Балкарская Республика 37.8
42
Продолжение табл. 11
1 2 3
3 Калужская область 54
4 Камчатский край -31.4
5 Костромская область -31.6
6 Ленинградская область 73.2
7 г. Москва -61.5
8 Мурманская область -52.1
9 Ненецкий автономный округ 55.7
10 Новгородская область 60
11 Псковская область 66.7
12 Республика Калмыкия 44.2
13 Республика Карелия -33.9
14 Республика Коми -37.2
15 Республика Тыва 126.5
16 Рязанская область 45.3
17 г. Санкт-Петербург -49.4
18 Чукотский автономный округ -84.5
19 Ямало-Ненецкий автономный округ -33.4

Число погибших в ДТП в регионах РФ в 2011 г.

2000
Погибло факт
1800
Погибло расчет
1600

1400

1200

1000

800

600

400

200

0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80

Рис. 2. Фактическое и расчетное значение числа погибших в ДТП


3.2. Применение математических методов для оценки
состояния дорожно-транспортной аварийности в России
По данным Всемирной организации здравоохранения ежегодно
в мире в дорожно-транспортных происшествиях (ДТП) погибают около
1,3 млн человек и свыше 50 млн – получают ранения.
В течение продолжительного периода времени в большинстве
развитых стран общее количество ДТП возрастает. Однако при этом
последовательно уменьшается число людей, погибших в этих проис-
шествиях. В Австрии, Германии, Испании, Португалии, Италии число
погибших снизилось по сравнению с 2004 г. в 1,4–1,8 раз.
43
Самой высокой численностью погибших в ДТП характеризуются
Индия, Китай и Россия.
В России вероятность гибели в ДТП в три и более раз выше, чем
в Австрии, Великобритании, Венгрии, Германии, Испании, Исландии,
Ирландии, Нидерландах, Норвегии, Португалии, Франции, Швеции [4].
При этом в ряде случаев можно говорить о связи показателей аварий-
ности в разных странах (табл. 12, рис. 3).
Для проверки гипотезы независимости (зависимости) показате-
лей в данной работе использован ранговый критерий корреляции
Спирмена [7], в основе которого лежит ранговая статистика.
Таблица 12
Результаты проверки гипотезы независимости числа погибших
в ДТП для некоторых стран
Значение ран-
Количество Граничное Заключение о
гового коэф-
наблюде- значение, гипотезе,
фициента кор-
реляции, ний, n ( =0.95)
Франциия и Испаниия -0.82846 25 0.329 Отклонена
Россия и Франция -0.57636 40 0.31 Отклонена
Россия и Испания 0.34221 40 0.31 Отклонена
Россия и Финляндия -0.14758 31 0.352 Принята
Россия и Австрия 0.45263 20 0.44 Отклонена
К-во чел.,тыс.
40 8

35 7
в России
в Испании
30 6

25 в России в Испании 5

20 4

15 Год 3
1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000

Рис. 3. Временная зависимость числа погибших в ДТП


в России (левая шкала) и Испании (правая шкала)
Из результатов, приведенных в таблице, следует, что в боль-
шинстве случаев нельзя утверждать, что количества ДТП в разных
странах независимы.
44
Ежегодно в результате ДТП в России погибают и получают ра-
нения свыше 250 тыс. человек [4].
Результаты принятого в настоящее время анализа аварийности
изложены в [4]. Основная особенность которого – использование пер-
вичных материалов, формируемых на месте совершения ДТП и
имеющих в своей основе элементы субъективизма. Иной же подход
может базироваться на широком использовании разноплановых ста-
тистических данных, касающихся региональных социально- экономи-
ческих и других аспектов.
В России ситуация с аварийностью многие годы остается ста-
бильно неудовлетворительной (рис. 4). Об этом свидетельствуют и
результаты анализа проверки случайности выборок в последователь-
ностях данных о ДТП в Российской Федерации за различные периоды
времени [34].
В 2009 г. Всемирной организацией здравоохранения совместно с
Всемирным банком был подготовлен доклад, содержащий информа-
цию о состоянии безопасности дорожного движения в 178 странах.
Важным выводом доклада стали данные о соотношении числа погиб-
ших в ДТП, уровня автомобилизации и дохода населения: более 90%
ДТП со смертельным исходом происходит в странах с низким и сред-
ним уровнем доходов.

40
37,5 37,2
36 35,6
35,77 34,5
35 36,47
34
33,2 33,3
32,74 32,4
29,7 30,9 32,7
30 29 29,9
27,7 27,8 29,4
27,27 29,6
26,95 27,9
26,3 27,6
27,5 27,5 26,5 25,9 27,7
25 24,9 25,67 26,08 26,6

22,48 22,68
21,24
20 21,8
20,65

15
1971 1976 1981 1986 1991 1996 2001 2006 2011

Рис. 4. Количество погибших в ДТП (тыс. чел.)


в Российской Федерации в период 1972–2011 гг.
45
Следует отметить, что в России отмечается идентичность проте-
кания процессов в сферах обеспечения безопасности дорожного дви-
жения и борьбы с уголовными преступлениями.
Результаты анализа выявили наличие общей закономерности
изменения числа погибших в ДТП и количеством самоубийств, умыш-
ленных убийств, разбойных нападений и др. (табл. 13, рис. 5).
Таблица 13
Результаты проверки гипотезы независимости [7, 11]
числа погибших в ДТП и показателей
Значение ранго-
Граничное Заключение
№ вого коэффици- Количество
Показатели значение, о гипотезе,
п/п ента корреля- наблюдений n
ции,
Количество
Отклонена,
1 умышленных 0.79 41 0.27
=0.95
убийств в России
Солнечная актив- Отклонена,
2 0.37438 29 0.24
ность =0.9
Среднедушевые Принята,
3 0.14539 82 0.216
доходы в регионах =0.95
Количество раз-
4 0.81289 41 0.27 Отклонена
бойных нападений
Количество тяж-
5 ких телесных по- 0.86951 41 0.27 Отклонена
вреждений
Число погибших
6 0.71872 29 0.24 Отклонена
на пожарах

90 Тыс.ед. 400

80 350
Погибло в ДТП
Убийства
70
Тяжкие телесные повреждения 300
Разбойные нападения
60
Грабежи 250
Значение числа Вольфа
50
200
40
150
30

100
20

10 50

0 0
1970 1975 1980 1985 1990 1995 2000 2005 2010
Год

Рис. 5. Динамика числа погибших в ДТП, некоторых показателей


преступности и солнечной активности (правая шкала)
46
Подобное сходство свидетельствует о том, что процессы в ука-
занных сферах имеют общую природу и тесно связаны с социальны-
ми факторами. Из внешних факторов на рассматриваемые процессы
возможно оказывает влияние солнечная активность (число Вольфа,
рис. 5).
С учетом изложенного, базируясь на данных государственной и
ведомственной (МВД России) статистики, был определен перечень
показателей, характеризующих социально-экономическую сферу в ре-
гионах России и проведен ранговый корреляционный анализ взаимо-
связи этих показателей с числом погибших в ДТП (табл. 14).
Таблица 14
Результаты проверки гипотезы независимости числа погибших
в ДТП в регионах Российской Федерации
и анализируемых показателей (2009 г.)
Значение
Количест- Гранич- Заключе-
рангового
№ во наблю- ное ние о гипо-
Анализируемый показатель коэффици-
п/п дений (ре- значе- тезе,
ента корре-
гионов), n ние, ( =0.95)
ляции,
1 2 3 4 5 6
Валовой региональный про-
1 дукт на душу населения 0.21819 80 0.22 Принята
(рублей)
Число посещений музеев на
2 0.07267 80 0.22 Принята
1000 человек населения
Заболеваемость на 1000 че-
ловек населения (зарегист-
3 рировано заболеваний у -0.04135 80 0.22 Принята
больных с диагнозом, уста-
новленным впервые в жизни)
Численность студентов об-
разовательных учреждений
высшего профессионального
4 0.0304 80 0.22 Принята
образования на 10 000 чело-
век населения (человек на
начало учебного года)
Численность пенсионеров на
5 0.07152 80 0.22 Принята
1000 человек населения
Число зарегистрированных
6 преступлений на 100 000 че- 0.01817 80 0.22 Принята
ловек населения
Удельный вес автомобиль-
ных дорог с усовершенство-
ванным покрытием в протя-
7 женности автомобильных 0.30561 78 0.23 Отклонена
дорог с твердым покрытием
общего пользования (в про-
центах на конец года)
47
Продолжение табл. 14
1 2 3 4 5 6
Численность населения с
денежными доходами ниже
величины прожиточного ми-
8 0.43914 79 0.22 Отклонена
нимума (в процентах от об-
щей численности населения
субъекта)
Число преступлений, совер-
9 шенных несовершеннолет- 0.71249 80 0.22 Отклонена
ними и при их соучастии
Потребительские расходы в
10 среднем на душу населения 0.37327 79 0.22 Отклонена
(рублей в месяц)
Среднедушевые денежные
11 доходы населения (рублей в 0.25224 79 0.22 Отклонена
месяц)
Пассажирооборот автобусов
общего пользования (мил-
12 0.84341 80 0.22 Отклонена
лионов пассажиро-
километров)
Численность студентов госу-
дарственных и муниципаль-
ных образовательных учре-
ждений среднего профес-
13 0.22076 79 0.22 Отклонена
сионального образования на
10 000 человек населения
(человек на начало учебного
года)
Численность зрителей теат-
14 ров на 1000 человек населе- 0.25536 79 0.22 Отклонена
ния (человек)
Гипотеза независимости числа погибших в ДТП и показателей с
1 по 6 принята, в остальных случаях отклонена, что свидетельствует о
наличии взаимосвязи аварийности и социально-экономических пока-
зателей.
Следует отметить, что значение рангового коэффициента кор-
реляции числа погибших в ДТП в России и числа Вольфа (показатель
солнечной активности) возрастает до =0.61631 ( n =28 – количество
лет наблюдений) при временном сдвиге в меньшую сторону на 1 год
числа погибших в ДТП.
Уравнение регрессии, связывающее число погибших в ДТП в i -м
году ( y i ) и солнечную активность (число Вольфа), представляется в
виде:
yi 26 .75 0.0167 zi 0.0561zi 1 0.0088334 zi 2,
где z i - величина числа Вольфа в i -м году.
48
Данные о фактическом и расчетном ( y i ) значении числа погиб-
ших в ДТП – рис. 6.
40

35

30

25

20 Фактические данные
Расчетные данные

15
1981 1986 1991 1996 2001 2006 2011

Рис. 6. Число погибших (тыс. чел.) в ДТП


в Российской Федерации (2012 г. – прогноз)
При этом базирующееся на уравнении регрессии и приведенное
в 2011 г. в работе [34] соответствующее прогнозное значение отлича-
ется от фактического значения на 2%.
Приведенные в п. 3.1 аналоги формулы Смида по существу яв-
ляются своеобразным стандартом в сфере обеспечения безопасности
дорожного движения.
С целью учета отмеченной выше взаимосвязи аварийности и
социально-экономических показателей, сделана попытка выявить ряд
обобщенных факторов, оказывающих влияние на аварийность.
Для интегральной оценки приоритетных компонентов качества
жизни и социального развития регионов России использован индекс
качества жизни, разработанный сотрудниками географического фа-
культета МГУ по заказу Министерства экономического развития и тор-
говли РФ [28]. При этом учтены проблемы уровня жизни (низкие дохо-
ды и сильное неравенство по доходу), занятости (безработица), здоро-
вья населения (низкая продолжительность жизни и здоровье детей).
Для оценки условий жизни приняты во внимание природные ус-
ловия [22] и среднегодовая температура воздуха [26].
Воздействие на участников движения характеризуется количест-
вом зарегистрированных административных правонарушений в сфере
БДД, условия движения – плотностью автомобильных дорог.
49
Соответствующие результаты корреляционного анализа пред-
ставлены в табл. 15.
Таблица 15
Результаты проверки гипотезы независимости отношения
фактического ( y ) и рассчитанного ( y 1 ) числа погибших в ДТП
в регионе и анализируемых показателей (2009 г.)
Значение ранго- Заключение
Количество Граничное
Анализируемый вого коэффици- о гипотезе,
наблюдений, значение,
показатель ента корреляции,
n ( =0.95)
Сумма выписанных
-0.16551 82 0.216 Принята
/штрафов
Доля взысканных штрафов в
0.12591 82 0.216 Принята
доходах населения ( x1 )
Сумма взысканных
штрафов/(кол-во 0.19633 82 0.216 Принята
ТС×ср. доход)
Отношение числа /лишенных
прав -0.14415 82 0.216 Принята
к кол-ву жителей ( x 4 )

