Factors of ecologically oriented regional development (the Tyumen region case): system analysis

Введение

Фундаментальной научной задачей в ближайшей перспективе является преодоление противоречий между практикой управления пространственным развитием территории и возможностями, а также ограничениями окружающей природной среды в условиях глобального экологического кризиса. При этом следует отметить, что такое преодоление возможно на основе системного подхода к развитию территории. Системный подход к анализу регионального развития определяет выбор подхода и методов исследования [6, c.150; 7, c.316-319]. В методологии системного анализа значительную роль играет выбор факторов, которые будут оцениваться в процессе анализа и связи, между которыми будут изучены. Для полноты исследования обычно считается достаточной геотрионная модель, включающая три группы факторов: социальные, природные, экономические. Так, Н.Д. Матрусов и А.А. Чудин называют население, хозяйство и территорию важнейшими элементами анализа жизнедеятельности общества [10]. Эта трехчастная модель по своей концептуальной направленности совпадает с международной концепцией устойчивого развития [3, c.186; 1]. Лобковский В.А. и др. также считают важными элементами оценки регионального развития анализ агроклиматического и социально-экономического потенциала [6]. Системный анализ имеет целью выделение факторов, на основе которых возможно существенное ускорение социально-экономического развития.

Системный подход, в частности системный анализ, позволяет эффективно решать следующие фундаментальные проблемы:

- во-первых, исследовать элементы системы «общество – природа – хозяйство» (геотрион) как целостные и взаимосвязанные системы, их внутренние и внешние связи, а также переменные, влияющие на эти связи и развитие системы в целом, определить наиболее значимые индикаторы, отражающие изменения в системе;

- во-вторых, выявить свойства подсистем («общество», «природа», «хозяйство»), механизм формирования устойчивости подсистем, что является значимым фактором для функционирования и развития любой территории;

- в-третьих, определить условия максимальной эффективности, рассматриваемой системы в рамках экологичного развития региона;

- в-четвертых, смоделировать комплексный индикатор, отражающий состояние территории, и разработать механизмы и инструменты управления хозяйственной деятельностью для поддержания положительного баланса между биоемкостью и экологическим следом.

На сегодняшний день существует набор индикатор/показателей, характеризующих экономическое развитие, которые не отражают связь экономической сферы с экологическим состоянием территории и социальными процессами. Между тем, развитие любой территории зависит от того, как население осуществляет хозяйственную деятельность на данной территории. Мы предлагаем подход к анализу территориального развития на основе концепции эколого-ориентированного развития – «Зеленый регион». Под понятием «Зеленый регион» мы понимает регион, в котором происходит эколого-ориентированное развитие, т.е. экономический рост на фоне роста природного капитала и благополучия населения [2, с.36]. Проводя комплексное исследование, мы исходим из понятия системы, как совокупности взаимосвязанных элементов, объединенных единством цели и функциональной целостностью, подразумевающей, что свойство самой системы не будет сводиться к сумме свойств её элементов. Эмерджентность системы подразумевает, что изменение любого ее элемента будет иметь воздействие на другие элементы и приведет к изменению всей системы в целом [5, c. 169]. В системном анализе является целесообразным и обоснованным при оценке лимитирующих и стимулирующих физико-географических и экономико-географических факторов регионального развития использование SWOT-анализа, моделирования [8], корреляционного и регрессионного анализа [9], кросс-факторного моделирования [4] и других методов.

Цель статьи состоит в системном анализе природных, экономических и социальных показателей, с выделением ключевых факторов эколого-ориентированного регионального развития Тюменской области.

Для определения наиболее значимых факторов в эколого-ориентированном развитии региона, а также характера их взаимосвязи и взаимовлияния использовались методы корреляционного и регрессионного анализа, которые позволяют смоделировать в первом приближении модель «зеленого региона», в которой экономический рост сопровождается ростом природного капитала и благополучия населения региона.

Материалы и методы

В рамках исследования проводился анализ данных, полученных из официальных статистических отчетов Росстата по Тюменскому району, при этом данные отчетов заносились также в базу веб-сервиса «Зелёный регион» (Свидетельство о регистрации программы для ЭВМ 2022611694, 31.01.2022. Заявка № 2021682023 от 27.12.2021) для дальнейшего комплексного исследования через призму геотриона (Территория-Хозяйство-Население). В общей сложности были проанализированы 43 параметра, охватывающих экологическую, экономическую и социальную сферы.

