Выбор приоритетных направлений инвестирования экологических программ с помощью кластерного анализа

Экономический кризис 90-х годов отодвинул проблемы экологии земельного фонда на далекую перспективу. Однако реальная экологическая ситуация требует незамедлительной разработки илвестиционньгх программ с целью снижения негативных последствий загрязненности почвенного покрова для окружающей среды в целом и для населения, в частности.

Атмосферные выбросы городских предприятий загрязняют не только почвы городов, но и прилегающие к ним зоны, где интенсивно ведется сельскохозяйственное производство. Поэтому возникает вопрос о качестве продукции растениеводства и животноводства, получаемой на этих сельхозугодиях.

Проведенные исследования по оценке содержания тяжелых металлов в почвах пригородных территорий в радиусе 10км от городской черты в зонах влияния ряда крупных про-мышленно-индустриальных центров Беларуси — Минска, Могилева и Гомеля — позволили выявить тесную прямую корреляционную зависимость между содержанием тяжелых металлов в почвах городов и пригородных территорий в радиусе до 10 км.

В условиях ограниченности финансовых ресурсов, отводимых на цели экологии, возникает вопрос о выборе приоритетных направлений этих вложений.

Существующая практика инвестирования сводится к аддитивной оценке ситуации, при которой не учитывается вариация зональных признаков, что усложняет принятие решений. Выбор критерия наиболее рациональных направлений финансирования можно упростить, используя один из методов многомерного исследованиякластерный анализ. Проведение его предполагает выполнение работ по трем основным этапам:

  1. предварительной обработки исходной информации;
  2. классификации объектов наблюдения;
  3. анализ результатов кластергоации данных. На предварительном этапе решаются такие задачи, как отбор информативных признаков и сбор данных; нормирование исходных данных; выбор меры близости между объектами наблюдения и алгоритма классификации.

При проведении кластерного анализа отбор информативных признаков осуществляется на логической или аналитической основе ограниченного их числа, позволяющего получить полное представление об изучаемом объекте.

Выбор меры близости между объектами основывается на представлении каждого объекта наблюдения в виде точки Евклидового пространства. Расстояние между объектами измеряется с помощью некоторых «метрик», отражающих длину отрезка между отдельными точками геометрического пространства.

Поскольку одним из наиболее значимых факторов загрязнения почвенного покрова в пределах городов и промышленных зон являются атмосферные выбросы городских предприятий, нами был проведен кластерный анализ по условным данным 40 городов. Классификация проводилась по уровню содержания тяжелых металлов и других ингредиентов в почвах отобранных городов. В качестве метрики сходства было выбрано евклидово расстояние.

Проведение иерархических агломератив-ных процедур позволило проследить по шагам весь процесс образования кластеров и представить его в графическом виде.

При анализе дендрограммы иерархического кластерного анализа по схеме последовательного объединения объектов на основе евклидовой метрики были выявлены самые близкие территории и города. Например, самыми близкими на основе евклидовой метрики оказались города, объединение которых произошло на первом шаге, на расстоянии, равном 6,64. В дальнейшем объединение произошло на расстоянии 6,973 и т.д.

Так, пошагово объединяясь, образовались следующие кластеры: Кластер S1 — на 27 шаге на расстоянии 26,353. Кластер S2 — на 24 шаге на расстоянии 23,355. Кластер S3 — на 30 шаге, на расстоянии 26,959. Кластер S4 — на 31 шаге, на расстоянии 27,218.

Оставшиеся города присоединились к вышеупомянутым на очень большом расстоянии и их следует рассматривать, как отдельные кластеры.

В результате применения указанной методики были образованы кластеры:

  • а) включающие в себя группы конкретных городов: Кластер S1; Кластер S2; Кластер S3; Кластер S4;
  • б) состоящие из отдельно стоящих городов: Кластер S5; Кластер S6; Кластер S7; Кластер S8; Кластер S9.

