авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 9 |

«Федеральное агентство по образованию Сибирская государственная автомобильно-дорожная академия (СибАДИ) Т.В. Боброва ...»

-- [ Страница 4 ] --

Существующая система метеорологического обеспечения общего наз начения не учитывает в полной мере потребности дорожной отрасли в спе циализированной информации по составу, оперативности и детальности, ОБЪЕМЫ РАБОТ ЗИМНЕГО СОДЕРЖАНИЯ СЕТИ АВТОМОБИЛЬНЫХ ДОРОГ НА ТЕРРИТОРИИ Мероприятия содержания Патрульная снегоочистка Мероприятия по ликвидации Ликвидация зимнего проезжей части и обочин, и предотвращению и предупреждение предупреждение снегозаносимости участков дорог гололедных явлений образования наката направлений ветра по румбам Число дней со скоростью Количество осадков, мм Число дней с низовыми Климатические факторы Число дней с осадками Число дней с осадками Число дней с гололедицей Число дней с общими Число дней с изморозью Число дней с гололедом Число дней с оттепелью Продолжительность Продолжительность Число дней с инеем Повторяемость ветра более 3 м/с более 0,5 мм метелей, ч более 1мм осадков, ч метелями метелями воды Признаки районирования Признаки районирования, Признаки районирования по снегопадам характеризующие метелевый режим по гололедным явлениям Рис. 3.11. Комплексная группировка климатических факторов, определяющих признаки районирования территории для зимнего содержания дорог на основании которой возможно принятие эффективных организационных и технологических решений. Для оперативного управления ЗС на федеральной дорожной сети получает развитие специализированное метеорологическое обеспечение, призванное на основе постоянного измерения погодных параметров и состояния дорожного покрытия прогнозировать наступление неблагоприятных погодных факторов и способствовать предотвращению их воздействия на состояние дорожного покрытия за счет перехода на профилактику образования зимней скользкости. [255. 345, 353].

В то же время для стратегического и текущего (годового) планирования мероприятий зимнего содержания дорожной сети на территории целесообразно использовать «Метеорологические ежемесячники» территориальных управлений Федеральной службы России по гидрометеорологии и мониторингу окружающей среды (Росгидромет).

Данные берутся со станций и снегомерных постов, расположенных на территории региона. Различие метеорологических факторов на территориях регионов достаточно существенно и оказывает значительное влияние на величину объемов работ и ресурсоемкость проектов зимнего содержания [351, 330].

В табл. 3.5 представлены статистические данные ряда климатических показателей, используемых для расчета объемов работ зимнего содержания по регионам Сибири: Кемеровская область, Омская область, Алтайский край. Информация для данной таблицы получена путем обработки метеорологической информации по совокупности метеостанций и снегомерных постов территорий за период 1971–1997 гг. и характеризует значения этих показателей в целом по каждому региону. На территориях площадью от 95,7 до 168 тыс. км2 коэффициент вариаций средне многолетних значений основных показателей составляет от 20 до 113%.

Коэффициент фондовой дифференциации Kф, который представляет собой соотношение двух средних величин, полученных из 10% наибольших и наименьших значений показателей, изменяется от 2 до 17. Установлено, что среднемесячные значения ряда характеристик неблагоприятных погодных явлений, включаемых в расчеты объемов работ по содержанию дорог, являются случайными величинами с нормальным законом распределения. Целью районирования является выделение территорий, на которых коэффициент вариации средне- многолетних значений основных показателей не превысит 20–30%. Выделение более однородных климатических зон позволит повысить достоверность планирования объемов работ и, соответственно, ресурсов для их выполнения.

Таблица 3. Статистические характеристики среднегодовых значений метеорологических показателей зимнего периода (по данным наблюдений за 1971–1997 гг.) Омская область Кемеровская область Алтайский край (площадь 139,7 тыс. км2) (площадь 95,7 тыс. км2) (площадь 168 тыс. км2) Показатель min max K K min max K K min max K K V V V Число дней со снего 23 40 30 7 24 1,6 22 76 41 8 21 2,3 20 48 33 7 22 2, падом 1 мм/сутки Число дней со снего 30 55 44 9 20 1,6 37 91 58 9 16 2,7 28 60 43 9 21 1, падом 0,5 мм/сут Количество твердых 81 132 103 25 24 1,6 71 335 157 35 23 3,7 61 244 129 29 23 2, осадков, мм воды Продолжительность 341 968 587 125 22 2,7 144 432 242 269 113 2,7 189 628 390 132 34 2, твердых осадков, ч Число дней с 6 33 18 6 38 4,0 6 42 18 10 58 3,7 2 47 24 9 38 4, метелями Продолжительность 32 191 104 48 54 3,1 31 322 134 90 70 4,1 20 348 163 70 48 7, метелей, ч Число дней с 1 15 7 3 52 15,0 3 21 9 5 59 4,5 2 25 11 4 40 4, низовыми метелями Продолжительность 3 77 31 22 77 14,0 16 161 67 45 70 8,2 10 174 81 35 50 17, низовых метелей, ч Число дней с гололедными явле 17 70 39 12 31 4,0 7 27 10 11 90 3,1 10 56 34 25 66 3, ниями (гололед, гололедица) Обозначения: min, max – соответственно минимальное и максимальное значения показателей;

µ–математическое ожидание;

–среднеквадратическое отклонение;

K V –коэффициент вариаций, %;

K – коэффициент фондовой дифференциации Если рассматривать районирование как отрасль науки о классификации территориальных сочетаний природных условий, то для однозначного определения пространственных границ этих сочетаний должны быть применены специальные математические методы.

Под классификацией обычно понимают разделение всего изучаемого множества предметов по выявленному сходству на отдельные группы или подмножества. Простейший метод классификации – это выделение групп по выбранному признаку, который является наиболее важным. Но, однако, возникает ситуация, когда затруднительно выбрать какой-то одни ведущий признак и необходимо осуществить классификацию, используя одновременно все имеющие признаки. Тогда необходимо прибегать к построению синтетических показателей, которые функционально зависят от исходных признаков. Сделать это можно с помощью методов факторного или компонентного анализа.

Непосредственная классификация исходного множества многомерных объектов на группы осуществляется таким образом, что объекты, отнесенные к одной группе, будут максимально «близки», а объекты, отнесенные к разным группам, будут максимально «удалены». При этом «близость» и «удаленность» объектов определяется как функция «расстояния» между объектами в многомерном пространстве, соответствующем системе анализируемых признаков [44, 106].

Обозначим список учитываемых признаков с указанием множества значений, принимаемых каждым из них, через 1, 2,...., n, список классов, которые нужно различать, через S S1, S 2,...., S k, решающее правило через D. Тогда все разнообразие классификационных задач можно охватить обобщающей схемой, предложенной Загоруйко Н. Г. [108].

Согласно этой схеме, выделяются 3 типа задач классификации.

1. При заданных Х и S найти наиболее простое правило D, разделяющее исходное множество объектов на заданное число классов:

(, S ) D.

2. При заданных значениях S и D найти достаточно информативную и наиболее простую систему признаков Х:

(S, D) X.

3. При заданных Х и D найти S – собственно задача классификации:

(, D ) S.

Рассматриваемую задачу третьего типа формулируют следующим образом: разделить совокупность объектов, заданных набором характеризующих их числовых значений соответствующих признаков, на однородные в некотором смысле группы. Полученные группы обычно называют кластерами, а методы их выделения – кластерным анализом.

Согласно [106] решение задачи многомерной классификации включает следующие основные этапы:

содержательную постановку задачи;

формирование информационного массива;

переход от содержательной постановки задачи к формализованной;

формализованный расчет, интерпретация результатов классифи кации.

Обычной формой представления исходной информации в задаче многомерной классификации (кластерного анализа) служит прямоугольная матрица x11.... x1n ij.., (3.35).....

xm1..... xmn каждая строка которой представляет собой результат измерения n рассматриваемых признаков ( i 1, n ) на одном из m анализируемых объектов ( j 1, m ). Числовые значения, входящие в матрицу (3.35), могут соответствовать трем типам переменных: количественным, ранговым и качественным. Все наблюдаемые значения метеорологических факторов, как правило, имеют количественное значение. Количественные переменные обладают свойством упорядоченности, и над ними можно производить арифметические операции. Очень часто при формировании исходной информации приходится считаться с ее доступностью. По этой причине в анализ включаются не те признаки и объекты, включение которых желательно, но те, которые в данное время доступны исследователю.

После определения исходного массива информации переходят к наиболее трудному этапу, связанному с определением степени сходства исследуемых объектов;

при этом в большинстве случаев исходят из их геометрической модели классификации, основанной на предположении, что сходство объектов может адекватным образом интерпретироваться как близость соответствующих точек в многомерном признаковом пространстве между этими точками. В этом случае простейший способ геометрического представления объектов состоит в том, что мы интерпретируем признаки объекта как координаты некоторой точки в n мерном пространстве. Выбор меры близости – это узловой момент классификации, от которого зависит ее результат.

В качестве меры сходства/различия между двумя объектами xi, xk X в n-мерном нечетком пространстве признаков используется «евклидово расстояние» между объектами xi и xk, вычисляемое по формуле [170]:

n ( j ( xi ) j ( xk )) 2, d ( xi, xk ) (3.36) j где j ( xi ), j ( xk ) – меры обладания j-м свойством соответственно i-го и k-го объектов.

В качестве способа классификации принят «агломерационный»

иерархический алгоритм [9], идея которого состоит в последовательном объединении объектов, сначала наиболее близких, а затем все более отдаленных друг от друга. Все они исходят из матрицы расстояний, и каждый объект вначале рассматривается как отдельный класс. Далее на каждом шаге работы алгоритма два самых близких класса объединяются, и соответственно преобразуется матрица расстояний: из нее исключаются элементы, определявшие расстояние до каждого из объединившихся классов, и добавляются элементы, определяющие расстояние между классами, полученными при объединениях, и всеми остальными. Алгоритм полностью реализуется, когда все объекты будут объединены в один класс.

