CC BY
21Решетневские чтения. 2017
УДК 504.03
ОЦЕНКА И ПРОГНОЗИРОВАНИЕ ОЖИДАЕМОЙ ПРОДОЛЖИТЕЛЬНОСТИ ЖИЗНИ НАСЕЛЕНИЯ КРАСНОЯРСКОГО КРАЯ*
Е. Н. Потылицына, Е. В. Сугак
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: Leonova_en@mail.ru
Рассматривается возможность применения искусственных нейронных сетей для оценки и прогнозирования ожидаемой продолжительности жизни. Анализ полученных результатов показывает высокую точность прогнозных оценок показателя и эффективность предлагаемой методики.
Ключевые слова: ожидаемая продолжительность жизни, искусственные нейронные сети.
EVALUATING AND FORECASTING EXPECTED LIFE OF THE POPULATION OF THE KRASNOYARSK TERRITORY
E. N. Potylitsyna, E. V. Sugak
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: Leonova_en@mail.ru
The possibility of using artificial neural networks for estimating and predicting the expected duration of life is considered. Analysis of the obtained results shows a high accuracy of predictive estimates of the indicator and the effectiveness of the proposed methodology.
Keywords: life expectancy, artificial neural networks.
Средняя ожидаемая продолжительность жизни (ОПЖ) - один из ключевых показателей, входящих в расчет индекса развития человеческого потенциала страны и отдельных регионов [1; 2]. Прогноз этого показателя является весомым элементом в управлении общественными процессами, он необходим для анализа перспектив развития различных сфер, включая экологическую обстановку в регионе. Знание перспектив развития общества поможет целенаправленно воздействовать на социально-экономические явления, скорректировать их, ликвидировать диспропорции.
Однако существующие методы оценки и прогнозирования влияния различных факторов (экологических, социальных, экономических) на состояние здоровья и ожидаемую продолжительность жизни населения, как правило, основаны на масштабных долгосрочных и дорогостоящих 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 другие факторы [3; 4].
Перспективным при построении зависимости «доза-эффект» представляется использование метода интеллектуального анализа данных - искусственные нейронные сети (ИНС) [4-7]. Этот метод находит применение в тех ситуациях, когда обычные методы
анализа трудно или невозможно применить из-за отсутствия сведений о характере или закономерностях исследуемых процессов, взаимозависимостях явлений, фактов, о поведении объектов и систем из различных предметных областей, в том числе -в социальной и экономической [8; 9].
Для построения нейросетевой модели использовалась свободно распространяемая программа №итоРго [10]. В качестве входных параметров использовались концентрации загрязняющих веществ в воздухе, выбросы от стационарных источников и автотранспорта, а также ряд социальных параметров - среднедушевые денежные доходы населения, средний размер назначенных пенсий и другие [11]. «Выходом» при обучении ИНС использовались данные об ОПЖ при рождении жителей Красноярского края с 1995 по 2013 гг. [4-7]. Полученная в ходе обучения ИНС состояла из 3 слоев, в каждом слое по 10 нейронов. Число входов сети - 7, выход - 1.
Статистические данные за 2014 и 2015 гг. использовались для проверки прогностических возможностей полученной ИНС. Средняя относительная ошибка прогноза составила 0,49 %, средняя абсолютная ошибка (МАРЕ) - 5 %, т. е. сеть обеспечивает хорошую сходимость расчетных и фактических значений. При этом наиболее значимыми входными параметрами оказались объемы выбросов от стационарных источников (коэффициент значимости 1,00) и средний размер назначенных пенсий (0,80).
* Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-013-00200.
Техносферная безопасность
Полученная модель дает возможность по имеющимся базам статистических данных (социальных, экологических показателей и ожидаемой продолжительность жизни) автоматически получать зависимости, отражающие причинно-следственные связи между зависимыми параметрами.
Нейросетевая модель адаптирована к условиям региона и значительно упрощает и ускоряет оценку и прогноз изменения социально-экологической обстановки в результате техногенного воздействия на окружающую среду и здоровье населения без масштабных клинических биомедицинских исследований [12]. Интерпретация полученных результатов позволяет оценить социально-экономическую эффективность планируемых технических, технологических, административно-хозяйственных и управленческих решений в промышленном развитии региона и управлении охраной окружающей среды.
Библиографические ссылки
1. Звездина Н. В., Иванова Л. В. Ожидаемая продолжительность жизни в России и факторы, влияющие на нее // Вопросы статистики. 2015. № 17. С. 10-20.
2. Прохоров Б. Б., Горшкова И. В., Тарасова Е. В. Условия жизни населения и общественное здоровье // Проблемы прогнозирования. 2003. № 5. С. 127-139.
