Approaches to modelling the possible number of individuals rescued in the area of terrorist attacks worldwide until 2030

Full Text

Введение

Геополитические изменения, происходящие в мире, диктуют необходимость совершенствования методов и способов защиты как населения России, так и государства в целом, от различных негативных факторов, в первую очередь социального характера. Государственная политика безопасности, ее стратегия требуют принятия исчерпывающих мер по сохранению и развитию человеческого потенциала [О противодействии терроризму: федер. закон от 06.03.2006 г. № 35-ФЗ; О Стратегии национальной безопасности Российской Федерации: Указ Президента России от

02.07.2021 г. № 400; О Федеральном медикобиологическом агентстве: Постановление Правительства России от 11.04.2005 г. № 206]. При этом одним из главных негативных факторов на сегодняшний день, влияющим на поступательное развитие государства, является терроризм [1, 4].

Активное развитие применения террористических методов реализации различных деструктивных целей и идей, получившее свое развитие в середине ХХ в., к сожалению, не теряет своей актуальности и в современном мире [3]. Напротив, существуют предпосылки к росту числа террористической активности в виде угроз и совершенных актов [2]. Все без исключения элементы государственной системы по защите населения имеют прямую заинтересованность в минимизации последствий террористических актов (ТА).

Меры медицинского обеспечения населения связаны, в первую очередь, с решением задачи по ликвидации медико-санитарных последствий проявлений терроризма [6]. Основным ее элементом является прогнозирование последствий ТА с целью подготовки в режиме повседневной деятельности необходимых сил и средств заинтересованных министерств, агентств и служб. В настоящем исследовании было предложено рассмотреть группу «потенциально спасаемых лиц» – раненых и пораженных, которые при своевременном и правильном оказании медицинской помощи получили бы шанс выжить [8].

Цель – обосновать использование различных подходов к прогнозированию величины категории потенциально спасаемых лиц в результате ТА.

Материал и методы

Объект исследования составили медикосанитарные последствия ТА в мире, зарегистрированные в Глобальной базе данных по терроризму (Global Terrorism Database, GTD), поддерживаемой специалистами Национального консорциума по изучению терроризма и мер реагирования на терроризм (National Consortium for the Study of Terrorism and Responses to Terrorism, START) Университета штата Мэриленд в США [https://www.start.umd.edu/gtd/].

К медико-санитарным последствиям ТА были отнесены безвозвратные (погибшие) и санитарные потери. К сожалению, в мировом масштабе не ведется учет сведений по спасенным людям при ТА. К потенциально спасаемым лицам отнесли число безвозвратных потерь – человеческий потенциал, который можно было бы сохранить, предотвращая ТА. Изучили более 220 тыс. случаев террористической активности в мире в 1970–2021 гг. Медико-санитарные последствия определили исходя из метода совершения, способа и объекта террористической атаки.

Метод совершения ТА определили как совокупность приемов и способов достижения целей субъектами террористической организации, способ – как порядок действий, используемых для совершения ТА, а объект (физические лица, материальные объекты) – на которые направлено воздействие террористов.

Для достижения цели исследования применили научный инструмент в виде анализа массива данных различными операторами, агрегатором электронных таблиц MS Excel [7]. Полученные результаты сравнили между собой, они стали основой для построения модели для прогноза и уточнения структуры исследуемых параметров [5].

Результаты и их анализ

Учитывая необходимость соблюдения требования «достаточности» данных при прогнозировании результатов до периода 2030 г., исходный «Датасэт» должен был превосходить объем предсказания не менее чем в 4 раза. Ретроспективные данные о погибших в результате ТА за период с 1970 по 2021 г. построены с использованием 6 различных встроенных функций MS Excel – операторы: «Лист прогноза», «Предсказ», «Тенденция», «Рост», «Линейн», «ЛГРФприбл».

После создания сводной таблицы, на основе значений обобщенной базы данных, осуществлена подготовка необходимой выборки с последующим анализом.