Индекс качества жизни ( x 2 ) -0.38729 82 0.216 Отклонена


Итоговая оценка
0.29213 82 0.216 Отклонена
природных условий ( x 5 )
Розничная продажа алко-
гольных напитков и пива на
душу населения -0.14552 79 0.22 Принята
(литров) ( x 3 )
Продажа алкогольных
напитков и пива
населению
водка и ликеро-водочные
изделия (на душу -0,00835 80 0,22 Принята
населения, л.)
пиво (на душу
0,43542 80 0,22 Отклонена
населения, л.) ( x10 )
Кол-во лишенных
0.051 82 0.216 Принята
права/кол-во ТС
Процент респондентов,
давших отрицательную -0.00641 68 0.2377 Принята
оценку состоянию дорог [22]
Средняя годовая
0.262 83 0.215 Отклонена
температура воздуха ( x 6 )
Ранг по расстройству психи-
0.01953 73 0.23 Принята
ки из-за алкоголизма [10]
Средний возраст ТС [13] 0.15081 83 0.215 Принята
Плотность автомобильных
дорог общего пользования с 0.52391 65 0.243 Отклонена
твердым покрытием ( x 7 )
50
На основе регрессионного анализа получена стационарная со-
ставляющая оценки числа погибших в ДТП в регионе ( y ) в виде
y1 0.406136( x8 0.636282 x9 0.318144 )( 2.2011 2.4679x 2 0.1074x5
0.000667x 6 0.000764x7 0.000939x10 ).
Основной «вклад» в аварийность вносят численность населе-
ния, количество транспортных средств, качество жизни.
В среднем погрешность расчета – в пределах 12–15 %. При этом
отмечается более, чем на 30% превышение фактического значения по
отношению к стационарному регрессионному значению числа погиб-
ших в ДТП (Карачаево-Черкесская Республика, Ленинградская и Нов-
городская области, Республика Тыва). Это свидетельствует о явном
неблагополучном состоянии с аварийностью в указанных регионах. В
то же время относительно благополучная ситуация в Астраханской,
Ивановской, Калининградской, Костромской, Мурманской, Омской,
Саратовской, Ульяновской областях, Камчатском крае, Чукотском ав-
тономном округе, Республике Ингушетия (отклонение также более
30%, но уже стационарное регрессионное значение превышает фак-
тическое).
Таблица 16
Весовой вклад составляющих уравнения регрессии
по регионам (выборочно)
При-
родн. Тем-
Регион Российской Кач-во Пл-ть Тео-
№ Факт усло- пера- Пиво
Федерации жизни дорог рия
вия тура

1 2 3 4 5 6 7 8 9
Карачаево-
1 Черкесская 1.682 -1.676 0.4 0.006 0.19 0.03 1.154
Республика
Ленинградская
2 1.8 -1.698 0.42 0.003 0.102 0.073 1.1
область
Новгородская
3 1.676 -1.666 0.43 0.0027 0.13 0.046 1.141
область
4 Республика Тыва 2.315 -1.31 0.33 -0.002 0.014 0.059 1.291
Астраханская
5 0.789 -1.703 0.43 0.006 0.052 0.07 1.056
область
Ивановская
6 0.937 -1.51 0.43 0.002 0.14 0.094 1.357
область
Калининградская
7 0.892 -1.7 0.45 0.005 0.33 0.059 1.353
область
8 Камчатский край 0.717 -1.62 0.31 0.001 0.003 0.067 0.959
Костромская
9 0.773 -1.66 0.39 0.002 0.07 0.056 1.06
область
51
Продолжение табл. 16
1 2 3 4 5 6 7 8 9
Мурманская
10 0.542 -1.72 0.33 0.0001 0.015 0.045 0.871
область
11 Омская область 0.677 -1.80 0.39 0.0004 0.059 0.108 0.953
Республика
12 1.161 -0.999 0.4 0.007 0.184 0.00002 1.79
Ингушетия
Саратовская
13 0.832 -1.676 0.44 0.004 0.086 0.04 1.09
область
Ульяновская
14 0.869 -1.621 0.44 0.002 0.13 0.038 1.184
область
Чукотский
15 0.4 -1.579 0.2 -0.005 0.0006 0.01 0.828
авт. округ
Следует отметить, что принятое в настоящее время мнение о
том, что потребление алкоголя связано с аварийностью, официаль-
ными статистическими данными не подтверждается (за исключением
продажи пива на душу населения).
Помимо стационарной показатель аварийности содержит неко-
торую переменную составляющую, что находит отражение во вре-
менном изменении показателей аварийности. Одним из факторов,
связанных с переменной составляющей, является солнечная актив-
ность.
С учетом солнечной активности количество погибших в ДТП в
регионе в i -м году оценивается как
y i ky ( 26 .75 0.0167 zi 0.0561zi 1 0.0088334 zi 2 ),
где x 8 – численность населения в регионе, тыс.; x 9 – количество
транспортных средств, тыс.; x 2 – индекс качества жизни; x 5 – итого-
вая оценка природных условий; x 6 – средняя годовая температура
воздуха; x 7 – плотность автомобильных дорог общего пользования с
твердым покрытием; z i – величина числа Вольфа в i -м году; k – нор-
мировочный коэффициент.
Диапазон изменения факторов
0.69 x2 0.889,
1.35 x5 4.4 ,
10.2 x6 11.8,
1 .1 x7 670,
0 x10 120.
Результаты расчета числа прогибших в ДТП по формуле и фак-
тические данные (для некоторых субъектов Российской Федерации)
приведены на графиках (рис. 7 а-г).
52

120 Чел.
110
100
90
80
70
Погибло
60 Прогноз
50
1998 2000 2002 2004 2006 2008 2010 Год 2012

а) Мурманская область
Чел.
800
750
700
650
600
550 Погибло
Прогноз
500
1998 2000 2002 2004 2006 2008 2010 Год 2012

б) Ленинградская область
Чел.
180
160
140
120
100
Погибло
80 Прогноз
60
1998 2000 2002 2004 2006 2008 2010 Год 2012

в) Республика Карелия
380
360 Чел.
340
320
300
280
260
240 Погибло
220 Прогноз
200
1998 2000 2002 2004 2006 2008 2010 Год 2012

г) Калужская область
Рис. 7. Число погибших в ДТП, расчетные и фактические данные
53
Можно отметить, что процесс аварийности в России тесно свя-
зан с социально-экономической обстановкой в стране. Вместе с тем, в
определенной степени этим процессом можно управлять. Это может
явиться предметом дальнейших исследований.
3.3. Пример оценки эффективности мер административного
воздействия на участников дорожного движения
в регионах Российской Федерации
По оценкам зарубежных специалистов, по соотношению затрат и
получаемой выгоды, надзор полиции за соблюдением требований до-
рожного законодательства – один из самых эффективных и рента-
бельных методов ежегодного уменьшения количества пострадавших
на дорогах. При этом основная тенденция организации дорожно-
патрульной (постовой) службы (ДПС) в большинстве стран мира – со-
кращение прямых контактов дорожной полиции с нарушителями до-
рожного движения, его управление с помощью систем.
Контроль и принуждение к соблюдению водителями правил до-
рожного движения реализуются, как правило, на основе автоматизи-
рованной системы, обеспечивающей повышение вероятности выяв-
ления фактов нарушений скоростного режима и др., освобождение
ДПС от рутинной работы по протоколированию фактов выявления
правонарушений, снижение количества обращений в судебные орга-
ны по вопросам оспаривания фактов нарушений ПДД.
В европейских государствах толчком к технической модерниза-
ции систем управления и контроля движения автотранспорта стал
опыт Франции.
Внедрение подобной автоматизированной системы во Франции
обеспечило снижение количества ДТП за два года на треть.
Начиная с 2007 г. в Российской Федерации принят ряд норма-
тивных правовых актов, касающихся административных правонару-
шений в сфере дорожного движения.
В частности ужесточена ответственность за правонарушения,
связанные с непредоставлением преимущества в движении пешехо-
дам (ФЗ от 7 мая 2009 г. № 86), изменена ответственность за выезд на
сторону дороги, предназначенную для встречного движения (ФЗ от 25
декабря 2012 г. № 252).
В соответствии с Федеральным законом от 24 июля 2007 г.
№ 210-ФЗ «О внесении изменений в Кодекс Российской Федерации об
54
административных правонарушениях» с 1 июля 2008 г. (п. 49 ст. 1)
предусмотрена фиксация административного правонарушения в об-
ласти дорожного движения, работающими в автоматическом режиме
специальными техническими средствами, имеющими функции фото- и
киносъемки, видеозаписи, или средствами фото- и киносъемки, ви-
деозаписи.
Толчком к началу работ в этой сфере в Российской Федерации
послужила разработанная в НИЦ БДД МВД России Концепция созда-
ния автоматизированной системы администрирования штрафов за
административные правонарушения в области безопасности дорож-
ного движения (ДОБДД МВД России, март 2008 г.).
Создание системы автоматизированного контроля в Российской
Федерации требует определенного времени для решения многоас-
пектного комплекса организационных, технических, нормотворческих
проблем. При этом требуются и немалые финансовые ресурсы.
Начиная с 2009 г. проводятся мероприятия по установке и экс-
плуатации специальных технических средств на магистралях и улич-
но-дорожных сетях городов (проектные, монтажные, пусконаладочные
работы, эксплуатация специальных технических средств); автомати-
зируется администрирование взысканий (штрафов) за администра-
тивные правонарушения в области дорожного движения; реализуется
информационное взаимодействие МВД России, финансово-кредитных
учреждений, ФССП России, ФГУП «Почта России».
Представляет интерес проанализировать, насколько совокуп-
ность всех этих и иных мероприятий способствовала изменению со-
стояния аварийности в Российской Федерации.
Источниками нформации об аварийности являются Росстат и
МВД России. Сведения об административных правонарушениях со-
держатся в форме 560-2 Росстата.
Данные Росстата свидетельствуют о том, что в Российской Фе-
дерации в течение 2005–2012 гг. отмечается взаимосвязь мер адми-
нистративного воздействия и аварийности (рис. 8).
Вместе с тем, при проведении указанного анализа приходится
иметь ввиду, что форма федерального государственного статистиче-
ского наблюдения для организации статистического наблюдения в
системе МВД России за состоянием безопасности дорожного движе-
ния за относительно небольшой отрезок времени неоднократно изме-
55
нялась (Постановления Госкомстата РФ от 29.12.1998 г. № 135, от
13.06.2002 г. № 137; Постановления Федеральной службы государст-
венной статистики от 27.06.2006 г. № 23, от 14.12.2007 г. № 102; При-
каз Росстата от 26.12.2012 г. № 660).
60

50

40

30

20

вынесено постановлений о назначении адм.