В ситуациях, когда исследователю заранее неизвестно, на какое количество классов подразделяется исходное число многомерных объектов Х1,Х2,…,.Хn, для оценки качества разбиения в работе [4] рекомендуется принимать функционал I (S ) в виде простой алгебраической комбинации (суммы, разности, произведения) двух функционалов I 1 ( S ) и I 2 ( S ).

Показатель I 1 ( S ) является убывающей функцией числа классов и I 2 (S)– характеризует внутриклассовый разброс наблюдений.

возрастающая функция числа классов К. Под I 2 ( S ) понимается некоторая мера взаимной удаленности (близости) классов.

Искомый критерий оптимальности классификации должен быть таким, чтобы наилучший ее вариант соответствовал относительно большому I 2 ( S ) и одновременно относительно малому I 1 ( S ). Расчеты ведут по формулам:

nl nl 1 K I1 d ( X i, X j ), (3.37) K l 1 nl (nl 1) i 1 j i где К – число классов в классификации, nl – число объектов в классе l.

Суммирование происходит так, что i принимает все значения от 1 до nl, а j – для каждого i все значения больше i;

d ( X i, X j ) – «евклидово расстояние» между объектами X i и X j.

KK d ( Si, S j ), (3.38) I K ( K 1) i 1 j i где d ( S i, S j ) – «евклидово расстояние» между классами S i, S j.

Суммирование производится так, что i принимает все значения от 1 до К, а значения j для каждого i выбираются так, чтобы они были больше i.

Рассмотренный метод классификации, применяемый в теории распознавания образов, имеет ряд преимуществ по сравнению с ранее используемыми для этой цели методами. Перечислим лишь основные из них:

отсутствие ограничений на число анализируемых признаков, характеризующих объекты;

в качестве исходных данных могут использоваться непосредственно наблюдаемые величины;

алгоритмы классификации имеют хорошее математическое обеспечение и, как следствие этого, возможность использования ПЭВМ, что чрезвычайно ускоряет обработку данных, позволяет осуществлять различные варианты классификации с введением дополнительной информации или новых условий.

Все это дает нам основание использовать этот метод при разработке районирования территории по условиям эксплуатации автомобильных дорог в зимний период.

Процедура дорожного районирования предусматривает выполнение следующих этапов:

1) анализ современного состояния дорожного хозяйства рассматриваемой территории;

2) формулирование целей и задач районирования, выделение групп по климатическим явлениям;

3) выбор исходных объектов наблюдения (метеорологические станции, снегомерные посты);

4) выбор признаков районирования и определение их числовых значений на каждом объекте наблюдения;

5) замена совокупности климатических показателей в каждой группе обобщающей компонентой;

6) разделение исходного множества объектов наблюдения в группах климатических явлений на классы;

7) анализ полученных классов и их пространственная увязка (получение сетки дорожных районов по условиям зимнего содержания дорог);

8) характеристика выделенных дорожных районов.

Процесс классификации (этап 6) выполняется в следующей последовательности:

1-й шаг. Формируют исходную матрицу, количество строк которой соответствует выбранному числу объектов наблюдения ( i 1, m ), а количество столбцов – числу окончательно принятых показателей районирования ( j 1, n ).

X 1 x11 x x....

1n X x.... x x 2 21 2n.

22 (3.39) X.................

.....

Xm x.... x x m1 mn m Количество объектов равно исходному количеству станций наблюдения и снегомерных постов на территории, которые служат источником получения информации. Количество показателей по каждой из трех групп классификаций (снегопады, метели, гололедные явления) принимают в соответствии со схемой (см. рис. 3.11). Окончательный набор показателей зависит от наличия исходной информации.

2-й шаг. Осуществляют нормирование показателей одним из возможных способов, например:

max xij xij xij max, (3.40) min xij xij max min где xij, xij, xij – соответственно среднемноголетнее, максимальное и минимальное из наблюдаемых за ряд лет значений j-го показателя на i-й * метеостанции в принятых единицах измерения;

xij – нормированное значение j-го показателя на i-й станции (безразмерная величина).

3-й шаг. Организуют новую матрицу из нормированных величин показателей X, аналогичную матрице (3.39).

4-й шаг. Определяют меру близости между объектами наблюдения:

n ( xik x*jk )2, * d ij (3.41) k где xik, x * – нормированные значения k-го показателя (k=1,2,…,n) * jk соответственно для i-го и j-го сопоставляемых объектов, i, j 1, m.

5-й шаг. Формируют квадратную матрицу D размерности m m, элементами которой служат показатели «евклидово расстояние» d ij :

d12... d1m d... d 2m D 21. (3.42)............

d... m1 d m 2 6-й шаг. Определяют среднее расстояние внутри классов I1 и между классами I2 по формулам (3.37), (3.38). Для исходной матрицы D показатель I1=0.

7-й шаг. Определяют критерий классификации:

I I 2 I1. (3.43) 8-й шаг. Осуществляют объединение объектов наблюдения, имеющих минимальное значение dij в матрице D, для этого определяют номер строки и столбца, на пересечении которых находится минимальное «евклидово расстояние»:

min min j i d ij d kl, (3.44) min min i j d ij d lk. (3.45) Условия (3.44) и (3.45) показывают, что на первом шаге классификации объединяют k-й и l-й объект наблюдения. Далее из матрицы D вычеркивают k и l строки и столбцы, а вместо них вводят новые строку и столбец (i).

Диагональному элементу новых строки и столбца присваивается значение d kl. Размерность матрицы уменьшается на единицу, и соответственно число классов равно m–1.

d m1,m1 d kl. (3.46) 9-й шаг. Вычисляют среднее расстояние внутри оставшихся классов и между классами, определяют критерий классификации.

10-й шаг. В дальнейшем последовательно повторяют пункты 8, 9 до тех пор, пока все объекты наблюдения не окажутся в одном классе. На этом процедуру классификации заканчивают.

11-й шаг. Из полученных множеств на основе логического и пространственного анализа выбирают классификацию, для которой значение критерия I близко или совпадает с минимальным значением.

12-й шаг. Осуществляют пространственную увязку совокупности объектов наблюдения каждого класса по методике, изложенной в работах [44, 104]. Модель аддитивного случайного поля имеет вид u f ( x, y ), (3.47) где и – значение непрерывной скалярной переменной, в качестве которой выступают главные факторы (компоненты) класса объединенных объектов;

х, у – координаты плоскости;

f(x,y) – функция координат;

– случайная переменная.

При решении задачи требуется дать оценку функции f ( x, y ) при заданных значениях и построить соответствующие границы участков по переменной u. Выделенные однородные участки территории будут соответствовать зоне действия определенной группы климатических факторов.

Применение алгоритма задачи многомерной классификации для районирования территорий по условиям зимнего содержания дорог рассмотрим на примере Алтайского края. Территория Алтайского края включает 60 административных районов. Источником информации о климате служат «Ежемесячные справочники», составленные по наблюдениям на 31 метеорологической станции и 31 снегомерном посту.

Период обработки данных составил 26 лет (1971–1997 гг.). Для демонстрационных целей ограничимся территорией Алтайского края из районов для разделения ее по комплексному показателю, характеризующему выпадение осадков в зимний период. Исходная матрица (3.39) представлена в табл. 3.6. В табл. 3.7 отображен 5-й шаг алгоритма, т.е. рассчитана матрица близости между объектами по совокупности четырех факторов «евклидово расстояние». В табл. 3. подведен итог пошаговой классификации (шаг 12-й). В результате выделились следующие классы по признаку снегопадов: 1 – Барнаул, Мамонтово, Ребриха;

2 – Камень-на-Оби, Тогул, Кулунда, Тальменка, Благовещенск;

3 – Шелаболиха, Баево, Заринск, Бийск, Алейское, Родино, Славгород, Целинное, Бийск-Зональное, Хабары;

4 – Троицкое.

На рис 3.12 (а, б, в) схематично представлено районирование более обширной территории северо-восточной части Алтайского края, включающей 31 административный район. На схемах обозначены точками метеорологические станции и снегомерные посты. Меньшее количество наблюдений ведется по гололедным явлениям (только на метеорологических станциях). По явлениям снегопадов и метелей Таблица 3. Исходные данные для районирования территории по комплексному показателю, характеризующему снегопады Объекты районирования – метеорологические станции, снегомерные посты Бийск-Зональное Камень- на -Оби Благовещенка Шелаболиха Мамонтово Тальменка Славгород Признаки районирования, Целинное Троицкое Алейская Кулунда Барнаул Ребриха Заринск Хабары Родино Бийск Тогул Баево характеризующие снегопады 16 13 14 11 11 10 10 18 11 17 15 X 85 5 6 7 2 7 1 1 6 9 4 3 89 92 93 71 82 Количество осадков, мм 1,0 1,3 0,5 0,9 0,8 0,8 0,2 0,7 0,0 0,5 0,5 1,9 1,4 0,0 1,6 1,0 1,1 0,7 0, X1n 1 6 1 1 4 1 1 9 7 5 4 9 5 1 3 1 3 5 43 60 53 43 58 46 50 44 52 47 47 59 41 53 52 51 40 45 Число дней с X осадками 1,0 1,9 0,7 1,1 1,5 0,6 0,1 0,8 0,5 0,4 0,3 1,7 1,4 0,5 0,5 0,3 1,5 0,6 0, X2n более 0,5 мм 2 1 2 0 2 2 1 8 1 2 9 2 5 9 4 3 0 5 27 45 41 29 43 29 34 29 38 31 33 47 25 34 41 40 28 31 Число дней с X осадками 1,2 1,6 0,9 1,0 1,1 0,8 0,1 0,8 0,4 0,6 0,3 1,8 1,5 0,1 1,0 0,8 1,0 0,5 0, X3n более 1 мм 6 2 8 1 9 7 2 9 0 6 1 2 7 3 2 0 6 1 23 58 55 40 62 34 53 52 60 42 38 49 28 49 36 34 32 39 X 5 9 5 3 8 3 5 2 0 2 9 0 9 6 1 4 2 4 Продолжитель ность осадков, ч 1,7 1,3 1,0 0,2 1,6 0,8 0,8 0,7 1,4 0,1 0,4 0,4 1,2 0,5 0,6 0,7 0,9 0,3 0, X4n 4 5 5 8 9 0 7 7 4 1 0 8 7 3 4 9 8 5 Примечание. Х – среднегодовое значение признака за зимний период;

Хn – нормированное значение данного признака.