Сравнивая средние значения уровня тяжелых металлов по кластерам, можно отметить, что самая высокая концентрация Cd в кластере S5. Для него среднее значение выше фонового на 54,3%.

Используя корреляционную зависимость содержания Cd в пригородных зонах от уровня содержания этого металла в городских почвах, рассчитываем теоретический уровень содержания этого металла для выделенных кластеров, воспользовавшись уравнением регрессии вида: у = -0,047 +0,55 Х.

Так, средний уровень содержания кадмия в пригодных зонах городов кластера S1 составит 0,28мг/кг, для кластера S2 — 0,23 мг/кг, S3 — 0,28, S4 — 0,25, S5 — 0,44, для кластера S6 это значение будет равно 0,32 мг/кг, S7 — 0,23, для кластеров S8 и S9 соответственно 0,11 и 0,18 мг/кг,.

Содержание цинка во всех кластерах значительно выше фонового уровня. Только в кластере S1, где самый низкий средний уровень содержания Zn, превышение фонового уровня составляет 34,1 %. Самый высокий коэффициент концентрации в кластере S6. Там он равен 446,5%. В остальных кластерах средний уровень превышает фоновый в 2-3,5 раза.

В кластере S6 содержание свинца выше фонового более чем в 3,2 раза и приближается к предельно допустимым нормам. Высокое содержание свинца в почве городов кластера S7 превышает фоновое значения более

В городах кластера S1 среднее содержание свинца почти равно фоновому. В кластере S2 средний уровень выше фонового на 28,0%, в кластере S3 -на80,5%, в S4-m47,6%. Не являются исключением кластеры S5, S8 и S9, для которых превышение фонового значения составляет, соответственно, 65,9%, 95,1% и 89,0%.

Самый высокий уровень концентрации никеля в кластере S6. Коэффициент концентрации Ni для этого кластера равен 228,9%, т.е. превышение фонового уровня составляет 2,289 раза. Самый низкий уровень содержания никеля характерен для кластера S 8, что соответствует превышению фона на 15,0%. Для остальных кластеров коэффициент концентрации никеля колеблется в пределах от 121,1% до 168,4%.

Для Мп характерен невысокий уровень содержания в почвах выделенных кластеров.

Содержание сульфатов в почвах обследуемых городов находится примерно на уровне фонового значения. Только в кластере S9 превышение фонового уровня содержания сульфатов составляет 66,3%; в кластере S7 он превышает на 24,4%. Для остальных кластеров характерен коэффициент концентрации сульфатов в диапазоне от 91,8% до 103,8%.

Содержание нитратов в почве большинства кластеров значительно ниже уровня фона.

Для определения наиболее загрязненного тяжелыми металлами, сульфатами и нитратами кластера был рассчитан средний коэффициент концентрации по всем ингредиентам.

Анализируя полученный результат, можно сделать вывод, что наиболее загрязненной является почва кластера S9, поскольку в среднем превышение фонового значения всех ингредиентов в нем составляет 35,5%.

Вторым по уровню загрязнения выступает кластер 86. Здесь среднее превышение фонового значения составляет 34,0%.

На третье место вышел кластер S7. Для него характерно превышение фонового уровня по всем ингредиентам в среднем на 33,8%.

Кластерный анализ позволил проанализировать состояние загрязнения почв и на его основе измерить вариацию признаков, выделив среди них наиболее актуальные.

Предлагаемый способ кластерного анализа на основе относительных метрик обладает рядом преимуществ по сравнению с аналогичными методами многомерных исследований. Он отличается простотой и надежностью вычислений при одновременной практической значимости, что продемонстрировало проведенное исследование.

При ограниченных финансовых ресурсах, предназначенных для экологических целей, данный метод позволит принять обоснованное решение в вопросах очередности вложения инвестиций для улучшения среды обитания населения и состояния почв в регионах страны.

Читайте также:

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *