CC BY
40РИСКОЛОГИЯ RISKOLOGY
шж
Оригинальная статья / Original article УДК 502.333
ИНВЕСТИЦИОННАЯ ПРИВЛЕКАТЕЛЬНОСТЬ И СОЦИАЛЬНО-ЭКОЛОГИЧЕСКИЕ РИСКИ КРАСНОЯРСКОГО КРАЯ
© О.В. Бразговка1, Е.В. Сугак2
Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Российская Федерация, 660037, г. Красноярск, пр. им. газеты «Красноярский рабочий», 31. РЕЗЮМЕ. ЦЕЛЬ. Инвестиционная привлекательность промышленных регионов России определяется не только наличием соответствующих ресурсов и уровнем развития инфраструктуры, но и степенью инвестиционных рисков. Высокий инвестиционный потенциал Красноярского края существенно нивелируется низким инфраструктурным потенциалом и высоким уровнем рисков, в первую очередь - социальных и экологических. Наша цель - разработка методики оценки социально-экологических рисков причинения вреда здоровью населения промышленного региона с учетом его специфических особенностей. МЕТОДЫ. Анализ и сравнение существующих методов показывают, что только комбинирование классических методов и методов интеллектуального анализа данных может позволить полноценно оценить влияние вредных факторов окружающей среды на здоровье населения региона. РЕЗУЛЬТАТЫ. Перспективным при построении зависимости «доза-эффект» представляется использование нейросетевых моделей, которые позволяют разрабатывать высокоэффективные компьютерные системы прогнозирования и анализа смертности и заболеваемости при изменении факторов окружающей среды. В настоящее время искусственные нейронные сети (ИНС) успешно используются для моделирования отклика систем на внешние воздействия, классификации внутренних состояний систем, прогнозирования динамики изменения систем, оценки полноты описания систем и сравнительной информационной значимости их параметров, оптимизации параметров систем по отношению к заданной функции ценности, диагностики и адаптивного управления системами. ВЫВОДЫ. При соответствующем «обучении» и настройке модель может быть адаптирована к изменяющимся социально-экологическим условиям любого промышленного региона России с учетом его специфических особенностей: географических и природно-климатических условий; уровня промышленного и социально-экономического развития региона; особенностей социальной структуры и образа жизни населения; уровня развития системы медицинского обслуживания и других факторов.
Ключевые слова: социальные риски, экологические риски, инвестиции, искусственные нейронные сети.
Формат цитирования: Бразговка О.В., Сугак Е.В. Инвестиционная привлекательность и социально-экологические риски Красноярского края // XXI век. Техносферная безопасность. 2017. Т. 2. № 4. С. 66-77.
INVESTMENT ATTRACTIVENESS AND SOCIAL AND ENVIRONMENTAL RISKS OF KRASNOYARSK REGION O.V. Brazgovka, E.V. Sugak
Siberian state university of science and technologies n.a. academician M.F. Reshetnev, 31, Av. n.a. Krasnoyarsk Rabochy Newspaper, 666037, Krasnoyarsk, Russian Federation.
ABSTRACT. INTRODUCTION. The investment attractiveness of industrial regions of Russia is determined both by available resources and infrastructure development level and degree of investment risks as well. High investment potential of Krasnoyarsk Region is significantly leveled by the low infrastructure potential and high risk levels. Social and environmental risks are the highest ones. The purpose of the article is to develop an assessment method for social and ecological risks for industrial region's population health taking into account their specific features. METHODS. The analysis and comparison of the existing methods show that only combination of traditional methods and data mining methods can assess the effects of harmful ecological factors on human health in the region. RESULTS. Use of neural network models which allow development of highly effective computer prediction systems and mortality and disease analysis under changing ecological factors is promising when developing a "dose-effect" relation. At present, artificial neural networks (ANN) are successfully used for simulating system responses to external effects, for classifying internal system states, forecasting dynamics of system changes, assessing systems description, and describing information significance of sys-
1
Бразговка Ольга Владимировна, магистрант программы «Прикладная информатика», e-mail: info@sibsau Olga V. Brazgovka, undergraduate of the Applied Informatics program, e-mail: info@sibsau
2Сугак Евгений Викторович, доктор технических наук, профессор кафедры безопасности жизнедеятельности, e-mail: info@sibsau
Evgeny V. Sugak, Doctor of Engineering, professor of department of health and safety, e-mail: info@sibsau
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
tems parameters, optimizing systems parameters in relation to the set function of value, diagnostics and adaptive management of systems. CONCLUSIONS. Training and setting can adopt the model to changing social and ecological conditions of any industrial region of Russia with regard to its specific features: geographical and climatic conditions; level of industrial, social and economic development; features of social structure and lifestyle of the population; medical care level and other factors.
Keywords: social risks, environmental risks, investments, artificial neural networks
For citation: Brazgovka O.V., Sugak E.V. Investment attractiveness and socio-environmental risks of Krasnoyarsk region. XXI century. Technosphere Safety. 2017, vol. 2, no. 4, pp. 66-77. (In Russian).
Введение
Степень инвестиционной привлекательности является определяющим условием активной инвестиционной деятельности и, следовательно, эффективного социально-экономического развития экономики как для государства в целом, так и его регионов. Одна из задач, стоящих перед современным обществом, заключается в создании необходимых и благоприятных условий для интенсификации экономического роста, повышения качества жизни населения. Достижение поставленной задачи возможно путем привлечения инвестиций в реальный сектор экономики. Объем и темп роста инвестиций в основной капитал являются индикаторами инвестиционной привлекательности региона. Повышение инвестиционной привлекательности способствует дополнительному притоку капитала, экономическому подъему.
