CC BY
42
УДК: 631.95
DOI: 10.24411/2587-6740-2020-11013
УПРАВЛЕНИЕ И ОЦЕНКА РИСКОВ ЗАГРЯЗНЕНИЯ ПОЧВЫ НЕФТЕПРОДУКТАМИ В АПК
С.Е. Германова, Т.В. Дрёмова, Н.Б. Самброс, П.А. Петровская
Аграрно-технологический институт ФГАОУ ВО «Российский университет дружбы народов», Москва, Россия
К основным рискам хозяйствующих структур в АПК можно отнести риски загрязнения почв и убытков нефтепродуктами близлежащих нефтяных разработок и производств. Аграрная политика строится на адаптивных подходах, повышении эволюционного потенциала, устойчивости процессов и систем АПК. Актуальна задача прогнозирования загрязнения почвы, оперативного и полного анализа агроклиматических данных и принятия релевантного решения на основе экспертно-аналитических методов, мониторинга и др. Это позволит минимизировать риски, возможные ущербы, адаптироваться к риск-ситуациям в АПК, прогнозируя и релевантно оценивая их.
В работе исследуется задачи риск-менеджмента сельскохозяйственных предприятий, работающих в условиях опасности нефтяного загрязнения, необходимости снижения как финансовых, так и нефинансовых (экологических, кадровых, репутационных и других) рисков. Проанализированы системные и проблемно-ориентированные факторы, принципы и измерители (меры) загрязнения почвы нефтью. Предложена функция максимального правдоподобия для идентификации логистической модели, оценки загрязненности и почвенной устойчивости. Ключевые слова: управление рисками, загрязнение почвы нефтепродуктами, оценивание, прогнозирование.
Введение
Загрязнение почвы, из-за способности адсорбировать, накапливать загрязнение и отсутствия способностей быстрого и полного самоочищения — важнейшая проблема защиты среды обитания. Интенсификация нефтедобычи, нефтепереработки приводит нередко к риск-ситуациям, загрязнению среды. Свыше 17% населения всех стран страдают от загрязнения окружения, в различных климатических, сырьевых и иных условиях. Особенно страдают предприятия АПК, для которых из-за нефтяных загрязнений идет отчуждение земель.
Загрязненная почва и сама становится часто источником загрязнения воды, воздуха. Про-
блема актуальна для нефтедобывающих регионов, где наибольший урон предприятия наносят, механически разрушая почвенный покров, прорывами отходов, утечками, сбросами и разливами нефти (включая и аварийные).
Важен не только агроэкологический, почвенный мониторинг загрязнения почвы [1] и его воздействия на окружающую среду, но и оперативность реагирования, возможность прогнозирования и снижения ущерба в загрязняемых районах нефтедобычи.
При разработке, добыче нефти можно эффективно использовать интеллектуальные системы, такие, например, ГИС (геоинформационные), ЭС (экспертные), Data Mining (аналитические) и интеллектуальные методы обра-
ботки данных дистанционного зондирования или сложного почвенного физико-химического мониторинга [2]. Они позволяют работать с большими данными (Big Data) и размерностями загрязняемых пространств, что актуально в российском АПК, с недостаточно хорошей структурой земель (рис.1, http://mkkprf. ru/17124-agroekologiya-osnova-ustoychivogo-razvitiya-apk.html).
Можно применить также параметры состояния окружающего пространства, например, полифилетических — о давлении и противодавлении, температуре, напряженности, токах, напоре и др. Все направлено на принятие решений ЛПР по скважинам, запасам, пластам и прогноз их ключевых параметров.
Рис.1. Структура земель АПК РФ
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 1 (373) / 2020
ш
SCIENTIFIC SUPPORT AND MANAGEMENT OF AGRARIAN AND INDUSTRIAL COMPLEX
Методология исследования
Проблема идентификации, мониторинга нефтяных загрязнений поверхности почвы — актуальна не только для крупных агропромышленных и нефтедобывающих стран, в частности, России. Отягощена она в ряде регионов и проблемой отчуждения земель, необходимостью их прогнозирования [3].
Мы предлагаем метод, основанный на функции максимального правдоподобия. Например, для логистической регрессии, определяемой по мониторинговым данным в виде:
Р(у = 1|х) = 1/(1 + ехр(-шх)),
можно использовать функцию максимального правдоподобия [4] для идентификации и оценки логистической модели с выбранными гипотезами моделирования (например, нормального распределения ошибок измерений, мониторингового ряда и др.).
Функция правдоподобия логарифмического типа:
п
Ь(ш) = £(у1о^(х) + (1 - у)1ой(1 - ВД)).
