CC BY
25
Рис.2. Характер прогиба поверхности грунта при действии полосовой нагрузки. 1- упругое полупространство; 2- нелинейно-деформируемое полупространство; 3- модель местных упругих деформаций.
Если на поверхность грунтового полупространства действует нагрузка по полосе, то образуется лунка оседания грунта различной формы и размеров.
На поверхности линейно-деформируемого полупространства лунка имеет пологий характер. Проявляется высокая распределительная способность массива и распространяется за пределы полосы нагружения. На поверхности нелинейно-деформируемого полупространства лунка имеет более крутой угол наклона и сравнительно-равномерное оседание в центральной части. По модели местных упругих деформаций лунка имеет прямоугольную форму, что говорит об отсутствии распределительной способности основания.
Использованные источники:
1. Тер-Мартиросян З.Г. Механика грунтов. / З.Г. Тер-Мартиросян. - М.: АСВ, 2009. - 500с.
Дерендяева Т.М., к.пед.н.
доцент
кафедра «Менеджмент» Калининградский государственный университет
Россия, г. Калининград
МАТЕМАТИЧЕСКИЕ МОДЕЛИ В УПРАВЛЕНИИ РЫБОЛОВСТВОМ
Аннотация: Статья посвящена основным видам математических моделей, которые в большей степени характерны для кибернетического подхода к управлению рыболовством. Обосновано значение математических моделей для решения конкретных практических задач и более полного анализа процессов регулирования запасов и рыболовства.
Ключевые слова: математическая модель, управление рыболовством, стохастические процессы.
MATHEMATICAL MODELS IN THE FISHERIES MANAGEMENT
Annotation: The article is devoted to the main types of mathematical models, which are more characteristic of the cybernetic approach to fisheries management. Grounded the value of mathematical models for solving specific practical tasks and a more complete analysis ofprocesses of regulation of stocks and fisheries.
Key words: mathematical model, the fisheries management, stochastic processes.
Промышленное рыболовство представляет собой один из важнейших секторов экономики с точки зрения экономической, экологической и социальной значимости. Устойчивое развитие морского промышленного рыболовства возможно при обеспечении приоритета сохранения водных биологических ресурсов и их рационального использования, сбалансированного решения задач охраны окружающей природной среды и социально-экономического развития страны в интересах нынешнего и будущих поколений на основе эффективного использования водных биологических ресурсов. В настоящее время в связи с сокращением запасов промысловых рыб, увеличением затрат на добычу и признанием многих рыб экономически невыгодными объектами лова возрастает роль прогнозирования и математического моделирование процессов промышленного рыболовства.
Математическая модель системы управления рыболовством включает в себя описание связей между основными переменными процесса управления в установившихся режимах (статическая модель) и при переходе от одного установившегося режима к другому (динамическая модель). Вид математических моделей в области рыболовства в основном зависит от характера процессов в системах управления рыболовством, известной информации и назначении моделей. В этой связи особую актуальность приобретает разработка математических методов и моделей прогнозирования поведения рыбных популяций на основе принципа рационального природопользования [2,3]. Проводя анализ влияния стратегий промысла на динамику рыбных популяций Т.М. Дерендяева, Н.П. Крукович, В. Н. Мельников и А. В. Мельников отмечали, что реализация математических моделей, учитывающих воздействие окружающей среды на рыбные популяции, позволит выбрать наиболее безопасную стратегию промысла, уменьшающую вероятность депрессии рыбного запаса [1,2,3]. В целом можно констатировать, что теоретические методы разработки моделей, особенно динамических, для оптимизации рыболовства пока применяются недостаточно широко. В дальнейшем для решения конкретных практических задач и более полного анализа процессов регулирования запасов и рыболовства значение математических методов и моделей должно возрасти.
В связи со сложностью процессов в системах управления рыболовством полную математическую модель часто составляют по блочному принципу, комбинируя варианты математического описания отдельных элементов или
подсистем. Для разработки статических моделей анализируют процессы управления рыболовством, их целевое назначение, возможные виды уравнений, выявляют входные и выходные параметры одного или нескольких типовых установившихся режимов. При построении жестких моделей обычно используют различные классические методы математики: дифференциальные уравнения, дискретные, в том числе конечно-разностные уравнения, интегральные уравнения, алгебраические, трансцендентные [1,2,3]. Динамические модели определяют связи между основными переменными при изменении их во времени.
