Вы находитесь на странице: 1из 53

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ

ДОНЕЦКИЙ НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

КОНСПЕКТ ЛЕКЦИЙ
к дисциплине
«МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ
ОКРУЖАЮЩЕЙ СРЕДЫ»
Часть 1

для специальности 6.070800


«Экология и охрана окружающей среды»

Донецк - ДонНТУ - 2007


СОДЕРЖАНИЕ

1 Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Созерцание, анализ и синтез. Понятие модели и моделирования . 6

3 Классификация моделей и способов моделирования . . . . . . . . 12


3.1 Построение математической модели, на примере равномер-
ного движения . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Исследование математических моделей аналитическими и
численными методами . . . . . . . . . . . . . . . . . . . . . . 23

4 Прогнозирование. Основные понятия и методы . . . . . . . . . . 26


4.1 Типы прогнозов . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Инструментарий прогнозирования . . . . . . . . . . . . . . . 31

5 Принципы моделирования эколого-биологических систем . . . . . 33

6 Экспертная оценка факторов окружающей среды . . . . . . . . . 35


6.1 Метод ранжирования . . . . . . . . . . . . . . . . . . . . . . 35
6.2 Метод парных сравнений . . . . . . . . . . . . . . . . . . . . 37

7 Математические методы прогнозирования воздействия на окружа-


ющую среду . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7.1 Картографические методы . . . . . . . . . . . . . . . . . . . . 43
7.2 Матричные методы . . . . . . . . . . . . . . . . . . . . . . . 45
7.3 Имитационно-оптимизационные модели . . . . . . . . . . . . 49

Список литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

2
1 ВВЕДЕНИЕ

Экология – это наука об отношениях растительных и животных


организмов между собой и с окружающей средой (OC). Ее объектами
являются популяции организмов, биологические виды, сообщества, эко-
системы и биосфера в целом. Поэтому экология сильно отличается от
других наук, здесь нет единой основы, которая в других науках подобно
мощному стволу дерева порождает более специализированные направле-
ния исследований. Как раз наоборот, многие науки: ботаника, зоология,
климатология, физическая география, почвоведение, биохимия, химия,
физика сливаясь воедино образуют могучий ствол.
Необходимость решения экологических проблем требует от специ-
алистов-экологов применения специальных методов для построения и ис-
следования математических моделей экологических процессов. Сложность
строения и функционирования экосистем, делают их одним из чрезвычай-
но трудных для изучения объектов и требуют объединения множества ме-
тодов: физических, химических, геолого-географических и биологических
наук.
Работа по оценкам воздействия (ОВ) и прогнозированию впервые была широко
развёрнута в США с конца 60-х годов XX века, после принятия закона о националь-
ной политике в области охраны окружающей среды — NEPA, 1969г., один из пунктов
которого обязывает все федеральные агентства США определять и развивать методы и
процедуры, которые «обеспечат соответствующее рассмотрение тех ценностей окружаю-
щей среды, которые в настоящее время не имеют численного выражения». К настоящему
времени практически все высокоразвитые страны имеют законодательные акты в области
охраны окружающей среды.
При моделировании экологических объектов обычно принято рас-
сматривать ОС состоящую из нескольких компонентов, на которые оказы-
вают влияние (воздействуют) производственные факторы, при этом са-
ми компоненты ОС влияют на социум, т.е. социальные факторы (рис. 1.1).
В сферу моделирования и прогнозирования воздействия на ОС вхо-
дят следующие компоненты природной среды:
1) воздух (атмосфера);
2) вода (гидросфера);
3) земельные, ископаемые ресурсы (литосфера);

3
Рисунок 1.1 – Граф взаимодействия между производственными
факторами, компонентами ОС и социумом

4) биота — флора, фауна и среда их обитания.


Прогнозируется возможное ухудшение качества компонентов и
последствия для человека и экономики. Например, здоровье населения,
продолжительность и качество жизни в результате предполагаемого ухуд-
шения. При этом предсказание воздействия и отклика на них экосистем,
подвергшихся воздействию, основано на предположении, что будущее по-
ведение системы будет подобно в главных аспектах ее прошлому пове-
дению. Однако в сложных взаимодействующих системах ОС это предпо-
ложение далеко не всегда выполняется и решения, зачастую, принимаются
в условиях неопределенности.
В связи с этим, на практике не ограничиваются каким-либо одним
методом или моделью, а сбалансировано используют их комбинации. При
этом, для принятия наиболее приемлемого решения, дополнительно учи-
тывают мнение общественности.
В процедурах моделирования и прогнозирования оперируют такими
важными понятиями как первичное и вторичное воздействие.
Любые влияния на социум (биофизическое и социально-экономическое
окружение человека) т. е. влияние

«Производственные факторы» → «Социум»,

которые непосредственно возникают от хозяйственной деятельности чело-


века (например, производственный шум, загрязнение воздуха автотранс-
портом), рассматривают как первичные воздействия или воздействия пер-
вого рода.
Вторичные воздействия (воздействия более высокого порядка) —
это более отдаленные влияния на социум хозяйственной деятельности че-

4
ловека, хотя непосредственно этим воздействием не инициируется. Напри-
мер, нарушение трофических питательных цепей, образование озоновых
дыр из-за попадания в атмосферу исскуственно получаемых или образую-
щихся в производстве веществ; сокращение видового разнообразия, эрозия
почв из-за сельскохозяйственной деятельности и, как следствие, попада-
ние, загрязнение водоёмов сельскохозяйственными препаратами.
В процессе моделирования и последующего прогнозирования воз-
действий решают следующие задачи:
1) выполняют идентификацию воздействия;
2) создают или уточняют готовые модели (методики);
3) проводят модельные расчеты;
4) интерпретируют результаты расчетов и получают количествен-
ную оценку воздействия прогнозного характера;
5) доводят информацию о воздействии до лиц, принимающих реше-
ния (ЛПР).
Несмотря на большой опыт в проведении ОВ и прогнозирования в различных
странах (например, только в США к 1980 г. их было более 10 тыс.), методологическая
база для их осуществления разработана еще недостаточно, в основном производилось ОВ
на ОС отдельных проектов.

5
2 СОЗЕРЦАНИЕ, АНАЛИЗ И СИНТЕЗ. ПОНЯТИЕ МОДЕЛИ И
МОДЕЛИРОВАНИЯ
Созерцание. Любое познание начинается с простого созерцания, в про-
цессе которого накапливается эмпирическая информация (факты) об ин-
тересующей проблеме или объекте исследований.
Простое созерцание дает возможность качественно охарактери-
зовать внешние проявления феномена, за которым ведётся наблюдение.
Тем не менее, этот способ познания редко когда или совсем не позволяет:
1) проникнуть глубоко в сущность, строение вещей;
2) познать природу и понять закономерности скрытых внутренних
процессов, которые определяют изменение формы существования
объекта;
3) сделать надёжный долгосрочный прогноз, т.е. предсказать пове-
дение объекта и оценить его возможную реакцию на внешние
воздействия.
Множество данных не даёт знания, если не определены соединяющие их законо-
мерности. Большой объем информации не ведет к пониманию, если клубок запутанных
взаимосвязей не складывается в ясный, охватываемый человеческим сознанием Образ.
Если его нет, если отсутствует «картинка», то закрыты пути для использования самого
мощного генератора творческих решений: ассоциативного, метафорического, правополу-
шарного человеческого мышления.
Пытаясь далее проникнуть в суть волнующей научной, технической, социальной
или экологической проблемы, с целью поиска её решение, исследователь сталкивается с
хитросплетением большого числа разнородных факторов и связей, которые не вмещаются
в человеческое сознание, не охватываются им.
Для того чтобы преодолеть барьер сложности, человек начинает упрощать ин-
тересующие явления, делит их на части, поочередно рассматривая различные аспекты,
стороны проблемы. В результате получается несколько картинок, проекций, различных
точек зрения на один и тот же объект. Возможно, некоторые из них все еще выглядят
слишком сложными и запутанными. Тогда он делит на части и эти картинки, рассмат-
ривает их с разных сторон и так далее, до тех пор, пока они не окажутся достаточно
простыми для понимания.
Используя концепцию диалектической триады Гегеля (тезис – ан-
титезис – синтез), познание сущности явления можно представить как
последовательность сменяющих друг друга способов, трех уровней знания
о нем:

6
Первый уровень (тезис) соответствует интуитивному целостному по-
ниманию объекта, который, опирается на живой опыт. В практической жизни
такой способ наиболее распространен. Этот подход может быть очень действенным. Но
успех здесь труднопредсказуем, он целиком зависит от способностей, таланта отдельного
человека.

Второй уровень (антитезис) — аналитический подход (или анализ),


расчленяющий целое, по крайней мере мысленно, на отдельные составля-
ющие (простые блоки, субпроцессы), приходит как отрицание (антитезис)
интуитивного метода познания1) .
Процесс дробления на составляющие ведут до тех пор, пока не
будет достигнута сложность достаточная для восприятия исследователем2) .
Таким образом, когда что-то разбирают на части, чтобы узнать, как
оно работало, это называется анализом.
С помощью анализа получают знание о структуре, однако теряют
возможность понять свойства системы.
Какая опасность подстерегает каждый раз, когда рассекают целое на части и на-
чинают рассматривать их по отдельности? Из поля зрения уходят связи между этими
частями. А если они существенны для понимания закономерностей формирования инте-
ресующих нас свойств, возникновения волнующей нас проблемы? Тогда наше понимание
неизбежно будет неполным, а то и просто ложным, мнимым, а наши рекомендации —
спорными или даже вредными!
«Когда человек разъял мир на части, он перестал понимать действие законов не
только человеческих, но и божеских» (Лао-цзы)3)
Таким образом, явление природы или общества, разложенное на
составные части, уже не может быть тождественным самому себе из-
за непременной потери связей между его частями или субпроцессами.
1)
Анализ является достижением эпохи Просвещения — ителлектуального и духов-
ного движения конца XVII в. — начала XIX в. в Европе и Северной Америке. Это эпоха
религиозного упадка европейского общества, отказ от религиозного миропонимания.
2)
Принципы аналитического подхода даны Декартом: «Нет такой проблемы, кото-
рую я не мог бы решить. Если вдруг не в состоянии с ней справиться, то разбиваю ее
пополам и пытаюсь решить отдельно каждую часть. А ежели какая-то из них все же не
поддается решению, я и ее делю, и т.д.».
3)
Лао-цзы (Старый Младенец, Мудрый Старец) — древнекитайский философ VI–
V веков до н. э., один из основателей течения даосизма.

