Вы находитесь на странице: 1из 180

Оптимизационные модели аграрного производства в

решении задач оценки природных и техногенных рисков

Иваньо Я.М., Петрова С.А.

Иркутск 2015

1
УДК 004.41:519. 85/.245/.863:551.577.6:614.8(043.3/.5)
Представлено к изданию федеральным государственным бюджетным образовательным
учреждением высшего образования «Иркутский государственный аграрный университет
имени А.А. Ежевского»

Рекомендовано к изданию научно-техническим советом ФГБОУ ВО Иркутский ГАУ,


протокол № 12/15 от 08.12.2015 г.

Рецензенты: Батурин В.А., д.ф.-м.н., профессор, главный научный сотрудник лаборатории


системного анализа и вычислительных методов ФГБУН «Институт динамики систем и
теории управления имени В.М. Матросова»; Абасов Н.В., к.т.н., доцент, ведущий научный
сотрудник лаборатории информационных технологий в энергетике ФГБУН «Институт
систем энергетики им. Л.А. Мелентьева» Сибирского отделения Российской академии
наук СО РАН.

Оптимизационные модели аграрного производства в решении задач оценки


природных и техногенных рисков. Монография /Я.М. Иваньо, С.А. Петрова. - Иркутск:
Изд-во Иркутского ГАУ, 2015. - 180 с.

В монографии предложены модели оценки природных и техногенных рисков,


использование которых позволяет адекватно управлять процессами планирования
аграрного производства сельскохозяйственного предприятия. Разработанная методика
определения рисков и страховых возмещений реализована на реальных объектах
Иркутской области.
Результатами исследования авторов являются разработанные модели оптимизации
производства сельскохозяйственной продукции, учитывающие сильные воздействия
внешней среды; алгоритмы реализации моделей с неопределенными параметрами и
программный комплекс, позволяющий моделировать различные ситуации аграрного
производства с определением возможных рисков и страховых возмещений.
Работа предназначена специалистам по математическому моделированию и
информационным технологиям, экономистов, агрономов и др. Кроме того, эта книга
полезна аспирантам и магистрантам по направлениям: экономика, менеджмент и
агроинженерия.

In the monograph models of evaluation natural and technological risks, the use of which
allows adequate manage planning of processes of agrarian production of agricultural enterprise
are proposed. The developed method of determination of risks and insurance compensations on
real objects of the Irkutsk region are applied.
The results of research of authors are developed models of optimization of agricultural
production, taking into account the strong influence of the environment; algorithms of
implementation models with indefinite parameters and program complex allowing to simulate
various situations of agricultural production to the definition of possible risks and insurance
compensations.
The work is intended for specialists in mathematical modeling and information
technologies, economists, agronomists, etc. In addition, this book is useful for postgraduates and
undergraduates in the fields of: economics, management and agro-engineering.

ISBN 978-5-91777-172-4

© Иваньо Я.М., Петрова С.А. 2015


© Изд-во Иркутского ГАУ

2
Оглавление

Введение................................................................................................................ 7
1 Основы моделирования производства аграрной продукции с учетом
природных и техногенных событий .................................................................. 11
1.1 Редкие природные явления и их влияние на производственно-
экономические параметры .............................................................................. 11
1.2 Подходы к оценке редких явлений........................................................ 17
1.3 Особенности и методы описания многолетних рядов природных
событий ............................................................................................................ 23
1.4 Техногенные и природные события ...................................................... 31
1.5 Планирование производства продукции в экстремальных условиях .. 35
2 Моделирование редких явлений и совмещения событий .......................... 41
2.1 Редкие события исторического прошлого в Иркутской области ........ 41
2.2 Алгоритмы имитационного моделирования редких событий ............. 47
2.3 Редкие явления и серии событий........................................................... 53
2.4 Связи редких событий различного происхождения ............................. 64
2.5 Пространственно-временная оценка редких событий ......................... 71
2.6 Многофакторные модели формирования редкого события ................. 76
3 Оптимизационные модели аграрного производства в решении задач
оценки природных и техногенных рисков ........................................................ 86
3.1 Классификация моделей оптимизации производства продукции с
учетом природных и техногенных событий .................................................. 86
3.2 Моделирование рисков в условиях проявления редкого природного
явления ............................................................................................................. 99
3.3 Оптимизация сочетания отраслей при редком совмещении природных
событий для оценки рисков .......................................................................... 111
3.4 Оценка техногенных рисков с использованием оптимизационных
моделей .......................................................................................................... 122
3.5 Моделирование рисков в условиях совмещения техногенных и
природных событий ...................................................................................... 131
3.6 Программный комплекс моделирования влияния природных и
техногенных событий на планирование ...................................................... 143

3
Заключение ....................................................................................................... 155
Литература ........................................................................................................ 157
ПРИЛОЖЕНИЯ ................................................................................................ 169
ПРИЛОЖЕНИЕ А ......................................................................................... 170
ПРИЛОЖЕНИЕ Б .......................................................................................... 171
ПРИЛОЖЕНИЕ В ......................................................................................... 172
ПРИЛОЖЕНИЕ Г .......................................................................................... 173
ПРИЛОЖЕНИЕ Д ......................................................................................... 174
ПРИЛОЖЕНИЕ Е.......................................................................................... 175
ПРИЛОЖЕНИЕ Ж ........................................................................................ 176
ПРИЛОЖЕНИЕ З .......................................................................................... 177
ПРИЛОЖЕНИЕ И ......................................................................................... 178
ПРИЛОЖЕНИЕ К ......................................................................................... 179

4
Contents

Introduction ............................................................................................................ 7
1 Basis of modeling of agricultural production considering natural and
technogenic events................................................................................................ 11
1.1 Rare natural events and their impact on production and economic
parameters ......................................................................................................... 11
1.2 Methods of evaluation of rare events ........................................................ 17
1.3 Peculiarities and methods of describing of long-term ranks of natural
events ................................................................................................................ 23
1.4 Technogenic and natural events ................................................................ 31
1.5 Planning of product in extreme conditions................................................ 35
2 Modeling of rare phenomena and combination of events ................................ 41
2.1 Rare events of the historical past in the Irkutsk region.............................. 41
2.2 Algorithms of imitating modeling of rare events ...................................... 47
2.3 Rare phenomena and series of events ....................................................... 53
2.4 Connections of rare events of different origin ........................................... 64
2.5 Existential evaluation of rare events ......................................................... 71
2.6 Multifactor models of formation of rare event .......................................... 76
3 Optimization models of agricultural production in solving problems of
evaluation of natural and technogenic risks .......................................................... 86
3.1 Classification of the optimization models of production of products
considering natural and technogenic events ....................................................... 86
3.2 Modeling of risks in the conditions of manifestation of a rare natural
phenomenon ...................................................................................................... 99
3.3 Optimization of combination of branches in the rare combination of natural
events for risks evaluation ............................................................................... 111
3.4 Evaluation of technogenic risks with using of optimization models ........ 122
3.5 Modelling of risks in the conditions combination of technogenic and natural
events .............................................................................................................. 131
3.6 The program complex of modeling the impact of natural and technogenic
events on planning........................................................................................... 143

5
Conclusion.......................................................................................................... 155
Bibliography ....................................................................................................... 157
ENCLOSURES .................................................................................................. 169
ENCLOSURE А ............................................................................................. 170
ENCLOSURE Б .............................................................................................. 171
ENCLOSURE В ............................................................................................. 172
ENCLOSURE Г .............................................................................................. 173
ENCLOSURE Д ............................................................................................. 174
ENCLOSURE Е .............................................................................................. 175
ENCLOSURE Ж............................................................................................. 176
ENCLOSURE З .............................................................................................. 177
ENCLOSURE И ............................................................................................. 178
ENCLOSURE К ............................................................................................. 179

6
Введение

Сельскохозяйственные товаропроизводители Восточной Сибири


производят продукцию в условиях резко континентального климата, что
объясняет их систематические убытки от различных природных явлений.
Кроме того, на производство могут оказывать влияние и техногенные
возмущения.
В монографии рассмотрены редкие природные и техногенные явления,
формирующиеся на территории Иркутской области (суровые зимы, засухи,
ливни, дождевые паводки, весенние половодья, разливы нефтепродуктов на
рельеф местности, загрязнение земельных ресурсов и атмосферы, выброс в
окружающую среду большого количества химических веществ,
радиоактивные аварии, газовые утечки, пожары и др.).
Очевидно, что эти события причиняют значительный вред здоровью и
жизнедеятельности людей, мешают производству, наносят существенные
экономические и экологические ущербы [33, 47-54].
Для примера, только за период 2001-2013 гг. экономический ущерб,
нанесенный в регионе одной отрасли производства – сельскому хозяйству,
составил более двух млрд. руб. [30]. Экологический ущерб от техногенных
событий на территории области за 1990-2009 гг. составил свыше 4 млрд. руб.
При этом погибло 398 человек [116]. Согласно приведенным фактам
исследования событий природного и техногенного характера имеют
практическое значение для их оценки и повторяемости с целью минимизации
потерь, нанесенных хозяйственной деятельности человека.
Наиболее значительными являются ущербы при наступлении редкого
природного события. В качестве примера можно назвать дождевой паводок
на Иркуте 1971 г. или суровую зиму 1915 г. Вероятность наступления
подобных явлений наименьшая - за историческое прошлое по сравнению с
другими событиями, превышающими (непревышающими) некоторый
критический уровень, определяющий пагубное влияние на экономику
экстремального явления [19, 76, 86].
При рассмотрении влияния на производство природных событий

7
возникают ситуации чередования экстремальных явлений в один год. В
частности, в средней части Ангарского бассейна наблюдаются как весенние
половодья, так и дождевые паводки, которые могут приносить двойные
ущербы экономике территории – в весенний и летний периоды. Возможны
другие совмещения событий различного происхождения, например,
чередование засухи и раннего снега. Подобные ситуации для разных по
происхождению событий возникают крайне редко [20, 21, 86]. Между тем
возможны случаи проявления в один и тот же год двух или более событий,
отличающихся от редкого, которые в сумме оказывают ущерб, соизмеримый
с потерями при наступлении одного чрезвычайного явления.
Кроме совмещения природных событий необходимо рассматривать
ситуации совместного влияния на производственные процессы
климатических и техногенных событий.
Таким образом, в условиях природных и техногенных рисков большое
значение имеет формулировка и решение задач оптимизации производства
продукции при неблагоприятных внешних воздействиях, позволяющие
минимизировать потери предприятий. Среди подобных задач следует
выделить те из них, которые описывают планирование с учетом влияния
редких природных событий, представляющих собой явления, наносящие
наибольший ущерб предприятиям, что связано с их генетическими
особенностями.
Определение оптимальных планов в условиях проявления редких
природных явлений, совмещения природных событий, наложения природных
и техногенных событий имеет значение для планирования производства на
многолетний период и страхования, связанного с различными рисками. Это
особенно актуально для территорий РФ с резко континентальным климатом,
на которых редкими являются ситуации отсутствия природных событий и их
совмещения.
Другими словами, можно оценить различные варианты ведения
аграрного производства для смягчения ущербов за счет оптимального
сочетания отраслей сельского хозяйства на территориях, подверженных
влиянию природных и техногенных событий. При этом оцениваются

8
возможные риски производства сельскохозяйственной продукции в крайне
неблагоприятных условиях для компенсации потерь страховыми компаниями.
Основными научными результатами, описанными в монографии,
являются: 1) методики определения повторяемости природного события,
совмещения природных событий и факторные модели оценки редких
событий; 2) алгоритмы имитационного моделирования для определения
вероятности превышения редких природных событий и оптимизации
деятельности сельскохозяйственного предприятия с вероятностными и
интервальными параметрами в условиях проявления редких природных
явлений различного происхождения; 3) методика оценки природных рисков с
использованием предложенных моделей оптимизации сочетания отраслей в
условиях редкого совмещения различных природных событий и алгоритмов
их реализации с применением метода статистических испытаний; 4) методика
определения ущербов на основе сформулированных задач оптимизации
производства сельскохозяйственной продукции с учетом техногенных
событий и совмещения техногенных и природных событий, решенных
согласно предложенным алгоритмам с применением имитационного
моделирования. Для моделирования аграрного производства с учетом рисков
разработан проблемно-ориентированный программный комплекс.
Практическая значимость работы заключается в разработке методики
определения степени риска объектов, включенных в систему страхования, на
основе оптимизации производства продукции в крайне неблагоприятных
внешних условиях и оценке наступления редких явлений и редкого
совмещения событий с разрушительным воздействием. Разработки
реализованы для сельскохозяйственных предприятий Иркутской области с
определением страховых возмещений и ущербов на основе оптимальных
планов в условиях проявления сильных засух, паводков, половодий и
техногенных последствий. Предложенные модели и алгоритмы их реализации
используются в дисциплинах, связанных с математическим моделированием,
преподаваемых для бакалавров, магистрантов и аспирантов экономических и
агроинженерных направлений и специальностей.
Монография состоит из введения, трех глав, заключения, списка
использованной литературы и приложений.
9
Во введении обосновывается актуальность темы работы,
формулируются теоретическая и практическая значимость исследований.
В первой главе рассмотрена информация об экстремальных природных
явлениях и их влиянии на производство, подходы к оценке редких явлений,
факторы их проявления. Проанализированы техногенные возмущения на
территории Иркутской области и рассмотрены задачи оптимизации
производственных процессов в экстремальных природно-климатических
условиях.
Вторая глава посвящена особенностям информации о редких событиях
исторического прошлого на территории Восточной Сибири. Приведена их
оценка и анализ изменчивости серий событий. Определены эпохи
наибольших серий параметров тепла и увлажнения. Исследованы связи
между значениями событий и потоками событий. Рассмотрены возможные
чередования редких явлений различного происхождения и серий событий,
оценена их пространственная изменчивость. Определены редкие сочетания
природных событий различного происхождения. Получены модели,
описывающие связи редких природных явлений с факторами, влияющими на
их формирование.
В третьей главе предложены методики определения природных,
техногенных рисков и страховых возмещений, включающие в себя
разработанные модели оптимизации производства продукции в крайне
неблагоприятных ситуациях, реализованные по построенным алгоритмам с
применением имитационного моделирования. В первой методике
использована группа задач с учетом одного редкого явления, во
второй - рассматривается случай редкого сочетания разных природных
событий, а в третьей - учитывается совместное влияние природных и
техногенных событий. Методики и модели реализованы на реальных
объектах. Создан программный комплекс для решения задач планирования
производства в условиях природных и техногенных рисков.
В заключении выделены основные результаты работы и направления
дальнейших исследований.

10
1 Основы моделирования производства аграрной
продукции с учетом природных и техногенных событий

1.1 Редкие природные явления и их влияние на


производственно-экономические параметры

Изучение климатических параметров представляет интерес для


различных областей знаний. Из многолетних рядов наблюдений этих
параметров выделяются события, представляющие собой значения,
превышающие некоторый критический уровень или находящееся ниже него.
Из этих рядов выделяются редкие явления, которые обычно приводят к
катастрофическим последствиям (гибели людей, значительным
материальным ущербам, нарушению социальной инфраструктуры). Для
описания резких изменений физической величины, характеризующей явление
под влиянием факторов, можно использовать теорию катастроф [8, 153]. По
одному из определений редкое событие представляет собой значение,
вероятность реализации которого меньше некоторой условной величины,
значительно меньшей единицы [120]. Подобное определение используется в
различных нормативных документах [134-136], определяющих вероятность
редкого события для проектирования водохозяйственных сооружений.
Следует отметить, что редкое событие не всегда является случайной
величиной. Примером могут быть циклические процессы
пятнообразовательной деятельности на Солнце.
В этой работе редкое явление рассматривается как наибольшее или
наименьшее значение события за исторический период. К сожалению, такой
подход несет в себе условность, что связано с неоднозначностью
интерпретации исторического периода как продолжительности от
документирования фактов о появлении событий до настоящего времени. В
частности, для Восточной Сибири точкой отсчета исторического периода
можно считать начало освоения землепроходцами этой территории, хотя она
может быть и другой при наличии свидетельств народов, проживавших в
этом регионе. В работах [103, 104] исторический период увеличен благодаря
архивным свидетельствам сопредельных территорий, в частности, Китая.

11
Кроме того, могут возникать ситуации проявления в один и тот же год
нескольких событий различного происхождения, которые в итоге могут
причинять вред, соизмеримый с потерями при одном редком явлении. Такое
совмещение можно назвать редким.
По сути, редкие явления представляют собой глобальные экстремумы
функций, которые описывают многолетние последовательности
климатических параметров. Как правило, это наибольшие (наименьшие)
значения в ранжированных рядах за историческое прошлое.
Редкое явление по своим свойствам отлично от событий и рядовых
происшествий повторяемостью, размерами и нанесенными ущербами. Ввиду
этого возникают следующие задачи его описания: 1) способы оценки;
2) определение основных факторов формирования; 3) возможность прогноза;
4) уменьшение пагубного воздействия на хозяйственную деятельность
человека и др.
В литературе [5, 25, 70, 100 и др.] можно найти различные
классификации экстремальных природных явлений, по одной из которых [70]
они делятся на:
1) почвенные (приток тепла в слои почвы, приток максимального холода в
почву, приток максимального тепла в почву);
2) метеорологические (движение воздушных масс, приток максимального
холода в атмосферу, атмосферная засуха, приток максимального тепла в
атмосферу, заморозок, осадки теплого периода, выпадение твердых
осадков);
3) гидрологические (межень, затор, зажор, ледостав, половодье, паводок);
4) агрометеорологические (избыток влаги в почве, агрономическая
засуха).
В условиях резко континентального климата сельскохозяйственные
предприятия Иркутской области ежегодно подвергаются влиянию различных
категорий экстремальных природных явлений, таких как засухи, интенсивные
ливневые осадки, ураганы, высокие паводки и половодья, раннее выпадение
снега и заморозки [19, 31, 63 и др.]. В различных регионах России
экстремальные природные явления по-разному влияют на производственные
процессы. В работе [138] дано описание опасных природных явлений по
административным районам страны. Термин «опасные природные явления» в
большей степени подчеркивает влияние явления на хозяйственную
12
деятельность человека. Между тем с точки зрения выделения из различных
явлений опасных понятие «природное событие» и «опасное природное
явление» являются близкими. В частности, гидрологические события
определяются согласно критическому уровню воды. В этом случае понятие
«гидрологическое событие» совпадает с «опасное гидрологическое явление».
Особенностью редких природных событий является их малая
повторяемость, следовательно, для их оценки необходимы продолжительные
ряды наблюдений. С этой целью, помимо данных, зарегистрированных на
гидрометеорологических постах необходимо использовать историко-
архивные свидетельства [25, 66, 85, 100 и др.], которые в совокупности с
наблюденными данными позволяют в значительной степени увеличить
информацию о многолетней изменчивости природных событий.
В работе [85] приведены годы в которые имели место климатические
события на территории Иркутской области. По историко-архивным
свидетельствам составлен ряд суровых зим, начиная с 1718 г. При этом
первое упоминание о природных явлениях на территории региона имело
место о заторе 1663 г.
В таблице 1.1 приведены некоторые редкие события, сочетания
событий и техногенные аварии, имевшие место на территории Иркутской
области согласно [48-54, 62, 116, 117, 149, 150 и др.].
Именно редкими явлениями причиняются наиболее значительные
ущербы хозяйственной деятельности человека. Согласно [47] особо опасны
для Иркутской области ураганные ветры, град, весенние половодья, дождевые
паводки, зажоры и заторы. При этом сумма материальных потерь от одного
такого явления может в несколько раз превышать многолетние убытки от
природных событий, нередко сопровождаясь человеческими жертвами.
За 2001-2014 гг. ущербы, нанесенные сельскому хозяйству природными
событиями, составили более 2 млрд. руб. В работе [31] определена структура
влияния экстремальных природных явлений на сельское хозяйство Иркутской
области по критерию ущерба: засуха – 28%; гидрологические явления – 27%,
из них на весеннее половодье приходится 15, а на дождевой паводок 12%;
ураганы – 18%; лесные пожары – 15%; град и ранний снегопад – 12%.

13
Таблица 1.1 – Некоторые редкие природные события и техногенные аварии,
наблюдавшиеся в Иркутской области и их последствия
Редкое природное или Дата
Последствия и ущерб *, млн. руб.
техногенное событие проявления
Дождевой паводок на рек
Иркуте, Китое и южных Лето 1971 80*
притоках оз. Байкал
Весеннее половодье и
Весенне-
дождевой паводок на реках
летний период 250*
Уде, Бирюсе, Иркуте, Китое,
1980 г.
Белой, Ие
Дождевой паводок на р. Ие Лето 1984 115*
Охвачена вся территория Иркутской
Сильный ветер, 25-30 м/с 16.05.1990
области. 150*
Май-июль
Лесные пожары Сгорело 312 тыс. га леса. Более 2000 *
1993
Нашествие саранчи, поражено 1100 тыс.
Засуха Лето 1993
га. Более 1000*
Затоплена дизельная электростанция с.
Преображенка, сброс 28 м3 дизтоплива, и
Весеннее половодье на
16-17.05.1994 емкости с бензином 9 м3, затоплено 330
р. Н.Тунгуска
домов, эвакуировано 952 жителя.
Более 405*
Подтоплено 10 населенных пунктов в
Дождевой паводок в Третья декада Зиминском и Куйтунском районах,
бассейне р. Ока июня 1994г. размыто 5 внутрихозяйственных мостов,
затоплено около107 км2 территории. 6800 *
Авария на керасинопроводе
Ангарского Аварийный разлив 233 т авиационного
Январь 1996
нефтерегионного завода АО керосина. Более 647,5 *
"АНХК"
Затоплено 60-65% Нижнеудинска,
4-7 июля
Дождевой паводок на р. Уда частично затоплено 18 населенных
1996 г.
пунктов. 138800 *
Январь 55 обратившихся в больницы Иркутска с
Сильный мороз
2001 г. обморожением за первую декаду января
Затоплено 80% Киренска, в зоне
Весеннее половодье на Лене
Май 2001 г. затопления и подтопления 7 районов
и Бирюсе
Иркутской области. 200 *
Дождевой паводок на реках
В зоне затопления и подтопления 7
Иркут, Китой, Белая, Ока и Июль 2001 г.
районов Иркутской области. 2 000 *
др.

Редкие события причиняют ущерб хозяйственной деятельности


человека в виде гибели посевов или утраты их части (например, снижение
урожайности во время засухи, затопление сельскохозяйственных угодий),
разрушения зданий и сооружений, уничтожения или порчи запасов, гибели
скота, повреждения дорог, линий электропередач, каналов связи, мостов,

14
дамб, береговых укреплений, пирсов, плавательных средств и др. [19, 78, 85,
147 и др.].
При рассмотрении влияния на производство природных событий
возникают ситуации чередования экстремальных явлений в один год. В
частности, в средней части Ангарского бассейна наблюдаются как весенние
половодья, так и дождевые паводки, которые могут наносить двойные
ущербы экономике территории – в весенний и летний периоды. В
монографии и другими авторами [20, 21, 72] показано, что совмещение
подобных событий возникают редко. Другими словами, при формировании
высокого половодья можно ожидать невысокий дождевой паводок, и,
наоборот, за невысоким половодьем следует высокий паводок. Примером
совместного проявления в один год нескольких экстремальных природных
явлений может служить редкое совмещение двух гидрологических событий –
дождевого паводка и весеннего половодья на р. Бирюсе (Бирюсинск),
наблюдавшееся в 1988 г. В этот год хозяйствам прибрежных территорий
нанесен двойной ущерб - в весенний и летний периоды.
Идея совмещения природных событий различного происхождения
подтверждается оценками вероятностей проявления двух и более событий в
один год , где – сумма вероятностей отдельных
событий, – множество экстремальных событий различного происхождения.
Иными словами, вероятность определяется по формуле

(∑ ) ∑ ∑ ∑ ∑ ∑ ∑

(∏ )

где – вероятности проявления событий различного происхождения.


Результаты анализа многолетних наблюдений рядов
гидрометеорологических характеристик показывают, что с возрастанием
количества рассматриваемых явлений в один год увеличивается их
совместная вероятность. Аналогичные выводы можно сделать при анализе
различных параметров увлажнения и тепла. Другими словами, наиболее
неблагоприятным годом считается тот, в котором вероятность совмещения
событий является минимальной. Анализ генетически различных событий

15
показывает, что, как правило, наблюдается не более двух совместных
природных событий в течение года. При этом подобное явление, оцениваемое
вероятностью совместных событий, является редким. Значительно реже
имеет место одновременное проявление независимых природных событий,
оцениваемое произведением частных вероятностей.
Оценка вероятностей одного и многих событий позволила выделить
новую задачу – оценку влияния многих совместных событий на
жизнедеятельность человека.
Как правило, существуют эпохи формирования серий однородных
событий. По гидрометеорологическим материалам за XX и начало XXI в. [40-
44, 61, 86, 115] серия сильных дождевых паводков наблюдалась в 1944-1954
гг., высокие весенние половодья особо выделялись в 1965-1976 гг. Как
отмечалось, эпоху 1995-2009 гг. можно отнести к периоду засух.
В работах [49, 116] отмечено, что с развитием хозяйственной
деятельности человека нельзя недооценивать влияние техногенных факторов
на жизнь людей, экономику и экологию. В работе систематизированы
техногенные события, имевшие место на территории Иркутской области за
1990-2009 гг. [116] среди которых следует выделить разливы нефти и
нефтепродуктов; загрязнение подземных вод, водоемов и атмосферы;
выбросы в окружающую среду большого количества вредных химических
веществ; радиоактивные аварии, газовые утечки, авиакатастрофы, влекущие
за собой утечку топлива, пожары, выброс опасных грузов.
Очевидно, что эти события причиняют вред здоровью и
жизнедеятельности людей, мешают производству, наносят значительные
экономические и экологические ущербы. Так, экологический ущерб от
техногенных событий на территории области за 1990-2009 гг. составил свыше
4 млрд. руб. При этом погибло 398 человек [116]. Приведенные сведения
подтверждают необходимость исследования событий природного и
техногенного характера для минимизации потерь.
Таким образом, очевидно, что редкие явления, редкие совмещения
событий и техногенные возмущения оказывают значительное влияние на
экономическую деятельность человека и часто становятся причиной потери
его жизни или здоровья. При этом влияние на производственно-
экономические параметры редкого природного явления отличается от

16
воздействия природного события силой проявления и величиной убытков,
частотой проявления, особенностями формирования.
В литературе довольно часто анализируются результаты влияния
различных природных событий на производственно-экономические
параметры. В меньшей степени рассматриваются ситуации изменения
планируемых показателей под воздействием редких явлений.
Между тем в зонах рискованного земледелия наблюдаются случаи
влияния совмещения природных явлений на получение производственной
продукции. Кроме того, прежде всего на деятельности предприятий
агропромышленного комплекса сказываются техногенные последствия.
Поэтому в особую группу выделены задачи планирования производства
продукции в условиях проявления техногенных и природных явлений и их
совмещения, решение которых позволяет дать оценку страховой стоимости
продукции и страховых возмещений.

1.2 Подходы к оценке редких явлений

Для определения перехода значения многолетнего ряда природного


параметра в событие можно использовать разные методы, например,
двухуровневый и многоуровневый [59, 86]. Наибольшие или наименьшие
значения событий климатических параметров можно отнести к редким.
Пример выделения редкого события с помощью двухуровневой и
многоуровневой моделей ряда приведен на рисунке 1.1.
На графике (рисунок 1.1) линией обозначен критический расход воды,
при котором водный поток выходит на пойму и начинается затопление
прибрежных территорий. Для р. Лены в Качуге значение расхода воды,
соответствующее уровню опасности гидрологического явления, примерно
равно 830 м3/с. Таким образом, выделено пять гидрологических событий,
которые имели место в 1934, 1942, 1965, 1988 и 2001 гг. Из них событие с
наибольшим значением параметра можно выделить как редкое.
Из рассмотренных методов следует, что редкое явление представляет
собой наибольшее природное событие из выделенных.

17
Рисунок 1.1 – Выделение редкого явления на основе многоуровневой и
двухуровневой моделей на примере максимальных расходов
воды в теплый период на р. Лене у Качуга

Кроме указанных методов выделения событий и редкого явления,


можно применить один из способов оценки аномальности явления, в
частности, критерий Ирвина, позволяющий определять значения со
значительными отклонениями:
y i  y i 1 
i  , (1.2)
y
где λi – расчетное значение критерия Ирвина; yi – значение параметра
многолетнего ряда наблюдений; σy – среднеквадратическое отклонение ряда
наблюдений y.
Помимо перечисленных методов применим другой подход, который
связан с хозяйственной деятельностью человека – нанесение большого
экономического ущерба. В частности, в водохозяйственном строительстве,
согласно нормативным документам, определяется класс сооружений.
Например, вероятность превышения расчетного уровня воды для объектов
I класса, защищающих сельскохозяйственные территории площадью свыше
100 тыс. га, принимается равной 0,5%; для сооружений IV класса,

18
защищающих территории оздоровительно-рекреационного и санитарно-
защитного назначения – 10% [134-136].
В таблице 1.2 приведены критерии выделения событий из многолетних
значений гидрометеорологических рядов и урожайности зерновых [6, 70,
100]. Часть событий, параметры которых описываются нормальным законом
распределения, определены с помощью критерия
y i  y   y / 2 или y i  y   y / 2, (1.3)
где ̅ – среднее значение многолетнего ряда наблюдений.

Таблица 1.2 – Критерии выделения событий различного происхождения


№ Критерий перехода
Параметр Обозначения
п.п. значения в событие
̅ - среднее значение ряда минимальных
Минимальная ̅
1 температура, температур, – стандартное
[оС]
отклонение
̅ - среднее значение ряда максимальных
Максимальная ̅
2 температура, температур, – стандартное
[оС]
отклонение
Максимальный расход - расход воды соответствующий
3 воды дождевого отметке опасности гидрологического
паводка, [м3/с] явления при вероятности непревышения pk
Максимальный расход - расход воды соответствующий
в
4 воды весеннего отметке опасности гидрологического
половодья, в [м3/с] явления при вероятности непревышения pk
- максимальные суточные осадки,
Наибольшие суточные
5 осадки, [мм] соответствующие вероятности
непревышения pk
Безморозный период, ̅ - среднее значение ряда безморозного
6 б
̅
б [сут]
б периода, б – стандартное отклонение
Агрономическая ̅ - среднее значение ряда урожайности
7
засуха, [ц/га] зерновых

Неравенство (1.3) можно использовать для выделения событий тепла.


Что касается гидрологических параметров, то здесь применимо условие
y i  y pk . (1.4)
В неравенстве (1.4) – значение непревышения, соответствующей
вероятности pk. Эта величина обычно связана с отметкой опасности
гидрологического явления. При этом следует иметь в виду асимметрию
законов распределения, описывающих параметры увлажнения.

19
Для определения засушливых явлений ближе критерий (1.3). Однако в
отличие от него условие перехода значения в событие имеет другой вид
yi  k y , (1.5)
где k – коэффициент, который меньше единицы. Причем его значение связано
с жесткостью требований к событию. Согласно работе [6] .
При переходе значения в разряд события следует учитывать
особенности многолетних рядов рассматриваемых параметров. Для зимней
минимальной температуры воздуха имеет место цикличность в виде
многолетней повторяемости очень низких значений показателя холода и
максимальных сериями событий. Такие явления на юге Восточной Сибири за
период более трехсот лет происходили примерно в первые 10-20 лет начала
века. Другими словами, в эту эпоху имеют место серии холодных зим и
редкие значения минимальных температур. Правда, группировка холодных
зим в начале XIX в. была менее продолжительной, чем в такой же период
XX в. К этому следует добавить дублирование проявления редких холодных и
теплых зим в интервале 4-5 лет и повторяемость на этом же отрезке резких
смен значений минимальных температур в соседние годы – за очень низкими
показаниями следовали высокие или наоборот [86].
Оценка редких явлений может производиться различными способами, в
частности, в работах [39, 58, 85, 91, 92, 100, 136 и др.] выделено несколько
подходов к оценке редких событий на основе двухуровневой и
многоуровневой моделей формирования последовательностей значений
экстремального явления.
Первый подход. Редкое природное явление рассматривают в
совокупности с другими явлениями низшего (высшего) ранга. Другими
словами, анализируются многолетние ряды наблюдений, представляющие
собой годовые значения природной характеристики. При этом наибольшее
или наименьшее значение ряда представляет собой редкое событие, входящее
в общую совокупность. Недостатком такого подхода является тот факт, что
последовательность многолетних значений принимается однородной. Между
тем, например, наибольший максимальный расход воды дождевого паводка
отличается от минимального максимального расхода условиями
формирования.

20
Частично решение этой проблемы может быть обеспечено благодаря
выделению из многолетнего ряда последовательности природных событий,
значения которых превышают или находятся ниже некоторого критического
уровня. Понятно, что даже в этом случае выделенные значения как часть
выборки не являются однородным. Тем не менее, такой подход позволяет
хотя бы частично устранить ее неоднородность.
Аналогичным образом можно сформировать выборку событий,
используя многоуровневый метод. В отличие от двухуровневого он
учитывает особенности эпох (потепление – похолодание, повышение –
понижение водности рек и др.). В статистическом отношении этот метод
близок к двухуровневому при рассмотрении событий, соответствующих
второму уровню иерархии [86].
Второй подход. При изучении событий необходимо оценить серии их
появления. Согласно [19, 86, 100, 121] в одни эпохи проявляют себя серии
событий, а в другие – их формирование фактически не ощутимо.
Исследования показывают, что в эпоху их проявления высока вероятность
наблюдения редких явлений. В частности, подобное наблюдалось в 20-е годы
XX в. на территории юга Восточной Сибири, когда имела место редкая
суровая зима. Середина того же века характеризовалась формированием
серии дождевых паводков, среди которых редким оказалось гидрологическое
событие 1952 г. В период серии засух, имевших место в конце ХХ и начале
XXI вв., наблюдалось их значительное количество. В эту эпоху
зафиксированы сильные ливни, среди которых можно выделить редкое
событие 1994 г. (таблица 1.1). Таким образом, при наличии устойчивой связи
между значениями событий и их количеством в заданных интервалах
возможно увеличение информации о формировании редкого природного
явления наряду с первым подходом.
Недостаток такого изучения предмета исследования связан с
непродолжительностью рядов наблюдений и некоторой условностью
рассмотрения продолжительности эпох. Между тем интерес вызывает сам
ряд, описывающий изменчивость количества событий на заданных отрезках,
в динамике которого можно обнаружить закономерность.
Третий подход. В работе [105] проанализированы условия
формирования редких паводков на больших притоках Ангарского бассейна. В

21
качестве факторов определялась циклоническая деятельность. Согласно
этому анализу исключительные максимальные расходы воды дождевых
паводков 1960, 1971 и 1984 гг. вызваны различными метеорологическими
условиями. Из этого следует, что затруднительно выявить некоторую
универсальную группу факторов, способствующую формированию редких
дождевых паводков. Тем не менее, определение условий, вызывающих
подобные явления, имеет методическое и практическое значение. Поэтому
необходимо оценивать зависимости между результативным признаком и
основными факторами, которые на него влияют. При этом следует обращать
внимание на связь редкого гидрологического события с предшествующими
факторами для возможности прогнозирования [60, 87]. В работе [78] сделана
попытка увязать максимальные расходы воды редкого дождевого паводка
1934 г. на р. Лене (Качуг) с предшествующими значениями температур и
осадков. Кроме того, методику математического описания формирования
редкого гидрологического события можно экстраполировать на природные
события другого происхождения.
Четвертый подход. Недостаточность информации согласно временным
рядам можно частично компенсировать, осуществляя пространственный
анализ редких событий. В работах [59, 86] показано, что синхронность хода
параметров, характеризующих события тем выше, чем сильнее событие. Это
касается, прежде всего, минимальных температур воздуха (холодные зимы).
Между тем статистический анализ редких событий по территории
способствует оценке повторяемости редких явлений и точности параметров.
В дополнение к этому такой подход может быть использован совместно с
первым. Другими словами, пространственно-временной анализ изменчивости
природных событий позволяет расширить возможности выявления
закономерности изменчивости редких природных событий.
Пятый подход. В работе [86] выявлено, что при выделении событий
многоуровневым методом на втором уровне иерархии маловероятно
проявление в один и тот же год событий разного происхождения. Подобное
имеет место при анализе повторяемости серий событий различного
происхождения в различные эпохи. Каждый подход имеет свои преимущества
и недостатки, поэтому необходимо комплексное изучение редких природных
событий.

22
При использовании приведенных подходов редкое явление
рассматривается как наибольшее (наименьшее) событие многолетнего ряда
наблюдений. При этом анализировать нужно различные по происхождению
природные явления.
Таким образом, выделены подходы, позволяющие рассматривать
события или редкое явление, как часть всей выборки наблюдений,
анализировать серии событий, определять влияние факторов на событие,
использовать пространственно-временной анализ, который, в частности,
может помочь при недостатке или отсутствии наблюденных данных.
Приведенные подходы дополняют друг друга. В частности, можно изучать
закономерности изменчивости как ряда значений параметров экстремальных
явлений, так их серии. При этом перечисленные подходы справедливы для
исследования генетически различных событий с учетом их особенностей.
Кроме того, возможен вероятностный подход к оценке событий случайного
ряда с применение метода Монте-Карло.

1.3 Особенности и методы описания многолетних рядов


природных событий

Исследования рядов ежегодных значений максимального стока


многими авторами [1, 3, 22, 23, 27, 56, 59, 78, 101, 105, 117, 134 и др.]
показывают, что они являются случайными. Коэффициенты вариации
максимальных расходов воды дождевых паводков колеблются от 0,46 до 0,63,
весенних половодий от 0,36 до 0,75. Внутрирядные связи в рядах этих
характеристик отсутствуют. Кроме того, в динамике максимального стока
весеннего половодья и дождевых паводков не выявлено трендов.
По причине случайности максимальных расходов воды для их оценки
используются вероятностные законы распределения с учетом и без учета
исторических свидетельств [23, 101, 134]. При этом расчетные формулы для
оценки статистических параметров рядов максимального стока при наличии
историко-архивных данных справедливы для стационарных процессов.
При оценке статистических параметров с учетом исторических
свидетельств используются методы моментов, максимального правдоподобия

23
и приближенно максимального правдоподобия [146]. Последний метод [23,
101], основанный на использовании в качестве центра распределения
среднего значения, является более эффективным по сравнению с методом
моментов.
Как правило, при оценке повторяемости редких гидрологических
событий применяют следующие законы распределения: Пирсона III типа;
трехпараметрическое степенное гамма-распределение Гумбеля и др. [23, 38,
57 и др.]. При значительной длине ряда можно применять усеченные законы
распределения, в частности, гамма-распределение. В этом случае
рассматриваются гидрологические события, характеризующие высокий
максимальный сток.
Согласно [86] чрезвычайно холодные зимы наблюдались в первые два
десятилетия XX в. и в отдельные годы начала XXI в. Для Иркутской области
характерна цикличность эпох проявления холодных зим, которая составляет 11,
33 и 100 лет. Особо холодными были зимы в периоды 1811-1823 и 1902-
1913 гг.
Ряды данных гидрологических событий несколько короче рядов
наблюдений за температурами воздуха, что затрудняет выявление
цикличности. В таблице 1.3 приведены данные о редких дождевых паводках
за период 1929-2010 гг., выделенные двухуровневым и многоуровневым
методами [116].
Из таблицы 1.3 следует, что редкие дождевые паводки наблюдались в
1971 г. (Иркут), 2001 г. (Китой), 1952 г. (Белая), 1984 (Ия), 1960 г. (Бирюса) и
1934 г. (Лена). Добавим к этому редкий паводок на Уде в 1996 г. и второй по
значимости, происшедший в 1950 г.
На водотоках левобережной части Ангарского бассейна преобладают
максимальные расходы и уровни воды, вызванные осадками теплого периода.
Для остальной территории характерны наводнения, сформированные
снеготаянием и заторами, что имеет место и для Ленского бассейна за
исключением его верхней части [86].
Большое влияние на производство продовольственной продукции
оказывает агрономическая засуха - событие, сопровождающееся большими
потерями в первую очередь в сельскохозяйственном производстве согласно
урожайности зерновых культур. Проанализирован параметр
биопродуктивности в Иркутской области за период 1950-2014 гг. [11]. По
24
двухуровневому и многоуровневому методам редкая засуха наблюдалась в
1963 г. В меньшей степени проявили себя события 1993 и 1996 гг.

Таблица 1.3 – Редкие события максимального стока дождевых паводков на реках


бассейнов Ангары и Лены за период 1929-2010 гг.

Годы проявления редких


Qmax,
Река – пункт Метод Годы событий по историко-
м3/с
архивным данным
4800 1971
Двухуровневый
Иркут – 3300 2001
1877
Иркутск 2520 1906
Многоуровневый
4800 1971
2340 1952
Двухуровневый
3610 2001
Китой – Китой 1870
2340 1952
Многоуровневый
3610 2001
6060 1952
Двухуровневый
Белая – 5140 2001
1870
Мишелевка 6060 1952
Многоуровневый
5140 2001
5060 1950
Двухуровневый
5900 1996
Уда-Укар 1869
5060 1950
Многоуровневый
5900 1996
2580 1980
Двухуровневый
4400 1984
Ия – Тулун 1870
1970 1937
Многоуровневый
4400 1984
4720 1960
Двухуровневый
Бирюса – 3490 1988
1912
Бирюсинск 4720 1960
Многоуровневый
3120 2005
2090 1934
Двухуровневый
1040 1942
Лена-Качуг 1885
2090 1934
Многоуровневый
1020 2001

В таблицах 1.4 и 1.5 приведены статистические методы оценки редких


явлений как наибольших (наименьших) значений природных событий и
вероятностные законы, описывающие серии событий [23, 98, 101, 134 и др.].