 

Результаты моделирования вероятных безвозвратных потерь при ТА в мире, человек

Год	Использованные способы прогнозирования данных								Средние значения для всех прогнозов
	«Лист прогноза»			«Предсказ»	«Тенденция»	«Рост»	«Линейн»	«ЛГРФ- прибл»
	средний	min	max
2021	23 329	8203	38 455	22 102	22 102	35 306	23 329	24 596	24 678
2022	23 811	8564	39 059	22 693	22 693	35 654	24 293	26 479	25 406
2023	24 293	8923	39 663	23 280	23 280	35 574	25 739	28 506	26 157
2024	24 775	9282	40 269	23 873	23 873	36 565	27 668	30 688	27 124
2025	25 257	9640	40 875	24 455	24 455	36 867	30 078	33 037	28 083
2026	25 739	9997	41 482	25 034	25 034	37 367	32 971	35 566	29 149
2027	26 221	10 353	42 090	25 606	25 606	37 742	36 345	38 288	30 282
2028	26 703	10 708	42 699	26 168	26 168	37 916	40 202	41 219	31 473
2029	27 186	11 062	43 309	26 707	26 707	37 127	44 540	44 375	32 626
2030	27 668	11 415	43 920	27 269	27 269	37 690	49 361	47 772	34 045

 

• 1-й вариант моделирования. Оператор

«Лист прогноза» (англ. «Worksheet forecast») в Microsoft Excel использует статистические методы для прогнозирования будущих значений на основе имеющихся исторических данных. Для этого используется метод экспоненциального сглаживания (англ. exponential smoothing).

Конкретная формула для расчета зависит от выбранной опции прогнозирования (линейное, экспоненциальное и т.д.) и используемых параметров (например, длина прогноза, коэффициент сглаживания и т.д.). Общая формула (1.0) для расчета значения прогноза с использованием экспоненциального сглаживания имеет вид:

F(t +1) = α · y(t) + (1 – α) · F(t),                                                                  (1.0)

где F(t+1) – прогнозируемое значение на момент времени t + 1;

y(t) – фактическое значение на момент времени t; F(t) – прогнозируемое значение на момент времени t;

α – коэффициент сглаживания, который определяет значимость предыдущих значений при расчете прогноза.

В таблице представлены высокие и низкие показатели оператора «Лист прогноза». Они рассчитаны исходя из экспоненциального сглаживания первичных данных, а затем Me (Q₂₅; Q₇₅) или M ± SD.

• 2-й вариант моделирования. Оператор

«Предсказ» в Microsoft Excel использует алгоритм линейной регрессии для выполнения прогнозных расчетов. Линейная регрессия – это метод статистического анализа, который используется для описания отношений между двумя переменными. В данном случае

«Предсказ» использует линейную регрессию для определения, каким образом одна переменная (жертв терроризма) зависит от другой переменной (времени).

Для выполнения расчетов использовали формулу (2.0) линейной регрессии, которая имеет следующий вид:

y = mx + b,                                                                                             (2.0)

где y – прогнозируемое количество вероятных санитарных потерь;

m – коэффициент наклона (скорость изменения вероятных безвозвратных потерь по времени);

x – независимая переменная (время);

b – свободный член (начальное значение вероятных безвозвратных потерь).

Эта формула применяется для определения уравнения линейной регрессии, которое затем

используется для прогнозирования будущих значений переменной, основываясь на известных значениях в прошлом.

• 3-й вариант моделирования. Оператор

«Тенденция» в Excel используется для вычисления линии тренда на основе заданных значений x и y. Для расчета линии тренда используется метод наименьших квадратов.

Метод наименьших квадратов заключается в том, чтобы найти линию, которая наилучшим образом соответствует заданным точкам на графике. Для этого мы минимизируем сумму квадратов отклонений между фактическими значениями y и значениями, предсказанными для каждого значения x на линии тренда. Формула (3.0) для расчета линии тренда по методу наименьших квадратов имеет следующий вид:

y = α · x + b,                                                                                             (3.0)

где y – зависимая переменная; x – независимая переменная;

α – угловой коэффициент (наклон линии тренда);

b – свободный коэффициент (сдвиг линии тренда).

Для расчета коэффициентов a и b используются формулы (3.1, 3.2):

α = [N · SUM(X · Y) – SUM(X) · SUM(Y)] / N · SUM(X²) – SUM(X²),           (3.1)

b = [SUM(Y) – α · SUM(X)] / N,                                                                 (3.2)

где N – количество значений;

X и Y – массивы значений независимой и зависимой переменных соответственно;

SUM – функция суммирования.

Таким образом, оператор «Тенденция» в Excel использует метод наименьших квадратов и формулы для вычисления углового и свободного коэффициентов линии тренда.

• 4-й вариант моделирования. В Microsoft Excel функция «Рост» используется для вычисления экспоненциального роста на основе заданных данных. В этой функции используется формула (4.0):

y = c · exp(b · x),                                                                                          (4.0)

где y – значение на оси Y; x – значение на оси X;

c – значение при x = 0;

a, b – коэффициент экспоненциального роста.