7
Третий уровень — синтез. Важным дополнением анализа является син-
тез — создание целого из частей.
Для того, чтобы в достаточной степени изучить явление, необхо-
димо понять взаимосвязи отдельных его составляющих, то есть снова
постепенно, по крайней мере мысленно, соединить их в одно целое и вос-
создать исходное явление в целом.
С помощью синтеза человек обретает понимание, т.е. представления
о связях, потоках между составляющими явления.

Модель. Если в процессе расчленения объекта на простые составляющие


пренебречь теми из них, которые не являются важными для формирования
интересующих нас характеристик, то последующим синтезом можно по-
лучить уже новый объект, несколько отличающийся от первоначального
объекта. Такой объект называют прототипом4) или моделью.
Таким образом, объект познания, полученный в результате анализа
оригинала и последующего синтеза в виде прототипа, можно назвать мо-
делью объекта исследования, а сам процесс создания модели и изучения
её свойств — моделированием.
Приведем несколько примеров поясняющих, что такое модель, а по-
том дадим более полное определение.

а) Архитектор готовится построить здание невиданного до сих пор типа. Но прежде


чем воздвигнуть его, он сооружает макет (уменьшенную или увеличенную копию)
этого здания на столе (или с помощью компьютерных программ), чтобы посмотреть
и показать другим, как оно будет выглядеть в действительности.

б) Моделью является плакат, на котором стрелками изображены направления дви-


жения крови и показывающий как функционирует система кровообращения.

в) Перед тем как запустить в производство новый самолет, его помещают в аэро-
динамическую трубу, т. е. искусственно созданную среду эксплуатации, где с по-
мощью специальных датчиков определяют величины напряжений, возникающие в
различных частях конструкции.

г) Моделью является и весящая на стене картина, изображающая бушующее море.

Как видим, во всех примерах имеет место сопоставление некоторого объекта с


другим, его заменяющим:
4)
Прототѝп (от греч. protos – первый и typos – отпечаток, оттиск) — прообраз,
образец, оригинал.

8
а) реальное здание — макет здания;

б) система кровообращения — схема на плакате;

в) серийный самолет — единичный самолет в искусственной среде;

г) бушующее море — картина его изображающая.

Во всех случаях моделирования предполагается, что какое-то опре-


делённое свойство или их группа сохраняется при переходе от исходного
к заменяющему его объекту.
Макет здания намного меньше настоящего, но позволяет судить о его геометрии
(пропорциях) и внешнем виде.
Плакат не имеет ничего общего с живым организмом, но позволяет судить о
кровеносной системе и направлениях движения крови, т. е. о том, откуда и куда течет
кровь.
Самолет в аэродинамической трубе никуда не летит, но напряжения, возникаю-
щие в его корпусе, соответствуют условиям полета.
Картина и море с физической точки зрения не имеют ничего общего, но эмоции
они могут вызвать сходные.
После этого понятным становится следующее определение модели:
Модель — это такой материальный или мысленно представляе-
мый объект, который в процессе познания (созерцания, анализа и син-
теза) замещает объект-оригинал, сохраняя только некоторые важные
его свойства.
Очевидно, что модель всегда более проще, чем объект-оригинал,
поскольку вследствие расчленения его на компоненты часть связей и ком-
понентов, которые считаются малозначащими (с точки зрения исследовате-
ля) сознательно отбрасывают, заботясь лишь о сохранении самых важных.
Изучив свойства упрощенной модели, переносят основные из них
на объект-оригинал. Далее сопоставляя выводы исследований модели с
результатами наблюдения за реальным объектом, делают выводы об аде-
кватности (степени тождественности) модели и оригинала и в случае необ-
ходимости корректируют модель (рис. 2.1). Теперь уточним понятие моде-
лирование.
Моделирование — это метод исследования реальных и абстракт-
ных объектов на соответствующих им моделях5) с целью получения
5)
Прототипах — образах, копиях, схемах, физических объектах, которые отлича-
ются от объекта-оригинала, но аналогичны ему по строению или типу поведения.

9
Рисунок 2.1 – Концептуальная схема создания модели

достоверных прогнозов через усовершенствование этих моделей .


Таким образом, моделирование тесно связано с процессом построе-
ния моделей реальных и абстрактных объектов.
Создание любой модели основано на сумме знаний об объекте-ори-
гинале. Важным этапом, предшествующим разработке модели, является
выдвижение гипотез о структуре и функционировании объекта. Выдвину-
тые гипотезы позволяют сформировать систему взглядов на объект-ориги-
нал. При моделировании наиболее часто применяют:
1) теорию подобия;
2) метод аналогии;
3) статистическую обработку данных эксперимента;
4) всё многообразие математических приёмов и преобразований.
На практике модель нужна для (рис. 2.2):
1) понимания структуры и устройства связей реального объекта,
т. е. каковы его основные физические, химические, динамиче-
ские, биологические свойства, а также законы развития и вза-
имодействия с окружающим миром;
2) наилучшего управления объектом (процессом) и при заданных
целях и критериях;
3) прогнозирования прямых и косвенных последствий при заданных
способах и формах воздействия на объект.

10
Рисунок 2.2 – Цели моделирования

Моделирование сегодня является одним из главных способов и методологией по-


знания сути природных и общественных явлений различного уровня сложности. Хорошо
построенная модель, как правило, доступнее для исследования, нежели реальный объ-
ект. Более того, некоторые объекты не могут быть изучены непосредственно, например:
недопустимы эксперименты с экономикой государств в познавательных целях или с пла-
нетами Солнечной системы. Моделирование получило повсеместное распространения в
ХIХ–ХХI ст. и его можно встретить во всех областях науки и техники. В настоящее
время, его широкому распространению способствует развитие вычислительной техники,
которая создаёт возможности строить компьютерные модели. Ярким примером таких мо-
делей является общеизвестная „виртуальная реальность“.

11
3 КЛАССИФИКАЦИЯ МОДЕЛЕЙ И СПОСОБОВ
МОДЕЛИРОВАНИЯ

Рассмотрим основные виды моделей, которые применяются в раз-


личных методиках оценки воздействия на ОС и в научных исследованиях.
Классификацию моделей и способов моделирования выполняют по
разному, но наиболее распространена классификация, которая основанна
на способе воспроизведения оригинала в модели. В соответствии с ней
выделяют две большие группы моделей (рис. 3.1):
1) материальные (предметные);
2) идеальные (мысленные).

Рисунок 3.1 – Группы и классы моделей

К предметным моделям относятся такие конкретные матери-


альные прототипы, которые воспроизводят основные геометрические,
физико-химические, динамические и функциональные характеристики
объекта оригинала.
В группе материальных моделей выделяют три основных класса
(рис. 3.1):
Первый класс включает модели геометрически (пространственно)
подобные оригиналу. Эти модели, воспроизводят форму и геометрию ори-
гинала в уменьшенном (увеличенном) виде и часто приготовленны „из
самого объекта-оригинала“.
Примерами этих моделей являются:

12
– всевозможные макеты и муляжи, такие как глобусы, модели мо-
лекул, кристаллов, широко используемые в биологии чучела, вы-
сушенные растения и насекомые;
– окрашенные препараты срезов тканей, зафиксированные препа-
раты микроорганизмов.
Второй класс состоит из моделей, имитирующих динамические
свойства оригинала — физически подобных моделей. Это достигается
за счет использования в качестве модели прототипа одинакового с
объектом-оригиналом моделирования физической природы.
В основе геометрического и физического моделирования лежит те-
ория подобия.
Физическое моделирование широко применяется в экологии, когда в силу тех
или иных причин невозможно провести эксперименты в природных условиях, т. е. на
оригинале. Например, не допустимо определение ПДК веществ в экспериментах на че-
ловеке; наблюдение за рыбами в аквариуме обходится намного доступнее и дешевле, чем
подводный исследовательский комплекс в реке или озере.
Примерами физически подобных моделей в экологии служат:
– популяций лабораторных животных, служащих моделями есте-
ственных популяций: дрозофилы (плодовые мушки) — в генети-
ке, дафнии (водяные блохи, двустворчатые рачки) — в водной
токсикологии;
– лабораторная установка с макетами зданий или территории обду-
ваемых в аэродинамической трубе с источником загрязняющего
вещества;
– лабораторные экосистемы в виде лотков с водой, имитирующие
реки и водоемы;
– террариумы, аквариумы (микрокосмы), искусственные бассейны
(макрокосмы) для изучения закономерностей развития популя-
ций организмов, взаимоотношений между ними и влияния раз-
нообразных факторов.
В третий класс входят модели, сохраняющие с реальным объектом
лишь отношения аналогии (точнее — изоморфизма) в наблюдаемых явле-
ниях, т. е. в основе функционирования, как объекта исследования, так и
модели лежат подобные закономерности, которые могут быть описаны ма-
тематически одинаково.