Корреляционный анализ осуществлялся в несколько этапов: первоначально была построена матрица с учётом всех предполагаемых факторов влияния на развитие Тюменского региона, затем матрица для более удобного визуального восприятия была перестроена с учётом только тех факторов, для которых установлена корреляция (Рисунок 1, 2). Все расчёты производились в среде R 4.2.1 с использованием пакетов «readxl» и «corrplot». Для определения статистической значимости применялся непараметрический критерий Спирмена при уровне значимости p<0,05. Наличие связи обозначено цветом (градации синего цвета отображают прямую корреляцию, градации красного – обратную). Чем ближе цвет к тёмно-синему или темно-красному, тем связь сильнее.

Рисунок 1. Первоначальная матрица сопряженности

Источник: составлен автором на основе анализа данных

Рисунок 2. Перестроенная матрица с учётом установленных связей между факторами влияния

Источник: составлен автором на основе анализа данных

Также была построена корреляционная матрица с числовым отображением силы связи: чем ближе значение к 1, тем связь сильнее, в случае прямой связи – значение положительное, в случае обратной – отрицательное (рисунок 3).

Рисунок 3. Корреляционная матрица с числовым отображением силы связи между факторами влияния

Источник: составлен автором на основе анализа данных

Завершающим этапом корреляционного анализа стала трансформация матрицы сопряженности для группирования факторов влияния с прямым и обратным характером связей. Размер и цвет кругов отображает силу и тип связи, прямоугольниками в матрице выделены группы факторов с прямой корреляцией. Связи, для которых уровень значимости (p-value) в рамках непараметрического теста Спирмена превышал значение 0.05, на рисунке перечеркнуты (Рисунок 4).

Рисунок 4. Перестроенная корреляционная матрица с группировкой

Источник: составлен автором на основе анализа данных

Установленные межфакторные связи были визуализированы с помощью ориентированного графа. Построение графа также осуществлялось в несколько шагов с помощью бесплатных графических редакторов (https://programforyou.ru/graph-redactor, графические объекты в MS Word): первоначально был построен неориентированный граф, отображающий все связи, установленные в рамках непараметрического теста Спирмена, затем к графу применялась экспертная оценка для определения направлений связей, косвенных зависимостей, зависимых факторов и факторов, оказывающих влияние на зависимые (стрелки направлены от независимых факторов – к зависимым; синие стрелки разных оттенков показывают положительные корреляционные связи, красные стрелки – показывают отрицательные корреляционные связи, пунктирные синие и красные стрелки показывают косвенные корреляционные связи и требуют поиска прямых зависимостей; толщина стрелок отражает тесноту связей между показателями) (Рисунок 5-6).

Рисунок 5. Первоначальный неориентированный граф, отображающий связи, установленные с помощью непараметрического критерия Спирмена

Источник: составлен автором на основе анализа данных

Рисунок 6. Модифицированный ориентированный граф после применения экспертной оценки для анализа первоначального графа

Источник: составлен автором на основе анализа данных

На основании результатов проведенного корреляционного анализа был построен ряд регрессионных моделей, при этом учитывались все факторы, даже для которых не была установлена корреляционная связь, т.к. в регрессионном анализе имеют место более сложные и неявные связи, которые могли быть пропущены в рамках корреляционного анализа. Регрессионный анализ проводился в среде R 4.2.1 с помощью функций lm(), AIC(), shapiro.test(residuals()), для анализа качества построенных моделей применялись скорректированный коэффициент детерминации R2 (чем больше значение, тем лучше модель описывает данные), тест Акаике (чем лучше модель описывает данные, тем меньше значение теста), t-тест (анализ статистической значимости коэффициентов уравнения регрессии), тест Шапиро-Уилка (позволяет проверить нормальность распределения остатков), F-статистика (позволяет проверить значимость уравнения регрессии) при p-value<0.05 (уровень статистической значимости).