Коэффициент экспоненциального роста b вычисляется следующим образом (4.1):

b = ln(y₂ / y₁) / (x₂ – x₁),                                                                           (4.1)

где y₁ и y₂ – значения на оси Y, соответствующие x₁ и x₂.

Значение при x = 0 (c) можно найти, используя формулу (4.2):

c = y₀ / exp(b · x₀),                                                              (4.2)

где y₀ – значение на оси Y при x = 0, а x₀ – некоторое значение x, близкое к нулю.

В функции «Рост» используются формулы для нахождения коэффициента экспоненциального роста и значения при x = 0 на основе заданных данных и прогнозирования будущих значений.

• 5-й вариант моделирования. Оператор «Линейн» в Excel используется для нахождения уравнения линейной регрессии на основе двух массивов данных. Это позволяет определить как один набор данных зависит от другого и использовать полученное уравнение для прогнозирования будущих значений. Формула (5.0), используемая для расчета оператора

«Линейн», выглядит следующим образом:

y = mx + b,                                                                                               (5.0)

где y – значение зависимой переменной, которое мы хотим предсказать;

x – значение независимой переменной, используемой для предсказания;

m – коэффициент наклона, который представляет собой изменение y на единицу x;

b – коэффициент смещения, который представляет собой значение y, когда x равно нулю.

Для нахождения коэффициентов m и b в операторе «Линейн» применяется метод наименьших квадратов, который минимизирует сумму квадратов разностей между фактическими значениями y и значениями, предсказанными по уравнению.

Кроме того, показатели оператора «Линейн» могут использоваться для построения графика линейной регрессии, который показывает, насколько хорошо данные соответствуют уравнению линейной регрессии.

• 6-й вариант моделирования. Оператор

«ЛГРФприбл» в Microsoft Excel используется для вычисления линейной регрессии с одной независимой переменной по формуле (6.0):

y = mx + b,                                                                        (6.0)

где y – зависимая переменная; x – независимая переменная; m – наклон линии регрессии;

b – точка пересечения с осью y (точка, в которой линия регрессии пересекает ось y).

В операторе «ЛГРФприбл» вычисляются значения m и b для заданных наборов данных в массиве значений, которые можно использовать для построения линейной регрессии на графике. Эти значения можно использовать для прогнозирования зависимой переменной (y) на основе заданной независимой переменной (x).

Выделив необходимые значения признаков в сводной таблице с помощью представленного математического аппарата, произвели расчеты и получили результаты, которые представлены в таблице, где в столбце «Средний для всех прогнозов» указаны искомые значения безвозвратных потерь в мире.

Для наглядности данных применено условное форматирование с использованием тепловой карты (см. таблицу). Все способы предсказания потерь имели некоторые отличные друг от друга результаты за исключением функций

 

Рис. 1. Динамика безвозвратных потерь при ТА в мире и их прогнозные значения до 2030 г. 1 – глобальная база данных; 2 – линейный тренд; 3 – средние значения функции «Прогноз»; 3а – значения низкой вероятности функции «Прогноз»; 3б – значения высокой вероятности функции «Прогноз»; 4 – оператор «Предсказ»; 5 – оператор «Тенденция»; 6 – оператор «Рост»; 7 – оператор «Линейн»; 8 – оператор «ЛГРФприбл»; 9 – средние значения для всех прогнозов.

 

На рис. 1 представлена динамика безвозвратных потерь в мире при ТА по глобальной базе данных. При значимом коэффициенте детерминации (R2 = 0,53) линейный тренд показывает увеличение данных. Прогнозируемые значения, полученные всеми рассмотренными способами, находятся выше линейного тренда и нижних границ доверительного интервала функции «Прогноз». Средние значения всех прогнозов демонстрируют умеренный рост на 38 % за 10 расчетных лет с 2021 по 2030 г. в диапазоне безвозвратных потерь от ТА от 24,7 до 34 тыс. человек [9].

 

Рис. 2. Прогноз количества потенциально спасаемых лиц в зависимости от метода совершения ТА.

«Предсказ» и «Тенденция». Минимальными оказались показатели нижних границ 95 % доверительного интервала функции «Прогноз». Также обращают на себя внимание более яркие области высоких значений операторов «Линейн» и «ЛГРФприбл» (см. таблицу). Данные прогноза использовали для построения графиков распределения полученных результатов.

 

Динамика количества потенциально спасаемых лиц в зависимости от метода совершения ТА представлена на рис. 2. Отмечается увеличение количества безвозвратных потерь (погибших) за счет взрывов и вооруженных нападений при ТА. Также различимо выше на графике расположены группы погибших в результате ТА, не идентифицированных по методам их возникновения, и гибели людей, взятых в заложники.