13
Эти модели называют математически подобными (аналоговыми). Ана-
логовая модель строится в виде иных по физической природе характери-
стик, чем у моделируемого объекта. Обязательно лишь, чтобы известные
стороны модели описывались той же математической формулой (уравне-
нием или их системой), что и моделируемые свойства объекта.
Примерами аналогового моделирования являются:
а) наглядное моделирование периодических, колебательных про-
цессов, например, численности популяций насекомых, с помощью
электрического колебательного контура или математическо-
го маятника, который перемещается в вязкой среде;
б) моделирование явления распространения загрязнений, их диф-
физии, путём имитации процессом теплопроводности в разных
средах;
в) исследование законов развития популяций высших организмов
на основе изучения закономерностей размножения колоний ми-
кроорганизмов, насекомых, грызунов и тому подобных.
Аналоговые модели тесно связаны с группой идеальных моделей.
Для понимания отличия последних моделей от других ознакомимся с груп-
пой идеальных, или мысленных моделей. Достаточно вспомнить и учесть
то, что для построения любой материальной модели необходимо, в первую
очередь, мысленно представить её себе, т. е. создать идеальную модель.
Идеальная модель — это абстрактное представление реального
объекта (явления), которое позволяет проявить ключевые процессы, опре-
деляющие его поведение на различных уровнях организации и спрогнози-
ровать тенденции его развития, в зависимости от требуемой точности.
Идеальные модели построены на зрительных и звуковых образах,
знаковых образованиях и преобразованиях: схемах, графах, аналитиче-
ских формулах, музыкальных знаках (нотах), графиках, словах и словосо-
четаниях естественных и искусственных языков.
Идеальные модели существуют не только в голове исследователя,
но и могут быть запечатлены на материальном носителе (камне, метал-
ле, холсте, бумаге, электронном запоминающем устройстве) в виде сло-
весного, графического, математического или другого знакового описания,
работающей компьютерной программы в памяти вычислительной системы.
Существенной чертой этих моделей является то, что все преобра-

14
зования в них и переходы в другое состояние осуществляются мысленно,
т.е. в сознании человека, который опирается при этом на определенную
семантику6) и пользуется логическими, математическими, физическими,
химическими и другими специфическими правилами и законами.
Понятно, что уравнение, записанное на бумаге, не будет моделью, например,
динамики численности популяции само по себе, в руках неграмотного или просто незна-
комого с данными обозначениями человека.
Среди идеальных моделей также различают три основных класса
(рис. 3.1):
1) Образные (ментальные, интуитивные);
2) Знаковые;
3) Концептуальные (смешанные).
Образные (ментальные, интуитивные) модели — это концепции,
идеи, верования и убеждения, заложенные в ходе воспитания, образо-
вания и наработанные самостоятельно в ходе жизни. Они не подаются
формализации. Благодаря им мы направляем свои действия, используем
их для объяснения причин и следствий, придаём смысл нашему опыту.
Можно утверждать, что ментальные модели служат основой для
остальных.
Их можно уподобить линзам, призмам в перископах, через которые мы рассмат-
риваем окружающий нас мир. Они не представляют собой факты, хотя иногда мы именно
так к ним относимся.
Ментальные модели вполне естественны, они есть у каждого и мы восприни-
маем мир именно через них. Они имеют личный характер, и мы дорожим ими. Наши
ментальные модели принадлежат нам, но с новым опытом они меняются, развиваются и
совершенствуются.
Глубоко укоренившиеся ментальные модели определенным образом организуют
наше восприятие мира. Мы используем их, чтобы проводить различия и выбирать, что
имеет для нас значение, а что — нет. Материалом для ментальных моделей служат
отчасти общественные нравы, отчасти — культура, а отчасти — идеи взрослых людей,
оказывавших на нас влияние в детстве.
В создании и поддержании ментальных моделей участвуют четыре
механизма:
Вычеркивание — отбор и фильтрование опыта, часть которого ухо-
6)
Семантика — языковые (смысловые) правила манипулирования знаками и со-
ставленными из них образами (словами)

15
дит из памяти.
Наше внимание действует избирательно. В
каждый миг мы воспринимаем мир при помощи
чувств, и у нас нет возможности замечать всю по-
тенциально доступную информацию и реагировать
на нее. Поэтому мы отбираем и фильтруем ее в со-
ответствии с настроением, интересами, озабочен-
ностью и бдительностью.
Конструирование — это зеркальное отобра-
жение вычеркивания: мы придумываем или видим Рисунок 3.2 –
то, чего на самом деле нет. Мозг отслеживает уви- Конструирование
(треугольник Канижа)
денное и восполняет пробелы с помощью догадок,
которые обычно весьма эффективны. Алгоритмы таких догадок мешают
мыслить нешаблонно.
Мы находим правдоподобные объяснения и потом принимаем их за реальность.
При взгляде в прошлое все выглядит разумно. И мы пытаемся увязать возможную при-
чину с вероятным следствием, соединяя концы с концами в истории, которую хотим
воспринимать как истинную.
На рисунке 3.2 нет треугольника, но мозг, работая в режими глобальной обра-
ботки информации, воспринимает изображение именно так. Наиболее вероятный вариант
восприятия увиденного зависит от предшествующего опыта.
Искажение — манипуляция фактами и событиями, придание им
различных толкований, преувеличение одних деталей и преуменьшение
других.
Оно может стать основой как творчества, так и паранойи. Например, на ри-
сунках 3.3 горизонтальные линии («иллюзия Геринга») кажутся изогнутыми, хотя они
совершенно прямые, а прямая («иллюзия Томпсона») касательная снизу ко всем круж-
кам разных диаметров, кажется кривой, так как мы невольно уподобляем её верхней
криволинейной границе.
Искажая события, мы придаем больший вес каким-то аспектам нашего опыта. В
этом нет ничего плохого, но можно сбиться с пути. Слишком легко подтасовать приобре-
тенный опыт таким образом, чтобы он подтверждал то, что нам выгодно.
Обобщение — истолкование единственного случая как типичного
для целого класса явлений.
Обобщение играет ключевую роль в процессе обучения и применения наших
знаний в различных ситуациях, в том числе и при моделировании. Найдя в предмете
что-либо уже знакомое, мы сразу понимаем, как с ним обращаться. Без умения обобщать

16
(a) иллюзия Геринга (b) иллюзия Томпсона

Рисунок 3.3 – Механизм искажения

нам приходилось бы любую задачу решать с нуля. Когда мы используем такие слова, как
«всегда», «никогда», «все», «каждый» и «никто», мы обобщаем.
Опасность в том, что человек может взять нехарактерный пример, сделать на его
основе обобщение и стать слепым и глухим ко всем свидетельствам обратного.
Таким образом, в ментальных моделях широко используется метод
аналогии7) .
В настоящее время, под аналогией подразумевают такую способ-
ность, которая позволяет на основе интуиции делать умозаключения
там, где логика оказывается неспособной на это, из-за нехватки до-
стоверных знаний.
Аналогия помогает проникать мысли в сферу неизведанного и, в
итоге, становится основой для научных открытий.
Так Демокрит и Левкип старались понять структуру Вселенной, проводя анало-
гию между нею и микромиром (в частности, наблюдая за движением пылинок в воздухе).
Стробон сделал вывод о подвижности земной коры, о том, как поднимаются и опускаются
материки, наблюдая за приливами и отливами, исчезновением и появлением островков.
Аристотель и Платон разделили аналогию на:
– качественную — сходство строения и функций, например, ор-
ганов у растений и животных.
– количественную — сходство отношений и связей.
Знаковые модели — используют знаковые преобразования какого-
либо вида: схемы, графики, чертежи, формулы (математические, химиче-
ские), наборы символов, а также законы, по которым оперируют с этими
7)
Термин «аналогия» в переводе с греческого означает подобие, сходство пред-
метов или явлений в каких-либо свойствах. Это понятие было введенное Аристотелем.
Аристотель обозначал аналогией функциональное и морфологическое сходство органов у
различных организмов. Позднее Эвклид определил аналогию как подобие отношений.

17
знаками.
Смешанные (концептуальные) модели — представляют собой про-
межуточную по отношению к первым двум группу в виде более формали-
зованного и систематизированного варианта традиционного естественно-
научного описания объекта (трактата, теории, гипотезы) который состоит
из научного текста, сопровождаемого блок-схемой, таблицами, графиками
и прочим иллюстративным материалом (чертежи, карты, графики).
Возвращаясь к знаковым идеальным моделям отметим, что важ-
нейшими их разновидностями являются математические и графические.
Математические модели формулируют на языке математики с ис-
пользованием математических методов и логики в том числе с помощью
ЭВМ. Они предназначены для имитации или оптимизации явлений и
процессов, которые имеют детерминированный (определенный) характер.
Классическим примером является описание и исследование основных за-
конов механики Ньютоном.
Модели, представленные в виде программы для ЭВМ называются
логико-математическими.
Балансовые модели — путём формализации явления позволяют на-
ходить изменения количества вещества или энергии на выходе системы в
зависимости от изменения входных потоков и свойств самой системы.
Стохастические модели базируются на применении теории веро-
ятности, математической статистики и используется для анализа сложных
явлений, которые имеют случайный характер. Цель стохастичного моде-
лирования — изучения вероятностных характеристик таких явлений.
Эти модели основаны на математической обработке массива ста-
тистических данных с целью установления непрерывных интерполяцион-
ных пространственно-временных зависимостей контролируемых парамет-
ров без выявления причин наблюдаемых изменений.
Графическое моделирование строится на применении разнообразных
схем, графов, графиков, чертежей и преследуют цель обеспечить нагляд-
ность предоставления объекта.
Единую классификацию идеальных моделей ввести сложно вслед-
ствие разнообразия их признаков. Кроме рассмотренной выше, можно встре-
тить следующие классификации.
По уровню формализации идеальные модели различают:

18
– не формализованные — образные, словесные, графические;
– формализованные — математические, стохастические и статисти-
ческие.
Таким образом, не формализованные модели могут давать только
качественный прогноз (прогноз тенденций), а формализованные — коли-
чественный, т. е. больше надежный прогноз.
По преследуемой цели делят на:
– имитационные — прогнозируют изменения в системе, которые
спровоцированы начальными влияниями или выполняют функ-
цию простого наблюдение за динамикой развития экологического
процесса;
– оптимизационные — определяют оптимальные значений вход-
ных параметров системы и необходимые антропогенные влия-
ния, которые смогут обеспечить достижение желаемых измене-
ний в системе-прототипе.
По уровню детализации условий существования экосистемы:
– статические (стационарные) модели — для постоянных во време-
ни условий;
– динамические модели — для систем, которые развиваются;
– модели с распределенными параметрами — для систем с неодно-
родными условиями существования;
– модели со средоточенными параметрами — для изучения инте-
гральных характеристик систем.

3.1 Построение математической модели, на примере равномерного


движения

Представим, что мы ничего не знаем о свойствах равномерного пря-


молинейного движения и все формулы этого раздела физики забыты. В
таких условиях необходимо решить следующую задачу:
Из пункта А в пункт Б, который удален от него на S = 100 км вы-
шел пешеход. Он проходит в час v = 5 км. Через сколько часов он придет
в пункт Б, если его движение равномерное и прямолинейное. Напомним,
что разделить 100 на 5 и получить результат нельзя в силу нашего усло-
вия.

