Россия
Россия
Представлен научно-методический аппарат краткосрочного прогнозирования ущерба от природных чрезвычайных ситуаций и обоснования объемов привлекаемых сил и технических средств на основе каскада моделей машинного обучения. Разработана трехэтапная структура: М-1 – прогноз прямого экономического ущерба, М-2 – расчет численности привлекаемых сил, М-3 – определение потребности в технических средствах. Интегрированы данные EM-DAT, отчетов МЧС России, Федеральной службы государственной статистики (Росстата) и UNECE, дополненные синтетическими наблюдениями методом Gaussian Copula. Интегрированы данные EM-DAT, отчетов МЧС России, Росстата и UNECE, дополненные синтетическими наблюдениями методом Gaussian Copula. Сравнивались LightGBM, CatBoost и многослойная нейронная сеть (MLP). На отложенной тестовой выборке (20 % наблюдений; уровень агрегации – субъект/регион; цель – логарифм прямого ущерба) MLP обеспечила MAE прогноза прямого ущерба 350 075 тыс. руб. (R² = 0,35) – это средняя абсолютная ошибка на одно событие чрезвычайной ситуации при сопоставлении с фактическими данными. Для задач оценки численности сил и средств средняя абсолютная ошибка составила 32 чел. и 14 ед. техники соответственно на отложенной выборке, что лучше бустинговых моделей (108–111 чел. и 41–62 ед.). SHAP-анализ подтвердил ключевую роль социально-демографических показателей при прогнозировании ущерба и ресурсных потребностей. Научная новизна работы состоит в формировании воспроизводимого каскадного подхода, объединяющего краткосрочный прогноз ущерба и обоснование ресурсных решений, что позволяет использовать разработку в ведомственных системах поддержки оперативного планирования. Методика может быть масштабирована на техногенные и комбинированные сценарии.
краткосрочное прогнозирование, ущерб от чрезвычайных ситуаций, силы и средства, машинное обучение, SHAP-анализ, социально-демографические факторы, ресурсное планирование
1. Глобальное изменение климата и его последствия / Л.В. Бондаренко [и др.] // Вестник РЭА им. Г.В. Плеханова. 2018. № 2 (98). URL: https://cyberleninka.ru/article/n/globalnoe-izmenenie-klimata-i-ego-posledstviya (дата обращения: 11.06.2025).
2. A Comprehensive Review of Machine Learning Approaches for Flood Depth Estimation / B. Liu [et al.] // Int J Disaster Risk Sci. 2025. DOI:https://doi.org/10.1007/s13753-025-00639-0.
3. Development of Combined Heavy Rain Damage Prediction Models with Machine Learning / C. Choi [et al.] // Water. 2019. № 11. P. 2516. DOI:https://doi.org/10.3390/w11122516.
4. Using Disaster Outcomes to Validate Components of Social Vulnerability to Floods: Flood Deaths and Property Damage across the USA / B. Tellman [et al.] // Sustainability. 2020. № 12. P. 6006. DOI:https://doi.org/10.3390/su12156006 (дата обращения: 11.06.2025).
5. Алехин М.Ю., Янченко А.Ю., Крымский В.В. О прогнозировании экономического ущерба от чрезвычайных ситуаций // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2012. № 2. С. 84–88. URL: https://cyberleninka.ru/article/n/o-prognozirovanii-ekonomicheskogo-uscherba-ot-chrezvychaynyh-situatsiy (дата обращения: 11.06.2025).
6. Рыбаков А.В., Постернак Е.В. Анализ проблемной ситуации в области обоснования объемов инженерно-технических мероприятий при прогнозировании ущерба от природных чрезвычайных ситуаций с учетом антропогенных факторов // Научные и образовательные проблемы гражданской защиты. 2024. № 4 (63). С. 72–83. EDN BJANZK.