Инвестиционная привлекательность региона играет огромную роль в системе комплексного подхода к оценке эффективности функционирования региональной экономики, и конечным результатом эффективного функционирования региональной экономики непременно должно быть повышение качества и рост уровня жизни населения.
Главными факторами, определяющими инвестиционную привлекательность регионов, являются инвестиционный потенциал и инвестиционный риск (рис.) [1, 2].
Инвестиционный потенциал - совокупность имеющихся в регионе факторов производства и сфер приложения капитала. Эта характеристика учитывает основ-
ные макроэкономические показатели, насыщенность территории факторами производства (природными ресурсами, рабочей силой, основными фондами, инфраструктурой и т. п.), потребительский спрос населения. Расчет общего инвестиционного капитала регионов основан на абсолютных статистических показателях. При его оценке рассматриваются: трудовой, потребительский, производственный, финансовый, институциональный, инновационный, инфраструктурный, природно-ресурсный и туристический потенциалы.
Инвестиционный риск - совокупность переменных факторов риска инвестирования - вероятность потери инвестиций и дохода от них. Степень инвестиционного риска может зависеть от целого ряда факторов: политической, социальной, законодательной, экономической, финансовой, экологической и криминальной ситуации в регионе. Среди факторов, определяющих уровень инвестиционных рисков промышленных регионов, основную роль играют: бюджетная обеспеченность (доля расходов бюджета на одного жителя); объемы выбросов загрязняющих веществ в окружающую среду, а также некоторые инновационные и информационные показатели [3]. Причем инвестиционная привлекательность именно промышленных регионов России в большинстве случаев снижается за счет высоких социальных и экологических рисков, характеризующих экологическую безопасность как самого региона, так и его населения.
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
29 • 69 # 79* •82 80
a? • 54 62 • 63 • 61 •71 78 76» 83
• 42 • 41 • 53 70« #65 »77 • 85
.«> 20 • V 13 • 23 51 • . 55 " 60 64# #
• 7 •25 • 32 •45 49* .46 • 57 68 • 67 74
• . 24 28 26* • 43 59 56 • бб • 73
• 5 9« >10 • 12 •22 'эо*33 • • 38 • 48 • 44
" .в • IS . «14 11 37 *31e35 «52
•#3«6 »27 • 36 »40 50
Инвестиционный рейтинг российских регионов по рангам потенциала P и риска R: Investment rating of the Russian regions by ranks of potential P and risk R: 1 - г. Москва / Moscow; 2 - Московская обл. / Moscow Region; 3 - г. Санкт-Петербург / St. Petersburg; 4 - Краснодарский край / Krasnodar Krai; 5 - Свердловская обл. / Sverdlovsk Region; 6 - Республика Татарстан / Republic of Tatarstan; 7 - Красноярский край / Krasnoyarsk Krai; 8 - Нижегородская обл. / Nizhny Novgorod Region; 9 - Ростовская обл. / Rostov Region; 0 - Челябинская обл. / Chelyabinsk Region; 11 - Республика Башкортостан / Republic of Bashkortostan;
12 - Самарская обл. /Samara Region; 13 - Пермский край /Perm Krai; 14 - Ханты-Мансийский АО / Khanty-Mansi Autonomous Okrug; 15 - Новосибирская обл. / Novosibirsk Region; 16 - Кемеровская обл. / Kemerovo Region; 17 - Белгородская обл. / Belgorod Region; 18 - Иркутская обл. / Irkutsk Region; 19 - Воронежская обл. / Voronezh Region; 20 - Республика Саха (Якутия) / Sakha (Yakutia) Republic; 21 - Приморский край / Primorsky Krai; 22 - Ставропольский край / Stavropol Krai; 23 - Волгоградская обл. / Volgograd Region; 24 - Саратовская обл. / Saratov Region; 25 - Ямало-Ненецкий АО / Yamalo-Nenets Autonomous Area; 26 - Алтайский край / Altai Krai; 27 - Ленинградская обл. / Leningrad Region; 28 - Оренбургская обл. / Orenburg Region ; 29 - Республика Дагестан / Republic of Dagestan; 30 - Омская обл. / Omsk Region; 31 - Тюменская обл. / Tyumen Region; 32 - Хабаровский край / Khabarovsk Krai; 33 - Калининградская обл. / Kaliningrad Region; 34 - Калужская обл. / Kaluga Region; 35 - Тульская обл. / Tula Region; 36 - Курская обл. / Kursk Region; 37 - Владимирская обл. / Vladimir Region ; 38 - Ярославская обл. / Yaroslavl Region; 39 - Республика Крым / Republic of Crimea; 40 - Липецкая обл. / Lipetsk Region; 41 - Удмуртская Республика / Udmurt Republic; 42 - Мурманская обл. /