Экспериментальная база и ход исследования
Необходима оценка эффективности и пла-нируемости работы предприятия АПК. Эффективность будем понимать, как отношение произведенного сельскохозяйственного продукта к затраченным мощностям в единицу времени и/или затратам на прогноз и снижение ущерба от загрязнения земель. Например, рентабельность будем оценивать положительно для коэффициентов выше 0,55 (55%). При оценке рентабельности учитывают ключевые температурные, агроэкологические и другие параметры.
Нефтяные загрязнения негативны для агрохимических свойств почвы: снижается активность ферментов, биоразнообразие (потенциал самоорганизации, порядка системы), происходит отмирание растительного покрова и другие последствия (табл. 1).
Используются данные и по влиянию загрязнителей на человека, возможному ущербу здоровью. Многие из этих данных имеются в свободном доступе (см., например, [5]), есть и ГИС, карты местности нефтедобычи, но важно иметь гибкую методику и процедуры, позволяющие обходиться без сложного, специализированного мониторинга.
Применяется часто моделирование на основе данных дистанционного зондирования, например, спутникового, использующего высокоточные мощные лазерные облучатели поверхности и высокоточные физико-математические процедуры последующего анализа спектральных данных и др. Это касается и водной и воздушной среды (например, [6]).
Здесь необходимы адекватные метрики, критерии. В качестве такого критерия задаем показатель интенсивности сигнала:
Я2) = ](Я2)/1(Х1),
где 1(А2) — интенсивность отраженного от загрязненного пространства спутникового сигнала, I(AJ — нормированное значение для сигнала от незагрязненной поверхности, которое выбирается с использованием Big Data и Data Mining.
Для несложной, гибкой модели воздействия поллютантов предложим систему расщепляемых уравнений:
dyi= у yi_ dxi miJ у У1о ,
i, j = 1,2,
j=i j
где т.. веса, соответствующие степени влияния поллютанта номер ь когда в среде уже присутствует поллютант номер j, а у — ПДК j-го полю-танта при отсутствии других.
В качестве меры близости и пространства сходимости можно выбрать различные функционалы и пространства. Мониторинг (мониторинговая информация) снимет неопределенность: H (инфоэнтропию) и количество информации I зависимы друг от друга и от вероятностей реализации сценария P:
H = - У Pilog2Pi,
г + Fit
Таблица 1
Факторы, характер и мера загрязнения почвы нефтью
N Фактор загрязнения Воздействие (характер и мера)
1 Легкие фракции Высокая проникающая способность, затягивание на «дометровую» глубину, высокая испаряемость, низкая температура кипения, возможность самоочищения
2 Твердые фракции (парафин) Высокоустойчивы, закупоривают поры почв, плохо окисляются на воздухе, нарушители влагообмена и «дыхания», ведут к деградации биоценоза
3 Ароматические углеводороды Высокотоксичные (достаточно 1% для отмирания растения), плохо деградируют
Изменение E свидетельствует об успешности (не успешности) управления очисткой системы.
Для оценки риск-состояния добычи (производства) нефти, его экологических индикаторов, можно рассмотреть коэффициент нестабильной обстановки в системе (отрасли):
K
n
-У
n
i=1
■Si!,
где pi соответствует вероятности и количеству получаемой при реализации /-го сценария загрязнения информации, а энтропия — усредненная характеристика математических ожиданий I.
Связь энтропии загрязнения S с информацией H дает зависимость (k — термодинамический коэффициент Больцмана):
dH log2edS
dt = ~dt'
Если известны энтропии начала загрязнения (H0) и конца самоочищения (H,) по рассматриваемому сценарию загрязнения нефтепродуктами, то
ДН=Но - H,.
Уменьшение ДН характеризует близость системы к самоочищению, увеличение ДН — к загрязнению.
Результаты и обсуждение
Если рассматривать экосистему с нижней (min), верхней (max) и оптимальной (opt) оценками загрязнения, целевой функцией управления F, множеством допустимых управлений U, то мера успешности очистки может оцениваться величиной
E =
INTERNATIONAL AGRICULTURAL JOURNAL № 1 (373) / 2020
где si — площадь загрязнения загрязнителем i-го типа из n рассматриваемых (при условии стационарности их распределения), Si — площадь, когда загрязнитель только начал действовать (в начале загрязнения). Этот показатель в периоде [0;Т] отражает необратимые изменения на территории нефтедобычи, производства.
Для оценки нагрузки на почву введем: м s(t)v(t)
p(t)=-I(ïr
где — s(t)={s1(t), s2(t), ..., sn(t)} вектор площадей в момент времени t, где v(t) — вектор весов (темпа загрязнения-очистки), N(t) — количество нефтяных предприятий (буровых, станции и др.) на рассматриваемой площади.