Таблица 3. Матрица меры близости между объектами «евклидово расстояние»

Благовещенка Шелаболиха Камень- на Мамонтово Тальменка Славгород Зональное Целинное Троицкое Алейская Кулунда Барнаул Ребриха Заринск Хабары Родино Бийск Бийск Тогул Баево Оби Код Объект 0,0 1,0 0,9 1,4 0,5 1,1 1,8 1,0 1,4 1,8 1,8 1,8 0,8 1,9 1,3 1,2 0,9 1,6 1, Камень- на 0 9 5 9 4 1 8 7 0 9 2 3 3 8 7 6 3 4 Оби 1,0 0,0 1,6 1,5 0,8 1,6 2,6 1,5 2,2 2,3 2,3 1,1 0,4 2,5 1,6 1,9 0,8 2,0 2, 2 Тальменка 9 0 2 4 5 8 5 0 6 1 7 1 8 4 8 0 2 5 0,9 1,6 0,0 0,9 1,1 0,4 1,1 0,4 0,8 1,0 0,9 2,0 1,3 1,1 1,2 0,7 1,0 0,8 0, 3 Заринск 5 2 0 5 0 2 1 4 5 4 9 5 5 2 1 1 0 8 1,4 1,5 0,9 0,0 1,4 0,7 1,6 0,5 1,6 0,8 1,0 1,5 1,3 1,3 0,9 0,9 0,8 0,6 1, 4 Хабары 9 4 5 0 8 3 2 6 6 6 7 0 1 8 8 5 4 9 0,5 0,8 1,1 1,4 0,0 1,3 2,0 1,1 1,5 2,0 1,9 1,8 0,8 2,0 1,6 1,5 0,7 1,7 1, 5 Тогул 4 5 0 8 0 1 5 6 2 2 5 0 4 1 5 5 8 4 1,1 1,6 0,4 0,7 1,3 0,0 1,0 0,2 1,0 0,7 0,7 1,9 1,3 1,1 0,8 0,3 0,9 0,5 0, 6 Шелаболиха 1 8 2 3 1 0 9 6 9 9 7 0 5 2 5 6 7 8 1,8 2,6 1,1 1,6 2,0 1,0 0,0 1,2 0,7 1,0 0,6 2,9 2,3 0,6 1,7 1,0 1,9 1,0 0, 7 Барнаул 8 5 1 2 5 9 0 4 6 4 7 7 7 2 5 8 2 0 1,0 1,5 0,4 0,5 1,1 0,2 1,2 0,0 1,1 0,8 0,8 1,7 1,2 1,1 0,9 0,6 0,7 0,6 0, 8 Баево 7 0 4 6 6 6 4 0 6 7 8 6 1 5 2 0 6 1 1,4 2,2 0,8 1,6 1,5 1,0 0,7 1,1 0,0 1,4 1,1 2,8 2,0 0,9 1,8 1,2 1,6 1,3 1, 9 Ребриха 0 6 5 6 2 9 6 6 0 4 5 4 5 5 6 2 6 0 1,8 2,3 1,0 0,8 2,0 0,7 1,0 0,8 1,4 0,0 0,4 2,2 2,0 0,8 1,2 0,8 1,5 0,4 0, 10 Целинное 9 1 4 6 2 9 4 7 4 0 6 9 1 8 6 4 6 2 1,8 2,3 0,9 1,0 1,9 0,7 0,6 0,8 1,1 0,4 0,0 2,4 2,0 0,6 1,3 0,7 1,5 0,3 0, 11 Славгород 2 7 9 7 5 7 7 8 5 6 0 8 7 1 3 9 7 9 1,8 1,1 2,0 1,5 1,8 1,9 2,9 1,7 2,8 2,2 2,4 0,0 1,0 2,8 1,4 2,0 1,2 2,1 2, 12 Троицкое 3 1 5 0 0 0 7 6 4 9 8 0 3 4 8 1 7 0 0,8 0,4 1,3 1,3 0,8 1,3 2,3 1,2 2,0 2,0 2,0 1,0 0,0 2,3 1,2 1,5 0,6 1,7 1, 13 Благовещенка 3 8 5 1 4 5 7 1 5 1 7 3 0 3 5 1 7 6 1,9 2,5 1,1 1,3 2,0 1,1 0,6 1,1 0,9 0,8 0,6 2,8 2,3 0,0 1,8 1,2 1,7 0,8 1, 14 Мамонтово 8 4 2 8 1 2 2 5 5 8 1 4 3 0 5 6 7 5 1,3 1,6 1,2 0,9 1,6 0,8 1,7 0,9 1,8 1,2 1,3 1,4 1,2 1,8 0,0 0,7 1,1 1,0 1, 15 Бийск-Зональн.

7 8 1 8 5 5 5 2 6 6 3 8 5 5 0 1 4 6 1,2 1,9 0,7 0,9 1,5 0,3 1,0 0,6 1,2 0,8 0,7 2,0 1,5 1,2 0,7 0,0 1,2 0,6 0, 16 Бийск 6 0 1 5 5 6 8 0 2 4 9 1 1 6 1 0 2 7 0,9 0,8 1,0 0,8 0,7 0,9 1,9 0,7 1,6 1,5 1,5 1,2 0,6 1,7 1,1 1,2 0,0 1,2 1, 17 Кулунда 3 2 0 4 8 7 2 6 6 6 7 7 7 7 4 2 0 5 1,6 2,0 0,8 0,6 1,7 0,5 1,0 0,6 1,3 0,4 0,3 2,1 1,7 0,8 1,0 0,6 1,2 0,0 0, 18 Родино 4 5 8 9 4 8 0 1 0 2 9 0 6 5 6 7 5 0 1,5 2,2 0,9 1,2 1,8 0,6 0,8 0,8 1,1 0,8 0,6 2,3 1,8 1,1 1,0 0,3 1,5 0,7 0, 19 Алейская 0 4 0 4 1 3 2 8 4 6 7 7 5 4 0 7 4 5 Таблица 3. Значения критерия качества разбиения на классы при районировании Среднее Среднее Шаг Критерий Число расстояние расстояние класси- классифика- Коды объединенных объектов наблюдения внутри между классов ции I=I2–I фикации классов I1 классами I 0 19 0,000 1,306 1,306 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 1 18 0,014 1,348 1,334 1, 2, 3, 4, 5, (6, 8), 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 1, 2, 3, 4, 5, (6, 8), 7, 9, 10, 11, 12, 13, 14, 15, (16, 19), 17, 2 17 0,037 1,372 1, 1, 2, 3, 4, 5, (6, 8), 7, 9, 10, (11, 18), 12, 13, 14, 15, (16, 19), 3 16 0,064 1,392 1, 1, 2, 4, 5, (6, 8, 3), 7, 9, 10, (11, 18), 12, 13, 14, 15, (16, 19), 4 15 0,075 1,437 1, 1, 2, 4, 5, (6, 8, 3), 7, 9, (11, 18, 10), 12, 13, 14, 15, (16, 5 14 0,083 1,447 1, 19), 1, (2, 13), 4, 5, (6, 8, 3), 7, 9, (11, 18, 10), 12, 14, 15, (16, 6 13 0,126 1,436 1, 19), (1, 5), (2, 13), 4, (6, 8, 3), 7, 9, (11, 18, 10), 12, 14, 15, (16, 7 12 0,182 1,440 1, 19), (1, 5), (2, 13), 4, (6, 8, 3), (7, 14), 9, (11, 18, 10), 12, 15, 8 11 0,255 1,394 1, (16, 19), (1, 5), (2, 13), 4, (6, 8, 3, 16, 19), (7, 14), 9, (11, 18, 10), 12, 9 10 0,296 1,492 1, 15, (1, 5), (2, 13, 17), 4, (6, 8, 3, 16, 19), (7, 14), 9, (11, 18, 10), 10 9 0,389 1,643 1, 12, (1, 5), (2, 13, 17), 4, (6, 8, 3, 16, 19, 11, 18, 10), (7, 14), 9, 11 8 0,373 1,665 1, 12, (1, 5), (2, 13, 17), 4, (6, 8, 3, 16, 19, 11, 18, 10), (7, 14, 9), 12 7 0,449 1,678 1, 12, (1, 5), (2, 13, 17), (6, 8, 3, 16, 19, 11, 18, 10, 4), (7, 14, 9), 13 6 0,537 1,836 1, 12, (1, 5, 2, 13, 17), (6, 8, 3, 16, 19, 11, 18, 10, 4), (7, 14, 9), 12, 14 5 0,510 1,678 1, (1, 5, 2, 13, 17), (6, 8, 3, 16, 19, 11, 18, 10, 4, 15), (7, 14, 9), 15 4 0,678 1,838 1, (1, 5, 2, 13, 17), (6, 8, 3, 16, 19, 11, 18, 10, 4, 15, 7, 14, 9), 16 3 0,690 1,748 1, (1, 5, 2, 13, 17, 12), (6, 8, 3, 16, 19, 11, 18, 10, 4, 15, 7, 14, 17 2 0,575 1,640 1, 9) 18 1 1,306 0,000 1,306 (1, 5, 2, 13, 17, 12, 6, 8, 3, 16, 19, 11, 18, 10, 4, 15, 7, 14, 9) Условные обозначения: в скобках указаны коды объектов наблюдения, объединенных в классы на каждом шаге классификации а) 418 ч;

число дней с осадками более 0, мм от 30 до 40).

(количество 2-я зона осадков от 129 до 158 мм;

продолжительность осадков от 419 до 646 ч;

число дней с осадками более 0, мм от 41 до 51).