19
Приступим к решению. Из предварительных на-
блюдений несомненно то, что пройденный путь S за-
висит от скорости движения v и времени t, в течение
которого продолжается движение, т.е. можно утвер-
ждать, что между ними существует некоторая корре-
ляционная связь:
Рисунок 3.4 – К
S = f (v, t) модели о движении

Если нам удастся определить вид функции, то это была бы мате-


матическая модель равномерного прямолинейного движения. Как это сде-
лать? Не вызывают сомнения следующие определения:
1) чем больше значение скорости v, тем больше S (при t = const):

S ↑≈ v ↑

2) чем больше значение времени движения t, тем больше S (при


v = const):
S ↑≈ t ↑
Перечисленным условиям, в общем виде, может удовлетворять функ-
ция вида:
S = vm · t k , m > 0, k > 0 (3.1)
Величины k и m необходимо подобрать так, чтобы они соответ-
ствовали результатам наблюдения за пешеходом. Можно подбирать k и
m, пользуясь методом проб и ошибок (рис...), а можно свести поиск этих
величин к решению математической задачи, например методом наимень-
ших квадратов (МНК). Этот метод предоставляет наиболее универсаль-
ную возможность для определения вида аналитической функции: прямо-
линейной, обратной, параболической, гиперболической, степенной, экспо-
ненциальной, логарифмической, периодической и комбинации их.
В общем, виде процедура поиска корреляционной зависимости и
соответствующих ей коэффициентов, которые задают ее расположение в
пространстве, например, как в примере (3.1) это k, m состоит из следую-
щих этапов:
1. Выполняют нормализацию для тех функций, которые отличаются
от линейной зависимости, используя различные математические приёмы.
Например, для набора некоторых функций y = fj (x):
20

– логарифмирование 99K ln(y) = ln f (x) ;

– потенцирование 99K exp(y) = exp f (x) ;
p p
– извлечение корня 99K z y = z f (x);
– возведение в степень 99K yz = [f (x)]z ;
– замена функций на обратные им;
– агрегирование аргументов и функций;
– разделение аргументов и функций;
– комбинацию перечисленных выше приёмов.
2. Среди набора предполагаемых видов корреляционных зависимо-
стей, с помощью коэффициента корреляции, определяют наилучшую:
n
P
xj · yj
j=1
r= , r ∈ [−1 . . . + 1]
n−1
где xj = Xj − Mx · σ−1

— нормированноее отклонение по X;
 −1 x
yj = Yj − My · σy — нормированные отклонение по Y ;
s s
n 2 n 2
(Xj −Mx ) (Yj −My )
P P
j=1 j=1
σx = n−1 , σy = n−1 — средние квадратические от-
клонения по X и Y ;
Mx , My — средние арифметические:
n
X n
X
−1 −1
Mx = n · Xj , My = n · Yj
j=1 j=1

n — объём выборки, т. е. число пар Xj и Yj (точек наблюдений) .


3. Затем отбирают те зависимости, для которых коэффициент кор-
реляции r является достоверным. Критерий достоверности определяют по
формуле (3.2) и он должен превосходить tsr :

r 1
tr = > tst , tst = f (β, ) (3.2)
mr n

где tst — стандартное значение критерия Стьюдента (выбирается из


таблиц в соответствии с величиной степени вероятности безошибочного
прогноза (β = (0.95; 0.99; 0.999), связь прямая) и степенью свободы ν =
n − 1 , связь обратная)

21
mr — ошибка коэффициента корреляции. Зависит от объёма выбор-
ки n. Для малых выборок (n 6 100):
s
1 − r2
mr =
n−2
Для больших выборок (n > 100):
1 − r2
mr = √
n−1
Таким образом, чтобы получить достоверный коэффициент корре-
ляции, необходимо увеличивать объём исследований, например:

√  
n − 1 1
tr = > tst = f

1 n
−r

n
если n = 20; r = +0.63
s
1 − 0.632
mr = = 0.18,
20 − 2

0.63
tr = = 3.5 > tst = 2.1(0.95); 2.85(0.99); 3.85(0.999)
0.18
Достоверный прогноз будет только для степени точности не выше
99%. Для точности в 99.9% — прогноз будет не достоверным.
4. После этого из совокупности выбранного типа кривых, например,
линейных
Y =a+b·X
находят такую, для которой коэффициенты a и b, рассчитываемые по фор-
мулам:
n
P n
P n
P
n Xj · Yj − Yj · Yj n n
j=1 j=1 j=1 1 X X 
b= n n a= · Yj − b · Xj
n
Xj 2 − Yj 2
P P
n· j=1 j=1
j=1 j=1

обеспечивают наименьшую сумму квадратов отклонений эмпирических


данных (Yj ) от вычисленных (YР ):
n
X
(Yj − Yp )2 → min
j=1
p=1

22
Возвращаясь к рассматриваемому примеру (3.1) необходимо выпол-
нить логарифмические преобразования:

ln S = m · ln v + k · ln t

Если при наблюдениях зафиксировать скорость v = const, тогда


можно выполнить следующие замены:
ln S ln t
Y = , a = m, b = k, X=
ln v ln v
Используя материал наблюдений за пройденным расстоянием S, ко-
нечным результатом решения (3.1) для нашего примера будет k = 1, m = 1:

S =v·t

Пользуясь этой моделью можно без труда вычислить, что пешеход


попадет из А в Б через 20 часов.
Таким образом, математическая модель возникла в результате при-
нятия определенной научной гипотезы и последующей оцифровки ее вы-
ражения на основе результатов наблюдений (экспериментов).
Итак, модель построена. На следующем этапе разрабатывается или используется
созданный ранее алгоритм для анализа этой модели. Если модель и алгоритм не слишком
сложны, применяют аналитическое исследование модели. Иначе составляется программа,
которая реализует алгоритм на ЭВМ. После выполнения расчетов по модели на ЭВМ их
результаты обязательно сравнивают с фактической информацией. Это необходимо, чтобы
убедится в адекватности модели, в том, что модельным расчетам можно верить, их можно
использовать. Если расчеты не имеют ничего общего с реальностью, то необходимо усо-
вершенствовать модель, исправить возможные ошибки в алгоритме или программе для
ЭВМ.

3.2 Исследование математических моделей аналитическими и


численными методами

После того как модель построена её исследуют с помощью ана-


литических или численных методов. Для аналитического метода можно
предложить следующую схему исследования функции:

C = f (v, a, b, c, d, e, f , g) (3.3)

23
Рисунок 3.5 – Концептуальная схема численного метода (перебором)
поиска экстремумов функции в заданной области

1) определяют область существования функции;


2) находят производную функции;
3) устанавливают критические точки, т.е. точки в которых произ-
водная обращается в ноль или не существует;
4) выполняют проверку точек с нулевыми производными — меня-
ет ли знак производная при переходе через такие критические
точки. Если знак меняется, то в этой точке экстремуму суще-
ствует, если не меняется — не существует.
В качестве численного метода исследования модели можно пред-
ложить концептуальную схему представленную на рисунке 3.5. Для эф-
фективной работы этого алгоритма можно предварительно с помощью,
например, Gnuplot или СКМ Maple построить график функции (3.3) и вы-
брать соответствующие области поиска экстремумов и далее численным

24
расчётом уточнить искомый результат.

25
4 ПРОГНОЗИРОВАНИЕ. ОСНОВНЫЕ ПОНЯТИЯ И МЕТОДЫ

В настоящее время прогнозирование прочно вошло в систему пла-


нирования и управления всех промышленно развитых стран мира. Необхо-
димость в прогнозировании вызвана тем, что будущее многих процессов и
явлений нам неизвестно, но оно имеет большое значение для принимаемых
решений в настоящий момент.
Будущую неопределённость устранить (по крайней мере полностью)
невозможно. Таким образом, основной задачей человека (или группы лиц),
принимающего определённое решение при наличии неопределённостей, яв-
ляется нахождение достаточно хорошего (или наилучшего) варианта из
ряда альтернатив. Прогнозирование выступает как один из инструментов
в процессе принятия такого решения.
При разработках прогнозов нередко встречаются с трудностями, ко-
торые связаны с недостаточной определённостью терминологии этого на-
правления исследований. Будущее стремятся: предвидеть, предсказать,
предвосхитить, предугадать, прогнозировать и т.д. Но будущее можно
также планировать, программировать, проектировать. По отношению
к будущему можно ставить цели и принимать решения.
Предвидение — получение информации о будущем, настоящем и
прошлом, которое разделяется на научное и ненаучное: интуитивное, ре-
лигиозное.
Научное предвидение основано на знании закономерностей разви-
тия природы, общества, мышления. Интуитивное — на предчуствиях че-
ловека, житейском опыте, аналогиях; религиозное — на вере в сверхесте-
ственные силы, предопределяющие будущее, суеверия.
Предвидение затрагивает две взаимосвязанные его формы: пред-
сказательную (описательную) и предуказательную (предписательную)
— относящуюся к категории управления.
Предсказание — подразумевает описание возможных или желатель-
ных перспектив, состояний, решений проблем будущего8) Предсказание
переходит в формы предчувствия (предвосхищения), предугадывания и
прогнозирования.
8)
Ещё одно определение: предсказание — это достоверное, основанное на логиче-
ской последовательности суждение о состоянии какого-либо объекта в будущем.

26
Предуказание — связано с решение проблем, с использованием ин-
формации о будущем для целенаправленной деятельности личности и об-
щества. Предуказание выступает в формах целеполагания, планирования,
программирования, проектирования и прогноза.
Формы предсказания
Предчувствие — содержит информацию о будущем на уровне ин-
туиции, подсознания.
Предугадывание — несёт информацию о будущем на основе жиз-
ненного опыта, более или менее верные догадки не основанные на специ-
альных научных исследованиях.
Наконец, Прогнозирование — специальное научное исследование,
предметом которого выступают перспективы развития явления.
Формы предуказания
Целеполагание — это установление идеально предположенного ре-
зультата деятельности.
Планирование — проекция в будущее деятельности для достиже-
ния предустановленной цели, преобразование информации о будущем в
директивы для целенаправленной деятельности.
Программирование — установление основных положений, которые
затем развёртываются в планировании, либо последовательности конкрет-
ных мероприятий по реализации планов.
Проектирование — создание конкретных образов будущего, кон-
кретных деталей разработанных программ.
Прогноз9) — вероятностное научно обоснованное суждение о пер-
спективах, возможных состояниях объекта в будущем и об альтерна-
тивных путях и сроках их осуществления.
Предсказание и предуказание тесно связаны между собой. Без учёта этой свя-
зи невозможно понять сущность прогнозирования, его соотношение с предуказанием. В
предуказании может преобладать волевое начало, и тогда соответствующие цели, планы,
программы, проекты, т.е. решения оказываются волюнтаристкими, субъективистскими,
произвольными (с повышенным риском неоптимальности, несостоятельности). Поэтому
желательно преобладание в них объективного, исследовательского начала.
Прогнозирование не сводится к попыткам предугадать детали будущего (хотя
часто это существенно). Прогнозист исходит из того, что необходимость пробивает себе
дорогу через случайности, что к явлениям будущего нужен вероятностный подход с
9)
От греч. πρoγνωσις — предвидение, предсказание.