25
Таблица 1.4 – Применяемые методы и способы расчета статистических параметров и вероятностей рассматриваемых
природных явлени

Метод расчета Учет


Явление статистических исторических Распределение Функция распределения Обозначения Примечание
параметров свидетельств
Метод моментов ̅ – среднее -
значение ряда; и
Метод
Весеннее ( ) – параметры
приближенно Нет Пирсона III типа ∫ ( ) ̅
половодье ̅ ̅ распределения;
максимального
– гамма-
правдоподобия
функция
Дождевой Метод моментов - - -
паводок Метод
приближенно Да Пирсона III типа
- - -
26

максимального
правдоподобия
Пирсона III типа - - -
Максимальные ̅̅̅̅̅̅
– стандартное
суточные Метод моментов Нет Логарифмически- отклонение; ̅̅̅̅̅–
∫ -
осадки нормальное √ среднее значение
логарифмов y
Минимальная ̅ Значимая слабая
температура Метод моментов Нормальное ∫ - автокорре-
воздуха √ ляционная связь
Да
Максимальная
температура Метод моментов Нормальное - - -
воздуха
Нет Значимая слабая
Агрономичес-
Метод моментов Нормальное - - автокорре-
кая засуха
ляционная связь

26
При оценке статистических параметров с учетом исторических
свидетельств используются методы моментов и приближенно максимального
правдоподобия. Согласно методу моментов среднее значение ̅ и
коэффициент вариации Cv стационарного ряда вычисляются по формулам:
 n



y   y N  ( N  1) / n y i  / N ,
i 1 
(1.6)

 y 
2
n 1  yi  
2

 N  1  N  2   1 

 y 
 n2  y
i 1 
 
  , (1.7)

Cv 
N 1

где n – период инструментальных наблюдений ежегодных максимальных


расходов воды yi; yN – один известный редкий экстремум, входящий в ряд
наблюдений; N – продолжительность ряда с учетом исторических
свидетельств о редком явлении.

Таблица 1.5 – Законы распределения вероятностей, используемые при описании серий


событий
Название
Формула Переменные Прикладные задачи
распределения
1-я группа
̅
Экспоненциальное
p – вероятность Серии усредненных
Ахманова С.А. непоявления события; климатических
̅ ̅ – среднее число
событий характеристик
Раунера Ю.Л.
̅
2-я группа
a – среднее число
событий,
соответствующее Описание серий
обязательному его событий с учетом
̅ появлению ( ̅ ); периода, при котором
Усеченное ( ) k – показатель степени, вероятность
характеризующий появления события
скорость убывания равна нулю
функции (в простейшем
случае k = 1)

Для выделения циклов в многолетних рядах наблюдений минимальных


температур воздуха можно использовать Фурье- и авторегрессионный анализ
или метод Бокса-Дженкенса [24, 94].

27
Кроме приведенных формул (1.3) и (1.4) в строительных нормах [134]
предлагается использовать выражения метода приближенно максимального
правдоподобия:
1  yN N  1 n y 
2 
N
 lg
 y
  lg i  ,
n  2 i 1 y 
(1.8)

1  yN yN N  1 n yi yi 
3   lg
N y
  lg y  ,
n  2 i 1 y
(1.9)
y 
здесь на основе статистических параметров и находятся значения
стандартных параметров и при помощи функциональной
зависимости [23].
При определении суммарного экстремума одного события в
пространстве по данным точечных наблюдений применимы следующие
формулы:

где – суммарное значение события, соответствующей размерности; –


событие, соответствующее точке пространства; – сумма модульных
коэффициентов событий ; ̅; – индекс суммарного экстремума
в заданные моменты времени; – экстремальная характеристика в i-й год
для u-го пункта; – количество пунктов наблюдений.
Согласно второму подходу, при изучении серий событий могут
использоваться вероятностные законы распределения.
В работах [69, 75] для выявления изменчивости серий событий
осуществляется их оценка в 11-летних циклах солнечной активности. В свою
очередь солнечная активность влияет на процессы, происходящие на Земле
[34, 59, 121, 141 и др.].
Между тем рассматриваемые явления (дождевые паводки, весенние
половодья, ливневые осадки, суровые зимы, засухи) имеют различные
28
причины формирования [66, 68, 88, 105, 118, 143 и др.]. По одной из
классификаций изменчивость климата может быть описана моделью общей
циркуляции [148]. При этом одни подразделяются на модели общей
циркуляции атмосферы, а другие - на модели общей циркуляции океана. С
циркуляцией атмосферы и океана связаны процессы формирования циклонов
и антициклонов [143].
По данным [125] к условиям формирования паводков в Восточно-
Сибирском регионе можно отнести:
1) насыщение влагой почвогрунтов в результате таяния
многолетнемерзлых пород в теплый период;
2) значительное количество осадков в теплый период, представляющих
собой длительные обложные дожди;
3) наличие наряду с продолжительными осадками ливней.
Кроме того, на основе анализа синоптической обстановки в течение
летних месяцев согласно [105] для периодов паводкообразующих дождей
характерно преобладание траекторий циклонов юго-западного, западного и
северо-западного направлений. Вторжение антициклонов в Прибайкалье
наблюдается преимущественно с запада и северо-запада.
Антициклоны (зона повышенного давления) являются фактором
повышения температуры воздуха и почвы летом и понижения ее в зимнее
время года. При этом причиной формирования наиболее низких температур
воздуха (суровых зим) является Сибирский антициклон [99].
Авторами [30] установлена связь урожайности сельскохозяйственных
культур с числом бездождевых дней и суммой месячных осадков за
вегетационный период в остепненной зоне. В лесостепной зоне помимо
числа бездождевых дней на формирование засухи влияет сумма средней
месячной температуры.
Из большого числа факторов, участвующих в формировании осадков,
можно выделить основные. Наиболее благоприятный комплекс факторов
будет характеризоваться наличием во всех слоях нижней половины
тропосферы:
1) притока насыщенного воздуха с большим влагосодержанием или с
положительными адвективными изменениями удельной влажности;

29
2) развития восходящих движений от нестационарности и трения у
поверхности земли;
3) адвекции тепла, особенно если она уменьшается с высотой.
Осадки выпадают с большей вероятностью там, где при наличии
соответствующего влагосодержания имеют место восходящие движения от
нестационарности и трения у поверхности земли [4, 18, 88 и др.].
Кроме всего прочего автором [143] отмечается влияние эффектов Эль-
Ниньо и Ла-Ниньо на климат России. При этом установлено, что основные
тенденции изменения сезонных и годовых значений метеорологических
характеристик в районе Байкала в последние 40 лет определялись
активностью механизмов зональной циркуляции. Наибольшее воздействие во
все сезоны года оказывала арктическая осцилляция.
Таким образом, в разделе рассмотрено влияние циклонической и
антициклонической деятельности на формирование тепла, холода, осадков.
Приведены причины образования циклонов и антициклонов, их перемещения
по территории Юга Восточной Сибири.
Анализ различных по происхождению природных событий показывает,
что каждое из них имеет свои особенности: для минимальных температур
воздуха характерны 11-, 33-, 100-летние циклы. Отсюда, редкое явление в
виде суровой зимы, сопровождающееся серией событий повторяется один
раз в сто лет. Вместе с тем этот параметр в промежутке между вековыми
циклами подчиняется нормальному закону распределения. При этом в рядах
ежегодных минимальных температур за многолетний период имеют место
значимые незначительные первые коэффициенты автокорреляции. Что
касается максимальной температуры воздуха, то она является случайным
параметром и подчиняется нормальному закону распределения.
Наибольшие суточные осадки можно отнести к категории случайных
величин согласно автокорреляционному анализу и критерию Херста.
Исследование максимальных расходов воды показывает, что они
являются стохастическими. Поэтому для оценки редких расходов воды
используются вероятностные законы распределения с учетом и без учета
исторических свидетельств.

30
И наконец, некоторые ряды, в частности, урожайность
сельскохозяйственных культур могут быть описаны с помощью тренда или
автокорреляционной зависимости. Вместе с тем не всегда этот параметр
является близким к детерминированному. Поэтому для оценки редких
событий используют пространственные функции распределения [145].
При оценке повторяемости редкого события или прогнозировании
используют методы построения функций распределения с учетом и без учета
исторических свидетельств, авторегрессионного анализа, Фурье-анализа,
оценки серий событий и др. На основе данных наблюдений и историко-
архивных свидетельств показано, что редкие события имеют место в эпоху
появления наибольших серии событий. Следовательно, редкие события
нужно изучать с сериями природных событий.

1.4 Техногенные и природные события

По данным МЧС России в стране в 2012 г. отмечено 469 опасных


природных явления гидрометеорологического характера, нанесших
материальный и социальный ущерб населению и отраслям экономики, что
на 147 случаев (31%) больше, чем в 2011 году (322 происшествия) [48, 82].
При этом в разных регионах РФ природные события, как значения
климатического параметра, превышающие (непревышающие) некоторую
критическую отметку, характеризуются различной изменчивостью. В
частности, в Иркутской области их количество уменьшилось с 10 до 3 за
указанный период, хотя в Сибирском федеральном округе эти значения
увеличились с 52 до 112. Аналогичным образом число опасных природных
явлений, формирующихся на территории страны, отличается от количества
стихий, причиняющих ущербы в других странах мира.
Особый интерес для исследования представляют редкие природные
события, которые характеризуют наиболее сильные возмущения. Понятно,
что классические принципы математической статистики ориентируют на
изучение усредненных величин как наиболее стабильных. Между тем
параметры редких явлений характеризуют некоторое экстремальное

31
состояние аспекта природной среды, которое в наибольшей степени влияет на
экономику. Как правило, антропогенное воздействие оказывает на
формирование редких явлений значительно меньшее влияние, чем на
обычные процессы. В работе [2] показана связь хозяйственной деятельности
человека с годовыми гидрологическими величинами и ее отсутствие для
экстремальных событий.
В работе предлагается рассматривать не только отдельные редкие
события, но и редкое совмещение явлений. Другими словами, анализируются
случаи проявления в один и тот же год нескольких природных событий
различного происхождения, природного и техногенного события, множества
природных и одного техногенного явления. В сумме эти ситуации могут
наносить ущерб хозяйствам населения, сопоставимый с потерями при
воздействии редкого явления или даже превышать их.
Кроме того, не исключено, что в редком совмещении явлений может
присутствовать одно редкое событие.
В работе [116] проанализированы данные о техногенных событиях за
период 1990-2009 гг. на территории Иркутской области. На рисунке 1.2
приведено количество промышленных аварий и катастроф на территории
региона за период 1990-2009 гг. Здесь особо выделяется 1998 г. В этот год
зарегистрировано рекордное количество лесных пожаров – 1403 ед.

10
8 1403
8
6
6 5 5 5
4
K

4 3 3 3 3
2
2 1 1 1 1 1 1
0 0
0

Год
Рисунок 1.2 – Количество промышленных аварий и катастроф (K) на территории
Иркутской области за период 1990-2009 гг.

Общее количество техногенных аварий составило (рисунок 1.3):


1) транспортные аварии – 16 ед.;

32
2) пожары на промышленных предприятиях области с выбросом
химически опасных веществ в атмосферу – 4 ед.;
3) взрывы – 1 ед.;
4) разливы нефти – 10 ед.;
5) аварии на системах коммунального обеспечения – 4 ед.;
6) сбросы на природные объекты опасных химических и
радиоактивных веществ – 5 ед. (из них 2 случая сброса дизтоплива и бензина
в воды реки в результате весеннего половодья);
7) случаи попадания радиоактивных элементов в окружающую среду –
6 ед.;
8) случаи выброса хлора в атмосферу, при выполнении
нерегламентной технологической операции – 1 ед.;
9) газовые утечки – 6 ед.;
10) лесные пожары в результате человеческой деятельности – 1404 ед.

Сбросы на природные
Случаи попадания
объекты опасных
радиоактивных
химических и
элементов в
радиоактивных
Аварии на системах окружающую среду –
веществ - 5 (из них 2
коммунального 6
случая сброса
обеспечения - 4 0,41%
дизтоплива и бензина
0,27% в воды реки в
результате весеннего
половодья) Случаи выброса
0,34% хлора в атмосферу,
при выполнении
Разливы нефти - 10 нерегламентной
0,69% технологической
операции - 1
0,07%

Другое
3,64% Газовые утечки - 6
Взрывы - 1 0,41%
0,07%

Пожары на
промышленных
Лесные пожары в предприятиях области
результате с выбросом
человеческой химически опасных
деятельности - 1404 веществ в атмосферу - Транспортные аварии
96,36% 4 - 16
0,27% 1,10%

Рисунок 1.3 – Структура промышленных аварий и катастроф на территории


Иркутской области за период 1990-2009 гг.

33
Причиной приблизительно 60% событий стал человеческий фактор
(халатное отношение к работе), 30% – изношенность оборудования и лишь
10% произошли в результате несчастных случаев.
Материальные потери от техногенных аварий примерно равны ущербам
от природных стихий. Вместе с тем преобладающее число человеческих
жертв вызвано техногенными событиями.
Установлено, что наиболее часто техногенные события связаны с
транспортными происшествиями, причиной большинства из которых
является человеческий фактор.
Иногда встречаются ситуации, когда природные явления являются
причиной техногенных аварий. Так, в 1994 г. на р. Н. Тунгуска в период
весеннего половодья произошло затопление дизельной электростанции
с. Преображенка, принадлежащей Киренским электрическим сетям,
расположенной в водоохранной зоне реки. Льдиной прорвало трубопровод от
расходной емкости к дизелям в районе бензонасоса. В результате аварии с
расходной емкости дизельной электростанции произошел сброс в
Н. Тунгуску дизтоплива в объеме 28 м 3, нефтяное пятно которого
наблюдалось по всей ширине реки на протяжении 11 км. Величина
экологического ущерба составила 324,6 млн. руб.
Кроме того, в период этого же половодья (16-17 мая 1994 г.) в зону
затопления попала территория филиала Усть-Кутской нефтебазы. В
результате внезапного наводнения произошел аварийный сброс в Н. Тунгуску
расходной емкости с бензином А-76 в объеме 9 м3. В месте затопления около
берега образовалось масляное черное пятно размером 200×20 м.
Причиненный ущерб оценивается в 83,8 млн. руб.
Выполненный в монографии анализ, показывает, что экологический
ущерб от техногенных аварий соизмерим с результатом деятельности
природных событий. При этом последствием техногенных событий для
агропромышленного сектора является отчуждение земель, загрязнение
сельскохозяйственных культур, уменьшение урожайности и др., как правило,
в результате выбросов вредных химических веществ. Несомненным является
факт причинения редкими природными событиями и техногенными авариями
значительного вреда экономической деятельности населения, а нередко под

34
угрозой оказывается жизнь и здоровье самого человека. Возможны ситуации,
когда причиной техногенных возмущений может стать природное событие,
нельзя исключать и обратного влияния. Совмещение редкого природного
события с техногенными авариями представляется наиболее опасным для
окружающей среды, жизнедеятельности людей и их материального
благосостояния.

1.5 Планирование производства продукции в


экстремальных условиях

Как отмечалось выше, на производство продовольственной продукции


оказывают влияние события различного происхождения, среди которых
особо выделяются редкие.
Формирование редких природных явлений и их влияние на производство
сельскохозяйственной продукции необходимо учитывать при моделировании
различных процессов, связанных с эффективностью работы
агропромышленного комплекса.
Оптимизационные модели находят широкое применение для решения
большого класса сельскохозяйственных задач, связанных с определением
структуры производства растениеводческой и животноводческой продукции,
распределением земельных ресурсов, выбором наиболее эффективных
производств, оптимизацией машинно-тракторного парка, другие [7, 19, 35, 36,
46, 89-91, 96, 97, 102, 107, 111, 141, 144 и др.].
Исходя из влияния на получение сельскохозяйственной продукции.
природных событий, задачи математического программирования можно
разделить на две группы: не учитывающие и учитывающие влияние событий.
Из второй группы можно выделить модели оптимизации производства
сельскохозяйственной продукции с редкими событиями. Как правило, модели
с учетом событий имеют неопределенные параметры, которые могут быть
случайными или интервальными [64].

35
Задача математического программирования со случайными параметрами,
учитывающая экстремальные природные явления, записывается следующим
образом [19, 30, 70, 95]:
f   c j x j   d zjp x j  min, (1.13)
jJ zZ jJ

 (a ij  a zijp ) x j , , bi   bzip (i  I ), (1.14)


zZ jJ zZ

x j  0 ( j  J ), (1.15)
где xj – искомая переменная; cj – коэффициенты при неизвестных; –
коэффициенты ущербов, причиненных множеством природных событий Z
производству продукции j; aij и – коэффициенты в системе ограничений
без учета и с учетом влияния экстремальных явлений; bi и – правые части
ограничений при условии уменьшения ресурсного потенциала ввиду
проявления природных событий; p – расчетная вероятность,
характеризующая значение функции распределения. В этой задаче двойные
суммы учитывают увеличение затрат на производство под влиянием ряда
экстремальных явлений различного происхождения, а правая часть
ограничений характеризуется уменьшением ресурсов.
Общая задача математического программирования со случайными
параметрами (1.13)-(1.15) может быть разделена на частные задачи.
Например, критерий оптимальности является вероятностным, а ограничения –
детерминированными величинами. В других случаях в качестве случайных
параметров используются коэффициенты при неизвестных в левых частях
ограничений или правые части условий. Применение тех или иных частных
моделей связано с особенностями параметров.
При учете в (1.13)-(1.15) нескольких событий их повторяемость будет
различна. В результате решения задачи можно получить вероятностное
распределение критерия оптимальности в зависимости от вероятности
совмещения событий, которое связано с рассеянием вероятностей и
точностью определения значения события , где ζ –
вероятность совмещения событий, а – переменные соответствующие
оптимальному решению задачи.

36
Критерий оптимальности (1.13) и условия (1.14)-(1.15) позволяют
оценить производство продукции с заданной вероятностью р. Переменные
целевой функции и ограничений могут быть детерминированными и
случайными
Во множество экстремальных явлений H могут входить не только
природные события, но и техногенные аварии. К ним относятся пожары
промышленных предприятий и лесных массивов, взрывы, аварии на системах
коммунального обеспечения и транспорте, сбросы и выбросы на природные
объекты опасных химических и радиоактивных веществ. В качестве
природных явлений рассматриваются наводнения в весенний и летний
период, ливни, продолжительные обложные осадки, сильный ветер,
атмосферные и почвенные засухи, снегопады и заморозки в период посева
или уборки урожая, суровые зимы и др.
Из общей задачи стохастического программирования, учитывающей
влияние на производственные процессы природных событий (1.13)-(1.15),
можно выделить задачу с одним и многими экстремальными явлениями [19,
30, 70, 83]. Задача с учетом одного события выглядит следующим образом
[76]:
f   c j x j   d jp x j  min, (1.16)
jJ jJ

 (a  aijp ) x j , , bi  bi (i  I ),


p
ij (1.17)
jJ

x j  0 ( j  J ), (1.18)
где xj – искомая переменная; cj – затраты на производство j-ой продукции;
– ущерб, причиненный редким явлением производству продукции j; и
– коэффициенты в системе ограничений без учета и с учетом влияния
экстремального явления; bi и – правые части ограничений при условии
уменьшения ресурсного потенциала ввиду проявления природного события;
p – расчетная вероятность, соответствующая ущербу от первого или второго
по величине редкого события, являющегося случайным.
Задача (1.16)-(1.18) может быть использована для оптимизации
производства сельскохозяйственной продукции в условиях проявления
редкого явления. Если известна расчетная вероятность редкого явления, то

37
решением задачи является оптимальный план, соответствующий
фиксированной вероятности .
Вместе с тем с учетом рассеяния вероятностей природного события и
распределения его параметра будет получено распределение целевой
функции, зависящее от рассеяния вероятности p и значений. В этом случае
для ее решения можно использовать разработанные авторами монографии
алгоритмы [73, 76, 114]:
1) решение задачи математического программирования с
моделированием редкого события в пределах периода, учитывающего
историко-архивные данные N или только наблюдения;
2) оптимизация параметров производства сельскохозяйственной
продукции с учетом редкого события с использованием закона
распределения по условию превышения смоделированного максимального
значения параметра над его фактическим значением;
3) оптимизация параметров производства сельскохозяйственной
продукции с оценкой вероятностного распределения редкого значения,
соответствующего заданному закону без учета его рассеяния и вероятностей.
Предложенные алгоритмы в общем виде применимы для оптимизации
производства с учетом как техногенных, так и природных событий.
При моделировании производства с учетом событий целевая функция
принимает различные значения, которые зависят от вероятности превышения.
При увеличении числа событий различного происхождения возрастают риски
осуществления сельскохозяйственной деятельности [70, 83].
Помимо задач стохастического программирования теоретическое и
практическое значение для планирования сельскохозяйственного
производства в неблагоприятных условиях имеет задача с интервальными
параметрами. В общем виде ее можно сформулировать следующим образом:
~
f   c j x j   d hj x j  min, (1.19)
jJ zZ jJ

~ ) x , , b  b~ (i  I ),
 (a
zZ jJ
ij a zij ij i  zi zZ
(1.20)

~ ~ ~
d hj  d hj  d hj , a~ zij  a~zij  a~ zij , x j  0 ( j  J ), (1.21)

38
где xj – искомая переменная; cj – коэффициенты при неизвестных; ̃ –
коэффициенты ущербов, причиненных множеством природных событий Z
производству продукции j; и ̃ – коэффициенты в системе ограничений
без учета и с учетом влияния экстремальных явлений; bi и ̃ – правые части
ограничений при условии уменьшения ресурсного потенциала ввиду
проявления природных событий.
Решением задачи с редкими событиями будет оптимальный план,
соответствующий максимальному, медианному и минимальному значению
целевой функции при условии максимизации выручки и аналогичным
значениям – при минимизации затрат, с определением суммы страховых
возмещений.
Предпосылками к выполнению работы по оптимизации
производственных процессов в крайне неблагоприятных условиях явились
труды авторов [19, 30, 70, 82, 83].
В частности, в работах [19, 30] сформулированы задачи математического
программирования, позволяющие оптимизировать производство
растениеводческой продукции с учетом проявления природных событий, в
том числе редких. При этом авторами [19] были решены частные задачи
оптимизации производства в условиях проявления гидрологических событий
(весеннего половодья и дождевого паводка) на примере
сельскохозяйственного предприятия Иркутской области ООО «Талинка».
В работе [30] решены частные задачи оптимизации производства с
учетом усредненных оценок влияния на него одного природного события –
агрономической засухи и с учетом воздействия этого явления в сумме с
весенним половодьем на примере ООО «Талинка».
В свою очередь согласно [70] поставлена и решена задача оптимизации
размещения посевных культур на землях сельскохозяйственного
товаропроизводителя Тайшетского района ООО «Новая Заря» с учетом
проявления событий дождевого паводка и весеннего половодья.
Кроме того, на примере ООО «Талинка» решена задача математического
программирования с учетом редкого дождевого паводка (р. Бирюса-
Бирюсинск, 1960 г.) и редкого совмещения гидрологических явлений

39
(весеннее половодье и дождевой паводок на р. Бирюсе (Бирюсинск),
1988 г.) [20].
Несмотря на имеющиеся разработки в области оптимизации
производства продовольственной продукции с учетом природных явлений,
очевидно, что в этом направлении требуются дальнейшие исследования.
Для эффективного производства важен учет генетически различных
событий, которые могут проявляться как в отдельности, так и в различных
сочетаниях друг с другом. Следует подчеркнуть, что кроме всего прочего
интерес представляет оптимизация параметров производства в крайне
неблагоприятных условиях (при редком событии или редком совмещении
событий). Решение таких задач имеет практическое значение для
производителей продовольственной продукции, хозяйства которых помимо
воздействия редких природных явлений (засух, заморозков, раннего снега,
ураганов и др.) подвержены техногенным событиям.
Очевидно, что методику оценки ущербов от экстремальных явлений
можно применять при страховании производства сельскохозяйственной
продукции. Такая задача сложнее в том плане, что каждое событие имеет
свои особенности. Поэтому необходим предварительный анализ
информационных свойств параметров экстремальных явлений, а затем
использование результатов в моделях оптимизации сельскохозяйственного
производства в крайне неблагоприятных ситуациях.

40
2 Моделирование редких явлений и совмещения событий

2.1 Редкие события исторического прошлого в Иркутской


области

Проявление экстремальных явлений в природе происходит постоянно.


Для выявления их закономерностей необходимо иметь как можно больше
наблюденных данных. Дополнить информацию можно историко-архивными
свидетельствами [25, 66, 78, 85, 108, 125 и др.]. Это в особой степени касается
редких явлений.
Согласно тенденции за более чем 100-летний период каждые 10 лет
минимальные температуры на юге территории увеличиваются на 1 оC. При
этом разности между последующими и предшествующими температурами,
имевшими место за последние 15 лет, достигают максимальных значений,
которые сравнимы с эпохой суровых зим 1902-1923 гг.
Из ряда приведенных экстремальных значений температур воздуха
холодного периода следует выделить особо холодные зимы 1815, 1879,
1893 гг., которые по низким минимальным значениям температур можно
отнести к событиям. Между тем следует выделить эпоху холодных зим 1811-
1815 гг., в которой наблюдалась редкая минимальная температура воздуха
равная -50оC. Аналогичное значение минимальной температуры
зафиксировано в 1915 г. (-50,2оC). При этом она является частью эпохи
холодных зим.
Согласно исследованиям [86] в эпоху серий холодных зим и вековых
минимальных температур имеют место два очень низких показания
термометра, близких по значениям. В частности, помимо суровой зимы
1915 г. наблюдалась аналогичная зима в 1910 г. с показанием минимального
термометра -47,6оC. К этому следует добавить аналогичную закономерность
для теплых зим. В 1989 и 1993 гг. минимальные температуры в Иркутске
достигали -28,4oС. Эти значения являются наибольшими за более чем 100-
летний период. В XXI в. холодные зимы наблюдались в 2001 и 2006 гг.
Интересная особенность наблюденных значений минимальных
температур воздуха отмечена авторами [68, 86]: автокорреляционные связи
41
имеют место для временных рядов характеристики холода южной части
региона и отсутствуют на севере наподобие проявления трендов. Чаще всего
резкие перепады минимальных температур как разности соседних значений
наблюдаются в годы проявления холодных зим. Кроме того, для этой
характеристики выявлена цикличность, которая для редких событий
соответствует повторяемости раз в сто лет.
В дополнение к этому наблюдается зависимость минимальных
температур воздуха от индексов 11-летних циклов солнечной активности. В
работе [69, 86] показано, что между наименьшими минимальными
температурами и средними минимальными температурами 11-летних циклов
имеют место высокие автокорреляционные связи, что позволяет
прогнозировать эти параметры с определенной точностью для последующего
11-летнего цикла солнечной активности.
В Иркутске наиболее высокие максимальные температуры воздуха
XIX в. согласно историко-архивным свидетельствам зарегистрированы в
1808, 1810, 1866 гг. [85]. Из них в качестве редкого можно выделить 1866 г.,
которому соответствует температура 37 оС. В XX в. наибольшее значение
зарегистрировано в 1901 г. (36,5 оС). При этом следует отметить особенность
многолетних рядов максимальных температур, которая заключается в том,
что коэффициенты вариации параметра обладают малой величиной рассеяния
(0,040-0,060). При этом ряды являются случайными согласно результатам
автокорреляционного анализа.
Кроме того, интерес представляет анализ годовых перепадов летних и
зимних температур (рисунок 2.1). Например, в Иркутске за период 1891-
2014 гг. наибольший перепад температур соответствовал 82,3оС в 1915 г., в
1893 и 1910 гг. наблюдались перепады в 80 и 79,8 оС соответственно. Можно
заметить, что наибольшие значения разности экстремальных температур
холодного и теплого периода соответствуют годам проявления суровых зим.
Вместе с тем следует выделить необычайно теплую зиму 2007 г.,
последовавшую за холодным зимним сезоном 2006 г., разность их температур
колебалась для различных пунктов Иркутской области от 9,8 до 14,3оС.
Приведенные значения являются редкими. При этом зима в 2007 г.
приведенной эпохи была самой теплой за весь период инструментальных
наблюдений (1809-2014 гг.). По данным Иркутска показания термометра не
опускались ниже -27,1оС. В дополнение к этому несколько ниже колебания
42
последующей и предшествующей минимальной температуры имели место в
2001-2002 гг. В продолжение идеи повторения редких событий в интервале 4-
5 лет отметим, что полученные результаты подтверждают ее.
Заметим, что в 2007 г. имела место вторая по значению наименьшая
разность между минимальной и максимальной температурой (рисунок 2.1)
после 1989 г., в котором так же наблюдалась теплая зима. Очевидно, что
необычайно теплая зима 2007 г. является редким явлением.
Перепад температур, оС

85

80

75

70

65

60

55
1895
1899
1903
1907
1911
1915
1919
1923
1927
1931
1935
1939
1943
1947
1951
1955
1891

1959
1963
1967
1971
1975
1979
1983
1987
1991
1995
1999
2003
2007
2011
Год
Рисунок 2.1 – Разности между годовыми максимальными и минимальными
температурами воздуха в Иркутске за период 1891-2011 гг.

В Илимском воеводстве цена пуда ржи в течение XVIII в. достигла


максимального значения благодаря редкой засухе 1741 г. Информация о
неурожайных годах XVIII в. приведена в таблице 2.1. Согласно данным об
урожайности в начале 90-х годов XX в. (1990, 1993, 1996 гг.) наблюдались
агрономические засухи в Иркутской области. В эти годы урожайности
зерновых культур составляла немногим более 1 т/га.
В рядах максимальных суточных осадков не выявлено
автокорреляционных связей и трендов. При этом зависимостей между
временными рядами наибольших суточных осадков по данным семи пунктов
наблюдений не обнаружено. Максимальные многолетние значения этой
характеристики в различных пунктах зарегистрированы в разные эпохи.
Исключение составляет юг Иркутской области, где максимумы наибольших

43
суточных осадков наблюдались за период 1990-2014 гг. В таблице 2.1
приведены сведения о некоторых редких максимальных суточных осадках
исторического прошлого [85].

Таблица 2.1 – Засухи и наибольшие суточные осадки исторического прошлого


в Иркутской области
Рубеж 20-х гг. Рубеж 30-х гг.
Год 1729 1741
XVIIIв. XVIIIв.
Засухи
Некоторые Некоторые Нижне-Киренская Илимское
Пункт
волости Илимска волости Илимска волость воеводство
Тип явления Событие Событие Событие Редкое
Наибольшие суточные осадки
Год 1727 1728 1745 1785
Нижне-Илимская
волость, бассейны Район
Пункт Иркутск Иркутск
рр. Лены и Иркутска
Киренги
Вид осадков Ливневые - - Обложные
Тип явления Редкое Событие - -
Год 1796 1875 - -
Верхний бассейн
Пункт Иркутск - -
р. Лены
Тип явления - Событие - -

На основании таблицы 2.1 можно выделить как редкое явление


наибольшие суточные осадки 1727 г. в Иркутске. За инструментальный
период наблюдений по данным Иркутска (1874-2011 гг.) выделяется 1994 г.,
когда наибольшие суточные осадки составили 114 мм. Следует отметить
редкие осадки теплого периода в Ангарске в 2001 г. (128 мм), когда за один
день 7 июля выпало 160% их месячной нормы.
В ряде случаев в годы проявления наиболее значительных
максимальных расходов воды дождевых паводков имели место и редкие
осадки. В частности, такие явления наблюдались в 2001 г.
По данным о максимальном стоке рек Ангарского и Ленского
бассейнов сформированы временные ряды, характеризующие изменчивость
дождевых паводков и весенних половодий. Ряды максимального стока рек
являются случайными. Внутрирядные связи в рядах этой характеристики
отсутствуют.
Редкие дождевые паводки на главных притоках Ангары и в верховьях
Лены зарегистрированы поочередно, начиная с 1934 и завершая 2001 г.

44
(таблица 2.2). По данным суммарного стока главных притоков Ангары
наибольшие паводки на ряде рек области наблюдались в 50-е годы XX в. с
максимальным значением в 1952 г. на р. Белой в Мишелевке. Несколько ниже
этих значений зафиксированы паводки в 1984 и 2001 гг. В эти годы сельское
хозяйство понесло значительные потери от природных гидрологических
явлений [71, 78, 86].

Таблица 2.2 – Информация о редких гидрологических явлениях теплого периода


исторического прошлого на территории Иркутской области
Количество лет
Год редкого Год редкого Qmax за непревышения
Площадь
события по события за период редкого явления
Река (пункт) водосбора
2 историческим период наблюдений, с учетом
(F), км 3
свидетельствам наблюдений м /с исторических
свидетельств
Иркут
14800 1877 1971 4800 134
(Иркутск)
Китой (Китой) 8420 1877 2001 3610 134
Белая
16400 1870 1952 6060 141
(Мишелевка)
Ия (Тулун) 14500 1870 1984 4400 141
Уда (Укар) 17200 1870 1996 5900 141
Бирюса
24700 1912 1960 4720 99
(Бирюсинск)
Лена (Качуг) 17400 1885 1934 2090 125

В соседние годы отмечены резкие перепады максимальных расходов


воды. По результатам исследования событий максимального стока летнего
периода, которые характеризуют наиболее высокие в году дождевые паводки,
показано, что в эпоху потепления возрастает вероятность проявления
экстремальных гидрологических явлений на севере. И, наоборот, при
похолодании наблюдается тенденция увеличения частоты формирования
высоких паводков на юге региона [86].
Что касается редких событий весеннего стока, по данным историко-
архивных свидетельств, то можно выделить половодье 1754 г. на р. Лене,
которым были причинены большие убытки крестьянам Киренской,
Чечуйской и Криволуцкой волостей [85] на более 50000 км2. Значительное по
размерам половодье имело место в мае-июне 1820 г., охватив бассейны Лены
и ряда рек Ангары (рр. Ия, Иркут).

45
За инструментальный период наблюдений весеннего стока можно
выделить пять редких событий крупных рек Ангарского бассейна
(таблица 2.3). Особо опасные водные стихии наблюдались в середине 60-х
годов XX в.

Таблица 2.3 – Редкие весенние половодья инструментального периода наблюдений в


Восточной Сибири
Площадь Год редкого события Qmax за период
Река (пункт)
водосбора (F), км2 за период наблюдений наблюдений, м3/с
Уда (Чунояр) 51600 1999 2490
Бирюса (Бирюсинск) 24700 1987 3190
Йркинеева (Бедоба) 8950 1959 2310
Каменка (Каменка) 11400 1989 2640
Тасеева
127000 1966 8490
(Машуковка)

Следует отметить сравнительно короткий период наблюдений на Уде в


Чунояре (с 1978 г.). Кроме того, в 1999 г. на некоторых крупных притоках
Ангары наблюдаются события весеннего половодья второго, третьего и
четвертого значения ранжированного ряда.
Ряды весеннего половодья, аналогично рядам дождевых паводков,
представляют собой случайные выборки. Во временных рядах не выявлено
значимых внутрирядных связей, отсутствуют тренды. Следует отметить, что
эпохи проявления весенних половодий не совпадают с периодами
формирования дождевых паводков.
Таким образом, в дополнение к исследованиям авторов [19, 30, 59, 70,
79, 86, 101, 126, 138 и др.] показано, что рассматриваемые параметры
природных явлений, среди которых выделяются редкие события, имеют
различные свойства. Минимальные температуры, характеризующие суровые
зимы, учитывая историко-архивные данные, с высокой вероятностью
повторяются примерно 1 раз в 100 лет. Частота проявления очень жарких
летних периодов, описываемых максимальной температурой, по данным
наблюдений и доинструментальных свидетельств, является случайной
величиной. Разности годовых экстремальных показаний термометра за
многолетний период характеризуются ростом за последние 15 лет по
сравнению с аналогичным предшествующим периодом. Сложной является
агрономическая засуха, которая в общем случае является неоднородной ввиду
46
изменения сортов и технологий [11]. Между тем редкое засушливое явление
можно оценить с помощью закона распределения вероятностей, как правило,
функция Гаусса. И, наконец, вероятности редких весенних половодий,
дождевых паводков и максимальных суточных осадков и их значения
определяются статистическими методами с учетом историко-архивных
свидетельств. Следует подчеркнуть, что редкие явления характеризуются
генетическими особенностями формирования, поэтому для их описания
используются адекватные методы и модели.

2.2 Алгоритмы имитационного моделирования редких


событий

В работе [114] авторами монографии предложены два алгоритма


определения частоты появления редкого события с применением метода
статистических испытаний (рисунки 2.2 и 2.3). Следует отметить, что эти
алгоритмы применимы для редких явлений, являющихся случайными. При
этом с их помощью оценивается рассеяние значений случайной величины и
их вероятностей.
Оба алгоритма основаны на использовании некоторого закона
распределения вероятностей, как правило, Пирсона III типа,
трехпараметрического степенного гамма-распределения, логарифмически
нормального и гамма-распределения. При этом известна продолжительность
периода непревышения редкого события с учетом исторических
свидетельств (N).
С помощью псевдослучайных чисел многократно моделируют выборки
значений природного явления yij. Из них выбирают наибольшие величины и
соответствующие им ординаты функции распределения.
Моделирование m числа выборок длиной N позволяет получить m
наибольших значений редкого явления, по которым строят функцию между
значениями параметра и соответствующими им вероятностями. По данным о
фактическом редком явлении согласно полученной связи наибольших
значений определяют расчетную вероятность превышения и ее погрешность
для заданных уровней значимости.

47
Рисунок 2.2 – Алгоритм определения вероятностей появления редкого явления в
результате многократного моделирования наибольших
значений рядов за исторический период

В отличие от первого алгоритма во втором многократно моделируется


ряд до появления значения, которое не меньше фактического редкого явления
(рисунок 2.3). При этом оценивается второе значение ряда для интерполяции
вероятности по фактическому максиму максимуму.
Эксперименты повторяются m раз. В результате определяется
вероятность превышения, характеризующего редкое явление, и ее рассеяние.
Разработанные алгоритмы применены для оценки наибольших
гидрологических событий с учетом историко-архивных данных с
использованием распределения Пирсона III типа. При этом статистические
параметры определены с помощью метода моментов и приближенно
максимального правдоподобия [23, 55]. В таблице 2.4 приведены основные
результаты статистической обработки значений рядов максимального стока
дождевых паводков длиной n ( Q - среднее значение гидрологического

48
ряда, м3/с; отношение коэффициента асимметрии Cs и вариации Cv;
максимальное значение многолетнего ряда Qmax
max
) с учетом историко-архивных
данных (N). Кроме того, рассчитаны параметры эмпирической (pэ) и
аналитической вероятностей появления события в виде распределения
Пирсона III типа  p ПММ  . Приведены интервалы частоты появления редкого
явления. Статистические параметры найдены методом моментов.

Рисунок 2.3 – Алгоритм определения вероятности появления редкого явления на


основе моделирования периодов превышения фактического редкого явления

Следует отметить, что в отличие от метода моментов (ММ) с помощью


оценки коэффициента асимметрии с учетом первого отрицательного
начального момента и коэффициента вариации можно устранить
отрицательную смещенность параметра (таблица 2.4). Кроме того,
49
определено отношение асимметрии к коэффициенту вариации методом
Гриневича [55], что улучшает его точность.

Таблица 2.4 – Статистические параметры рядов максимального стока дождевых


паводков с учетом историко-архивных свидетельств и вероятности проявления
наибольших гидрологических событий для рек Ангарского бассейна
F, ̅ Рассеяние Cs/Cv по
Река (пункт) N Cv Cs/Cv pэ
км2 Гриневичу А.Г.
Иркут 0,00224-
14800 134 1360 0,45 4,3 4800 0,00741 0,00224 4,3
(Иркутск) 0,00440
Китой 0,00305-
8420 142 910 0,50 5,1 3610 0,00699 0,00306 7,0
(Китой) 0,00454
Белая 0,00474-
16400 142 1360 0,60 4,9 6060 0,00699 0,00474 7,0
(Мишелевка) 0,00597
0,00192-
Ия (Тулун) 14500 142 980 0,53 5,5 4400 0,00699 0,00192 -
0,0267
0,00306-
Уда (Укар) 17200 141 1870 0,56 2,4 5900 0,00704 0,00694 -
0,00955
Бирюса 0,00475-
31800 100 1640 0,48 2,2 4720 0,00990 0,00475 3,1
(Бирюсинск_ 0,00937

Помимо оценки вероятностей редких гидрологических событий


необходимо определить их рассеяние. Для этого использован предложенный
алгоритм моделирования вариации наибольших максимальных расходов воды
и их вероятностей с использованием метода Монте-Карло (рисунок 2.3). Суть
алгоритма заключается в моделировании c помощью псевдослучайных чисел
выборок значений максимального стока на основе условия ( ),
где - значение ряда, соответствующее заданному закону распределения.
Из моделируемых выборок выделяют два наибольших значения
и соответствующие им p1j и p2j по заданному закону
распределения. По этим данным рассчитываются вероятности pj фактического
значения . Приведенные интервалы рассеяния вероятностей
соответствуют уровням значимости 0,1 и 0,9. При этом число моделируемых
выборок m соответствовало периоду N.
В зоне малой вероятности наилучшее соответствие наибольших
максимальных расходов воды за историческое прошлое получено по закону
распределения Пирсона III типа, статистические параметры которого
определены методом моментов.