Murmansk Region; 43 - Брянская обл. / Bryansk Region; 44 - Пензенская обл. / Penza Region; 45 - Ульяновская обл. / Ulyanovsk Region; 46 - Тверская обл. / Tver region; 47 - Сахалинская обл. / Sakhalin Region; 48 - Томская обл. / Tomsk Region; 49 - Смоленская обл. / Smolensk Region; 50 - Тамбовская обл. / Tambov Region; 51 - Архангельская обл. / Arkhangelsk Region; 52 - Рязанская обл. / Ryazan Region; 53 - Республика Бурятия / Republic of Buryatia; 54 - Забайкальский край / Zabaykalsky Krai; 55 - Республика Коми / Komi Republic; 56 - Чувашская Республика / Chuvash Republic; 57 - Вологодская обл. / Vologda Region; 58 - Астраханская обл. / Astrakhan Region; 59 - Кировская обл. / Kirov Region; 60 - Ивановская обл. / Ivanovo Region; 61 - Республика Карелия / Republic of Karelia; 62 - Республика Северная Осетия - Алания / Republic of North Ossetia-Alania; 63 - Кабардино-Балкарская Республика / Kabardino-Balkar Republic; 64 - Орловская обл. / Oryol Region; 65 - Псковская обл. / Pskov Region; 66 - Новгородская обл. / Novgorod Region; 67 - Республика Мордовия / Republic of Mordovia; 68 - Амурская обл. / Amur Region; 69 - Чеченская Республика / Chechen Republic; 70 - Курганская обл. / Kurgan Region; 71 - Камчатский край / Kamchatka Krai; 72 - Костромская обл. / Kostroma Region; 73 - Республика Марий Эл / Republic of Mari El; 74 - Республика Адыгея / Republic of Adygea; 75 - г. Севастополь / Sevastopol; 76 - Магаданская обл. / Magadan Region; 77 - Республика Хакасия /
Republic of Khakassia; 78 - Карачаево-Черкесская Республика /Karachay-Cherkess Republic; 79 - Республика Ингушетия / Republic of Ingushetia; 80 - Чукотский АО / Chukotka Autonomous Okrug; 81 - Еврейская АО / Jewish Autonomous Region; 82 - Республика Тыва / Republic of Tyva; 83 - Республика Алтай / Altai Republic; 84 - Республика Калмыкия / Republic of Kalmykia; 85 - Ненецкий АО / Nenets AO
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
я
РИСКОЛОГИЯ RISKOLOGY
ШЖ
Экологическая безопасность - важнейшая составляющая социально-экономической безопасности России и ее регионов. Поэтому проблемы анализа, учета и прогнозирования экологических и социально-экологических рисков и оценки индикаторов экологической безопасности имеют особую значимость как для оценки уровня развития и инвестиционной привлекательности, так и для определения социально-экономической эффективности реализованных и планируемых технических, технологических, административно-
хозяйственных и управленческих решений в промышленном и социально-экономическом развитии региона [4-6].
Например, по данным международ-
ного рейтингового агентства <^АЕХ-Эксперт РА», Красноярский край по инвестиционному потенциалу в целом занимает высокое 7-е место среди 85 российских регионов, а по природно-ресурсному потенциалу - 1-е место, тогда как по инвестиционным рискам в целом - только 43-е место; по экологическому риску - 78-е; по социальному - 57-е место [2]. То есть высокий в целом инвестиционный потенциал Красноярского края существенно нивелируется низким инфраструктурным потенциалом и высоким уровнем рисков, в первую очередь - социально-экологических (см. рис., точка 7).
Методы
Среди 12 регионов Сибирского федерального округа (СФО) Красноярский край по инвестиционному потенциалу в целом занимает 1 -е место, по природно-ресурсному потенциалу - 1-е место, тогда как по инвестиционным рискам в целом -только 5-е место, а по экологическому риску - последнее (табл. 1 и 2).
Таким образом, можно считать, что Красноярский край находится в числе одних из самых перспективных, но достаточно «рискованных» регионов.
По разнице рангов инвестиционного потенциала и риска в 2015 г. Красноярский край с показателем -36 находился в числе аутсайдеров (81-е место) и опережал только Республику Дагестан (-54), Пермский край (-40), Кемеровскую область (-40) и Республику Крым (-40) (см. табл. 2). Среди регионов Сибирского федерального округа Красноярский край по этому показателю занимает предпоследнее место, опережая только Кемеровскую область (-40), немного отстает от Иркутской области (-34) и существенно от лидера - Томской области (+20).
За последние 15 лет ранг инвестиционного потенциала Красноярского края практически не изменился (табл. 3), а инвестиционных - повысился с 69-71 до 39-43 (табл. 4). Однако экологические риски за это время снизились незначительно - с ранга 84 до 78, а социального - с 50-73 до 49-57 (табл. 4). Следовательно, фундаментальной основой обеспечения устойчивого социально-экономического развития региона продолжает оставаться оптимизация социально-экологических рисков [6, 7].