(количество 3-я зона осадков от 159 до 187 мм;

продолжительность осадков от 647 до 812 ч;

число дней с осадками более (количество 1-я зона 0,5мм от 52 до 62).

осадков от 100 до 128 мм;

продолжительность осадков от 315 до б) метелей от 10 до 77 ч;

продолжительность низовых метелей от 5 до 34 ч).

2-я зона (количество дней с общими метелями от 22 до 34;

количество дней с низовыми метелями от 9 до 14;

продолжительность общих метелей от 78 до 146 ч;

продолжительность низовых метелей от 35 до 63 ч) 3-я зона (количество дней с общими метелями от 35 до 47;

количество дней с низовыми метелями от 15 до 20;

продолжительность общих метелей от 147 до 214 ч;

продолжительность низовых метелей от 1-я зона (количество дней с 64 до 93 ч).

общими метелями от 9 до 21;

количество дней с низовыми метелями от 3 до 8;

продолжительность общих в) Рис. 3.12. Районирование северо-восточной части Алтайского края:

а–для климатических явлений, характеризующих снегопады;

б–для климатических явлений, характеризующих метелевый режим;

в–для климатических явлений, характеризующих гололедные явления;

– снегомерные посты;

– метеоро логические станции;

–федеральная дорога М52 «Чуйский тракт»

1-я зона (число дней с различными видами гололедных явлений: с твердым налетом и гололедом от 5 до 11;

с гололедицей от 0 до 2;

со снежным накатом от 1 до 3;

с черным льдом от 2 до 5;

с рыхлым снегом от 0 до 4).

(число дней с 2-я зона различными видами гололедных явлений: с твердым налетом и гололедом от 12 до 19;

с гололедицей от 3 до 6;

со снежным накатом от 4 до 6;

с черным льдом от 6 до 9;

с рыхлым снегом от 5 до 8).

3-я зона (число дней с различными видами гололедных явлений: с твердым налетом и гололедом от 20 до 26;

с гололедицей от 7 до 9;

со снежным накатом от 7 до 9;

с черным льдом от 10 до 13;

с рыхлым снегом от 9 до 13).

информация дополняется данными снегомерных постов. На схемах выделены границы районов, характеризующихся относительно однородными обобщенными характеристиками по трем группам климатических явлений: снегопады, гололедные явления и метелевый режим. С учетом деления на зоны каждый дорожный объект будет иметь трехзначный код, соответствующий номеру климатической зоны по соответствующему метеорологическому явлению. Территорию пересекает автомобильная дорога М-52 «Чуйский тракт» федерального значения, отдельные участки которой обслуживают 4 подрядные организации. При финансировании подрядчиков необходимо учитывать условия содержания при прохождении дороги в разных зонах.

Практическое применение разработанной методики районирования осуществлено при разработке научно - обоснованных ресурсных нормати вов на содержание сети дорог для территорий Алтайского края, Кемеровской и Омской областей общей протяженностью около 35 тыс.км.

После выполнения районирования по трем группам метеорологических явлений каждый дорожный объект (дорога, участок дороги) идентифицируется в соответствии с определенным комплексом метеорологических факторов (КМФ), определяемых по территориальной классификации. Этот показатель можно представить в виде множества:

( ) r i, j, n (3.48) i 1, K j 1, K 2, n 1, K где r – код дорожного объекта;

i, j, n – признаки территориальной зоны соответственно по снегопадам, метелям и гололедным явлениям;

K1, K2, K3 - количество классов (зон), выделенных на территории по каждой из трех групп метеорологических явлений, соответственно по снегопадам, метелям и гололедным явлениям. По усредненным значениям МФ в каждой территориальной зоне для различных типов дорожных объектов (по эксплуатационным категориям) в соответствии с требованиями нормативного документа [196] определены коэффициенты цикличности и объемно-технологические параметры для расчета объемов работ на конструктивных элементах дорог соответствующего типа.

3.5. Программное обеспечение информационной технологии управления дорожными проектами в регионе В связи с многообразием условий эксплуатации дорог, задача планирования и распределения ресурсов на выполнение проектов содержания, ремонта, реконструкции и строительства дорог может решаться достаточно эффективно на уровне региона только с использованием современных информационных технологий, обеспечи вающих комплексный подход к решению указанных вопросов.

Актуальность данной проблемы особенно возрастает в условиях ограниченных финансовых и материально-технических ресурсов.

Отраслевой фонд алгоритмов и программ [208] включает ряд разработок данного направления. Наиболее известны автоматизированные системы паспортизации и диагностики состояния дорог. Однако эти программные продукты не имеют связи с ресурсным обеспечением и сметными расчетами. В большей степени данную проблему можно решать, используя программный продукт АКСАД, разработанный Санкт Петербургским НИПИ территориального развития и транспортной инфраструктуры [236]. В то же время данный программный комплекс не обеспечивает в полной мере весь спектр задач проектного управления ресурсами на современном уровне (нет увязки с действующей системой ценообразования и бюджетирования, ограничены возможности оперативного управления ресурсами и контроля работ по методу «освоенного объема», не предусмотрено календарное планирование).

В данном подразделе представлено описание информационной технологии, позволяющей использовать нормативно-расчетные методы планирования и распределения финансовых, материально-технических и трудовых ресурсов на содержание конкретных дорог и дорожной сети в целом, а также управления этими ресурсами для повышения качества содержания дорог. Принципиальная постановка задачи изложена в подразделе 3.3.3.

Методика проектно-ориентированного управления эксплуатацией дорожной инфраструктуры на основе информационных технологий реализована на основе программного комплекса АУРС-СибАДИ.

Программный комплекс по автоматизации управления ресурсами дорожной сети АУРС-СибАДИ состоит из двух основных модулей, взаимодействующих в автоматическом режиме для решения практических задач управления проектами. Первый модуль – управление ресурсами сети (УРС) – представлен банком данных (БнД) технических объектов системы (сеть дорог, транспортные сооружения и т.д.), их конструктивными характеристиками, условиями функционирования, организационно технологическими параметрами производственных процессов.

Программный комплекс УРС задает всю необходимую информацию для автоматизации расчета объемов по видам работ в составе проектов и эффективного управления ресурсами.

Второй модуль – автоматизированная ресурсная смета (АРС): БнД ресурсно-технологических моделей производственных процессов, моделей стоимости ресурсов. Выходные параметры комплекса: ресурсоемкость выполнения работ на конкретном техническом объекте, бюджетирование программы работ по подрядчикам и проектам.

Укрупненная схема программного комплекса АУРС-СибАДИ представлена на рис. 3.13.

Методика основана на многоуровневой эксплуатационной классификации дорог и соответствующей ей классификации типов норм на уровне отдельного субъекта: республики, края, области. Реализация данной методики предусмотрена в несколько этапов:

1. Классификация дорог по условиям содержания с разработкой соответствующих типов норм. Разработка и создание структуры «Банк данных сети дорог региона» в модуле УРС.

2. Обоснование и расчет ресурсных нормативов (материалы, машины, трудозатраты, финансы) на содержание 1км дорог по типам норм и по проектам с использованием модуля по расчету смет ресурсным методом АРС.

Взаимодействие (связка) объектов (типов норм) в модуле УРС с объектами модуля АРС, в котором выполнены расчеты смет на содержание 1км дорог по типам норм с привязкой к условиям каждой дорожно эксплуатационной организации. Привязка каждого ресурсного норматива к определенной дороге или участку дороги определенного типа.

3. Выполнение расчетов ресурсов на проекты с детализацией:

«дорога», «подрядная организация», «административный район», «территория».

Программный продукт АУРС-СибАДИ разработан с использованием объектно-ориентированной интерактивной среды Delphy-7 и стандартизированного языка запросов SQL. Этот выбор обусловлен несколькими причинами:

необходимостью обеспечения связи и передачи данных между двумя модулями;

возможностью создания автономно работающих программ с удобным пользовательским интерфейсом;

возможностью обработки информации, хранящейся в базе данных.

выводом результатов в виде текстовых файлов и в виде баз данных.

МОДУЛЬ АРС Исходные массивы:

определители ресурсно-технологических моделей (РТМ);

массивы машин, материалов, энергоносителей, тарифных ставок рабочих;

Формируемые массивы:

РТМ: технологические операции, ресурсы, формулы расчета объемов работ;

объекты: виды работ, объемы с интервальной разбивкой;

калькуляции стоимости эксплуатации машин, Выходные данные:

Сметные расчеты: локальная ресурсная ведомость, локальная ресурсная смета, сводный сметно финансовый расчет Исполнение сметы: акты выполненных работ, накопительные ведомости, стоимости освоенных объемов работ Бюджетирование годовой программы с месячной разбивкой Нормативы всех видов ресурсов на 1км дороги или МОДУЛЬ УРС Исходные массивы:

Административные районы территории, наименования объектов, классификационные признаки объектов, подрядчики, производственные базы, дорожно климатические районы, конструктивные элементы дорог, Формируемые массивы:

Дорога, участок Нормативы Значения сооружение: ресурсов коэффициентов классификационные на 1км или цикличности признаки, границы сооружение и объемно объекта, по технологических конструктивные проектам параметров Ресурсы на объект Выходные данные:Ресурсы на сеть дорог подрядчика Ресурсы на территорию Рис. 3.13. Взаимодействие программных модулей в АУРС-СибАДИ Сеть дорог территории представлена в модуле УРС в виде набора объектов с определенными классификационными признаками. Код объекта (дороги, участка дороги, сооружения на дороге ) представлен на рис. 3.14.

Классификация учитывает административное значение дорог:

федеральная (Ф), территориальная (Т), муниципальная (М) и уровня содержания: допустимый (Д), средний (С), высокий (В).

Работа в модуле УРС осуществляется после установки административного района региона. Сеть дорог закрепляется за административным районом, на территории которого она расположена.