50
Интервалы вероятностей наибольших расходов воды с учетом историко-
архивных свидетельств имеют меньшее значение, чем при использовании
ряда за период инструментальных наблюдений.
В работе [77] показано, что наиболее благоприятным для формирования
дождевых паводков в бассейне Ангары был 1952 г., в котором наблюдался
наибольший максимальный расход воды за период не менее 142 года на реке
Белой (Мишелевка). Оценены вероятности высоких паводков,
наблюдавшихся на реках бассейна Ангары в годы редких гидрологических
событий: 1960 (р. Бирюса), 1971 (р. Иркут), 1984 (р. Ия), 1996 (р. Уда),
2001 (р. Китой).
Для определения вероятности гидрологической ситуации на основных
притоках Ангары рассчитывались частные вероятности высокого
максимального стока дождевых паводков, имевших место в годы редких
гидрологических событий с использованием распределения Пирсона III типа.
Статистические параметры определялись методом моментов с учетом
исторических свидетельств. Согласно вероятности совмещения частных
значений превышения редких максимальных расходов воды наименьшее
значение оказалось для гидрологической ситуации на водотоках
рассматриваемого водосбора в 1952 г. (р = 0,378), а наибольшее – для
паводков, сформировавшихся в 1996 г. (р = 0,999).
Таким образом, по полученным суммарным вероятностям и данным
индексов суммарных расходов воды согласно [77], 1952 г. был наиболее
благоприятным для формирования высоких максимальных расходов воды в
летний период.
Согласно методике [126] приведены расчеты стандартных погрешностей
квантилей (модульных коэффициентов максимальных расходов воды k с
учетом исторических свидетельств) для первого (4720 м3/с) и второго
(3490 м3/с) наибольших по величине максимальных расходов воды по
распределению Пирсона III типа для р. Бирюса (Бирюсинск), которые
составили 10,5 и 6,1%. Стандартная ошибка первого по величине
максимального расхода воды составляет 490 м 3/с, а второго – 290 м3/с. При
этом получены вероятности этих событий с определением статистических
параметров методом моментов, которые соответствуют 0,00485 и 0,0275 для
первого и второго по величине паводочного расхода воды.

51
Кроме того, ошибка наибольшего максимального расхода воды
дождевых паводков определена с использованием первого алгоритма
(рисунок 2.2), согласно которому стандартное отклонение наибольшего
максимального расхода воды для различных m (25-1000) колеблется в
пределах 640-730 м3/с (13,6-15,5%).
По предложенным алгоритмам (рисунки 2.2 и 2.3) осуществлена оценка
трех наибольших по величине дождевых паводков, сформировавшихся на
р. Иркут (Иркутск) (таблицы 2.5 и 2.6). В качестве вероятностного закона
использовано распределение Пирсона III типа. При этом статистические
параметры ряда определены методом моментов.

Таблица 2.5 – Оценка распределений вероятностей для трех наибольших расходов


воды дождевых паводков на р. Иркут (Иркутск)
,
p ̅ σp Cv Cs/Cv P0,05 p0,95 Размах р
м3/с
Первый алгоритм
4800 0,00222 0,00773 0,000564 0,85 1,84 0,000830 0,0208 0,0389
3300 0,0181 0,0142 0,0102 0,72 1,58 0,00211 0,0370 0,0474
2780 0,0378 0,0237 0,0149 0,63 1,79 0,00682 0,0546 0,0739
Второй алгоритм
4800 0,00222 0,00300 0,000150 0,58 3,79 0,00197 0,00746 0,00778
3300 0,0181 0,0182 0,000887 0,049 - 0,0178 0,0199 0,00494
2780 0,0378 0,0382 0,00132 0,034 - 0,0375 0,0409 0,0102

На основе полученных результатов по первому алгоритму с


уменьшением значения события в ранжированном ряду уменьшается
рассеяние его вероятности р согласно коэффициентам вариации Cv. При
моделировании по второму алгоритму наблюдается снижение коэффициента
вариации и интервала рассеяния р относительно фактического значения с
уменьшением ранга события. Асимметричность рядов вероятностей при
моделировании по первому и второму алгоритму отличается более чем в
1,5 раза.
В таблице 2.6 приведены стандартные ошибки максимальных расходов
воды, которые колеблются от 15 до 20% относительно фактических .
Коэффициенты вариации не превышают 0,18. При этом можно сравнить
степень уменьшения рассеяния для распределений максимальных расходов
воды.

52
Таблица 2.6 – Оценка распределений трех наибольших максимальных расходов
дождевых паводков на р. Иркут (Иркутск) по первому алгоритму

, ̅ , σQ, Q0,05, Размах Q,


Год Cv Cs/Cv Q0,95, м3/с
3
м /с м3/с м3/с м3/с м3/с
1971 4800 4178 742 0,18 4,9 3200 5212 3706
2001 3300 3667 662 0,18 6,7 2788 4778 3631
1917 2780 3221 449 0,14 4,5 2546 4050 2449

Предложенные в разделе алгоритмы могут быть использованы для


различных функций распределения. Причем число моделируемых выборок
можно изменять для нахождения устойчивого решения. В первом
приближении число выборок может соответствовать историческому периоду
непревышения значения редкого явления N. В дополнение к этому метод
Монте-Карло позволяет оценивать точность вероятности превышения
редкого природного события.
Разработанные алгоритмы применимы для случайных и слабосвязных
выборок. При этом для последних необходимо учитывать влияние первого
коэффициента автокорреляции на статистические параметры функции
распределения. Приведенные алгоритмы применимы для многолетних рядов
максимальных расходов воды весеннего половодья, дождевых паводков и
наибольших суточных осадков.

2.3 Редкие явления и серии событий

Наряду с анализом параметров различных явлений интересно


исследование серий событий (количество событий, формирующееся ежегодно
в течение некоторого многолетнего периода). Автором [86] выдвинуто
предположение, что в период, отличающийся большим количеством событий,
либо в соседние эпохи наиболее вероятно появление редкого события.
Исследование серий событий, как правило, осуществляют на различных
отрезках времени. При этом для их описания используют законы
распределения вероятностей [19, 30, 86, 100, 121]. Обычно используемые
законы распределения являются однопараметрическими. Их можно разделить
на две группы. Для первой из них функция распределения неограниченна по
оси, соответствующей среднему числу событий. Для второй группы законов
распределения определена продолжительность обязательного появления события.
53
Для выделения эпохи максимальной серии событий предложен алгоритм,
последовательность операций которого сводится к поиску наибольшего числа
событий на заданных отрезках времени, начиная с двух лет и завершая
продолжительностью 1/3n, где n – длина ряда. Завершение операций
определяется нахождением эпохи с максимумом событий.
Применение алгоритма для природных событий, подтверждает гипотезу,
выдвинутую в работах [70, 86], что имеет смысл рассматривать серии
событий в пределах 11-летних циклов солнечной активности. В частности,
для холодных зим выявлены закономерности, связанные с их цикличностью.
Рассмотрим распределение событий в рамках солнечной активности для
природных событий различного происхождения. В таблице 2.7 приведены
серии событий минимальных температур ( ) и наименьших показателей
термометров в 11-летних циклах солнечной активности ( ) и
соответствующих им наименьших значений событий. На основе данных о
и между ними определены связи для различных пунктов
наблюдений. Согласно полученным результатам для большинства пунктов
Иркутской области, исключая Качуг и Шиткино, имеют место высокие
корреляционные связи между исследуемыми параметрами. Кроме того, при
кросс-корреляционном анализе для Шиткино коэффициенты корреляции
увеличиваются при использовании зависимости , а для

Качуга – для функции . Другими словами, подтверждается


тенденция проявления редких минимальных температур в эпоху
максимальных серий холодных зим или соседнюю.
Помимо этого, анализ соответствия наименьших минимальных
температур наибольшим сериям событий показал проявления редкого
явления в период с наибольшим числом событий. Исключением являются
Иркутск и Качуг, для которых редкие минимальные температуры
наблюдались в цикле, следующим за периодом с наибольшим количеством
событий.
Следует отметить, что наиболее достоверными являются данные по
Иркутску, Зиме, Тулуну, Нижнеудинску и Киренску, характеризуемые
наибольшей продолжительностью. Причем в этих рядах отражены сведения о
вековых наименьших температурах воздуха.

54
Таблица 2.7 – Зависимость величины минимальных температур воздуха в 11-летних
циклах солнечной активности от количества событий и кросс-корреляция с
различной величиной сдвига
Кросс-корреляция,
Линейный
Пункт N параметр σR Вид связи R2
R

Иркутск 18 -0,80 0,09 0,66 -0,66 -0,35 -0,44 -0,32

Качуг 6 -0,47 0,35 0,56 0,51 -0,11 -0,71 -0,08

Зима 10 -0,77 0,14 0,69 -0,55 -0,31 -0,29 -0,32

Тулун 10 -0,87 0,08 0,90 -0,46 -0,35 -0,64 -0,61

Нижнеудинск 10 -0,88 0,07 0,79 -0,19 -0,24 0,14 -0,22

Шиткино 7 -0,21 0,39 - - 0,64 -0,53 0,37 0,45

Киренск 11 -0,83 0,10 0,72 -0,43 -0,01 -0,03 0,44

Исходя из сказанного, для минимальной температуры воздуха не


опровергается гипотеза о соответствии редких холодных зим наибольшим
сериям событий.
Приведенную закономерность подтверждает индекс суммарного
экстремума, формулу которого можно представить в следующем виде [86]:

где Si – индекс суммарного экстремума в заданные моменты времени;


Hi j – экстремальная характеристика в i-й год для j-го пункта; – количество
пунктов наблюдения.
Авторами [21] определены тенденции изменчивости серий или
группировок событий в различные эпохи, соответствующие 11-летним циклам
солнечной активности, по данным Иркутска за 1902-2008 гг. (рисунки 2.4 и 2.5).
Согласно рисунку серии событий минимальной температуры,
характеризующей холодные зимы, убывают по нелинейной функции в виде
параболы (φtmin = 0,098t2 - 1,87t + 10), поскольку в эпоху 1987-1996 гг.
наступил перелом в сторону похолодания. Этот факт подтверждается
55
данными 2001-2002 и 2006-2007 гг., когда имели место резкие перепады
зимних минимальных температур – смена холодных зим относительно
теплыми. Колебания в эти периоды соответствовали маловероятным
значениям, имевшим место в эпоху 1902-1923 гг.
Другая тенденция наблюдается для максимальных летних температур,
косвенно связанных с засухами. Имеет место кривая падения, а затем
подъема: φtmax = 0,0151t2 - 1,71t + 6,3. При этом не наблюдалось серий событий
в 1965-1976 гг.
Помимо этого периода засушливой можно считать эпоху 1955-1964 гг.,
в которую группировки дождевых паводков достигли наименьших значений.
В дополнение к этому серия событий максимальной температуры воздуха
соответствовала одному значению. Для дождевых паводков наблюдалась
неустойчивая тенденция уменьшения значений серий, наибольшее из которых
зарегистрировано в 1934-1944 гг.

10 Дождевой паводок
9 Наибольшие суточные осадки
8 Минимальная температура
7
Число событий

Максимальная температура
6
5
4
3
2
1
0

Эпоха
Рисунок 2.4 - Распределение событий дождевых паводков, наибольших суточных
осадков, минимальных и максимальных температур по данным Иркутска в 11-
летних циклах солнечной активности

Между тем отсутствует синхронность в изменчивости группировок


паводков и наибольших суточных осадков. Для последнего параметра
характерна тенденция увеличения серий, а затем – их уменьшение:
φXmax = -0,113t2 + 1,44t - 1,2.
Приведенный рисунок описывает серии природных событий в южной
части юга Восточной Сибири. В других частях территории могут
наблюдаться другие тенденции. На рисунке 2.5 показаны группировки

56
холодных зим, жаркого лета, незначительных безморозных периодов,
интенсивных ливней и высоких дождевых паводков для Ангарского бассейна
и верховья Лены.
Согласно полученным результатам число холодных зим за последнюю
эпоху увеличилось, составив величину, аналогичную периоду 1965-1976 гг.
Возросло количество высоких максимальных летних температур, достигших
наибольшего значения в последнюю эпоху, что косвенно подтверждает
проявление серий локальных засух в конце XX и начале XXI вв. При этом
увеличился безморозный период, что особенно заметно для юга территории.
Что касается параметров увлажнения, то для наибольших суточных
осадков наблюдался рост серий событий до 1965-1976 гг., а затем наступил
спад. По данным 1934-2008 гг. наиболее высокая водность в летний период на
реках Ангарского бассейна и в верховьях Лены наблюдалась в 1934-1954 гг.
Следует подчеркнуть, что максимальные серии различных природных
событий формировались в разные эпохи. Суровые зимы имели место в начале
XX в., очень высокие максимальные летние температуры в конце XX и
начале XXI вв. Высокая водность рек в 1934-1954 гг. предшествовала
максимальной серии наибольших суточных осадков в эпоху 1965-1986 гг.
В дополнение к этому редкое количество незначительных безморозных
периодов зарегистрировано в 1997-2008 гг.
Анализ сумм рассматриваемых природных событий относительно числа
пунктов наблюдений показывает, что в ряде серий не обнаружено тренда.
Количество группировок событий колеблется вокруг некоторого
усредненного значения, близкого к 12. При этом вариация ряда соответствует
невысокому значению 0,20.
Оценка параметров, характеризующих изменчивость климата по
годовым и сезонным значениям за более чем 100-летний период, показывает,
что в различные эпохи многолетние ряды могут характеризоваться трендами
или представлять собой случайные последовательности. В частности,
многолетние экстремальные, годовые и сезонные температуры описываются
как с помощью функциональных зависимостей, так и законов распределения
вероятностей. Осадки, паводки и половодья, как правило, представляют собой
случайные величины.

57
Рисунок 2.5 - Количество природных событий различного происхождения,
наблюдавшихся на территории Иркутской области в различные 11-летние циклы
солнечной активности
а – минимальная температура воздуха в трех пунктах наблюдений (Иркутск, Зима,
Тулун) за 1902-2008 гг.; б – максимальная температура воздуха в трех пунктах
наблюдений (Иркутск, Тулун, Киренск) за 1902-2008 гг.; в – максимальные суточные
осадки в трех пунктах наблюдений (Иркутск, Тулун, Нижнеудинск) за период 1902-
2008 гг.; г – дождевые паводки на шести реках Ангарского бассейна (Иркут-Иркутск,
Китой-Китой, Белая-Мишелевка, Ия-Тулун, Уда-Укар, Бирюса-Бирюсинск) за 1934-
2007 гг.; д – непродолжительные безморозные периоды по данным Иркутска, Зимы,
Тулуна, Шиткино и Киренска за 1902-2008 гг.

Очевидно, что многолетние ряды в виде ежегодных данных,


последовательности событий как части этого ряда и редкие явления,

58
представляющие собой одно или два значения за исторический период,
обладают своими особенностями изменчивости. В частности, они
описываются разными законами распределения вероятностей,
характеризуются различной связностью, оказывают неодинаковое влияние на
хозяйственную деятельность человека [72]. Кроме того, проявления событий
и редких явлений могут быть связаны с переходными климатическими
процессами – смена потепления похолоданием или наоборот. Поскольку при
выделении событий, а тем более редкого явления, уменьшается объем
информации, для моделирования применим метод статистических испытаний.
На основании исследований редких природных событий получены
следующие результаты.
Во-первых, для минимальной зимней температуры редким считается
событие, соответствующее значению векового цикла. Такое событие
повторяется примерно 1 раз в 100 лет. При этом в эпоху проявления наиболее
мощного события наблюдаются максимальные серии холодных зим или
близкие к ним, что подтверждено значимой зависимостью между
наименьшими минимальными температурами и числом событий им
соответствующим по данным различных пунктов наблюдений и связями тех
же параметров для рассматриваемой территории. Значимое линейное
выражение (рисунок 2.6), описывающее корреляцию индексов суммарных
экстремумов наименьших минимальных температур и серий событий, имеет
вид с коэффициентом детерминации R2 = 0,84.
Зависимость индекса суммарного экстремума минимальных температур
воздуха от серий событий в 11-летних циклах солнечной активности
получена по данным пяти пунктов наблюдений (Иркутск, Зима, Тулун,
Нижнеудинск, Киренск).
Во-вторых, аналогичные связи получены для максимальных летних
температур, устойчивость которых уступает предыдущей зависимости.
В-третьих, согласно полученным значениям коэффициентов
корреляции между числом событий  x max
max
и наибольшими суточными
max
осадками x max в 11-летних циклах наблюдается положительная зависимость.
Однако связи между этими параметрами ниже, чем для минимальных
температур.

59
В-четвертых, для максимальных расходов воды дождевых паводков
имеют место связи Q max  f Qmax
max

max ii 1
 
, когда наибольшим сериям предшествует

редкий паводок. К этому следует добавить, что с учетом редких


максимальных расходов воды за исторический период построены законы
распределения вероятностей, из которых для оценки событий и наибольшего
значения предложено распределение Пирсона III типа. Ввиду рассеяния
вероятности непревышения и значения максимального события разработаны
алгоритмы их оценки с применением метода статистических испытаний [114],
приведенные в предыдущем разделе.

n1,00
0,98

0,96

0,94

0,92

0,90

0,88

0,86

0,84

0,82
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90

S(ϕtmin)

Рисунок 2.6 – Линейная зависимость индекса суммарного экстремума минимальных


температур воздуха от серий событий в 11-летних циклах солнечной активности по
данным пяти пунктов наблюдений (Иркутск, Зима, Тулун, Нижнеудинск, Киренск)

Подобным образом проанализирована зависимость между


максимальными годовыми температурами воздуха t max
max
 и сериями событий
  в рамках 11-летних циклов солнечной активности для трех пунктов
max
t max

наблюдения (таблица 2.8).


Для всех рассматриваемых пунктов имеют место значимые
корреляционные связи. При этом на основе кросс-корреляционного анализа
не найдены значимые связи предшествующих и последующих значений.

60
Таблица 2.8 – Зависимость величины максимальных температур воздуха в 11-летних
циклах солнечной активности от количества событий и кросс-корреляция с
различной величиной сдвига
Кросс-корреляция,
Линейный
Пункт n параметр Вид связи R2
R

Иркутск 11 0,86 0,08 0,76 0,49 0,28 0,43 -0,13

Тулун 10 0,85 0,09 0,72 0,27 -0,42 0,11 0,00

Киренск 11 0,70 0,16 0,73 0,09 -0,04 0,31 0,34

Гипотеза о проявления редких максимальных температур воздуха в


эпоху максимальных серий событий подтверждается для Иркутска и Тулуна.
Аналогично ведет себя и индекс суммарного экстремума. На рисунке 2.7
показана зависимость индекса суммарного экстремума максимальных
температур воздуха от серий событий в 11-летних циклах солнечной
активности по данным трех пунктов наблюдений (Иркутск, Тулун, Киренск).

S tmax 0,98
0,97
0,96
0,95
0,94
0,93 y = 0,0635x2 - 0,0153x + 0,9369
R² = 0,537
0,92
0,91
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

Рисунок 2.7 – Полиномиальная зависимости индекса суммарного экстремума


максимальных температур воздуха от серий событий в 11-летних циклах солнечной
активности по данным трех пунктов наблюдений (Иркутск, Тулун, Киренск)

Кроме того, проанализированы связи наибольших суточных осадков


(таблица 2.9). Согласно коэффициентам корреляции между числом событий
и наибольшими суточными осадками в 11-летних циклах
наблюдается положительная тенденция. Однако коэффициенты корреляции,

61
характеризующие зависимость между и , ниже чем для
минимальных температур. Кроме того, согласно кросс-корреляционному
анализу не определены значимые связи между рассматриваемыми
параметрами.

Таблица 2.9 – Зависимость величины максимальных суточных осадков в 11-летних


циклах солнечной активности от количества событий и кросс-корреляция с
различной величиной сдвига
Кросс-корреляция,
Линейный
Пункт n параметр σR Вид связи R2
R

Иркутск 12 0,61 0,19 0,41 0,47 0,79 0,11 0,13

Качуг 7 -0,44 0,33 0,22 -0,17 0,25 0,29 -0,39

Тулун 10 0,35 0,29 - - 0,19 -0,46 -0,30 0,28

Нижнеудинск 11 0,53 0,23 0,34 -0,18 -0,15 0,11 -0,18

Шиткино 7 0,80 0,15 0,71 0,28 -0,77 -0,23 -0,81

Что касается дождевых паводков (таблица 2.10), то здесь получены


следующие результаты: 1) выделяются тенденции связи числа событий в
11-летних циклах солнечной активности и наибольших расходах воды на этих
отрезках; 2) коэффициенты корреляции являются незначительными и
колеблются по абсолютной величине от 0,25 до 0,89 (исключение составляет
река Уда-Укар, для которого зависимости не обнаружено); 3) для р. Бирюсы
(север Ангарского бассейна) имеет место обратная связь между и
; 4) на основе кросс-корреляционного анализа имеют место хорошие
связи для рр. Китой (Китой), Белая (Мишелевка) и Ия
(Тулун).
Кроме анализа связи между числом событий в 11-летних циклах
солнечной активности и наибольшими (наименьшими) значениями
природных событий в их пределах проанализированы зависимости между
редкими событиями и их количеством по территории. Другими словами, из
рядов различных пунктов наблюдений выбирались наибольшие (наименьшие)
события за многолетний период и соответствующие им серии.

62
Согласно анализу наилучшая зависимость наблюдается для наибольших
суточных осадков и редких дождевых паводков, где коэффициент
детерминации R2 равен 0,54 и 0,43 соответственно. Число рассматриваемых
пунктов дождевых паводков составило семь, а для наибольших суточных
осадков – 5. К сожалению, недостаточность данных о максимальных расходах
весенних половодий и максимальных температурах не позволяет расширить
информацию об этих параметрах.

Таблица 2.10 – Зависимость величины максимальных расходов воды дождевых


паводков в 11-летних циклах солнечной активности от количества событий и
кросс-корреляция с различной величиной сдвига
Кросс-корреляция,
Линейный
Река-пункт n параметр σR Вид связи R2
R

Иркут-
10 0,24 0,31 0,32 -0,35 -0,36 -0,15 -0,02
Иркутск
Китой-
7 0,39 0,35 0,28 -0,50 0,12 -0,79 0,58
Китой
Белая-
7 0,55 0,28 0,36 0,23 -0,50 -0,64 0,14
Мишелевка

Ия-Тулун 7 0,55 0,28 0,32 -0,27 -0,31 -0,70 0,14

Уда-Укар 7 -0,02 0,41 0,19 0,38 -0,36 -0,10 0,29

Бирюса-
7 -0,63 0,24 0,82 0,05 0,65 0,30 0,13
Бирюсинск

Лена-Качуг 7 0,89 0,09 0,995 -0,37 -0,54 -0,49 -0,55

Таким образом, на основании проведенного анализа связей между


наибольшими по модулю значениями параметров различных явлений и
сериями событий показано, что для минимальной зимней температуры редкое
явление наблюдается в эпохи проявления максимального числа событий. Что
касается других параметров, то для них наблюдаются аналогичные
тенденции. Между тем коэффициенты корреляции подобных связей для
других параметров не столь высоки. Особенно это касается максимальных
суточных осадков.

63
Показаны тенденции изменения серий генетически различных
природных событий, описываемые полиномом второй степени ввиду наличия
переломных эпох. При этом имеют место смены подъемов спадами и
наоборот – убывание сменяется ростом функции.
Выявленные тенденции по каждому пункту наблюдений для событий
различного происхождения подтверждаются индексами суммарного
экстремума, характеризующими связь между параметром и числом событий
для некоторой территории.
Полученные тенденции позволяют прогнозировать возможные
проявления природных событий в последующем десятилетии. Увеличение
серий зим или понижение их температуры связано с увеличением топливных
ресурсов в соответствие с методикой, приведенной в [86]. Рост летних
максимальных температур увеличивает вероятность проявления засух.
Согласно выявленной тенденции серий паводков возможно их
незначительное возрастание на юге.
И, наконец, рассмотрены зависимости между редкими явлениями и
числом событий для некоторого пространства, коэффициенты корреляции
между которыми являются незначительными.
Очевидно, что полученные результаты имеют значение для
многолетних перспектив развития сельского хозяйства и энергетики с учетом
природных рисков.

2.4 Связи редких событий различного происхождения

В работе [86] на основании определения совмещений событий


различного происхождения второго уровня иерархии показано, что
проявление в один и тот же год событий различного происхождения
маловероятно.
Очевидно, что аналогичным образом можно проанализировать
совмещение серий событий различного происхождения. Такой анализ можно
выполнить для отдельных пунктов наблюдения и используя
пространственное обобщение.
Следует отметить, что при рассмотрении редких явлений и вторых по
величине значений вероятность их проявления в одни и те же эпохи является
64
величиной менее вероятной, чем одновременное проявление событий второго
уровня.
В продолжение исследований [86] в разделе рассматриваются
вероятности формирования генетически различных редких явлений,
наибольших серий событий, совмещения редких событий различного
происхождения в одну эпоху.
В таблице 2.11 приведены первые и вторые значения природных
событий различного происхождения по данным Иркутска за период 1903-
2011 гг.

Таблица 2.11 – Первые и вторые значения природных событий различного


происхождения и их вероятности по данным Иркутска за период 1903-2011 гг.

Явление, Параметры ряда Индексы


11-
Значение летний
единица p экстремумов, Год
параметра ̅ цикл
измерения
СА*
1965-
4800 0,00222 1,00 1971
Дождевой 1976
1360 0,45 4,3
паводок, м3/с 1997-
3300 0,0181 0,69 2001
2008
1987-
114 0,00610 1,00 1994
1996
Максимальные
1965-
суточные 41,8 0,43 3,3
1976, 1976,
осадки, мм 93 0,0187 0,82
2001 1997-
2008
1914-
Минимальная -50,2 0,00186 1,00 1915
1923
температура -38,5 - -
1903-
воздуха, о С -47,6 0,0120 0,95 1910
1913
Максимальная 1934-
35,8 0,0122 1,00 1939
температура 32,3 - - 1944
о
воздуха, С 35,6 0,0169 0,99 2010 2009-
* Цикл СА – цикл солнечной активности.

С помощью законов распределения вероятностей оценены вероятности


превышения редких событий. Для дождевых паводков и максимальных
суточных осадков использован закон распределения Пирсона III типа, а для
максимальных и минимальных температур воздуха – нормальное
распределение.
На основе полученных результатов вероятность редких значений
изменяется от 0,00186 до 0,0181. Для ее определения применительно к
дождевым паводкам использованы историко-архивные материалы, согласно

65
которым найден период непревышения редкого события (N) и рассчитаны
вероятности появления наибольшего максимального расхода воды.
Поскольку ряды минимальных температур имеют значимый первый
коэффициент автокорреляции (0,39) при построении закона распределения
учитывалась смещенность коэффициента вариации ( ̃) с учетом первого
коэффициента автокорреляции ( ) [126]:
̃
(2.2)
√ ( )

где Cv – коэффициент вариации (несмещенная оценка); – длина выборки.


Обращает на себя внимание тот факт, что редкие значения природных
событий различного происхождения наблюдались в различные годы и разные
11-летние циклы солнечной активности.
Для вторых по величине значений экстремумов проявляется та же
закономерность. Между тем имеет место исключение, связанное с
совпадением максимальных суточных осадков и максимального расхода воды
дождевого паводка в 2001 г.
Аналогичным образом проанализированы другие пункты наблюдений.
В частности, для Тулуна редкие события (наибольшие по модулю
экстремумы) наблюдаются в различные годы и, как правило, в различные
эпохи. Исключение составили дождевые паводки и максимальные суточные
осадки, имевшие место в 21-ом 11-летнем цикле СА по цюрихской системе
(1977-1986 гг.).
Хотя в таблице 2.12 экстремальные максимальная и минимальная
температуры наблюдались в одинаковую эпоху (1997-2001 гг.), данные о
температурах за более продолжительный период (1903-2011 гг.) и анализ
вековых циклов минимальных температур показывает, что суровые зимы
наблюдались в 15-ом 11-летнем цикле СА (1914-1923 гг.). При этом
наименьшая минимальная температура воздуха за 111 лет зарегистрирована в
1916 г. К этому добавим, что колебания вероятностей первых по значению
редких событий различного происхождения составили 0,000840-0,0232.
Выполненные исследования по формированию редких событий
различного происхождения для отдельных пунктов наблюдений показывают,
что они имеют место в различные годы и в неодинаковые эпохи. Другими
словами, наблюдается чередование редких событий и эпох.

66
Рассмотренные ряды наблюдений дождевых паводков, максимальных
суточных осадков и максимальной температуры воздуха являются
случайными. Вместе с тем последовательности минимальных температур
отличаются значимыми коэффициентами автокорреляции, которые
необходимо учитывать при построении законов распределения вероятностей.

Таблица 2.12 – Первые и вторые по значению в ранжированном ряду природные


явления различного происхождения в Тулуне за период 1928-2011 гг.
Явление, Параметры ряда Индексы
Значение 11-летний
единица p экстремумов, Год
параметра ̅ цикл СА
измерения
Дождевой 4400 0,00192 1,00 1984 1977-1986
980 0,52 5,5
паводок, м3/с 2580 0,0232 0,59 1980 1977-1986
Максимальны 101 0,00704 1,00 1986 1977-1986
е суточные 36,0 0,44 3,9
осадки, мм 83 0,0193 0,82 1952 1945-1954
Минимальная -52,4 0,0142 1,00 2001 1997-2008
температура -43,3 0,095 0
воздуха, о С -52,3 0,0151 0,998 1931 1924-1933
Максимальная 36,5 0,000840 1,00 2002 1997-2008
температура 31,9 0,046 0
воздуха, о С 35,8 0,00382 0,98 2004 1997-2008

При этом следует учитывать, что суровые зимы согласно анализу серий
низких минимальных температур и их значений характеризуются вековыми
циклами [86]. По этой причине вероятностные законы распределения имеет
смысл использовать для ряда, соответствующего периоду между вековыми
циклами минимальных температур воздуха.
Анализ максимальных серий событий различного происхождения,
зарегистрированных в 11-летних циклах солнечной активности, позволяет
сделать вывод об их чередовании относительно друг друга. По данным
таблицы 2.13 вначале XX в. (1902-1913 гг.) наблюдалась группировка из 9-ти
холодных зим, которую сменили дождевые паводки в 1934-1944 гг. Затем
сформировалась серия максимальных суточных осадков (1965-1976 гг.), за
которой последовали годы с жарким летом (1997-2008 гг.).
Анализ максимальных серий событий различного происхождения,
зарегистрированных в 11-летних циклах солнечной активности в Тулуне,
подтверждает вывод об их чередовании относительно друг друга.

67
Таблица 2.13 – Первые и вторые по величине в ранжированном ряду максимальные
серии природных событий различного происхождения в рамках 11-летних циклов
солнечной активности в Иркутске за период 1902-2008 гг.
11-летний цикл солнечной
Явление φ Вероятность
активности
6 0,0909 1934-1944
Дождевой паводок
4 0,182 1902-1913
Максимальные суточные 5 0,0433 1965-1976
осадки 4 0,146 1955-1964
Минимальная температура 9 0,0543 1902-1913
воздуха 7 0,122 1914-1923
Максимальная 5 0,0822 1997-2008
температура воздуха 4 0,216 1934-1944

По данным таблицы 2.14 в Тулуне в 18-й цикл солнечной активности


наблюдалась редкая серия из четырех холодных зим, а так же серия второго
уровня значимости из семи дождевых паводков и трех максимальных
суточных осадков (1945-1954 гг.). Далее наступил период редких серий
дождевых паводков и максимальных суточных осадков (1977-1986 гг.), после
чего наблюдались годы с жарким летом (1987-1996 и 1997-2008 гг.).
Как и в случае с редкими значениями событий максимальные серии
дождевых паводков и осадков наблюдались в одну эпоху (1977-1986 гг.).

Таблица 2.14 – Первые и вторые по величине в ранжированном ряду серии


природных событий различного происхождения в рамках 11-летних
циклов солнечной активности в Тулуне за период 1934-2008 гг.
11-летний цикл
Явление φ Вероятность
солнечной активности
7 1,00 1977-1986
Дождевой паводок
7 1,00 1945-1954
3 1,00 1977-1986
Максимальные суточные осадки
3 1,00 1945-1954
Минимальная температура 4 1,00 1945-1954
воздуха 3 0,75 1997-2008
Максимальная температура 7 1,00 1997-2008
воздуха 5 0,71 1987-1996

Помимо чередования редких событий и максимальных серий


практическое значение имеют ситуации редкого совмещения двух, трех и
более природных событий. В эти годы могут наблюдаться значительные
ущербы, нанесенные не одним, а несколькими экстремальными явлениями. В
таблице 2.15 рассмотрены случаи с наименьшими суммарными

68
вероятностями ζ двух, трех и четырех совместных событий. Очевидно, что
эти события в совокупности оказывают влияние на производственные
процессы, определяя риски получения сельскохозяйственной продукции.

Таблица 2.15 – Минимальные значения вероятности совмещения различных


природных явлений по данным Иркутска за 1903-2011 и Тулуна за 1928-2011 гг.
при рассмотрении дождевых паводков, максимальных суточных осадков,
минимальной и максимальной температуры воздуха
Данные многолетних
Серии событий
наблюдений
Иркутск Тулун Иркутск Тулун
Параметр
параметра

параметра

параметра

параметра
11-летний

11-летний
цикл СА*

цикл СА*
Значение

Значение

Значение

Значение
Год

Год
Рассматриваемый период,
1903-2011 1928-2011 1902-2008 1934-2008
годы
1965- 1977-
Вероятность p суммы 0,045 2001 0,138 1952 0,391
1976
0,234
1986
совместных событий
1934- 1945-
0,0992 1971 0,148 1960 0,640 0,438
1944 1954
1902- 1997-
Вероятность p суммы 0,140 1922 0,0228 1931 0,259
1913
0,344
2008
совместных событий
1914- 1945-
0,147 1907 0,119 2000 0,498 0,672
1923 1954
Вероятность p суммы
1934- 1945-
совместных событий 0,282 1935 0,407 2010 0,718 0,789
1944 1954

Вероятность p суммы
1902- 1945-
совместных событий 0,544 2001 0,527 1980 0,890 0,815
1913 1954

* Цикл СА – цикл солнечной активности.

Согласно полученным результатам наименьшая вероятность появления


в Иркутске в один год максимальных расходов воды дождевых паводков и
наибольших суточных осадков наблюдалась в 2001 г., минимальных и
максимальных температур воздуха в 1922 г. а для трех природных событий
(Qmax, Xmax, tmax) – в 1935 г. с вероятностью 0,282. Что касается четырех
совместимых событий, то для их проявления редким является 2001 г.
(ζ = 0,544).

69
Для Тулуна наиболее редким годом, определенным путем
суммирования вероятностей проявления и , является 1952 г., при
вычислении вероятности совмещения для и - 1931 г., для трех
явлений – 2010 г., а для четырех – 1980 г. При этом 1980 г. является вторым
по значимости при суммировании вероятностей трех явлений, а 2000 и
2001 гг. при сложении вероятностей минимальных и максимальных
температур воздуха и четырех рассматриваемых явлений соответственно.
Между тем при рассмотрении совмещения четырех природных
параметров не все из них являются событиями. Другим словами, анализ
проявления совместных событий по гидрометеорологическим данным
Иркутской области показывает, что наибольшим числом совместных событий
из рассматриваемых являются три.
При аналогичном анализе вероятностей совмещения серий природных
явлений различного происхождения в рамках 11-летних циклов солнечной
активности для максимальных расходов воды дождевых паводков и
максимальных суточных осадков в Тулуне редким является 22-й цикл
солнечной активности (1977-1986 гг.). Наименьшая вероятность совмещения
минимальных и максимальных температур воздуха наблюдалась в 23-ем
цикле солнечной активности (1997-2008 гг.). При суммировании
вероятностей трех и четырех совместных явлений редким в рассматриваемом
периоде является 18-й цикл СА (1945-1954 гг.). В этот же период
наблюдаются вторые по значимости серии событий для максимальных
расходов воды дождевых паводков и максимальных суточных осадков,
минимальных и максимальных температур воздуха.
Что касается серий событий в Иркутске, то при суммировании
вероятностей совместных серий двух природных явлений редкими являются
1965-1976 гг. (для и ) и 1902-1913 гг. (для и ), а для трех и
четырех – 1934-1944 и 1902-1913 гг.
Определение вероятностей появления двух и более совместных
природных событий различного происхождения для Иркутска и Тулуна
показывает, что с увеличением числа событий увеличивается вероятность их
проявления. Для Иркутска наименьшая сумма вероятностей для двух и трех
совместных событий изменяется от 0,0450 до 0,282. При этом для
максимальных и минимальных температур воздуха этот параметр больше,
чем для гидрологических явлений (0,140 > 0,0450). Рост сумм вероятностей

70
совместных событий в зависимости от их количества, наблюдавшихся в один
год, подтверждает гипотезу о малой вероятности проявления генетически
различных событий. По имеющимся данным практически невозможно
формирование даже двух редких событий за годовой период. Между тем
приведены примеры ситуаций формирования совмещения событий,
приносящих значительные ущербы экономике.
Таким образом, показано, что редкие события не происходят в один и
тот же год, при этом вторые по значению события могу проявляться
совместно. Аналогичный вывод касается наибольших серий событий для
явлений различного генетического происхождения, которые формируются в
различные эпохи или циклы солнечной активности. Исключение может иметь
место для вторых по ранжиру значений серий событий.

2.5 Пространственно-временная оценка редких событий

В предыдущем разделе исследовано чередование редких явлений и


максимальных серий событий для отдельных пунктов наблюдений. Кроме
того, рассмотрены ситуации редкого появления двух, трех и более событий в
один год, для которых построены вероятности распределения. Очевидно, что
отдельные редкие события и редкое совмещение событий влияют на
производственные процессы, увеличивая риски получения продукции.
Поэтому нужно исследовать разные ситуации.
Вместе с тем теоретическое и практическое значение имеет решение
задачи оценки пространственной изменчивости редких событий и редких
совмещений событий. Оно позволяет выявить годы и эпохи проявления
редких явлений для моделирования ситуаций по смягчению ущербов
экономике региона.
Для пространственной оценки природных событий можно использовать
индекс суммарного экстремума (2.1) и вероятность суммы совмещенных
событий (1.1). В таблице 2.16 приведены статистические параметры рядов
некоторых природных явлений. Здесь отмечено, что параметры увлажнения
подчиняются распределению Пирсона III типа, а параметры тепла и холода –
распределению Гаусса [70].

71
Таблица 2.16 – Статистические параметры законов распределения, найденные
методом моментов без учета исторических свидетельств, для некоторых
природных явлений
Рассматриваемый Пункт / река- Закон
Явление
период, годы пункт распределения
Иркут-Иркутск 0,48 5,05
Китой-Китой 0,54 4,62
Белая-Мишелевка 0,62 4,75
Дождевой Пирсона III
1934-2011 Ия-Тулун 0,54 5,67
паводок типа
Уда-Укар 0,57 2,49
Бирюса-
0,46 2,31
Бирюсинск
Иркутск 0,42 3,44
Максимальные Качуг 0,40 3,35
Пирсона III
суточные 1936-2011 Тулун 0,44 4,07
типа
осадки Нижнеудинск 0,37 2,16
Шиткино 0,55 6,24
Иркутск 0,10 -
Зима 0,10 -
1903-2012 Тулун 0,10 -
Нижнеудинск 0,09 -
Киренск 0,09 -
Минимальная
Иркутск 0,093 -
температура Нормальный
Качуг 0,072 -
воздуха
Зима 0,092 -
1938-2011 Тулун 0,090 -
Нижнеудинск 0,077 -
Шиткино 0,080 -
Киренск 0,067 -
Максимальная Иркутск 0,049 -
температура 1934-2011 Тулун 0,046 - Нормальный
воздуха Киренск 0,043 -

В таблице 2.17 на основании анализа, приведены минимальные


вероятности сумм совместных событий и наибольшие значения индекса S для
дождевых паводков, максимальных суточных осадков, минимальных и
максимальных температур воздуха.
Согласно индексу суммарного экстремума максимальных расходов
воды дождевых паводков по данным наибольших правых притоков Ангары
редким гидрологическим явлением, охватившим значительную часть
бассейна, были паводки 1952 и 2001 гг. Вероятность суммы совмещенных
паводков притоков Ангары составила в первом случае 0,412 (1952 г.), а во
втором - 0,612 (1939 г.).

72
Таблица 2.17 – Максимальные значения пространственного индекса суммарного
экстремума и вероятности суммы для некоторых совместных природных явлений
(дождевых паводков, максимальных суточных осадков, минимальной и
максимальной температуры воздуха)
Вероятность
Анализируемый Учтенные суммы
Явление Год S Год
период, годы пункты совместных
событий
(6 пунктов)
Иркутск, 0,412 1952 0,618 2001
Дождевой Китой,
1934-2011
паводок Мишелевка,
Тулун, Укар, 0,612 1939 0,610 1952
Бирюсинск
(5 пунктов)
Максимальные Иркутск, 0,647 1952 0,62 1967
суточные 1936-2011 Качуг, Тулун,
осадки Нижнеудинск, 0,762 1971 0,61 1952
Шиткино
(5 пунктов)
Иркутск, 0,143 1910 0,98 1910
1903-2012 Зима, Тулун,
Нижнеудинск, 0,180 1917 0,97 1915
Киренск
Минимальная
(7 пунктов)
температура
Иркутск, 0,187 1947 0,99 1947
воздуха
Качуг, Зима,
1938-2011 Тулун,
Нижнеудинск,
Шиткино, 0,361 2001 0,97 2001
Киренск
(3 пункта)
Максимальная 0,139 2002 0,98 2002
Иркутск,
температура 1934-2011
Тулун,
воздуха 0,254 2000 0,95 1939
Киренск

Интересно отметить, что в 1952 г. наблюдалось наибольшие количество


суточных осадков. Другими словами, этот год характеризовался высокой
водностью. Как и в предыдущем случае оценивалась вероятность суммы
проявления наибольших совмещенных суточных осадков на территории
Ангарского бассейна, которая для 1952 г. составила 0,647, вторая по
минимальному значению отмечена в 1971 г. (0,762).
По данным минимальной температуры, для которой имеют место
слабые внутрирядные связи, наименее вероятные значения параметра
наблюдались в 1910 г., а для рассматриваемого периода в 1947 г.