Здоровье человека определяется факторами наследственности, качества жизни и окружающей среды. Вклад каждого фактора в возникновение и развитие заболеваний очень изменчив и зависит от вида заболеваний, состояния здравоохранения и уровня социально-экономического развития общества. По обобщенным оценкам экспертов Всемирной организации здравоохранения (ВОЗ), средний удельный вес влияния отдельных факторов на состояние здоровья населения составляет [8]:
Том 2, № 4 2017 Vol. 2, no. 4 2017
XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
Таблица 1
Инвестиционный потенциал регионов Сибирского ФО
Table 1
Investment potential of the Siberian Federal District regions_
есто (СФО) / Place (SFD) Ранг (РФ) / Rank (RF) Регион / Region Ранги составляющих инвестиционного потенциала / Ranks of component of the investment potential Разница рангов потенциала и риска / Difference of ranks of potential and risk
Трудовой / Labor Потребительский / Consumer Производственный / Production Финансовый / Financial Институциональный / Institutional Инновационный / Innovative Инфраструктурный / Infrastructure Природно-ресурсный / Natural and resource Туристический / Tourist
1 7 Красноярский край / Krasnoyarsk Region 14 14 15 11 13 16 78 1 9 -36
2 15 Новосибирская область/ Novosibirsk region 13 16 20 17 9 6 49 40 32 -4
3 16 Кемеровская область / Kemerovo region 17 18 16 19 26 37 53 4 36 -40
4 18 Иркутская область / Irkutsk region 20 23 18 15 20 20 74 7 13 -34
5 26 Алтайский край / Altai region 24 24 33 28 30 13 44 23 25 -6
6 30 Омская область / Omsk region 26 21 17 24 21 27 60 43 64 1
7 48 Томская область / Tomsk region 37 60 44 50 45 10 82 37 79 20
8 53 Республика Бурятия / Republic of Buryatia 55 58 65 59 65 63 79 10 15 -15
9 54 Забайкальский край / Zabaykalsky region 64 52 64 57 62 74 70 9 43 -20
10 77 Республика Хакасия / Republic of Khakassia 75 74 67 73 70 81 67 32 78 13
11 82 Республика Тыва / Republic of Tyva 80 80 83 80 82 78 84 31 72 -3
12 83 Республика Алтай / Republic of Altay 82 82 84 83 81 83 81 60 50 6
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
Таблица 2
Инвестиционный риск регионов Сибирского ФО
Table 2
Investment risk of Siberian Federal District regions_
Место (СФО) / Place (SFD) Ранг (РФ) / Place (SFD) Регион / Region Ранги составляющих инвестиционного риска / Ranks of investment risk components
Социальный / Social Экономический / Economic Финансовый / Financial Криминальный / Criminal Экологический / Ecological Управленческий / Administrative Разница рангов потенциала и риска / Difference of ranks potential and risk
1 19 Новосибирская область / Novosibirsk region 44 13 9 39 41 50 -4
2 28 Томская область/ Tomsk region 64 35 19 27 58 12 20
3 29 Омская область / Omsk region 42 8 21 73 56 59 1
4 32 Алтайский край / Altai Region 55 40 23 31 42 58 -6
5 43 Красноярский край / Krasnoyarsk Region 57 21 28 44 78 43 -36
6 52 Иркутская область / Irkutsk region 68 26 17 59 72 61 -34
7 56 Кемеровская область / Kemerovo region 33 66 54 33 73 32 -40
8 64 Республика Хакасия / Republic of Khakassia 60 60 61 48 52 55 13
9 68 Республика Бурятия / Republic of Buryatia 75 19 75 69 67 45 -15
10 74 Забайкальский край / Zabaykalye region 71 70 73 80 75 53 -20
11 77 Республика Алтай / Altai Republic 78 73 81 41 57 10 6
12 85 Республика Тыва / Republic of Tyva 85 48 83 64 62 78 -3
Ш/
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
vS
РИСКОЛОГИЯ RISKOLOGY
Таблица 3
Динамика инвестиционного потенциала Красноярского края в 2001-2016 гг.
Table 3
Dynamics of investment potential of Krasnoyarsk Krai in 2001-2016
Год / Year Инвестиционный потенциал / Innovative Ранги составляющих инвестиционного потенциала / Ranks of components of the investment potential Разница рангов потенциала и риска / Difference of ranks of potential and risk
Трудовой / Labor Потребительский / Consumer Производственный / Production Финансовый / Financial Институциональный / Institutional Инновационный / Innovative Инфраструктурный / Infrastructure Природно-ресурсный / Natural and resource Туристический / Tourist
2001 6 15 9 4 5 13 23 84 3 - -63
2002 7 12 10 7 7 16 28 79 2 - -64
2003 7 9 12 9 10 13 17 77 2 - -60
2004 7 13 13 11 7 14 17 75 3 - -50
2005 11 10 19 11 7 19 16 75 3 12 -40
2006 8 16 14 15 10 15 17 78 3 18 -57
2007 7 12 15 12 9 16 15 69 1 11 -56
2008 7 11 16 14 10 15 15 70 1 9 -39
2009 10 13 14 15 11 16 15 76 8 -58
2010 8 13 13 14 9 16 10 75 1 8 -37
2011 6 14 14 12 5 15 19 79 1 8 -30
2012 7 14 14 15 8 14 18 74 1 9 -39
2013 7 14 13 15 10 13 13 73 1 9 -39
2014 7 14 14 15 10 13 18 74 1 7 -32
2015 7 14 14 15 11 13 16 78 1 9 -36
2016 7 14 14 10 9 13 16 78 1 11 -32
Динамика инвестиционного риска Красноярского края в 2001-2016 Dynamics of investment risk of Krasnoyarsk Krai in 2001-2016
Таблица 4 гг.
Table 4
Год / Year
Ранги составляющих инвестиционного риска / Ranks of components of investment risk
о s
CP
2
<o -9
s со j
о О
CO
x n П5 .E
-0 <5 m .EE
О
° Ö § "J
m
" 1
CO "O
Э- <
ф CO
£ 1 П5 ® Ü
[s !