ХХХ Б ббб Б(х) Х Б Б ХХ Х Производственная база Подрядчик Уровень содержания Административное значение объекта Техническая категория дороги Эксплуатационная категория (А1, А2, А3, Б, В, Г1, Г2) Рис. 3.14. Классификационные признаки объекта дорожной сети:

ХХ – порядковый цифровой шифр, Б, б – буквенное обозначение После набора кода объекта параллельно с созданием массива объектов создаются массив ресурсных нормативов и массивы коэффициентов цикличности и объемно-технологических параметров при выполнении работ на объекте данного типа в рамках конкретного проекта. Алгоритм работы в модуле УРС представлен на рис. 3.15.

Модуль УРС включает следующие основные блоки:

подготовка данных;

ввод параметров дорог, сооружений и нормативов;

поиск и редактирование массивов дорог и нормативов;

отчеты;

сервисное обслуживание программы;

очистка баз данных.

Установка административного района территории Автоматическое создание массивов Ввод объекта, набор параметров:

Ресурсные Массивы -подрядчик;

нормативы: коэффициентов -производственная база;

цикличности Ц -ДКР;

и объемно Соединение -тип местности;

технологических ресурсного -тип покрытия;

параметров Б норматива с -эксплуатационная данного типа объектом категория;

объекта модуля АРС -техническая категория;

Ввод численных -административное значений Ц и Б для значение;

данного типа объекта -уровень содержания;

-начало, км -конец, км -протяженность объекта, км Ввод конструктивных элементов объекта (дороги, участка дороги, сооружения) Количество элементов и их параметры Все объекты текущего административного района введены?

Нет Завершение работы с текущим административным Да районом Установка нового административного района Рис. 3.15. Алгоритм ввода информации в модуль УРС В программном комплексе АРС реализовано взаимодействие между системой календарного планирования и проектной документацией в виде технологических смет, отвечающих следующим требованиям:

1) соответствие плану-графику работ;

2) приемка выполненных объемов по факту выполнения;

3) контроль и целенаправленное использование денежных средств;

4) учет расходования всех видов ресурсов в разрезе работ графика и проекта;

5) анализ исполнения бюджета проекта по методу освоенного объема.

Ресурсно-технологические модели в программном модуле АРС классифицируются по признакам, отображенным на рис. 3.16.

Модуль АРС включает следующие укрупненные блоки:

подготовка данных;

справочная информация;

калькулирование стоимости ресурсов;

создание объектов с интервальной разбивкой объемов работ;

сметные расчеты по объектам на основе калькуляций ресурсов;

ресурсные сметы на основе региональных цен ресурсов;

исполнение смет;

сервисное обслуживание;

очистка баз данных.

Б Б ХХ ХХ ХХ ХХ Конструктивные особенности Условия производства Принятая технология Вид работ Конструктивный элемент объекта Рис. 3.16. Классификационные признаки ресурсно-технологической модели: ХХ – порядковый цифровой шифр: Б – буквенное обозначение На рис. 3.17 представлено взаимодействие основных массивов банков данных в программном модуле УРС. Некоторые массивы данных имеют многоуровневую иерархическую структуру (определители ресурсно Административные Дороги, Технические Тип местности Объемно Исходные массивы Элементы дорог районы сооружения категории технологи Эксплуатационные ческие категории параметры Виды Участки Подрядчики покрытия обслуживания Коэффициенты ДКР циклов Массив коэффициентов Формируемые массивы Дорога, участок дороги, сооружение: цикла Ц Ресурсные нормативы – параметры;

– начало, км;

Массив объемно – конец, км;

технологических – протяженность, км параметров Б Конструктивные элементы, расчетные Результаты Связь с характеристики объектами из АРС АРС документы Выходные Количество Ресурсы на сеть дорог подрядчика Ресурсы на территорию по проекту конструктивных по проекту элементов на 1км Автоматизированный расчет объемов работ в модуле АРС Рис.3.17. Взаимодействие основных массивов модуля УРС технологических моделей, параметры дорог и сооружений, элементы дорог и др.). Массивы включают различное количество показателей от 2 до 20.

Программный комплекс АУРС-СибАДИ является основой для экономического мониторинга в информационной системе управления проектами при эксплуатации региональной дорожной инфраструктуры.На рис.3.18 отображена схема использования программного продукта АУРС СибАДИ для управления ресурсами дорожных проектов.

Информационные технологии обеспечивают полный цикл проекта на стадиях формирования производственной программы в целом на территории и по подрядчикам, оперативного управления ресурсами, приемки выполненных работ, закрытия проекта.

Внедрение современных информационных технологий в процессы управления содержанием территориальной сети дорог позволяет не только оптимизировать затраты, но и стимулировать инновационные процессы в подрядных организациях. Как показывает опыт внедрения методики в Кемеровской области, в процессе проведения тендерных торгов выявляются подрядчики, которые могут обеспечить потребительские качества дорог при более эффективном использовании ресурсов. Таким образом, создаются благоприятные условия для внедрения новых технологий зимнего содержания (скоростная патрульная очистка дорог, использование специального оборудования для очистки дорог от снега под ограждениями и за ограждениями). В летнее время применяются новые технологии устройства поверхностной обработки, разметки дорог [38].

Программа «АРС-СибАДИ» дважды (2001 г., 2003 г.) сертифицирована Госстроем РФ. Выданный сертификат удостоверяет, что программа «АРС СибАДИ» (авторы проекта–Боброва Т.В., программист Дубенкова Ю.В.) соответствует требованиям нормативных документов по ценообразованию в строительстве. «Заключение» компетентного федерального государственного органа по сертификации программной продукции массового применения в строительстве (ФГУП ЦПС) свидетельствует:

«Сертификационные испытания по системотехнической группе характеристик показали, что программа «АРС-СибАДИ» представляет собой программную продукцию, полностью готовую к осуществлению заявленных функций. Программа ориентирована на непосредственное использование специалистами, имеет удобный интерфейс, высокую степень реактивности в режиме диалога, снабжена достаточным количеством инструктивной и диагностической информации. Программная документация достаточна для пользователя любого уровня и адекватна реализуемым техническим процессам».

По своей сути программный комплекс АУРС-СибАДИ является автоматизированным рабочим местом инженера-дорожника и экономиста ЗАКАЗЧИК ПОДРЯДЧИК Эффективные Структура Рынок новаций методы, сети дорог Парк машин, техника и технологии Производственные затраты конкретного Метеофакторы Ресурсные АУРС-СибАДИ участника торгов– ДЭП и вероятность нормативы их появления Инвесторская Цена Районирование Страховой смета оферента региона резерв Цены ресурсов Цена заказчика Цена контракта Состояние дорог и элементов Уровень Проект Оперативное содержания организации управление Оперативная информация о Штрафные МФ Фактический уровень санкции содержания Фактические Состояние Пересчет смет Цена приемки значения МФ ресурсов Рис. 3.18. Схема взаимодействия заказчика и подрядчика в процессе управления ресурсами при содержании территориальной сети дорог дорожной отрасли. В комплексе заложены возможности планирования работ и оценки потребности ресурсов на годовую программу с месячной разбивкой и распределением по структурным подразделениям. Программа может быть использована для расчетов смет на ремонтные и строительные работы, что исключает необходимость иметь дополнительные программные продукты для этих целей. Нами разработаны методологические принципы формирования информационных систем управления ресурсами в процессе содержания дорог на территории, накоплен практический опыт по их созданию. По заказам многих дорожных организаций в составе научно-исследовательских хоздоговорных тем выполнялись и в настоящее время ведутся работы по технико-экономическому обоснованию нормативов на содержание сети дорог ряда регионов Сибири, Тюменского Севера [192, 34, 35. 27, 37, 38, 36, 39, 28, 35, 241, 200, 207]. В процессе этой работы удалось обеспечить устойчивость работы программных продуктов при различных вариациях условий расчета и исходных данных. СибАДИ имеет опыт внедрения данных разработок, а также опыт сопровождения программных продуктов.

На базе СибАДИ и в дорожных организациях проводится обучение работников дорожной отрасли современным информационным технологиям с использованием различных программных продуктов, разработанных в СибАДИ и ориентированных на применение в дорожной отрасли.

3.6. Методы управления неопределенностью и рисками дорожно-эксплуатационных проектов Отличительной особенностью проектов по содержанию дорог является достаточно высокая степень неопределенности объемов и сроков работ (особенно в зимнее время). Эта особенность связана с необходимостью анализа и страхования рисков при управлении дорожными проектами.

Производственные процессы содержания дорог включают множество разноплановых факторов и являются наиболее сложными для моделирования и выбора адекватных управляющих воздействий. Модели таких систем требуют специальных подходов к их описанию. В указанных условиях преимущество перед аналитическими моделями имеют модели имитационного моделирования. Имитационные модели (ИМ) позволяют учесть наличие дискретных и непрерывных элементов системы, нелинейность их характеристик, влияние случайных и управляющих воздействий и другие факторы. Имитационное моделирование дает возможность исследовать процесс функционирования системы посредством варьирования ее параметров. Более подробно вопросы имитационного моделирования рассмотрены в подразделе 4.1. Частным случаем имитационного моделирования является статистическое моделирование, предполагающее знание законов распределения параметров системы как случайных величин. При моделировании процессов зимнего содержания дорог такими основными параметрами являются МФ.

Для учета факторов неопределенности и риска при оценке эффективности проекта используется вся имеющаяся информация об условиях его реализации и различные современные методы управления проектами (в нашем случае – производственной программой по содержанию дорог). При этом могут использоваться следующие три метода [166]:

1. Проверка устойчивости проекта.

2. Корректировка параметров проекта и экономических нормативов.

3. Формализованное описание неопределенности.

Метод проверки устойчивости проекта предусматривает разработку сценариев его реализации в наиболее вероятных или наиболее «опасных»

для участников условиях. По каждому сценарию исследуется, как будет действовать в соответствующих условиях организационно-экономический механизм реализации проекта, каких затрат он потребует. Проект считается устойчивым и эффективным, если во всех рассмотренных ситуациях интересы участников соблюдаются, а возможные неблагоприятные последствия устраняются за счет созданных страховых запасов или резервов. Ожидаемый эффект рассчитывается по формуле [166]:

i Pi, (3.49) где Эi – интегральный эффект при i-м условии реализации;

Рi – вероятность реализации этого условия.