10 штрафа, млн. ед.
Погибло, тыс чел

0
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

Рис. 8. Временные зависимости количества вынесенных постановлений


о назначении административного штрафа и числа погибших в ДТП
С учетом изложенного для проведения исследования при иден-
тичных условиях целесообразно выбрать регионы Российской Феде-
рации. В этом случае объем статистической информации достаточно
большой и применение математических методов позволяет сделать
определенные выводы.
В качестве меры оценки воздействия на участников дорожного
движения приняты количества:
вынесенных постановлений о назначении административного
взыскания в виде штрафа;
административных правонарушений, зафиксированных с приме-
нением специальных технических средств, работающих в авто-
матическом режиме;
исполненных постановлений о лишении права управления
транспортным средством.
В качестве характеристики состояния аварийности выбрано чис-
ло погибших в дорожно-транспортных происшествиях.
Для получения оценки степени взаимосвязи мер воздействия на
характеристику аварийности используются методы математической
56
статистики, государственные и ведомственные статистические дан-
ные о регионах Российской Федерации.
Исходное предположение (гипотеза) – меры воздействия и ха-
рактеристики аварийности независимы.
Для проверки этой гипотезы использован критерий корреляции
Спирмена, в основе которого лежит ранговая статистика.
Поскольку регионы характеризуются различными социально-
экономическими и природно-климатическими условиями, необходимо
нормировать принятый критерий оценки аварийности (число погиб-
ших в ДТП). В противном случае можно получить достаточно пара-
доксальный вывод о прямой зависимости числа погибших в ДТП и,
например, количеством вынесенных постановлений о назначении
штрафа (табл. 17 и 18).
Таблица 17
Результаты проверки гипотезы независимости числа погибших
в ДТП и показателя
Значение ран-
гового коэф- Количество Граничное Заключение

Показатели фициента кор- наблюде- значение, о гипотезе,
п/п
реляции, ний n , лет
Вынесено поста-
новлений о на-
значении админи-
Отвергнута,
1 стративного взы- -0.7381 8 0.7
=0.95
скания в виде
штрафа в Россий-
ской Федерации
Таблица 18
Результаты проверки гипотезы независимости числа погибших
в ДТП и показателей в субъектах РФ
Значение ран- Количество
гового коэф- Граничное Заключение
№ наблюдений
Показатели фициента кор- значение, о гипотезе,
п/п n , субъек-
реляции, тов РФ
1 2 3 4 5 6
Вынесено по-
становлений о
назначении ад-
министративно-
го взыскания в Отвергнута,
1 виде штрафа =0.95
2009 г. 0.8282 83 0.215
2010 г. 0.76021 83 0.215
2011 г. 0.82037 83 0.215
2012 г. 0.81487 83 0.215
57
Продолжение табл. 18
1 2 3 4 5 6
Зафиксировано
правонаруше-
ний с примене-
нием спец. тех.
средств, рабо- Отвергнута,
2
тающих в авто- =0.95
матическом
режиме
2011 г. 0.41906 83 0.215
2012 г. 0.53203 83 0.215
Нормирование осуществляется на основе полученной оценки
( y ) числа погибших в ДТП в регионе (результат регрессионного ана-
лиза) [34]:
y1 0.406136( x80.636282 x90.318144 ),
где x 8 – численность населения в регионе, тыс.; x 9 – количество
транспортных средств, тыс.
По аналогии с зарубежным опытом это соотношение можно счи-
тать своеобразным стандартом.
Проведенный ранговый корреляционный анализ статистических
данных (метод Спирмена, табл. 19) показал, что в 2011–2012 гг. (в от-
личие от предшествующих лет) на аварийность (число погибших в
ДТП) начали оказывать влияние меры административного воздейст-
вия, в том числе, и с применением средств автоматической фотови-
деофиксации нарушений ПДД.
Таблица 19
Результаты проверки гипотезы независимости отношения
фактического (у) и рассчитанного (у1) числа погибших
в ДТП в регионе и анализируемых показателей
Значение ран-
гового коэф- Количество Граничное Заключение
№ значение,
Показатели фициента кор- наблюдений, о гипотезе,
п/п
реляции, n
1 2 3 4 5 6
Вынесено поста-
новлений о назна-
чении администра- =0.95
тивного взыскания
1 в виде штрафа
2009 г. -0.18068 83 0.215 Принята
2010 г. -0.16536 83 0.215 Принята
2011 г. -0.22575 83 0.215 Отвергнута
2012 г. -0.2655 83 0.215 Отвергнута
58
Продолжение табл. 19
1 2 3 4 5 6
Зафиксировано
правонарушений с
применением спец.
=0.95
тех. средств, рабо-
2
тающих в автома-
тическом режиме
2011 г. -0.25005 83 0.215 Отвергнута
2012 г. -0.24208 83 0.215 Отвергнута
Таблица 20
Результаты проверки гипотезы независимости отношения
фактического (у) и рассчитанного (у1) числа погибших
в ДТП в регионе и анализируемых показателей
Значение ран-
гового коэф- Количество Граничное Заключение

Показатели фициента кор- наблюдений, значение, о гипотезе,
п/п
реляции, n
Исполнено по-
становлений о
=0.95
лишении права
управления ТС
1 2009 г. -0.18108 83 0.215 Принята
2010 г. -0.10522 83 0.215 Принята
2011 г. -0.18108 83 0.215 Принята
2012 г. -0.21743 83 0.215 Отвергнута

На основе проведенного регрессионного анализа статистических


данных оценка числа погибших в ДТП в регионе ( y ) представляется в
виде:
y 0.406136( x80.636282 x90.318144 )( 2.2011 2.4679x2 0.1074x5
0.000667x6 0.000764x7 0.000939x10 0.00014x11 ),
где x 8 – численность населения в регионе, тыс.; x 9 – количество
транспортных средств, тыс.; x 2 – индекс качества жизни; x 5 – итого-
вая оценка природных условий; x 6 – средняя годовая температура
воздуха; x 7 – плотность автомобильных дорог общего пользования с
твердым покрытием; x10 – продажа пива (на душу населения, л.);
x11 – вынесено постановлений о назначении административного взы-
скания в виде штрафов ( 10 4 ).
Сответствующие результаты расчета и фактические данные
представлены на рис. 9.
59

2000

Расчет
1800
Факт
1600

1400

1200

1000

800

600

400

200

0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80

Рис. 9. Результаты расчета по уравнению регрессии


и фактические данные (число погибших в ДТП)
Анализ регрессионного соотношения показывает, что основной
«вклад» в аварийность вносят численность населения, количество
транспортных средств, качество жизни. При этом относительный
вклад составляющих формулы для y следующий: менее 2.5 для x 2 ;
0.5 для x 5 ; 0.015 для x 6 ; 0.55 для x 7 ; 0.12 для x10 ; 0.1 для x11 .
Изложенный выше подход применим для анализа (на основе от-
носительно небольшого объема внутрирегиональной статистики) воз-
действия на аварийность в некоторых регионах трех выбранных фак-
торов:
1) числа лишенных права управления транспортным средством
(ТС) за нетрезвое состояние;
2) числа полученных из судов постановлений о лишении права
управления ТС;
3) проданной водки и ликеро-водочных изделий (литров на душу
населения).
Данные рангового корреляционного анализа для ряда регионов
(табл. 21).
Из результатов анализа следует, что на аварийность оказывают
влияние следующие факторы:
60

продажа водки и ликеро-водочных изделий (литры на душу на-


селения) – Владимирская область, Республика Тыва;
число лишенных права управления ТС за нетрезвое состояние –
Камчатский край;
число полученных из судов постановлений о лишении права
управления ТС – Рязанская область, г. Санкт-Петербург.
Таблица 21
Результаты проверки гипотезы независимости числа погибших
в ДТП в регионе и анализируемых показателей (по 2011 г.)
Значение Количест-
Анали- рангового во наблю- Гранич- Заключе-
№ Субъект Россий- зируемый коэффи- де-ний n ное зна-
циента ние о гипо-
пп ской Федерации показа- (период чение,
корреля- тезе,
тель наблюде-
ции, ния, лет)
1 0.06593 13 0.546 Принята
Владимирская
1 2 0.58788 10 0.622 Принята
область
3 0.69697 10 0.622 Отклонена
1 0.05495 13 0.546 Принята
2 Республика Тыва 2 0.52727 10 0.622 Принята
3 0.68485 10 0.622 Отклонена
1 -0.14835 13 0.546 Принята
Калужская
3 2 -0.50303 10 0.622 Принята
область
3 0.16363 10 0.622 Принята
1 0.15934 13 0.546 Принята
Рязанская
4 2 -0.67273 10 0.622 Отклонена
область
3 0.52727 10 0.622 Принята
1 -0.06593 13 0.546 Принята
Ленинградская
5 2 -0.50303 10 0.622 Принята
область
3 0.00606 10 0.622 Принята
1 -0.13736 13 0.546 Принята
Псковская
6 2 -0.53939 10 0.622 Принята
область
3 -0.61212 10 0.622 Принята
1 0.41758 13 0.546 Принята
7 Республика Коми 2 -0.30909 10 0.622 Принята
3 0.63636 10 0.622 Отклонена
1 0.41758 13 0.546 Принята
г. Санкт-
8 2 -0.68485 10 0.622 Отклонена
Петербург
3 0.45455 10 0.622 Принята
1 -0.86264 13 0.546 Отклонена
9 Камчатский край 2 0.18788 10 0.622 Принята
3 -0.61212 10 0.622 Принята
Таким образом, можно отметить, что несмотря на то, что в 2011–
2012 гг. отмечается проявление некоторого влияния на аварийность в
регионах мер административного воздействия, вместе с тем, относи-
тельная их роль все еще недостаточно существенна.
61
3.4. Использование векторных критериев
для сравнительной оценки состояния аварийности
в регионах Российской Федерации
Состояние аварийности оценивается на основе показателей, со-
держащихся в утвержденных формах статистической отчетности: ко-
личество дорожно-транспортных происшествий (ДТП); число погиб-
ших; число раненых.
Оценить ситуацию в отдельных субъектах Российской Федера-
ции предлагается путем распределения их по местам в порядке воз-
растания или убывания (ранжированием) на основе принятых показа-
телей.
Ранжирование проводится по числу погибших (Х1), числу ране-
ных (Х2) и количеству ДТП (Х3).
Поскольку регионы отличаются друг от друга, в частности, чис-
ленностью населения и количеством зарегистрированных ТС, абсо-
лютные значения показателей нормируются. Нормирование осущест-
вляется на основе формулы Смида:
f 0,406136 р0.636288v0.318144,
r=2.377382 р0.677373v0.338686,
dtp=2,55502 р0.065198v0.032599,
где f – число погибших в ДТП; r – число раненых в ДТП; dtp – количе-
ство ДТП; p – численность населения; v – количество зарегистриро-
ванных транспортных средств.
Соотношения, связывающие f, r и dtp, получены на основе рег-
рессионного анализа и статистических данных по Российской Феде-
рации за период 2009–2011 гг.
Исходя из того, что рассматриваемая система характеризуется
набором показателей, предлагается процедура распределения регио-
нов, базирующаяся на теории принятия решений при наличии многих
критериев (Парето, п. 1.14).
Поскольку отсутствуют достаточно обоснованные предпосылки
для приведения выбранных критериев к единой системе измерения, в
дальнейшем в качестве основного при выборе однозначного решения
многокритериальной задачи предлагается использовать лексикогра-
фический подход.
Таким образом, объект считается лучшим, если значение каждо-
го из его показателей не превосходит соответствующего значения по-
62
казателя любого другого объекта, т.е. набор (Х10, Х20, Х30) лучший, ес-
ли Хij > Хi0, (i=1,2,3; j – номер объекта).
Если из какой-либо пары не удается выбрать лучший объект, то
они считаются эквивалентными. Как правило, задача ранжирования
регионов, базирующаяся на изложенном подходе, приводит к множе-
ству решений. Для однозначного решения требуется дополнительная
информация, в качестве которой предлагается использовать тот факт,
что показатели неравнозначны: Х1 более существенен, чем Х2; Х2 –
чем Х3. Таким образом, из двух эквивалентных регионов лучшим счи-
тается тот, у которого более существенный показатель меньше.
Принимается следующая процедура ранжирования регионов:
определяются эквивалентные регионы;
эквивалентные регионы ранжируются в соответствии со значе-
ниями наиболее существенного показателя (показателей);
приведенные выше пункты повторяются для оставшихся после
удаления из списка уже «отранжированных» объектов до тех
пор, пока список объектов не будет исчерпан.
Для решения (в лексикографическом смысле) многокритериаль-
ной задачи используется специальная процедура, которая обеспечи-
вает поиск оптимума. Алгоритм следующий.
Базируясь на формуле Смида, нормируются показатели аварий-
ности в регионах.
Полученные в результате нормирования показатели (табл. 22,
23) используются для оптимизации.
Исходная для оптимизации информация формируется в виде
массива x(i,j), где i – номер записи (реализация набора значений пе-
ременных), j – значение переменной в i–й реализации. Причем i
(1,…, jik – число записей), j (1,…, n – число переменных).
Предварительно путем перебора записей и анализа в лексико-
графическом смысле значений переменных в записи (начиная с пер-
вой переменной) выделяется оптимальный набор iopt и его номер за-
писывается в массив ic(1)=iopt. Полагается равным 1 размер id масси-
ва данных в ic.
1. Организуется массив xx(j)= , j=1, …, n.
Последовательно от i=1 до jik выполняются действия:
63

