Откуда эксперт знает, что «вероятно» или даже «наиболее вероятно», а что «менее вероятно»?
Адвокаты, сталкиваясь с такой фразой, конечно, пытаются ее опровергнуть, но, увы, путем того же пустого словопрения. Однако, как будет показано ниже, эти термины имеют вполне детерминированные значения.
В самом деле, мощности даже самого скромного персонального компьютера достаточно, чтобы оценить практически все возможные комбинации набора технических параметров, описывающих ДТП, и изменяющихся, с учетом погрешности их определения, от А до Я. А после определить уровень доверия тому или иному результату, или его вероятность. Для этого идеально подходит метод Монте-Карло.
Вероятность – степень (относительная мера, количественная оценка) возможности наступления некоторого события. Когда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае – маловероятным или невероятным. Перевес положительных оснований над отрицательными, и наоборот, может быть в различной степени, вследствие чего вероятность (и невероятность) бывает большей или меньшей.
Например, вероятность того, что, например, при бросании кубика выпадет число «5», равна 1/6, так как у кубика шесть граней, и выпадение любого числа от «1» до «6» равновероятно. А вот вероятность сочетания двух событий, что бри бросании двух кубиков на них одновременно выпадет число «5», уже равна 1/36, так как всего есть 36 комбинаций выпавших чисел на двух кубиках.
Наступление какого-то события – дело случая. А вот распределение вероятностей наступления события – это закон, описывающий область значений случайной величины и вероятности их принятия. Наиболее известное распределение – это нормальное распределение, также называемое распределением Гаусса. Это – распределение вероятностей, которое в одномерном случае задаётся функцией плотности вероятности
Выглядит немного пугающе, но сейчас разберемся. В функции плотности нормального распределения присутствуют две математические константы: π – соотношение длины окружности и его диаметра, равно примерно 3.14, е – основание натурального логарифма, равно примерно 2.718, и два параметра, которые задают форму конкретной кривой: m – математическое ожидание, σ2 – дисперсия (мера разброса данной случайной величины, то есть её отклонения от математического ожидания.), ну и сама случайная величина x, для которой высчитывается значение функции, т.е. плотность вероятности.
Параметр математического ожидания смещает центр распределения вправо или влево, не влияя на саму форму кривой плотности, что хорошо видно на картинке. А вот дисперсия определяет остроконечность кривой. Когда данные имеют малый разброс, то вся их масса сконцентрирована у центра. Если же у данных большой разброс, то они «размажутся» по широкому диапазону.
Закону нормального распределения подчиняется множество величин. Например, рост взрослых людей, или длина взрослых крокодилов одной породы. Другие величины, в том числе, описывающие ДТП, могут подчиняться закону равномерного распределения, когда вместо колокольной кривой на графике плотности вероятности будет прямая, параллельная оси абсцисс.
Сцепление шин с сухим асфальтом
При реконструкции обстоятельств ДТП автоэксперты, как правило, исходя их данных о дорожном покрытии, выбирают по нормативным таблицам значение коэффициента сцепления шин с дорогой, или, проще, коэффициента трения. Так, например, нормативное значение коэффициента сцепления в России составляет 0.7-0.8 для сухого эксплуатируемого асфальта и 0.6-0.7 для свежеуложенного.
Следовало бы ожидать, что широко используемые в судебной экспертизе таблицы коэффициентов сцепления были созданы путем проведения тщательно документированных испытаний на различных поверхностях и с различными шинами. Но это не так. Автомобили и их тормозные системы совершенствуются, а в России таблицы остаются прежними, как и в 60-х годах прошлого века, да и отчетов про те испытания уже не найти. Но если государственные судебно-экспертные учреждения не могут или не хотят предоставить обоснование, то можно ли рассматривать эти таблицы как неприкасаемый священный Талмуд?
В последние годы стало ясно, что взаимодействие шин и дорожного покрытия при торможении или заносе не соответствует простой, независящей от массы и скорости транспортного средства, модели трения, и точность табличных коэффициентов сцепления вызывает сомнение [1, 2]. Табличные значения для коэффициентов сцепления шин на асфальте и бетоне не согласуются с более поздними литературными данными [3]. Обзор этих данных в подавляющем большинстве случаев показывает, что значения коэффициентов сцепления являются слишком низкими для современных автомобилей, оснащенных современными шинами, и на современных дорогах.
Далее приводятся значения коэффициентов сцепления шин с сухим асфальтом для автомобилей, не оснащенных АБС. Так, по данным [4], среднее значение коэффициента сцепления составляет 0.72-0.78. По данным [5], значение коэффициента сцепления составляет 0.76 для текстурированного асфальтобетона. По данным [6], при испытании на занос на гладком участке значения коэффициента сцепления составили 0.78-0.80.