В частности, была построена модель, описывающая влияние факторов геотриона на Лесистость территорий. Первоначально модель строилась с учётом только тех показателей, для которых подтвердился корреляционный тест – Численность населения и Площадь с/х угодий. Точность модели (скорректированный коэффициент детерминации) составила R2 = 59% (фактические и предсказанные моделью данные совпадают на 59%). Затем к модели был добавлен параметр Выбросы, и точность модели повысилась до 97%. Далее в модель был добавлен фактор Затраты на ООС (охрану окружающей среды), что привело к сохранению точности модели = 97%. Итоговое уравнение регрессии примет вид:

Lesistost_terr = -486.5 + 0.002992 * Chisl_nas + 0.001973 * S_sh_ugodii - 0.6232 * Vibrosi - 0.00001722 * OOC

Было принято решение остановиться на включении 5 факторов влияния в итоговое уравнение регрессии, т.к. аналогичный опыт исследователей указывает на снижение качества и точности модели при увеличении независимых показателей [11].

Также высокую точность показала модель для определения Лесистости территорий с учетом Отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (без субъектов малого предпринимательства), средняя численность работников которых превышает 15 человек, по фактическим видам экономической деятельности (с 2017 года). Фактические и предсказанные моделью данные совпадают на 99,8%. Регрессионная модель:

Lesistost_terr = 21.43 - 0.00006116 * Chisl_nas + 0.000163 * S_sh_ugodii + 0.0000004665 * Otgrug

Кроме этого, была построена регрессионная модель, описывающая изменения количества Отгруженных товаров (R2=78,4%). В качестве факторов влияния рассматривались Численность населения, Вывезенные за год твердые коммунальные отходы, Прирост населения:

Otgrug = 987 800 - 64.02 * Chisl_nas + 91 330 * Viv_za_god_tv_komm_oth + 11 050 * Prirost

В уравнение регрессии также был добавлен параметр ООС, что привело к снижению точности модели (R2=70%):

Otgrug = - 40 530 000 + 480 * Chisl_nas + 30 380 * Viv_za_god_tv_komm_oth + 14.24 * OOC

Дальнейшие поиски независимых факторов-кандидатов для включения в построенные уравнения регрессии, приводили к уменьшению коэффициента детерминации и общему снижению качества моделей.

Таблица 1. Описание регрессионных моделей зелёной трансформации Тюменского региона

Результаты

Модели (1) и (2) описывают влияние факторов на Лесистость территорий. Уравнение регрессии (1) можно интерпретировать следующим образом:

- Увеличение Численности населения на 1 приводит к увеличению Лесистости территорий на 0.002992.

- Увеличение Площади с/х угодий на 1 приводит к увеличению Лесистости территорий на 0.001973.

- Увеличение Выбросов на 1 приводит к уменьшению Лесистости территорий на 0.6232.

- Увеличение Затрат на ООС на 1 приводит к уменьшению Лесистости территорий на 0.00001722.

Интерпретация для Модели (2):

- В рамках данной модели увеличение Численности населения на 1 приводит к уменьшению Лесистости территорий на 0.00006116.

- Увеличение Площади с/х угодий на 1 приводит к увеличению Лесистости территорий на 0.000163.

- Увеличение Отгруженных товаров на 1 приводит к увеличению Лесистости территорий на 0.0000004665.

Модели (3) и (4) описывают изменение величины Отгруженных товаров. Согласно уравнению регрессии (3):

- Увеличение Численности населения на 1 приводит к уменьшению Отгруженных товаров на 64.02.

- Увеличение Вывезенных за год твердых коммунальных отходов на 1 приводит к увеличению Отгруженных товаров на 91 330.

- Увеличение Естественного прироста населения на 1 приводит к увеличению Отгруженных товаров на 11 050.

Интерпретация для Модели (4):

- Увеличение Численности населения на 1 приводит к увеличению Отгруженных товаров на 480.

- Увеличение Вывезенных за год твердых коммунальных отходов на 1 приводит к увеличению Отгруженных товаров на 30 380.

- Увеличение Затрат на ООС на 1 приводит к увеличению Отгруженных товаров на 14.24.