73
Что касается максимальных температур воздуха, то согласно
пространственной вероятности совмещения событий в трех пунктах
наблюдений редким является 2002 г. (0,139), на втором месте 2000 г. (0,254).
Вместе с тем это подтверждается индексом S, второму значению которого
соответствует 1939 г., превышающий 2000 г. на 0,002.
При рассмотрении редких явлений и вторых по величине значений
вероятность их проявления в одни и те же эпохи имеет меньшее значение,
чем одновременное проявление событий второго уровня.
В таблице 2.18 для выявления наиболее неблагоприятного года
приведены минимальные вероятности сумм совместных событий и
наибольшие значения индекса S для серий дождевых паводков,
максимальных суточных осадков, минимальных и максимальных температур
воздуха.

Таблица 2.18 – Максимальные значения пространственного индекса суммарного


экстремума и вероятностей сумм для совместных серий событий некоторых
природных явлений (дождевых паводков, максимальных суточных осадков,
минимальной и максимальной температуры воздуха)
Вероятность 11-летний 11-летний
Анализируемый Учтенные суммы цикл цикл
Явление S
период, годы пункты совместных солнечной солнечной
событий активности активности
(6 пунктов)
Иркутск, 0,715 1945-1954 0,85 1934-1944
Дождевой Китой,
1934-2008
паводок Мишелевка,
Тулун, Укар, 0,960 1977-1986 0,79 1945-1954
Бирюсинск
(5 пунктов)
Максимальные Иркутск, 0,538 1965-1976 0,97 1965-1976
суточные 1934-2008 Качуг, Тулун,
осадки Нижнеудинск, 0,970 1955-1964 0,72 1955-1964
Шиткино
(6 пунктов)
Иркутск, 0,574 1945-1954 0,73 1945-1954
Минимальная
Зима, Тулун,
температура 1934-2008
Нижнеудинск,
воздуха
Шиткино, 0,918 1965-1976 0,69 1965-1976
Киренск
(3 пункта)
Максимальная 0,174 1997-2008 0,90 1997-2008
Иркутск,
температура 1934-2008
Тулун,
воздуха 0,615 1987-1996 0,62 1987-1996
Киренск

74
Согласно пространственному анализу серий событий 11-летний цикл
солнечной активности 1945-1954 гг. характеризовался редкой водностью рек
в теплый период и морозными зимами.
Редкие серии максимальных суточных осадков согласно двум
параметрам ( и S) наблюдались в 1965-1976 гг., максимальных температур
воздуха в 1997-2008 гг.
Для оценки повторяемости редких максимальных расходов воды
использованы пространственные функции распределения вероятностей. В
таблице 2.19 приведены статистические параметры пространственных
законов распределения максимальных расходов воды, максимальных
суточных осадков, минимальных и максимальных температур воздуха.

Таблица 2.19 – Статистические параметры пространственных законов


распределения первых и вторых по значению максимумов (минимумов)
для некоторых природных явлений
Количество Закон
Явление
пунктов распределения
Пирсона III
Дождевой паводок 6 0,28 -0,61 0,0751 0,944
типа
Максимальные Пирсона III
5 0,19 2,82 0,0582 0,875
суточные осадки типа
Минимальная
7 Нормальный 0,047 0 0,0220 0,873
температура воздуха
Максимальная
3 Нормальный 0,012 0 0,137 0,894
температура воздуха

Согласно расчету верхних и нижних границ пространственной функции


распределения определено, что для дождевых паводков вероятность
колеблется в пределах 0,0715-0,944, для максимальных суточных осадков –
0,0582-0,875, для минимальных температур воздуха – 0,0220-0,873, для
максимальных температур воздуха – 0,137-0,894. При этом ряды,
характеризующие увлажнение подчиняются биномиальному закону
распределения, а температуры – нормальному (таблица 2.19).
Таким образом, на основе анализа пространственного индекса
суммарного экстремума и вероятности совмещения природных событий
показано, что при рассмотрении редких явлений и вторых по величине
значений вероятность их проявления в одни и те же эпохи имеет меньшее
75
значение, чем одновременное проявление событий второго уровня.
Аналогичные выводы имеют место для серий событий. Оценки совмещения
редких событий и законы распределения, характеризующие некоторую
территорию применимы для получения оптимальных планов в условиях
формирования экстремальных природных явлений. Закономерность малой
вероятности проявления максимальных серий разных событий в одну эпоху
способствует улучшению методов многолетнего прогнозирования событий.

2.6 Многофакторные модели формирования редкого


события

Среднегодовой экономический убыток от наводнений в Российской


Федерации оценивается экспертами в размере 300 млн. долларов США. При
этом методика расчета убытков в разных странах не одинакова. Очевидно,
что потери, как правило, соответствуют стоимости разрушенных объектов.
В сельском хозяйстве убыток, как правило, определяется стоимостью
утраченной продукции, восстановительными и спасательными
мероприятиями. Косвенные убытки, вызваны нарушением хозяйственных
связей, спадом производства, уменьшением объема торговых и банковских
операций и другими обстоятельствами, которые проявляются на протяжении
многих лет после наводнения, вообще не учитываются.
Как свидетельствует мировая практика для надежного источника
финансирования мероприятий по снижению риска наводнений и возмещения
убытков, нужно создавать условия развития системы страховой защиты [152].
Для оценки страховой защиты необходимо знание повторяемости
гидрологического события и его распространение по территории.
Естественно, что при современном обеспечении картами организаций с
изолиниями высот нетрудно по величине события определить территорию
охвата и оценить зоны природного риска.
Помимо оценки пространственно-временной изменчивости природных
событий и их серий теоретическое и практическое значение имеет решение

76
задачи определения факторов формирования экстремальных явлений и
построение расчетных и прогностических зависимостей. Другими словами,
помимо оценки значения и вероятности гидрологического явления для
уменьшения ущербов от наводнения необходим достоверный прогноз.
Из редких паводков, имевших место на территории Иркутской области,
исследованы условия формирования гидрологического события,
наблюдавшегося в верховьях р. Лены в августе 1934 г., и предложена
методика прогнозирования максимального расхода воды в зависимости от
предшествующих факторов тепла и увлажнения, приведенная в работе [78].
В таблице 2.20 приведены характеристики событий дождевых паводков,
превысившие уровень опасности гидрологического явления, на р. Лене
(Качуг) за период наблюдений. Продолжительность паводка определялась как
момент резкого подъема воды и достижение на спаде расхода воды,
соответствующего начальному значению.

Таблица 2.20 – Максимальные срочные расходы воды на р. Лене (Качуг) в


паводочный период
Наибольший расход Продолжительность
Слой стока, мм
и дата паводка, сутки
№ Период
Год дата
п/п срочный, паводка подъе- за до пика
срочного спада общая
м3/с ма паводок паводка
расхода
1 1928 870 20 июня 17.06-29.06 3 9 12 23 65
2 1931 860 19 июня 11.06-19.06 8 7 15 27 13
3 1934 2090 03 августа 29.07-02.09 5 30 35 62 8,1
4 1942 1040 18 июля 14.07-27.07 4 9 13 33 12
5 1965 986 18 августа 09.08-12.09 9 25 34 50 15
6 1972 828 17, 18 июля 12.07-27.07 5 11 16 - -
7 1988 907 29 июля 27.07-31.07 2 3 5 - -
8 2001 1020 12 июля 05.07-27.07 7 16 23 - -

Очевидно, что из многолетнего ряда наблюдений паводок 1934 г.


значительно превышает другие события. В частности, величина наибольшего
по ранжиру максимального расхода оказалась в два раза больше второго
значения ряда. Согласно историческим свидетельствам явление, подобное
1934 г., могло наблюдаться в 1885 г. [85].

77
При определении вероятности появления в Качуге редкого явления,
аналогичного 1934 г., с помощью закона распределения Пирсона III типа и
трехпараметрического степенного гамма-распределения с учетом и без учета
исторических свидетельств получены следующие результаты: в первом
случае вероятность превышения составила 0,00215 и 0,00438; во втором –
0,00139 и 0,0025. Распределение Пирсона III типа ближе к эмпирическому
значению, соответствующему 0,00794.
Кроме Качуга высокий паводок наблюдался в Жигалово и Грузновке.
Согласно [125] паводок 1934 г. в Качуге длился 35 суток: пять суток подъем и
30 спад. При этом пик пришелся на третье августа. Слой стока за паводок
составил 62 мм, а за период подъема – 8,1 мм. В Качуге наблюдалось
превышение критического уровня воды (240 см) более чем в два раза,
составив 504 см, а в Жигалово – на 244 см.
В с. Грузновка максимальный расход воды, зарегистрированный пятого
августа 1934 г., равнялся 3260 м3/с. Паводок длился 37 суток (29.07-04.09):
семь дней имел место подъем и 30 спад. Слой стока за паводок
соответствовал 42 мм.
Максимальный уровень воды на Лене в пункте наблюдения Орлинга,
зарегистрированный шестого августа, составил 353 см.
Следует отметить, что анализ данных о ежедневных уровнях воды
показал, что паводок выше Качуга не наблюдался. Гидрологическим
явлением была охвачена площадь водосбора р. Лены примерно 34-44 тыс. км2.
Согласно [37, 65] в Качуге паводком повреждены многие жилые
постройки и промышленные сооружения, испорчен тракт, подъездные пути к
пристани разрушены, лес для карбазов и уже готовые карбазы унесены водой.
Части Жигаловского района, расположенного по берегам реки принесен
огромный ущерб: размыло и разрушило часть строений, сооружений, дорог,
мостов и транспорт, уничтожены огороды, сено и луга. Погибла часть грузов
для снабжения севера, другая часть разбросана по берегам и островам
р. Лены. Имелись человеческие жертвы.
Для оценки формирования редкого паводка рассмотрены изменения
среднесуточных температур воздуха, сумм жидких осадков за теплый период
по пяти пунктам наблюдений, характеризующих территорию охвата
78
гидрологическим явлением и соседнюю часть. В таблице 2.21 приведены
суммы среднесуточных температур воздуха за предшествующий и
последующие периоды формирования паводка.

Таблица 2.21 – Суммы среднесуточных температур воздуха за предшествующий и


последующий периоды формирования паводка на р. Лене (Качуг)

29.07-02.08.1934 г. (начало – пик


температуры воздуха через 0 оС
Дата перехода среднесуточной

температур воздуха за период

03.08-02.09.1934 г. (пик-конец
температур воздуха с момента

температур воздуха за период


перехода через 0оС до начала

Сумма среднесуточных
Сумма среднесуточных

Сумма среднесуточных
паводка (28.07.1934 г.)

Сумма за паводок

Сумма всего
паводка)

паводка)
Пункт

Тулун 24.04 1235,4 75,9 394,6 470,5 1705,9


Зима 23.04 948,5 87,1 445,6 532,7 1481,2
Б. Голоустное 29.04 1196,5 85,2 425,9 511,1 1707,6
Качуг 23.04 1201,9 80,4 406,3 486,7 1688,6
Орлинга 21.04 1196,5 83,1 388,2 471,3 1667,8

При рассмотрении данных о суммах жидких суточных осадков в 1934 г.


установлено, что в Качуге после пятнадцатидневного перерыва 26 июля
прошел дождь, который повторился через день и затянулся на пять суток. При
этом значительная сумма осадков выпала 29 июля (29 мм), 31 июля (44 мм) и
1 августа (46 мм), после чего дождь утих на четыре дня. Из 36 дней
проявления паводка в Качуге дождь шел 14 дней.
Резкий подъем уровня воды р. Лене (Качуг) произошел 29 июля-
2 августа (рисунок 2.8), что связано с обильным выпадением осадков в этом
пункте, сумма которых составила 92 мм. Наиболее обильные дожди,
соответствовавшие около 45 мм в сутки, прошли 31 июля и 1 августа. В
остальной период паводка осадки были незначительны – 48 мм. В Тулуне и
Зиме осадков за этот период не наблюдалось. В Орлинге жидкие осадки за
время предшествующее паводку составили 128 мм, что несколько больше

79
суммы осадков в Качуге за соответствующий период. С 29 июля по 2 августа
в Орлинге выпало 31 мм влаги, за остальной период паводка – 48 мм.
Резкий подъем воды прослеживается после выпадения обильных
осадков в Качуге. Наряду с подъемом уровней воды наблюдалось увеличение
среднесуточных температур воздуха и дальнейший их спад.

Рисунок 2.8 – Уровни воды дождевого паводка 1934 г. на р. Лене для различных
пунктов наблюдений, суммы суточных осадков и среднесуточные температуры
воздуха в Качуге

Определены корреляционные связи между рядами сумм жидких


суточных осадков в указанных пунктах с момента начала их выпадения в
Качуге до окончания паводка. Наибольшие значения коэффициентов
корреляции наблюдаются между Тулуном и Зимой, Качугом – Тулуном,
Качугом – Орлингой (таблица 2.22).

80
На основании оценки корреляционных связей можно предположить,
что циклон, вызвавший редкий паводок, перемещался с северо-запада.
Кроме того, проведен корреляционный анализ между
предшествующими суточными осадками, среднесуточными температурами
воздуха и уровнями воды в период паводка с поочередным сдвигом факторов
относительно уровней на одни сутки (рисунок 2.9).

Рисунок 2.9 – Корреляционная зависимость паводочных уровней воды на р. Лене


(Качуг) от предшествующих значений суточных осадков и среднесуточных
температур воздуха в Качуге

Корреляционные связи между рядами осадков за период прохождения


паводка 29.07-02.09.1934 г. возрастают по сравнению с приведенными в
таблице 2.22.

Таблица 2.22 – Коэффициенты корреляции R между рядами сумм суточных осадков


в различных пунктах наблюдений за период 2 мая-2 сентября 1934 г.
Пункт
Пункт
Тулун Зима Б. Голоустное Качуг
Тулун 1 - - -
Зима 0,71 1 - -
Б. Голоустное 0,14 0,21 1 -
Качуг 0,50 0,23 0,01 1
Орлинга 0,02 0,20 0,10 0,70

81
Наиболее сильные зависимости паводочных уровней воды от осадков
отмечены при сдвиге на 3 и 43 значения. Кроме того, зависимость уровней
воды от предшествующей температуры выделена для предшествующего
периода – 14 суток. Следует отметить асинхронность графиков уровней воды
и температур. Линейная зависимость суточного уровня воды (р. Лена (Качуг))
от предшествующих значений суточных осадков и среднесуточных
температур воздуха в Качуге с R2 = 0,64 имеет вид
H  146,8  15,36t i 14  3,72 i 3 , (2.3)
где t – среднесуточная температура воздуха (14 дней до начала паводка); χ –
суточные осадки (трое суток до начала паводка).
Нелинейная зависимость суточного уровня воды (р. Лена (Качуг)) от
факторов характеризуется более высокой точностью (R2 = 0,75):
H  4,8  0,41t i214  0,30 i23  0,42t i 14  i 3 . (2.4)
Аналогичные исследования проведены для других редких
гидрологических явлений.
Так, в 1952 г. в п. Мальта на р. Белой произошел редкий паводок. Он
продолжался с 27 июня по 15 июля. Наибольший расход воды во время пика
составил 6060 м3/с [124]. Согласно синоптическим данным [128] обильные
осадки вызваны циклоном, пришедшим на юг Восточной Сибири с запада.
Наиболее тесные связи согласно кросс-корреляционному анализу
среднесуточных расходов воды этого паводка зафиксированы при сдвиге
среднесуточных температур воздуха в Инге и Ангарске на четверо суток и
сдвиге сумм суточных осадков в Ангарске и Мальте на двое, а в Черемхово на
шесть суток. Линейная зависимость паводочных среднесуточных расходов
воды от факторов с коэффициентом детерминации 0,87 в этом случае будет
выглядеть так
4  228,8t i 4  24,5 i 2  55 i 2  8,3 i 6 .
Qi  4657,2  34,5tiинга анг анг мал чепем
(2.5)
Что касается паводка 1960 г. на р. Бирюсе (Бирюсинск), то здесь циклон
пришел с юго-запада (c территории Казахстана) [129]. Лучшие по тесноте
связи при кросс-корреляционном анализе паводочных среднесуточных

82
расходов воды на р. Бирюса (Бирюсинск) обнаружены при сдвиге в 36 суток
для среднесуточных температур воздуха в Нерое, Верхней Гутаре и Тайшете.
Для сумм суточных осадков при сдвиге пять суток в Нерое, и четверо
Верхней Гутаре и Тайшете. В данной ситуации линейная зависимость
паводочных среднесуточных расходов воды от факторов (R2 = 0,63) имеет вид
Qi  4030,6  177,7tiТайшет
36  56,9  iВерх
4
. Гутара
 13,01 iТайшет
4 . (2.6)
На паводок 1971 г. на р. Иркут в Иркутске оказал влияние циклон,
вышедший с Монголии [130]. В результате анализа метеорологической
обстановки получено уравнение зависимости паводочных расходов воды от
предшествующих среднесуточных температур воздуха и сумм суточных
осадков (R2 = 0,88):
Qi  3372,6  165,4tiИркутск
17  19,6 iИркутск
9  15,1 iИсток
1
Ангары
. (2.7)
Редкое гидрологическое явление теплого периода 1984 г. в бассейне
р. Ия (Тулун) образовано южным циклоном [131]. Связь паводочных
расходов воды с температурами и осадками (R2 = 0,74) выглядит следующим
образом:

22  226,6  i 9 .
Qi  3186,01  121,01tiТулун Тулун
(2.8)
Дождевой поводок на Уде-Укар 1996 г. сформирован западным и
северо-западным переносом [132]. Зависимость расходов воды за период
паводка от предшествующих среднесуточных температур и сумм суточных
осадков (R2 = 0,94) выглядит так
Qi  2751  90,7tiНижнеудинс 13  107,4  i  2 .
 66,8tiИнга
к Инга
13 (2.9)
Что касается редкого гидрологического события в летний период на
Китое-Ангарск в 2001 г., то по данным [133] оно сформировано западным и
юго-западным переносом. Зависимость Qi от факторов (R2 = 0,86) имеет вид
Qi  41,5  92,6tiАнгарск
10  84,5tiКултук
14  7,4  iКултук
0 , (2.10)
Таким образом, на основании анализа паводка выделены факторы,
формирующие редкое гидрологическое событие, систематизация которых
позволяет создать информационное обеспечение для моделирования
подобных явлений. Свойства факторов и результативного признака можно

83
применить для имитационного моделирования редких событий ввиду
недостаточности данных.
Таким образом, для гидрологических редких событий получены
многофакторные связи линейного и нелинейного вида:
, (2.11)
, (2.12)
где , – среднесуточные температуры воздуха и суммы суточных
осадков за предшествующий заблаговременности период и .
Результаты показали, что линейные уравнения справедливы для рек
Ангарского бассейна, а нелинейные – для верховьев Лены. При этом с севера
на юг имеет место тенденция повышения точности многофакторных моделей.
В отличие от гидрологических событий на урожайность
сельскохозяйственных культур, характеризующую агрономическую засуху,
влияет число бездождевых дней и сумма месячных осадков за вегетационный
период в остепненной зоне. В лесостепной зоне дополнительно на формирование
засухи влияет сумма средней месячной температуры, что акцентировано в
работах [12, 15].
Что касается зимних минимальных температур tmin рассматриваемой
территории, то на основе анализа многолетних рядов можно предположить,
что вблизи редкой экстремальной величины, соответствующей вековому
значению, в интервале 4-5 лет наблюдаются близкие события. Причем в
соседствующие с ними годы имеет место их резкое уменьшение или
увеличение.
В продолжение к сказанному отметим, что наименьшие минимальные
температуры воздуха в 11-летних циклах солнечной активности ( )
связаны с предшествующими значениями ) и резкими колебаниями
показаний минимального термометра в соседние годы ( ):
min
tmin i
 5,65  0,865tmin
min
i 1
 0,164tmin
max
i 1
. (2.13)

Полученное выражение по данным Иркутска значимо для уровня 0,15 и


адекватно согласно условию случайности остатка ряда.

84
Точечный прогноз наименьшей минимальной температуры на текущий
цикл солнечной активности составил -44,8°C, а стандартное отклонение
полученных аналитических значений от исходных данных – 2,0°C. Добавим к
этому, что согласно [70] прогноз аналогичного параметра на 24-й цикл
солнечной активности по выражению, связывающему минимальную
температуру с максимальными числами Вольфа за текущий и
предшествующий 11-летний цикл, соответствует -45,1°C. При этом
стандартное отклонение выражения составило 1,9°C. Поскольку в
прогнозируемую эпоху согласно [86] с высокой вероятностью возможно
проявление 100-летнего цикла, то прогностическое значение, полученное по
зависимости (2.13) может быть ниже.

85
3 Оптимизационные модели аграрного производства в
решении задач оценки природных и техногенных рисков

3.1 Классификация моделей оптимизации производства


продукции с учетом природных и техногенных событий

В дополнение к негативному влиянию природных событий на


производственные процессы возрастает техногенное воздействие на
окружающую среду [110, 140] и, как следствие, на производство
продовольственной продукции. Очевидно, что для уменьшения ущербов, как
от природных, так и техногенных событий необходимо моделирование
смешанного воздействия явлений на производство продукции. Поэтому в
зависимости от происхождения события (техногенное или природное)
предложены три группы моделей оптимизации получения
сельскохозяйственной продукции, учитывающие природные, техногенные
явления и их совмещение (рисунок 3.1).
Во многих странах мира создана обязательная система страхования от
различных природных стихийных явлений. В частности, в США возмещение
от воздействия гидрологического явления определяется в зависимости от трех
зон. Первая из них называется специальной областью опасности, вторая -
областью умеренной опасности, а третья - областью малой опасности
наводнения. Эти зоны определяются в зависимости от вероятности
проявления гидрологического события: в первом случае вероятность
появления события рассчитана на 0,01 или 1 раз в 100 лет, во втором - 0,002-
0,01 (1 раз в 200-500 лет), в третьем - менее 0,002 или повторяемость реже
одного раза в 500 лет [152].
В России согласно [136] вероятность превышения расчетного уровня
воды для сооружений 1 класса, защищающих сельскохозяйственные
территории площадью свыше 100 тыс. га, соответствует 0,005; для
сооружений IV класса, защищающие территории оздоровительно-
рекреационного и санитарно-защитного назначения - 0,1. Исходя из этого,
необходимы знания вероятности проявления гидрологического события.

86
Совмещение по типу природных событий

Количество явлений при совмещении


Модели с редким совмещением
природных событий, техногенных событий и их совмещения
Модели оптимизации производственных процессов с учетом

природных событий Свойства изменчивости параметров модели


Влияние событий на левые, правые части ограничений и критерий
Модели с учетом природных оптимальности
событий
По типу природного явления
Модели с редким природным
Свойства изменчивости параметров модели
явлением
Влияние редкого события на левые, правые части ограничений и
критерий оптимальности
Одно событие
Количество явлений при совмещении
Модели с учетом техногенных
событий Свойства изменчивости параметров модели
Влияние событий на левые, правые части ограничений и критерий
оптимальности
Совмещение по типу природных и техногенных событий
Количество явлений при совмещении
Модели совмещения техногенных
и природных событий Свойства изменчивости параметров модели
Влияние событий на левые, правые части ограничений и критерий
Модели с учетом совместного
оптимальности
проявления природных и
техногенных событий Совмещение редкого явления и техногенного события
Модели с редким природным
событием и техногенными Свойства изменчивости параметров модели
событиями
Влияние событий на левые, правые части ограничений и критерий
оптимальности

Рисунок 3.1 – Классификация задач оптимизации производства сельскохозяйственной продукции с учетом влияния
экстремальных природных явлений и техногенных событий

87
Между тем система страхования должна учитывать и другие природные
события, наносящие ущерб экономике страны и региона, например, засуху
или ливни. Так в результате сильной засухи 2003 г. на территории Иркутской
области [30] потерянные площади посевов в различных муниципальных
образованиях колебались от 8 до 44%. При этом медианное значение потерь
составило 25%. Вероятность засухи, оцениваемая в виде низкой урожайности
зерновых культур (не выше ), соответствовала 0,0162-0,141. Очевидно, что
сельскохозяйственные товаропроизводители в таких ситуациях должны
получать объективную сумму денежных средств возмещения.
Многие авторы занимались вопросами управления рисками [45,112, 113
и др.], в том числе страхованием производства сельскохозяйственной
продукции в неблагоприятных природно-климатических условиях. В
дополнение к этому в работе [119] приведена методика оценки страховой
стоимости урожая сельскохозяйственной культуры, согласно которой
формула страховой стоимости урожая конкретной сельскохозяйственной
культуры имеет вид:
, (3.1)
где Q - средняя цена производителей соответствующего основного вида
продукции растениеводства по конкретной сельскохозяйственной культуре,
сложившаяся по субъекту Российской Федерации за год, предшествующий
году заключения договора сельскохозяйственного страхования, по данным
Федеральной службы государственной статистики, а по кормовым
культурам - по фактической себестоимости, сложившейся у
сельскохозяйственного товаропроизводителя за год, предшествующий году
заключения договора сельскохозяйственного страхования (руб./ц);
- планируемый урожай конкретной сельскохозяйственной культуры (ц),
определяемый по формуле .
В формуле планируемого урожая символ S характеризует размер
посевной (посадочной) площади под сельскохозяйственную культуру в
текущем году (га), а представляет собой среднюю урожайность
сельскохозяйственной культуры, сложившуюся за пять лет, предшествующих
году заключения договора сельскохозяйственного страхования (ц/га).
Исходя из сказанного, научно-практическое значение имеет задача
оценки потерь урожая для возмещения страховой стоимости в условиях

88
проявления природных событий и редких явлений. Поскольку согласно
методике расчета страховой стоимости потери урожая соответствуют не
менее 30% от планируемой продукции сельскохозяйственной культуры, то
интерес вызывает задача определения вероятности такой ситуации.
Учитывая возможности моделирования производства
сельскохозяйственной продукции согласно задачам математического
программирования, приведенным на рисунке 3.1, методику определения
страховой стоимости и размера утраты (гибели) урожая
сельскохозяйственной культуры и посадок многолетних насаждений, утраты
(гибели) сельскохозяйственных животных [119] и планирование в
благоприятных условиях, предлагается методика оценки рисков и страховых
возмещений предприятию агропромышленного комплекса.
Во-первых, определяется оптимальный план производства
сельскохозяйственной продукции для благоприятных природно-
климатических условий. Во-вторых, оценивается вероятность редкого
события, вероятность редкого совмещения генетически разных природных
событий. В-третьих, определяется влияние каждого события на
производственные ресурсы. В-четвертых, строятся оптимальные планы
производства сельскохозяйственной продукции с учетом проявления каждого
события по разности оптимальных планов в благоприятных и
неблагоприятных условиях с учетом методики определения страховой
стоимости и размера утраты (гибели) урожая сельскохозяйственной культуры
и посадок многолетних насаждений, утраты (гибели) сельскохозяйственных
животных. И наконец, в-пятых, определяются природные риски и страховые
возмещения для отдельных природных событий и их совместного
проявления.
Методики оценки вероятностей редкого события и совмещения
событий и определение влияния каждого события на производственные
ресурсы (вторая и третья операции) приведены во втором разделе работы.
Здесь же рассмотрим четвертую операцию методики, связанную с
получением оптимальных планов в условиях влияния природных событий и
их совмещения на основе моделей, показанных на рисунке 3.1.
Кроме того, следует иметь в виду дополнительные экономические
потери сельскохозяйственными предприятиями от техногенных воздействий,
которые, как и природные события, являются случайными величинами. Не
89
следует при этом забывать, что недостаточность информации о техногенных
событиях затрудняет их описание с помощью закона распределения
вероятностей.
Оценка ущербов усложняется при совмещении генетически различных
природных событий и совмещений техногенных и природных событий.
Исследования, приведенные в монографии, показывают, что в реальных
условиях имеет место влияние на сельскохозяйственное производство
совмещения событий, например, весеннего половодья и дождевого паводка;
весеннего половодья и засухи; ливня и дождевого паводка; засухи и раннего
снега и др. В этом случае сельскохозяйственные предприятия должны
получать двойную компенсацию за потери. Согласно результатам
исследований, приведенным в этой работе, максимальное количество
совмещенных событий в регионе соответствует трем.
При этом возможны совмещения природных и техногенных событий
или ситуации, когда техногенные аварии являются следствием природных
событий.
Из этих групп моделей в особый класс выделим модели, описывающие
редкие природные или техногенные события и редкое их совмещение. В этом
случае в группу моделей с учетом экстремальных природных явлений
включены модели с редким их совмещением. По аналогии в группу моделей с
совместным проявлением природных и техногенных событий вошли модели
совмещения техногенных и природных событий и модели с редким природным
событием и техногенными воздействиями. Такое разделение обусловлено
особенностью формирования редкого явления по отношению к событиям
согласно определению [86]. В работах [123, 141 и др.] приведены методы
оценки редких значений относительно других членов статистических рядов.
В приведенной классификации (рисунок 3.1) отсутствует второй
уровень иерархии для группы моделей с учетом техногенных событий, что
вызвано соответствием каждого техногенного явления любому уровню
техногенной аварии в отличие от природного события. В последнем случае
события являются частью многолетнего ряда.
На третьем уровне иерархии используются следующие признаки
группировки моделей: тип или происхождение природного события, число
явлений в совмещении, свойства параметров, линейность (нелинейность)

90
связей, зависимость (независимость) параметров, влияние событий на
составляющие моделей (целевая функция и ограничения).
Категория задач с редким совмещением природных событий
обусловлена генетическими особенностями формирования редких природных
явлений. Очевидно, что последствия техногенных событий вызваны другими
причинами по сравнению с природными. Между тем часто природные
явления проявляют себя на фоне техногенных воздействий, в ряде случаев
провоцируют их. Поэтому создание моделей совмещения техногенных и
природных событий имеет особую физическую и математическую
интерпретацию.
Авторами [90, 91, 107 и др.] разработаны математические модели
сочетания отраслей сельскохозяйственного производства для усредненных
природно-климатических условий. В работах [74, 76, 78] предложены модели
оптимизации сочетания отраслей растениеводства и животноводства с учетом
редких природных событий. Кроме того, сформулированы задачи
планирования производства сельскохозяйственной продукции в условиях
проявления техногенных событий. На основе первой и второй групп моделей
можно рассматривать различные ситуации оптимизации производства
продовольственной продукции с учетом: 1) влияния техногенного события и
редкого природного явления; 2) влияния техногенного явления и редкого
совмещения природных событий; 3) влияния редкого совмещения природных
и техногенных событий. Такие модели позволяют уменьшить экономические
ущербы предприятия в неблагоприятных ситуациях за счет адекватного
планирования. При этом не следует забывать о количестве рассматриваемых
событий и их генетическом происхождении. В первом случае имеет место
усложнение модели ввиду увеличения переменных за счет числа явлений и
различных видов связей между параметрами, отражающими изменчивость
событий. В частности, описание совмещения ливней и последствий
техногенных аварий, вызванных загрязнением почвы, уменьшением ее
плодородия отличается от отражения ситуаций совмещения
гидрологического и техногенного явления. Иначе будет выглядеть модель,
включающая в себя засухи, гидрологические явления и последствия
различных техногенных событий. Между тем приведенный пример согласно

91
анализу проявления совмещения событий различного происхождения
является крайне редкой ситуацией, значительно уступающей частоте
формирования в календарный год одного техногенного и одного природного
события.
Большое значение при моделировании производства
сельскохозяйственной продукции с учетом природных и техногенных
событий имеют свойства параметров модели. При этом их можно разделить
на производственно-экономические, природные и техногенные, которые
могут быть связаны и независимы. Исследования изменчивости выделенных
групп параметров [1, 19, 30, 70, 80, 83 и др.] показывают, что они обладают
неопределенностью и могут изменяться функционально. Часть
неопределенных параметров описывается с помощью закона распределения
вероятностей с учетом автокорреляционных связей и при их отсутствии.
Между тем неоднородность выборок и их непродолжительность не всегда
позволяет использовать функции распределения. В этом случае возможны
интервальные оценки параметров. Другая часть параметров может быть
описана функционально ввиду их связи с факторами или наличием
устойчивых тенденций. Таким образом, как показал анализ свойств
параметров моделей оптимизации производства сельскохозяйственной
продукции, они представляют собой сочетание неопределенных и
детерминированных значений, что в значительной степени усложняет
получение множества оптимальных планов. При этом возникает вторая
задача выбора из них наиболее приемлемых для решения реальных задач.
К этому следует добавить, что любой неопределенный параметр
обладает степенью рассеяния. В частности, случайная величина, по сути,
характеризуется некоторой усредненной вероятностью и значением. Эта
вероятность и значение варьируют. Оценка рассеяния имеет теоретическое и
практическое значение для редких событий.
Следует подчеркнуть, что параметры, входящие в модели оптимизации
производства сельскохозяйственной продукции, как правило, являются
нелинейными. Например, значения природных событий и их серии
подчиняются законам распределения вероятностей Пирсона III типа,
семейству нормальных законов распределения, экспоненциальному и др. [15,

92
20, 73-75, 78, 114, 117 и др.]. Кроме того, производственно-экономические
параметры могут описываться полиномом второго порядка, степенной и
экспоненциальной функциями [19, 30, 70, 80 и др.]. В работах [9-11, 13]
показано, что некоторые урожайности и сроки посева связаны с факторами
тепла и увлажнения нелинейными многофакторными выражениями.
Неопределенность параметров, нелинейность их изменчивости,
значительное их количество, учет рассеяния определяет сложность задачи
математического программирования, позволяя определять множество
оптимальных планов. В этом случае эффективными являются алгоритмы
реализации моделей с использованием метода статистических испытаний [13,
20, 29, 73]. Приведем два разработанных основополагающих алгоритма
решения задач математического программирования с учетом природных,
техногенных событий и их совмещений [73].
На рисунке 3.2 приведен первый алгоритм решения задачи оптимизации
производства сельскохозяйственной продукции с моделированием редкого
природного события (первое или второе наибольшее (наименьшее) значение
сортированного ряда) в пределах периода, учитывающего историко-архивные
данные (N). Этот алгоритм является модификацией алгоритма решения
задачи математического программирования с учетом редкого
гидрологического явления [73].
Сначала задается число моделируемых рядов m длиной N. С помощью
метода Монте-Карло генерируются псевдослучайные числа pte, по которым по
заданному закону распределения вероятностей вычисляются максимальные
(минимальные значения) природного события ( ). Из полученных
значений выбирают наибольшие (наименьшие) ( ), число которых
соответствует m.
По этим данным и соответствующим им вероятностям pe строят
зависимость ( ) . После этого решается задача оптимизации
производства продовольственной продукции в условиях влияния редких
природных явлений. Каждый оптимальный план соответствует
вероятности pe. Полученные решения имеют значение для управления
производственными процессами получения сельскохозяйственной продукции
в крайне неблагоприятных условиях.
93
Рисунок 3.2 - Алгоритм решения задачи математического программирования с
моделированием редкого природного события в пределах периода, учитывающего
историко-архивные данные (N)
(на рисунке d j – ущерб, причиненный редким явлением производству продукции j;
p

a ipj – коэффициенты в системе ограничений с учетом влияния экстремального явления;


bip – правые части ограничений при условии уменьшения ресурсного потенциала ввиду
проявления природного события; p – расчетная вероятность, соответствующая ущербу
от первого или второго по величине редкого события, являющегося случайным)

К этому следует добавить, что природные риски рассчитывались как


разности между значениями целевых функций, определенными согласно
задачам математического программирования в благоприятных и
условиях De  f б  f e . Из приведенного выражения
p p
неблагоприятных
можно получать природные риски для медианного значения и различных

94
уровней значимости. Кроме того, по разностям оптимальных планов для
благоприятных и неблагоприятных условий с учетом урожайности
сельскохозяйственных культур и цен на произведенную продукцию по
методике [119] рассчитывались страховые возмещения.
На рисунке 3.3 показан второй алгоритм оптимизации производства
сельскохозяйственной продукции с учетом редкого гидрологического
события на основе определения вероятности его проявления методом
статистических испытаний с использованием закона распределения по
условию ( ).
На первом этапе задается число моделируемых рядов m разной длины.
Затем с помощью метода Монте-Карло генерируются псевдослучайные числа
pe, с помощью которых по заданному закону распределения вероятностей
вычисляются максимальные (минимальные) значения параметров редких
природных событий ( ). Генерирование рядов значений
природных событий осуществляется до выполнения условия
( ). Согласно полученным рядам определяются
два наибольших (наименьших) значения ( ) и
соответствующие им и .
По величинам ( ) и соответствующим им
и рассчитывается вероятность pe фактического значения ( ).
После этого на основе зависимостей [ ( )],
[ ( )] [ ( )] определяются
нанесенные потери в виде уменьшенного ресурсно-производственного
потенциала, и находится оптимальный план производства
сельскохозяйственной продукции с целевой функцией f. При этом
учитывается рассеяние вероятностей pe критерия оптимальности.
Алгоритмы (рисунок 3.2 и 3.3) могут быть применены для параметров
различных природных событий, являющихся вероятностными величинами.
При этом необходима оценка рассеяния, как самого параметра, так и его
вероятности.

95
Рисунок 3.3 - Алгоритм оптимизации производства сельскохозяйственной продукции
с учетом редкого природного события на основе определения вероятности его
проявления методом статистических испытаний с использованием закона
распределения по условию ( )
(на рисунке d j – ущерб, причиненный редким явлением производству продукции j;
p

a ipj – коэффициенты в системе ограничений с учетом влияния экстремального явления;


bip – правые части ограничений при условии уменьшения ресурсного потенциала ввиду
проявления природного события; p – расчетная вероятность, соответствующая ущербу
от первого или второго по величине редкого события, являющегося случайным)

Решение подобной задачи позволяет оценивать природные риски


D p
 fб  f p
 и страховые возмещения по разности оптимальных планов,
полученных в благоприятных и неблагоприятных условиях, урожайности
сельскохозяйственных культур, ценам на произведенную продукцию и

96
методике определения страховой стоимости и размера утраты (гибели)
урожая сельскохозяйственной культуры и посадок многолетних насаждений,
утраты (гибели) сельскохозяйственных животных [119].
Приведенные алгоритмы и задача (1.22)-(1.24) реализованы для
определения оптимального плана производства сельскохозяйственной
продукции в крайне неблагоприятных условиях для ООО «Талинка»
Тайшетского района.
В качестве исходных данных использован гидрологический ряд
максимальных расходов воды дождевых паводков р. Бирюса (Бирюсинск).
Наибольшее значение ряда (максимальное событие) составило 4720 м3/с, а
второе – 3490 м3/с. Длина ряда N с учетом историко-архивных данных
составила 98 лет (1914-2011 гг.). Зависимость затапливаемой территории от
максимальных расходов воды принята в виде [19]:
B  0,4794Qmax  1017,2, (3.2)
где – значение максимального расхода воды соответствующего
события, В – площадь затапливаемой территории (га).
В качестве критерия оптимальности задачи математического
программирования использованы приведенные затраты. В модели
учитываются ограничения по земельным ресурсам, объемам производства
сельскохозяйственной продукции, трудовым ресурсам.
Результаты моделирования для различных m по первому алгоритму
показывают, что средний наибольший максимальный расход воды составил
4460 м3/с. При этом вариация значений ряда равна 0,24, а экстремальные
значения колеблются относительно в пределах 32%. Помимо
колебания наибольшего расхода воды определен интервал
вероятностей, который составил 0,0000679-0,0678.
С учетом сказанного в преобладающем большинстве случаев работа
хозяйства будет парализована. В лучшем случае потери составят 30,3%
(3,827 млн. руб.), а расчетные страховые возмещения - 2,422 млн. руб.
согласно предложенной методике и источнику [119].
Аналогичные расчеты выполнены для второго наибольшего значения
гидрологического ряда. При моделировании по второму алгоритму для
различных m по средний наибольший максимальный расход воды
составил 3610 м3/с с вероятностью 0,0302 и вариацией – 0,13. Экстремальные
97
значения расчетных расходов воды колеблются относительно в
пределах 22%. Вероятности изменяются в интервале 0,00755-0,0995.
Поскольку при проявлении наибольшего паводка будут затоплены все
сельскохозяйственные земли, второй алгоритм реализован для второго
значения максимального расхода воды, при котором незатопленной останется
менее трети сельскохозяйственных угодий. Для этого случая ущерб составит
5,497 млн. руб., а расчетные страховые возмещения сельскохозяйственному
предприятию определены в размере 4,488 млн. руб. согласно предложенной
методике и источнику [119]. При этом вероятность этого гидрологического
события колеблется в пределах 0,0140-0,0337.
В отличие от первого алгоритма интервал вероятностей второго по
величине максимального расхода воды, определенный по второму алгоритму,
оказался намного ниже, чем по первому. Поэтому второй алгоритм позволяет
повышать эффективность оценок вероятностей редких событий.
Результаты показывают значительные колебания расчетных
максимальных расходов воды относительно фактических данных и
изменчивость вероятностей им соответствующих. Поэтому при решении
различных задач, связанных с проектированием водохозяйственных объектов
и производством сельскохозяйственной продукции, необходимо учитывать
вариации параметров.
Полученные результаты согласуются с результатами моделирования
редких событий и оценкой их погрешностей. Между тем, очевидно, что в
реальных ситуациях вариативными являются не только значения редких
природных явлений, но и их вероятности. И то и другое необходимо
учитывать при определении природных рисков.
Таким образом, предложена методика оценки природных рисков и
страховых возмещений на основе моделей производства
сельскохозяйственной продукции с учетом природных и техногенных
событий и их совмещения. Для решения задач математического
программирования в условиях влияния природных событий предложены
алгоритмы получения оптимальных решений, описывающие рассеяние
значений и вероятностей параметров экстремальных явлений (рисунок 3.2
и 3.3).