просматривается массив ic и, если в его составе имеется значе-


ние, равное i, т.е. ic()=i, то соответствующая запись из рассмот-
рения исключается;
формируется набор ico эквивалентных записей – если для како-
го-либо j из n возможных x(i,j)<x(iopt,j), то полагаются:
k=k+1,
ico(k)=i.
Если k=0, то – переход к п. 2.
Последовательно просматриваются наборы, соответствующие
номерам из ico(). При этом выбирается тот набор iop, у которого зна-
чение переменной с меньшим номером минимально (лексикографи-
ческий подход). Полагаются:
xx( )=x(iop, ),
id=id+1,
ic(id)=iop,
iopt=iop,
осуществляется возврат к п.1.
2. xo= , ido=id, если id<jik, то осуществляется переход в начало к
поиску лучшего набора для последующего формирования группы эк-
вивалентных записей.
Предложенный подход используется для сравнительной оцен-
ки уровня аварийности и сравнительной оценки результатов годо-
вой деятельности в сфере обеспечения безопасности дорожного
движения.
В таблицах 24, 25 – сравнительная оценка уровня аварийности
для регионов.
В первом случае используются данные об аварийности за год
(2011 г.), во втором – изменение значений (разность) показателей за
два года (2010 и 2011 гг.).
Таблица 22
Результат нормирования показателей аварийности в регионах
Российской Федерации в 2011 г. (выборочно, по алфавиту)

Регион Российской Федерации ДТП Погибло Ранено
региона
1 2 3 4 5
1 Алтайский край 0.916 0.932 0.973
2 Амурская область 1.056 0.921 0.972
3 Архангельская область 0.861 1.346 1.305
64
Продолжение табл. 22
1 2 3 4 5
4 Астраханская область 0.841 1.089 1.094
5 Белгородская область 0.928 0.632 0.658
6 Брянская область 1.167 0.967 0.978
7 Владимирская область 1.681 1.679 1.585
8 Волгоградская область 0.907 0.774 0.786
9 Вологодская область 0.831 1.125 1.109
10 Воронежская область 1.181 1.059 1.071

30 г. Москва 0.385 0.642 0.695
31 Московская область 1.393 0.942 0.95

76 Хабаровский край 0.924 0.989 1.008
77 Ханты-Мансийский автономный округ 0.715 1.059 1.022
78 Челябинская область 0.927 0.939 0.996
79 Чеченская Республика 1.056 0.374 0.277
80 Чувашская Республика 1.136 1.162 1.121
81 Чукотский автономный округ 0.155 0.428 0.433
82 Ямало-Ненецкий автономный округ 0.666 0.864 0.821
83 Ярославская область 1.106 1.129 1.146
Таблица 23
Результат нормирования разности показателей аварийности
в 2010 и 2011 гг. (выборочно, по алфавиту)
№ ре-
Регион Российской Федерации ДТП Погибло Ранено
гиона
1 Алтайский край 0.071 -0.027 -0.015
2 Амурская область 0.247 0.028 0.066
3 Архангельская область 0.079 0.049 0.025
4 Астраханская область 0.103 0.311 0.297
5 Белгородская область 0.108 -0.023 -0.003
6 Брянская область 0.156 0.024 0.021
7 Владимирская область 0.129 -0.035 -0.041
8 Волгоградская область 0.022 -0.028 -0.042
9 Вологодская область 0.076 -0.009 -0.031
10 Воронежская область 0.033 -0.044 -0.057

30 г. Москва -0.02 -0.043 -0.044
31 Московская область -0.067 -0.101 -0.086

76 Хабаровский край 0.005 -0.005 -0.021
77 Ханты-Мансийский автономный округ -0.132 -0.023 0.005
78 Челябинская область -0.037 -0.015 -0.018
79 Чеченская Республика 0.06 0.067 0.025
80 Чувашская Республика -0.123 0.07 0.033
81 Чукотский автономный округ -0.242 0.208 0.137
82 Ямало-Ненецкий автономный округ 0.11 0.092 0.095
83 Ярославская область 0.135 0 -0.015
65
Таблица 24
Результат ранжирования регионов РФ по показателям аварийности
в 2011 г. (выборочно, регионы из табл. 22)
№ Регион
№ пп ДТП Погибло Ранено
региона Российской Федерации
1 79 Чеченская Республика 1.056 0.374 0.277
2 81 Чукотский автономный округ 0.155 0.428 0.433
7 30 г. Москва 0.385 0.642 0.695
9 5 Белгородская область 0.928 0.632 0.658
Ямало-Ненецкий автономный
17 82 0.666 0.864 0.821
округ
21 8 Волгоградская область 0.907 0.774 0.786
31 1 Алтайский край 0.916 0.932 0.973
34 77 Ханты-Мансийский авт.округ 0.715 1.059 1.022
40 78 Челябинская область 0.927 0.939 0.996
41 76 Хабаровский край 0.924 0.989 1.008
44 4 Астраханская область 0.841 1.089 1.094
45 9 Вологодская область 0.831 1.125 1.109
49 2 Амурская область 1.056 0.921 0.972
55 3 Архангельская область 0.861 1.346 1.305
56 31 Московская область 1.393 0.942 0.95
57 6 Брянская область 1.167 0.967 0.978
62 10 Воронежская область 1.181 1.059 1.071
67 83 Ярославская область 1.106 1.129 1.146
69 80 Чувашская Республика 1.136 1.162 1.121
82 7 Владимирская область 1.681 1.679 1.585
Таблица 25
Результат ранжирования регионов РФ по разности показателей
аварийности в 2010 и 2011 гг. (выборочно, регионы из табл. 23)

Место Регион Российской Федерации ДТП Погибло Ранено
рег.
5 31 Московская область -0.067 -0.101 -0.086
8 81 Чукотский автономный округ -0.242 0.208 0.137
12 30 г. Москва -0.02 -0.043 -0.044
14 77 Ханты-Мансийский авт.округ -0.132 -0.023 0.005
20 10 Воронежская область 0.033 -0.044 -0.057
23 8 Волгоградская область 0.022 -0.028 -0.042
26 80 Чувашская Республика -0.123 0.07 0.033
31 7 Владимирская область 0.129 -0.035 -0.041
37 78 Челябинская область -0.037 -0.015 -0.018
39 1 Алтайский край 0.071 -0.027 -0.015
42 9 Вологодская область 0.076 -0.009 -0.031
43 76 Хабаровский край 0.005 -0.005 -0.021
53 5 Белгородская область 0.108 -0.023 -0.003
55 83 Ярославская область 0.135 0 -0.015
62 6 Брянская область 0.156 0.024 0.021
66 3 Архангельская область 0.079 0.049 0.025
67 79 Чеченская Республика 0.06 0.067 0.025
70 2 Амурская область 0.247 0.028 0.066
73 82 Ямало-ненецкий авт.округ 0.11 0.092 0.095
78 4 Астраханская область 0.103 0.311 0.297
66
Таблица 26
Результат ранжирования по усредненным (за рассматриваемый
период) данным (выборочно, регионы из табл. 22, 23)
Место
Регион Российской Федерации
1 год 3 года 4 года 5 лет 6 лет
Чеченская Республика 1 1 1 1 1
Чукотский автономный округ 2 2 2 2 2
г. Москва 7 7 9 9 10
Белгородская область 9 15 14 15 16
Ямало-Ненецкий авт.округ 17 12 16 12 12
Волгоградская область 21 30 25 25 26
Алтайский край 31 26 36 43 34
Ханты-Мансийский авт.округ 34 33 37 35 35
Челябинская область 40 44 41 40 32
Хабаровский край 41 32 54 53 52
Астраханская область 44 19 21 17 18
Вологодская область 45 47 45 47 56
Амурская область 49 37 34 32 27
Архангельская область 55 65 48 48 45
Московская область 56 62 69 65 74
Брянская область 57 45 42 42 41
Воронежская область 62 66 71 70 69
Ярославская область 67 69 62 68 65
Чувашская Республика 69 67 70 67 64
Владимирская область 82 83 82 82 83