Наибольшую точность по сравнению со всеми моделями, показала Модель (2):

Lesistost_terr = 21.43 - 0.00006116 * Chisl_nas + 0.000163 * S_sh_ugodii + 0.0000004665 * Otgrug

Построенная модель обладает наибольшим скорректированным коэффициентов детерминации R2=99,8%, наименьшим значением теста Акаике=-20,25 и уровнем статистической значимости уравнения регрессии (F-тест) p-value=0.02777 (<0,05). Таким образом, можно говорить о высокой точности построенной регрессионной модели.

Дискуссия

Для построения ориентированного графа методом экспертных оценок были установлены направления связей между включёнными в корреляционный анализ факторами. Были выявлены три типа связей между факторами: прямые связи, двухсторонние связи и опосредованные связи.

Часть связей очевидна и вытекает из формул расчёта определенных коэффициентов. Так, например, коэффициент демографической нагрузки вычисляется как отношение численности нетрудоспособного населения к численности трудоспособного населения. Среди трудоспособного населения основную налоговую нагрузку несут именно люди, работающие в различных сферах, то есть занятое население. Поэтому чем больше количество занятых, тем ниже демографическая нагрузка и наоборот, что показывает для Тюменского района и корреляционный анализ и матрица сопряженности по этим двум показателям. Другой пример – направления связи между медианным возрастом и численностью занятых или медианным возрастом и коэффициентом демографической нагрузки. Так как, и занятость населения, и связанный с ней коэффициент демографической нагрузки тесно связаны с возрастным составом населения, соответственно возраст, в том числе медианный будут оказывать на них влияние (Медианный возраст – это значение возраста, количество людей моложе и старше которого находятся в соотношении 50% на 50%). Поэтому рост медианного возраста приведет к снижению количества занятых, так как увеличивается численность более старшего возраста и закономерно повышается коэффициент демографической нагрузки (рисунок 7-8).

Рисунок 7. Динамика трудоспособного и нетрудоспсобного населения Тюменского муниципального района

Источник: составлен автором на основе анализа данных

Рисунок 8. Динамика коэффициента демографической нагрузки Тюменского муниципального района

Источник: составлен автором на основе анализа данных

Часть связей двусторонние, то есть оба фактора (показателя) могут оказывать друг на друга определенное воздействие, исходя из характера их взаимоотношений. Примером, является взаимосвязь между лесистостью территории и площадью сельскохозяйственных угодий, площадью сельскохозяйственных угодий и площадью особо охраняемых природных территорий (ООПТ). Так как площадь земельного фонда величина постоянная (если не меняются границы муниципального образования), а территория Тюменского района относится к лесной зоне, господствующим типом растительности здесь являются леса, за исключением нарушенных территорий (пашен, пастбищ, населенных пунктов, объектов инфраструктуры, территорий, занимаемых водными объектами и т.д.). Следовательно, рост лесистости, то есть доли территории занятой лесными насаждениями, должен закономерно приводить к сокращению других категорий земель, чаще всего это или земли Гослесфонда, восстанавливающийся после рубок и пожаров или сельскохозяйственные земли, не используемые в настоящее время по назначению и на которых происходит возобновление лесных экосистем. Следовательно, рост лесистости будет приводить к сокращению площади сельхозугодий. Особенность Тюменского района еще и в том, территория муниципального района испытывает на себе первые признаки субурбанизации (расширения площади городов за счет переезда части населения в пригороды), чему не мало способствует, то что практически все леса на его территории были включены в «зеленый» пояс города Тюмени и развитая дорожно-транспортная инфраструктура, позволяющая быстро доехать до города и позволяющая осуществлять маятниковые миграции (утром из района в город на работу и учебу, вечером из города в район). Исходя из этого следует ожидать связь показателя лесистости и площади сельхозугодий с показателями развития инфраструктуры и капитального строительства, не рассматривавшийся нами на данном этапе исследования.

