'

ОЦЕНКА РИСКОВ УГРОЗ ЭНЕРГЕТИЧЕСКОЙ БЕЗОПАСНОСТИ РЕГИОНА

Понравилась презентация – покажи это...





Слайд 0

ПОДКОПАЕВА Н.Р.,к.э.н;проф.кафедры экономики и управления ОЦЕНКА РИСКОВ УГРОЗ ЭНЕРГЕТИЧЕСКОЙ БЕЗОПАСНОСТИ РЕГИОНА ГОУ ВПО «Костромской государственный технологический университет»


Слайд 1

ПРЕДПОСЫЛКИ ФОРМИРОВАНИЯ ОЦЕНКИ РИСКОВ ЭНЕРГОБЕЗОПАСНОСТИ РЕГИОНА


Слайд 2

Цель оценки энергетической безопасности региона


Слайд 3

Влияние особенностей Костромской области на социально-экономическое развитие


Слайд 4

Основные направления обеспечения энергобезопасности региона


Слайд 5

Основные направления обеспечения энергобезопасности региона №1 Обеспечение энергетической независимости региона


Слайд 6

Основные направления обеспечения энергобезопасности региона №2 Самообеспечение региона топливно-энергетическими ресурсами


Слайд 7

Основные направления обеспечения энергобезопасности региона №3 Мониторинг, анализ и разработка вариантов энергобезопасности


Слайд 8

Основные направления обеспечения энергобезопасности региона №4 Разработка региональной программы по энергетической независимости


Слайд 9

Основные направления обеспечения энергобезопасности региона №5 Обеспечение решения первоочередных задач по энергетической безопасности региона


Слайд 10

Основные направления обеспечения энергобезопасности региона №6 Исследование проблемных факторов энергобезопасности региона


Слайд 11


Слайд 12

Регрессионный анализ С помощью регрессионного анализа можно оценить средний ущерб, наносимый каждой угрозой


Слайд 13

Se – стандартная ошибка для коэффициента m; Seb – стандартная ошибка для свободного члена b; R2 – коэффициент детерминированности, который показывает, как близко уравнение описывает исходные данные. Чем ближе он к 1, тем больше сходится теоретическая зависимость и экспериментальные данные; Sey – стандартная ошибка для y; F – критерий Фишера определяет случайная или нет взаимосвязь между зависимой и независимой переменными; Df – степень свободы системы; Ssreg – регрессионная сумма квадратов; Ssresid – остаточная сумма квадратов Статистические показатели линейной регрессии С помощью спец. программы в Excel


Слайд 14

Оценка качества модели по критериям Стьюдента и Фишера проводиться путём сравнения расчетных значений с табличными. Для оценки качества модели по критерию Стьюдента фактическое значение этого критерия (tрасч) tрасч = mn/ Sen , равнивается с критическим значением tтабл, которое рассчитывается по формуле: tтабл=СТЬЮДРАСПОБР(0,05;n-m-1), с учетом заданного уровня значимости (? = 0,05) и числа степеней свободы (n-m-1) Если tрасч > tтабл, то полученное значение коэффициента корреляции признается значимым. Для проверки адекватности модели, используют F?критерий Фишера. Расчётное значение тоже сравнивают с табличным и делают вывод об адекватности. Fрасч находится в четвёртой строке первого столбца нашей таблицы. Fтабл найдём по формуле: Fтабл = FРАСПОБР(0,05; m; n-m-1). Математической моделью статистического распределения F-статистики является распределение Фишера с и степенями свободы Рассчитав среднюю цену ущерба всех угроз (С), мы теперь можем определить величину потерь от воплощения угроз за определённый период ?t (за 1 месяц, за 2 месяца, …, за 12 месяцев).


Слайд 15

Критерий Байеса Критерий Байеса может использоваться в двух видах: как критерий максимума среднего выигрыша или как критерий минимума среднего риска. В нашем случае, выбирается критерий минимума, так как речь идет о затратах на оборудование и, соответственно, чем они меньше, тем лучше для предприятия. Оценки решений по критерию минимума среднего риска находятся по следующей формуле: Zi = ? Rij Pj , i=1,...,m, j=1,...,n. Лучшим является решение с минимальной оценкой: Z* = min Zi


Слайд 16

Вероятность наступления k событий за некоторый интервал времени ?t определяется законом (распределением) Пуассона: Pk = (?·?t) k · exp (–?·?t) / k! Поток Пуассона Поток Пуассона – это один из наиболее распространённых видов потока заявок. Поток заявок – поток событий, распределенных во времени, т.е. последовательность однородных событий, следующих одно за другим в некоторые моменты времени. В общем случае он рассматривается как случайный процесс, задаваемый функцией распределения промежутков времени между моментами поступления двух соседних заявок.


Слайд 17

метод STEM Формирование матрицы парных сравнений В каждую ячейку которой Cij заносится максимальное значение j-гo критерия эффективности при оптимизации по i-му критерию. При этом необходимо обеспечить Нормирование значений критериев, когда их наибольшее значение равно единице, а наименьшее – нулю Относительные значения критериев Полученная матрица содержит ценную информацию для ЛПР. Так, если значения каких-то двух столбцов близки для каждой из строк, то два соответствующих критерия сильно зависимы, так как изменения любых других критериев одинаково влияют на них. Можно выявить также и противоречивые критерии, когда высокая оценка по одному сопровождается низкой оценкой по другому


Слайд 18

Вычисляются средние значения aj, взятые по всем элементам j-го столбца (кроме диагональных): Индексы критериев эффективности lj Данные индексы также называют коэффициентами внимания или техническими весами критериев, так как он вычисляется, а не назначается через экспертную оценку.


Слайд 19

Индексы lj позволяют сформировать комплексную целевую функцию: где Ci и li – соответственно текущее значение и технический вес i-го критерия эффективности. Далее происходит поиск лучшей комбинации значений критериев в соответствии с выявленной целевой функцией Такой способ определения технических весов отражает стремление найти в области допустимых решений вершину с наилучшими значениями по всем критериям.


Слайд 20

Поиск лучшей комбинации значений критериев в соответствии с выявленной целевой функцией по алгоритму


Слайд 21

Наиболее опасные угрозы, по мнению экспертов


×

HTML:





Ссылка: