CC BY
35УДК 504.03
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.
EVALUATION AND FORECASTING OF 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.
Ожидаемая продолжительность жизни (ОПЖ) при рождении служит общепризнанным индикатором качества жизни и здоровья населения [1].
Прогноз этого показателя является весомым элементом в управлении общественными процессами, он необходим для анализа перспектив развития различных сфер, включая экологическую обстановку в регионе. Однако существующие методы оценки и прогнозирования влияния экологических факторов на состояние здоровья и ожидаемую продолжительность жизни населения 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 [2; 3].
Для прогнозирования исследуемого показателя был выбран современный метод интеллектуального анализа данных - искусственные нейронные сети (ИНС) [4]. Для построения нейросетевой модели использовалась свободно распространяемая программа
№шгоРго [5]. В качестве входных параметров для обучения ИНС использовались данные о массе выбросов загрязняющих веществ, выходных - данные об ожидаемой продолжительности жизни с 1991 по 2016 гг. (см. таблицу) [6].
Обучение нейронной сети проводилось на данных с 1991 по 2013 гг.
Данные за 2014-2016 гг. использовались для проверки прогностических возможностей ИНС. Средняя относительная ошибка аппроксимации составила 0,72 %, средняя ошибка прогноза - 3,16 % (см. таблицу).
Наиболее значимыми из исследуемых параметров являются общие объемы выбросов от стационарных источников и автотранспорта, а также объемы выбросов бенз(а)пирена, формальдегида, хлора, взвешенных веществ, диоксида серы, оксида углерода и аммиака.
Анализ полученные результатов свидетельствует, что применение нейросетевых технологий для решения прикладных социально-экологических задач является перспективным направлением исследований [2; 3; 7].
Исследование выполнено при финансовой поддержке РФФИ в рамках проекта № 18-413-240001.
Объемы выбросов загрязняющих веществ в атмосферу и ожидаемая продолжительность жизни населения Красноярского края
Год Выбросы от стационарных источников (тыс. т) Выбросы от автотранспорта (тыс. т) Бенз(а) пирен (т) Фенол (т) Фор- маль де-гид (т) Диоксид азота (т) Фтористый водород (т) Серо-водород (т) Серо-углерод (т) Хлор (т) Взвешенные вещества (т) Диоксид серы (т) Оксид углерода (т) Аммиак (т) ОПЖ (лет) Расчет ОПЖ (лет)
1991 3185,1 324,8 3,0 83,0 46,0 81660 1974,0 1443,0 3708,0 327,0 281734 2569517 161075 129,0 66,1 66,0
1993 2498,8 527,8 5,4 59,8 46,3 73219 1882,8 1227,1 2578,7 268,5 197061 2002478 143566 133,0 62,9 63,3
1994 2414,5 271,9 5,4 33,3 34,2 65639 1614,6 769,6 1593,8 232,4 197061 1972367 142826 124,2 61,1 61,6
1995 2505,9 261,4 4,0 25,0 21,0 66900 1637,0 741,0 1582,0 188,0 179400 2070268 143529 125,0 62,3 61,9
1996 2610,9 203,2 4,0 26,0 20,0 72950 1668,0 85,0 1252,0 173,0 184114 2135707 174925 103,0 63,5 63,5
1997 2670,8 151,6 4,0 7,0 31,0 67500 1653,0 498,0 1114,0 62,0 175400 2221400 157400 425,0 64,4 63,5
1998 2617,1 166,8 4,0 6,0 35,0 70315 1154,0 377,0 1004,0 62,0 164659 2186679 148784 467,0 63,0 63,4
1999 2644,2 174,5 3,0 11,0 38,0 69565 752,0 375,0 844,0 51,0 169850 2220597 133637 614,0 63,1 63,2
2000 2640,4 192,0 2,0 14,0 43,0 74262 685,0 313,0 666,0 77,0 175496 2206347 135022 739,0 62,5 63,2
2001 2562,6 207,9 2,2 13,0 43,0 59354 691,0 61,0 66,0 38,0 142307 108538 118802 552,0 63,0 63,2
2002 2458,1 164,8 2,0 19,0 49,0 59849 708,0 91,0 210,0 41,0 134359 99295 117941 501,0 63,0 63,3
2003 2462,3 176,8 2,0 19,4 43,5 61593 676,0 137,2 178,4 40,6 138805 99846 120196 1114,9 62,7 63,2