ПРИЛОЖЕНИЕ 1
Таблица значений функции стандартного
нормального закона распределения
В таблице 1 даны значения функции стандартного нормального
закона распределения
u 1 2
1 t
Ф( u ) e 2 dt ,
2
т.е. значения площади под кривой
1 2
1 t
y e 2 ,
2
лежащей левее точки u.
В левой колонке табл. 1 приведены значения аргумента u от 0,00
до 0,49, обозначенные буквой z. Во второй колонке приведены значе-
ния функции Ф для этих значений аргумента. В последующих колон-
ках таблицы даны значения функции Ф для значении аргумента u от
0,50 и выше. При этом значение аргумента u находят как сумму зна-
чения z и величин: 0,50; 1,00; 1,50; 2,00; 2,50; 3,00.
67
Пример. Для u=1,86=(1,5+0,36) находим: Ф(1,86)=0,96856.
Значения функции Ф(u) для отрицательных u рассчитывают по
формуле:
Ф(–u)=1–Ф(u).
Значение квантили Ua уровня a находится как значение аргу-
мента U, соответствующего значению функции Ф(u)=а.
Пример. Значению a=0,99 соответствует ближайшее табличное
значение Ф=0,99010. По таблице 1 для этого значения функции нахо-
дят значение аргумента u:
u=2,0+0,33=2,33.
Таблица 1
Значения функции стандартного
нормального закона распределения
z Ф(z) Ф(0,5+z) Ф(1,0+z) Ф(1,5+z) Ф(2,0+z) Ф(2,5+z) Ф(3,0+z)
1 2 3 4 5 6 7 8
0.00 0.50000 0.69146 0.84134 0.93319 0.97725 0.99379 0.99865
0.01 0.50399 0.69497 0.84375 0.93448 0.97778 0.99396 0.99869
0.02 0.50798 0.69847 0.84614 0.93574 0.97831 0.99413 0.99874
0.03 0.51197 0.70194 0.84850 0.93699 0.97882 0.99430 0.99878
0.04 0.51595 0.70540 0.85083 0.93822 0.97932 0.99446 0.99882
0.05 0.51994 0.70884 0.85314 0.93943 0.97982 0.99461 0.99886
0.06 0.52392 0.71226 0.85543 0.94062 0.98030 0.99477 0.99889
0.07 0.52790 0.71566 0.85769 0.94179 0.98077 0.99492 0.99893
0.08 0.53188 0.71904 0.85993 0.94295 0.98124 0.99506 0.99896
0.09 0.53586 0.72240 0.86214 0.94408 0.98169 0.99520 0.99900
0.10 0.53983 0.72575 0.86433 0.94520 0.98214 0.99534 0.99903
0.11 0.54380 0.72907 0.86650 0.94630 0.98257 0.99547 0.99906
0.12 0.54776 0.73237 0.86864 0.94738 0.98300 0.99560 0.99910
0.13 0.55172 0.73565 0.87076 0.94845 0.98341 0.99573 0.99913
0.14 0.55567 0.73891 0.87286 0.94950 0.98382 0.99585 0.99916
0.15 0.55962 0.74215 0.87493 0.95053 0.98422 0.99598 0.99918
0.16 0.56356 0.74537 0.87698 0.95154 0.98461 0.99609 0.99921
0.17 0.56750 0.74857 0.87900 0.95254 0.98500 0.99621 0.99924
0.18 0.57142 0.75175 0.88100 0.95352 0.98537 0.99632 0.99926
0.19 0.57535 0.75490 0.88298 0.95449 0.98574 0.99643 0.99929
0.20 0.57926 0.75804 0.88493 0.95543 0.98610 0.99653 0.99931
0.21 0.58317 0.76115 0.88686 0.95637 0.98645 0.99664 0.99934
0.22 0.58706 0.76424 0.88877 0.95728 0.98679 0.99674 0.99936
0.23 0.59095 0.76731 0.89065 0.95818 0.98713 0.99683 0.99938
0.24 0.59483 0.77035 0.89251 0.95907 0.98745 0.99693 0.99940
0.25 0.59871 0.77337 0.89435 0.95994 0.98778 0.99702 0.99942
0.26 0.60257 0.77637 0.89617 0.96080 0.98809 0.99711 0.99944
0.27 0.60642 0.77935 0.89796 0.96164 0.98840 0.99720 0.99946
0.28 0.61026 0.78230 0.89973 0.96246 0.98870 0.99728 0.99948
0.29 0.61409 0.78524 0.90147 0.96327 0.98899 0.99736 0.99950
0.30 0.61791 0.78814 0.90320 0.96407 0.98928 0.99744 0.99952
0.31 0.62172 0.79103 0.90490 0.96485 0.98956 0.99752 0.99953
68
Продолжение табл. 1
1 2 3 4 5 6 7 8
0.32 0.62552 0.79389 0.90658 0.96562 0.98983 0.99760 0.99955
0.33 0.62930 0.79673 0.90824 0.96638 0.99010 0.99767 0.99957
0.34 0.63307 0.79955 0.90988 0.96712 0.99036 0.99774 0.99958
0.35 0.63683 0.80234 0.91149 0.96784 0.99061 0.99781 0.99960
0.36 0.64058 0.80511 0.91308 0.96856 0.99086 0.99788 0.99961
0.37 0.64431 0.80785 0.91466 0.96926 0.99111 0.99795 0.99962
0.38 0.64803 0.81057 0.91621 0.96995 0.99134 0.99801 0.99964
0.39 0.65173 0.81327 0.91774 0.97062 0.99158 0.99807 0.99965
0.40 0.65542 0.81594 0.91924 0.97128 0.99180 0.99813 0.99966
0.41 0.65910 0.81859 0.92073 0.97193 0.99202 0.99819 0.99968
0.42 0.66276 0.82121 0.92220 0.97257 0.99224 0.99825 0.99969
0.43 0.66640 0.82381 0.92364 0.97320 0.99245 0.99831 0.99970
0.44 0.67003 0.82639 0.92507 0.97381 0.99266 0.99836 0.99971
0.45 0.67364 0.82894 0.92647 0.97441 0.99286 0.99841 0.99972
0.46 0.67724 0.83147 0.92785 0.97500 0.99305 0.99846 0.99973
0.47 0.68082 0.83398 0.92922 0.97558 0.99324 0.99851 0.99974
0.48 0.68439 0.83646 0.93056 0.97615 0.99343 0.99856 0.99975
0.49 0.68793 0.83891 0.93189 0.97670 0.99361 0.99861 0.99976
Примечание: z – значение аргумента и от 0.00 до 0.49. Значение аргумента и от 0.50
и выше находят как сумму z и величин 0.5; 1.0; 1.5 и т.д.
(см. заголовки колонок таблицы)
ПРИЛОЖЕНИЕ 2
Некоторые данные, использованные в работе
и характеризующие субъекты Российской Федерации (2012 г.)
Таблица 1
Пиво,
Пог./ Ур. Прир. Плотн. л/на
Регион смид жизни условия
Темп
дорог душу
Штрафы
насел.
1 2 3 4 5 6 7 8
Алтайский край 0.868 0.67 3.55 1.3 91 38.2 716 274
Амурская область 1.112 0.623 3.425 0.1 23 50.4 310 844
Архангельская область 0.927 0.707 3.4 0.8 18 73 345 389
Астраханская область 0.789 0.69 4 9.5 68 74.3 217 598
Белгородская область 0.940 0.725 4.15 6.4 248 54.7 416 353
Брянская область 1.097 0.695 4.075 5.1 195 45 322 538
Владимирская область 1.606 0.651 4.05 3.9 194 52.1 321 842
Волгоградская область 0.865 0.715 4.05 8 108 77.4 984 626
Вологодская область 0.828 0.712 3.825 2.3 79 84.4 603 671
Воронежская область 1.279 0.694 4.025 5.6 204 76.2 2 216 985
Еврейская автономная
1.477 0.638 3.85 0.6 44 56.1 36 763
область
Забайкальский край 1.237 0.654 3.5 -2.9 36 66.3 230 319
Ивановская область 0.885 0.612 4 3.3 183 100.4 222 430
Иркутская область 1.114 0.686 3.75 -0.9 16 90 586 638
Кабардино-Балкарская
1.327 0.655 3.7 9.1 444 29 360 661
Республика
69
Продолжение табл. 1
1 2 3 4 5 6 7 8
Калининградская
0.925 0.689 4.225 7.1 438 62.7 354 710
область
Калужская область 1.779 0.699 4.275 4.4 301 50.8 174 017
Камчатский край 0.910 0.657 2.875 2.1 3.6 70.9 160 917
Карачаево-Черкесская
1.421 0.679 3.75 8.8 249 32.1 132 784
Республика
Кемеровская область 1.077 0.734 3.525 0 87 61.5 1 177 398
Кировская область 0.892 0.667 3.9 1.6 82 74.9 355 702
Костромская область 0.590 0.674 3.675 3.1 92 59.5 172 997
Краснодарский край 1.154 0.689 4.225 11.1 272 58.8 5 023 246
Красноярский край 1.076 0.689 3.15 0.5 6.20 88.2 731 335
Курганская область 1.276 0.637 3.675 1.5 110 81.5 209 142
Курская область 1.303 0.693 4.125 5.5 243 69.3 360 563
Ленинградская область 1.743 0.688 3.9 4.4 133 78 413 695
Липецкая область 1.123 0.729 4.075 5.1 253 71.9 269 163
Магаданская область 1.293 0.703 2.55 -3.5 4.6 40.9 54 839
Московская область 1.220 0.72 4.075 4.1 636 104.5 1 753 515
Мурманская область 0.525 0.697 3.075 0.2 19 48.1 236 338
Нижегородская
1.097 0.704 4.05 3.6 202 58.9 874 843
область
Новгородская область 1.633 0.675 3.975 4 170 49 164 739
Новосибирская
0.838 0.691 3.8 0.2 61 79.2 883 480
область
Омская область 0.966 0.73 3.6 0.6 77 115.1 409 017
Оренбургская область 0.903 0.679 3.85 4 106 73.1 381 353
Орловская область 1.115 0.688 4.025 4.9 226 57.4 210 928
Пензенская область 1.096 0.664 4.05 4.2 157 59.4 536 995
Пермский край 1.172 0.721 3.7 1.5 72 83 1 143 381
Приморский край 1.209 0.655 3.675 5 50 69.2 711 870
Псковская область 1.752 0.689 4.175 4.8 198 61.7 117 741
Республика Адыгея 1.192 0.635 4.4 10.9 206 31.2 192 563
Республика Алтай 1.879 0.614 3.15 1.3 32 59.2 124 328
Республика
0.905 0.731 3.875 2.8 163 80.9 1 432 250
Башкортостан
Республика Бурятия 1.232 0.622 3.5 -1.7 18 48 98 443
Республика Дагестан 1.084 0.659 3.5 11.8 153 6.6 386 434
Республика Ингушетия 1.189 0.405 3.7 10.4 241 0.02 79 402
Республика Калмыкия 1.674 0.533 3.375 8.9 42 49.8 77 422
Республика Карелия 0.766 0.702 3.9 2.3 37 27.4 287 072
Республика Коми 0.725 0.735 3.075 -6 14 87.2 225 898
Республика Марий Эл 1.095 0.621 4 2.6 154 29.3 256 984
Республика Мордовия 1.354 0.666 4.025 3.9 175 52 108 882
Республика Саха
0.745 0.698 2.8 -10.2 2.6 47 235 309
(Якутия)
Республика Северная
1.087 0.741 3.65 8.1 436 11.8 326 115
Осетия
Республика Татарстан 1.003 0.758 3.975 3.1 285 78.9 5 819 554
Республика Тыва 2.589 0.531 3.075 -3.4 18 62.4 95 655
Республика Хакасия 1.321 0.632 3.5 0.3 46 57.8 266 906
Ростовская область 1.009 0.701 4.2 8.9 140 51.6 645 321
Рязанская область 1.490 0.683 4.05 4.3 185 56.1 219 150
70
Окончание табл. 1
1 2 3 4 5 6 7 8
Самарская область 0.940 0.75 4.075 4.2 234 58.9 1 768 490
Саратовская область 0.855 0.679 4.05 5.3 113 42.2 590 562
Сахалинская область 1.071 0.693 3.35 2.2 13 50.5 170 228
Свердловская область 0.971 0.75 3.775 1.2 61 93.9 2 584 484
Смоленская область 1.086 0.688 4.15 4.3 180 59 294 549
Ставропольский край 0.922 0.69 4.375 9.1 133 65.1 519 081
Тамбовская область 1.131 0.72 4 5 169 64.8 747 664
Тверская область 1.042 0.688 4.075 3.8 186 67.3 528 188
Томская область 0.588 0.705 3.8 -0.5 13 58.3 297 384
Тульская область 1.179 0.701 4.075 4.7 206 47.8 350 748
Тюменская область 1.284 0.794 3.8 0.9 8.7 85.4 510 090
Удмуртская Республика 0.911 0.674 3.8 2.3 170 78.5 522 040
Ульяновская область 0.857 0.657 4.05 3.2 170 40 791 308
Хабаровский край 0.912 0.686 3.45 1.4 7.1 91.2 591 615
Челябинская область 0.963 0.731 3.625 2 108 120 823 499
Чувашская Республика 1.217 0.675 3.9 3 311 38 483 507
Чукотский авт.округ 0.097 0.64 1.875 -7.6 0.8 10.3 6309
Ярославская область 1.150 0.724 4.05 3.2 195 70.2 402 044
ПРИЛОЖЕНИЕ 3
Данные об аварийности, о численности населения
и количестве транспортных средств
Таблица 1
По- Насел,
Регион (2011 г.) ДТП Ранено ТС, тыс.
гибло тыс.
1 2 3 4 5 6
Алтайский край 3430 433 4128 2417 733
Амурская область 1237 196 1480 828 274