Кривые p=p(t) определяют траекторию предельного загрязнения среды и позволяют исследовать рост и бифуркации, ведущие к риск-состояниям. Загрязнение в областях нефтедобычи и переработки создают реальные риски, например, опасности заболеваний, злокачественных новообразований, эндокринных нарушений [7].
Хотя и разработаны эффективные, функционально-направленные технологии восстановления загрязненных нефтью и нефтепродуктами почв, снижения влияния техногенных и природных рисков и токсикантов, одной из важнейших задач является упреждение, прогнозирование, следовательно, моделирование риск-процессов в среде и окружении. Особенно, если учесть, что нефть имеет несколько сотен индивидуальных соединений углерода, водорода, серы, азота и кислорода, поэтому имитационных сценариев для компьютерного моделирования — множество и разнообразие.
Показателем устойчивости в рассматриваемой области Y может служить ее диаметр:
d(Y) =sup(p(y1,y2),y1,y2 eY}.
Устойчивость определять можно и относительно допустимых отклонений (как вариант устойчивости по Ляпунову):
P(yi,y2) = sup ! yi(t) — y2(t)|.
0St<T
Конкретизируя ее, например, как устойчивость нефтяного предприятия, следует учесть:
1) изменения данных (ЦОД и Big Data);
2) объем (распределение) данных (например,
робастность);
3) фактор неопределенности в данных;
4) динамическую (временную) устойчивость
и др.
Рассмотренные процедуры и подходы к прогнозированию загрязнения учитывают устойчивость в среде (предприятия и окружение) и предельные воздействия. Но важно учесть и эффективность очистки, которая зависит существенно от инфраструктуры производства АПК.
Уровень очистки — нормативный (учитывающий, в частности, ПДК), определен экономической целесообразностью, например, отраслью или регионом.
www.mshj.ru
n
В каждой геовременной зоне предприятия обычно рассматривают четыре основных состояния по загрязнению, со своими ставками платежей за ущерб, нормативными уровнями очищения:
1) нормальное состояние;
2) состояние риска;
3) состояние кризиса;
4) катастрофическое загрязнение (ЧС). Например, в зоне «экологический риск» работает нормативный комплекс очистным сооружениям, есть свои документы-регуляторы.
Область применения результатов
Под воздействием загрязнителей, меняется и микрофлора почвы, снижается ее плодородие. Деградация почв сильна на буровых и нефтяных площадках (нефтепромыслах), на линиях нефтепроводов и коммуникаций. Результаты работы (анализ, методы и подходы, критерии и модели) могут быть применены для практических, прогнозных задач, а также для разработки интеллектуальных систем ситуационного моделирования.
Выводы
Без соблюдения экологических нормативов, требований возможны издержки предприятий, затраты по ликвидации ущерба от воздействия загрязнителей на среду (включая и человека).
Механизмы функционирования нефтяных предприятий не обеспечивают сложно структурированный и трудно реализуемый (пусть даже эффективный) мониторинг. Сложные модели — с учетом многих факторов (общие издержки, прибыль и др.), поэтому многим приходится обращаться к эколого-экономическому моделированию.
Основным составляющими риск-проблем для АПК (сельскохозяйственного предпринимательства) является отсутствие:
1) управляющих адаптивных воздействий, например, в хозяйствах;
2) квалификации менеджмента (особенно, риск-менеджмента), неспособность идентифицировать риск-ситуацию вовремя, спланировать процесс минимизации ущерба;
3) системных усилий для предупреждения (ликвидации) последствий риск-ситуации. Проведенный анализ показывает, что эффективность мер (технологическую, экологическую, классификационную и др.) по предупреждению и снижению ущерба риск-ситуаций зависит от релевантности гипотез, моделей, инструментария идентификации.
Прогноз риск-ситуаций возможен лишь поэтапный, с обеспечением устойчивости на каждом этапе моделирования — не ухудшая предыдущих решений. Рассмотренные модель и подходы к реализации и оценке прогнозных процедур, ситуационного моделирования мо-
гут стать эффективным практическим инструментарием из-за своей гибкости, массовости и оцениваемости.
Литература
1. Седых В.А., Савич В.И., Балбако П.Н. Почвенно-эко-логический мониторинг. М.: Изд-во ВНИИА. 2013. 584с.
2. Гогмачадзе ГД. Агроэкологический мониторинг почв и земельных ресурсов Российской Федерации. М.: Изд-во МГУ. 2010. 592с.
3. Казиев В.М., Шевлоков В.З. Моделирование отчуждения земель в АПК // Международный сельскохозяйственный журнал. 2008. № 5. с.5б-58.
4. Мазалов В.В., Никитина Н.Н. Метод максимального правдоподобия для выделения сообществ в коммуникационных сетях // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2018. т.14. № 3. с.200-214. URL: http://doi. org/10.21638/11702/spbu 10.2018.302 (дата обращения: 02.09.2019).