98
Методика оценки природных рисков и страховых возмещений
реализована для предприятия ООО «Талинка» Тайшетского района с учетом
редкого дождевого паводка.

3.2 Моделирование рисков в условиях проявления редкого


природного явления

Редкие явления в наибольшей степени влияют на производственную


деятельность агропромышленного комплекса и жизнедеятельность населения.
Между тем для сравнения редкого явления целесообразно рассматривать
вторые по ранжиру значения многолетних рядов. К этому следует добавить,
что при выделении событий с помощью многоуровневой модели ряда [59, 86],
как правило, получают два редких события. При этом исторический период
для Восточной Сибири составляет около 400 лет, а первые упоминания о
влиянии экстремальных природных явлений на сельское хозяйство
датируется началом 50-х годов XVII в. [85]. Другими словами, период оценки
редкого события является относительной величиной. Если имеет место
цикличность в многолетних рядах параметра, характеризующего
экстремальное событие, то согласно статистическому анализу
удовлетворительная достоверность оценки повторяемости составляет четыре
цикла.
Очевидно, что редкие явления в разной степени связаны с
катастрофами, поскольку наносят значительные ущербы населению и
экономике и приводят к человеческим жертвам. Примером могут служить
редкие паводки, половодья, сильные ливни, засухи и суровые зимы. Ввиду
этого возникает задача оценки возможности осуществления
производственных процессов в неблагоприятных природных условиях. Это
особенно актуально при рассмотрении редких природных явлений. Не
вызывает сомнений, что лицо, принимающее решение, должно знать
наихудший вариант развития событий при формировании экстремального
природного явления, влияющего на производство. Крайней ситуацией
является затопление всех сельскохозяйственных угодий, когда
продолжительное время будет парализована деятельность хозяйства.

99
Существуют и другие варианты, когда под водой оказывается часть
сельскохозяйственных угодий. В этом случае можно смоделировать
различные ситуации и из множества найти решение, позволяющее смягчить
влияние гидрологического события. При этом оцениваются природные риски
для возмещения потерь предприятию на основании методики определения
страховой стоимости [152]. В дополнение к этому можно определить
оптимальный вариант производства, при котором предприятию будут
производиться страховые выплаты, как результат потерь урожаев
сельскохозяйственных культур и животных, превышающий 30% [119]. При
оценке влияния редкого гидрологического события на производство
сельскохозяйственной продукции важно оценить его вероятность и рассеяние
для определения класса защитных сооружений сельскохозяйственных
территорий, подверженных затоплению и подтоплению [136].
Аналогичная задача может быть сформулирована для редкой засухи с
учетом особенностей факторов ее формирующих и оценки территории
распространения. Понятно, что с позиции экономических ущербов особой
разницы между редкими событиями различного происхождения не
существует.
Таким образом, природное явление влияет на себестоимость
продукции - увеличиваются затраты на производство. При этом необходимо
использовать дополнительные производственные ресурсы на уменьшение
потерь продукции. Очевидно, что природное явление способствует снижению
ресурсного потенциала предприятия, сокращению выхода продукции с
единицы площади различных видов сельскохозяйственных культур. Общее
уменьшение объема произведенной продукции влияет на заданные объемы
производства, в конечном итоге снижая их. На основе сказанного предложена
модель определения оптимальных планов в условиях проявления редкого
природного явления с учетом рассеяния параметра характеризующего его
[75].
Целевая функция задачи оптимизации производства продовольственной
продукции с учетом проявления редкого природного события, связанного с
вероятностью, определяется в следующей редакции
 
c x c
s s s s   ch xh   ch( I ) ph    c j x j   c(j I ) p j   min ,
(I ) p
(3.3)
sS sS hH hH  j J j J 

100
где - себестоимость единицы продукции s-культуры (sS);
- себестоимость единицы h-вида животных (hH); - себестоимость
единицы j-вида корма (jJ); - затраты на производство
единицы продукции s-культуры, h-вида животных и j-вида корма, связанные с
влиянием природного события; xs, xh, xj - искомые переменные: площадь s-
культуры, поголовье h-вида скота, количество кормов j-вида; ωs, ωh,
ωj - искомые переменные: площадь s-культуры, поголовье h-вида скота,
количество кормов j-вида в условиях влияния редкого природного события;
S – множество видов культур; H – множество групп животных; J – множество
видов кормов; p – вероятность превышения случайных величин.
В приведенной целевой функции учитываются дополнительные затраты
на производство растениеводческой и животноводческой продукции (второе
и четвертое слагаемое). Предполагается, что корма для сельскохозяйственных
животных производятся непосредственно на рассматриваемом предприятии
агропромышленного комплекса. Поэтому сумма слагаемых в скобках
вычитается из затрат на производство животноводческой продукции.
В качестве ограничений использованы следующие.
Во-первых, неравенство по распределению производственных ресурсов,
характеризующее два возможных варианта потерь - увеличение расхода
 
ресурсов на единицу площади либо произведенной продукции   bis s 
(I) p

 sS 
, или уменьшение ресурсного потенциала B1(I)i p  :

b
sS
is x s   bis(I) p  s   bih xh  Bi
sS hh

или  bis x s   bih xh  Bi  B1(I)i p (i  I ),


(3.4)
sS hh

где – расход i-го ресурса на единицу площади s-культуры; - расход


i-го ресурса на единицу площади s-культуры ввиду проявления редкого
природного события; – расход i-го ресурса на единицу поголовья h-вида
животных; I – множество видов ресурсов; Bi и – ограничения по
использованию ресурсов с учетом влияния на них редкого природного
события; I – множество видов ресурсов.
Во-вторых, в ограничении по применению в животноводстве побочной
продукции растениеводства вводится слагаемое в левой части ограничения

101
 
  (I)js p s  , описывающее уменьшение продукции для обеспечения кормами
 sS 
животных:
v
sS
js xs   (I)
js s  x j ( j  J ),
p

sS
(3.5)

где – выход с единицы s-площади j-вида корма, – потери выхода с


единицы s-площади j-вида корма.
В-третьих, в модель вводится ограничение по размерам отраслей:
 растениеводства:
 r   (1   s ) x s   r ( r  R), (3.6)
sS

где – минимальная (максимальная) площадь культур r-вида (группы);


- коэффициент, учитывающий площадь посевов семян для s-культур; R –
множество агротехнических групп культур;
 животноводства:
x h  hh x h (h, h   H ), (3.7)
где – коэффициент пропорциональности между поголовьем животных h
и их группами .
В-четвертых, с учетом влияния редкого события на производство
сельскохозяйственной продукции неравенства, характеризующие
производство конечной продукции не менее заданного объема имеют
следующий вид:
 растениеводства:
v q1s x s   vq( Is) p s  Vq  Vq( I ) p q1  Q1 , (3.8)
1 1 1
sS sS

 животноводства:
v q2h xh   vq( I )hph  Vq  Vq( I ) p q2  Q2 , (3.9)
2 2 2
hH hH

где и – выход продукции с единицы площади s-культуры и


поголовья h-вида животных; и – потери выхода продукции с
единицы площади s-культуры и поголовья h-вида животных от влияния
редкого природного явления; и – заданный объем производства
продукции растениеводства и животноводства, исключая потери в результате

102
влияния редкого природного события ( ); q1 и q2 – вид товарной
продукции; Q1 и Q2 – множества товарной продукции.
В-пятых, в условие, характеризующее сочетание растениеводства и
 
животноводства по элементам питания вводится слагаемое   als s( I ) p s  ,
 sS 
уменьшающее объемы кормовой продукции, необходимые для обеспечения
животных необходимыми элементами питания:
 a v x  a 
sS
ls s s
sS
ls s s   alj x j   blh (l  L),
(I ) p

jJ hH
(3.10)

где als – содержание l-элемента питания в единице кормовой продукции,


полученной от s-культуры; – выход основных кормовых культур с единицы
площади s-кормовых культур; – потери выхода основных кормовых
культур с единицы площади от влияния редкого природного события;
alj - содержание l-элемента питания в j-виде корма; blh - минимальная
потребность в l-элементе питания единицы поголовья h-вида животных;
l (L) – элемент (множество элементов) питания.
В-шестых, искомые переменные должны быть неотрицательными:
x s , x h , x j ,  s , h ,  j  0 . (3.11)
Решением этой задачи согласно первому алгоритму (рисунок 3.2)
является вероятностное распределение целевой функции и соответствующие
ее значениям оптимальные планы. Согласно второму алгоритму (рисунок 3.3)
результатом решения задачи математического программирования является
оптимальный план и критерий оптимальности, соответствующий вероятности
появления редкого события с учетом ее рассеяния. По разности значений
целевых функций, полученных в благоприятной ситуации ведения хозяйства
и модели (3.3)-(3.11), определяются природные риски. Страховые же
возмещения получают при сравнении оптимальных планов, соответствующих
благоприятным и неблагоприятным ситуациям, урожайностям
сельскохозяйственных культур, ценам на сельскохозяйственную продукцию и
методике, приведенной в работе [119].
Эта модель адекватно описывает производство сельскохозяйственной
продукции в условиях влияния одного редкого природного события. Модель
обобщает различные ситуации воздействия экстремального явления на
параметры целевой функции и ограничений. Из задачи (3.3)-(3.11) можно
103
получить частные случаи влияния редкого явления на: 1) коэффициенты при
неизвестных целевой функции при детерминированных параметрах
ограничений; 2) параметры левых частей ограничений при определенных
правых частях условия и критерии оптимальности; 3) правые части
ограничений при детерминированных целевой функции и левых частей
условий; 4) коэффициенты модели в различных сочетаниях.
В случае формирования редкого природного явления можно
рассматривать задачу математического программирования с усредненными
или переменными производственно-экономическими параметрами. В
частности, согласно [86] в период редких дождевых паводков наблюдаются
высокие урожайности зерновых культур.
Частные задачи (3.3)-(3.11) реализованы на реальном
сельскохозяйственном объекте Иркутской области ООО «Талинка». В
качестве редкого события использовались наибольшие максимальные
расходы воды за многолетний период дождевого паводка и весеннего
половодья. В этих моделях учитывалось влияние редкого события на правые
части ограничений в виде уменьшения используемых площадей
сельскохозяйственных угодий предприятия ввиду их затопления. Это,
соответственно, влияет на снижение заданного объема производимой
продукции.
Здесь целевая функция имеет следующий вид:
c x  c
sS
s s
sS
s s   ch xh   c j x j  min .
(I ) p

hH jJ
( 3.12)

Другими словами, принято допущение о влиянии редкого события на


затраты на производство растениеводческой продукции.
В качестве ограничений использованы:
 ограниченность производственных ресурсов:
b
sS
is x s   bih xh  Bi  B1pi (i  I ),
hh
(3.13)

 применение в животноводстве побочной продукции


растениеводства:
v
sS
js x s  x j ( j  J ), (3.14)

104
 производство конечной продукции не менее заданного объема:
 растениеводства:
v
sS
q1s x s  Vq  Vqp ( q1  Q1 ),
1 1
(3.15)

 животноводства:
v
hH
q2 h xh  Vq  Vqp (q 2  Q2 ).
2 2
(3.16)

Остальные условия частного случая общей модели (3.3)-(3.11)


совпадают.
В модели (3.6), (3.7), (3.10), (3.11) и (3.12)-(3.16) рассматривались два
случая: усредненные производственно-экономические параметры и
максимально возможный выход продукции с единицы площади (высокая
урожайность зерновых культур). Для решения задачи математического
программирования использованы два разработанных алгоритма (рисунки 3.2
и 3.3), преобразованных для решения приведенной задачи [20].
Решение задачи математического программирования с учетом редкого
дождевого паводка приведено в разделе 3.1. Помимо этого, в работе на
реальном объекте (ООО «Талинка») определены оптимальные планы задачи
оптимизации производства продовольственной продукции с учетом редкой
засухи на основе модели (3.3)-(3.11) с использованием первого и второго
алгоритмов (рисунки 3.2 и 3.3). Между тем в этой модели ограничения (3.4),
(3.5) и (3.8) имеют следующий вид:
b
sS
is xs   bih xh  Bi (i  I ),
hh
(3.17)

v
sS
js xs  (jsI ) ps  x j ( j  J ),
sS
(3.18)

v q1s x s   vq( Is) p  s  Vq q1  Q1 , (3.19)


1 1
sS sS

Другими словами, потери учитывались в левых частях ограничений в


качестве снижения выхода продукции сельского хозяйства с единицы
площади.
Результаты решения задачи приведены в таблице 3.1. При реализации
модели с учетом засухи на основании алгоритмов (рисунки 3.2 и 3.3) верхний
предел рассеяния природного события определялся по условию (1.6).
Согласно таблице погрешность урожайности зерновых составляет
примерно 0,87 ц/га, а ее вероятность изменяется в пределах 0,00191-0,0965.

105
Таблица 3.1 - Результаты решения задачи математического программирования
для ООО «Талинка» с учетом редкой агрономической засухи с использованием
алгоритмов оптимизации производства сельскохозяйственной продукции в
условиях проявления редких событий
Ущерб по
σY, p0,05 p0,95 Размах Ущерб, сравнению с
фактическое,
ц/га p млн. руб. благоприятной
ц/га
ситуацией, %
Первый алгоритм
8,5 0,87 0,00191 0,0965 0,103 1,971-2,256 18,1-20,8
Второй алгоритм
8,5 - 0,0128 0,203 0,276 2,330 21,4

Числовая модель задачи математического программирования для


ООО «Талинка» с учетом редкой агрономической засухи с использованием
алгоритмов оптимизации производства сельскохозяйственной продукции в
условиях проявления редких событий приведена в приложении А. Оценена
вероятность сильной засухи, соответствующая 0,0361 с интервалом рассеяния
по второму алгоритму 0,0128-0,203, для которой определены оптимальные
планы, позволяющие смягчить ущерб. В лучшем случае он составит
1,971 млн. руб., для засухи аналогичной реальной – 2,330 млн. руб. При этом
страховые выплаты во втором случае составят 4,007 млн. руб. согласно [119]
и полученным оптимальным планам.
При оптимизации производства продовольственной продукции в
условиях проявления редкого весеннего половодья на реальном
сельскохозяйственном предприятии при помощи алгоритмов с применением
статистических испытаний использован закон распределения Пирона III типа,
статистические параметры определены методом моментов. Согласно
результатам моделирования (таблица 3.2) по первому алгоритму ущерб может
варьировать в пределах 26,1-100% по сравнению с благоприятной ситуацией,
затоплено может быть 24,5-100% сельскохозяйственных угодий. При этом
погрешность максимального расхода воды составляет 510 м 3/с, вероятность
изменяется в диапазоне 0,000445-0,0383.
Что касается оптимизации производства с использованием второго
алгоритма, то здесь ущерб по сравнению с благоприятной ситуацией равен
53,9%, затоплено будет 54,4% сельскохозяйственных угодий, интервал
изменения вероятности редкого расхода воды меньше, чем в предыдущем
случае и составляет 0,0126-0,0304. Таким образом, для вероятности редкого

106
весеннего половодья 0,0137 рассчитан оптимальный план, позволяющий
минимизировать ущербы с наименьшими потерями 5,854 млн. руб. согласно
второму алгоритму (приложение Б).

Таблица 3.2 - Результаты решения задачи математического программирования для


ООО «Талинка» с учетом одного редкого весеннего половодья на р. Бирюсе
(Бирюсинск) по алгоритмам оптимизации производства сельскохозяйственной
продукции с учетом редкого гидрологического события и усредненных
производственно-экономических параметров
Возделываемые
Q Ущерб по
Ущерб, площади в
фактическое, σQ, p0,05 p0,95 Размах сравнению с
млн. сравнении с
3 м3/с p благоприятной
м /с руб. благоприятной
ситуацией, %
ситуацией, %
Первый алгоритм
2,646-
3200 510 0,000445 0,0383 0,0594 24,4-98 75,5-2
10,647
Второй алгоритм
3200 - 0,0126 0,0304 0,0239 5,854 53,9 43,6

В дополнение к этому при сравнении полученных оптимальных планов


с учетом влияния редкого весеннего половодья и в благоприятных условиях
при однотипной структуре производства сочетания отраслей производитель
понесет убытки в размере 53,9%. При этом площади зерновых культур
сократятся на 54%, однолетних трав на сенаж - на 55%, многолетних трав на
сено и зеленый корм – на 38 и 75% соответственно, естественных пастбищ –
на 27%, производство продукции животноводства – на 55%. В приведенных
условиях расчетные страховые возмещения составят 5,961 млн. руб. согласно
методике [119] и полученным оптимальным планам.
Следует отметить, что в случае использования структуры посевных
площадей с учетом редкого гидрологического события в благоприятных
условиях производитель не понесет убытков ввиду однотипной структуры
сочетания отраслей.
Стохастическая модель (3.12), (3.16), (3.17)-(3.19) применима для
решения задачи производства сельскохозяйственной продукции в условиях
редкой засухи. В отличие от дождевого паводка и весеннего половодья,
которые располагаются в верхней хвостовой части функции распределения,
редкая агрономическая засуха находится в нижней хвостовой части

107
распределения. При этом следует иметь в виду, что урожайность в результате
изменения технологий и сортов зерновых культур [11, 13, 14] характеризуется
непродолжительными многолетними рядами, которые не всегда можно
описать с помощью вероятностных законов распределения. Для такого случая
предложена модель с интервальными оценками. Задача стохастического
программирования или с интервальными параметрами используется в
зависимости от объема информации. При этом в некоторых интервалах могут
изменяться дополнительные затраты критерия оптимальности, ресурсный
потенциал, добавленный расход ресурсов на единицу площади s-культуры,
объемы выхода основной и побочной продукции, снижение заданного объема
производства. Сформулируем задачу математического программирования с
интервальными параметрами в условиях проявления редких природных
явлений по аналогии с задачей (3.3)-(3.11). Тогда целевая функция модели
оптимизации производства сельскохозяйственной продукции с
интервальными параметрами запишется так:
 
 c x   c~    c x   c~ 
s s s s h h h h    c j x j   c~j  j   min , (3.20)
sS sS hH hH  jJ jJ 
где ̃ ̃ ̃ - затраты единицы продукции s-культуры, h-вида животных и j-
вида корма, связанные с влиянием природного события, оцениваются
верхними и нижними значениями - ̃ ̃ ̃ , ̃ ̃ ̃ , ̃ ̃ ̃.
В качестве ограничений использованы:
 ограниченность производственных ресурсов:
~
 bis xs   bis s   bih xh  Bi
sS sS hh
~ (3.21)
или  bis x s   bih x h  Bi  B1i (i  I ),
sS hh

где ̃ - добавленный расход i-го ресурса на единицу площади s-культуры


ввиду проявления редкого природного события, находится в интервале
̃ ̃ ̃ ; ̃ – уменьшение ресурсов под влиянием редкого природного

события, изменяется в пределах ̃ ̃ ̃ ;


 применение в животноводстве побочной продукции растениеводства:
 v js x s   v~jss  x j ( j  J ),
sS
(3.22)
sS

108
где ̃ – уменьшение выхода корма с единицы площади под влиянием
редкого события, изменяющееся в интервале ̃ ̃ ̃ ;
 ограниченность размера отраслей:
а) растениеводства:
 r   (1   s ) x s   r ( r  R); (3.23)
sS

б) животноводства:
x h  hh x h (h, h   H ); (3.24)
 производство конечной продукции не ниже заданного объема:
а) растениеводства:
x   v~q s s  Vq  Vq q1  Q1 ,
~
v
sS
q1s s
sS
1 1 1 (3.25)

б) животноводства:
x   v~q hh  Vq  Vq q2  Q2 ,
~
v
hH
q2h h
hH
2 2 2 (3.26)

где ̃ и̃ – потери выхода продукции растениеводства и животноводства


с единицы площади от влияния редкого природного явления, изменяются в
пределах ̃ ̃ ̃ и ̃ ̃ ̃ ; ̃ и ̃ – потери объема
производства продукции растениеводства и животноводства в результате
влияния редкого природного события, которые находятся в пределах
̃ ̃ ̃ и ̃ ̃ ̃ ;
 сочетание растениеводства и животноводства по элементам питания:

 a v x   a v~    a x   b
sS
ls s s
sS
ls s s
jJ
lj j
hH
lh (l  L), (3.27)

где ̃ – потери выхода основных кормовых культур с единицы площади от


влияния редкого природного события, находящиеся в интервале ̃ ̃ ̃;
 неотрицательность переменных:
x s , x h , x j ,  s , h ,  j  0 . (3.28)
Модель (3.20)-(3.28) обобщает различные случаи влияния редкого
природного явления на производство сельскохозяйственной продукции при
условии, что параметры являются интервальными.
Частный случай модели реализован для сельскохозяйственного
предприятия ООО «Академия» Иркутского района в условиях редкой засухи

109
(приложение В). При этом целевая функция определялась не на минимум
затрат, а на максимум выручки:
  s xs   ~ss    h xh    j x j   ~ j j  max,
sS sS hH jJ jJ
(3.29)

где s, h, j - выручка с единицы площади s-культуры, единицы поголовья h-


вида животных и единицы j-вида кормов; ̃ ̃ – материальные потери с
единицы площади s-культуры и j-вида корма как результат влияния редкой
засухи, изменяющиеся в пределах ̃ ̃ ̃, ̃ ̃ ̃ .
При этом измененные ограничения задачи определены в следующей
редакции:
~
b
sS
is sx   bis s   bih xh  Bi (i  I ),
sS hh
(3.30)

v q1s x s   v~q s  s  Vq q1  Q1 , (3.31)


1 1
sS sS

v q2 h xh  Vq
2
q2  Q2 , (3.32)
hH

a
sS
v xs   alj x j   blh (l  L).
ls s
jJ hH
(3.33)

Остальные ограничения (3.22)-(3.24) и (3.28) использованы из


обобщенной модели.
Результаты решения задачи (3.22)-(3.24) и (3.28) и (3.29)-(3.33) при
наименьшей фактической урожайности зерновых, варьирующей в интервале
8-13 ц/га, изменчивости содержания основных средств и выручки с единицы
площади основных культур позволили определить различные оптимальные
планы. Наибольшая выручка сельскохозяйственного предприятия
составила 12,336, а наименьшая – 10,064 млн. руб. Другими словами, по
сравнению с благоприятной ситуацией недополучено 33-46% продукции в
денежном выражении. При этом наибольшее расхождение между
оптимальными планами соответствует 40%. Расчетные страховые выплаты в
худшей ситуации составили 12,488, а в лучшей - 10,614 млн. руб., учитывая
методику [119] и оптимальные планы. Очевидно, что лицу, принимающему
решение, выгоднее ориентироваться на верхнюю оценку целевой функции и
соответствующий ей оптимальный план.
При решении задачи математического программирования использован
алгоритм нахождения множества оптимальных решений с использованием

110
метода статистических испытаний. Здесь на первом этапе задаются
неопределенные параметры модели и пределы их изменений. Затем в
заданных интервалах случайным образом моделируются значения
параметров, которые подставляются в модель и решается задача
оптимизации. Операции повторяются множество раз. При этом получают
диапазон оптимальных планов производства продовольственной продукции.
Согласно этому алгоритму в конечном итоге определяются верхние и нижние
оценки критерия оптимальности, медиана и соответствующие им
оптимальные планы.
Помимо использования разработанных моделей оптимизации
производства сельскохозяйственной продукции с учетом редких
гидрологических явлений и редкой засухи для оценки природных рисков, их
можно применять для решения задач с другими событиями: наибольшие
ливневые осадки, даты ранних заморозков, даты выпадения снежного покрова
и его высота.
Приведенные задачи со случайными и интервальными параметрами,
учитывающие редкое природное явление различного происхождения, могут
быть дополнены задачами со смешанными параметрами, характеризующими
как вероятностные, так и верхние и нижние оценки. Подобные модели можно
описать, используя целевую функцию и ограничения, определенные в задачах
(3.3)-(3.11) и (3.21)-(3.28). Понятно, что вид того или иного параметра в такой
задаче математического программирования зависит от особенностей реальной
ситуации.

3.3 Оптимизация сочетания отраслей при редком


совмещении природных событий для оценки рисков

При формировании в один год двух и более природных событий


результатом моделирования производства сельскохозяйственной продукции
является целевая функция, оптимальные планы и страховые возмещения,
связанные с вероятностью совместных событий, соответствующих разному
происхождению. В этом случае редким совмещением явлений считается год с
наименьшей вероятностью совместных событий.

111
В течение теплого периода на производственные процессы влияют
серии неблагоприятных явлений, которые вносят собственный вклад в
ухудшение конечных результатов предприятий агропромышленного
комплекса. Природные события влияют на себестоимость продукции или
приведенные затраты; затапливают сельскохозяйственные угодья; приводят к
деградации растений; уменьшают урожайность сельскохозяйственных
культур; ухудшают условия для агротехнической обработки растений;
разрушают строения; ускоряют износ технических средств; способствуют
гибели сельскохозяйственных животных; разрушают дороги, линии
электропередач, связи и др. В работе предложены модели оптимизации
параметров производства продовольственной продукции с учетом
совместных природных событий как частный случай модели, приведенной в
работе [74].
Целевую функцию математической модели сочетания отраслей с
учетом влияния серий природных событий в один год можно записать в
следующем виде:
 
 c x   c
s s  s 
sz
(I ) p
c x
h h   c (I ) p
hz  h  
  c x
j j   c (I ) p
jz  
j   min , (3.34)
sS sS zZ hH hH zZ  jJ jJ zZ 
где cs - себестоимость единицы продукции s-культуры (s  S);
ch - себестоимость единицы h-вида животных (h H); cj - себестоимость
единицы j-вида корма, j J; – затраты единицы продукции
s-культуры, h-вида животных и j-вида корма в результате влияния
природного события z; xs - искомая переменная, площадь s-культуры;
ωs - искомая переменная, площадь s-культуры, подверженная влиянию
редкого совмещения событий; xh - поголовье h-вида скота; ωh - поголовье h-
вида скота с учетом влияния редкого совмещения природных событий;
xj - количество кормов j-вида; ωj - количество кормов j-вида в условиях
влияния редкого совмещения природных событий; S – множество видов
культур; H – множество групп животных; J – множество видов кормов; Z –
множество природных событий; p – вероятность появления природного
события.
В целевой функции (3.34) учтено влияние потерь от совместных
 
событий на производство растениеводческой   csz( I ) p s  и
 sS zZ 
112
 
животноводческой   chz( I ) ph  продукции. При этом затраты на объемы
 hH zZ 
собственных кормов (пятое и шестое слагаемые) используются предприятием
для производства продукции животноводства, поэтому они являются
отрицательными.
В качестве ограничений использованы:
 ограниченность производственных ресурсов:
b
sS
is x s   bisz
(I ) p

sS zZ
 s   bih xh  Bi
hh
(3.35)
или  bis x s   bih xh  Bi   Biz( I ) p (i  I ),
sS hh zZ

где – расход i-го ресурса на единицу площади s-культуры; –


добавленный расход i-го ресурса на единицу площади за счет проявления
природного события z; bih – расход i-го ресурса на единицу поголовья h-вида
животных; i – вид ресурса; Bi и – ограничения по использованию
ресурсов с учетом влияния на них множества природных событий; I –
множество видов ресурсов;
 применение в животноводстве побочной продукции растениеводства:

sS
js x s   v (jszI ) ps  x j ( j  J ),
sS zZ
(3.36)

где – выход с единицы s-площади j-вида корма; – уменьшение


выхода корма с единицы площади под влиянием природного события;
 ограниченность размера отраслей:
 растениеводства:
 r   (1   s ) x s   r ( r  R), (3.37)
sS

где ̅ – минимальная (максимальная) площадь культур r-вида


(группы);  s – коэффициент, учитывающий площадь посевов семян для s-
культур; R – множество агротехнических групп культур;
 животноводства:
xh  hh xh (h, h  H ), (3.38)
где - коэффициент пропорциональности между поголовьем животных h и
их группами ;

113
 производство конечной продукции не менее заданного объема:
 растениеводства:
v
sS
q1s x s   v q(1Isz) ps  Vq1  Vq(1Iz ) p ( q1  Q1 ),
sS zZ zZ
(3.39)

 животноводства:
v
hH
q2 h xh   v q( 2Ihz
hH zZ
)p
h  Vq2  Vq(2Iz) p ( q2  Q2 ),
zZ
(3.40)

где и – выход продукции с единицы площади s-культуры и


поголовья h-вида животных; и – уменьшение выхода продукции с
единицы площади s-культуры и поголовья h-вида животных под влиянием
природного события; и – заданный объем производства продукции
растениеводства и животноводства; и – уменьшение объема
производства продукции растениеводства и животноводства под влиянием
природного события; q1 и q2 – вид товарной продукции; Q1 и Q2 – множества
товарной продукции растениеводства и животноводства;
 сочетание растениеводства и животноводства по элементам питания:

 a  x   a v
sS
ls s s
sS zZ
(I ) p
ls sz  s   alj x j   blh (l  L),
jJ hH
(3.41)

где als – содержание l-элемента питания в единице кормовой продукции,


полученной от s-культуры; – выход основных кормовых культур с
единицы площади s-кормовых культур; – уменьшение выхода основных
кормовых культур под влиянием природного события; alj - содержание l-
элемента питания в j-виде корма; blh - минимальная потребность в l-элементе
питания единицы поголовья h-вида животных; l (L) – элемент (множество
элементов) питания;
 неотрицательность переменных:
x s , x h , x j ,  s , h ,  j  0 . (3.42)
Смысл ограничений (3.35), (3.36), (3.38)-(3.41) можно
интерпретировать, как в задаче (3.3)-(3.11). При этом в модели (3.34)-(3.42)
рассматривается влияние не одного, а совместных событий (Z) на
производство сельскохозяйственной продукции.
Ситуация с редким совмещением дождевого паводка и весеннего
половодья рассмотрена на примере сельскохозяйственного предприятия
Иркутской области. Понятно, что моделирование с неопределенными
114
параметрами позволяет получать вероятностное распределение оптимальных
решений или определять некоторый набор результатов в виде усредненных и
экстремальных оценок.
Предложен частный случай задачи (3.34)-(3.42), где под влиянием
совместных природных событий возможно снижение ресурсного потенциала
предприятия. Здесь учитываются недополученные объемы продукции
растениеводства, элементы питания, дополнительные затраты на
произведенную продукцию (целевая функция). При этом допускается, что
экстремальные явления не оказывают влияния на производство продукции
животноводства. В этом случае критерий оптимальности и некоторые
ограничения запишутся так:
 c x   c
sS
s s
sS zZ
(I ) p
sz  s   ch xh   c j x j  min ,
hH jJ
(3.43)

b
sS
is x s   bih xh  Bi   Biz( I ) p (i  I ),
hh zZ
(3.44)


sS
js x s  x j ( j  J ), (3.45)

v
sS
(I ) p
q1s  s  Vq  Vq( Iz) p ( q1  Q1 ),
1
zZ
1
(3.46)

v
hH
q2 h x h  Vq2 ( q2  Q2 ), (3.47)

a 
sS
ls
(I ) p
s  s   a lj x j   blh (l  L).
jJ hH
(3.48)

Модель (3.37), (3.38), (3.42) и (3.43)-(3.48) реализована на реальном


сельскохозяйственном объекте Иркутской области ООО «Талинка». В
качестве редкого чередования событий использовались максимальные
расходы воды дождевого паводка и весеннего половодья, совмещение
которых в один год имеет наименьшую вероятность. В этой модели
учитывалось влияние редкого совмещения событий на правые части
ограничений.
Приведенная модель является продолжением развития моделей,
разработанных другими авторами [19, 30, 70].
Подобные задачи в условиях неопределенности можно свести к
линейным. Поскольку разработанные модели оптимизации производства
сельскохозяйственной продукции характеризуются множеством оптимальных
решений, связанных с вероятностями или верхними, нижними и

115
промежуточными оценками, для их определения эффективным является
метод статистических испытаний. При этом алгоритмы получения
оптимальных планов в условиях неполной информации можно разделить на
две группы. Согласно первой получают решения в виде распределений
вероятностей или оценок интервальных значений критерия оптимальности.
При реализации второй группы алгоритмов дополнительно определяется
рассеяние вероятностей и значений целевой функции.
В работе предложены алгоритмы моделирования производства
сельскохозяйственной продукции с учетом редкого совмещения природных
событий, описываемых определенным законом распределения вероятностей
[20].
Согласно первому алгоритму (рисунок 3.4) первоначально по
наименьшей вероятности суммы совместных событий ( ), выделяется редкое
совмещение событий. После этого методом Монте-Карло моделируются
значения z видов явлений различного происхождения по заданному закону
распределения вероятностей (ЗРВ).
На следующем этапе согласно рангу β фактического значения в
ранжированном ряду выделяется экстремум природного явления
( ) и соответствующие ему вероятности . Затем между ними
строится зависимость. На основании построенной связи параметров модели
от значения природного события (здесь
– параметры задачи оптимизации, изменяющиеся под влиянием
природного события z) определяются изменения значений параметров
модели, которые учитываются в ограничениях и целевой функции, и
решается задача математического программирования с учетом проявления
конкретного вида события.
В конечном итоге определяются затраты. Задача математического
программирования в таком случае решается для каждого природного явления
в отдельности, найденные ущербы суммируются и определяются
соответствующие им вероятности совместных событий . Потери при этом
получают в некотором диапазоне, зависящем от рассеяния .
Очевидно, что результаты моделирования во многом зависят от ранга β,
занимаемого в ранжированных рядах природными событиями редкого
совмещения, точность которого определяется объемами выборки.
116
Рисунок 3.4 - Алгоритм получения оптимальных планов производства
сельскохозяйственной продукции с учетом редкого совмещения
природных событий с использованием метода Монте-Карло
(на рисунке d zip – коэффициенты ущербов, причиненных множеством природных событий
Z производству продукции j; a zijp – коэффициенты в системе ограничений с учетом влияния
экстремальных явлений; bzip – правые части ограничений при условии уменьшения
ресурсного потенциала ввиду проявления природных событий)

117
При моделировании производства по условию превышения
фактического значения ( ( )), получают
рассеяние вероятности сумм совместных событий . Согласно второму
алгоритму задача оптимизации решается для Z природных событий. Другими
словами, по сути, определяются оптимальные решения z задач. Затем
вычисляется суммарный ущерб, соответствующий вероятности совместных
событий (рисунок 3.5).
В отличие от первого алгоритма здесь фактические максимальные
расходы воды являются неизменными, а вероятности характеризуются
рассеянием, оценка которых связана с числом экспериментов m и
продолжительностью выборок. Результаты решения задачи представляют
собой оптимальное значение целевой функции , соответствующие
вероятностям совмещения событий .
Предложенные алгоритмы определения оптимальных планов
производства сельскохозяйственной продукции с учетом совмещения
природных событий различного происхождения учитывают особенности
поставленных задач и изменчивость случайных, интервальных и
функциональных параметров моделей.
Каждый агроландшафтный район и сельскохозяйственная зона юга
Восточной Сибири характеризуется особенностями природных и
климатических условий. В зависимости от этого и технологических
процессов колеблются значения параметров моделей. Часть из них являются
случайными величинами с высоким рассеянием, другие – характеризуются
значимыми невысокими автокорреляционными связями, третьи – связаны с
факторами функционально, четвертые – могут быть определены верхними и
нижними оценками.
Согласно разностям оптимальных планов, полученных в благоприятных
и неблагоприятных условиях, урожайностям сельскохозяйственных культур,
ценам на произведенную продукцию и методике определения страховой
стоимости и размера утраты (гибели) урожая сельскохозяйственной культуры
и посадок многолетних насаждений, утраты (гибели) сельскохозяйственных
животных [119] можно оценить ущербы, страховую стоимость продукции и
сумму страховых возмещений, которые позволят лицу принимающему
решение на предприятии определить суммы страховых премий или

118
мероприятия по созданию резервного фонда в виде денежных средств и
запасов продукции.

Рисунок 3.5 - Алгоритм определения оптимальных планов производства


сельскохозяйственной продукции с учетом редкого совмещения природных
событий на основе определения вероятности его проявления методом
статистических испытаний по заданному закону распределения
согласно условию ( ( ))
(на рисунке d zip – коэффициенты ущербов, причиненных множеством природных событий
Z производству продукции j; a zijp – коэффициенты в системе ограничений с учетом
влияния экстремальных явлений; bzip – правые части ограничений при условии
уменьшения ресурсного потенциала ввиду проявления природных событий)

119
Для оптимизации получения сельскохозяйственной продукции при
формировании редкого совмещения природных событий, причиняющего
частичный ущерб предприятию агропромышленного комплекса,
предлагаются следующие модели:
1) с расчетной вероятностью и усредненными производственно-
экономическими параметрами;
2) с расчетной вероятностью и неопределенными производственно-
экономическими параметрами.
Приведенные задачи и алгоритмы их решения применимы для каждого
события, представляющего собой случайную величину, которой
соответствует некоторая вероятность непревышения. Другими словами,
модель оптимизации производства продовольственной продукции можно
разделить на несколько моделей в зависимости от количества событий, для
которых определяется множество оптимальных решений.
Модели с редким совмещением гидрологических событий и их
реализация с использованием алгоритмов (рисунок 3.4 и 3.5) для
оптимизации производства сельскохозяйственной продукции реализованы на
реальном объекте агропромышленного комплекса региона. Рассмотрена
ситуация, когда за высоким весенним половодьем следует высокий дождевой
паводок.
Для предприятия ООО «Талинка» решена задача оптимизации
производства с учетом редкого совмещения максимальных расходов воды
Qmax , имевшего место на р. Бирюсе в 1988 г. (таблица 3.3). В приведенном
случае для совместных событий согласно первому алгоритму вероятность
совмещения гидрологических событий составляет 0,0748 с рассеянием для
уровней значимости 0,05 и 0,95 соответствующим 0,0171 и 0,0918. При этом
суммарный ущерб при усредненной урожайности сельскохозяйственных
культур изменялся в пределах 7,975-18,986, а при высокой - 7,706-
18,624 млн. руб.
По второму алгоритму с вероятностью совместных событий 0,0824
получено два оптимальных плана при усредненной и высокой урожайности.
Значения целевых функций при этом составили 13,454 и 12,430 млн. руб.
(приложение Г).

120
Таблица 3.3 - Результаты решения задачи математического программирования для
ООО «Талинка» с учетом редкого совмещения весеннего половодья и дождевого
паводка на р. Бирюсе (Бирюсинск) по первому и второму алгоритму
Алгоритм Первый Второй
Весеннее Дождевой Весеннее Дождевой
Явление
половодье паводок половодье паводок
Qmax, м3/с 2690 3490 2690 3490
Q0,95, м3/с 2550 3140 - -
Q0,05, м3/с 3350 4880 - -
σQ, м3 /с 242 523 - -
p 0,0473 0,0289 0,0509 0,0296
p0,05 0,00916 0,00402 0,0458 0,0272
p0,95 0,0590 0,0517 0,0828 0,0512
0,0748 0,0824
0,0171 0,0736
0,0918 0,120
*(1) Ущерб, млн. руб. 7,975-18,986 13,454
**(2) Ущерб, млн. руб. 7,706-18,624 12,430
*(1) Усредненные величины урожайности сельскохозяйственных культур
**(2) Высокая урожайность зерновых культур

Сравнение полученных оптимальных планов в благоприятных условиях


и при влиянии редкого совмещения гидрологических событий при
однотипной структуре производства сочетания отраслей хозяйство понесет
убытки в размере 102% при высокой и 129,4% при средней урожайности
зерновых культур. При этом структура производства изменилась следующим
образом: сократились площади зерновых культур на 41%, многолетних трав
на сено и зеленый корм - на 36%, однолетних трав - на 73%, соломы - на 46%,
выход продукции животноводства - на 80%. К этому добавим, что расчетные
страховые выплаты соответствуют 9,863 и 9,150 млн. руб. при средней и
высокой урожайности зерновых культур с учетом методики [119] и
полученных оптимальных планов.

121
3.4 Оценка техногенных рисков с использованием
оптимизационных моделей

В задачах планирования аграрного производства учитывалась связь


производственно-экономических параметров с техногенными событиями [74,
81]. В общем случае влияние экстремальных явлений, вызванных
антропогенной деятельностью человека в зависимости от происхождения,
имеет различные последствия. При воздействии техногенных событий на
сельскохозяйственное производство следует выделить: загрязнение почвы как
результат переноса вредных веществ и их оседания; воздействие на
плодородие минеральных удобрений и пестицидов; разрушение почвы при
авариях (разлив нефтепродуктов, отравляющих веществ) и др. Очевидно, что
последствия техногенних аварий не всегда можно описать с помощью
законов распределения. Поэтому в моделях планирования производства
значения техногенных событий могут быть оценены как с помощью
интервальных оценок, так и случайными параметрами. С природними и
техногенними событиями связаны риски, которые представляют собой
последствие наступления неблагоприятных событий, как правило,
оцениваемое вероятностью [112, 113].
Исходная задача оптимизации производства продовольственной
продукции с учетом влияния техногенных событий
Из моделей оптимизации производства сельскохозяйственной
продукции, приведенных в разделе 3.1, рассмотрим случай влияния на
производство техногенного события с интервальными параметрами. При
непредсказуемости изменения себестоимости продукции ее можно оценивать
верхними и нижними значениями. Кроме того, в некоторых пределах может
изменяться расход i-го ресурса на единицу площади s-культуры и единицу
поголовья h-вида животных; ресурсный потенциал хозяйства (например,
часть площадей может выходить из оборота, деградировать); выход кормов с
единицы площади, урожайность сельскохозяйственных культур и объемы их
производства. В этом случае целевая функция математической модели
сочетания отраслей растениеводства и животноводства в виде минимума
затрат примет вид:

122
~ ( II )  c x  с~ ( II )   c x  с~ ( II )   min
 c x
s s   с s s  h h h h h  j j  j j  , (3.49)
sS sS hH H  jJ jJ 
где cs, ̃ - себестоимость и затраты единицы продукции s-культуры (s  S ) ,
связанные с влиянием техногенного события; ch, ̃ - себестоимость и
затраты единицы h-вида животных (hH) ввиду проявления техногенного
события; cj, ̃ - себестоимость и затраты единицы j-вида корма (jJ) при
воздействии техногенного события; xs, xh и xj - искомые переменные, площадь
s-культуры, поголовье h-вида скота, количество кормов j-вида; S – множество
видов культур; ωs, ωh и ωj - искомые переменные, площадь s-культуры,
поголовье h-вида скота, количество кормов j-вида с учетом проявления
техногенного события; S – множество видов культур; H – множество групп
животных; J – множество видов кормов. Параметры ̃ , ̃ и̃ являются
интервальными, оцениваемыми верхними и нижними значениями:
̃ ̃ ̃ ,̃ ̃ ̃ ,̃ ̃ ̃ .
Целевая функция (3.49) соответствует выражению (3.20) с той лишь
разницей, что в первом случае на производство сельскохозяйственной
продукции влияют техногенные события, а во втором - природные. При этом
смысл составляющих критерия оптимальности (3.49) аналогичен целевой
функции (3.20).
По аналогии с ограничениями задачи (3.20)-(3.28) построены условия с
учетом влияния техногенного события. В качестве критерия оптимальности
можно использовать преобразованную функцию (3.49), в которую входят
затраты, соответствующие потере продукции:
 с~s( II )s   с~h( II )h   с~j( II ) j  min .
sS hH jJ
(3.50)

В этой задаче затраты и параметры ограничений, связанные с


производственными ресурсами, получением побочной продукции,
производством конечной продукции, сочетанием растениеводства и
животноводства по элементам питания, представляют собой интервальные
оценки. При этом рассматриваются различные ситуации возможного
получения продукции на землях, подверженных влиянию техногенных
событий. Очевидно, что частичное использование сельскохозяйственных

123
угодий в конечном итоге скажется на себестоимости продукции благодаря
потерям.
Ограничения по получению продукции на сельскохозяйственных
угодьях, подверженных влиянию техногенного события, которая может быть
потеряна, включают в себя следующие неравенства.
Во-первых, производственные ресурсы расходуются на получение
растениеводческой и животноводческой продукции:
~ ( II ) ~ ( II ) ~ ( II )
 is s  ih h i (i  I ),
b
sS
  b   B
hh
(3.51)

где ̃ – расход i-го ресурса на единицу площади s-культуры ввиду


проявления техногенного события, изменяющийся в пределах
̃ ̃ ̃ ; ̃ –расход i-го ресурса на единицу поголовья h-вида
животных как результат проявления техногенного события, находящийся в

интервале ̃ ̃ ̃ ; ̃ – потери i-го ресурса под воздействием

техногенного события, расположенные в интервале ̃ ̃ ̃ ;


i – вид ресурса; I – множество видов ресурсов.
Во-вторых, применение в животноводстве побочной продукции
растениеводства должно быть не менее заданного объема:
~
 v~
sS
( II )'
js s  V j( II ) ( j  J ), (3.52)

где ̃ – выход с единицы s-площади j-вида корма, варьирующий в пределах

̃ ̃ ̃ ; ̃ - потери количества кормов j-вида вследствие


влияния техногенного возмущения, изменяющиеся в интервалах
̃ ̃ ̃ .
В-третьих, ограниченность размера отраслей имеет вид:
 растениеводства:
 r( II )   (1   s )s  r( II ) ( r  R), (3.53)
sS

где – минимальная (максимальная) площадь r-группы культур,


подверженная воздействию техногенного события; αs – коэффициент,
учитывающий площадь посевов семян для s-культур; R – множество
агротехнических групп культур;
124
 животноводства:
h  hhh (h, h  H ), (3.54)
где λhh' – коэффициент пропорциональности между поголовьем животных h и
их группами h'.
В-четвертых, необходимо ограничивать производство конечной
продукции заданными объемами:
 растениеводства:
 ~y
~
q1s s  Yq(1II ) ( q1  Q1 ), (3.55)
sS

где q – вид товарной продукции; ̃ – выход продукции с единицы площади


s-культуры, изменяющийся в пределах ̃ ̃ ̃ ; ̃ - объем, на
который уменьшается производство продукции под воздействием
техногенного события, оцениваемый верхними и нижними значениями
̃ ̃ ̃ ; Q1 – множество товарной продукции растениеводства;
 животноводства:
y
hH
q2 h h  Yq (q2  Q2 ),
2
(3.56)

где yqh – выход продукции с единицы поголовья h-вида животных;


- заданный объем производства продукции животноводства; Q2 –
множество товарной продукции животноводства.
В-пятых, сочетание растениеводства и животноводства характеризуется
балансом элементов питания:

 a ~
sS
ls s
( II )
 s   alj  j   blh (l  L),
jJ hH
(3.57)

где als - содержание l-элемента питания в единице кормовой продукции,


полученной от s-культуры; ̃ – выход основных кормовых культур с
единицы площади, подверженной влиянию техногенного события,
расположенный в интервале ̃ ̃ ̃ ; alj - содержание l-элемента
питания в j-виде корма; blh - минимальная потребность в l-элементе питания
единицы поголовья h-вида животных; l (L) – элемент (множество элементов)
питания.

125
При этом переменные модели являются неотрицательными:

s , h ,  j  0 . (3.58)
Задачу (3.50)-(3.58) можно решить для нескольких ситуаций. В работе
рассмотрены следующие из них: 1) интервальные параметры моделируют
случайным образом за исключением себестоимости, которая зависит от
урожайности сельскохозяйственных культур; 2) интервальные параметры
моделируют случайным образом за исключением себестоимости, связанной с
площадью сельскохозяйственных угодий; 3) интервальные параметры
моделируют случайным образом за исключением себестоимости, которая
зависит от площади сельскохозяйственных угодий и урожайности;
4) интервальные параметры моделируют случайным образом, при этом
получают множество решений с учетом изменения параметров в заданных
интервалах.
Решение задачи (3.50)-(3.58) и его сравнение с оптимальным планом,
полученным в благоприятных условиях, позволяет оценить техногенные
риски и определить расчетные страховые возмещения.
Модель с критерием оптимальности в виде зависимости
себестоимости от урожайности
По данным одиннадцати муниципальных районов Иркутской области с
развитым сельскохозяйственным производством в работе определены
зависимости себестоимости от урожайности зерновых культур, исходя из
предположения наличия нижнего предельного значения для себестоимости
cmin. Для оценки этого параметра использованы функции гиперболического
вида:
cmin
c , (3.59)
1 y   0
c min
c , (3.60)
 1 ln y   0
где y – урожайность зерновых культур, α0 и α1 – коэффициенты выражений.
Точность предложенных формул (3.59) и (3.60) соответствует
коэффициентам детерминации около 0,5 и 0,56. При этом выражения
значимы согласно критерию Фишера при уровнях значимости 0,25 и 0,15.
Другими словами, формулы (3.59) и (3.60) можно использовать для оценки
себестоимости с некоторым приближением.
126
По аналогии полученные выражения применены для оценки
себестоимости других сельскохозяйственных культур: однолетних трав на
сенаж, многолетних трав на сено и зеленый корм. Для каждой
сельскохозяйственной культуры определены минимальные значения
себестоимости в виде средних минимальных значений согласно данным
различных муниципальных образований.
С учетом выражения (3.59) и (3.60) критерий оптимальности (3.50)
запишется в следующей редакции:
cs cj

sS
min

1s y s   0 s
s   ñ~h( II )h  
hH
min

jJ 1 j y j   0 j
 j  min, (3.61)

cs cj

s S 1s
min

ln ys   0 s
s   ñ~h( II )h  
hH jJ
min

1 j ln ys   0 j
 j  min, (3.62)

где ys и yj – урожайность товарных и кормовых сельскохозяйственных


культур вида s и j.
При решении задачи (3.51)-(3.58), (3.62) интервальные параметры
(урожайность сельскохозяйственных культур, площади угодий)
моделировались с помощью метода Монте-Карло в пределах верхних и
нижних оценок, а затраты определялась по формуле (3.59). Предельные
значения интервальных оценок связаны с особенностями техногенных
событий, уменьшающих возможности производства сельскохозяйственной
продукции за счет сокращения возделываемых площадей и
биопродуктивности культур. Очевидно, что от масштаба техногенного
события зависит значение ущерба. По аналогии с влиянием природных
рассматривается воздействие на производственно-экономические параметры
техногенных событий. Согласно анализу влияния на сельскохозяйственные
угодья выбросов вредных химических веществ и их оседания уменьшение
возделываемых площадей и урожайности сельскохозяйственных культур
может достигать 40-50%.
Задача оптимизации сочетания отраслей в виде (3.51)-(3.58), (3.62)
решена для ООО «Талинка» Тайшетского района Иркутской области.
Получено множество оптимальных решений, из которых выбраны
минимальное и максимальное значения целевой функции и ,
составившие 1,246 и 6,718 млн. руб., и им соответствующие оптимальные
планы (приложение Д). При этом расчетные страховые выплаты

127
соответствуют 2,245 млн. руб. для ситуации с наибольшим ущербом с учетом
методики [119] и полученных оптимальных планов.
В случае использования гиперболической зависимости (3.59) теснота
связи между себестоимостью и урожайностью сельскохозяйственных культур
характеризуется меньшим значением коэффициента детерминации, чем для
ситуации (3.60). При этом во втором случае колебание полученных
оптимальных решений описывается коэффициентами вариации,
колеблющемся в пределах 0,38-0,51.
Очевидно, что число получаемых решений m в результате реализации
модели влияет на рассеяние искомых значений и целевой функции. Поэтому
при моделировании использовалось следующее число экспериментов m = 30,
50, 100 с многократной повторяемостью. Устойчивость решения достигнута
при m = 50.
При решении задачи (3.51)-(3.58), (3.61) величины целевой функции
отличаются от первой задачи: наименьшее значение ущерба составило 1,256,
а наибольшее – 6,631 млн. руб. При этом коэффициенты вариации
полученных планов производства колеблются от 0,47 до 0,50. Наибольшее
значение Cv имеет место для товарных зерновых. Полученные площади под
товарными и кормовыми зерновыми культурами колеблются в пределах:
52-262 и 2-11 га.
Исходя из реализации первой и второй моделей, можно сделать вывод,
что результаты моделирования второй ситуации являются более
устойчивыми. Это связано с тем, что зависимость (3.60) обладает большей
точностью по сравнению с выражением (3.59). Другими словами, для
оптимизации производства сельскохозяйственной продукции в условиях
влияния техногенных загрязнений рекомендуется использование задачи
(3.51)-(3.58), (3.62). Первая модель может быть применена для упрощенных
расчетов.
Модель с целевой функцией в виде зависимости себестоимости от
сокращения сельскохозяйственных угодий
Помимо приведенных задач рассмотрена вторая ситуация – влияние на
себестоимость продукции деградации посевов в виде уменьшения площадей.
Алгоритм решения состоит из следующих операций: 1) определяются
интервалы колебаний деградированных площадей зерновых и пастбищ и
урожайности различных сельскохозяйственных культур; 2) с помощью
128
метода Монте-Карло моделируются перечисленные параметры;
3) рассчитываются дополнительные затраты в зависимости от
смоделированных деградированных площадей; 4) для полученных
параметров решается задача математического программирования;
5) предыдущие операции повторяются многократно (m раз); 6) из множества
оптимальных планов выбираются экстремальные значения и .
При решении задачи предполагается, что дополнительные затраты,
увеличивающие себестоимость производства продукции в условиях
техногенных событий, линейно зависят от деградированных площадей:
~ ( II )  k  d  c ,
c (3.63)
1 s min

где - деградированные площади сельскохозяйственных культур, k1 –


коэффициент скорости роста, изменяющийся в пределах . Другими
словами, скорость изменения функции (3.63) ниже скорости изменения
аргумента. В работе .
На величину потерянных площадей влияет удаленность от
урбанизированных территорий. Потери могут соответствовать 10-50% от
общей площади сельскохозяйственных угодий.
Результатом решения задачи (3.50)-(3.58), (3.63) являются различные
значения целевой функции, размеры площадей и объемы производства,
которые им соответствуют в зависимости от влияния техногенных
возмущений.
Согласно полученным значениям определялось m оптимальных планов
задачи. Эксперименты показали, что при m = 50 экстремальные значения
критерия оптимальности по сравнению с аналогами, соответствующими
большим числам экспериментов, отличаются в пределах 1%.
Реализация модели для ООО «Талинка» позволила получить минимум и
максимум целевой функции – 0,740 и 3,770 млн. руб., которым соответствуют
оптимальные планы, приведенные в приложении Е. При этом расчетные
страховые выплаты в ситуации с наибольшим ущербом составили 2,2480 млн. руб.
Модель с критерием оптимальности в виде зависимости
себестоимости от изменчивости урожайности и сельскохозяйственных
угодий
Кроме предложенных моделей, в которых себестоимость зависела от
биопродуктивности (3.59)-(3.60) и площадей сельскохозяйственных угодий

129
(3.63), в работе рассмотрена третья ситуация, когда дополнительные затраты
линейно зависит от этих двух параметров:
~ ( II )  k  d   y  c ,
c (3.64)
1 s s s min

где k1, ρs – коэффициенты уменьшения площади и урожайности в результате


деградации; k1 = 0,8, ρs = 1.
Для этого случая осуществлялась следующая последовательность
операций по определению искомых неизвестных: 1) методом статистических
испытаний смоделированы площади сельскохозяйственных культур и
урожайности, для которых определены нижние и верхние оценки; 2) с
помощью формулы (3.64) рассчитывается себестоимость в зависимости от
смоделированных значений угодий и урожайностей сельскохозяйственных
культур; 3) с учетом полученных параметров решается задача
математического программирования; 4) предыдущие операции повторяются
m раз; 5) из множеств оптимальных планов выбираются экстремальные
значения и и соответствующие им решения.
В результате получены минимальные и максимальные значения целевой
функции, соответствующие 0,206 и 3,129 млн. руб. В последнем случае
расчетные страховые выплаты соответствуют 1,997 млн. руб. При этом для
моделирования решений достаточен объем рассматриваемых ситуаций
m = 50. Некоторые полученные оптимальные планы, приведены в
приложении Ж.
Модель с независимыми интервальными параметрами
К сожалению, не всегда удается определить зависимость себестоимости
от урожайности и деградированных площадей. В большинстве случаев
параметры модели в целевой функции и ограничениях являются
независимыми. Поэтому с помощью метода Монте-Карло определялись
значения каждого интервального параметра, которые затем подставлялись в
задачу математического программирования для получения оптимальных
решений. Такой подход адекватен реальным ситуациям, поскольку параметры
модели в действительности изменяются непредсказуемо и не всегда связаны
между собой.
Таким образом, для четвертой задачи с интервальными параметрами, не
зависящими друг от друга, получены следующие результаты по данным
предприятия ООО «Талинка»: минимальное значение критерия

130
оптимальности равно 0,303, а максимальное – 3,045 млн. руб. При этом
согласно методике [119] страховые возмещения в ситуации с наибольшим
значением ущерба составят 1,762 млн. руб. Эти решения определены при
m = 50. Некоторые результаты моделирования приведены в приложении З.
В работе рассмотрены модели оптимизации производства сочетания
отраслей с интервальными параметрами, учитывающими влияние
техногенных событий на деградацию сельскохозяйственных площадей,
уменьшение валовой продукции и увеличение себестоимости.
Сравнение результатов моделирования на основе предложенных моделей
с зависимыми и независимыми параметрами показывает, что в первом случае
наиболее устойчивое решение получено, если себестоимость связана с
урожайностью зависимостью (3.60). Большое расхождение между
экстремумами целевой функции имеет место для зависимости (3.64), когда на
ущербы влияют как сокращение сельскохозяйственных угодий в результате
деградации земель, так и уменьшение урожайности. Наиболее
распространенной ситуацией является непредсказуемость колебания
интервальных параметров, что приводит к увеличению затрат более чем
на 30%.
Использование той или иной предложенной модели соответствует
свойствам параметров и связям между ними.
Полученные диапазоны решений в приведенных моделях позволяют
выделить варианты для улучшения управления сельскохозяйственным
предприятием за счет оценки природных рисков и сумм страховых
возмещений.

3.5 Моделирование рисков в условиях совмещения


техногенных и природных событий

В работах [74, 76, 78] предложены модели оптимизации сочетания


отраслей растениеводства и животноводства в условиях проявления редких
природных событий. Кроме того, в работе предложены модели планирования
производства сельскохозяйственной продукции в условиях проявления
техногенных событий. На основе первой и второй групп моделей можно

131
рассматривать различные ситуации оптимизации производства
продовольственной продукции с учетом редких природных событий и
техногенных воздействий: 1) влияние техногенного события; 2) влияние
техногенного события и редкого природного явления; 3) влияние
техногенного возмущения и редкого совмещения природных событий;
4) влияние редкого совмещения техногенных событий; 5) влияние редкого
совмещения природных и техногенных событий. Такие модели позволяют
оценить техногенные и природные риски предприятий агропромышленного
комплекса.
В продолжение исследований по определению адекватных моделей
планирования производства предлагается модель в условиях проявления
техногенных и природных событий [115].
В общем виде задачу математического программирования с
неизвестными, характеризующими земельные ресурсы, объемы производства
продовольственной продукции, связанные с воздействием на их значение
техногенных и природных событий ( ), можно записать по
аналогии с задачей (3.50)-(3.58). В дополнение к этой модели вводятся
слагаемые целевой функции и ограничений, описывающие влияние на
производство продукции природных событий. При этом смысл критерия
оптимальности и условий модели принципиально не меняется.
В такой задаче математического программирования с интервальными
параметрами целевая функция характеризуется минимальным значением
затрат:
 с~
sS zZ
(I )
sz  s    с~sw( II ) s   с~hz( I ) h    с~hw
sS wW hH zZ hH wW
( II )
h 

  с~ jz( I ) j    с~ jw( II )  j  min,


(3.65)
jJ zZ jJ wW

где ̃ ̃ ̃ - затраты на производство единицы продукции s-культуры,


h-вида животных и j-вида корма, связанные с влиянием природного события z;
̃ ̃ ̃ - затраты на производство единицы продукции s-культуры,
h-вида животных и j-вида корма, связанные с влиянием техногенного события
w; - искомые переменные, площадь s-культуры, поголовье h-вида
скота, количество кормов j-вида; S – множество видов культур; Z – множество
редких природных событий; W – множество техногенных возмущений; H –

132
множество групп животных; J – множество видов кормов. Параметры
̃ ̃ ̃ ̃ ̃ ̃ предлагается описывать в виде интервальных

оценок с верхними и нижними значениями: ̃ ̃ ̃ , ̃ ̃ ̃ ,

̃ ̃ ̃ , ̃ ̃ ̃ , ̃ ̃ ̃ , ̃ ̃ ̃ .
Ограничения по производственным ресурсам характеризуют их
возможные распределения на территориях, подверженных влиянию
природных и техногенных событий, для производства растениеводческой и
животноводческой продукции:
~ (I ) ~ ~ ~ ( II ) ~ ~
 b
sS zZ
isz  s    bisw( II ) s   bihz( I )h    bihw
sS wW hH zZ
h  Bi( I )  Bi( II ) (i  I ), (3.66)
hH wW

где ̃ ̃ ̃ ̃ – расходы i-го ресурса на единицу площади s-


культуры и единицу поголовья h-вида животных ввиду проявления
природного события z и техногенного воздействия w, изменяющиеся в

пределах ̃ ̃ ̃ ̃ ̃ ̃ ̃ ̃ ̃

̃ ̃ ̃ ̃ ̃ – потери i-го ресурса от природного события и

техногенного явления, расположенные в интервале ̃ ̃ ̃ и

̃ ̃ ̃ ; I – множество видов ресурсов.


Применение в животноводстве побочной продукции растениеводства на
площадях с пагубным влиянием природных и техногенных явлений
определяются неравенством
~ ~
 v~
sS zZ
(I )
jsz  s    v~jsw
( II )
 s  V j( I )  V j( II ) ( j  J ),
sS wW
(3.67)

где ̃ ̃ – выход с единицы s-площади j-вида корма, уменьшенный под

влиянием событий z и w, варьирует в пределах ̃ ̃ ̃ и

̃ ̃ ̃ ; ̃ ̃ - потери количества кормов j-вида вследствие


влияния природного события и техногенного возмущения, изменяющиеся в

интервалах ̃ ̃ ̃ и ̃ ̃ ̃ .

133
Ограничения по размерам отраслей имеют вид:
 растениеводство:
 r( I )   (1   sr ) s  r( I ) (r  R), (3.68)
sS

 r( II )   (1   sr ) s  r( II ) (r  R), (3.69)


sS

где – минимальная (максимальная) площадь r-группы культур,


подверженная влиянию природного события; – минимальная
(максимальная) площадь r-группы культур, подверженная воздействию
техногенного события; αsr – коэффициент, учитывающий площадь посевов
семян для s-культур; R – множество агротехнических групп культур;
 животноводство:
h  hhh (h, h  H ), (3.70)
где λhh'– коэффициент пропорциональности между поголовьем животных h и
их группами h'.
Производства конечной продукции не менее заданного объема
записывается в виде следующих неравенств:
 растениеводство:
~ ~
 ~y
sS
q1s s  Yq( I )  Yq( II ) (q1  Q1 ),
1 1 (3.71)

где q – вид товарной продукции; ̃ – выход продукции с единицы площади


s-культуры, изменяющийся в пределах ̃ ̃ ̃ ; ̃ и
̃ - объемы, на которые уменьшается производство продукции под
воздействием природного события и техногенного явления, оцениваемые

верхними и нижними значениями ̃ ̃ ̃ и ̃ ̃ ̃ ;


Q1 – множество товарной продукции;
 животноводство:
y
hH
q2 h h  Yq (q2  Q2 ),
2
(3.72)

где – выход продукции с единицы поголовья h-вида животных;


Q2 – множество товарной продукции.

134
Для сочетания растениеводства и животноводства по элементам
питания ограничения имеют вид
 a ~
sS zZ
(I )
ls sz s    als~sw( II )s   alj j   blh (l  L),
sS wW jJ hH
(3.73)

где als – содержание l-элемента питания в единице кормовой продукции,


полученной от s-культуры; ̃ ̃ – выход основных кормовых культур с
единицы площади, подверженной влиянию природного события z и
техногенного возмущения, расположенный в интервале ̃ ̃ ̃ и

̃ ̃ ̃ ; alj - содержание l-элемента питания в j-виде корма;


blh - минимальная потребность в l-элементе питания единицы поголовья
h-вида животных; l (L) – элемент (множество элементов) питания.
Очевидно, что искомые переменные являются неотрицательными:
 s ,  h ,  j  0. (3.74)
Модель оптимизации производства продовольственной продукции в
условиях проявления техногенных и редких природных событий с
интервальными параметрами можно рассматривать, как частный случай
модели оптимизации производственных процессов с учетом совмещения
природных и техногенных событий.
По аналогии с задачей (3.65)-(3.74) приведем общую модель
оптимизации производства продовольственной продукции с учетом влияния
совмещения природных и техногенных событий со стохастическими
параметрами.
Целевая функция предполагает минимизацию затрат на
сельскохозяйственных угодьях, подверженных влиянию техногенных и
природных событий:
 с
sS zZ
(I ) p
sz s    сsw
( II ) p

sS wW
s   сhz( I ) ph    сhw
hH zZ
( II ) p
h 
hH wW

  с (jzI ) p j    с (jwII ) p j  min,


(3.75)
jJ zZ jJ wW

где - себестоимости единицы продукции s-культуры, h-вида


животных и j-вида корма, связанные с влиянием природного события z,
соответствующего вероятности p; - себестоимости
единицы продукции s-культуры, h-вида животных и j-вида корма, связанные с

135
влиянием случайного техногенного воздействия w с вероятностью p; ωs, ωh и
ωj - искомые переменные, площадь s-культуры, поголовье h-вида скота,
количество кормов j-вида; S – множество видов культур; Z – множество
редких природных событий; W – множество техногенных воздействий; H –
множество групп животных; J – множество видов кормов.
Условия задачи определены в виде:
 ограниченности производственных ресурсов:
 b
sS zZ
(I ) p
isz s    bisw
( II ) p

sS wW
s   bihz
(I ) p
h 
hH zZ

  b
(3.76)
( II ) p
ihw h  Bi
(I ) p
 Bi( II ) p (i  I ),
hH wW

где – расходы i-го ресурса на единицу площади s-


культуры и единицу поголовья h-вида животных ввиду проявления
природного события z и техногенного влияния w,связанные с вероятностью p;
– потери i-го ресурса от природного события и техногенного
воздействия, соответствующие вероятности p; I – множество видов ресурсов;
 применения в животноводстве побочной продукции растениеводства:
 v
sS zZ
(I ) p
jsz s    v (jsw
II ) p

sS wW
s  V j( I ) p  V j( II ) p ( j  J ), (3.77)

где – выход с единицы s-площади j-вида корма, уменьшенный


под влиянием событий z и w, связанных с вероятностью p;
- потери количества кормов j-вида вследствие влияния
природного события и техногенного последствия, соответствующие
вероятности p;
 ограниченности размера отраслей:
 растениеводства:
 r( I ) p   (1   sr ) sr  r( I ) p ,  r( II ) p   (1   sr ) sr  r( II ) p (r  R), (3.78)
sS sS

где – минимальная (максимальная) площадь r-группы культур,


подверженная влиянию природного события, связанная с вероятностью p;
– минимальная (максимальная) площадь r-группы культур,
подверженная техногенному воздействию, соответствующая вероятности p;
αsr – коэффициент, учитывающий площадь посевов семян для s-культур;
R – множество агротехнических групп культур;

136
 животноводства:
 h  hh h (h, h  H ), (3.79)
где λhh' – коэффициент пропорциональности между поголовьем животных h и
их группами h';
 производства конечной продукции не ниже заданного объема:
 растениеводства:
 y
sS zZ
(I ) p
q1sz  s    y q( IIsw) p s  Yq( I ) p  Yq( II ) p (q1  Q1 ),
sS wW
1 1 1
(3.80)

где q1 – вид растениеводческой товарной продукции; –


уменьшение выхода продукции с единицы площади s-культуры под
воздействием природного события z и техногенного явления w,
соответствующее вероятности p; - объемы, на которые
уменьшается производство растениеводческой продукции под влиянием
природного события и техногенного воздействия, связанные с
вероятностью p; Q1 – множество товарной продукции растениеводства;
 животноводства:
 y
hH zZ
(I ) p
q2 hz h    yq( IIhw) ph  Yq( I ) p  Yq( II ) p (q2  Q2 ),
hH wW
2 2 2
(3.81)

где q2 – вид животноводческой товарной продукции; –


уменьшение выхода продукции с единицы поголовья h-вида животных под
воздействием природного события z и техногенного возмущения w,
соответствующие вероятности p; - объемы, на которые
уменьшается производство животноводческой продукции в результате
проявления природного события и техногенного явления, связанные с
вероятностью p; Q2 – множество товарной продукции животноводства;
 сочетания растениеводства и животноводства по элементам питания:

 a 
sS zZ
(I ) p
ls sz s    als sw
sS wW
( II ) p
s   alj j   blh (l  L),
jJ hH
(3.82)

где als – содержание l-элемента питания в единице кормовой продукции,


полученной от s-культуры; – выход основных кормовых культур
с единицы площади, подверженной влиянию природного события z и
техногенного возмущения, соответствующий вероятности p; alj - содержание
l-элемента питания в j-виде корма; blh - минимальная потребность в

137
l-элементе питания единицы поголовья h-вида животных; l (L) – элемент
(множество элементов) питания;
 неотрицательности переменных:
s , h ,  j  0. (3.83)
Решением задачи (3.75)-(3.83) является распределение целевой
функции, значениям которой соответствуют оптимальные планы. Для этого
можно использовать несколько модифицированные алгоритмы решения
подобных задач математического программирования, показанные на
рисунках 3.4 и 3.5.
Из модели (3.75)-(3.83) можно получить частные случаи
оптимизации производства продовольственной продукции при условии, что
параметры являются случайными и подчиняются определенным законам
распределения вероятностей: 1) модель с учетом редкого природного
явления; 2) модель в условиях влияния редкого совмещения природных
событий; 3) модель, учитывающая воздействие техногенных возмущений;
4) модель с оценкой влияния редкого природного события и техногенных
возмущений.
В частности, целевая функция и ограничения в модели оптимизации
производства сельскохозяйственной продукции с учетом влияния природных
событий со случайными параметрами примет вид:
 критерий оптимальности минимизации затрат:

 с
sS zZ
(I ) p
sz  s   сhz( I ) ph   с (jzI ) p j  min ,
hH zZ jJ zZ
(3.84)

 ограничение производственных ресурсов:


 b
sS zZ
(I ) p
isz s   bihz
(I ) p

hH zZ
h  Bi( I ) p (i  I ), (3.85)

 ограничение применения в животноводстве побочной продукции


растениеводства:
 vsS zZ
(I ) p
jsz s   V j( I ) p ( j  J ), (3.86)

 ограниченность размера отраслей:


 растениеводства:
 r( I ) p   (1   sr )sr  r( I ) p (r  R), (3.87)
sS

138
 животноводства:
h  hhh (h, h  H ), (3.88)
 производство конечной продукции не меньше заданного объема:
 растениеводства:
 y
sS zZ
(I ) p
q1sz  s  Yq( I ) p (q1  Q1 ),
1
(3.89)

 животноводства:
 y
hH zZ
(I ) p
q2 hz h  Yq( I ) p (q2  Q2 ),
2
(3.90)

 сочетание растениеводства и животноводства по элементам питания:


 a 
sS zZ
(I ) p
ls sz s   alj j   blh (l  L),
jJ hH
(3.91)

 неотрицательность переменных:
s , h ,  j  0. (3.92)
В предложенной модели (3.75)-(3.83) использованы природные,
техногенные и производственно-экономические параметры, представляющие
собой случайные величины. Между тем не всегда они являются
вероятностными. Часть из них ввиду незначительных колебаний можно
принимать в качестве постоянных значений, другую со значительным
рассеянием - как интервальные параметры, третью - в виде аналитических
выражений, а четвертую - случайными величинами. Очевидно, что при
сочетании параметров с различными свойствами модель значительно
усложняется.
Решением задачи (3.75)-(3.83) является распределение вероятностей
целевой функции (3.64). При этом каждому значению критерия
оптимальности соответствует оптимальный план с некоторой вероятностью ,
которая определяется по правилу сложения частных вероятностей. Алгоритм
решения задачи выглядит следующим образом: 1) методом Монте-Карло
моделируются вероятности случайных параметров модели; 2) по заданным
законам распределения вероятностных величин определяются квантили
параметров; 3) на основе полученных значений параметров, соответствующих
некоторой вероятности, строится задача математического программирования;
4) с помощью методов математического программирования находится
оптимальный план, соответствующий вероятности совмещения частных

139
значений; 5) перечисленные операции повторяются многократно; 6) строится
эмпирическая функция распределения вероятностей, согласно которой можно
выделить различные варианты планов производства сельскохозяйственной
продукции.
Следует иметь в виду тот факт, что вероятности законов
распределения и квантили обладают рассеянием. Поэтому приведенный
алгоритм решения задачи усложняется, поскольку каждая вероятность и
квантиль характеризуются законами распределения или, по крайней мере,
могут быть оценены стандартными погрешностями [73].
Модель (3.75)-(3.83) реализована для ООО «Талинка» с учетом засухи
и техногенных последствий (приложение И). В ней урожайности
сельскохозяйственных культур оценивались по нормальному закону
распределения, а площади, подверженные пагубному влиянию внешних
факторов, - гамма-распределению. В результате решения задачи
математического программирования с использованием метода
статистических испытаний определено, что критерий оптимальности
изменяется от 0,929 до 4,989 млн. руб. для количества решений m = 50 и в
интервале 0,905-5,462 млн. руб. - при m = 100. Между тем связь средних
вероятностей и значений целевых функций согласно коэффициенту
корреляции очень низкая.
При этом расчетные страховые возмещения для ситуации с
наибольшим ущербом составили 6,574 млн. руб. согласно методике [119] и
полученным оптимальным планам в благоприятных и неблагоприятных
условиях.
Вместе с тем при определении вероятностей, соответствующих
оптимальным решениям задачи, не учитывалась специализация предприятия,
его приоритеты. Поэтому предложено оценивать вероятности целевых
функций с весовыми коэффициентами пропорционально затратам на
производство конкретного вида продукции или обработку единицы
сельскохозяйственных угодий. В конкретном примере значения
коэффициентов вероятностей p для параметров модели составили: 0,267 - для
урожайности зерновых, 0,319 - для урожайности однолетних трав на сено,
0,081 - для урожайности многолетних трав на сено, 0,0267 - для посевных
площадей под зерновые культуры и 0,059 - для площадей пашни.

140
Связь значений целевой функции и вероятностей совмещения событий
с учетом весовых коэффициентов определяется значимым коэффициентом
детерминации (0,73) для зависимости . Другими словами,
согласно полученному выражению можно оценивать критерий
оптимальности, соответствующий заданной вероятности, и определять
оптимальные планы, учитывая влияние засухи и техногенных возмущений на
ведение сельского хозяйства предприятием. На основе полученной
зависимости ущербы при вероятности 0,10 составили 1,787, а при 0,40 –
0,000147 млн. руб.
В соответствии с целевыми функциями выбираются оптимальные
планы. При незначительных потерях, соответствующих большим
вероятностям, из оборота изымаются площади не более 100 га, а в условиях
значительного воздействия внешних факторов предприятие теряет почти
половину посевных площадей. Понятно, что в условиях фактически
ежегодного влияния природных событий и техногенных последствий
предложенная модель ближе к реальной ситуации по сравнению с моделью
оптимизации производства продукции с некоторыми усредненными
параметрами.
Следует иметь в виду, что при решении подобных задач
рассматривается диапазон малых вероятностей, который в примере составил
0,0203-0,117 (вероятности засухи), 0,0970-0,327 (вероятность совмещения
событий с весовыми коэффициентами). Эксперименты с разным количеством
решений показывают, что 100 оптимальных планов вполне достаточно для
определения расчетной связи между значениями целевой функции и
суммарными вероятностями с весовыми коэффициентами. Очевидно, что
наличие различных вариантов оптимальных решений в зависимости от
влияния внешних условий способствует выбору плана, повышающего
эффективность управления.
Таким образом, приведена классификация математических моделей
оптимизации производства продовольственной продукции в условиях
проявления природных событий и техногенных воздействий.
Из множества моделей рассмотрена оптимизация параметров
производства аграрной продукции с совмещением природного события и
техногенных последствий со случайными параметрами.

141
Модели с интервальными и случайными параметрами реализованы для
сельскохозяйственного предприятия Иркутской области ООО «Талинка». В
качестве природного события рассмотрена агрономическая засуха, влияющая
на урожайности зерновых и однолетних трав на сено и площади зерновых
культур. При этом учитывались техногенные последствия в виде изъятия из
оборота площадей естественных пастбищ и уменьшения биопродуктивности
многолетних трав.
Кроме того, решена задача оптимизации производства
сельскохозяйственной продукции для одного из подразделений
СХ ОАО «Белореченское» Черемховского района, расположенного в
с. Зерновое, в условиях проявления засухи и техногенного события
(приложение К). Источником техногенного загрязнения является завод по
производству аккумуляторов в г. Свирске [26], вредные выбросы тяжелых
металлов которого распространяются на расстояние 15 км, охватывая 25-30%
площадей сельхозугодий подразделения предприятия. В этой модели
агрономическая засуха и последствия техногенных событий оценивались в
виде интервальных параметров. Для решения этой задачи использовался
частный случай модели (3.65)-(3.74). При этом допускается, что производство
в подразделении предприятия не связано с другими подразделениями
СХ ОАО «Белореченское». В этом случае целевая функция определялась не
на минимум затрат, а на максимум выручки:

~ ( I )  
sS zZ
sz 
~ ( II )  
s
sS wW
~ ( I )  
sw s 
~ ( II )  
hH zZ
hz h 
hH wW
hw h

  ~ (jzI )  j    ~ (jwII )  j  max,


(3.93)
jJ zZ jJ wW

где ̃ ̃ ̃ – выручка с единицы произведенной продукции


s-культуры, h-вида животных и j-вида корма, связанная с влиянием
природного события z; ̃ ̃ ̃ - выручка с единицы произведенной
продукции s-культуры, h-вида животных и j-вида корма, связанная с
влиянием техногенного события w. Параметры ̃ ̃ ̃ ̃

̃ ̃ изменяются в интервалах: ̃ ̃ ̃ , ̃ ̃ ̃ ,

̃ ̃ ̃ , ̃ ̃ ̃ , ̃ ̃ ̃ , ̃ ̃ ̃ .

142
Ограничения по производственным ресурсам в этом случае
использовано в виде:
 b
sS zZ
(I )
isz  s    bisw
( II )

sS wW
 s   bihz
(I )

hH zZ
 h    bihw
( II )

hH wW
 h  B~i( I )  B~i( II ) (i  I ), (3.94)

где – расходы i-го ресурса на единицу площади


s-культуры и единицу поголовья h-вида животных ввиду проявления
природного события z и техногенного воздействия w. В дополнение к этому
условия (3.67)-(3.74) использовались без изменений.
В результате решения задачи значение целевой функции определено в
пределах 21,613-24,747 млн. руб. Искомые планы производства,
соответствующие критериям оптимальности, варьируют относительно друг
друга в пределах 50%. К этому следует добавить, что при благоприятных
условиях подразделение предприятия получит 106,042 млн. руб. Таким
образом, в худшем случае выручка уменьшится на 23,3, а в лучшем – 20,4%.
Расчетные страховые выплаты при наибольшем ущербе составили
19,695 млн. руб. согласно методике [119] и полученным оптимальным планам
в благоприятных и неблагоприятных условиях.
Таким образом, в разделе приведены модели оптимизации сочетания
отраслей с учетом влияния техногенных и природных событий на объемы
производства и уменьшение сельскохозяйственных угодий. Предложены
задачи математического программирования с интервальными и
вероятностными параметрами и алгоритмы их решения с использованием
имитационного моделирования. Модели реализованы для предприятий
Тайшетского и Черемховского районов. Согласно методике оценки
природных рисков на основе предложенных моделей оптимизации сочетания
отраслей получены расчетные ущербы и страховые возмещения.

3.6 Программный комплекс моделирования влияния


природных и техногенных событий на планирование

Авторами [2] разработана информационно-прогностическая система


ГИПСАР, содержащая базу данных климатических временных рядов разной
периодичности, компоненты статистического анализа данных, методы
прогнозирования. В работе [22, 70] предложена информационная система

143
«Природные стихии 1.0» для управления предприятиями народного хозяйства
региона в условиях проявления экстремальных природных явлений
различного происхождения.
Между тем в приведенных системах не рассматриваются техногенные
события, совмещение техногенных и природных событий, изменчивость
редких явлений с учетом рассеяния вероятностных параметров для
планирования производства сельскохозяйственной продукции в крайне
неблагоприятных природно-климатических условиях.
Поэтому в работе предлагается проблемно-ориентированный
программный комплекс по решению задач математического
программирования для оптимизации производства аграрной продукции с
оценкой страховых возмещений в условиях проявления редких природных
явлений, последствий техногенных воздействий и совмещений природных и
техногенных событий, схема функционирования которого показана на
рисунке 3.6.

Рисунок 3.6 – Схема функционирования программного комплекса моделирования


влияния природных и техногенных событий на планирование

144
Программный комплекс состоит из базы данных, которая пополняется
сведениями о техногенных и природных событиях, метеорологическими и
гидрологическими данными и производственно-экономическими
показателями, математического и алгоритмического обеспечения,
интерфейса. Источниками данных являются министерство природных
ресурсов и экологии (МПРиЭ), центр агрохимической службы, министерство
сельского хозяйства (МСХ), Иркутское управление по гидрометеорологии и
мониторингу окружающей среды (Иркутское УГМС), предприятия
агропромышленного комплекса (АПК) региона.
Реализация интерфейса программного комплекса и методов
математической статистики осуществлялась при помощи интегрированной
среды разработки DelphiXE3. База данных реализована в СУБД Microsoft SQL
Server 2005 ExpressEdition. Алгоритмическое обеспечение представляет собой
разработанные алгоритмы моделирования редких событий, их совмещений и
решения задач математического программирования с использованием
имитационного моделирования. Для реализации моделей планирования
производства продовольственной продукции применен программный продукт
LP Solve 5.5. Результаты статистической обработки данных, решений задач
математического программирования и сведения из базы данных можно
сохранять в виде таблиц в приложении MS Excel.
На рисунке 3.7 приведена функциональная модель проблемно-
ориентированного программного комплекса, выполненная в нотации IDEF0.
В качестве входных данных программного комплекса использованы
природные, техногенные и производственно-экономические параметры.
Результатом моделирования является: 1) пространственно-временная оценка
редких природных событий и техногенных последствий; 2) оценка серий
событий; 3) оптимальные планы производства сельскохозяйственной
продукции в условиях проявления природных событий, техногенных
последствий и их совмещения.

145
Рисунок 3.7 – Функциональная модель программного комплекса моделирования
влияния природных и техногенных событий на планирование

На рисунке 3.8 показана декомпозиция функциональной модели


программного комплекса моделирования влияния природных и техногенных
событий на планирование производства.
Программное обеспечение структурно подразделяется на два блока.
Первый из них посвящен статистической обработке данных:
1) стохастическая оценка редких природных явлений с учетом и без учета
исторических свидетельств с использованием методов моментов и
приближенно максимального правдоподобия; 2) статистическая оценка
потоков событий; 3) оценка связей между числом событий и экстремальными
значениями в рамках моделируемых эпох; 4) описание тенденций изменения
событий и их серий с помощью различных математических функций;
5) определение зависимостей редких событий от факторов;
6) пространственно-временная оценка событий. При этом для реализации
этих функций программного комплекса использованы пять подходов,
приведенных в разделе 1.2.