27
учётом широкого набора возможных вариантов.
Прогноз и план различаются способами оперирования информацией о будущем.
Вероятностное описание возможного или желательного — это прогноз. Директивное ре-
шение относительно мероприятий по достижению возможного, желательного — план.
Чтобы план был эффективным, оптимальным, ему должен предшествовать про-
гноз, по возможности непрерывный.

4.1 Типы прогнозов

Типология прогнозов может строится по различным критериям в


зависимости от целей, задач, объектов, периода упреждения, организации
прогнозирования и т.д. Основополагающим является проблемно-целевой
критерий: для чего разрабатывается прогноз?
Соответственно различают два типа прогнозов:
1) поисковые (или исследовательские, изыскательские, трендовые,
генетические);
2) нормативные (или программные, целевые).
Основным содержанием поискового (исследовательского) прогноза
является определение возможных состояний объекта в будущем. Другими
словами это прогноз инерции развития объекта, который направлен на
выявление существующих тенденций процесса и отыскание того уровня
(состояния), который будет достигнут к некоторому моменту времени при
сохранении выявленных тенденций.
Таким образом, поисковый прогноз имеет направленность разработ-
ки — от настоящего момента в будущее.
Нормативный прогноз определяет пути (способы) достижения воз-
можных состояний объекта в будущем, принимаемых в качестве цели, за
счёт изменения настоящего состояния. Поэтому направление разработки
нормативного прогноза — от будущих целей к настоящему состоянию.
Нормативный прогноз заключается в установлении будущих целей
развития объекта и рассмотрение возможных вариантов их достижения.
Нормативный прогноз по форме и содержание приближается к плану,
отличаясь от последнего вероятностным характером, многоальтернативно-
стью.
Окончательная предплановая прогнозная разработка — комплекс-
ный прогноз, являющийся результатом совместной разработки и последу-

28
ющей стыковки поискового и нормативного прогнозов.
Таким образом, можно выделить следующие три этапа разработки
прогноза:
а) Ретроспекция — этап, на котором исследуется история развития
объекта и прогнозного фона с целью получить их структуриро-
ванное описание.
б) Диагноз — этап, на котором анализируется структурированное
описание с целью выявления тенденции развития и выбора мето-
дов прогнозирования.
в) Проспекция — здесь по результатам диагноза разрабатываются
прогнозы, производится синтез и их верификация.
Среди поискового и нормативного выделяют подтипы прогнозов:
1) Целевой прогноз — отвечает на вопрос: Что желательно и поче-
му?
2) Плановый прогноз — В каком направлении ориентировать дей-
ствия, чтобы эффективнее достичь поставленных целей?
3) Программный прогноз — Что конкретно необходимо, чтобы до-
стичь желаемого?
4) Проектный (дизайн) прогноз — Как это может выглядеть?
По периоду упреждения — промежутку времени, на который рас-
читан прогноз, — различают: оперативные (текущие), кратко-, средне-,
долго- и дальнесрочные (сверхдальнесрочные) прогнозы.
Оперативный — рассчитан на перспективу, на протяжении которой
не ожидается существенных изменений объекта — ни количественных,
ни качественных.
Краткосрочный — на перспективу только количественных изме-
нений, долгосрочный — не только количественных, но преимущественно
качественных. Среднесрочный охватывает перспективу между кратко- и
долгосрочным с преобладанием количественных изменений над каче-
ственными.
Дальнесрочный (сверхдальнесрочный) — перспективу, когда ожи-
даются столь значительные качественные изменения, что по существу
можно говорить лишь о самых общих перспективах развития природы.
Таким образом, оперативные прогнозы содержат детально-количе-
ственные оценки, краткосрочные — общие количественные, среднесроч-

29
ные — количественно-качественные, долгосрочные — качественно-количе-
ственные, а дальнесрочные — общие качественные оценки.
Временна̀я градация прогнозов является относительной и зависит
от характера и цели прогноза. Обычно в научно-технических прогнозах
период упреждения даже в долгосрочных прогнозах может измеряться
сутками, а в геологии и космологии — миллионами лет.
В области экологических проблем эмпирически установлен следую-
щий временно̀й масштаб: оперативные прогнозы — до одного года, сред-
несрочные — на несколько лет (обычно 5 лет), долгосрочные — на период
свеше 5–20 лет, дальнесрочные — за пределами долгосрочных.
По объекту исследований различают естествоведческие, научно-
технические и обществоведческие (социальные) прогнозы.
В естествоведческих прогнозах взаимосвязь между предсказанием
и предуказанием незначительна, практически равна нулю из-за невозмож-
ности управления объектом, поэтому здесь возможно только поисковое
прогнозирование.
В оществоведческих прогнозах эта взаимосвязь настолько значи-
тельна, что способна давать эффект самоосуществления или, наоборот,
саморазрушения прогнозов действиями людей на основе целей, планов,
решений (включая принятые с учётом сделанных прогнозов). В связи с
этим здесь необходимо сочетание поисковых и нормативных прогноз-
ных разработок. Научно-технические прогнозы занимают промежуточное
положение.
Естествоведческие прогнозы разделяются на следующие подтипы:
1) метеорологические, например, погоды, воздушных потоков и дру-
гих атмосферных явлений;
2) гидрологическиеб например, морских волнений, режима стока
вод, паводков, цунами, штормов, замерзаний и вскрытия аквато-
рий;
3) геологические, например, залежи полезных ископаемых, земле-
трясений, срыва лавин и др. литосферных явлений;
4) биологические, например, урожайность, заболеваемость, и др.
явления растительного и животного мира;
5) космологические, например, состояние и движение небесных тел,
излучений и др. явлений космосферы;

30
6) физико-химические прогнозы явлений микромира.
Обществоведческие прогнозы также делятся на подтипы, количе-
ство которых огромно [?] и выходят за рамки нашей дисциплины.
Между естествоведческими и обществоведческими прогнозами нет
глухой стены, поскольку теоретически взаимосвязь между предсказанием
и предуказанием никогда не равна нулю.
Перечисленные подтипы прогнозов по критерию объекта исследова-
ния на практике в «чистом» виде не встречаются, поскольку они взаимо-
связаны и образуют сложные комплексы.
Для каждого прогноза желательно привлекать как можно больше
данных по смежным направлениям. Степень достоверности прогноза все-
гда прямо пропоруиональна степени полноты используемого материала из
других областей.10)

4.2 Инструментарий прогнозирования

В основе прогнозирования лежат три взаимодополняющих источни-


ка информации о будущем:
1) опыт — использование аналогии с хорошо известными сходными
явлениями;
2) экстраполяция — условное продолжение в будущее на основе
хорошо известных закономерностей;
3) модель будущего состояния объекта.
В соответствии с этим существуют три дополняющих друг друга
способа разработки прогнозов:
Анкетирование (интервьюирование) — опрос населения, экспертов
с целью упорядочить, объективизировать субъективные оценки прогнозно-
го характера. Особенно большое значение имеют экспертные оценки.
Экстраполирование и интерполирование11) — построение динами-
ческих рядов развития показателей прогнозируемого явления на протяже-
нии периодов основания прогноза в прошлом и упреждения прогноза в
будущем (ретроспекция и проспекция).
Моделирования — построение поисковых и нормативных моделей с
учётом вероятного или желаемого изменения явления на период упрежде-
10)
Функция каждой науки — описание, объяснение и предсказание
11)
Выявление промежуточного значения между двумя известными.

31
ния.
Прогноз cсопровождается качественными и количественными пока-
зателями.
Количественный прогноз связан с указанием вероятности наступ-
ления данного события в будущем, т.е. с такими количественными харак-
теристиками, как математическое ожидание и наиболее вероятное значе-
ние.

Рисунок 4.1 – Понятия количественного прогноза

При прогнозировании вначале исследуют процесс на некотором участ-


ке наблюдения, строят модель, а затем, с помощью модели вычисляется
будущее значение в упреждённой точке.
Как правило, в упреждённой точке оценивается математическое
ожидание процесса (точечный прогноз) и величина интервала, в который
с заданной вероятностью попадёт будущее значение процесса — интер-
вальный прогноз.
Таким образом, прогноз должен содержать:
– конкретный точечный результат в упреждённой точке;
– исходную информацию, использованную для его разработки —
объём выборки и статистическая достоверность;
– метод, которым был получен результат — модель;
– оценку точности результата — интервалом прогноза.
Модель (прогнозирующая система), которая даёт меньший интервал
прогноза (т.е. более определённое значение), в котором будет находиться
32
будущее значение прогнозируемого параметра, считается более точной.
Таким образом, разработка прогноза проходит этапы исследования
прошлого, построения некоторой модели, и, наконец, получение результа-
тов — собственно прогноза.