В общем случае математическая модель включает в себя основные переменные процесса, связи между основными переменными в статике, ограничения на процесс, показатели, критерии и функции эффективности, связи между основными переменными в динамике. При управлении рыболовством модели можно получать на основе теоретического или экспериментально-статистического подхода, их комбинаций [2,3].
Математические модели на основе теоретического подхода являются детерминированными (жесткими) моделями. Их строят по данным о внутренней структуре управляемого процесса. Модели с применением формального подхода по данным активных и пассивных экспериментов получают с применением принципов «черного ящика». В этом случае неизвестны или недостаточно известны законы, которым подчиняются процессы в объекте моделирования, например в популяции рыб. При обработке экспериментальных данных наиболее часто используют аппарат математической статистики (регрессионный, корреляционный и дисперсионный анализ, методы математического планирования эксперимента). Метод регрессионного анализа при разработке моделей является основным. Корреляционный и дисперсионный анализ служит для исследования математических моделей, полученных с применением регрессионного анализа. В общем случае экспериментально-статистические методы разработки моделей включают в себя выбор вида эксперимента, выбор вида уравнений связи, планирование активного эксперимента, проведение эксперимента, в том числе сбор исходного статистического материала в случае пассивного эксперимента и определение коэффициентов регрессии, статистический анализ результатов [3].
Построение математической модели лова в общем случае состоит из:
- выбора объекта моделирования;
-выбора вида математического описания и способов разработки математической модели;
- разработки модели и её идентификацию модели.
Для разработки математической модели процесса лова, производительности лова или улова за цикл используют уравнения материального баланса. Метод материального баланса относится к методам разработки детерминированных моделей с учетом статики процесса лова. При этом определяют количество рыб, которые могут попасть в зону облова за
рассматриваемый промежуток времени, количество рыб, уходящих из этой зоны различными путями, и количество рыб в улове. Производительность лова определяют с учетом концентрации рыбы у зоны облова, размеров зоны и ухода рыбы из этой зоны. Иногда переходят от абсолютных показателей результатов лова к относительным показателям, считая концентрацию рыбы у зоны облова равной 1.
Для успешного применения математических моделей лова необходимо задавать от 10 до 15 показателей, характеризующих объект лова, средства лова и условия внешней среды [3]. Математические модели производительности лова можно ввести в промыслово-экономические модели для оценки прибыли, себестоимости, уровня рентабельности для описания эффективности лова.
Использованные источники:
1. Дерендяева Т.М., Крукович Н.П. Сравнительный анализ различных стратегий промысла при обучении морских специалистов. Известия Балтийской государственной академии рыбопромыслового флота: психолого-педагогические науки. 2016. № 1(35). - С.142-147.
2. Ивченко В. В. Экономико-организационные проблемы рационального использования биоресурсов Мирового океана. - М.: Пищ. пром-сть, 1980. -136 с.
3. Мельников В. Н., Мельников А. В. Рыбохозяйственная кибернетика. -Астрахань: Изд-во АГТУ, 1998. - 312 с.
Евдокимова Ю.В., к.филос.н.
доцент
кафедра «Финансов и кредита» Сатарин М.Н. студент колледжа, 3 курс факультет «Довузовского образования» Российский государственный социальный университет
Россия, г. Москва ВАЛЮТНЫЙ РЫНОК РОСИЙСКОЙ ФЕДЕРАЦИИ В статье рассмотрены этапы становления валютного рынка РФ. Выявлены участники валютного рынка и дана их характеристика. Сделан анализ операций биржевого валютного рынка в 2015 году.
Ключевые слова: биржевые валютные операции, валютный рынок. Evdokimova Yu.V., candidate of philosophical sciences, associate professor
associate professor of "Finance and credit" Russian state social university Russia, Moscow Satarin M. N. student of college Russian state social university 3 rate, faculty of "Pre-university education"