7. Machine learning application to disaster damage repair cost modelling of residential buildings / N. Wanigarathna [et al.] // Construction Management and Economics. 2024. № 43 (4). P. 302–322. DOI:https://doi.org/10.1080/01446193.2024.2419413 (дата обращения: 11.06.2025).
8. Хадзегов А.С., Крейтор В.П. Методы прогнозирования природных и техногенных опасностей, рисков возникновения чрезвычайных ситуаций, динамики их последствий, оценке ущерба // Актуальные исследования. 2022. № 17 (96). С. 11–15. URL: https://apni.ru/article/4038-metodi-prognozirovaniya-prirodnikh-i-tekhnog (дата обращения: 11.06.2025).
9. Caunhye A.M., Nie X., Pokharel S. Optimization models in emergency logistics: A literature review // Socio-economic planning sciences. 2012. Т. 46. № 1. С. 4–13. DOI:https://doi.org/10.1016/j.seps.2011.04.004 (дата обращения: 11.06.2025).
10. Рыбаков А.В., Постернак Е.В. Математическая модель обоснования объемов инженерно-технических мероприятий для минимизации ущерба от природных чрезвычайных ситуаций с учетом антропогенных факторов // Проблемы управления рисками в техносфере. 2025. № 1 (73). С. 102–117. DOI:https://doi.org/10.61260/1998-8990-2025-1-102-117. EDN CCNPUD.
11. Machine Learning in Disaster Management: Recent Developments in Methods and Applications / V. Linardos [et al.] // Mach. Learn. Knowl. Extr. 2022. № 4. P. 446–473. DOI:https://doi.org/10.3390/make4020020 (дата обращения: 11.06.2025).
12. Никульчев Е.В., Червяков А.А. Построение робастных интервальных моделей прогнозирования динамики структурно-сложной системы // Труды НГТУ им. Р.Е. Алексеева. 2023. № 1 (140). С. 33–41. URL: https://cyberleninka.ru/article/n/postroenie-robastnyh-intervalnyh-modeley-prognozirovaniya-dinamiki-strukturno-slozhnoy-sistemy (дата обращения: 11.06.2025).
13. Шаптала В.Г., Радоуцкий В.Ю., Шаптала В.В. Применение нейросетевых технологий для прогнозирования чрезвычайных ситуаций // Вестник БГТУ им. В.Г. Шухова. 2011. № 2. С. 152–154.
14. Харин Ю.С. Устойчивость в статистическом прогнозировании временных рядов // Прикладная эконометрика. 2006. № 1. С. 82–92. URL: https://cyberleninka.ru/article/n/ustoychivost-v-statisticheskom-prognozirovanii-vremennyh-ryadov (дата обращения: 11.06.2025).
15. О выборе метода динамического нормирования энергоресурсов нефтеперерабатывающих производств / В.Р. Ведрученко [и др.] // Омский научный вестник. Сер.: Авиационно-ракетное и энергетическое машиностроение. 2024. № 2. С. 5–12. URL: https://cyberleninka.ru/article/n/o-vybore-metoda-dinamicheskogo-normirovaniya-energoresursov-neftepererabatyvayuschih-proizvodstv (дата обращения: 11.06.2025).
16. Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий / В. Носко [и др.] // Научные труды Фонда «Институт экономической политики им. Е.Т. Гайдара. 2003. № 64. URL: https://cyberleninka.ru/article/n/analiz-prognoznyh-svoystv-strukturnyh-modeley-i-modeley-s-vklyucheniem-rezultatov-oprosov-predpriyatiy (дата обращения: 11.06.2025).
17. Лебедева М.Р., Лобашов А.О., Семченков С.С. Методы анализа данных и прогнозирования аварийности на примере города Минска // Вестник Полоцкого государственного университета. Сер. B.: Промышленность. Прикладные науки. 2025. № 1. С. 70–76. URL: https://cyberleninka.ru/article/n/metody-analiza-dannyh-i-prognozirovaniya-avariynosti-na-primere-goroda-minska (дата обращения: 11.06.2025).