5 ПРИНЦИПЫ МОДЕЛИРОВАНИЯ ЭКОЛОГО-БИОЛОГИЧЕСКИХ


СИСТЕМ

Математическая экология как наука начала формироваться в начале


ХХ столетия. Ее возникновению способствовали труды выдающегося мате-
матика Вито Вольтерра12) и его современников А. Лотки и В.А. Костицина.
Дальнейшее развитие математической экологии связано с именами Г.Ф. Гаузе,
А.Н. Колмогорова, Ю. Одума, Ю.М. Свирежева, Р.А. Полуэктова и др. Наи-
более глубоко математические методы проникли в исследование вопросов
динамики численности биологических популяций.
Различные модификации вольтерровских моделей составляют в на-
стоящее время один из наиболее изученных разделов математической эко-
логии. Как правило, в вольтерровских моделях описываются популяции и
сообщества живых организмов. При этом параметры абиотической (нежи-
вой) среды предполагаются неизменными. Большое число моделей, опи-
сывающих динамику абиотических компонент экосистемы, как правило,
выполнено с помощью уравнений математической физики.
При построении моделей математической экологии используется опыт
математического моделирования механических и физических систем. Кро-
ме этого, эколого-биологическим системам присущи следующие специфи-
ческие особенности:
– сложность внутреннего строения каждой особи;
– полифакториальность внешней среды (условий жизнидеятельно-
сти организмов);
– энергетическая и информационная незамкнутость (проточность)
экосистем;
– существенная нелинейность — огромный диапазон внешних ха-
рактеристик, при которых сохраняется жизнеспособность систем.
12)
«Математическая теория борьбы за существование», 1931 г. Париж — первой
попытки построения математической теории биологических сообществ

33
...

34
6 ЭКСПЕРТНАЯ ОЦЕНКА ФАКТОРОВ ОКРУЖАЮЩЕЙ СРЕДЫ

Многие модели и основанные на них методы прогноза воздействия


проектов строительства промышленных предприятий, жилищно-коммуна-
льных и транспортных систем или их реконструкция, предусматривают
определение агрегированных оценок (показателей). В этом случае, выбор
того или иного проекта по степени наименьшего антропогенного влияния
на окружающую среду строится на применении следующей агрегирован-
ной оценки:
Xn
AO = λj · Fj ,
j=1

в которой учитываются весовые коэффициенты значимости λj для факто-


n
P
ров или параметров окружающей среды Fj . Чаще всего λj = 1.
j=1
Экспертную оценку факторов окружающей среды проводят специ-
алисты в данной области знаний, которые субъективно или на основе
специальных методик оценивают каждый фактор определённым числом
баллов исходя из их важности.
В настоящее время существует несколько методов качественной и
количественной оценки весовых коэффициентов. Рассмотрим два наиболее
известных метода — ранжирования и парных сравнений.
Все экспертные оценки базируются на способности личности давать
полезную информацию в условиях неопределённости.

6.1 Метод ранжирования

Пусть имеются m экспертов, которые оценивают n-факторов. Каж-


дый эксперт проводит ранжирование факторов путём присваивания номе-
ров (мест) от 1 до n в соответствии с уменьшением степени важности
этих факторов13) , при этом заполняется следующая таблица 6.1. Здесь xij
— номер (место), который i-ый эксперт присвоил j-ому фактору.
В дальнейшем таблицу 6.1 пересчитывают, присваивая более важ-
ному фактору большее число — оценку. Пересчёт ведут по формуле с
получением матрицы [Y ]:

yi,j = n − xi,j i = 1,2, . . . , m; j = 1,2, . . . , n (6.1)


13)
Наиболее важный фактор находится на 1-м месте, а наименее — на последнем.

35
Таблица 6.1 – Первичное ранжирование факторов
окружающей среды

Места для j-х факторов


Эксперты
1-й 2-й 3-й 4-й j-й · · · n-й
1-й эксперт x1,1 x1,2 x1,3 x1,4 x1,j ··· x1,n
2-й эксперт x2,1 x2,2 x2,3 x2,4 x2,j ··· x2,n
i-й эксперт xi,1 xi,2 xi,3 xi,4 xi,j ··· xi,n
... ... ... ... ... ... ... ...
m-й эксперт xm,1 xm,2 xm,3 xm,4 xm,j · · · xm,n

Теперь наиболее важный фактор имеет наибольшую оценку (n − 1),


а наименее важный — ноль.
Весовые коэффициенты для агрегированной оценки определяется
следующим образом:
m
P
yi,p
i=1
λp = m P n , p = 1,2, . . . , n (6.2)
P
yi,j
i=1 j=1

m
P
где yi,p — сумма по p-му столбцу.
i=1
m P
P n
yi,j — общая сумма всех элементов матрицы [Y ].
i=1 j=1
Степень согласованности результатов работы экспертов определяет-
ся коэффициентом:
12 · S
w= 2 (6.3)
m · (n3 − n)
n m(n + 1) P m
2
P
где S = dj ; dj = − xi,j ;
j=1 2 i=1
xi,j , i, j — из формулы (6.1).
Определяемые по этим формулам значения w изменяются в преде-
лах w ∈ [0; 1].
В случае, когда w = 1 — все эксперты дают одинаковые оценки,
если же w = 0 — мнения экспертов полностью несогласованны.
В зависимости от величины коэффициента w результаты оценки
факторов либо принимаются, либо отвергаются. Критерием этого можно

36
считать выполнение условия:

w > 0.65 (6.4)

6.2 Метод парных сравнений

Этот метод применяется, когда эксперты затрудняются в оценке


мест важности факторов в баллах. В этом случае каждый k-ый эксперт
заполняет квадратную таблицу 6.2, в которой все n факторов расположены
и по строкам и по столбцам, образуя пересечения между собой, где:
k
ai,j (i = 1, 2, . . . , n; j = 1, 2, . . . , n; k = 1, 2, . . . , m)

элемент таблицы k-го эксперта.

Таблица 6.2 – Парные сравнения факторов


окружающей среды между собой для каждого
k-го эксперта

Факторы 1-й 2-й 3-й 4-й j-й ··· n-й


1-й 0 a1,2 a1,3 a1,4 a1,j ··· a1,n
2-й a2,1 0 a2,3 a2,4 a2,j ··· a2,n
··· ··· ··· ··· 0 ··· ··· ···
i-й ai,1 ai,2 ai,3 ai,4 0 ··· ai,n
··· ··· ··· ··· ··· ··· 0 ···
n-й am,1 am,2 am,3 am,4 am,j · · · 0

Количество экспертов должно быть не менее 3 человек. Количество


факторов (параметров) окружающей среды должно быть 2 и более.
При заполнении ячеек таблицы каждый эксперт проставляет «0»
или «1» в следующих случаях:
а) Если i-й фактор предпочтительнее j-го фактора, то в ячейке вы-
ставляется «1», т.е.:
k
ai,j = 1, для Fi > Fj

б) Если i-й фактор менее значим или равен j-му фактору, то в ячей-
ке выставляется «0», т.е.:
k
ai,j = 0, для Fi 6 Fj
37
Таким образом, по главной диагонали k-х таблиц экспертов 6.2
всегда будут расположены нули.
Всего должно быть получено m таблиц (т.е. таблица для каждого
эксперта).
Далее выполняют объединение таблиц 6.2 в одну [B] путём сум-
мирования чисел, стоящих в соответствующих одинаковых ячейках (i, j):
m
X
k
bi,j = ai,j (6.5)
k=1
С помощью следующей формулы из полученной таблицы [B] (най-
денной по формуле (6.5)) определяют весовые коэффициенты:
n
P
bp,j
j=1
λp = n P n , p = 1,2, . . . , n (6.6)
P
bi,j
i=1 j=1

n
P
где bp,j – сумма по p-й строке.
j=1
n
PPn
bi,j – общая сумма всех элементов таблицы [B].
i=1 j=1
Как и в методе ранжирования, здесь, также определяют степень со-
гласованности экспертных оценок. Вначале рассчитывают относительную
степень согласованности:
n P
n
Cb2i,j
P
2
i=1 j=1
γ= − 1, для bi,j > 2 (6.7)
Cm2 · Cn2
v!
где Cvr = — число сочетаний из v по r,
r!(v − r)!
v!, r!, (v − r)! — соответствующие факториалы чисел v, r, (v − r).
Максимальное значение относительной степени согласованности:

γmax = 1 (6.8)

Минимальное значение:
1
γmin = − , для чётного количества экспертов m; (6.9)
m−1
1
γmin = − , для нечётного количества экспертов m. (6.10)
m
38
Абсолютная степень согласованности:
γ − γmin
w= (6.11)
γmax − γmin
В зависимости от величины степени согласованности w результаты
оценки факторов либо принимаются, либо отвергаются. Критерием этого
можно считать выполнение условия (6.4).

Пример. С помощью экспертной группы, состоящей из 3 специалистов,


требуется провести экспертную оценку значимости (определить весовые
коэффициенты значимости и степени согласованности экспертов) че-
тырёх факторов, которые влияют на эрозию почв юго-восточных областей
Украины.
Экспертную оценку выполнить двумя методами – методом ран-
жирования и методом парных сравнений. Перечень влияющих факторов
представлен ниже:
а) уклон рельефа (F1 );
б) характер землепользования (F2 );
в) тип почв (F3 );
г) режим атмосферных осадков (F4 ).
Первоначальная работа экспертов по ранжированию факторов по-
казана в таблице 6.3.
Таблица 6.3 – Первоначальное ранжирование
факторов

Экс- Условия Факторы


перты предпочтительности F1 F2 F3 F4
1-й F4 > F2 > F3 > F1 4 2 3 1
2-й F2 > F4 > F1 > F3 3 1 4 2
3-й F4 > F2 > F3 > F1 4 2 3 1

Решение методом ранжирования. После пересчёта первоначальной та-


блицы – матрицы 6.3:  
4 2 3 1
X = 3 1 4 2
 

4 2 3 1
39
получаем новую таблицу 6.4, где более важному фактору соответствует
большее число, а самому незначительному – ноль.
Таблица 6.4 –
Пересчитанная
таблица 6.3 по
ранжированию
факторов

Экс- Факторы
перты F1 F2 F3 F4
1-й 0 2 1 3
2-й 1 3 0 2
3-й 0 2 1 3

Или в матричном виде:


 
0 2 1 3
Y = 1 3 0 2
 

0 2 1 3

Подсчитываем суммы по столбцам-факторам для матриц [X] и [Y ]:


3
X h i
xi,k ; k = 1...4 99K 11 5 10 4
i=1

3
X h i
yi,k ; k = 1...4 99K 1 7 2 8
i=1
Общая сумма всех значений матрицы [Y ]:
3 X
X 4
yi,j = 18
i=1 j=1

По формуле (6.2) находим вектор весовых коэффициентов:


 
1 7 2 8
λ= , , ,
18 18 18 18

По формуле (6.3) рассчитываем степень согласованности экспертов.