146
147

Рисунок 3.8 – Декомпозиция функциональной модели программного комплекса моделирования влияния


природных и техногенных событий на планирование

147
Второй блок программного обеспечения позволяет решать задачи
математического программирования как общие, так и частные, показанные на
рисунке 3.1. Для решения задач с интервальными и случайными параметрами
использованы разработанные алгоритмы получения оптимальных планов
производства сельскохозяйственной продукции с использованием метода
статистических испытаний.
Функционирование системы осуществляется на основе методов
имитационного моделирования, теории вероятностей и математической
статистики и математического программирования с использованием
разработанных моделей пространственно-временной оценки природных и
техногенных событий. При этом для реализации моделей предложены
алгоритмы оценки вероятностей появления редкого события в условиях
неопределенности и оптимизации параметров производства
сельскохозяйственной продукции с применением имитационного
моделирования для задач с интервальными и случайными оценками. В основу
предложенных алгоритмов положено два варианта: 1) с учетом
моделирования редкого события в пределах периода его повторяемости;
2) согласно условию превышения заданного фактического значения редкого
явления. Благодаря разработанным алгоритмам оценивается не только
повторяемость события, но и рассеяние вероятности и значения. Причем при
решении сформулированных задач математического программирования
использован симплекс-метод, поскольку предложенные модели сведены к
линейному виду.
База данных реализована в СУБД Microsoft SQL Server 2005
ExpressEdition. Она состоит из сущностей, определенных в пять групп,
включающих в себя природные, техногенные и производственно-
экономические данные (рисунок 3.9).
Пользователем комплекса может быть экономист агропромышленного
предприятия, специалист гидрометеорологической службы, представитель
страховой компании, оценивающий риски.

148
Рисунок 3.9 – Модель базы данных программного комплекса моделирования
влияния природных и техногенных событий на планирование

Интерфейс программного комплекса состоит из пяти пунктов меню:


«Анализ», «Оптимизация», «Исходные данные», «Импортирование»,
«Классификаторы».
С помощью пункта меню «Анализ» осуществляется статистическая
обработка данных с использование метода моментов и приближенно
максимального правдоподобия с учетом и без учета историко-архивных
свидетельств (рисунок 3.10), выделение из ряда многолетних наблюдений
редкого явления и событий, пространственно-временная оценка событий,
оценка серий событий в различные эпохи с построением регрессионных
зависимостей, подбор закона распределения случайной величины, выделение
редкого совмещения событий.

149
Рисунок 3.10 – Окно выбора данных и расчета статистических параметров
для многолетнего гидрологического ряда наблюдений

Согласно пункту меню «Оптимизация» решаются задачи


математического программирования для получения оптимальных планов
производства продовольственной продукции с учетом влияния природных
событий и техногенных последствий, по оценкам параметров, полученных с
помощью меню «Анализ» (рисунок 3.11).

150
Рисунок 3.11 – Окно выбора параметров, внесения данных в модель и
вывода результатов решения задачи определения оптимальных планов
производства продовольственной продукции с учетом засухи

С помощью пункта меню «Исходные данные» осуществляется


дополнение, обновление и удаление сведений в базе данных; просмотр,
загрузка их для произведения расчетов (рисунок 3.12).
Пункт меню «Импортирование» позволяет перемещать данные из
формализованных таблиц приложения MS Excel в базу данных посредством
пользовательского интерфейса программного комплекса.
Для перечня сущностей базы данных используется пункт меню
«Классификаторы».
Для использования программного комплекса необходим компьютер с
указанным программным обеспечением. В качестве защиты информации
используются пароли для доступа пользователя. База данных может
периодически дополняться вручную или автоматизировано с официальных
151
сайтов гидрометеорологической службы и министерства сельского хозяйства
региона.

Рисунок 3.12 – Окна содержимого базы данных параметров многолетних


наблюдений и выбора данных для выполнения расчетов

Некоторые результаты работы программного комплекса моделирования


влияния природных событий и техногенных последствий на аграрное
производство приведены в таблице 3.4.
Результатом первой задачи математического программирования со
случайными параметрами является зависимость ущерба и страховых
возмещений от вероятности события, характеризующегося рассеянием
максимального расхода воды и соответствующей ему вероятности. Приведен
диапазон вероятностей экстремальной гидрологической величины. При этом
искомые переменные задачи колеблются на 97-98%.

152
Таблица 3.4 - Результаты моделирования параметров аграрного производства с определением природных и техногенных рисков и
страховых возмещений для сочетания отраслей в условиях неопределенности с помощью проблемно-ориентированного
программного комплекса
Сравнение
Признак (тип) Вид Влияние события на Алгоритм Объект Расчетные страховые оптимальных
Ущербы, млн. руб.
неопределенности события производство решения исследования возмещения, млн. руб. планов
модели, %
ООО
Редкий Затопление
Случайные «Талинка»,
дождевой сельскохозяйственных Первый 0,95 0,99 97-98
параметры Тайшетский
паводок угодий [ ] [ ]
район
Изменение
себестоимости про-
ООО
Интервальные дукции, урожайности
Техногенное «Талинка»,
параметры сельскохозяйственных - 77-83
событие Тайшетский
153

культур,
район
сельскохозяйственных
угодий
Редкое
совмещение ООО
Затопление
Случайные весеннего «Талинка»,
сельскохозяйственных Первый 0-89
параметры половодья и Тайшетский
угодий [ ] [ ]
дождевого район
паводка
Изменение
урожайности
сельскохозяйственных
ООО
Засуха и культур, деградация
Интервальные «Академия»,
техногенное сельскохозяйственных - 53-90
параметры Иркутский
событие угодий, изменение
район
себестоимости
производимой
продукции

153
Во второй задаче показано влияние на оптимальные решения
загрязнителей, уменьшающих выход продукции и площади посевов.
Результатом являются верхние, нижние и медианные оценки целевой
функции в зависимости от разного сочетания интервальных оценок, которые
проявляются непредсказуемо. В примере показано, что предприятие может
потерять в лучшем случае 0,837 млн. руб., а в худшем – 4,387 млн. руб. При
этом максимальные страховые возмещения составят 2,415, а минимальные –
0,652 млн. руб. Колебания искомых переменных достигают 83%.
Третья задача отображает ситуацию влияния редкого совмещения
гидрологических событий на потери сельскохозяйственной продукции. Как в
первой задаче результатом решения является зависимость ущерба и
расчетных страховых возмещений от вероятности совмещения событий для
расчетного интервала вероятностей. Здесь максимальное расхождение
искомых значений соответствует 89%.
Четвертая модель посвящена определению ущербов от засухи и
загрязнения почвы. Результатом моделирования являются верхние и нижние
оценки ущербов (8,436 и 0,499 млн. руб.) и страховых возмещений (14,375 и
0,052 млн. руб.) при колебании искомых значений модели в пределах 53-90%.
Помимо перечисленных вариантов решений задач математического
программирования в условиях неопределенности программный комплекс
позволяет реализовывать и другие модели, связанные с иными редкими
природными явлениями, другим совмещением природных и техногенных
явлений. Кроме того, можно реализовывать задачи, в которых используются
как интервальные, так и случайные параметры.
Таким образом, особенностью программного обеспечения является
возможность комплексной обработки событий, оценки редких значений,
серий событий, их связей, определение редкого совмещения природных и
техногенных событий. Кроме того, полученные разработки в зависимости от
особенностей параметров позволяют моделировать различные ситуации
производства сельскохозяйственной продукции в условиях неблагоприятной
внешней среды на основе предложенных моделей, алгоритмов,
информационного и программного обеспечения с определением сумм
страховых возмещений.

154
Заключение

В работе исследованы редкие природные явления как составляющие


последовательностей событий за историческое прошлое (минимальные и
максимальные температуры воздуха, наибольшие расходы воды дождевых
паводков и весенних половодий, максимальные суточные осадки, засухи) и
техногенные аварии за последний 20-летний период, позволившие оценить
индивидуальные и групповые свойства их изменчивости.
В дополнение к этому предложены алгоритмы оценки редких
природных событий в виде многократного моделирования экстремальных
значений рядов за исторический период и определения периодов превышения
фактического редкого явления на основе метода статистических испытаний.
Значительная часть работы уделена оценке повторяемости
максимальных серий природных событий и связи потоков событий и
экстремальных явлений, соответствующих периодам оценки серий событий.
Поскольку в реальной ситуации наблюдается совмещение природных
событий различного происхождения, оценены вероятности таких случаев и
определено влияние событий на управление аграрным производством.
По гидрометеорологическим данным за многолетний период выявлены
особенности пространственно-временной изменчивости отдельных
природных событий и их совместного проявления. При этом получены
авторегрессионные и многофакторные модели оценки и прогнозирования
редких событий минимальных зимних температур и максимальных расходов
воды дождевых паводков.
Особо следует выделить разработку и реализацию моделей
оптимизации производства сельскохозяйственной продукции с оценкой
страховых возмещений в условиях проявления редкого природного явления
разного происхождения с учетом рассеяния его значений и вероятностей
согласно предложенным алгоритмам моделирования события в пределах
исторического прошлого и по условию превышения фактического значения.
Помимо этого, предложены модели получения оптимальных планов
производства продукции с учетом техногенных последствий и их совмещения
с природными событиями и определения на их основе страховых
возмещений.

155
В 90-е годы XX в. и первое десятилетие XXI в. наблюдались резкие
перепады параметров тепла и увлажнения, а также совмещения различных по
происхождению гидрометеорологических событий. Поэтому научно-
практический интерес имеют разработанные и реализованные модели
оптимизации производства сельскохозяйственной продукции с оценкой
страховых возмещений для таких ситуаций с использованием алгоритмов
решения задачи на основе имитационного моделирования.
Предложенные модели описания сельскохозяйственного производства в
условиях рисков классифицированы на три группы с учетом: редких явлений
и совмещений природных событий; последствий техногенных событий;
сочетания природных и техногенных событий. В эти модели входят
детерминированные и неопределенные параметры в виде случайных и
интервальных оценок. Для каждой из предложенных моделей из той или иной
группы при реализации на реальном объекте необходимо определить степень
изменчивости природных, техногенных и производственно-экономических
параметров. Поэтому в конкретном случае прикладная задача
математического программирования предполагает изучение изменчивости ее
параметров для адекватного построения планов в условиях рисков, что
позволит разработать рекомендации для предприятий агропромышленного
комплекса, подверженных влиянию природных и техногенных событий, с
целью определения страховой стоимости продукции и расчета страховых
возмещений.
Очевидно, что применение задач математического программирования в
условиях неопределенности и алгоритмов их решения возможно при
использовании автоматизированной системы с разработанной базой данных.
Для этой цели авторами создан проблемно-ориентированный программный
комплекс моделирования влияния природных событий и техногенных
последствий для оптимизации производства и оценки страховых выплат.
Не смотря на то, что работа является завершенным научным
исследованием, она имеет хорошую перспективу развития в части
расширения возможностей использования предложенных методик, моделей и
алгоритмов. Открытость проблемно-ориентированного программного
комплекса позволяет увеличить его функции. Кроме того, научно-
практические разработки имеют большой внедренческий потенциал.

156
Литература

1. Абасов, Н.В. Исследование наводнений и максимального стока Восточной


Сибири: генетический и статистический анализ, методы прогнозирования / Т.В. Бережных,
Н.В. Кичигина, Л.М. Корытный, // Труды Восточно-Сибирского отделения Академии
проблем водохозяйственных наук «Пути решения водных проблем Прибайкалья и
Забайкалья».- Иркутск: ИСЭМ СО РАН, 2002. – С. 18-28.
2. Абасов, Н.В. Географические закономерности гидрологических процессов юга
Восточной Сибири / Н.В. Абасов, А.Н. Антипов, Т.В. Бережных. - Иркутск: Изд-во
Института географии СО РАН, 2003. – 208 с.
3. Абасов, Н.В. Об исследовании динамики увлажненности территории Прибайкалья
/ Н.В. Абасов, Т.В. Бережных, В.В. Ветрова // Климат, экология, сельское хозяйство
Евразии: Сб. статей международной научно-практической конференции, посвященной
75-летию образования ИрГСХА (27-29 мая 2009 г.). – Иркутск: ИрГСХА, 2009. - С. 17-21.
4. Акентьева, Е.М. Климат России / А.М. Акентьева, Н.В. Кобышева, Э.Г. Богданова
и др. – СПб.: Гидрометеоиздат, 2001. – 655 с.
5. Алексеев, В.Р. Генетическая классификация гидрологических опасностей и их
ранжирование в бассейнах Сибири / В.Р. Алексеев, Л.М. Корытный // Труды
Международной научной конференции «Экстремальные гидрологические события: теория,
моделирование и прогнозирование». – Москва: Институт водных проблем РАН, 2003. –
С. 54 - 59.
6. Алпатьев, А.М. Влагообороты в природе и их преобразование / А.М. Алпатьев –
Л.: Гидрометеоиздат, 1969. – 322 с.
7. Аргучинцева, А.В. Моделирование и управление процессами регионального
развития / А.В. Аргучинцева, В.К. Аргучинцев, В.А. Батурин и др. / Под ред.
С.Н. Васильева. – М.: ФИЗМАТЛИТ, 2001. – 432 с.
8. Арнольд, В.И. Теория катастроф / В.И. Арнольд. - М.: Наука, 1990. – 128 с.
9. Асалханов, П.Г. Моделирование оптимальных сроков посевов зерновых культур
на основе многофакторного анализа / П.Г. Асалханов, Я.М. Иваньо, Н.И. Федурина
// Природа и сельскохозяйственная деятельность человека: материалы международной
научно-практической конференции, Иркутск 23-27 мая 2011 г. – Иркутск: Изд-во ИрГСХА,
2011. – Ч.2. – С. 152-157.
10. Асалханов, П.Г. О некоторых алгоритмах прогнозирования дат
технологических операций возделывания зерновых культур / П.Г. Асалханов, Я.М. Иваньо
// Научно-практический журнал «Вестник ИрГСХА». – 2011. - Вып.47. – С. 133-141.
11. Астафьева, М.Н. Моделирование пространственно-временной изменчивости
урожайности сельскохозяйственных культур для оптимизации размещения посевов
/ М.Н. Астафьева, Я.М. Иваньо // Труды XVII Байкальской Всероссийской конференции

157
«Информационные и математические технологии в науке и управлении». – Ч. I. – Иркутск:
ИСЭМ СО РАН, 2012. - C. 238-244.
12. Астафьева, М.Н. Моделирование урожайности сельскохозяйственных культур с
учетом редких природных событий / М.Н. Астафьева, С.А. Петрова // Инновации молодых
ученых аграрных вузов – агропромышленному комплексу Сибирского региона: материалы
IX региональной научно-практической конференции молодых ученых вузов Сибирского
федерального округа – Омск: ИПК Макшеевой Е.А., 2011. – С. 240-243.
13. Астафьева, М.Н. Оптимизация размещения посевов сельскохозяйственных
культур с использованием имитационного моделирования / М.Н. Астафьева, Я.М. Иваньо
// Актуальные вопросы аграрной науки. – 2011. - № 1. – С. 59-67.
14. Астафьева, М.Н. Оптимизация размещения сельскохозяйственных культур с
учетом природно-экономических особенностей региона / М.Н. Астафьева, Я.М. Иваньо
// Труды XVI Байкальской Всероссийской конференции «Информационные и
математические технологии в науке и управлении». Часть I. – Иркутск: ИСЭМ СО РАН,
2011, C. 224-231.
15. Астафьева, М.Н. Пространственно-временные закономерности изменчивости
климатических параметров и продуктивности сельскохозяйственных культур на юге
Восточной Сибири / М.Н. Астафьева, С.А. Петрова, Я.М. Иваньо // Научно-практический и
информационно-аналитический журнал «Экологический вестник». – Минск: МГЭУ
им. А.Д. Сахарова, 2013. - №3 (25). – С.13-17.
16. Барсукова, М.Н. Об информации и подходах к моделированию процессов
сельскохозяйственного производства / М.Н. Барсукова, А.Ю. Белякова, Я.М. Иваньо //
Труды X Байкальской Всероссийской конференции «Информационные и математические
технологии в науке, технике и образовании», Часть 1. - Иркутск: ИСЭМ СО РАН. – 2005. –
С. 190-197.
17. Барсукова, М.Н. Об оптимизационных моделях сельскохозяйственного
производства: классификация и применение / М.Н. Барсукова, А.Ю. Белякова,
Я.М. Иваньо // Труды XI международной конференции «Информационные и
математические технологии в научных исследованиях», Часть 1.- Иркутск: ИСЭМ СО
РАН. – 2006. – С.49-57.
18. Бачурина, А.А. Условия образования осадков холодного полугодия и
возможности их прогноза / А.А. Бачурина. - Л.: Гидрометеоиздат, 1955. - 164 с.
19. Белякова, А.Ю. Вероятностные модели экстремальных гидрологических
явлений в задачах оптимизации сельскохозяйственного производства / А.Ю. Белякова,
Я.М. Иваньо. – Иркутск: Изд-во ИрГСХА, 2009. – 155 с.
20. Белякова, А.Ю. Оценка редких гидрологических явлений в задаче определения
ущербов аграрному производству / А.Ю. Белякова, Я.М. Иваньо, С.А. Петрова // Научно-
практический журнал «Вестник КрасГАУ». – Красноярск: КрасГАУ, 2014. – Вып. 60. –
2014. – С. 80-86.

158
21. Белякова, А.Ю. Тенденции изменчивости природных событий юга Восточной
Сибири / А.Ю. Белякова, Е.В. Вашукевич, Я.М. Иваньо, С.А. Петрова // Научный журнал
«Вестник ИрГТУ». – Иркутск: ИрГТУ, 2014. – №10. – 2014. – С. 80-85.
22. Бендик, Н.В. О модернизации информационной системы моделирования
природных событий / Н.В. Бендик, Я.М. Иваньо // Материалы международной научно-
практической конференции «Природопользование и аграрное производство». – Иркутск:
Изд-во ИрГСХА, 2012. – С. 166-172.
23. Блохинов, Е.Г. Распределение вероятностей величин речного стока. –
М.: Наука,1974. – 169 с.
24. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс,
Г. Дженкинс. – М.: Мир, 1994. – 314 с.
25. Борисенков, Е.П. Экстремальные природные явления в русских летописях
XI-XVII вв. / Е.П. Борисенков, В.М. Пасецкий. – Л.: Гидрометеоиздат, 1983. – 240 с.
26. Бутырин, М.В. Оценка загрязнения почвенного покрова тяжелыми металлами и
мышьяком МО г. Свирск Иркутской области / Ш.К. Хуснидинов, Т.Н. Сосницкая,
М.В. Бутырин, Р.В. Замащиков // Вестник БГСХА. – Улан-Удэ. – 2014. – №1(34) – С. 45-50.
27. Быкова, В.Д Расчеты речного стока (Методы пространственного обобщения)
/ В.Д. Быкова, В.М. Евстигнеева, В.А. Жука. – М.: Изд-во МГУ, 1984. – 165 с.
28. Васильев, А.А. Гидрометеорологические явления, приводящие к стихийным
бедствиям, и система их прогнозирования // Метеорология и гидрология.1991.-№1.- С.5-15.
29. Вашукевич, Е.В. Имитационное моделирование в задачах оценки параметров
аграрного производства / Е.В. Вашукевич, В.Р. Елохин, Я.М. Иваньо // Тр. XV Байкальской
международной школы-семинара «Методы оптимизации и их приложения», посвященной
памяти профессора В.П. Булатова. – Иркутск: ИДСТУ СО РАН, 2011. – С.70-76.
30. Вашукевич, Е.В. Математические модели аграрного производства с
вероятностными характеристиками засух и гидрологических событий / Е.В. Вашукевич,
Я.М. Иваньо. – Иркутск: Изд-во ИрГСХА, 2012. – 150 с.
31. Вашукевич, Е.В. О моделировании засух и критериях их оценки
/ Е.В. Вашукевич, Я.М. Иваньо, Е.С. Труфанова // Труды XII Байкальской всероссийской
конференции «Информационные и математические технологии в науке и управлении». –
Иркутск: ИСЭМ СО РАН, 2007. – Ч. I. – С. 246-253.
32. Вашукевич, Е.В. Об использовании имитационного моделирования для
решения задач аграрного производства /Е.В. Вашукевич, В.Р. Елохин, Я.М. Иваньо,
Е.С. Труфанова // Природа и сельскохозяйственная деятельность человека: материалы
международной научно-практической конференции, Иркутск 23-27 мая 2011 г. – Иркутск:
Изд-во ИрГСХА, 2011. – Ч.2. – С. 179-185.
33. Винокуров, М.А. Экономика Иркутской области. / М.А. Винокуров,
А.П. Суходолов – Иркутск: ОАО НПО Облмашинформ, 1999. - Т.2. - 312 с.

159
34. Витинский, Ю.И. Статистика пятнообразовательной деятельности Солнца
/ Ю.И. Витинский, М.А. Копецкий, Г.В. Куклин. - М.: Наука, 1986. - 296 с.
35. Волков С.Н. Землеустройство / Волков С.Н. - М.: Колос. - Т.4 Экономико-
математические модели. - 2001. - 696 с.
36. Волошин, Г.Я. Методы оптимизации в экономике : учеб. пособие
/ Г.Я. Волошин. – М.: Дело и Сервис, 2004. – 320 с.
37. Восточно-Сибирская правда: ежедневная газета, №180 – Иркутск, 1934.
38. Вязалов, Л.Х. Исследование трехпараметрического гамма-распределения и
метода наибольше правдоподобия оценки параметр данного распределения / Л.Х. Вязалов,
З.К. Иофин, Л.Ф. Сотникова // экстремальные гидрологические события: теория,
моделирование и прогнозирование. Труды Международной научной конференции (Москва
3-6 ноября 2003 г.). – М.: Изд-во Россельхозакадемии. 2003. – С. 16-19.
39. Гарцман, Б.И. Альтернативные схемы инженерно-гидрологических расчетов
при оценке максимальных расходов воды / Б.И. Гарцман // Анализ и стохастическое
моделирование экстремального стока на реках Евразии в условиях изменения климата
/ Материалы международного научного семинара (Иркутск, 16-23 июня 2003 г.). –
Иркутск: Изд-во Института географии СО РАН. 2004. – С. 87-98.
40. Гидрологический ежегодник 1942 г., Том 7, 8 Бассейны морей Карского,
Лаптевых и Восточно-Сибирского от р. Енисей до р. Колыма / под ред.
Т.П. Коноваловой, – Ленинград: ГИМИЗ, 1950. – 212 с.
41. Гидрологический ежегодник 1964 г., Том 8 Бассейны морей Лаптевых,
Восточно-Сибирского и Чукотского, выпуск 0-7 Бассейны морей Лаптевых и Восточно-
Сибирского до р. Колымы / под ред. И.В. Осиповой – Якутск, 1967. – 302 с.
42. Гидрологический ежегодник 1965 г., Том 8 Бассейны морей Лаптевых,
Восточно-Сибирского и Чукотского, выпуск 0-7 Бассейны морей Лаптевых и Восточно-
Сибирского до р. Колымы / под ред. И.В. Осиповой, – Якутск, 1968. – 362 с.
43. Гидрологический ежегодник 1972 г., Том 8 Бассейны морей Лаптевых,
Восточно-Сибирского и Чукотского, выпуск 0-7 Бассейны морей Лаптевых и Восточно-
Сибирского до р. Колымы / под ред. Р.Г. Гаевой, – Якутск: ГИМИЗ, 1974. – 398 с.
44. Гидрологический ежегодник 1974 г., Том 8 Бассейны морей Лаптевых,
Восточно-Сибирского и Чукотского, выпуск 0-7 Бассейны морей Лаптевых и Восточно-
Сибирского до р. Колымы / под ред. Р.Г. Гаевой, А.Б. Обориной – Якутск, 1975. – 532 с.
45. Глущенко, В. В. Управление рисками. Страхование / В.В. Глущенко. - М: ТОО
НПЦ «Крылья», 1999. − 336 с.
46. Городовская, Ж.И. Модели оптимизации сочетания отраслей аграрного
производства с учетом изменчивости трудовых ресурсов / Ж.И. Городовская, Я.М. Иваньо,
С.А. Петрова // Климат, экология, сельское хозяйство Евразии: Сб. статей
III международной научно-практической конференции (27-29 мая 2014 г.). – Иркутск:
ИрГСХА, 2014. – Ч.2 – С. 23-30.

160
47. Государственная программа Иркутской области «Обеспечение комплексных
мер противодействия чрезвычайным ситуациям природного и техногенного характера на
2014-2018 гг. - Иркутск, 2013. – 109 с.
48. Государственные доклады о состоянии и об охране окружающей среды
Иркутской области за 1990, 1991, 1995, 1999-2009 гг. – Иркутск, 1991-2010.
49. Государственный доклад О состоянии окружающей природной среды
Иркутской области в 1997 г. - Иркутск, 1999. - 300 с.
50. Государственный доклад О состоянии окружающей природной среды
Иркутской области в 1998 г. - Иркутск, 1999. - 304 с.
51. Государственный доклад «Экологическая обстановка в Иркутской обл. в
1993 г.» - Иркутск, 1994. - 204 с.
52. Государственный доклад «Экологическая обстановка в Иркутской обл. в
1994 г.» - Иркутск, 1995. - 198 с.
53. Государственный доклад О состоянии защиты населения и территорий
Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в
2012 году.– М.: МЧС России; ФГБУ ВНИИ ГОЧС (ФЦ), 2013. – 341 с.
54. Государственный доклад О состоянии окружающей природной среды
Иркутской области в 1996 г. - Иркутск, 1997. – 229 с.
55. Гриневич, А.Г. Композиционное моделирование гидрографов / А.Г. Гриневич,
Гриневич Г.А., Петелина Н.А. - М.: Наука, 1972. - 182 с.
56. Губарева, Т.С. Статистические закономерности максимального стока рек
бассейна Амура / Т.С. Губарева // Материалы международного научного семинара: Анализ
и стохастическое моделирование экстремального стока на реках Евразии в условиях
изменения климата. - Иркутск: Изд-во ИГ СО РАН. 2004. – С. 179-188.
57. Гумбель, Э. Статистика экстремальных явлений / Э. Гумбель. - М.: Мир,
1965. - 450 с.
58. Донченко, А.С. Стратегия развития сельского хозяйства Сибири и пути ее
реализации / А.С. Донченко. – Н.: РАСХН СО, 2007. - 33 с.
59. Дружинин, И.П. Динамика многолетних колебаний речного стока
/ И.П. Дружинин, В.Р. Смага, А.Н. Шевнин. - М: Наука,1991. - 176 с.
60. Дружинин, И.П. Долгосрочный прогноз и информация /
И.П. Дружинин. - Новосибирск.: Наука,1987. - 255 с.
61. Ежегодные данные о режиме и ресурсах поверхностных вод суши, т.1, выпуск
15. Бассейн р. Лены (верхнее течение) / под ред. З.Н. Романченко, - ОБНИСК ВНИИГМИ-
МЦД, 1990. – 156 с.
62. Ежегодный доклад «Экологическая обстановка в Иркутской обл. в 1992 г.» -
Иркутск, 1993. - 143 с.

161
63. Жогова, М.Л. Опасные и неблагоприятные природные явления в Пензенской
области / М.Л. Жогова // Известия Пензенского государственного педагогического
университета им. В.Г. Белинского. – 2006. – №5. – С. 158-165.
64. Жуковский В.И. Многокритериальное принятие решений в условиях
неопределенности / В.С. Молоствов.- М.: МНИИПУ,1988. – 131с.
65. За коллективизацию: орган Жигаловского Райкома ВКП (б), Райисполкома и
Райпрофсовета, № 40-77. – Жигалово, 1934.
66. Зайков, Б.Д. Высокие половодья и паводки на реках СССР за историческое
время / Б.Д. Зайков. – Л.: Гидрометеоиздат, 1954. – 135 с.
67. Иваньо, Я.М. и др. Статистика с применением Excel / Я.М. Иваньо, А.Ф. Зверев,
Т.Д. Ким, Л.М. Кузнецова / под ред. Я.М. Иваньо, А.Ф. Зверева // Учеб. пособие / Иркутск:
ИрГСХА, 2006.-138 с.
68. Иваньо, Я.М. Изменчивость климатических характеристик и аграрное
производство /Я.М. Иваньо // Климат, экология, сельское хозяйство Евразии: Сб. статей
международной научно-практической конференции, посвященной 75-летию образования
ИрГСХА (25-29 мая 2009 г.). – Иркутск: НЦ РВХ ВСНЦ СО РАМН, 2009. – С. 31-38.
69. Иваньо, Я.М. Многолетние ритмы экстремальных характеристик тепла и влаги
Восточной Сибири // Циклы природы и общества (материалы Третьей международной
конференции «Циклы природы и общества»). Ставрополь, 1995. Вып. 1, 2. С. 76-83.
70. Иваньо, Я.М. Моделирование природных событий для управления
региональными народно-хозяйственными объектами / Я.М. Иваньо, Н.В. Старкова –
Иркутск: Изд-во ИрГСХА, 2011. – 158 с.
71. Иваньо, Я.М. Моделирование притока в Братское водохранилище в периоды
формирования дождевых паводков / Я.М. Иваньо // Пути решения водных проблем
Прибайкалья и Забайкалья: Тр. ВСО Академии проблем водохозяйственных наук, вып. 1.
Иркутск: ИСЭМ СО РАН, 2002. С. 28-41.
72. Иваньо, Я.М. Моделирование производственных процессов
сельскохозяйственного предприятия с учетом оценок выдающихся климатических
событий / Я.М. Иваньо // Вестник ИрГСХА. – 2010. – №41. – С. 139-147.
73. Иваньо, Я.М. О двух алгоритмах оптимизации производства растениеводческой
продукции с учетом оценок редких природных событий / С.А. Петрова, Я.М. Иваньо
// Научно-практический и информационно-аналитический журнал «Экологический
вестник».– Минск: МГЭУ им. А.Д. Сахарова, 2013. - №2 (24). – С. 91-97.
74. Иваньо, Я.М. О модели оптимизации производства продовольственной
продукции с учетом сочетания природного события и техногенных последствий
/ Я.М. Иваньо, С.А. Петрова // Научный журнал «Вестник ИрГТУ». – Иркутск: ИрГТУ,
2014. – № 9. – 2014. – С. 29-33.
75. Иваньо, Я.М. О модели оптимизации производства сельскохозяйственной
продукции со случайными параметрами с учетом редких гидрологических событий /

162
С.А. Петрова, Я.М. Иваньо // Научно-практический журнал «Вестник ИрГСХА». –
Иркутск: ИрГСХА, 2013. – Вып. 55. – 2013. – С. 147-154.
76. Иваньо, Я.М. О некоторых задачах оптимизации производства
сельскохозяйственной продукции в условиях проявления редких гидрологических событий
/ Я.М. Иваньо, С.А. Петрова // Труды XVIII Байкальской Всероссийской конференции
«Информационные и математические технологии в науке и управлении». – Иркутск:
ИСЭМ СО РАН, 2013. – Т.2. Ч.2. – С. 212-219.
77. Иваньо, Я.М. О некоторых частных задачах модели управления водными
ресурсами в период паводков // Моделирование технических и природных систем: Труды
XIII Байкальской международной школы-семинара «Методы оптимизации и их
приложения», Иркутск, Байкал, 2-8 июля 2005 г. – Иркутск: ИСЭМ СО РАН. 2005. – Т.5 –
С. 149-156.
78. Иваньо, Я.М. Об информации о редких природных явлениях / С.А. Петрова,
Я.М. Иваньо // Труды XVII Байкальской Всероссийской конференции «Информационные
и математические технологии в науке и управлении». – Иркутск: ИСЭМ СО РАН, 2012. –
Т.2. Ч.2. – С. 116-123.
79. Иваньо, Я.М. Об особенностях редких природных явлений, формирующихся на
территории юга Восточной Сибири / С.А. Петрова, Я.М. Иваньо // Научно-практический
журнал «Вестник ИрГСХА». – Иркутск: ИрГСХА, 2014. – Вып. 60. – 2014. – С. 141-148.
80. Иваньо, Я.М. Оптимизационные модели планирования производства
стабильных сельскохозяйственных предприятий / М.Н. Барсукова, Я.М. Иваньо. –
Иркутск: Изд-во ИрГСХА, 2011. – 160 с.
81. Иваньо, Я.М. Природные события, техногенные возмущения и оптимизация
производственных процессов / Я.М. Иваньо, Н.В. Старкова // Мiжнародна науково-
практична конференцiя «Карпатська конференцiя з проблем охорони довкiлля» Мукачево-
Ужгород, Україна, 15-18 травня 2011 р. – Мукачево-Ужгород, 2011. – С. 179-180.
82. Иваньо, Я.М. Редкие природные и техногенные явления и их влияние на
производство / С.А. Петрова, Я.М. Иваньо // Труды XVI Байкальской Всероссийской
конференции «Информационные и математические технологии в науке и управлении». –
Иркутск: ИСЭМ СО РАН, 2011. – Ч.1. – С. 238-244.
83. Иваньо, Я.М. Решение задач управления аграрным производством в условиях
неполной информации. Монография / Я.М. Иваньо, В.Р. Елохин и др. / Под редакцией
Я.М. Иваньо. - Иркутск: Изд-во ИрГСХА, 2012. - 200 с.
84. Иваньо, Я.М. Тенденции высокого максимального стока рек Восточной Сибири
в условиях потепления климата /Я.М. Иваньо // Тр. международного семинара
«Генетические и вероятностные методы в гидрологии: проблемы развития и взаимосвязи»,
посвященного 100-летию со дня рождения доктора технических наук, профессора Бефани
Анатолия Николаевича. – М.:, 2009. – С. 109-117.

163
85. Иваньо, Я.М. Экстремальные природные явления исторического прошлого на
территории Иркутской области / Я.М. Иваньо. – Иркутск: Изд-во Иркутского
университета, 1997. – 96 с.
86. Иваньо, Я.М. Экстремальные природные явления: методология, моделирование
и прогнозирование / Я.М. Иваньо. – Иркутск: Изд-во ИрГСХА, 2007. – 266 с.
87. Калинин, Г.П. Расчет повторяемости гидрологических явлений на основе
анализа их формирования / Г.П. Калинин, З.И. Дарман // Метеорология и гидрология. –
1953. - №1. – С. 46-50.
88. Калинин, Н.А. Прогноз эволюции циклонов у поверхности земли на основе
анализа запасов доступной потенциальной энергии / Н.А. Калинин // Вопросы прогноза
погоды, климата, циркуляции и охраны атмосферы: межвузовский сб. научных трудов. –
Пермь: изд-во Пермского университета, 1997. – С. 12-18.
89. Канторович, Л.В. Математические методы организации и планирования
производства / Л.В. Канторович // Применение математики в экономических
исследованиях. – М.: Изд-во СОЦ, 1959. - С. 251-271.
90. Кардаш, В.А. Модели управления производственно-экономическими
процессами сельском хозяйстве / В.А. Кардаш – М.: Экономика, 1981. - 184 с.
91. Карпенко, А.Ф. Практикум по математическому моделированию
экономических процессов в сельском хозяйстве: Учеб. пособие / А.Ф. Карпенко,
В.А. Кардаш, Н.С. низова и др. // под ред. А.Ф. Карпенко. – 2-е изд., перераб. и доп. –
М.: Агропромиздат, 1985. – 269 с.
92. Картвелишвили, Н.А. Стохастическая гидрология /
Н.А. Картвелишвили. - Л.:Гидрометеоиздат, 1981. - 167 с.
93. Картвелишвили, Н.А. Теория вероятностных процессов в гидрологии и
регулировании речного стока / Н.А. Картвелишвили. - Л.: Гидрометеоиздат, 1985. - 192 с.
94. Кендэлл, М. Временные ряды / М. Кендэлл. – М.: Финансы и статистика,
1981. – 278 с.
95. Кнопов, П.С. Стохастическое программирование и его приложения
// П.С. Кнопов, В.И. Зоркальцев, Я.М. Иваньо и др. – Иркутск: Институт систем энергетики
им. Л.А. Мелентьева СО РАН, 2012. – 493c.
96. Корнеенко, В.П. Методы оптимизации: Учебник / В.П. Корнеенко. –
М.: Высш. шк., 2007. – 664 с.
97. Кравченко, Р.Г. Математическое моделирование экономических процессов в
сельском хозяйстве: Учеб. пособие для с.-х. ВУЗов / Р.Г. Кравченко. – М.: Колос, 1978. –
424 с.
98. Крамер, Г. Математические методы статистики / Г. Крамер. – М.: Мир,
1975. - 648 с.
99. Кремер, Л.К. Микроклиматические закономерности / Л.К. Кремер // Природные
режимы и топогеосистемы приангарской тайги. - Новосибирск: Наука, 1975. - С.71-108.

164
100. Кренке, А.Н. Изменчивость климата Европы в историческом прошлом
/ А.Н. Кренке, М.И. Чернавская, Р. Браздил и др. – Москва: Наука, 1995. – 224 с.
101. Крицкий, С.Н. Гидрологические основы управления речным стоком
/ С.Н. Крицкий, М.Ф. Менкель. – М.: Наука, 1981. – 255 с.
102. Лаукс, Д. Планирование и анализ водохозяйственных систем / Д. Лаукс,
Дж. Стединжер, Д. Хейт. - М.: Энергоатомиздат, 1984. - 400 с.
103. Леви, К.Г. Гелиогеодинамика: Природные аспекты глобальных солнечных
минимумов / К.Г.Леви, Н.В. Задонина – Иркутск: Изд-во ИГУ, 2012. – Т. 1. - 667 с.
104. Леви, К.Г. Гелиогеодинамика: Природные аспекты глобальных солнечных
минимумов / К.Г.Леви, Н.В. Задонина – Иркутск: Изд-во ИГУ, 2012. – Т. 2. - 511 с.
105. Лексакова, В.Д. Максимальный сток рек бассейна Ангары / В.Д. Лексакова. –
Новосибирск: Наука, 1987. – 136 с.
106. Личко, К.П. Прогнозирование и планирование развития агропромышленного
комплекса / К.П. Личко. – М.: КолосС, 2007. – 286 с.
107. Лотов, В.А. Введение в экономико-математическое моделирование.
/ В.А. Лотов. - М.: Наука, 1984. 392 с.
108. Лунгерсгаузен, Г.Ф. О периодических изменениях климата в геологическом
прошлом Земли / Г.Ф. Лунгерсгаузен / Земля во Вселенной. - М.: Мысль, 1964. - С.260-277.
109. Львович, М.И. Вода и жизнь / М.И. Львович – М.: Мысль, 1986. – 254 с.
110. Маслобоев, В.А. Долговременный опыт мониторинга промышленных
загрязнений / В.А. Маслобоев // Научный журнал «Вестник Кольского научного центра
РАН». – Апатиты: Кольский научный центр РАН, 2009. – №1. – 2009. – С. 24-33.
111. Математический энциклопедический словарь / М.: Советская энциклопедия
1988. – 848 с.
112. Медведев, В.Г. Теория и управление рисками в страховании: монография
/ В.В. Шахов, В.Г. Медведев, А.С. Миллерман. - М.: Финансы и статистика, 2002. - 223 с.
113. Никитин, A.B. Экономический механизм страхования и преодоления рисков в
сельском хозяйстве России при вступлении в ВТО / A.B. Никитин,
A.B. Федоренко. - М.: ФГНУ «Росинформагротех», 2006. - 220с
114. Петрова, С.А. Моделирование производства сельскохозяйственной продукции в
условиях проявления редких природных событий // Сборник научных трудов по
материалам III этапа Всероссийского конкурса на лучшую научную работу среди
студентов, аспирантов и молодых ученых высших учебных заведений Минсельхоза
России. – Ярославль: ФГБОУ ВПО «Ярославская ГСХА», 2012. – С. 138-143.
115. Петрова, С.А. Об одной модели производства сельскохозяйственной продукции
в условиях техногенных загрязнений и проявления природных событий / С.А. Петрова
// Научные исследования и разработки к внедрению в АПК: Материалы международной
научно-практической конференции молодых ученых (28-29 апреля 2014 г.) – Иркутск:
ИрГСХА, 2014. – С. 56-61.