Тенденция по методу совершения ТА в виде вооруженных нападений с применением обычного оружия (огнестрельное, минно-взрывное) за расчетный период времени будет оставаться актуальной.

Полученные результаты могут послужить инструментом научного обоснования разработки мер защиты населения, например потенциально спасаемых людей.

 

Рис. 3. Прогноз количества потенциально спасаемых лиц в зависимости от способа совершения ТА.

 

Динамика количества потенциально спасаемых лиц в зависимости от способа совершения ТА представлена на рис. 3. Оказалось, что больше всего потенциально спасаемых лиц было при взрывах, использовании огнестрельного оружия и ТА, при которых однозначно невозможно идентифицировать способ их совершения.

 

Рис. 4. Прогноз количества потенциально спасаемых лиц в зависимости от объекта совершения ТА.

 

Динамика количества потенциально спасаемых лиц в зависимости от объекта совершения ТА представлена на рис. 4. Отчетливо прослеживаются тенденции к увеличению числа населения (случайные люди, оказавшиеся в условиях ТА), лиц в категории потенциально спасаемых в результате ТА среди групп граждан, имеющих личную охрану и другие элементы личной безопасности, а также среди военнослужащих и полицейских.

С учетом экспоненциального роста объема данных в различных областях науки и знаний, а также сложностей, связанных с их идентификацией и восприятием технологических новшеств, возникает необходимость эффективного использования существующих и зарекомендовавших себя с положительной стороны программных продуктов на более высоком методическом уровне. Полученные данные могут быть использованы для определения разноведомственных медицинских сил и средств в сопоставлении с расчетными санитарными потерями. При этом следует выделять отдельную категорию потенциально спасаемых лиц для более точного расчета уровня и структуры санитарных потерь, в частности среди наиболее значимых объектов возможного совершения ТА.

Выводы

Полученные результаты моделирования позволяют сделать следующие выводы:

• проведенные исследования показали прогноз увеличения значений погибающих в результате террористических актов в мире на 38 % с 2021 по 2030 г., тем самым, расширяется массив потенциально спасаемых лиц;
• сохраняет свою актуальность совершенствование мер защиты населения за счет наибольшего вклада в структуру по методам совершения террористических актов – подрывы самодельных взрывчатых веществ и вооруженных нападений, по способам – взрывы, использование огнестрельного оружия, по объектам террористических актов – привилегированные граждане, военнослужащие и полицейские;
• полученные результаты позволяют использовать их в ходе разработки перспективного исследования для корректировки существующей и принятой структуры потока общих и санитарных потерь с включением в данную классификацию категории потенциально спасаемых лиц и определения оптимального состава привлекаемых медицинских сил и средств в ходе ликвидации медико-санитарных последствий террористических актов.

***

Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией статьи.

Участие авторов: Н.С. Шуленин – разработка концепции исследования, анализ основных показателей, написание окончательного варианта статьи; Р.Н. Лемешкин – анализ первичного материала статьи, предложения по дальнейшему исследованию проблемы; А.А. Ефремов – редактирование рабочих материалов, проведение статистической обработки; Д.Э. Пыцкий – сбор первичного материала, написание первого варианта статьи.

About the authors

Nikolai S. Shulenin

Kirov Military Medical Academy

Author for correspondence.
Email: shulenin.ns@gmail.com

PhD Med. Sci., Еducator of the Department of Organization and Tactics of the Fleet Medical Service

Russian Federation, 6, Academica Lebedeva Str., St. Petersburg, 194044

Roman N. Lemeshkin

Kirov Military Medical Academy

Email: lemeshkinroman@rambler.ru

Dr Med. Sci Associate Prof., Prof. of the Department of Organization and Tactics of the Fleet Medical Service

Russian Federation, 6, Academica Lebedeva Str., St. Petersburg, 194044

Andrei A. Efremov

Kirov Military Medical Academy

Email: efandew@gmail.com

PhD Ed. Sci., Еducator of the Department of Organization and Tactics of the Fleet Medical Service

Russian Federation, 6, Academica Lebedeva Str., St. Petersburg, 194044

Denis E. Pytsky

Kirov Military Medical Academy

Email: dpytsky@yandex.ru

Master of the Faculty of Training of Senior Medical Personnel

Russian Federation, 6, Academica Lebedeva Str., St. Petersburg, 194044

References

Supplementary files