Предварительно находим dj и S.
40
Для 1-го фактора:

d1 = 0.5 · 3 · (4 + 1) − 11 = −3.5

аналогично для остальных факторов:

d2 = 2.5 d3 = −2.5 d4 = 3.5

Сумма S составит:

S = (−3.5)2 + 2.52 + (−2.5)2 + 3.52 = 37

Степень согласованности экспертов:


12 · 37 37
w= = ≈ 0.82 > 0.65
9 · (64 − 4) 45
 
1 7 2 8
Вывод: найденные весовые коэффициенты значимости , , ,
18 18 18 18
являются согласованными.

Решение методом парных сравнений. Работа экспертов по парному


сравнению факторов отражена в таблице 6.5 и сводной таблице 6.6. Та-
блица 6.5 получена по исходным данным условий предпочтительности
(см. табл. 6.3).

Таблица 6.5 – Парное сравнение факторов тремя экспертами

1-й эксперт 2-й эксперт 3-й эксперт


Факторы 1-й 2-й 3-й 4-й 1-й 2-й 3-й 4-й 1-й 2-й 3-й 4-й
1-й 0 0 0 0 0 0 1 0 0 0 0 0
2-й 1 0 1 0 1 0 1 1 1 0 1 0
3-й 1 0 0 0 0 0 0 0 1 0 0 0
4-й 1 1 1 0 1 0 1 0 1 1 1 0

Подсчитываем суммы рангов по p-м строкам сводной таблицы 6.6.


Для 1-й строки: 0 + 0 + 1 + 0 = 1 и аналогично для остальных строк.
В итоге получаем:
4
X h i
bp,j ; p = 1...4 99K 1 7 2 8
j=1

41
Таблица 6.6 – Сводная
таблица экспертных оценок

Факторы 1-й 2-й 3-й 4-й


1-й 0 0 1 0
2-й 3 0 3 1
3-й 2 0 0 0
4-й 3 2 3 0

Общая сумма всех значений:


4 X
X 4
bi,j = 18
i=1 j=1

По формуле (6.6) находим вектор весовых коэффициентов:


 
1 7 2 8
λ= , , , (6.12)
18 18 18 18

Относительная степень согласованности экспертов по формуле (6.7):


2 · (3 + 3 + 1 + 3 + 1 + 3) 5
γ= −1=
3·6 9
По условиям (6.8) и (6.9) находим интервал значений для расчёта абсо-
лютной степени согласованности:
1
γmax = 1 γmin = −
3
По формуле (6.11) находим абсолютную степень согласованности и
сравниваем с условием (6.4):
5 1
+
w= 9 3 ≈ 0.67 > 0.65
1
1+
3
Вывод: найденные весовые коэффициенты значимости (6.12) являются со-
гласованными с расположение по значимости:

F4 > F2 > F3 > F1

42
7 МАТЕМАТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ
ВОЗДЕЙСТВИЯ НА ОКРУЖАЮЩУЮ СРЕДУ

Большое разнообразие математических моделей и методик, связа-


ные с прогнозированием воздействия жизнедеятельности человека на со-
стояние ОС основано на следующих разделах математики:
– линейной алгебры, в частности: векторные и матричные преобра-
зования для решения систем линейных алгебраических уравне-
ний (СЛАУ);
– дифференциальном и интегральном исчислении;
– теории вероятности и математической статистики;
– корреляционном, регрессионном и факторном анализе.
По назначению существующие модели и методы прогнозирования
можно разделить на несколько больших категорий:
1. картографические и математико-картографические модели;
2. матричные (балансовые);
3. сетевые модели;
4. адаптивные методы;
5. вероятностно-статистические модели;
6. модели с применением линейного и динамического программиро-
вания для решения оптимизационных задач.
Сделаем краткий обзор разработанных в разных странах моделей и
методов, покажем их применимость для решения задач в области охраны
окружающей среды.

7.1 Картографические методы


Метод наложения или совмещенного анализа карт. Этот наиболее
простой и наглядный метод, предложенный Мак-Харгом. В нём использу-
ет набор прозрачных карт (с координатной сеткой и топографией), каждая
из них представляет пространственное распределение параметров ОС (на-
пример, загрязнение воздуха и почвы, предрасположенность почв к эро-
зии, промышленная застройка, свалки промышленных и бытовых отходов
и т.д.). Этот метод включает следующие этапы:
1. Каждая карта покрывается штриховкой. Обычно используется три
градации густоты штриховки. Локализация заштрихованных мест и густота

43
штриховки показывают степень воздействия промышленного объекта (ком-
плекса) на выбранный параметр ОС.
2. Путем совмещения отдельных карт получают суммарную картину
воздействия на анализируемую территорию.
Чтобы результирующая карта была читаемой, обычно совмещают не
более 10 карт. Эффективность метода совмещения повышается при приме-
нении ЭВМ. В этом случае параметры задаются в численном виде в узлах
некоторой сетки точек. В процессе агрегирования параметрам могут быть
приданы некоторые веса в зависимости от их значимости.

Имитационная картографическая модель. Идея наложения карт по-


лучила развитие в имитационной картографической модели, состоящей из
трех блоков карт:
1. инвентаризационных — дают общее представление о соотноше-
нии хозяйственных и природных объектов на исследуемой терри-
тории;
2. покомпонентных (оценочных и прогнозных) — предназначенные
для изучения влияния хозяйства на отдельные компоненты при-
родной среды;
3. интегральных — дают оценку (в баллах) состояния природной
среды в целом по изучаемой территории.
Легенда интегральной карты представляет собой матрицу, где по
вертикали приводятся оцениваемые компоненты природной среды, а по го-
ризонтали — природопользователи, использующие одни и те же компонен-
ты природной среды. В результате анализа интегральных карт-сценариев
путем имитационных экспериментов (проигрывания вариантов) создаются
карты предложений по рационализации природопользования в регионе.
Картографические методы обладают рядом несомненных достоинств:
наглядностью представления, относительной простотой реализации, воз-
можностью определения величины и значимости первичных воздействия.
Недостатками являются — отсутствие идентификации воздействий
второго и более высоких порядков.

Математико-картографические моделирование социоэкосистем (МКМ)


...

44
7.2 Матричные методы

В этих методах прогнозирования рассматривают списки (массивы,


таблицы) параметров ОС и воздействий на них. Наиболее известными
матричными методами являются:
1. метод контрольных списков (метод Бателле);
2. матрица Леопольда;
3. методика Петерсона;
4. матрица взаимодействующих компонентов
Рассмотрим основные характеристики каждого из них.

Метод контрольных списков. Этот метод был разработан в США Ба-


телле. Он позволяет оценивать действие нескольких десятков (70–80) про-
изводственных факторов (показателей воздействия) на параметры ОС,
которые разделяют на четыре категории (сферы):
1. сфера экологии — наземные, водные виды и популяции, а также
их место обитания;
2. физико-химическая сфера — показатели качества воды, воздуха
и почвы;
3. сфера чувственного восприятия — запахи, звуковое и визуаль-
ное восприятие;
4. сфера человеческой деятельности (социум) — включает особен-
ности образа жизни на рассматриваемой территории.
Каждому из параметров ОС присваивается вес (G) способом ранжи-
рования (1000 единиц распределяется между всеми параметрами в соот-
ветствии с их относительной важностью). Затем, для каждого параметра
ОС экспертным путем строится «функция значимости», связывающая его
значение с характеристикой качества данной среды. Характеристика
задаётся в баллах в интервале от 0 до 1.
Для построения «функции значимости» (рис. 7.1) выполняют сле-
дующую процедуру:
1. получают данные о взаимосвязях между параметром и качеством
окружающей среды;
2. располагают шкалу параметра (абсциссу) так, чтобы самое низ-
кое ее значение равнялось 0;

45
3. делят шкалу качества (ординату) на равные интервалы от 0 до 1
и откладывают соответствующие им значения параметра;
4. процедуры 1–3 проделывают независимо друг от друга несколько
экспертов, а затем усредняют полученные результаты;
5. процедуры 1–4 проводят для всех параметров.

Рисунок 7.1 – Примеры «функции значимости»

Используя функции значимости, определяют разницу в нормиро-


ванных значениях каждого параметра до и после воздействия. Умножив
эту разницу на определенный ранее вес параметра, получают его «ин-
дикатор воздействия». Просуммировав, получают агрегированную оценку
воздействия.
ИВi = (K(до)i − K(после)i ) · Gi
70...80
X
АОj = ИВi , j = 1 . . . 4 (сферы воздействия)
i=1
С помощью агрегированных оценок производится сравнение альтер-
нативных вариантов развития (строительство гидротехнических сооруже-
ний, расширение сельскохозяйственных угодий и т.д.):
Сильной стороной данного метода является то, что он позволяет не
только идентифицировать, но и прогнозировать величину воздействия.
Главными недостатками является отсутствие механизма для оцен-
ки взаимного влияния между перечисленными в контрольном списке па-
раметрами, а также оценки воздействия более высокого порядка.
В следующих методах два контрольных списка параметров и воз-
действий на ОС располагают в виде строк и столбцов матриц. Это позволя-

46
ет получить количественную и качественную информацию о взаимосвязях
типа причина – следствие.