165
116. Петрова, С.А. Природные и техногенные события на территории Иркутской
области / С.А. Петрова // Научные достижения производству: Материалы научно-
практической конференции молодых ученых с международным участием. – Иркутск: Изд-
во ИрГСХА, 2011. – С. 280-285.
117. Петрова, С.А. Статистический анализ редких природных событий на
территории Иркутской области / С.А. Петрова // Научные исследования и разработки к
внедрению в АПК: Материалы международной научно-практической конференции
молодых ученых (19-20 апреля 2012 г.) – Иркутск: ИрГСХА, 2012. – С. 444-448.
118. Полевой, А.Н. Сельскохозяйственная метеорология / А.Н. Полевой –
СПб.: Гидрометеоиздат, 1992. – 424 с.
119. Приказ Минсельхоза России от 14 марта 2013 г. № 133 «Об утверждении
методик определения страховой стоимости и размера утраты (гибели) урожая
сельскохозяйственной культуры и посадок многолетних насаждений, утраты (гибели)
сельскохозяйственных животных».
120. Пржибельский, С.Г. Редкие события синергетической природы
/ С.Г. Пржибельский // Синергетика и метода науки. – СПб.: Наука, 1998. – С. 192-201.
121. Раунер, Ю.Л. Динамика экстремумов увлажнения за исторический период
// Изв. АН СССР Сер. геогр.1981.№ 6. - С. 5-22.
122. Резников, А.П. Предсказание естественных процессов обучающейся системой
/ А.П. Резников. – Новосибирск: Наука, 1982. – 242 с.
123. Рекомендации по статистическим методам анализа однородности
пространственно-временных колебаний речного стока / А.В. Рождественский,
А.В. Сахарюк, В.А. Лобанов – Ленинград: Гидромететеоиздат, 1984. – 78 с.
124. Ресурсы поверхностных вод СССР, Ангаро-Енисейский район. Ангара / под
ред. В.Г. Симова – Ленинград: ГИДРОМЕТЕОИЗДАТ, 1972. - Т. 16. - Вып. 2 – 596 с.
125. Ресурсы поверхностных вод СССР, Лено-Индигирский район / под
ред. Г.Г. Доброумовой – Ленинград: ГИДРОМЕТЕОИЗДАТ, 1972. - Т. 17 – 651 с.
126. Рождественский, А.В. Оценка точности кривых распределения гидрологических
характеристик / А.В. Рождественский. - Л.: Гидрометеоиздат, 1977. – 270 с.
127. Сведения об уровне воды на реках и озерах СССР 1931-1935 гг. Том ХХIV
Бассейны Северного Ледовитого и Тихого океанов. Выпуск 1 Бассейн Северного
Ледовитого океана / под ред. А.И. Виноградского – ГИДРОМЕТЕОИЗДАТ, – 1947. – 552 с.
128. Синоптические карты. – Иркутск: Иркутская УГМС, 1952.
129. Синоптические карты. – Иркутск: Иркутская УГМС, 1960.
130. Синоптические карты. – Иркутск: Иркутская УГМС, 1971.
131. Синоптические карты. – Иркутск: Иркутская УГМС, 1984.
132. Синоптические карты. – Иркутск: Иркутская УГМС, 1996.
133. Синоптические карты. – Иркутск: Иркутская УГМС, 2001.

166
134. СНиП 2.01.14-83 Определение расчетных гидрологических характеристик. –
М.: Стройиздат, 1985. – 36 с.
135. СНиП 2.06.04-82 Нагрузки и воздействия на гидротехнические сооружения
(волновые, ледовые и от судов). – М.: Стройиздат, 1983. – 39 с.
136. СНиП 2.06.15-85 Инженерная защита территорий от затопления и
подтопления. – М.: ЦИТП Госстроя СССР, 1986. – 20 с.
137. Сотникова, Л.Ф. К исследованию приемов вероятностного расчета
максимальных расходов воды / Л.Ф. Сотникова // Изучаване и оптимално използуване
наводните ресурсы. – София, 1981. - С. 77-101.
138. Справочник по опасным природным явлениям в республиках, краях и областях
Российской Федерации район / под ред. К.Ш. Хайруллина – СПб: Гидрометеоиздат,
1997. - Изд. 2 – 587 с.
139. Таблицы метеорологических наблюдений в различных пунктах ТМ-1,
Гидрометфонд СССР, Иркутское управление гидрометеослужбы, отдел гидрофонда, 1900-
2013 гг.
140. Толстых, Д.С. Окружающая среда и современный мир / Д.С. Толстых,
С.К. Толстых // Научный журнал «Вестник Воронежского института МВД России». –
Воронеж: Воронежский институт МВД РФ, 2007. – №4. – 2007. – С. 104-105.
141. Федосеев, В.В. Экономико-математические методы и прикладные модели:
Учеб. пособие для ВУЗов / В.В. Федосеев, А.Н. Гармаш, Д.М. Дайтбегов и др. // под ред.
В.В. Федосеева. – М.: ЮНИТИ, 1999. – 391 с.
142. Чистяков, В.Ф. О разрывах в цепочке 11-летних циклов солнечных пятен
/ В.Ф. Чистяков // Тезисы докладов на конференции, посвященной памяти Г.В. Куклина
«Солнечная активность и ее земные проявления». – Иркутск, 2000. – С. 15-16.
143. Шимараев, М.Н. Циркуляция атмосферы и климат на Байкале (1950-2007 гг.)
/ М.Н. Шимараев// Климат, экология, сельское хозяйство Евразии: Сб. статей
международной научно-практической конференции, посвященной 75-летию образования
ИрГСХА (27-29 мая 2009 г.). – Иркутск: ИрГСХА, 2009. - С. 77-83.
144. Юдин, Д.Б. Математические методы управления в условиях неполной
информации / Д.Б. Юдин. – М.: Советское радио, 1974. – 400 с.
145. Bolgov, M.V. Regonal approach to problems of probability distributions of water
flow peaks / M.V. Bolgov, N/V. Osipova // Proceeding International scientific seminar (Irkutsk,
16-23 june 2003 y.) Analysis and stochastic modeling of extreme runoff in euroasian rivers under
conditions of climate change. – Irkutsk Publishing House of the Institute of Geography SB RAS,
2004. – С. 67-72.
146. Van Geldr, P.H.A.J.M. Statistical estimation methods in hydrological engineering
/ P.H.A.J.M. van Geldr // Proceeding International scientific seminar (Irkutsk, 16-23 june
2003 y.) Analysis and stochastic modeling of extreme runoff in euroasian rivers under conditions
of climate change. – Irkutsk Publishing House of the Institute of Geography SB RAS, 2004. –
С. 11-58.

167
147. Оцiнка впливу клiматичных змiн на галузiекономiки Украïни: [монографiя]
/ Коллектив авт.: С.М. Степаненко, А.М. Польовий, Є.П. Школьний [та iн]; за ред.
С.М. Степаненко, А.М. Польового. – Одеса: Екологiя, 2011. – 696 с.
148. Степаненко, С.М. Динамiка та моделювання клiмату /
С.М. Степаненко. - Одеса: Екологiя, 2013. - 204 с.
149. Давыдова, Е. Синоптики назвали продолжительные морозы в Иркутской
области аномальными / Е.Давыдова - [Электронный ресурс].
Адрес - http://www.vsp.ru/social/2010/01/14/466742#sthash.uI0xpFIZ.dpuf.
150. Наводнения в Иркутской области (май и июль 2001 года) / [Электронный
ресурс]. Адрес - http: //survincity.ru/2012/02/navodneniya-v-irkutskoj-oblasti-maj-i-iyul-
2001/#ixzz3JssppcIE.
151. Оценка тарифа при страховании редких и катастрофических
рисков - [Электронный ресурс]. Адрес - http://www.strahuemvseh.ru.
152. Страхование имущества от наводнения: мировой опыт и перспективы развития
/ А.Н. Залетов - [Электронный ресурс]. Адрес - http://proinsurans.ru/stati-o-strakhovanii/261-
strakhovanie-imushchestva-ot-navodneniya-mirovoj-opyt-i-perspektivy-razvitiya.
153. Чуличков, А. Теория катастроф и развитие мира / А. Чуличков - [Электронный
ресурс]. Адрес - http://katastrofa.h12.ru.

168
ПРИЛОЖЕНИЯ

169
ПРИЛОЖЕНИЕ А
Пример числовой модели задачи оптимизации производства продукции с вероятностными параметрами в ООО «Талинка» Тайшетского
района Иркутской области с учетом редкой засухи по предложенным алгоритмам при вероятности (p) урожайности зерновых меньше или равной 0,118

травы на сенаж,

Вспомогательн
рогатого скота,
Коровы, голов
травы на сено,

зеленый корм,
(кормовые), га

ая переменная
(товарные), га

Зерноотходы,
Естественные
Многолетние

Многолетние

Ограничение
пастбища, га
Однолетние

Молоко (на

Найденная
Молодняк
Солома, ц

Обрат (на
Зерновые

Зерновые

величина
крупного
корма), ц
травы на

корм), ц

голов
№ Ед.

Знак
Наименование ограничения

га

га

га

ц
п/п изм.

1 Посевная площадь га 1,1 1,1 1 0 0 0 0 0 0 0 0 0 200 944 ≤ 950


2 Естественные пастбища га 0 0 0 0 0 1 0 0 0 0 0 0 0 83 ≥ 50
3 Трудовые ресурсы ч.-час. 18 15 11 6 4 0 0 0 0 0 189 87 50000 82 188 ≤ 110 838
4 Оплата труда руб. 223 223 523 265 98 0 0 0 0 0 1245 671 444880 813 710 ≤ 2 449 294
5 Содержание основных средств руб. 609 609 1570 634 234 0 0 0 0 0 2162 1948 3000 927 236 ≤ 1 000 000
6 Зерновые отходы ц 0,85 0 0 0 0 0 -1 0 0 0 0 0 0 425 ≥ 0
7 Солома ц 7,21 7,21 0 0 0 0 0 -1 0 0 0 0 0 4 239 ≥ 1 750
8 Соотношение поголовья гол 0 0 0 0 0 0 0 0 0 0 1 -1 0 0 = 0
9 Однолетние травы на сенаж ц 0 0 86 0 0 0 0 0 0 0 0 0 0 8 396 ≥ 2 580
10 Многолетние травы на сено ц 0 0 0 12 0 0 0 0 0 0 0 0 0 2 160 ≥ 2 160
11 Многолетние травы на зел.корм ц 0 0 0 0 77 0 0 0 0 0 0 0 0 2 310 ≥ 2 310
12 Зерно всего ц 8,5 0,0 0 0 0 0 0 0 0 0 0 0 0 4 250 ≥ 4 250
13 Минимальная площадь посева га 1 0 0 0 0 0 0 0 0 0 0 0 0 300 ≥ 285
товарных зерновых
14 Минимальная площадь посева га 0 1 0 0 0 0 0 0 0 0 0 0 0 90 ≥ 90
кормовых зерновых
15 Молоко ц 0 0 0 0 0 0 0 0 0 0 21,45 0 0 1 523 ≥ 1 502
16 Мясо ц 0 0 0 0 0 0 0 0 0 0 0,159 1,623 0 127 ≥ 127
17 Кормовые единицы ц 0 8,5 22 4 14,4 7 0,73 0,2 0,34 0,13 -37,8 -21,3 0 508 ≥ 0
18 Переваримый протеин кг 0 103 150 230 152 76 11,3 1 3,3 3,2 -398,9 -180,3 0 36 149 ≥ 0
19 Концентраты, мин. ц. к. ед. 0 8,5 0 0 0 0 0,73 0 0 0 -6,05 -4,47 0 0 ≥ 0
20 Концентраты, макс. ц. к. ед. 0 8,5 0 0 0 0 0,73 0 0 0 -8,69 -6,9 0 -360 ≤ 0
21 Грубые, мин. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -6,05 -3,62 0 33 ≥ 0
22 Грубые, макс. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -8,32 -5,96 0 -294 ≤ 0
23 Зеленый корм, мин. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -10,21 -4,05 0 0 ≥ 0
24 Зеленый корм, макс. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -11,34 -5,33 0 -171 ≤ 0
25 Сенаж, мин. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -9,07 -3,83 0 256 ≥ 0
26 Сенаж, макс. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -10,96 -5,54 0 0 ≤ 0
27 Солома, макс. ц к. ед. 0 0 0 -1,75 0 0 0 0,13 0 0,13 0 0 0 -277 ≤ 0
28 Молоко ц 0 0 0 0 0 0 0 0 1 0 -1,64 0 0 0 = 0
9 Обрат ц 0 0 0 0 0 0 0 0 0 1 -4,1 0 0 0 = 0
30 Вспомогательная переменная - 0 0 0 0 0 0 0 0 0 0 0 0 1 1 = 1
Затраты руб. 10858 10845 4500 4300 4320 0 0 0 1310 900 18210 14400 0 → min
Значение целевой функции
План производства в благоприятных условиях 506 93 90 180 47 100 607 470 138 345 84 84 1
10,865 млн. руб.
Значение целевой функции
План производства с учетом редкой засухи 375 64 74 135 22 118 248 638 113 283 69 69 1
8,428 млн. руб.
Расчетные страховые выплаты, млн. руб. 1,673 1,122 - - - - - - - - 0,882 0,330 - Всего - 4,007 млн. руб.
Примечание: коэффициенты матрицы соответствуют размерности, как результат деления размерности строки на размерность столбца.
170
ПРИЛОЖЕНИЕ Б
Пример числовой модели задачи оптимизации производства продукции с вероятностными параметрами в ООО «Талинка»
Тайшетского района Иркутской области с учетом редкого весеннего половодья по предложенным алгоритмам при вероятности (p)
максимального расхода воды 0,0137, которая определенна при помощи биномиального закона распределения вероятностей

Вспомогательн
рогатого скота,
Коровы, голов
травы на сено,

зеленый корм,
(кормовые), га

ая переменная
(товарные), га

Зерноотходы,
Естественные
Многолетние

Многолетние

Ограничение
пастбища, га
Однолетние

Молоко (на

Найденная
Молодняк
Солома, ц

Обрат (на
Зерновые

Зерновые

величина
крупного
корма), ц
сенаж, га
травы на

травы на

корм), ц

голов
№ Ед.

Знак
Наименование ограничения

га

га

ц
п/п изм.

1 Посевная площадь га 1,1 1,1 1 0 0 0 0 0 0 0 0 0 91 433 ≤ 433


2 Естественные пастбища га 0 0 0 0 0 1 0 0 0 0 0 0 20 93 ≤ 120
3 Трудовые ресурсы ч.-час. 18 15 11 6 4 0 0 0 0 0 189 87 50000 66 360 ≤ 110 838
4 Оплата труда руб. 223 223 523 265 98 0 0 0 0 0 1245 671 444880 623 448 ≤ 2 449 294
5 Содержание основных средств руб. 609 609 1570 634 234 0 0 0 0 0 2162 1948 3000 445 795 ≤ 1 000 000
6 Зерновые отходы ц 1,20 0 0 0 0 0 -1 0 0 0 0 0 0 0 ≥ 0
7 Солома ц 7,21 7,21 0 0 0 0 0 -1 0 0 0 0 0 1 750 ≥ 1 750
8 Соотношение поголовья гол 0 0 0 0 0 0 0 0 0 0 1 -1 0 0 = 0
9 Однолетние травы на сенаж ц 0 0 86 0 0 0 0 0 0 0 0 0 0 3 547 ≥ 1 176
10 Многолетние травы на сено ц 0 0 0 12 0 0 0 0 0 0 0 0 0 981 ≥ 164
11 Многолетние травы на зел. корм ц 0 0 0 0 77 0 0 0 0 0 0 0 0 702 ≥ 702
12 Зерно всего ц 12 0 0 0 0 0 0 0 0 0 0 0 0 2 768 ≥ 2 768
13 Молоко ц 0 0 0 0 0 0 0 0 0 0 21,45 0 0 823 ≥ 823
14 Мясо ц 0 0 0 0 0 0 0 0 0 0 0,159 1,623 0 68 ≥ 68
15 Кормовые единицы ц 0 6 22 4 14,4 7 0,73 0,2 0,34 0,13 -38,8 -22,3 0 73 ≥ 0
16 Переваримый протеин кг 0 105 150 230 152 76 11,3 1 3,3 3,2 -399,9 -181,3 0 18 126 ≥ 0
17 Концентраты, мин. ц. к. ед. 0 6 0 0 0 0 0,73 0 0 0 -7,05 -4,87 0 0 ≥ 0
18 Концентраты, макс. ц. к. ед. 0 6 0 0 0 0 0,73 0 0 0 -9,69 -6,9 0 -179 ≤ 0
19 Грубые, мин. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -6,05 -3,62 0 0 ≥ 0
20 Грубые, макс. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -8,32 -5,96 0 -177 ≤ 0
21 Зеленый корм, мин. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -10,21 -4,05 0 92 ≥ 0
22 Зеленый корм, макс. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -11,34 -5,33 0 0 ≤ 0
23 Сенаж, мин. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -9,07 -3,83 0 0 ≥ 0
24 Сенаж, макс. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -10,96 -5,54 0 -138 ≤ 0
25 Солома, макс. ц к. ед. 0 0 0 -1,75 0 0 0 0,13 0 0,13 0 0 0 -94 ≤ 0
26 Молоко ц 0 0 0 0 0 0 0 0 1 0 -1,64 0 0 0 = 0
27 Обрат ц 0 0 0 0 0 0 0 0 0 1 -4,1 0 0 0 = 0
28 Вспомогательная переменная - 0 0 0 0 0 0 0 0 0 0 0 0 1 1 = 1
Затраты руб. 10858 10845 4500 4300 4320 0 0 0 1310 900 18210 14400 0 → min
План производства в неблагоприятной Значение целевой
231 43 41 82 9 73 277 220 63 157 38 38 1
ситуации функции - 5,012 млн. руб.
Значение целевой
План производства в благоприятной ситуации 506 93 90 180 47 100 607 470 138 345 84 84 1
функции - 10,865 млн. руб.
Расчетные страховые выплаты, млн. руб. 1,914 0,270 0,060 - - - - - - - 2,705 1,012 - Всего - 5,961 млн. руб.
Примечание: коэффициенты матрицы соответствуют размерности, как результат деления размерности строки на размерность столбца.

171
ПРИЛОЖЕНИЕ В
Пример числовой модели задачи оптимизации производства продукции с интервальными параметрами в ООО «Академия»
Иркутского района с учетом редкой засухи и критерием оптимальности в виде максимизации выручки
Площадь
Однолетние под семена
Однолетние
Пшеница, Ячмень, травы на для Свиньи,
Наименование ограничения Овес, га травы на Солома, ц КРС, гол. Знак Ограничение
га га зеленый однолетних гол.
силос, га
корм, га трав на
силос, га
Минимально возможная посевная площадь, га 1,1 1,1 1,1 1 1 1 0 0 0 >= 1 338
Затраты на ГСМ, руб. 1600 1600 1600 1000 300 300 10 0 0 <= 2 600 000
Затраты на оплату труда, руб. 450 450 450 410 160 100 10 500 340 <= 1 000 000
Затраты на корма, руб. 0 0 0 0 0 0 0 500 1000 <= 774 000
Зерновые отходы, ц 1 1 1 0 0 0 0 0 0 >= 0
Солома, ц 6 8 8 0 0 0 0 0 0 >= 0
Минимально возможная площадь зерновых
1,1 1,1 1,1 0 0 0 0 0 0 >= 900
культур, га
Максимально возможная площадь зерновых
1,1 1,1 1,1 0 0 0 0 0 0 <= 1 243
культур, га
Минимально возможная площадь под семена для
0 0 0 0 0 1 0 0 0 >= 70
однолетних трав, га
Однолетние травы на силос, ц 0 0 0 80 0 0 0 0 0 >= 2 600
Однолетние травы на зеленый корм, ц 0 0 0 0 90 0 0 0 0 >= 16 500
Пшеница, ц 8 0 0 0 0 0 0 0 0 >= 5 000
Овес, ц 0 12 0 0 0 0 0 0 0 >= 900
Ячмень, ц 0 0 12 0 0 0 0 0 0 >= 3 000
Кормовые единицы, ц 25 12 13 24,0 15 0 0,2 -21,3 -37,8 >= 0
Переваримый протеин, кг 200 100 107 336 225 0 1 -180,3 -399,2 >= 0
Концентраты, мин., ц.к.ед. 0 9 9 0 0 0 0 -4,5 -6,1 >= 0
Концентраты, макс., ц.к.ед. 0 9 9 0 0 0 0 -6,6 -8,7 <= 0
Зеленый корм, мин., ц.к.ед. 0 0 0 14 20 0 0 -5,3 -4,1 >= 0
Зеленый корм, макс., ц.к.ед. 0 0 0 14 20 0 0 -10,2 -11,3 <= 0
Минимальное поголовье КРС, гол. 0 0 0 0 0 0 0 1 0 >= 40
Максимальное поголовье КРС, гол. 0 0 0 0 0 0 0 1 0 <= 80
Объем реализации мяса свиней и КРС, т.ж.в. 0 0 0 0 0 0 0 350 240 <= 150 000
Целевая функция, руб. 5012 6907 7665 1280 1620 200 100 250 300
План производства в неблагоприятных Значение целевой
условиях (минимальное значение целевой 749 125 256 33 194 30 7395 40 364 функции -
функции) 10,064 млн. руб.
Значение целевой
План производства в благоприятных
916 193 345 44 279 70 7678 40 527 функции в -
условиях
18,510 млн. руб.
Расчетные страховые выплаты, млн. руб. 7,794 1,440 3,148 - 0,106 - - - - Всего - 12,488 млн. руб.
Примечание: коэффициенты матрицы соответствуют размерности, как результат деления размерности строки на размерность столбца.

172
ПРИЛОЖЕНИЕ Г
Результаты решения задачи математического программирования для ООО «Талинка» с учетом редкого совмещения
весеннего половодья и дождевого паводка на р. Бирюсе (Бирюсинск) по второму алгоритму при вероятности весеннего половодья
равной 0,0473, дождевого паводка – 0,0289

Молоко (на корм), ц

Молодняк крупного
Многолетние травы

Многолетние травы
на зеленый корм, га

Обрат (на корма), ц


Однолетние травы

Вспомогательная

Ущерб, млн. руб.

Итого, млн. руб.


Зерноотходы, ц

рогатого скота,
(кормовые), га

Коровы, голов
(товарные), га

Естественные
пастбища, га
на сенаж, га

переменная
на сено, га

Солома, ц
Зерновые

Зерновые

голов
№ п/п Показатель
173

План производства в
1 506 93 91 132 36 100 607 1428 138 344 84 84 1 - -
благоприятной ситуации
Усредненные величины урожайности сельскохозяйственных культур
План производства с учетом
2 233 41 44 60 9 72 280 646 62 156 38 38 1 5,930
весеннего половодья
13,454
План производства с учетом
3 157 29 28 41 6 49 188 442 43 107 26 26 1 7,524
дождевого паводка
Расчетные страховые выплаты,
4 4,329 0,626 0,132 0,0274 0,0614 - - - - - 3,410 1,276 - - 9,863
млн. руб.
Высокая урожайность зерновых культур
План производства с учетом
5 233 27 60 85 9 91 390 918 89 221 54 54 1 5,293
весеннего половодья
12,430
План производства с учетом
6 157 18 40 56 6 61 262 612 59 148 36 36 1 7,137
дождевого паводка
Расчетные страховые выплаты,
7 4,329 0,761 0,099 0,0207 0,0614 - - - - - 2,822 1,056 - - 9,150
млн. руб.
Примечание: затраты сельскохозяйственного предприятия в благоприятных условиях составляют 10,865 млн. руб.

173
ПРИЛОЖЕНИЕ Д
Некоторые результаты решения задачи математического программирования для ООО «Талинка» с учетом техногенного
события при зависимости себестоимости от логарифма урожайности в виде гиперболической функции

Молодняк крупного
Молоко (на корм),
Однолетние травы

Обрат (на корма),


травы на зеленый

Ущерб, млн. руб.


Вспомогательная
травы на сено, га

Зерноотходы, ц

рогатого скота,
(кормовые), га
(товарные), га

Естественные
Многолетние

Многолетние

пастбища, га
на сенаж, га

переменная
Солома, ц
Зерновые

Зерновые

Коровы,
корм, га

голов

голов
Решение

ц
Планы производства продукции с учетом техногенных последствий
1 204 14 11 13 7 4 0 137 13 33 8 8 1 4,718
2 155 8 8 9 6 1 0 103 10 25 6 6 1 3,749
3 205 13 11 13 7 4 0 137 13 33 8 8 1 5,374
4 207 11 11 13 7 4 0 137 13 33 8 8 1 4,996
174

5 203 15 11 13 7 4 0 137 13 33 8 8 1 5,847


6 260 12 14 16 9 2 0 171 17 41 10 10 1 5,916
7 153 11 8 9 6 3 0 103 10 25 6 6 1 4,395
8 52 3 3 3 2 1 0 34 3 8 2 2 1 1,246
9 208 10 11 13 7 4 0 137 13 33 8 8 1 4,708
10 257 16 14 16 9 5 0 171 17 41 10 10 1 6,684
11 208 10 11 13 7 1 0 137 13 33 8 8 1 4,735
12 153 11 8 9 6 3 0 103 10 25 6 6 1 4,398
13 102 7 6 6 4 2 0 69 7 17 4 4 1 2,925
14 257 16 14 16 9 5 0 171 17 41 10 10 1 6,705
15 203 15 11 13 7 4 0 137 13 33 8 8 1 5,866
16 257 16 14 16 9 5 0 171 17 41 10 10 1 6,718
17 51 4 3 3 2 0 0 34 3 8 2 2 1 1,467
18 259 14 14 16 9 5 0 171 17 41 10 10 1 6,235
19 51 3 3 3 2 1 0 34 3 8 2 2 1 1,336
20 260 12 14 16 9 5 0 171 17 41 10 10 1 5,876
21 154 10 8 9 6 3 0 103 10 25 6 6 1 4,015
22 51 4 3 3 2 1 0 34 3 8 2 2 1 1,466
23 155 8 8 9 6 3 0 103 10 25 6 6 1 3,735
24 153 11 8 9 6 3 0 103 10 25 6 6 1 4,388
25 260 12 14 16 9 5 0 171 17 41 10 10 1 5,881
Расчетные страховые выплаты для ситуации с максимальным ущербом, млн. руб.
- 1,430 - - - - - - - - - 0,593 0,222 - 2,210

174
ПРИЛОЖЕНИЕ Е
Некоторые результаты решения задачи математического программирования для ООО «Талинка» с учетом техногенного
события в виде зависимости себестоимости в целевой функции от сокращения сельскохозяйственных угодий
Решение

крупного рогатого
Однолетние травы

Молоко (на корм),

Обрат (на корма),


травы на зеленый

Вспомогательная
травы на сено, га

Зерноотходы, ц
(кормовые), га

Коровы, голов
(товарные), га

Естественные
Многолетние

Многолетние

пастбища, га
на сенаж, га

скота, голов

переменная
Молодняк
Солома, ц
Зерновые

Зерновые

корм, га

Ущерб
ц

ц
Ед. изм. га га га га га га ц ц ц ц гол гол - млн. руб.
1 110 8 4 6 4 0 99 47 6 14 3 3 1 1,487
2 273 22 9 15 10 0 212 118 14 35 9 9 1 3,770
3 109 9 4 6 4 0 85 47 6 14 3 3 1 1,487
175

4 56 3 2 3 2 0 57 24 3 7 2 2 1 0,741
5 278 17 9 15 10 0 283 118 14 35 9 9 1 3,770
6 278 17 9 15 10 0 212 118 14 35 9 9 1 3,719
7 223 13 7 12 8 0 227 94 11 28 7 7 1 3,002
8 112 6 4 6 4 0 127 47 6 14 3 3 1 1,487
9 55 4 2 3 2 0 42 24 3 7 2 2 1 0,740
10 278 17 9 15 10 0 283 118 14 35 9 9 1 3,770
11 224 12 7 12 8 0 255 94 11 28 7 7 1 3,002
12 55 4 2 3 2 0 50 24 3 7 2 2 1 0,741
13 280 15 9 15 10 0 319 118 14 35 9 9 1 3,770
14 168 9 6 9 6 0 191 71 9 21 5 5 1 2,241
15 109 9 4 6 4 0 85 47 6 14 3 3 1 1,487
16 109 9 4 6 4 0 85 47 6 14 3 3 1 1,494
17 223 13 7 12 8 0 227 94 11 28 7 7 1 3,002
18 55 4 2 3 2 0 50 24 3 7 2 2 1 0,741
19 56 3 2 3 2 0 64 24 3 7 2 2 1 0,741
20 221 15 7 12 8 0 198 94 11 28 7 7 1 3,002
Расчетные страховые выплаты для ситуации с максимальным ущербом, млн. руб.
- 1,550 - - - - - - - - - 0,508 0,190 - 2,248

175
ПРИЛОЖЕНИЕ Ж
Некоторые результаты решения задачи математического программирования для ООО «Талинка» Тайшетского района
Иркутской области с учетом техногенных последствий при условии зависимости себестоимости от изменчивости урожайности и
сельскохозяйственных угодий
Решение

Многолетние травы на

Многолетние травы на
Зерновые (кормовые),
Зерновые (товарные),

Однолетние травы на

Молоко (на корм), ц

Молодняк крупного
Обрат (на корма), ц

Вспомогательная
зеленый корм, га

Зерноотходы, ц

рогатого скота,
Коровы, голов
Естественные
пастбища, га

переменная
Солома, ц
сенаж, га

сено, га

Ущерб
голов
га

га

Ед. изм. га га га га га га ц ц ц ц гол гол - млн. руб.


1 163 14 9 10 6 3 149 111 11 27 7 7 1 1,349
2 55 4 3 3 2 1 64 37 4 9 2 2 1 0,206
176

3 166 11 9 10 6 3 191 111 11 27 7 7 1 0,943


4 267 28 15 17 10 5 212 185 18 45 11 11 1 3,129
5 274 21 15 17 10 5 283 185 18 45 11 11 1 2,452
6 111 7 6 7 4 2 127 74 7 18 4 4 1 0,520
7 271 24 15 17 10 5 248 185 18 45 11 11 1 2,790
8 276 19 15 17 10 5 319 185 18 45 11 11 1 2,113
9 163 14 9 10 6 3 149 111 11 27 7 7 1 1,349
10 276 19 15 17 10 5 319 185 18 45 11 11 1 2,113
11 267 28 15 17 10 5 212 185 18 45 11 11 1 3,129
12 163 14 9 10 6 3 149 111 11 27 7 7 1 1,349
13 217 19 12 14 8 4 198 148 14 36 9 9 1 2,016
14 221 15 12 14 8 4 255 148 14 36 9 9 1 1,474
15 267 28 15 17 10 5 212 185 18 45 11 11 1 3,129
16 108 10 6 7 4 2 99 74 7 18 4 4 1 0,791
17 108 10 6 7 4 2 85 74 7 18 4 4 1 1,252
18 160 17 9 10 6 3 127 111 11 27 7 7 1 1,552
19 108 10 6 7 4 2 99 74 7 18 4 4 1 0,791
20 54 5 3 3 2 1 50 37 4 9 2 2 1 0,341
Расчетные страховые выплаты для ситуации с максимальным ущербом, млн. руб.
- 1,115 - - - - - - - - - 0,641 0,240 - 1,997
.

176
ПРИЛОЖЕНИЕ З
Некоторые результаты решения задачи математического программирования для ООО «Талинка» с учетом техногенного
события с интервальными параметрами, характеризующими урожайности сельскохозяйственных культур и деградированные
площади
Решение

Зерновые (кормовые),
Зерновые (товарные),

Однолетние травы на

рогатого скота, голов


Молоко (на корм), ц

Молодняк крупного
Многолетние травы

Многолетние травы
на зеленый корм, га

Обрат (на корма), ц

Вспомогательная
Зерноотходы, ц

Коровы, голов
Естественные
пастбища, га

переменная
на сено, га

Солома, ц
сенаж, га

Ущерб
га

га
Ед. изм.
га га га га га га ц ц ц ц гол гол - млн. руб.
1 274 21 15 17 10 5 283 185 18 45 11 11 1 2,113
177

2 166 11 9 10 6 3 191 111 11 27 7 7 1 1,877


3 110 8 6 7 4 1 113 74 7 18 4 4 1 0,710
4 276 19 15 17 10 5 319 185 18 45 11 11 1 2,113
5 55 4 3 3 2 1 64 37 4 9 2 2 1 0,558
6 55 4 3 3 2 1 57 37 4 9 2 2 1 0,423
7 55 4 3 3 2 1 64 37 4 9 2 2 1 0,761
8 267 28 15 17 10 5 212 185 18 45 11 11 1 1,436
9 54 5 3 3 2 0 50 37 4 9 2 2 1 0,694
10 54 5 3 3 2 0 57 37 4 9 2 2 1 0,761
11 164 13 9 10 6 1 170 111 11 27 7 7 1 1,674
12 276 19 15 17 10 5 319 185 18 45 11 11 1 1,097
13 217 19 12 14 8 4 198 148 14 36 9 9 1 3,045
14 55 4 3 3 2 1 57 37 4 9 2 2 1 0,558
15 219 17 12 14 8 4 227 148 14 36 9 9 1 0,877
16 54 5 3 3 2 1 50 37 4 9 2 2 1 0,694
17 110 8 6 7 4 2 113 74 7 18 4 4 1 0,710
18 54 5 3 3 2 1 50 37 4 9 2 2 1 0,423
19 219 17 12 14 8 4 227 148 14 36 9 9 1 2,774
20 111 7 6 7 4 2 127 74 7 18 4 4 1 0,303
Расчетные страховые выплаты для ситуации с максимальным ущербом, млн. руб.
- 1,056 - - - - - - - - - 0,513 0,192 - 1,762

177
ПРИЛОЖЕНИЕ И
Пример числовой модели задачи оптимизации производства продукции с вероятностными параметрами в ООО «Талинка»
Тайшетского района Иркутской области с учетом совмещения засухи и техногенных последствий

рогатого скота,
Зерно-отходы,
травы на сено,

зеленый корм,

Коровы, голов
Естественные
Многолетние

Многолетние

Ограничение
Однолетние

переменная
(кормовые),

Молоко (на
(товарные),

Найденная
Вспомога-
пастбища,

Молодняк
Солома, ц

Обрат (на
Зерновые

Зерновые

сенаж, га

корма), ц

крупного

величина
травы на

травы на

корм), ц

тельная
голов

Знак
Наименование ограничения Ед. изм.

га

га

га

га

га

ц
п/п

1 Посевная площадь общая га 1,1 1,1 1 0 0 0 0 0 0 0 0 0 68 555 ≤ 682


2 Посевная площадь зерновых га 1,1 1,1 0 0 0 0 0 0 0 0 0 0 0 466 = 466
3 Естественные пастбища га 0 0 0 0 0 1 0 0 0 0 0 0 0 2 ≤ 6
4 Трудовые ресурсы ч.-час. 18 15 11 6 4 0 0 0 0 0 189 87 50000 62 294 ≤ 110 838
5 Оплата труда руб. 223 223 523 265 98 0 0 0 0 0 1245 671 444880 588 441 ≤ 2 449 294
6 Содержание основных средств руб. 609 609 1570 634 234 0 0 0 0 0 2162 1948 3000 377 852 ≤ 1 000 000
7 Зерновые отходы ц 0,99 0 0 0 0 0 -1 0 0 0 0 0 0 390 ≥ 0
8 Солома ц 7,21 7,21 0 0 0 0 0 -1 0 0 0 0 0 2 786 ≥ 5
9 Соотношение поголовья гол 0 0 0 0 0 0 0 0 0 0 1 -1 0 0 = 0
10 Однолетние травы на сенаж ц 0 0 48,68 0 0 0 0 0 0 0 0 0 0 1 048 ≥ 1 048
11 Многолетние травы на сено ц 0 0 0 14 0 0 0 0 0 0 0 0 0 335 ≥ 294
12 Многолетние травы на зел.корм ц 0 0 0 0 36,50 0 0 0 0 0 0 0 0 524 ≥ 524
13 Зерно всего ц 9,88 0 0 0 0 0 0 0 0 0 0 0 0 3 896 ≥ 2 452
14 Молоко ц 0 0 0 0 0 0 0 0 0 0 21,45 0 0 336 ≥ 0
15 Мясо ц 0 0 0 0 0 0 0 0 0 0 0,159 1,623 0 28 ≥ 0
16 Кормовые единицы ц 0 8,9 22 4 14,4 7 0,73 0,2 0,34 0,13 -38,8 -22,3 0 168 ≥ 0
17 Переваримый протеин кг 0 119 150 230 152 76 11,3 1 3,3 3,2 -399,9 -181,3 0 6 154 ≥ 0
18 Концентраты, мин. ц. к. ед. 0 8,9 0 0 0 0 0,73 0 0 0 -7,05 -4,87 0 73 ≥ 0
19 Концентраты, макс. ц. к. ед. 0 8,9 0 0 0 0 0,73 0 0 0 -9,69 -6,9 0 0 ≤ 0
20 Грубые, мин. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -6,05 -3,62 0 0 ≥ 0
21 Грубые, макс. ц. к. ед. 0 0 0 4 0 0 0 0,2 0 0 -8,32 -5,96 0 -72 ≤ 0
22 Зеленый корм, мин. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -10,21 -4,05 0 0 ≥ 0
23 Зеленый корм, макс. ц. к. ед. 0 0 0 0 14,4 7 0 0 0 0 -11,34 -5,33 0 -38 ≤ 0
24 Сенаж, мин. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -9,07 -3,83 0 56 ≥ 0
25 Сенаж, макс. ц. к. ед. 0 0 12 0 0 0 0 0 0 0 -10,96 -5,54 0 0 ≤ 0
26 Солома, макс. ц к. ед. 0 0 0 -1,75 0 0 0 0,13 0 0,13 0 0 0 0 ≤ 0
27 Молоко на корм ц 0 0 0 0 0 0 0 0 1 0 -1,64 0 0 0 = 0
28 Обрат на корма ц 0 0 0 0 0 0 0 0 0 1 -4,1 0 0 0 = 0
Ограничение на вспомогательную
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1
29 переменную - =
Затраты руб. 10858 10845 4500 4300 4320 0 0 0 1310 900 18210 14400 0 → min
Значение целевой функции -
План производства в благоприятных условиях 506 93 91 132 36 100 607 1428 138 344 84 84 1
10,865 млн. руб.
Значение целевой функции
План производства в неблагоприятных условиях 394 29 22 25 14 2 0 266 26 64 16 16 1
(ущерб) - 5,462 млн. руб.
Расчетные страховые выплаты, млн. руб. 2,259 0,920 0,344 3,523 млн. руб.
Примечание: коэффициенты матрицы соответствуют размерности, как результат деления размерности строки на размерность столбца.
В конкретном примере значения вероятностей p для параметров модели составили: 0,0,107 - для урожайности зерновых, 0,0113 - для урожайности однолетних трав
на сено, 0,738 - для урожайности многолетних трав на сено, 0,103 - для урожайности многолетних трав на зеленый корм, 0,919 - для посевных площадей под зерновые
культуры и 0,334- для площадей пастбищ, , .

178
ПРИЛОЖЕНИЕ К
Пример числовой модели задачи оптимизации производства продукции с интервальными параметрами в подразделении
СХ ОАО «Белореченское», расположенного в с. Зерновое Черемховского района Иркутской области с учетом совмещения засухи и
техногенного события
Однолетние Площадь под
Однолетние
Пшеница, Ячмень, травы на семена для Солома, Найденная
Наименование ограничения Овес, га травы на КРС, гол. Знак Ограничение
га га зеленый однолетних трав ц величина
силос, га
корм, га на силос, га
Посевная площадь, га 1,1 1,1 1,1 1 1 1 0 0 2 037 <= 1 520
Минимально возможная посевная площадь, га 1,1 1,1 1,1 1 1 1 0 0 2 037 >= 1 520
Затраты на ГСМ, руб. 700 650 580 400 200 300 10 50 1 968 579 <= 6 000 000
Затраты на оплату труда, руб. 675 630 590 400 240 100 10 750 2 141 099 <= 2 145 000
Затраты на корма, руб. 0 0 0 0 0 0 0 500 150 000 <= 232 200
Зерновые отходы, ц 2 2 2 0 0 0 0 0 3 612 >= 0
Солома, ц 14 14 16 0 0 0 0 0 25 284 >= 0
Минимально возможная площадь зерновых
1,1 1,1 1,1 0 0 0 0 0 1 957 >= 100
культур, га
Максимально возможная площадь зерновых
1,1 1,1 1,1 0 0 0 0 0 1 957 <= 2 100
культур, га
Минимально возможная площадь под семена для
0 0 0 0 0 1 0 0 0 >= 20
однолетних трав, га
Однолетние травы на силос, ц 0 0 0 80 0 0 0 0 42 >= 300
Однолетние травы на зеленый корм, ц 0 0 0 0 90 0 0 0 7 122 >= 4 800
Пшеница, ц 12 0 0 0 0 0 0 0 30 974 >= 1 809
Овес, ц 0 11 0 0 0 0 0 0 3 105 >= 800
Ячмень, ц 0 0 12,5 0 0 0 0 0 2 042 >= 600
Кормовые единицы, ц 12 10,5 14 24,0 15 0 0,2 -21,3 52 895 >= 0
Переваримый протеин, кг 120 83 130 336 225 0 1 -180,3 387 063 >= 0
Концентраты, мин., ц.к.ед. 0 9 9 0 0 0 0 -4,5 792 >= 0
Концентраты, макс., ц.к.ед. 0 9 9 0 0 0 0 -6,6 162 <= 0
Зеленый корм, мин., ц.к.ед. 0 0 0 14 20 0 0 -5,3 0 >= 0
Зеленый корм, макс., ц.к.ед. 0 0 0 14 20 0 0 -10,2 -1 470 <= 0
Минимальное поголовье КРС, гол. 0 0 0 0 0 0 0 1 300 >= 60
Максимальное поголовье КРС, гол. 0 0 0 0 0 0 0 1 300 <= 300
Объем реализации молока, кг 0 0 0 0 0 0 0 7000 2 100 000 <= 2 100 000
Целевая ф-ция (цена реализации), руб. 7000 7819 8582 1280 1620 200 100 16000
План производства в условиях утраты части
Значение целевой функции
площадей и поголовья скота под влиянием 1541 150 88 0,525 79,133 0 71030 300
24,747 млн. руб.
экстремальных явлений
Значение целевой функции
План производства в благоприятных условиях 6070 193 100 25 186 2788 223814 400
106,042 млн. руб.
Расчетные страховые выплаты, млн. руб. - 1,172 0,756 - 0,128 - - 17,64 Всего - 19,695 млн. руб.
Примечание: коэффициенты матрицы соответствуют размерности, как результат деления размерности строки на размерность столбца.

179
Иваньо Ярослав Михайлович
Петрова Софья Андреевна

Оптимизационные модели аграрного производства в решении задач оценки


природных и техногенных рисков

Монография

Лицензия на издательскую деятельность


ЛР № 070444 от 11.03.98 г.
Подписано в печать 14.12.2015 г.
Тираж 500 экз.

Издательство ФГБОУ ВО Иркутского ГАУ


664038 Иркутская обл., Иркутский район,
пос. Молодежный

180