3. Сугак Е. В. Современные методы оценки экологических рисков // European Social Science Journal. 2014. Т. 2, № 5. С. 427-433.
4. Сугак Е. В. Инвестиционная привлекательность и социально-экологические риски Красноярского края // Наука Красноярья. 2017. Т. 6, № 4-2. С. 146-151.
5. Проектирование коллективов нейросетевых предикторов экологического состояния города самоконфигурируемыми эволюционными алгоритмами / Д. И. Хритоненко [и др.] // Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014). Кемерово, 2014. С. 438-439.
6. Автоматическое генерирование нейросетевых моделей в задаче прогнозирования уровня заболеваемости населения / Д. И. Хритоненко [и др.] // XIV Национальная конф. по искусственному интеллекту (КИИ-2014). Казань, 2014. С. 276-285.
7. Решение задачи прогнозирования экологического состояния города нейроэволюционными алгоритмами / Д. И. Хритоненко [и др.] // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137-142.
8. Mathematical Advances Towards Sustainable Environmental Systems / J. N. Furze [et al.]. Springer International Publ., 2017. 355 p.
9. Сугак Е. В., Окладникова Е. Н. Прикладная теория случайных процессов. Основные положения и инженерные приложения. Красноярск : СибГАУ. 2006. 168 с.
10. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М. : Горячая линия-Телеком, 2002. 382 с.
11. Красноярский край в цифрах 2015. Статистический сборник. Красноярск : Красноярскстат, 2016. 105 с.
12. Потылицына Е. Н., Сугак Е. В. Оценка социально-экологических рисков населения с использованием искусственных нейронных сетей // Экологический риск : материалы IV Всерос. науч. конф. Иркутск, 2017. С. 325-327.
References
1. Zvezdina N. V., Ivanova L. V. Ozhidaemaya prodolzhitel'nost' zhizni v Rossii i faktory, vliyayushchie na nee // Voprosy statistiki. 2015. Vol. 17. P. 10-20.
2. Prokhorov B. B., Gorshkova I. V., Tarasova E. V. Usloviya zhizni naseleniya i obshchestvennoe zdorov'e // Problemy prognozirovaniya. 2003. Vol. 5. P. 127-139.
3. Sugak E. V. Sovremennye metody otsenki eko-logicheskikh riskov // European Social Sci-ence Journal.
2014. Vol. 2, Iss. 5. P. 427-433.
4. Sugak E. V. Investitsionnaya privlekatel'nost' i sotsial'no-ekologicheskie riski Kras-noyarskogo kraya // Nauka Krasnoyar'ya. 2017. Vol. 6, Iss. 4-2. P. 146-151.
5. Proektirovanie kol-lektivov neyrosetevykh prediktorov ekologicheskogo sostoyaniya goroda samokonfiguriruemymi evolyutsionnymi algoritmami / D. I. Khritonenko [et al.] // Informatsionno-telekom-munikatsionnye sistemy i tekhnologii (ITSiT-2014). Kemerovo, 2014. P. 438-439.
6. Avto-maticheskoe gene-rirovanie neyrosetevykh modeley v zadache prognozirovaniya urovnya zabolevae-mosti nasele-niya / D. I. Khritonenko [et al.] // XIV Natsional'naya konferentsiya po iskusstvennomu intellektu (KII-2014). Kazan', 2014. P. 276-285.
7. Reshenie zadachi prognozirovaniya ekologicheskogo sostoyaniya goroda neyroevolyutsionnymi algoritmami / D. I. Khritonenko [et al.] // Vestnik SibSAU.
2015. Vol. 16, Iss. 1. P. 137-142.
8. Mathematical Advances Towards Sustainable Environmental Systems / J. N. Furze [et al.]. Springer International Publishing, 2017. 355 p.
9. Sugak E. V., Okladnikova E. N. Prikladnaya te-oriya sluchaynykh protsessov. Osnovnye po-lozheniya i inzhenernye prilozheniya // Krasnoyarsk : SibSAU. 2006. 168 p.
10. Kruglov V. V., Borisov V. V. Iskusstvennye ney-ronnye seti. Teoriya i praktika. M. : Goryachaya liniya-Telekom, 2002. 382 p.
11. Krasnoyarskiy kray v tsifrakh 2015. Statisti-cheskiy sbornik. Krasnoyarsk : Krasnoyarskstat, 2016. 105 p.
12. Potylitsyna E. N., Sugak E. V. Otsenka sotsial'no-ekologicheskikh riskov naseleniya s ispol'zovaniem iskusstvenykh neyronnykh setey // Ekologicheskiy risk : mat. IV Vseros. nauch. konf. Irkutsk, 2017. P. 325-327.
© Потылицына Е. Н., Сугак Е. В., 2017