? b ™ я
ю ^ ° "а
2001
69
73
28
10
51
84
63
2002
71
50
37
33
65
84
-64
2003
67
60
2004
57
39
41
40
58
81
50
2005
51
39
45
13
57
83
-40
2006
65
25
48
45
68
84
66
57
2007
64
25
55
39
68
80
75
-56
2008
46
60
43
62
82
71
39
2009
68
76
32
15
65
80
72
58
2010
45
36
25
23
66
80
31
-37
2011
36
36
21
10
50
78
50
30
2012
46
48
17
22
30
77
64
-39
2013
46
56
19
18
39
78
48
39
2014
39
49
23
21
57
76
32
32
2015
43
57
21
28
44
78
43
-36
2016
39
52
22
18
59
78
34
32
Том 2, № 4 2017 Vol. 2, no. 4 2017
XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
4
я
РИСКОЛОГИЯ RISKOLOGY
шж
- образ жизни - 49-53%;
- генетические и биологические факторы - 18-22%;
- окружающая среда - 17-20%;
- состояние здравоохранения - 810%.
Эти оценки являются ориентировочными, и вклад тех или иных факторов в формирование показателей здоровья населения различных регионов страны будет значительно различаться.
Результаты
Однако в настоящее время практически отсутствуют методы количественной статистически достоверной оценки техногенных социально-экологических рисков причинения вреда здоровью населения региона. Существующие методы, как правило, основаны на масштабных долгосрочных и дорогостоящих медико-биологических и эпидемиологических исследованиях и не учитывают специфические для конкретного региона факторы: географические и природно-климатические условия, уровень промышленного и социально-
экономического развития, особенности социальной структуры и образа жизни населения, уровень развития системы медицинского обслуживания и др. [7-11].
Анализ и сравнение существующих наработок показывают, что только комбинирование классических методик и методов интеллектуального анализа данных может позволить полноценно оценить влияние вредных факторов окружающей среды на здоровье населения региона [4, 7, 12-15].
Перспективным при построении зависимости «доза-эффект» представляется использование нейросетевых моделей, которые позволяют разрабатывать высокоэффективные компьютерные системы прогнозирования и анализа смертности и заболеваемости при изменении факторов окружающей среды [6, 16-18].
В настоящее время искусственные нейронные сети (ИНС) успешно используются для моделирования отклика систем на внешние воздействия, классификации их внутренних состояний, прогнозирования динамики изменения, оценки полноты описания, сравнительной информационной
и их обсуждение
значимости оптимизации параметров по отношению к заданной функции ценности, диагностики и адаптивного управления системами [19-21].
Использование искусственных нейронных сетей является одним из самых распространенных методов прогнозирования поведения систем разной природы [22, 23]. Их применение дает ряд преимуществ по сравнению с традиционным подходом к решению подобных задач. Для оценки экологических рисков построены нейросете-вые модели, описывающие влияние вредных факторов на здоровье населения Красноярска и Красноярского края. В качестве индикаторов состояния окружающей среды использовались концентрации и объемы выбросов в атмосферу основных загрязняющих веществ; в качестве индикаторов здоровья - данные о первичной заболеваемости, смертности и продолжительности жизни.
Расчеты показывают, что нейросе-тевые модели удовлетворительно описывают исходные данные - погрешность по различным показателям здоровья населения составила от 0,4 до 4,7% [6, 16-18, 24].
Полученные результаты позволяют определить зависимости «доза-эффект» для отдельных компонентов окружающей среды и дают возможность создания комплексной количественной статистически достоверной методики интеллектуального анализа и прогнозирования социально-экологических рисков населения конкретного промышленного региона по имеющимся базам данных мониторинга выбросов и концентраций загрязняющих веществ и состояния здоровья населения [24-26].
Том 2, № 4 2017 Vol. 2, no. 4 2017
XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
ШЖ
Однако по результатам выполненных работ наряду с достоинствами выявлены и недостатки предложенного подхода с использованием стандартных методов интеллектуального анализа данных и искусственных нейронных сетей для оценки и прогнозирования социально-экологических рисков. В частности, обнаружена высокая чувствительность построенных моделей к качеству, количеству, структуре и полноте исходных статистических данных [26, 27]. Вследствие этого, например, при расширении номенклатуры контролируемых или измеряемых загрязняющих веществ необходимо перестраивать искусственную
Таким образом, разрабатываемые нейросетевые модели позволят по имеющимся базам данных мониторинга выбросов и концентраций загрязняющих веществ в атмосферном воздухе и состоянии здоровья населения автоматически получать зависимости, отражающие причинно-следственные связи между показателями загрязнения окружающей среды и индикаторами состояния здоровья населения (заболеваемости, смертности, продолжительности жизни и др.). Модели значительно упростят и ускорят оценку и прогноз развития социально-экологической обстановки на территории в результате техногенного воздействия на окружающую среду и здоровье населения без масштабных клинических биомедицинских исследований.
Интерпретация полученных результатов позволит оценить реальную или предполагаемую социально-экономическую эффективность реализованных или планируемых технических, технологических, административно-хозяйственных и управленческих решений в промышленном и соци-
нейронную сеть.
Для преодоления указанных недостатков разработан метод автоматизированного проектирования коллективных технологий интеллектуального анализа данных, основанный на самонастраивающихся эволюционных алгоритмах и искусственных нейронных сетях, коллективный самонастраивающийся бионический метод решения сложных задач оптимизации и основанные на нем методы проектирования технологий анализа данных, а также программные комплексы, реализующие эти методы для обработки и анализа данных [27-30].
ально-экономическом развитии промышленного региона и управлении охраной окружающей среды, даст возможность обоснования программ социально-экономического развития региона, разрабатывать региональные нормативы качества окружающей среды.
При соответствующем «обучении» и настройке модель может быть адаптирована к изменяющимся социально-экологическим условиям любого промышленного региона России с учетом его специфических особенностей: географических и природно-климатических условий; уровня промышленного и социально-
экономического развития региона; особенностей социальной структуры и образа жизни населения; уровня развития системы медицинского обслуживания и других факторов [26-30].
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-013-00200.
Библиографический список
1. Асаул А.Н., Карпов Б.М., Перевязкин В.Б., Старо- 2008. 606 с.
войтов М.К. Модернизация экономики на основе 2. Рейтинг инвестиционной привлекательности ре-технологических инноваций. СПб: АНО ИПЭВ,_гионов 2015 года. М.: Эксперт РА, 2016. 30 с.
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
vo
к/
3. Каранина Е.В. Региональные инвестиции: факторы риска и привлекательности. Оценка значимости факторов регионального инвестиционного риска // Российское предпринимательство. 2010. № 4-2. С. 138-143.
4. Sugak E.V. Modern methods of assessment of environmental risks. European Social Science Journal, 2014, vol. 2, no. 5, pp. 427-433.
5. Каранина Е.В., Вершинина Н.А. Экологические риски регионов России // Вестник Московского финансово-юридического университета. 2016. № 2. С. 21-38.
6. Сугак Е.В. Современные методы анализа социально-экологических рисков населения промышленного региона. Экологический риск. Мат. IV Всероссийской научной конф. Иркутск: ИРНИТУ, 2017. С. 340-342.
7. Сугак Е.В., Бразговка О.В., Бельская Е.Н. Техногенные социально-экологические риски населения промышленного региона. Актуальные направления научных исследований начала XXI века. Ростов-на-Дону: РГУ, 2015. С. 13-24.
8. Ревич Б.А., Авалиани С.Л., Тихонова Г.И. Окружающая среда и здоровье населения. Региональная экологическая политика. М.: ЦЭПР, 2003. 149 с.
9. Акимов Б.А., Лесных В.В., Радаев Н.Н. Основы анализа и управления риском в природной и техногенной сферах. М.: Деловой экспресс, 2004. 352 с.
10. Онищенко Г.Г., Зайцева Н.В., Май И.В. Анализ риска здоровью в стратегии государственного социально-экономического развития. Пермь: Изд-во Пермского национального исследовательского политехнического университета, 2014. 738 с.
11. Чура Н.Н. Техногенный риск. М.: КНОРУС, 2017. 280 с.
12. Сугак Е.В., Кузнецов Е.В., Назаров А.Г. Информационные технологии оценки экологической безопасности // Горный информационно-аналитический бюллетень. 2009. Т. 18. № 12. С. 39-45.
13. Сугак Е.В., Окладникова Е.Н., Ермолаева Л.В. Информационные технологии управления социально-экологическим риском // Вестник СибГАУ. 2008. Т. 21. № 4. С. 87-91.
14. Сугак Е.В., Окладникова Е.Н., Кузнецов Е.В. Вычислительные и информационные технологии анализа и оценки социально-экологических рисков // Экология и промышленность России. 2008. № 8. С. 24-29.
15. Furze J.N., Swing K., Gupta A.K., McClatchey R.H., Reynolds D.M. Mathematical Advances Towards Sustainable Environmental Systems. Springer International Publishing, Switzerland, 2017. 355 p.
16. Потылицына Е.Н., Липинский Л.В., Сугак Е.В. Использование искусственных нейронных сетей для решения прикладных экологических задач // Современные проблемы науки и образования. 2013. № 4.
С. 51-58.
17. Потылицына Е.Н., Сугак Е.В. Оценка социально-экологических рисков населения с использованием искусственных нейронных сетей. Экологический риск. Мат. IV Всероссийской научной конференции. Иркутск: ИРНИТУ, 2017. С. 325-327.
18. Потылицына Е.Н., Сугак Е.В. Прогнозирование ожидаемой продолжительности жизни населения с использованием искусственных нейронных сетей. Нейроинформатнка, ее приложения и анализ данных: Материалы XXV Всероссийского семинара. Красноярск: Институт вычислительного моделирования СО РАН, 2017. С. 43-48.
19. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: ФИЗ-МАТЛИТ, 2001. 201 с.
20. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
21. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.
22. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2006. 452 с.
23. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия - Телеком, 2010. 496 с.
24. Сугак Е.В., Кузнецов Е.В., Назаров А.Г. Информационные технологии оценки экологической безопасности // Горный информационно-аналитический бюллетень. 2009. Т. 18. № 12. С. 39-45.
25. Бельская Е.Н., Сугак Е.В., Бразговка О.В. Расчет и прогнозирование индивидуального риска смерти населения промышленного региона // Безопасность в техносфере. 2016. № 4. С. 18-22.
26. Сугак Е.В. Инвестиционная привлекательность и социально-экологические риски Красноярского края // Наука Красноярья. 2017. Т. 6. № 4-2. С. 146-151.
27. Хритоненко Д.И., Семенкин Е.С., Сугак Е.В., По-тылицына Е.Н. Решение задачи прогнозирования экологического состояния города нейроэволюцион-ными алгоритмами // Вестник СибГАУ. 2015. Т. 16. № 1. С. 137-142.
28. Хритоненко Д.И., Семенкин Е.С., Потылицына Е.Н., Сугак Е.В. Проектирование коллективов нейросетевых предикторов экологического состояния города самоконфигурируемыми эволюционными алгоритмами. Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014). Кемерово: КемГТУ, 2014. С. 438-439.