Авторы [7] использовали три различных «класса» доступных шин для легковых автомобилей и провели сотни испытаний. В среднем для всех их испытаний, на сухом асфальте коэффициент сцепления шин с дорогой был 0.828 ± 0.033, и подчинялся закону нормального распределения Гаусса, как показано на рисунке ниже.
Оценивая представленные значения коэффициентов сцепления шин с сухим асфальтом из нескольких различных источников с использованием различных транспортных средств, водителей, поверхностей, измерительных инструментов и методов анализа, среднее значение составляет 0.76 ± 0.06.
Учитывая, что среднее значение среднее значение коэффициента сцепления шин с сухим асфальтом составляет 0.76 ± 0.06, в 95% всех случаев можно ожидать значения между 0.64 и 0.88. На рисунке ниже показано кумулятивное распределение вероятностей для этих статистических данных. Если исключить наличие посторонних материалов на дорожном покрытии (битум, песок и т.п.), значение коэффициента сцепления 0.6 довольно маловероятно, так как реализуется менее чем в 4-х случаях из 1000, или иначе говоря, реже, чем в более 99.61% всех случаев. Даже значение коэффициента сцепления 0.7 также маловероятно, так как реализуется меньше чем в 84.1% всех случаев.
Метод Монте-Карло против интерпретации расчетных результатов в анализе дорожно-транспортных происшествий
Название и содержание этого раздела совпадет с названием и содержанием замечательной работы польского автоэксперта Войцеха Вача из Института судебной экспертизы в Кракове.
Важной проблемой, свойственной реконструкции обстоятельств ДТП, является относительно скудный набор данных, которые были собраны на месте ДТП, и необходимость введения многих параметров с широким диапазоном их возможных значений, что повышает неопределенность результатов расчета. Однако метод Монте-Карло позволяет представить результат в виде функции плотности вероятности для расчетных параметров.
Иными словами, на практике мы имеем ряд параметров, которые в разумных пределах могут отклоняться от принятого экспертом значения, а статистическое распределение значений этих параметров подчиняется либо закону нормального распределения Гаусса, либо закону равномерного распределения. Тогда требуется произвести несколько десятков тысяч расчетов с разным сочетанием значений этих параметров, чтобы установить наиболее вероятный вариант развития событий в ДТП. Или, проще говоря, поиграть с этими параметрами в рулетку.
Пример 1. Скорость перед началом торможения
Рассмотрим простой пример, когда метод Монте-Карло используется для расчета скорости транспортного средства. Известна длина следа торможения 20 м. Среднее значение коэффициента сцепления принято 0.8, в соответствии с нормативными таблицами. Тогда, без учета времени нарастания замедления, простейшим расчетом получаем ответ – 17.7 м/с.
Однако, погрешность в измерении длины следа составляет ±0.9 м (неважно, как это установлено), погрешность значения коэффициента сцепления составляет ±0.06 (см. выше).
Кажется, что здесь проблемы нет – делаем два расчета. Один с минимальными значениями параметров, второй с максимальными. Получаем диапазон 16.7-18.8 м/с. Или скорость была 17.7±1.1 м/с, где 1.1 м/с – наибольшее возможное отклонение скорости. Или скорость была 17.7±0.78 м/с, где 0.78 м/с – среднеквадратичное отклонение скорости.
Расчет по той же простейшей формуле определения скорости был проведен методом Монте-Карло 20 000 раз для однородных распределений параметров длины тормозного следа и коэффициента сцепления. Распределение результатов в виде колоколообразной кривой показано синим цветом на графике на рисунке выше.
Затем, аналогичное моделирование выполнено с параметрами, подчиняющимися нормальному распределению, для значений дисперсии для длины тормозного пути 0.9/3=0.3 м и коэффициента сцепления 0.06/3=0.02 в соответствии с правилом трех сигм. Распределение результатов в виде колоколообразной кривой показано черным цветом на графике на рисунке выше. Там же черной штриховой линией показано теоретическое нормальное распределение, и видно, что оно близко к полученному методом Монте-Карло.
Как видно из рисунка выше, наиболее вероятный диапазон скорости в пределах дисперсии от максимума на графике – это 17.7±0.36 м/с. Конечно, на практике такие расчеты скорости не нужны. Они приведены как для иллюстрации метода Монте-Карло, так и для иллюстрации конкретного наполнения содержанием слов «наиболее вероятно» в заключениях экспертов. А это уже весьма полезно адвокатам.
Другими словами, эксперт «за свой базар» должен ответить – написал, что что-то «наиболее вероятно», покажи расчеты этой вероятности. Нет расчетов – значит выдумал.
Пример 2. Столкновение двух автомобилей
Для инсценированного ДТП, схема которого была показана выше, при расчетах методом Монте-Карло учитывались отклонения коэффициентов сцепления шин автомобилей с дорогой, масс автомобилей и их моментов инерции, углов между их продольными осями в момент столкновения и между векторами скоростей их центров тяжести в момент разделения автомобилей.