Матрица Леопольда. Широко известным примером использования мат-


риц является матрица Леопольда, в которой:
– по горизонтали перечислены до 100 различных воздействий, ко-
торые могут влиять на окружающую среду, например: сооруже-
ние плотин, переработка полезных ископаемых, полеводство, ле-
соразведение, сброс сточных вод и т. д.
– по вертикали — параметры окружающей среды (80–90): качество
воды, качество атмосферы, ландшафтный дизайн, размещение от-
ходов и т. д.
При наличии воздействия на пересечении соответствующего столб-
ца и строки проставляется два числа в интервале от 0 до 10:
– в числителе — величина воздействия;
– в знаменателе — значимость воздействия.
Позитивные и негативные воздействия обозначаются соответственно зна-
ком «+» или «–».
Таким образом, с помощью матрицы Леопольда можно наглядно от-
разить до 9000 взаимодействий, хотя на практике их число колеблется
от 25 до 50. Никакие агрегированные индексы как в методе контроль-
ных списков не предусматриваются, поэтому при анализе альтернативных
вариантов приходится анализировать большое количество информации.
Преимущества и недостатки. Матрицы типа матрицы Леопольда
полезны для оценки воздействия в крупных региональных проектах — они
дают обобщенное рассмотрение первичных воздействий на окружающую
среду.
Этот метод не требует больших затрат ресурсов. Однако отсутству-
ет возможность прогнозировать воздействия и идентифицировать вторич-
ные воздействия и воздействия более высокого порядка, получать агреги-
рованные оценки. Частично эти недостатки устранены в описанных ниже
методах, основанных на свойствах умножения матриц, например в мето-
дике Петерсона

47
Методика (матрица) Петерсона. Процедура анализа воздействия, пред-
ложенная Петерсоном включает разработку двух матриц A и B. В матрице
A определено возможное воздействие производственных факторов (20–
30) каждого из альтернативных вариантов проекта14) на параметры окру-
жающей среды (10-20): качество поверхностных вод, воздуха, почв, био-
тические сообщества и т.д., а в последствии на социум. Эти воздействия
оценивают в баллах в интервале от −3 до +3.

Рисунок 7.2 – Схема оценки воздействия с помощью методики Петерсона

В матрице B в тех же величинах оценивается воздействие, которое


могут оказать измененные под влиянием проекта компоненты природной
среды на социальные факторы, например: плотность населения, здоровье,
производство продуктов, уровень занятости населения и т.д. всего около
20 факторов. Таким образом, в матрице B оценивают вторичное воздей-
ствие.
Произведение этих матриц определяет воздействие элементов про-
екта на социальные факторы. Умножив полученную матрицу на вектор ве-
сов значимости социальных факторов получают результирующий вектор-
столбец. Далее просуммировав значения результирующего вектора-столб-
ца, получают единую агрегированную оценку воздействия проекта (рис. 7.2),
14)
Например, количество заводов без очистки и с биологической очисткой сточных
вод, сельскохозяйственные угодья, энергетические установки и т. д.

48
при этом единственной входной информацией является субъективные оцен-
ки совета экспертов.
Низкая ресурсоемкость метода позволяет проводить интерактивные
процедуры оценки на ранних стадиях и вносить необходимые изменения в
проект. По агрегированным оценкам сравнивают различные проекты.
Преимущества. Метод позволяет дифференцировать первичные и
вторичные воздействия. Вместе с тем он обладает низкой возможностью
прогнозирования воздействия и определения риска.
Недостатком является то, что часть информации теряется в про-
цессе агрегирования, а также не учитывается взаимное влияние компо-
нентов друг на друга.

Матрица взаимодействующих компонентов .........

7.3 Имитационно-оптимизационные модели

Модели этого типа являются наиболее распространенными для ре-


ализации принципов системного анализа и охватывают модели, матема-
тический аппарат которых позволяет решать задачи оптимального управ-
ления моделируемым объектом. Они применяются при решении проблем
поиска оптимального взаимодействия природы и общества.
Класс этих моделей можно разделить на 2 группы.
Построение моделей 1-й группы основано на использовании методов
линейного и динамического программирования при исследовании систем,
которые заданы через системы линейных алгебраических (СЛАУ) и/или
дифференциальных уравнений.
Вторая группа оптимизационных моделей построена с помощью ма-
тематической теории игр и в общем случае, исследуются статистическими
методами.
В качестве примера, рассмотрим многоуровневую модель, описыва-
ющую взаимодействие экологических и экономических систем. В общем
виде эта модель включает следующие блоки:
1) Блок межотраслевого баланса (МОБ);
2) Блок динамики природных ресурсов (ДПР);
3) Блок принятия управленческих решений (ПУР).

49
Главной целью (решением) этой модели является устранение про-
блемных ситуаций, связанных с принятием решений, эффективных с точ-
ки зрения сегодняшнего дня, но не эффективных для будущего. Модели
этого типа обладают достаточной сложностью и включают как СЛАУ, так
и системы уравнений в интегральной и дифференциальной форме.
Блок МОБ представлен многоотраслевой моделью Леонтьева в виде
СЛАУ. Межотраслевой баланс — это метод анализа взаимосвязей между
различными секторами экономической системы.
Предположим, что исследуемую эколого-экономическую систему мож-
но разделить на несколько отраслей (секторов), производящих определен-
ные товары и услуги (сельское хозяйство, промышленность, транспорт,
энергетика и т. п.). При производстве товаров и услуг в каждом секторе
расходуются ресурсы в виде сырья, рабочей силы, оборудования и др.,
которые производятся как в данном секторе экономики, так и в других
секторах. Это означает, что каждый сектор выступает в системе межот-
раслевых связей одновременно производителем и потребителем.
Кроме полезного продукта по каждому сектору экономики происхо-
дит образование и выброс загрязняющих веществ в окружающую среду,
количество которых можно представить через удельные величины, напри-
мер, приходящиеся на 1-цу выпуска каждого вида продукции.
Цель балансового анализа — определить сколько продукции (X)
должен произвести каждый сектор для того, чтобы удовлетворить все по-
требности (Y ) экономической системы в его продукции и, при этом, не
нарушить установленных норм выбросов вредных веществ в окружающую
среду.
Рассмотрим упрощенную модель межотраслевого баланса — баланс
экономики, состоящей из трех секторов — сельского хозяйства, промыш-
ленности и домашних хозяйств. В качестве единицы измерения объемов
товаров и услуг каждого сектора выберем их стоимость.
Предположим, что вся продукция сельского хозяйства составляет
200 денежных единиц, из них 50 единиц потребляется внутри самого сек-
тора, 40 единиц — в промышленности и 110 — в домашних хозяйствах.
Продукция промышленности составляет 250 единиц, из них 70 еди-
ниц потребляются в сельском хозяйстве, 30 — в секторе промышленности
и 150 — в домашних хозяйствах.

50
Домашние хозяйства производят 300 единиц продукции, из них 80
потребляются сельским хозяйством, 180 — в промышленности и 40 —
внутри самого сектора. Эти данные сведены в таблицу межотраслевого
баланса (табл. 7.1).

Таблица 7.1 – Межотраслевой баланс для замкнутой экономической


системы

Потребление продукции
Общий
Производящие Сельское Промыш- Домашние выпуск
сектора экономики хозяйство ленность хозяйства
Сельское хозяйство 50 40 110 200
Промышленность 70 30 150 250
Домашние хозяйства 80 180 40 300
Общие затраты 200 250 300

Числа, расположенные в строках таблицы, показывают, как распре-


деляется произведенная продукция каждого сектора по остальным секто-
рам, последний элемент строки — общий объем произведенной сектором
продукции (общий выпуск).
Данные, расположенные в столбцах показывают, какую продукцию
потребляет каждый сектор в процессе производства, последнее число в
столбце — суммарные затраты сектора.
Из таблицы 7.1 видно, что все секторы являются производящими,
при этом вся произведенная продукция потребляется в различной степе-
ни этими же секторами. Такая модель межотраслевых связей называется
замкнутой.
В замкнутой модели объем затрат каждого сектора (сумма эле-
ментов в столбце таблицы) равен объему произведенной продукции (сум-
ма элементов в соответствующей строке).

51
СПИСОК ЛИТЕРАТУРЫ

1. Оценка современного и прогнозного состояния природной среды. Под


ред. Букс И.И., Мяч Л.Т. Московское отделение Гидрометеоиздата
1990. (5 О93)
2. Горстко А.Б., Угольницкий Г.А. Введение в моделирование эколого-
экономических систем. Ростов н/Д. Издательство Ростовского уни-
верситета, 1990. 112с. (57 Г70).
3. Математические модели водных экосистем. ВЦ АН СССР, Москва
1984. (57 М34).
4. Петросян Л.А., Захаров В.В. Введение в математическую экологию.
–Л.: Изд-во Ленинградского ун-та, 1986, 224с.(57 П31)
5. Марчук Г.И. Математическое моделирование в проблеме окружающей
среды, 1982. (5 М30)
6. Математическое моделирование. Под ред. Дж.Эндрюса и Р.Мак-
Лоуна. Изд-во «МИР», Москва 1979. (51 М34).
7. Пененко В.В., Алоян А.Е. Модели и методы для задач охраны окру-
жающей среды. –Новосибирск: Наука, 1985. 160с. (5 П25)
8. Воробьев Н.Н. Теория игр: Лекции для экономистов-кибернетиков.
–Л., 1973, 160с.
9. Берлянд М.Е. Современные проблемы атмосферной диффузии и за-
грязнения атмосферы. –Л.: Гидрометеоиздат, 1975. 448с.
10. Экологические системы. Адаптивная оценка и управление. Под ред.
Холинга К.С. –М., 1981, 396с.
11. Человек и биосфера. / Моисеев Н.Н., Александров В.В., Тарко А.М.
12. Вторжение в природную среду. Оценка воздействия. / А.Ю.Ретеюма.
- М.: Прогресс, 1983. -193с.
13. Экология глазами математика. / Моисеев Н.Н.
14. Приложение математических моделей к анализу эколого-
экономических систем./ Брусиловский П.М., Гурман В.И., Дроз-
довский Э.Е. и др. Новосибирск: Наука, 1988. 212с.
15. Основы логико-информационного моделирование сложных геосистем.
/ Беляев В.И., Худошина М.Ю.
16. 6.Географическое обоснование экологических экспертиз. / М., МГУ,
1985

52
17. Математическое моделирование глобальных биосферных процессов. /
Крапивин В.Ф., Свирежев Ю.М., Тарко А.М., М., 1972
18. Метод Лагранжа в кинетике облачных процессов/ Беляев В.И.
19. Математическое моделирование больших систем/ Максимей И.В.
–Минск.: Выш.шк.,1985.–119с.
20. Одум Ю. Экология, 1986
21. Федоров В.Д., Гильманов Т.Г. Экология, 1980
22. Уильямсон М. Анализ биологических популяций. 1975
23. Базыкин А.Д. Математическая физика взаимодействующих популя-
ций, 1985
24. Смит Дж.М. Модели в экологии, 1976
25. Семевский Ф.Н., Семенов С.М. Математическое моделирование эко-
логических процессов, 1982
26. Позин В.А. Математика, компьютер, прогноз погоды, 1991.

53