Что касается площади особо охраняемых природных территорий (ООПТ), то взаимозависимость этого показателя с показателем площади сельхозугодий не так очевидна, но для Тюменского района показывает высокие значения корреляции. Большинство ООПТ Тюменской области – это заказники, территории которых могут включать и населенные пункты и территории, используемые как сельскохозяйственные угодья, но на территории заказников, как и других форм ООПТ действуют определенные ограничения, которые могут приводить к снижению интенсивности сельскохозяйственного использования земель и, как следствие, сокращению площади сельхозугодий, зарастанию их лесом. В то же время, рост площади сельскохозяйственных угодий, освоение заброшенных ранее сельхозугодий будет ограничивать возможности создания новых особо охраняемых природных территорий. Это будет зависеть также от приоритетных направлений дальнейшего развития территории района. В настоящее время наблюдется рост площади ООПТ, лесистости территории и сокращение на их фоне площади сельхозугодий.

Но есть также неочевидные зависимости, прямую связь между которыми, несмотря на полученные коэффициенты корреляции обнаружить сложно, а иногда и невозможно. В этом случае необходим поиск других прямодействующих факторов, через которые это неочевидная связь может проявиться. Это особенно касается связей между социально-экономическими показателями и показателями, характеризующими состояние природной среды. Например, корреляционный анализ и матрица сопряженности показывают положительную корреляцию между лесистостью территории и коэффициентом демографической нагрузки, то есть рост лесистости в Тюменском районе сопровождается ростом коэффициента демографической нагрузки. В этом случае необходимо более подробно изучить возрастную структуру населения и причины, вызвавшие рост того и другого показателя. Согласно данным официальной статистики, в Тюменском районе за последние десять лет действительно наблюдается рост доли населения нетрудоспособного возраста, причем доля людей старше трудоспособного возраста в настоящее время превышает долю людей моложе трудоспособного возраста, даже несмотря на выросший за это время в связи с пандемией уровень смертности. Одним из главных факторов является миграционный прирост. Людей пенсионного возраста переезжает в Тюменский район больше, чем семей с детьми. Это закономерно повышает коэффициент демографической нагрузки и снижает долю занятого населения. С одной стороны, сокращение доли занятого населения может влиять на возможности освоения сельхозугодий и их зарастанию лесными насаждениями. С другой стороны, рост людей пенсионного возраста в Тюменском районе может быть связан с тем, что его территорию люди рассматривают как наиболее комфортную и экологически благополучную, в связи с высокой площадью, занятой лесами, и включением их в «зеленый» пояс города Тюмени. То есть, корреляционный анализ и построение ориентированных графов выявил запрос на выяснение мотивации населения при переезде в сельские поселения Тюменского района и более глубокое изучение изменения экспликации земель.

Выводы

Таким образом, нами были изучены связи между основными факторами регионального развития на основе корреляционного и регрессионного анализа. На основе данных Веб-сервиса “Зеленый регион” была установлена связь факторов, определяющих состояние элементов геотриона (территория, хозяйство, население), с процессами развития региона. На основе полученных данных построена матрица сопряженности, отражающая наличие или отсутствие связи между исследуемыми параметрами, а также отображающая силы установленных взаимосвязей. На основе матрицы сопряженности был построен ориентированный граф, демонстрирующий ь силы связей между изучаемыми факторами, а также направления этих связей. Затем были построены регрессионные модели, описывающие зависимости между наиболее значимыми факторами, проведен сравнительный анализ регрессионных моделей с точки зрения качества аппроксимации данных. Полученные модели позволяют описать существующую на сегодняшний день ситуацию в регионе и разработать управленческие решения по экологизации территории.

Кроме того, проведённый корреляционный анализ, дополненный экспертной оценкой направлений причинно-следственных связей, позволил выявить недостатки в качестве и количестве имеющейся информации, для построения корректной модели, определить дальнейшие направления поисков дополнительных факторов, формирующих именно такие зависимости между интегральными показателями развития. Корреляционный анализ позволил определить взаимовлияющие факторы для дальнейшего построения регрессионной модели «зеленой» трансформации региона.

Полученная модель может выступить инструментом управления: факторы и соответствующие им коэффициенты дают понимание, на что и в каком соотношении необходимо оказывать влияние, чтобы достичь нужного эффекта и не нарушить баланс геотриона (социальные, экономические и экологические составляющие). Такой подход к принятию управленческих решений позволит реализовать концепцию «зеленого» региона на любой территории.