В результате моделирования методом Монте-Карло, были получены функции плотности вероятности скоростей, которые показаны на рисунке выше. Ожидаемые (номинальные) значения скоростей в момент столкновения v1=86.6 км/ч и v2=1.2 км/ч. Для сравнения, истинные значения этих скоростей v1=87.7 км/ч и v2= 0 км/ч.
Представление результатов в виде графиков плотности вероятности скоростей отдельно для каждого автомобиля влечет за собой риск селективного и некорректного выбора любого из значений в суде, например, чтобы убедить суд в правоте своей позиции в ходе судебного разбирательства. Таким образом, лучшее решение с формальной точки зрения является представление результата в виде трехмерного графика функции плотности вероятности, где плотность вероятности зависит от двух параметров – скоростей каждого из автомобилей, как показано на рисунке ниже.
Пример 3. Определение места столкновения
Обратимся к интригующей проблеме расчетного определения места столкновения двух транспортных средств в случае, если какие-либо следы, которые однозначно указывают на местоположение этого места, не были обнаружены на поверхности дороги. Для этого используем предыдущий пример столкновения двух автомобилей, но теперь этот случай будет рассмотрен, как если бы были известны только деформации транспортных средств, конечные позиции транспортных средств, а также тот факт, что транспортные средства были перпендикулярны друг к другу в момент удара.
То есть, вместо учета возможного разброса углов между продольными осями автомобилей в момент столкновения в этом расчете предполагалась погрешность в положении точки столкновения по координатам x и y.
Учитывались только те значения плотности вероятности, которые обеспечивали положительное значение скорости разделения автомобилей, и которые обеспечивали попадание автомобилей в их конечное положение.
На рисунке выше справа показан трехмерный график плотности вероятности, построенный на координатах x и y. Его проекция на плоскость показана на схеме слева. Видно, что расчетная точка столкновения С определена с погрешностью 0.39 м от истинной точки столкновения С’.
То есть результат очень хороший, и в любом случае проекцию на дорогу верхней трети графика плотности вероятности справа на рисунке, куда входит и истинная точка столкновения, можно научно обоснованно характеризовать как наиболее вероятное место столкновения. И это будут не пустые слова.
Краткие итоги
Приведенные примеры показали высокую эффективность метода Монте-Карло при реконструкции обстоятельств ДТП. Применение метода Монте-Карло легитимно для российской автотехнической экспертизы, так как модуль подобного анализа содержится в рекомендованной МЮ РФ программе моделирования ДТП PC-Crash.
В свете математической теории вероятности и ее физического прикладного применения к анализу ДТП выяснилось, что термины «более вероятно» или «менее вероятно», широко использующиеся в российской экспертной практике, как правило, не являются результатом научного анализа, в связи с чем их можно трактовать как попытку ввести суды в заблуждение с целью доказать свою субъективную точку зрения.
Отрадно, что этот обзор применения метода Монте-Карло написан автором не только на основе результатов американских научных публикаций, но и статьи польского автоэксперта. Невольное сравнение квалификации судебного эксперта соседней с нами страны с тем, что мы имеет в государственной экспертизе у себя, вызывает, по меньшей мере, чувство досады.
Юридическое осмысление приведенной информации, ее широкое обсуждение, несомненно, будет полезным, как для автора, так и для самих юристов, так как в их арсенале появляется новый мощный инструмент защиты.
Литература:
1. Bartlett, W., Baxter, A., Livesay, E., Schmidt, B. et al., «Comparison of Drag-Sled and Skidding-Vehicle Drag Factors on Dry Roadways,» SAE Technical Paper 2006-01-1398, 2006, doi:10.4271/2006-01-1398.2. Navin, F., Drag sled and automobile skidding, an analytical relationship, by University of British Columbia President, SYNECTICS RSR Corp. Vancouver, USA SPECIAL PROBLEMS 2009 Orlando, Florida, April 2009.
3. Jernigan, Jack D., Metem F. Kodaman. An Investigation of the Utility and Accuracy of the Table of Speed and Stopping Distances Specified in the Code of Virginia. Virginia Transportation Research Council, Charlottesville VA. Report VTRC 01-R13. May 2001.
4. Bellion, Peter. Project Y.A.M. (Yaw Analysis Methodology) vehicle testing and findings. SAE Paper 970955. 1997.
5. Brown, E.C., P.D.Cenek. Tyre Road Friction Coefficients for Crash Recon: Overview of New Zealand Experience. ASPACI «Fact or Friction» Conference. Adalaide Australia. March 2002.
6. National Transportation Safety Board. Passenger Vehicle Median Crossover and Head-On Collision With Another Passenger Vehicle, Linden, New Jersey, May 1, 2003. Highway Accident Report NTSB/HAR-06/02. Washington, DC. Adopted February 7, 2006.
7. Goudie, D.W., J.J.Bowler, C.A.Brown, B.E.Heinrichs. Tire Friction During Locked Wheel Braking. SAE Paper 2000-01-1314. 2000.