Организационно-экономический механизм реализации проекта, сопряженного с риском, должен предусматривать определенные механизмы стабилизации, обеспечивающие защиту интересов участников при неблагоприятном изменении условий осуществления проекта [337, 348, 350]. Как правило, применение в проекте стабилизационных механизмов требует от участников дополнительных затрат, размер которых зависит от условий реализации мероприятия, оценок степени возможного риска участниками проекта. Такие затраты подлежат обязательному учету при определении эффективности проекта. Виды неопределенностей и рисков и возможные схемы их предупреждения и страхования при реализации дорожных проектов представлены на рис.

3.19.

Ви д ы н еоп р ед е л ен н ост ей и и н в е сти ц и он ны х ри ск ов Неполнота и неточ- Неопределенность природ- Производственно- Неполнота и неточность ность информации о но-климатических условий и технологический риск информации о финан параметрах новой их воздействия на исходные (отказы оборудова- совом положении и техники и технологи- ния, производствен- деловой репутации материалы и технологию ческих процессов ный брак) участников процесса Кор р екти р овк а п ар ам етр ов М ех ан и з мы стаб и ли за ц ии и эк он оми ч ес ких норм ати в ов Распределение риска Снижение степени риска: Увеличение показателей:

между участниками дополнительные затраты на создание срока строительства на величину реализации проекта: резервов и запасов;

возможной задержки;

индексирование цен;

уменьшение аварийности производства;

стоимости строительства в связи с возможными неблагоприятными различные формы оценка степени устойчивости проекта;

страхования ;

условиями и возможными совершенствование технологии;

неопределенными расходами;

система взаимных материальное стимулирование санкций нормы дисконта повышения качества продукции Рис. 3.19. Виды неопределенностей и способы их учета при оценке эффективности дорожного проекта Для оценки риска авторами [80, 274] предложена формула, которая позволяет рассчитать вероятность риска при планировании ремонта дорог на основе параметров транспортно-эксплуатационного состояния:


A A r 0,5 m, (3.50) 2 m A где A, Am – математические ожидания соответственно расчетного и 2 недопустимого значений параметров;

A, m – дисперсии нормально распределенных параметров A, Am ;

(x) – интегральная функция Лапласа.

Вероятности риска при выполнении дорожно-строительных проектов в срок рассмотрены далее в подразделе 4.2. Вероятности попадания параметров измеряемых величин в определенные пределы достаточно известны и приводятся во многих работах по теории вероятности [157, 311], применительно к дорожным процессам рассмотрены в работе [111].

В то же время недостаточно в научной литературе рассмотрены вопросы риска выполнения работ с учетом ресурсного обеспечения и воздействия совокупности случайных неблагоприятных факторов.

Неопределенность условий не является жестко заданной на весь период производства работ. По мере осуществления проекта появляется дополнительная информация, и ранее существующая неопределенность может сниматься. С учетом этого в процессе управления реализацией проекта может быть внесена соответствующая корректировка в условия договора между участниками проекта (например, заказчиком и дорожной организацией) [349, 327].

Степень устойчивости проекта (в частности, производственной программы по содержанию дорог) по отношению к возможным изменениям условий реализации, особенно под действием небла гоприятных МФ, можно охарактеризовать такими предельными параметрами производства, при которых выручка от сдачи работ совпадает с издержками производства (точка безубыточности) или даже превышает их. Последний случай связан с понятием риска для хозяйствующего субъекта при выполнении договора по содержанию дорог.

Если средства, необходимые для выполнения комплекса работ по ЗС не будут выделены в полном объеме, потребительские качества дорог могут выйти за предельно допускаемые значения. Возможные потери в транспортной и внетранспортной сферах из-за снижения средней скорости движения на дорогах, увеличения времени доставки грузов, увеличения ДТП рассматриваются как плата за риск невыполнения работ по содержанию дорог в соответствии с нормативными требованиями.

При ЗС дорог возможна и противоположная ситуация, когда при благоприятном стечении обстоятельств по воздействию МФ возможно соблюдение установленных требований к состоянию элементов дорог без выполнения работ подрядчиком. Это обстоятельство при значительных отклонениях от плановых показателей также должно быть учтено контрактом.

Укрупненный алгоритм имитационного моделирования производства работ по зимнему содержанию дорог представлен на рис. 3.20. Расчеты выполняются с использованием программного комплекса АУРС-СибАДИ.

Факторы, воздействующие на процессы содержания дорог, делятся на управляемые, контролируемые и трудноизменяемые. Модели содержания дорог включают факторы всех трех видов и являются наиболее сложными для моделирования.

В то же время можно построить модели прогнозирования затрат только под действием неуправляемых, но контролируемых факторов, к которым прежде всего относятся метеорологические факторы. Эти модели позволят создавать резервы на случай создания неблагоприятных условий для содержания дорог в зимний период. Для установления модели зависимости стоимости работ по проекту от метеорологических факторов можно использовать метод планирования эксперимента. Данная методика позволяет существенно сократить количество вариантов реализации проекта на ПЭВМ. Основа традиционных методов экспериментального исследования – определение требуемых зависимостей при изменении одного фактора и постоянстве остальных (однофакторный эксперимент). В отличие от традиционных форм выполнения экспериментов методы математического планирования позволяют одновременно изучать влияние ряда факторов (многофакторный эксперимент) на исследуемый объект.

Они основаны на математической теории эксперимента, которая определяет условия оптимального проведения исследования, в том числе и при неполном знании физической сущности явления. Математические методы планирования эксперимента позволяют исследовать и оптимизировать сложные системы и процессы, обеспечивая высокую эффективность эксперимента и точность определения исследуемых факторов.

Видный ученый в области математической теории эксперимента В. В.

Налимов считает, что планирование эксперимента – это оптимальное управление экспериментом при неполном знании механизма явлений [14, 186]. Теория математического эксперимента содержит ряд концепций, которые обеспечивают успешную реализацию задач исследования. К ним относятся концепции рандомизации, последовательного эксперимента, математического моделирования, оптимального использования факторного пространства и ряд других. В зависимости от сочетания этих факторов Характеристики главных Датчик случайных чисел компонент климатических факторов ДКР: снегопады, гололедные явления, метели Расчет параметров i: i+ Автоматизированный расчет технологических объемов по технологическим процессов операциям (модуль АРС) ЦиБ Нет Расчет затрат на реализацию i-го Все варианты проекта варианта проекта реализованы?

Да n P 1, Оценка ожидаемой стоимости проекта Cож Ci Pi, i i i где Сi – стоимость реализации i-го варианта проекта;

Pi – вероятность реализации проекта по i-му сценарию;

n – количество реализаций проекта Рис. 3.20. Алгоритм статистического моделирования затрат на проект зимнего содержания сети дорог может рассматриваться проведение «активного» или «пассивного»

эксперимента [64].

При последовательном проведении эксперимента его выполняют не одновременно, а поэтапно, т.е. результаты каждого этапа анализируют и принимают решение о целесообразности проведения дальнейших исследований. В результате эксперимента получают уравнение регрессии, которое часто называют моделью процесса. Для конкретных случаев математическая модель создается исходя из целевой направленности процесса и задач исследования, с учетом требуемой точности решения и достоверности исходных данных.

Под моделью понимают не абсолютно точное описание явления (подобно закону), а приближенное выражение неизвестного закона, которое удовлетворительно характеризует явление в некоторой локальной области факторного пространства. Для приближенного описания одного и того же явления можно предложить несколько моделей, оценка которых обычно производится по критерию Фишера. Так как степень полинома, адекватно описывающего процесс, предсказать невозможно, то сначала пытаются описать явление линейной моделью, а затем (если она неадекватна) повышают степень полинома, т.е. проводят эксперимент поэтапно. Наиболее изучены, а потому и широко используются планы экстремального эксперимента, которые позволяют описать исследуемый процесс и выполнить его оптимизацию. Эти планы представляют собой систему опытов, содержащую возможные неповторяющиеся комбинации выбранных факторов при заданных уровнях их варьирования.

Ниже рассмотрен пример моделирования стоимости затрат на содержание 1км дорог в течение зимнего периода (y) в зависимости от изменения двух факторов: z1 (число дней со снегопадами) и z2 (число дней с гололедными явлениями) методом полного двухфакторного эксперимента. Расчеты выполняются с использованием программного обеспечения АУРС-СибАДИ по схеме статистического моделирования (см. рис. 3.20). Вместо случайных характеристик факторов, как это реализуется при статистическом моделировании, в данном случае используются их значения, предусмотренные методикой планирования эксперимента.

В начале эксперимента делаем предположение, что модель описывается линейным полиномом, т.е. поверхность отклика представляет собой плоскость y = a0 + a1 x1 + a2 x2. (3.51) Чтобы построить поверхности отклика в виде плоскости, достаточно провести четыре опыта. Наиболее удобно выбранные факторы варьировать на верхнем и нижнем уровнях, что соответствует xi max 1 и xi min 1. Для удобства планирования эксперимента составляют план и матрицу (рис. 3.21) двухфакторного эксперимента, в соответствии с которым и проводят исследования. Матрица планирования полного двухфакторного эксперимента обладает следующими свойствами:

m m m xij xij xiu x ju m ;

0 ;

0, (3.52) j 1 j 1 j где j – номер опыта двухфакторного эксперимента, j 1, m ;

i – номер фактора, i=1, 2,…,u,…, n.

Свойство, выраженное уравнениями (3.52), называется ортогональностью, а матрица – ортогональной (прямоугольной). Это свойство обеспечивает относительную простоту вычисления коэффициентов регрессии, которые определяют по формулам:

m m m ai xij y j ;

a0 y j ;

aiu xij x ju y j, (3.53) j 1 j j где j – номер опыта, j (1, m) ;

i номер фактора, i (1,2,..., u,..., n).