Архангельская область 2246 211 2919 1183 339
Астраханская область 1704 188 2140 1010 343
Белгородская область 1470 289 1779 1532 451
Брянская область 1574 269 1964 1275 238
Владимирская область 3312 492 4419 1442 414
Волгоградская область 2965 456 3663 2609 773
Вологодская область 2048 217 2617 1201 408
Воронежская область 3861 570 4796 2335 841
Еврейская автономная область 425 46 504 176 39
Забайкальский край 1387 279 1722 1099 345
Ивановская область 2003 175 2614 1061 313
Иркутская область 3602 536 4468 2424 749
Кабардино-Балкарская Республика 855 236 1079 860 194
Калининградская область 1329 179 1544 941 363
Калужская область 1827 337 2395 1010 319
Камчатский край 629 63 766 320 174
Карачаево-Черкесская Республика 574 128 892 478 120
Кемеровская область 3497 557 4542 2762 786
Кировская область 2246 264 2892 1339 429
Костромская область 964 101 1196 666 197
Краснодарский край 6728 1175 8010 5229 1770
71
Продолжение табл. 1
1 2 3 4 5 6
Красноярский край 4948 639 6158 2838 997
Курганская область 1378 216 1731 909 285
Курская область 1952 265 2516 1125 388
Ленинградская область 3506 642 4466 1714 645
Липецкая область 2241 287 2922 1171 388
Магаданская область 339 36 440 156 67
г. Москва 11827 772 13610 11552 4014
Московская область 10267 1840 12714 7104 2637
Мурманская область 1032 84 1385 795 245
Ненецкий автономный округ 45 6 46 43 16
Нижегородская область 5293 690 6671 3308 1054
Новгородская область 1562 231 1934 633 202
Новосибирская область 2770 465 3283 2666 900
Омская область 2938 299 3920 1976 599
Оренбургская область 2676 366 3521 2031 675
Орловская область 1369 211 1804 786 246
Пензенская область 1828 305 2392 1384 398
Пермский край 3810 570 4793 2631 785
Приморский край 3783 477 4841 1953 737
Псковская область 1730 256 2272 671 221
Республика Адыгея 556 117 676 440 133
Республика Алтай 400 60 497 207 59
Республика Башкортостан 5160 725 6422 4072 1272
Республика Бурятия 1578 265 1925 972 272
Республика Дагестан 1578 568 2132 2981 492
Республика Ингушетия 191 96 304 415 65
Республика Калмыкия 477 98 660 289 78
Республика Карелия 851 103 1080 644 252
Республика Коми 1648 125 2333 900 292
Республика Марий Эл 987 115 1340 695 189
Республика Мордовия 994 178 1255 833 222
Республика Саха (Якутия) 919 157 1158 958 228
Республика Северная Осетия 615 153 871 712 205
Республика Татарстан 5566 696 7067 3787 987
Республика Тыва 331 144 532 308 55
Республика Хакасия 1257 135 1719 532 169
Ростовская область 6377 814 8062 4276 1330
Рязанская область 2304 378 3140 1152 437
Самарская область 4210 491 5432 3215 1030
г. Санкт-Петербург 7550 471 8875 4869 1735
Саратовская область 2525 444 3084 2519 891
Сахалинская область 787 123 1043 497 193
Свердловская область 5500 748 7359 4298 1532
Смоленская область 1320 278 1551 983 313
Ставропольский край 2751 494 3534 2785 877
Тамбовская область 1794 212 2464 1090 335
Тверская область 1929 313 2387 1350 517
Томская область 936 182 1108 1047 318
Тульская область 2933 420 3806 1550 582
Тюменская область 2966 310 4050 1343 522
Удмуртская Республика 1618 294 1856 1522 428
72
Окончание табл. 1
1 2 3 4 5 6
Ульяновская область 1603 231 2015 1290 348
Хабаровский край 1900 246 2349 1343 348
Ханты-мансийский авт.округ 2526 244 3291 1537 609
Челябинская область 5001 606 5909 3478 1047
Чеченская Республика 425 233 724 1275 206
Чувашская Республика 1799 261 2352 1250 245
Чукотский авт.округ 30 2 38 50 10
Ямало-ненецкий автономный округ 685 84 912 525 187
Ярославская область 2084 285 2588 1271 348
Таблица 2
Нас.,
Регион (2010 г.) ДТП Погибло Ранено ТС, тыс.
тыс.
1 2 3 4 5 6
Алтайский край 3 495 401 4 265 2 491 698.073
Амурская область 1 168 152 1 454 861 263.836
Архангельская область 2 259 196 2 884 1 254 325.641
Астраханская область 1 233 164 1 519 1 007 337.733
Белгородская область 1 450 251 1 811 1 530 427.265
Брянская область 1 547 234 1 923 1 292 234.981
Владимирская область 3 339 447 4 432 1 430 398.984
Волгоградская область 3 047 435 3 704 2 590 728.018
Вологодская область 2 093 196 2 621 1 214 391.939
Воронежская область 3 913 535 4 806 2 262 796.663
Еврейская автономная область 296 45 395 185 40.186
Забайкальский край 1 429 272 1 757 1 117 331.77
Ивановская область 1 970 169 2 521 1 067 294.604
Иркутская область 3 435 487 4 322 2 503 686.469
Кабардино-Балкарская Республика 733 190 918 894 184.869
Калининградская область 1 300 157 1 485 938 327.119
Калужская область 1 758 266 2 332 1 002 302.017
Камчатский край 554 59 675 342 168.077
Карачаево-Черкесская Республика 617 139 933 427 108.198
Кемеровская область 3 406 533 4 348 2 821 750.362
Кировская область 2 341 218 3 049 1 391 398.696
Костромская область 1 097 95 1 378 688 184.976
Краснодарский край 6 733 1 149 8 099 5 161 1685.034
Красноярский край 4 985 594 6 177 2 894 952.071
Курганская область 1 399 251 1 751 947 266.038
Курская область 1 885 234 2 458 1 149 324.966
Ленинградская область 3 321 568 4 380 1 629 595.098
Липецкая область 2 255 281 2 907 1 158 368.98
Магаданская область 329 36 453 161 63.898
г. Москва 11 757 763 13 592 10 563 3909.211
Московская область 10 659 1 844 13 407 6 753 2509.769
Мурманская область 1 034 103 1 364 837 226.753
Ненецкий автономный округ 38 4 45 42 14.804
Нижегородская область 5 547 756 7 031 3 324 991.405
Новгородская область 1 564 217 2 006 641 192.57
Новосибирская область 2 781 429 3 234 2 650 823.351
73
Продолжение табл. 2
1 2 3 4 5 6
Омская область 2 735 256 3 521 2 012 569.04
Оренбургская область 2 901 356 3 723 2 113 649.366
Орловская область 1 394 175 1 830 812 214.402
Пензенская область 1 647 338 2 026 1 373 378.633
Пермский край 3 876 531 4 756 2 701 749.138
Приморский край 3 725 433 4 814 1 982 815.091
Псковская область 1 546 183 1 989 689 212.351
Республика Адыгея 575 126 702 443 127.706
Республика Алтай 280 55 363 211 62.492
Республика Башкортостан 5 163 658 6 443 4 066 1214.928
Республика Бурятия 1 528 212 1 926 963 261.466
Республика Дагестан 1 690 617 2 209 2 737 434.262
Республика Ингушетия 218 70 370 517 62.322
Республика Калмыкия 395 88 476 283 74.372
Республика Карелия 789 106 961 684 241.01
Республика Коми 1 460 127 1 979 951 295.975
Республика Марий Эл 1 085 157 1 472 698 182.026
Республика Мордовия 1 006 177 1 310 827 206.572
Республика Саха (Якутия) 903 119 1 093 949 223.257
Республика Северная Осетия 642 144 874 701 196.536
Республика Татарстан 5 341 668 6 804 3 778 917.608
Республика Тыва 341 132 538 317 51.106
Республика Хакасия 1 146 122 1 505 539 158.5
Ростовская область 6 381 796 8 066 4 230 1256.38
Рязанская область 2 124 337 2 902 1 151 403.653
Самарская область 4 267 532 5 465 3 170 976.211
г. Санкт-Петербург 7 532 397 8 932 4 600 1659.441
Саратовская область 2 513 412 2 973 2 565 871.276
Сахалинская область 869 126 1 132 511 190.782
Свердловская область 6 154 699 8 051 4 394 1496.587
Смоленская область 1 280 223 1 548 966 315.825
Ставропольский край 2 762 471 3 616 2 711 853.382
Тамбовская область 1 828 217 2 578 1 089 316.783
Тверская область 2 270 296 2 885 1 360 428.326
Томская область 887 149 1 030 1 043 302.932
Тульская область 2 859 400 3 671 1 540 550.094
Тюменская область 2 870 295 3 910 3 430 509.77
Удмуртская Республика 1 669 253 1 919 1 526 413.07
Ульяновская область 1 320 237 1 554 1 299 331.339
Хабаровский край 1 958 247 2 384 1 400 329.993
Ханты-Мансийский
2 476 285 3 312 1 539 579.146
автономный округ
Челябинская область 5 020 622 5 921 3 509 985.279
Чеченская Республика 372 212 572 1 268 184.683
Чувашская Республика 1 738 288 2 200 1 278 230.949
Чукотский автономный округ 20 5 19 49 9.606
Ямало-Ненецкий
614 71 826 546 180.266
автономный округ
Ярославская область 2 147 254 2 632 1 306 346.956
74
Таблица 3
По- Ране- Нас.,
Регион (2009 г.) ДТП ТС, тыс.
гибло но тыс.
1 2 3 4 5 6
Алтайский край 3 526 410 4 320 2 496.8 733.289
Амурская область 1 127 161 1 369 864.5 254.122
Архангельская область 2 421 212 3 055 1 220.0 308.933
Астраханская область 1 280 162 1 444 1 005.2 311.369
Белгородская область 1 547 254 1 941 1 525.1 417.664
Брянская область 1 638 224 2 056 1 299.7 229.564
Владимирская область 3 206 437 4 226 1 439.8 377.769
Волгоградская область 3 048 523 3 708 2 598.9 712.749
Вологодская область 2 110 193 2 632 1 218.2 391.149
Воронежская область 3 921 558 4 952 2 270.0 763.487
Еврейская автономная область 297 50 398 185.4 39.87
Забайкальский край 1 369 294 1 763 1 117.0 325.41
Ивановская область 2 038 190 2 694 1 073.1 262.953
Иркутская область 3 685 532 4 734 2 505.6 661.162
Кабардино-Балкарская Республика 758 245 957 892.4 177.117
Калининградская область 1 336 177 1 488 937.4 322.099
Калужская область 1 769 281 2 380 1 002.9 295.017
Камчатский край 539 61 672 343.5 167.271
Карачаево-Черкесская Республика 593 141 865 427.2 103.31
Кемеровская область 3 413 540 4 399 2 821.9 715.805
Кировская область 2 264 265 2 924 1 401.2 398.332
Костромская область 1 105 107 1 443 692.3 190.337
Краснодарский край 6 738 1 155 8 156 5 141.9 1644.862
Красноярский край 4 789 658 6 021 2 889.8 859.759
Курганская область 1 427 213 1 755 952.7 266.129
Курская область 1 868 252 2 434 1 155.4 315.591
Ленинградская область 3 237 605 4 076 1 631.9 556.634
Липецкая область 2 194 282 2 943 1 163.3 356.194
Магаданская область 331 36 487 163.0 63.566
г. Москва 12 445 822 14 265 10 509.0 3659.905
Московская область 11 343 2 008 14 090 6 712.6 2363.259
Мурманская область 980 84 1 281 842.5 183.061
Ненецкий авт.округ 40 4 45 42.0 13.821
Нижегородская область 5 543 769 6 938 3 340.7 938.281