5. PubMed. US National Library of Medicine. URL: http://www.ncbi.nlm.nih.gov/pubmed (дата обращения: 12.12.2019).
6. Тимофеев Ю.М., Березин И.А., Виролайнен Я.А., Макарова М.В., Никитенко А.А. Анализ мезомасштабных вариаций содержания углекислого газа вблизи Москвы по спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. 2019. т.1б. № 4. с.263-270.
7. Дерябин А.Н., Унгуряну Т.Н., Бузинов Р.В. Риск здоровью населения, связанный с экспозицией химических веществ почвы // Анализ риска здоровью. 2019. № 3. с.18-25. DOI: 10.21668/health.risk/2019.3.02.
Об авторах:
Германова Светлана Евгеньевна, старший преподаватель департамента Техносферной безопасности, [email protected]
Дрёмова Татьяна Валерьевна, ассистент департамента Техносферной безопасности, [email protected]
Самброс Наталия Борисовна, старший преподаватель департамента Техносферной безопасности, [email protected]
Петровская Полина Александровна, старший преподаватель департамента Ландшафтного проектирования и устойчивых экосистем, [email protected]
MANAGEMENT AND ASSESSMENT OF RISKS OF SOIL CONTAMINATION BY PETROLEUM PRODUCTS IN AGRO-INDUSTRY
S.E. Germanova, T.V. Dremova, N.B. Sambros, P.A. Petrovskaya
Agrarian and technological institute of RUDN University, Moscow, Russia
The main risks of economic structures in the agricultural complex include risks of soil pollution and losses of oil products of nearby oil developments and production. Agrarian policy is based on adaptive approaches, increasing evolutionary potential, sustainability of agribusiness processes and systems. The task of predicting soil contamination, prompt and complete analysis of agroclimatic data and making a relevant decision on the basis of expert and analytical methods, monitoring, etc., is relevant. This will allow minimizing risks, possible damages, adapting to risk situations in the agribusiness, predicting and assessing them in a relevant way.
The work explores the tasks of risk management of agricultural enterprises operating in conditions of oil pollution danger, the need to reduce both financial and non-financial (environmental, personnel, reputational and other) risks. Systemic and problem-oriented factors, principles and measures of soil contamination with oil have been analyzed. A maximum likelihood function is proposed for identifying a logistics model, assessing contamination and soil resistance.
Keywords: risk management, soil pollution with petroleum products, assessment, forecasting.
References
1. Sedyh V.A., Savich V.l., Balbako P.N. Soil and environmental monitoring. Moscow: VNIIA. 2013. 584 p.
2. GogmachadzeG.D. Agroecological monitoring of soils and land resources of the Russian Federation. Moscow: Moscow State University. 2010. 592 p.
3. Kaziev V.M., Shevlokov V.l. Modelling land alienation in agricultural complex. Mezhdunarodnyj selskohozjajstven-nyj zhurnal = International agricultural journal. 2008. No 5. Pp.56-58.
4. Mazalov VV., Nikitin N.N. Method of Maximum Likelihood for Isolation of Communities in Communication Networks. Vestnik Sankt-Peterburgskogo universiteta. Prikladnaja matematika. Informatika. Processy upravlenija = Journal of St. Petersburg University. Applied Mathematics. Informatics. Management. 2018. Vol.14 No 3. Pp. 200-214. URL: http://doi.org/10.21638/11702/spbu10.2018.302 (date of appeal: 2.9.2019).
5. PubMed. US National Library of Medicine. URL: http://www.ncbi.nlm.nih.gov/pubmed (date of the address: 12.12.2019).
6. Timothy Yu.M., Berezin I.A., Virolainen J.A., Ma-karov M.V., Nikitenko A.A. Analysis of mesoscale variations of carbon dioxide content near Moscow according to satellite data. Sovremennje problemj distancionnogo zondirovanija Zemli iz kosmosa = Modern problems of remote sensing of the Earth from space. 2019. Vol.16. No 4. Pp. 263-270.
7. Derybin A.N., Unguryanu T.N., Buzinov R.V. Risk to public health related to exposure of soil chemicals. Analiz riska zdorovju = Health risk analysis. 2019 No 3. Pp.18-25. DOI: 10.21668/health.risk/2019.3.02.
About the authors:
Svetlana E. Germanova, senior lecturer of department of Technosphere security of agrarian and technological, [email protected] Tatiana V. Dremova, assistant of department of Technosphere security of agrarian and technological, [email protected] Nataliya B. Sambros, senior lecturer of department of Technosphere security of agrarian and technological, [email protected] Polina A. Petrovskaya, senior lecturer of department of landscape architecture and sustainable ecosystem, [email protected]
- 61
МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ № 1 (373) / 2020