29. Хритоненко Д.И., Семенкин Е.С., Сугак Е.В., Потылицына Е.Н. Автоматическое генерирование нейросетевых моделей в задаче прогнозирования уровня заболеваемости населения. XIV Национальная конференция по искусственному интеллекту (КИИ-2014). Казань: КазТУ, 2014. С. 276-285.
ISNN 2500-1582
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
РИСКОЛОГИЯ RISKOLOGY
шж
30. Khritonenko D.I., Semenkin E.S., Sugak E.V., Potilitsina E.N. Solving the problem of city ecology fore-
1. Asaul A.N., Karpov B.M., Perevyazkin V.B., Starovoi-tov M.K. Modernizatsiya ekonomiki na osnove tekhno-logicheskikh innovatsii [Modernization of economy based of technological innovations]. SPb: ANO IPEV Publ., 2008, 606 p. (In Russian).
2. Reiting investitsionnoi privlekatel'nosti regionov 2015 goda [Rating of investment attractiveness of regions in 2015]. Moscow: Ekspert RA Publ., 2016. 30 p. (In Russian).
3. Karanina E.V. Regional investments: risk factors and appeal. Assessment of the importance of of regional investment risk factors // Rossiiskoe predprinimatel'stvo [Russian business]. 2010, no. 4-2, pp. 138-143. (In Russian).
4. Sugak E.V. Modern methods of assessment of environmental risks. European Social Science Journal, 2014, vol. 2, no. 5, pp. 427-433.
5. Karanina E.V., Vershinina N.A. Environmental risks of regions of Russia. Vestnik Moskovskogo finansovo-yuridicheskogo universiteta [Bulletin of Moscow finance and law university]. 2016, no. 2, pp. 21-38. (In Russian).
6. Sugak E.V. Sovremennye metody analiza sotsial'no-ekologicheskikh riskov naseleniya promyshlennogo regiona. Ekologicheskii risk [Modern methods of the analysis of social-and-ecological risks of the population of the industrial region. Environmental risk]. Materialy IV Vserossiiskoi nauchnoi konferentsii [Materials IV of the All-Russian scientific conference.]. Irkutsk: IRNITU Publ., 2017, pp. 340-342. (In Russian).
7. Sugak E.V., Brazgovka O.V., Bel'skaya E.N. Tekhnogennye sotsial'no-ekologicheskie riski naseleni-ya promyshlennogo regiona. Aktual'nye napravleniya nauchnykh issledovanii nachala XXI veka [Technological social-and-ecological hazards of the population of the industrial region. Relevant directions of scientific research of the beginning of the 21st century]. Rostov-na-Donu: RGU Publ., 2015, pp. 13-24. (In Russian).
8. Revich B.A., Avaliani S.L., Tikhonova G.I. Okruzhay-ushchaya sreda i zdorov'e naseleniya. Regional'naya ekologicheskaya politika [Environment and health of the population. Regional environmental policy]. Moscow: TsEPR Publ., 2003, 149 p. (In Russian).
9. Akimov B.A., Lesnykh V.V., Radaev N.N. Osnovy analiza i upravleniya riskom v prirodnoi i tekhnogennoi sferakh [Bases of the analysis and management of risk in natural and technogenic spheres]. Moscow: Delovoi ekspress Publ., 2004, 352 p. (In Russian).
10. Onishchenko G.G., Zaitseva N.V., Mai I.V. Analiz riska zdorov'yu v strategii gosudarstvennogo sotsial'no-ekonomicheskogo razvitiya [The analysis of risk to health in the strategy of the state social and economic
casting with neuro-evolutionary algorithms. Vestnik SibGAU, 2015, v. 16, no. 1, pp. 137-142.
development]. Perm': Izd-vo Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta Publ., 2014, 738 p. (In Russian).
11. Chura N.N. Tekhnogennyi risk [Technogenic risk]. Moscow: KNORUS Publ., 2017. 280 p. (In Russian).
12. Sugak E.V., Kuznetsov E.V., Nazarov A.G. Information technologies of assessment of ecological safety. Gornyi informatsionno-analiticheskii byulleten [Mountain information and analytical bulletin]. 2009, vol. 18, no. 12, pp. 39-45. (In Russian).
13. Sugak E.V., Okladnikova E.N., Ermolaeva L.V. Information technologies of management of social-and-ecological risk. Vestnik SibGAU [Messenger of SIBGAU]. 2008, vol. 21, no. 4, pp. 87-91. (In Russian).
14. Sugak E.V., Okladnikova E.N., Kuznetsov E.V. Computing and information technologies of the analysis and assessment of social-and-ecological risks. Ekologi-ya i promyshlennost' Rossii [Ecology and industry of Russia]. 2008, no. 8, pp. 24-29. (In Russian).
15. Furze J.N., Swing K., Gupta A.K., McClatchey R.H., Reynolds D.M. Mathematical Advances Towards Sustainable Environmental Systems. Springer International Publishing, Switzerland, 2017. 355 p.
16. Potylitsyna E.N., Lipinskii L.V., Sugak E.V. Use of artificial neural networks for the solution of applied ecological tasks. Sovremennye problemy nauki i obra-zovaniya [Modern problems of science and education]. 2013, no. 4, pp. 51-58. (In Russian).