Новгородская область 1 643 220 2 009 646.0 185.161
Новосибирская область 2 824 436 3 336 2 639.9 807.033
Омская область 2 911 262 3 754 2 014.1 570.251
Оренбургская область 3 110 414 4 060 2 111.5 610.746
Орловская область 1 505 212 1 934 816.9 202.111
Пензенская область 1 665 276 2 044 1 379.8 346.291
Пермский край 3 900 551 4 788 2 708.4 742.585
Приморский край 4 011 414 5 207 1 988.0 711.498
Псковская область 1 410 187 1 768 696.4 210.156
Республика Адыгея 584 119 721 442.8 126.626
Республика Алтай 313 54 381 209.2 66.082
Республика Башкортостан 5 280 663 6 487 4 057.3 1200.901
Республика Бурятия 1 572 230 2 071 960.7 256.546
Республика Дагестан 1 693 597 2 230 2 711.7 399.009
75
Продолжение табл. 3
1 2 3 4 5 6
Республика Ингушетия 204 91 357 508.1 59.205
Республика Калмыкия 383 98 480 284.0 74.686
Республика Карелия 795 111 986 687.5 237.09
Республика Коми 1 450 136 1 885 958.5 303.243
Республика Марий Эл 1 087 157 1 540 700.1 178.426
Республика Мордовия 1 100 193 1 391 833.0 203.256
Республика Саха (Якутия) 1 021 136 1 259 949.8 226.393
Республика Северная Осетия 622 146 852 701.8 188.422
Республика Татарстан 5 572 694 6 961 3 768.6 883.614
Республика Тыва 363 125 549 313.9 48.009
Республика Хакасия 1 131 109 1 477 538.1 149.105
Ростовская область 6 087 799 7 666 4 241.8 1218.976
Рязанская область 2 029 350 2 628 1 157.7 395.72
Самарская область 4 384 584 5 522 3 171.4 971.609
г. Санкт-Петербург 7 931 514 9 364 4 581.9 1609.808
Саратовская область 2 532 411 3 013 2 572.9 752.68
Сахалинская область 944 138 1 289 514.5 188.486
Свердловская область 6 361 665 8 386 4 394.6 1405.919
Смоленская область 1 371 265 1 651 974.1 302.773
Ставропольский край 2 796 479 3 663 2 707.3 801.897
Тамбовская область 1 854 221 2 612 1 096.9 310.757
Тверская область 2 558 318 3 264 1 369.4 413.244
Томская область 811 143 964 1 038.5 261.979
Тульская область 2 890 442 3 741 1 553.1 535.854
Тюменская область 2 961 285 3 970 1 335.3 496.789
Удмуртская Республика 1 675 280 2 028 1 528.5 407.938
Ульяновская область 1 173 212 1 449 1 305.0 317.797
Хабаровский край 2 000 230 2 437 1 401.9 314.571
Ханты-Мансийский авт.округ 2 503 240 3 357 1 520.0 592.35
Челябинская область 5 036 628 5 933 3 508.7 905.236
Чеченская Республика 356 204 549 1 238.5 173.763
Чувашская Республика 1 756 282 2 243 1 279.4 223.742
Чукотский автономный округ 25 4 33 49.5 9.635
Ямало-Ненецкий авт. округ 636 70 812 543.7 181.535
Ярославская область 2 224 303 2 690 1 310.5 349.028
ПРИЛОЖЕНИЕ 4
Весовой вклад составляющих уравнения регрессии
по регионам
Таблица 1
Факт Кач. жизни Природа Температ. Пл.дорог Пиво Теория Регион
1 2 3 4 5 6 7 8
0.853 -1.6534930 0.3812700 0.0008671 0.0695240 0.0358698 1.0351379 Алтайский край
0.921 -1.5375017 0.3678450 0.0000667 0.0175720 0.0473256 1.0964076 Амурская область
Архангельская
0.916 -1.7448053 0.3651600 0.0005336 0.0137520 0.0685470 0.9042873
область
Астраханская
0.789 -1.7028510 0.4296000 0.0063365 0.0519520 0.0697677 1.0559052
область
Белгородская
0.865 -1.7892275 0.4457100 0.0042688 0.1894720 0.0513633 1.1026866
область
1.021 -1.7151905 0.4376550 0.0034017 0.1489800 0.0422550 1.1182012 Брянская область
76
Продолжение табл. 1
1 2 3 4 5 6 7 8
Владимирская
1.593 -1.6066029 0.4349700 0.0026013 0.1482160 0.0489219 1.2292063
область
Волгоградская
1.070 -1.7645485 0.4349700 0.0053360 0.0825120 0.0726786 1.0320481
область
Вологодская
0.774 -1.7571448 0.4108050 0.0015341 0.0603560 0.0792516 0.9959019
область
Воронежская
1.217 -1.7127226 0.4322850 0.0037352 0.1558560 0.0715518 1.1518054
область
Еврейская
1.374 -1.5745202 0.4134900 0.0004002 0.0336160 0.0526779 1.1267639
автономная обл.
Забайкальский
1.321 -1.6140066 0.3759000 -0.0019343 0.0275040 0.0622557 1.0508188
край
Ивановская
0.937 -1.5103548 0.4296000 0.0022011 0.1398120 0.0942756 1.3566339
область
1.141 -1.6929794 0.4027500 -0.0006003 0.0122240 0.0845100 1.0070043 Иркутская область
Кабардино-
1.541 -1.6164745 0.3973800 0.0060697 0.3392160 0.0272310 1.3545222
Балкарская Респ.
Калининградская
0.892 -1.7003831 0.4537650 0.0047357 0.3346320 0.0588753 1.3527249
область
Калужская
1.395 -1.7250621 0.4591350 0.0029348 0.2299640 0.0477012 1.2157729
область
0.717 -1.6214103 0.3087750 0.0014007 0.0027504 0.0665751 0.9591909 Камчатский край
Карачаево-
1.682 -1.6757041 0.4027500 0.0058696 0.1902360 0.0301419 1.1543934
Черкесская Респ.
Кемеровская
1.047 -1.8114386 0.3785850 0.0000000 0.0664680 0.0577485 0.8924629
область
Кировская
0.967 -1.6460893 0.4188600 0.0010672 0.0626480 0.0703311 1.1079170
область
Костромская
0.773 -1.6633646 0.3946950 0.0020677 0.0702880 0.0558705 1.0606566
область
Краснодарский
1.173 -1.7003831 0.4537650 0.0074037 0.2078080 0.0552132 1.2249068
край
Красноярский
1.185 -1.7003831 0.3383100 0.0003335 0.0047368 0.0828198 0.9269170
край
Курганская
1.129 -1.5720523 0.3946950 0.0010005 0.0840400 0.0765285 1.1853117
область
1.119 -1.7102547 0.4430250 0.0036685 0.1856520 0.0650727 1.1882635 Курская область
Ленинградская
1.800 -1.6979152 0.4188600 0.0029348 0.1016120 0.0732420 1.0998336
область
1.200 -1.7990991 0.4376550 0.0034017 0.1932920 0.0675141 1.1038637 Липецкая область
Магаданская
0.925 -1.7349337 0.2738700 -0.0023345 0.0035144 0.0384051 0.7796213
область
Московская
1.534 -1.7768880 0.4376550 0.0027347 0.4859040 0.0981255 1.4486312
область
Мурманская
0.542 -1.7201263 0.3302550 0.0001334 0.0145160 0.0451659 0.8710440
область
Нижегородская
1.229 -1.7374016 0.4349700 0.0024012 0.1543280 0.0553071 1.1107047
область
Новгородская
1.676 -1.6658325 0.4269150 0.0026680 0.1298800 0.0460110 1.1407415
область
Новосибирская
0.849 -1.7053189 0.4081200 0.0001334 0.0466040 0.0743688 1.0250073
область
0.677 -1.8015670 0.3866400 0.0004002 0.0588280 0.1080789 0.9534801 Омская область
Оренбургская
1.015 -1.6757041 0.4134900 0.0026680 0.0809840 0.0686409 1.0911788
область
Орловская
1.353 -1.6979152 0.4322850 0.0032683 0.1726640 0.0538986 1.1653007
область
Пензенская
1.063 -1.6386856 0.4349700 0.0028014 0.1199480 0.0557766 1.1759104
область
1.084 -1.7793559 0.3973800 0.0010005 0.0550080 0.0779370 0.9530696 Пермский край
1.005 -1.6164745 0.3946950 0.0033350 0.0382000 0.0649788 1.0858343 Приморский край
Псковская
1.304 -1.7003831 0.4483950 0.0032016 0.1512720 0.0579363 1.1615218
область
Республика
1.301 -1.5671165 0.4725600 0.0072703 0.1573840 0.0292968 1.3004946
Адыгея
1.170 -1.5152906 0.3383100 0.0008671 0.0244480 0.0555888 1.1050233 Республика Алтай
Республика
0.865 -1.8040349 0.4161750 0.0018676 0.1245320 0.0759651 1.0156048
Башкортостан
Республика
1.227 -1.5350338 0.3759000 -0.0011339 0.0137520 0.0450720 1.0996563
Бурятия
77
Окончание табл. 1
1 2 3 4 5 6 7 8
Республика
1.430 -1.6263461 0.3759000 0.0078706 0.1168920 0.0061974 1.0816139
Дагестан
Республика
1.161 -0.9994995 0.3973800 0.0069368 0.1841240 0.0000188 1.7900601
Ингушетия
Республика
1.681 -1.3153907 0.3624750 0.0059363 0.0320880 0.0467622 1.3329708
Калмыкия
Республика
0.751 -1.7324658 0.4188600 0.0015341 0.0282680 0.0257286 0.9430249
Карелия
0.689 -1.8139065 0.3302550 -0.0040020 0.0106960 0.0818808 0.8060233 Республика Коми
Республика
1.150 -1.5325659 0.4296000 0.0017342 0.1176560 0.0275127 1.2450370
Марий Эл
Республика
1.214 -1.6436214 0.4322850 0.0026013 0.1337000 0.0488280 1.1748929
Мордовия
Республика Саха
0.760 -1.7225942 0.3007200 -0.0068034 0.0019864 0.0441330 0.8185418
(Якутия)
Республика
1.049 -1.8287139 0.3920100 0.0054027 0.3331040 0.0110802 1.1139830
Северная Осетия
Республика
1.047 -1.8706682 0.4269150 0.0020677 0.2177400 0.0740871 1.0512416
Татарстан
Республика
2.315 -1.3104549 0.3302550 -0.0022678 0.0137520 0.0585936 1.2909779
Тыва
Республика
0.999 -1.5597128 0.3759000 0.0002001 0.0351440 0.0542742 1.1069055
Хакасия
Ростовская
1.009 -1.7299979 0.4510800 0.0059363 0.1069600 0.0484524 1.0835308
область
Рязанская
1.444 -1.6855757 0.4349700 0.0028681 0.1413400 0.0526779 1.1473803
область
Самарская
0.954 -1.8509250 0.4376550 0.0028014 0.1787760 0.0553071 1.0247145
область
Саратовская
0.832 -1.6757041 0.4349700 0.0035351 0.0863320 0.0396258 1.0898588
область
Сахалинская
1.208 -1.7102547 0.3597900 0.0014674 0.0099320 0.0474195 0.9094542
область
Свердловская
0.785 -1.8509250 0.4054350 0.0008004 0.0466040 0.0881721 0.8911865
область
Смоленская
1.329 -1.6979152 0.4457100 0.0028681 0.1375200 0.0554010 1.1446839
область
Ставропольский
0.920 -1.7028510 0.4698750 0.0060697 0.1016120 0.0611289 1.1369346
край
Тамбовская
1.019 -1.7768880 0.4296000 0.0033350 0.1291160 0.0608472 1.0471102
область
1.163 -1.6979152 0.4376550 0.0025346 0.1421040 0.0631947 1.1486731 Тверская область
0.721 -1.7398695 0.4081200 -0.0003335 0.0099320 0.0547437 0.9336927 Томская область
1.374 -1.7299979 0.4376550 0.0031349 0.1573840 0.0448842 1.1141602 Тульская область
Тюменская
0.999 -1.9595126 0.4081200 0.0006003 0.0066468 0.0801906 0.7371451
область
Удмуртская
0.959 -1.6633646 0.4081200 0.0015341 0.1298800 0.0737115 1.1509810
Республика
Ульяновская
0.869 -1.6214103 0.4349700 0.0021344 0.1298800 0.0375600 1.1842341
область
0.904 -1.6929794 0.3705300 0.0009338 0.0054244 0.0856368 0.9706456 Хабаровский край
Челябинская
0.984 -1.8040349 0.3893250 0.0013340 0.0825120 0.1126800 0.9829161
область
Чувашская
1.309 -1.6658325 0.4188600 0.0020010 0.2376040 0.0356820 1.2294145
Республика
Чукотский
0.400 -1.5794560 0.2013750 -0.0050692 0.0006112 0.0096717 0.8282327
авт.округ
Ярославская
1.203 -1.7867596 0.4349700 0.0021344 0.1489800 0.0659178 1.0663426
область
78