Формулы (3.52) применимы только для вычисления коэффициентов ортогонального линейного полинома. Некоторые из коэффициентов уравнения регрессии могут оказаться незначительными, т.е пренебрежимо малыми. Коэффициент регрессии значим, и им пренебрегать нельзя, если a Da t, (3.54) X а) б) 3 Номер Факторы Функция опыта отклика Х1 Х 1 -1 -1 Y -1 05 1 2 +1 -1 Y 3 -1 +1 Y X -X1 4 +1 +1 Y 5 0 0 Y - 1 -X Рис. 3.21. Планы для функций у= f (x1, x2):

а–графическая схема;

б–матрица двухфакторного эксперимента где t–критерий Стьюдента;

D –дисперсия при определении коэффициента регрессии, Da D y / m ;

Dу – дисперсия среднего значения фактора.

Полученные таким образом уравнения линейной регрессии проверяют по условию адекватности (например, по критерию Фишера). Адекватность линейного полинома можно определить и путем вычисления коэффициентов регрессии 12,..., ( n 1) n, которые при адекватности линейного полинома равны нулю.

В табл. 3.5 приведены статистические характеристики климатических факторов, на основе которых определяют случайные параметры процессов зимнего содержания и вероятности их появления. Эти данные определяют применительно к каждому дорожно-климатическому району территории на основе анализа статистических данных за ряд лет. Исследования показали, что значения основных климатических характеристик, включаемых в расчеты объемов работ по содержанию дорог, подчиняются нормальному закону распределения [207, 241].


От числа дней со снегопадами и гололедными явлениями зависят коэффициенты цикла, которые, в свою очередь, влияют на стоимость зимнего содержания дорог для различных эксплуатационных категорий (подразделы 3.3, 3.4.). В табл. 3.9 приведены данные о коэффициентах цикличности, связанных со снегопадами и гололедными явлениями, для различных эксплуатационных категорий дорог в трех зонах Омской области.

Таблица 3. Цикличность работ зимнего содержания (Омская область) Эксплуатационные категории дорог Зона / А Б, В Г1 Г коэффициенты цикличности min max min max min max min max Север Ц101 28 69 20 51 15 38 10 Ц102 11 35 11 35 5.5 17 4 Ц103 14 34 10 25 0 0 0 Ц104-Ц109 20 40 16 31 16 31 11 Ц110 20 56 21 60 5.5 17 4 Центр Ц101 31 60 20 40 15 30 10 Ц102 15 51 15 51 8 25 5 Ц103 15 30 10 20 0 0 0 Ц104–Ц109 25 40 20 30 20 30 14 Ц110 24 65 25 71 8 25 5 Юг Ц101 34 57 22 49 17 37 11 Ц102 17 56 17 56 8 28 6 Ц103 17 28 11 24 0 0 0 Ц104–Ц109 24 36 18 31 18 31 13 Ц110 27 68 28 80 8 28 6 Примечание. Коэффициенты цикличности по видам работ: Ц101–очистка покрытия и обочин от снега и снежных валов;

Ц102–распределение ПГМ при гололедных явлениях;

Ц103–распределение ПГМ при снегопаде;

Ц104Ц109– очистка от снега ограждений, дорожных знаков и опор дорожного освещения, сигнальных столбиков, автобусных остановок и автопавильонов, площадок отдыха, стоянок автомобилей;

Ц110–очистка покрытия после россыпи ПГМ.

Численные значения всех коэффициентов зависят от трех основных показателей по каждой эксплуатационной категории (см. табл. 3.3): Дсн – число дней со снегопадом интенсивностью 0,5 мм/ч или 1 мм/ч;

Дгл – число дней с гололедными явлениями;

Дмт – число дней с низовыми метелями.

Остальные коэффициенты цикличности в зимний период определяются в зависимости от этих трех факторов. Так как работы по очистке дорог от снега при низовых метелях выполняются не на всей протяженности сети дорог, а только на снегозаносимых участках, то в данном случае для демонстрационных целей влияние этого третьего фактора в моделях не рассматривалось. Показательно, что данные о цикличности существенно отличаются по трем зонам территории Омской области, хотя эти зоны выбраны достаточно условно. Если проводить детальное районирование по методике, описанной в 3.4, то дорожно-климатических зон можно выделить гораздо больше.

Исходные данные для проведения эксперимента приведены в табл.

3.10, 3.11 по эксплуатационной категории Б.

В результате выполненного моделирования получены линейные модели, адекватность которых прошла проверку по критерию Фишера. Для категории Б по зонам (см. табл. 3.9) они имеют следующий вид:

Таблица 3. Основные характеристики плана эксперимента Север Центр Юг Характеристика z1 z2 z1 z2 z1 z 35,5 23 30 33 35,5 36, Основной уровень z0i 15,5 12 10 18 13,5 19, Интервал варьирования z 51 35 40 51 49 Верхний уровень zmax 20 11 20 15 22 z min Нижний уровень Таблица 3. Рабочие таблицы для проведения эксперимента (север) Номер x1 x2 z1 z2 Yэ Yр опыта 1 -1 -1 20 11 45,90 49,42 -3, 2 +1 -1 51 11 64,10 63,94 0, 3 -1 +1 20 35 62,70 62,82 -0, 4 +1 +1 51 35 80,80 77,34 3, 5 0 0 35,5 23 63,40 63,38 0, Примечание. Yэ – стоимость 1 км содержания дороги категории Б в течение зимнего периода, полученная экспериментальным путем, тыс. руб.;

Yр – то же, полученное расчетом на модели.

Север: Y = 33,89 + 0,47Дсн + 0,56Дгл.

Центр: Y = 37,41 + 0,55Дсн + 0,47Дгл.

Юг: Y = 40,57 + 0,47Дсн +0,47Дгл.

В рассмотренном примере факторы относятся к числу неуправляемых, но контролируемых. В таких случаях для страхования риска необходимо создание дополнительных резервов. Данные модели могут рассматриваться прежде всего на уровне заказчика при разработке годовых проектов на основе долгосрочных прогнозов погоды. Уровень риска при реализации проектов с учетом только воздействия неуправляемых климатичесих факторов будет зависеть от вероятности появления данных факторов в расчетный период [335, 336].

В качестве управляемых факторов при моделировании могут быть приняты: оснащенность подрядной организации техникой, ее состояние (поломки, отсутствие ГСМ), поставки материалов, стоимости ресурсов и т.д. Влияние ряда факторов и соответствующие меры регулирования рассмотрены в работе Сакуты Н.Б. [253] с позиции оперативного управления зимним содержанием. В то же время эти факторы могут включаться в имитационную модель для оценки риска подрядными организациями при разработке проектов содержания сети дорог.

Методы поддержки проектов при этом могут быть самыми различными: совершенствование системы управления, создание запасов материальных ресурсов, повышение квалификации персонала. Расчеты могут проводиться с использованием как методов статистического моделирования, так и методики планирования эксперимента.

Расчеты по содержанию дорог, выполненные по данной методике применительно к условиям Ханты-Мансийского автономного округа (ХМАО), показывают, что затраты на регламентные работы по зимнему содержанию составляют 40–70 тыс.руб. на 1 км (цены по состоянию на 01.01.2000 г.) в зависимости от категории дороги. Существенные изменения в стоимости работ вызывают колебания погодных факторов в зимний период. На рис. 3.22 представлена зависимость изменения стоимости содержания 1км дорог при увеличении количества неблагоприятных по метеорологическим условиям дней по сравнению с расчетным значением (при вероятности 0,5). По оси абсцисс отображено увеличение количества неблагоприятных метеорологических факторов в процентном отношении от расчетного значения, по оси ординат– соответствующее увеличение затрат на зимнее содержание дорог, %.

Например, при отклонении только количества дней со снегопадами от рас четного в 1,5 раза стоимость содержания дорог в среднем увеличивается Затраты % 150 140 100 110 120 130 140 150 % МФ Рис. 3.22. Изменение затрат на зимнее содержание дорог при изменении количества неблагоприятных метеорологических факторов (МФ): 1– возрастание затрат при увеличении количества дней со снегопадами;

2– то же при увеличении суммарного количества дней со снегопадами и гололедными явлениями на 32%. Даже ориентировочные вероятностные расчеты по методике проверки устойчивости проектов показывают, что в условиях ХМАО заказчик должен иметь постоянные страховые резервы не менее 10% от объемов работ. При неиспользовании резервов на содержание дорог средства должны направляться на выполнение объемных работ по текущему ремонту или на другие ремонтные работы на сети дорог региона.

Совокупные нормативные затраты на ликвидацию последствий неблагоприятных климатических явлений представлены в следующем виде:

C км C iкм ( x i ) при C iкм C ij ( x i ), км (3.55) i j где C затраты на содержание 1км дороги с определенными характеристиками в течение зимнего сезона, тыс. руб.;

Ci соответствующие затраты на выполнение комплекса работ по ликвидации последствий i-го МФ, i 1,3 (снегопады, метели, гололедные явления);

Cij затраты на осуществление j-го вида работ при ликвидации последствий i-го МФ;

xi вероятностное значение комплексного параметра i-го МФ.

Все вышеуказанные затраты зависят от повторяемости и интенсивности погодных явлений, при этом данная информация имеет вероятностный характер и подчиняется статистическим законам распределения. Планирование ресурсов на содержание дорог с уровнем риска 0,5 (при нормальном законе соответствует средним значениям величин МФ) может существенно осложнить ситуацию на дорогах территории даже при незначительных превышениях значений погодных факторов.

С целью прогнозирования страховых резервов разработана имитационная модель, позволяющая оценить затраты на зимнее содержание в течение планового периода в зависимости от вероятности появления неблагоприятных явлений в этот период. Укрупненный алгоритм имитационного моделирования представлен на рис. 3.23.