17. Potylitsyna E.N., Sugak E.V. Otsenka sotsial'no-ekologicheskikh riskov naseleniya s ispol'zovaniem iskusstvennykh neironnykh setei. Ekologicheskii risk [Assessment of social-and-ecological risks of the population with use of artificial neural networks. Environmental risk]. Materialy IV Vserossiiskoi nauchnoi konfer-entsii [Materials of the Sixth All-Russian scientific conference]. Irkutsk: IRNITU Publ., 2017, pp. 325-327. (In Russian).
18. Potylitsyna E.N., Sugak E.V. Prognozirovanie ozhi-daemoi prodolzhitel'nosti zhizni naseleniya s ispol'zovaniem iskusstvennykh neironnykh setei. Nei-roinformatnka, ee prilozheniya i analiz dannykh [Forecasting of the expected life expectancy of the population with use of artificial neural networks. Neyroin-formatnka, her applications and analysis of data]. Mate-rialy XXV Vserossiiskogo seminara [Materials XXV of the All-Russian seminar]. Krasnoyarsk: Institut vychislit-el'nogo modelirovaniya SO RAN Publ., 2017, pp. 43-48. (In Russian).
19. Kruglov V.V., Dli M.I., Golunov R.Yu. Nechetkaya logika i iskusstvennye neironnye seti [Fuzzy logic and artificial neural networks]. Moscow: FIZMATLIT Publ., 2001, 201 p. (In Russian).
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
ISNN 2500-1582
РИСКОЛОГИЯ RISKOLOGY
vo
к/
20. Osovskii S. Neironnye seti dlya obrabotki informatsii [Neural networks for information processing]. Moscow: Finansy i statistika Publ., 2002, 344 p. (In Russian).
21. Barskii A.B. Neironnye seti: raspoznavanie, uprav-lenie, prinyatie reshenii [Neural networks: recognition, management, decision-making]. Moscow: Finansy i statistika Publ., 2004, 176 p. (In Russian).
22. Rutkovskaya D., Pilin'skii M., Rutkovskii L. Neironnye seti, geneticheskie algoritmy i nechetkie sistemy [Neural networks, genetic algorithms and indistinct systems]. Moscow: Goryachaya liniya - Telekom Publ., 2006, 452 p. (In Russian).
23. Galushkin A.I. Neironnye seti: osnovy teorii [Neural networks: theory bases.]. Moscow: Goryachaya liniya -Telekom Publ., 2010, 496 p. (In Russian).
24. Sugak E.V., Kuznetsov E.V., Nazarov A.G. Information technologies of assessment of ecological safety. Gornyi informatsionno-analiticheskii byulleten' [Mountain information and analytical bulletin]. 2009, vol. 18, no. 12, pp. 39-45. (In Russian).
25. Bel'skaya E.N., Sugak E.V., Brazgovka O.V. Calculation and forecasting of individual risk of death of the population of the industrial region. Bezopasnost' v tekhnosfere [Safety in a technosphere]. 2016, no. 4, pp. 18-22. (In Russian).
26. Sugak E.V. Investment attractiveness and social-and-ecological risks of Krasnoyarsk Krai. Nauka Kras-noyar'ya [Science Krasnoyarya]. 2017, vol. 6, no. 4-2, pp. 146-151. (In Russian).
Критерий авторства
Бразговка О.В., Сугак Е.В. обладают равными авторскими правами и несут равную ответственность за плагиат.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Поступила 17.10.2017
27. Khritonenko D.I., Semenkin E.S., Sugak E.V., Po-tylitsyna E.N. Solution of a problem of forecasting of an ecological condition of the city neuroevolutionary algorithms. Vestnik SibGAU [Messenger of SIBGAU]. 2015, vol. 16, no. 1, pp. 137-142. (In Russian).
28. Khritonenko D.I., Semenkin E.S., Potylitsyna E.N., Sugak E.V. Proektirovanie kollektivov neirosetevykh prediktorov ekologicheskogo sostoyaniya goroda samokonfiguriruemymi evolyutsionnymi algoritmami. Informatsionno-telekommunikatsionnye sistemy i tekhnologii (ITSiT-2014) [Design of collectives of neural network predictors of an ecological condition of the city the self-configured evolutionary algorithms. Information and telecommunication systems and technologies (ITSIT-2014)]. Kemerovo: KemGTU Publ., 2014, pp. 438-439. (In Russian).
29. Khritonenko D.I., Semenkin E.S., Sugak E.V., Potylitsyna E.N. Avtomaticheskoe generirovanie neirosetevykh modelei v zadache prognozirovaniya urovnya zabolevaemosti naseleniya [Automatic generation of neural network models in a problem of forecasting of incidence of the population]. XIV Natsional'naya konfer-entsiya po iskusstvennomu intellektu (KII-2014) [XIV National conference on artificial intelligence (KII-2014)]. Kazan: KazTU Publ., 2014, pp. 276-285. (In Russian).
30. Khritonenko D.I., Semenkin E.S., Sugak E.V., Potilitsina E.N. Solving the problem of city ecology forecasting with neuro-evolutionary algorithms. Vestnik SibGAU, 2015, v. 16, no. 1, pp. 137-142.
Authorship criteria
Olga V. Brazgovka, Evgeny V. Sugak have equal authors' rights and responsibility for plagiarism.
Conflict of interests
The authors declare no conflict of interests.
Received on 17 October 2017
ШЖ
Ш/
Том 2, № 4 2017 XXI ВЕК. ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ Vol. 2, no. 4 2017 XXI CENTURY. TECHNOSPHERE SAFETY