2004 2528,8 167,8 2,4 18,0 45,0 59655 1104,0 139,0 2,0 26,0 136520 99119 145201 983,0 63,6 63,5
2005 2521,4 175,5 3,0 25,0 50,0 80600 1080,0 220,0 3,0 28,0 141300 2073150 159750 860,0 63,1 63,8
2006 2466,1 295,3 2,0 30,0 50,0 66900 1000,0 230,0 3,0 250,0 148710 2050860 151010 800,0 65,6 64,8
2007 2509,6 345,2 2,0 28,0 47,0 78600 900,0 190,0 3,0 52,0 149990 2070560 157480 710,0 66,6 67,2
2008 2478,6 407,7 3,0 33,0 53,0 93200 820,0 190,0 4,0 54,5 146840 2046880 140180 640,0 66,9 67,7
2009 2433,3 382,0 2,0 23,0 46,0 82500 740,0 90,0 4,0 14,0 124300 2025470 135540 590,0 67,5 66,7
2010 2480,2 406,6 3,0 25,0 71,0 109040 730,0 144,0 4,0 34,0 138052 2009320 183239 450,0 67,6 68,3
2011 2516,8 428,0 2,2 26,1 70,1 98200 708,1 128,4 4,1 26,7 133900 2034700 199800 478,8 68,3 68,3
2012 2582,7 446,8 2,2 20,8 70,5 93900 702,2 126,2 3,8 35,7 140000 2035300 244000 350,4 68,4 68,9
2013 2497,3 313,0 1,8 19,4 58,8 94200 631,7 126,0 3,1 33,9 115600 1983500 243700 367,1 69,1 68,9
2014 2355,8 236,2 1,8 20,0 60,5 88900 629,5 108,1 0 31,6 112700 1894600 201600 384,3 69,2 68,8
2015 2475,9 253,2 4,0 16,0 66,0 90300 621,2 102,3 0 42,9 124200 1961100 226000 398,2 69,7 69,1
2016 2363,3 269,0 7,0 16,9 60,8 92600 646,0 136,7 3,3 21,7 115400 1860100 229800 361,8 70,0 69,3
Библиографические ссылки
1. Прохоров Б. Б., Горшкова И. В., Тарасова Е. В. Условия жизни населения и общественное здоровье // Проблемы прогнозирования. 2003. № 5. С. 127-139.
2. Сугак Е. В. Современные методы оценки экологических рисков // European Social Science Journal. 2014. Т. 2, № 5. С. 427-433.
3. Сугак Е. В. Инвестиционная привлекательность и социально-экологические риски Красноярского края // Наука Красноярья. 2017. Т. 6, № 4-2. С.146-151.
4. Сугак Е. В., Окладникова Е. Н. Прикладная теория случайных процессов. Основные положения и инженерные приложения / Сиб. гос. аэрокосмич. ун-т. Красноярск, 2006. 168 с.
5. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М. : Горячая ли-ния--Телеком, 2002. 382 с.
6. Красноярский край в цифрах -- 2015 / Красно-ярскстат. Красноярск, 2016. 105 с.
7. Потылицына Е. Н., Сугак Е. В. Оценка социально-экологических рисков населения с использованием искусственных нейронных сетей // Экологический риск : материалы IV Всероссийской научной конф. Иркутск 2017. С. 325-327.
References
1. Prokhorov B. B., Gorshkova I. V., Tarasova E. V. [Living conditions and public health] / Problemy prog-nozirovaniya. 2003. Vol. 5. P. 127-139.
2. Sugak E. V. Sovremennye metody otsenki eko-logicheskikh riskov // European Social Science Journal. 2014. Vol. 2, № 5. P. 427-433.
3. Sugak E. V. Investitsionnaya privlekatel'nost' i sotsial'no-ekologicheskie riski Krasnoyarskogo kraya // Nauka Krasnoyar'ya. 2017. Vol. 6, № 4-2. P. 146-151.
4. Sugak E. V., Okladnikova E. N. Prikladnaya teoriya sluchaynykh protsessov. Osnovnye po-lozheniya i inzhenernye prilozheniya [Applied theory of random processes.]. Krasnoyarsk, SibGAU. 2006. 168 p.
5. Kruglov V. V., Borisov V. V. Iskusstvennye neyronnye seti. Teoriya i praktika [Artificial neural networks. Theory and practice]. Moscow, Goryachaya liniya-Telekom, 2002. 382 p.
6. Krasnoyarskiy kray v tsifrakh - 2015. Statistiches-kiy sbornik. Krasnoyarsk : Krasnoyarskstat, 2016. 105 p.
7. Potylitsyna E. N., Sugak E. V. [Assessment of social and environmental risks of the population using artificial neural networks]. Ekologicheskiy risk. Mat. IV Vserossiyskoy nauchnoy konf. Irkutsk. 2017. P. 325-327. (In Russ.)
© norajiH^ma E. H., CyraK E. B., 2018