Для моделирования требуется подготовить следующие исходные данные:

1) параметры случайных величин, характеризующих i-й МФ (закон распределения, математическое ожидание, среднеквадратическое отклонение). Характеристики могут задаваться в табличной форме или в виде плотности распределения случайных величин;

2) границы изменения МФ на данной территории, полученные на основе статистической обработки среднемесячных данных;

3) ресурсно-технологические модели производства работ по зимнему содержанию;

4) характеристики дорог, определяющие нормативные требования к уровню содержания (административное значение, вид покрытия, техническая и эксплуатационная категории и т.д.), количество и параметры элементов дорог;

5) модели расчета объемов по видам работ ЗС;

6) организационно-экономические условия производства работ под рядчиком на обслуживаемой сети дорог (расположение производственных баз, баз ПГМ, расстояния транспортирования, цены ресурсов и т.д.).

Методика предусматривает два этапа моделирования:

1) построение номограммы в совмещенных осях F ( xi ), Ci ( xi ) ;

2) прогнозирование затрат при различном уровне вероятности i-го МФ.

Реализацию данного подхода рассмотрим на примере проведения мероприятий по ликвидации последствий снегопадов при i=1. Затраты на снегоочистку C1 зависят от повторяемости снегопадов различной интенсивности в зимний период и средней продолжительности одного снегопада. Каждый из этих показателей имеет свои параметры закона распределения и определенные численные характеристики на территории.

При оценке затрат необходимо рассматривать их влияние на C раздельно, так как показатель цикличности связан с комплексом работ, выполняемых после завершения каждого снегопада, а показатель Параметры i-го МФ в проекте зимнего содержания дорог Построение графика интегральной функции распределения i-го явления F ( xi ), где xi – значение параметра i-го МФ Определение Задание минимального P( X i xi min ) значения xi : xi min Да Текущее Ci ( xi ), Расчет значение xi Перейти к следующему Нет явлению?

Задание интервала варьирования pi Нет Да pi p i : p i p i Конец Рис. 3.23. Укрупненная блок-схема алгоритма расчета затрат на ликвидацию последствий неблагоприятных факторов с заданным уровнем обеспеченности pi продолжительности связан с технологическими параметрами при выполнении работ (в частности, с числом проходов по одному следу). В качестве комплексного показателя для определения объемов работ по патрульной снегоочистке принят показатель продолжительности снего падов S. Размерность величины S определена в цикло-часах (цикл.-ч).

По мере увеличения значения текущей переменной s она дает интегрально нарастающую вероятность значений:

F ( s) p( S s), (3.56) где p( S s ) – вероятность того, что случайная величина S меньше текущего ее значения s.

Затраты C1 также являются функцией от s.

Закон распределения случайной величины S определен как произведение двух случайных нормально распределенных величин – повторяемости снегопадов z и длительности одного снегопада t. Значения F (s ) рассчитывают как интегральной функции распределения произведение F (z ) и F (t ) :

z max t max 1 z2 / 2 e t / F (s) e dz dt.

(3.57) 2 z min t min После ряда преобразований получим следующее выражение для интегральной функции распределения F (s ) :

z max s/ z ( z z )2 1 ( r t ) 1 F ( s) dr dz, 3.58) exp exp 2 2 z 2 z 2 t 2 t z min где z, t, z t соответственно среднеквадратические отклонения и математические ожидания нормально распределенных величин z и t;

r – переменная интегрирования s / z.

Если на территории параметры снегопадов подчиняются другим законам распределения, то для вывода формулы F (s ) нужно выполнить соответствующие преобразования. В реальных условиях величина S меняется в пределах от S min до S max. Конкретные значения этих величин определяются по статистической выборке. Опираясь на представленные формулы, можно не только определить затраты на ликвидацию последствий снегопадов при заданной вероятности p(s ), но и рассчитать необходимые затраты, если случайная величина S превысит текущее значение s, соответствующее выделенным средствам. Если средства, соответствующие S, не будут выделены, потребительские качества дорог могут выйти за пределы допускаемых значений, что связано с рисками как для подрядной организации, так и для пользователей дорог.

Пример моделирования затрат на снегоочистку дорог для четырех эксплуатационных категорий, в зависимости от вероятности появления неблагоприятных климатических явлений в течение зимнего периода, представлен на рис. 3.24. В верхней части графика отражено изменение нормативных затрат на ликвидацию последствий воздействия снегопадов для разных эксплуатационных категорий в зависимости от значения S, в нижней части интегральная функция распределения F (s ).

C1 (s) тыс. руб.

80 130 180 230 280 330 380 430 480 530 580 S цикл.-ч 0, 0, 0, 0, 0, 0, 0, 0, 0, F(s) Рис. 3.24. Оценка затрат на снегоочистку дорог при разном уровне обеспеченности неблагоприятных МФ:

– интегральная функция распределения F(S);

– затраты на патрульную снегоочистку для эксплуатационной категории А3;

– то же для эксплуатационной категории Б;

– то же для эксплуатацион ной категории В;

– то же для эксплуатационной категории Г На примере расчета нормативных затрат по зимнему содержанию 1 км дорог эксплуатационной категории Б рассмотрим последовательность действий на этапе прогнозирования затрат:

1. При вероятности МФ 0,5 по графику интегральной кривой F (s ) определяем значение параметра s – 290 цикл.-ч для патрульной снегоочистки.

2. При этом значении параметра s нормативные затраты на ликви дацию последствий снегопадов за зимний период на 1 км дорог эксплуатационной категории Б составят 36 тыс. руб. (в базисных ценах на 01.01.2000 г.).

3) Если вероятность возникновения неблагоприятных явлений возрастет до 0,7, что соответствует 355 цикл.-ч, нормативные затраты увеличатся до 42 тыс. руб. за содержание 1 км эксплуатационной категории Б.

Изменение нормативных затрат на 1 км содержания дороги потребует от подрядчика использования всех внутренних резервов для обеспечения требуемого уровня содержания дорог и соответствующего уровня безопасности для участников дорожного движения. Что касается заказчика, то ему необходимо резервировать объем средств на случай увеличения объемов работ в сумме 6 тыс. руб. без учета индексации цен.

Выходные данные моделирования позволяют оценить не только сумму страхового резерва, но и потребность во всех видах ресурсов (машины, материалы, энергоресурсы, трудовые ресурсы) для выполнения всех необходимых объемов работ с целью поддержания элементов дорог в соответствии с нормативными требованиями.

Подобные номограммы построены для других составляющих совокупных затрат зимнего содержания с разной степенью обеспеченности неблагоприятных погодных явлений. Нормативные затраты на ликвидацию гололедных явлений 2 и расчистку участков дорог от снежных заносов при метелях 3 зависят от цикличности и характера соответствующих климатических показателей: гололедных явлений g и метелей m.

Гололедные явления, снегопады, метели рассмотрены как независимые и несовместные случайные события, которые образуют полную группу неблагоприятных метеорологических явлений в плановом периоде.

Вероятность появления этих событий в течение зимнего сезона рассчитывается по формуле полной вероятности. Так, для вероятности явления снегопадов расчет ведется по формуле p ( Z ) p( g ) p ( z / g ) p ( m ) p ( z / m ), ( 3.59) где p (g ), p (m) – вероятности соответственно гололедных явлений и метелей;

p ( z / g ), p ( z / m) – условные вероятности снегопадов при появлении в плановом периоде соответственно гололедных явлений и метелей.

Предлагаемая методика позволяет рассчитать затраты на зимнее содержание дорог при заданной вероятности неблагоприятных явлений и решить обратную задачу: оценить вероятность риска невыполнения полного комплекса работ зимнего содержания при заданных ресурсах.

Выводы 1. При постановке конечных целей формирования и развития автомобильных дорог субъектов РФ необходимо учитывать уровень социально-экономического развития регионов, потребность в дорожной сети для развития рыночных возможностей хозяйствования, повышения качества жизни населения путем удовлетворения спроса на автомобильные перевозки и обеспечения безопасности дорожного движения. Интересы территории непосредственно увязываются с развитием сети дорог.

2. Концептуальная модель управления региональной дорожной инфраструктурой позволяет учесть новейшие достижения в области управления транспортными системами, мировой опыт по разработке моделей управления состоянием автомобильно-дорожной сети при различном уровне инвестиционных возможностей, а также специфические экономические, климатические, технологические и другие особенности территории конкретного региона. Методология «Управление проектами»

обеспечивает рациональный подход к формированию организационной структуры данной системы при распределении задач и функций по трем уровням управления и исполнителям: уровень администрации региона, уровень заказчиков и инвесторов, уровень подрядных организаций.

3. Эффективность инвестиций в развитие дорожной сети территории достигается за счет оптимального распределения ограниченных средств при декомпозиции главной цели на цели проектов второго, а затем третьего уровней системы. Методика последовательного анализа с оптимизацией на каждом уровне обобщенного компромиссного показателя, получаемого методом свертки совокупности технических, экономических и социальных критериев и ограничений, позволяет решать многокритериальную задачу рационального распределения ресурсов при эксплуатации региональной дорожной инфраструктуры 4. Оптимальное соотношение качества транспортных услуг, предоставляемых отраслью потребителям этих услуг на территории, и затратами ресурсов для выполнения поставленных целей по непрерывному и безопасному пропуску транспорта является критерием эффективности содержания сети дорог территории. Результирующая функция при установленном уровне затрат ресурсов производственной программы дорожно-эксплуатационной службы на территории обеспечивает определенные параметры транспортного потока (транспортные расходы, скорость транспортного потока, безопасность движения). Эти параметры находятся в зависимости от состояния элементов автомобильной дороги, оцениваемых соответствием нормативным требованиям к уровню ее содержания.

5. Методическим приемом, позволяющим взаимоувязать преимущественно качественный характер показателей программы содержания сети дорог, виды работ и варианты ресурсов, является модифицированная структура программной матрицы, включающей следующие разделы:

проекты летнего, зимнего содержания, озеленения и другие проекты в соответствии с классификацией работ по содержанию дорог;

укрупненные конструктивные элементы дорог: полоса отвода, земляное полотно, проезжая часть, искусственные сооружения, обстановка и обустройство дороги;

виды работ в соответствии с требуемым уровнем содержания.

Система расчета ресурсов для выполнения вариантов производственной программы базируется на общем элементном фундаменте – ресурсно-технологических моделях производственных процесссов.



Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 9 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.