ЛИТЕРАТУРА
1. Прикладная статистика. Классификация и снижение размерности / под
ред. С.А. Айвазяна. - М.: Финансы и статистика, 1989. – 607 с.
2. Экономическая эффективность рациональной организации дорожного
движения / В.А. Аксенов [и др.]. – М.: Транспорт, 1991.
3. Блинкин, М.Я. Качество институтов и транспортные риски. Научно-
популярные заметки о безопасности дорожного движения / М.Я. Блинкин, А.В.
Сарычев. – М.: НИИ транспорта и дорожного хозяйства, 2008.
4. Государственный доклад о состоянии безопасности дорожного движе-
ния в Российской Федерации. – М., 2011.
5. Джэкобз, Дж.Д. Дальнейшее исследование коэффициентов дорожно-
транспортных происшествий в развивающихся странах / Дж.Д. Джэкобз, П.Р.
Форэйкр. – Кроуторн; Беркшир; Англия: Лаборатория транспортных и дорожных
исследований, 1977. – 43 с.
6. Изучение структуры ущерба от ДТП, затрат и эффективности инженер-
ных мероприятий по ОБД. Перспективы внедрения в ГАИ новых форм хозяйст-
венной деятельности: аналитическая справка. – М.: ВНИЦБД МВД СССР, 1990.
7. Ивченко, Г.И. Математическая статистика / Г.И. Ивченко, Ю.И. Медве-
дев. – М.: Высшая школа, 1984. – 248 с.
8. Кобзарь, А.И. Прикладная математическая статистика. Для инженеров и
научных работников / А.И. Кобзарь. – М.: Физматлит, 2006. – 816 с.
9. Корнеенко, В.П. Методы оптимизации / В.П. Корнеенко. – М.: Высшая
школа, 2007. – 664 с.
10. Кошкина, Е.А. Эпидемиология алкоголизма в России на современном
этапе / Е.А. Кошкина // Психология и психофармакология. – 2001. – № 3. – С.
89-91.
11. Куликов, Е.И. Прикладной статистический анализ / Е.И. Куликов. – М.:
Горячая линия – Телеком, 2008. – 464 с.
12. Маркс, К. Собрание сочинений. В 50 т. Т. 21. Сочинения / К. Маркс, Ф.
Энгельс. – 2-е изд. – М.: Государственное издательство по-литической литера-
туры, 1961. – С. 306.
13. Моржаретто, И. Возрастные изменения / И. Моржаретто, С. Целиков //
За рулем. – 2010. – № 7. – С. 189.
14. Научно-прикладной справочник по климату СССР. – М.: Гидрометео-
издат, 1987-1998. – Вып. 1-34. – Ч. 1-6.
15. Николаева, Р.В. Исследование аварийности на автомобильных доро-
гах республики Татарстан: автореф. дис. на соиск. учен. степ. канд. техн. наук /
Р.В. Николаева. – М.: МАДИ, 2011.
16. Основные показатели здоровья населения РСФСР и деятельности уч-
реждений здравоохранения в 1986–1990 гг. – М.: Министерство здравоохране-
ния РСФСР, 1991.
17. Оценка состояния автомобильных дорог в регионах РФ. Мегаопрос
«Георейтинг», 2-20 сентября 2010 г. / Фонд общественное мнение // Доминан-
ты. – 2010. – № 41. – С. 18-21.
18. Подиновский, В.В. Парето-оптимальные решения многокритериальных
задач / В.В. Подиновский, В.Д. Ногин. – М.: Наука. Главная редакция физико-
математической литературы, 1982. – 256 с.
79
19. Пуанкаре, А. Исчисление вероятностей / А. Пуанкаре. – Париж, 1912.
20. Растригин, Л.А. Современные принципы управления сложными объек-
тами / Л.А. Растригин. – М.: Советское радио, 1980. – 232 с.
21. Реклейтис, Г. Оптимизация в технике: в 2 т. / Г. Реклейтис, А. Рейвид-
рон, К. Рэгсдел. – М.: Мир, 1986. – Т. 1-2.
22. Классификация регионов РФ по природным условиям [Электронный
ресурс]: [веб-сайт]. – Электрон. дан. – Режим доступа: http://www.geoteka.ru/text.
html?ident=usl
23. Российский статистический сборник. – М.: Росстат, 2009-2010.
24. РСФСР в цифрах в 1989 г. – М.: Финансы и статистика, 1990.
25. Смирнов, Н.В. Курс теории вероятностей и математической статистики
для технических приложений / Н.В. Смирнов, И.В. Дунин-Барковский. – М.: Нау-
ка, 1969.
26. СНиП 23-01-99. Строительная климатология. – М.: Госстрой России,
2000.
27. Солнечное обозрение [Электронный ресурс]: [веб-сайт]. – Электрон.
дан. – Режим доступа: alexeyryback.ru.
28. Социальный атлас российских регионов. Независимый институт соци-
альной политики [Электронный ресурс]: [веб-сайт]. – Электрон. дан. – Режим
доступа: socpol.ru.
29. Справочник по прикладной статистике / под ред. Ллойда и Ледермана.
– М.: Финансы и статистика, 1989.
30. СССР в цифрах в 1989 г. / Госкомстат СССР. – М.: Финансы и стати-
стика, 1990.
31. Статистические данные Минздрава РСФСР. – М.: Финансы и стати-
стика.
32. Транспорт и связь: статистический сборник / Госкомстат СССР. – М.:
Финансы и статистика, 1990.
33. Химмельблау, Д. Прикладное нелинейное программирование / Д.
Химмельблау. – М.: Мир, 1975.
34. Качественный и количественный анализ аварийности в Российской
Федерации / А.Б. Чубуков, В.Т. Капитанов, О.Ю. Монина, П.И. Кошелева // Нау-
ка и техника в дорожной отрасли. – 2012. – № 4. – С. 29–32.
35. Капитанов, В.Т. Об оценке состояния дорожно-транспортной аварий-
ности в России / В.Т. Капитанов, О.Ю. Монина. А.Б. Чубуков // Качество. Инно-
вации. Образование. – 2013. – № 3. – С. 28–35.
36. Чубуков, А.Б. Меры административного воздействия на участников
дорожного движения / А.Б. Чубуков, В.Т. Капитанов, О.Ю. Монина // Наука и
техника в дорожной отрасли. – 2013. – № 2. – С. 8–11.
37. Данные Росстата по алкоголю [Электронный ресурс]: [веб-сайт]. –
Электрон. дан. – Режим доступа: alkopolitika.ru/?q=node/55.
38. Циклопедия [Электронный ресурс]: [веб-сайт]. – Электрон. дан. – Ре-
жим доступа: http://cyclowiki.org/wiki.
39. McKnight, Tom L; Hess, Darrel Climate Zones and Types: The Köppen
System // Physical Geography: A Landscape Appreciation. – Upper Saddle River,
NJ: Prentice Hall, 2000. – P. pp. 200-1. – ISBN 0-13-020263-0.
40. Mojazarplata.ru. [Электронный ресурс]: [веб-сайт]. – Электрон. дан. –
Режим доступа: mojazarplata.ru.
80
ОГЛАВЛЕНИЕ
Введение .................................................................................................................... 3
1. Модели и методы в анализе аварийности ...................................................... 4
1.1. Понятие моделирования ................................................................................ 4
1.2. Типы моделей ................................................................................................. 6
1.3. Пути реализации модели ............................................................................... 7
1.4. Вероятностно-статистические модели и методы ......................................... 8
1.5. Статистические методы проверки гипотез .................................................. 11
1.6. Выделение аномальных наблюдений ......................................................... 14
1.7. Проверка независимости характеристик..................................................... 18
1.8. Определение наличия тренда ..................................................................... 21
1.9. Критерий принадлежности двух выборок одной
и той же генеральной совокупности ............................................................ 22
1.10. Критерии проверки нормальности распределения .................................. 23
1.10.1. Модифицированный критерий 2 ................................................. 23
1.10.2. Критерий Шапиро-Уилка ................................................................ 25
1.11. Линейный регрессионный анализ .............................................................. 26
1.12. Имитационное моделирование.................................................................. 28
1.13. Векторная оптимизация ............................................................................. 29
1.14. Оптимизационная задача выбора мероприятий,
направленных на снижение ущерба от ДТП ............................................. 32
2. Примеры использования математических методов ................................... 33
2.1. Порядок определения аномальности аварийности
на одном из участков магистрали ................................................................ 33
2.1.1. Метод по схеме Бернулли .................................................................. 33
2.1.2. Метод Смирнова ................................................................................. 33
2.2. Проверка наличия тренда в последовательностях
данных об аварийности (за различные периоды времени) ....................... 34
2.3. Проверка принадлежности выборок одной
и той же генеральной совокупности ............................................................ 36
2.4. Проверка нормальности распределения .................................................... 37
2.5. Пример линейного регрессионного анализа .............................................. 37
2.6. Пример использования псевдослучайных чисел ....................................... 38
3. Комплексный анализ аварийности
на основе математических методов ............................................................... 39
3.1. Решение оптимизационной задачи на примере
адаптации формулы Смида к условиям России ........................................ 39
3.2. Применение математических методов для оценки
состояния дорожно-транспортной аварийности в России ......................... 42
3.3. Пример оценки эффективности мер административного воздействия
на участников дорожного движения
в регионах Российской Федерации ............................................................. 53
3.4. Использование векторных критериев для сравнительной оценки
состояния аварийности в регионах Российской Федерации ..................... 61
Приложение 1. Таблица значений функции стандартного
нормального закона распределения ........................................... 66
Приложение 2. Некоторые данные, использованные в работе и
характеризующие субъекты Российской Федерации................. 68
Приложение 3. Данные об аварийности, о численности населения
и количестве транспортных средств ........................................... 70
Приложение 4. Весовой вклад составляющих уравнения регрессии
по регионам................................................................................... 75
Литература ............................................................................................................... 78