Complex (cluster) zoning of cities of Penza region on the basis of ecological and economic indicators of the territory

Введение. Современные территории городов являются сложной экономической, социальной и хозяйственной системой, обладающими ограниченными земельными ресурсами, которые требуют эффективного и грамотного управления. Это тем более значимо, что в Российской Федерации 75% населения проживают в городах, а в Пензенской области данный показатель составляет 61% [12]. Генеральный план города и правила землепользования и застройки создают условия для реализации, закрепленного в Градостроительном кодексе Российской Федерации принципа устойчивого развития городской территории. В этой связи необходим учет разнотипных факторов: природные условия, состояние экологии и др. Пространственные, природные, социально-экономические различия использования земель могут быть отражены с использованием системы зонирования территорий. В этой связи имеет смысл разработки эколого-экономических факторов и показателей, оказывающие влияние на экономическую и экологическую составляющую (природные, экономические, антропогенных и др.), что обуславливает актуальность рассматриваемой тематики.

К вопросам применения эколого-экономических факторов в системе управления земельными ресурсами обращались Алакоз В.В. [1] , Архипова И.В. [5], Варламов А.А. [8], Конокотин Н.Г. [16], Макаров О.А. [20], Мурашева А.А. [22], Носов С.И. [24], Потапова Е.В. [25], Цветнов Е.В. [30] и др. В диссертационном исследовании Ишамятовой И.Х. [13] была решена актуальная научная задача проведения эколого-экономической оценки земель населённых пунктов с учетом современных экологических и экономических требований в природопользовании. Автором была отмечена проблема «неэффективного использования экономических инструментов для оценки состояния земельных ресурсов и разработки мероприятий для наиболее полного использования их потенциала, учета экологических характеристик территории и сделан вывод, что решение данных проблем может быть достигнуто с помощью разработки методики эколого-экономической оценки земель на основе установленных репрезентативных показателей, оказывающих влияние на состояния и использования земель населенных пунктов» [12,13]. Д.В. Антропов [3,4] неоднократно обращался к решению вопросов теории и методологии зонирования территорий, отмечая, что сегодня «объективно существуют отдельные виды зонирования, отличающиеся между собой по целям, задачам и содержанию, назначению и способам формирования различных зон, содержанию их ограничений или запрещений» [3]. Современное российское законодательство, а также Анисимов А.П. [2], Ермаков С.О. [10], Иоселиани Н.А. [11], Липски С.А. [18,19], Мурашева А.А. [22], Носов С.И. [24], Потапова Е.В. [25], Сунгуров В.У. [28], Троценко В.М. [29] и др. в основном соотносят зонирование территорий с предметом установления особых правовых режимов использования (категоризации или видов). Данные вопросы были рассмотрены и решены в монографии Антропова Д.В., Варламова А.А. и Комарова С.И. [4], которая стала результатом выполненного исследования по гранту РФФИ № 18-010-01016 [1]. Авторы проанализировали современное состояние теории и практики зонирования в России, уточнили и дополнительно сформулировали теоретические положения зонирования территорий. Таким образом была сформулирована система видов зонирования территорий (рисунок 1).

Рисунок – Система видов зонирования территорий

Источник: составлено авторами на основе положений Антропова Д.В., Варламова А.А. и Комарова С.И. [3,4]

Антропов Д.В. [15], Долматова О.Н. [9], Комаров С.И. [14,15] отмечают, что «для целей управления земельными ресурсами имеет смысл разработки зонирования территории, в основу которого могли бы быть положены факторы, оказывающие влияние на систему управления земельными ресурсами региона». Единицами выступают объединенные группы территориальных образований – кластеры. При этом сегодня в науке и практике термин «кластеризация» трактуется не всегда однозначно: существует понимание кластера как территориального объекта, отражающего концентрацию определенных видов деятельности. Такого взгляда придерживаются Коокуева В.В. и Ю.С. Церцеил [17], Тарасенко Э.В. с соавторами [21]. А также кластеризация рассматривается как способ научного исследования, объединяющего несколько объектов из больших массивов данных в группы (комплексное (кластерное) зонирования территорий (рис.2).

Рисунок 2 – Общая характеристика комплексного (кластерного) зонирования территорий

Источник: составлено авторами с учетом положений [15]

Продолжая свои исследования и развивая вышеизложенные положения, авторы статьи пришли к мнению, что эколого-экономические показатели и факторы могут стать одним из ключевых составляющих при осуществлении комплексного (кластерного) зонирования территорий, в т.ч. могут и должны быть выделены в отдельную группу от ряда иных факторов (например, состояния учетно-регистрационной системы). Данное положение отражает новизну проводимого исследования. Таким образом гипотеза заключается в выявлении возможности осуществления комплексного (кластерного) зонирования территории на основе эколого-экономических показателей. Целью проводимого исследования является осуществление комплексного (кластерного) зонирования территорий на основе эколого-экономических показателей территорий на примере городов Пензенской области.

Методология. Ключевым элементом зонирования должен стать кластерный анализ, так как он позволяет выделить однородные по экологическим и экономическим показателям группы городов. Это позволяет региональным органам власти разработать стратегию устойчивого развития территорий, учитывая специфику каждой группы (привлечь инвестиции, направить политику на улучшение экологических условий, стимулировать деловую активность и т.д.). Этапы проведения кластерного эколого-экономического зонирования городов представлены на рис. 3

Рисунок 3 - Этапы проведения кластерного эколого-экономического зонирования городов

Источник: составлено авторами

В рамках данного исследования изучаются три вида кластеризации: путем построения древовидной модели, интервальное с использованием квалиметрического методологического подхода, методом k-средних.

Основная часть.

На примере городов Пензенской области осуществлено такое зонирование территорий. На территории области 11 городов, из которых 3 - областного значения (г. Пенза, г. Кузнецк, ЗАТО Заречный) и 8 городов районного значения (Белинский, Спасск, Сердобск, Никольск и др.). Для исследования используется количественные и качественные показатели мониторинга земель, показатели мониторинга состояния и загрязнения окружающей среды, атмосферного воздуха, радиационной обстановки, мониторинга водных объектов, основные экономические показатели региона и экономические инструменты регулирования использования земель. Кроме того, для анализа использовалась информация, представленная в Генеральном плане, в частности градостроительные ограничения (подтопление, заболачивание, эрозия, карстово-суффозийные процессы и др.). Зарастание древесно-кустарниковой растительностью, уровень озеленения и площадь оврагов оценивалось по Публичной кадастровой карте. Были также отобраны экономические показатели использования земель: кадастровая стоимость, арендные платежи, налоги, инвестиции, сумма земельных штрафов и плата за негативное воздействие на окружающую среду.

Таким образом весь массив данных можно разделить на три группы площадные показатели по видам использования, экологические и экономические. Из всего массива данных, характеризующих эколого-экономическое состояние и использование земель было выявлено около 50 показателей характерных для территории Пензенской области. При дальнейшем анализе было отобрано 32 показателя влияющих на состояние и использование земель городских территорий Пензенской области. При отборе показателей оценивалась доступность и объективность данных, наличие или отсутствие природных негативных процессов, уровень экономического развития. (таб.1).

Таблица 1 - Результаты отбора показателей для проведения кластерного эколого-экономического зонирования городов

Таблица 2 - Эколого-экономические факторы и система показателей, оказывающих существенное влияние на состояние и использование земельных ресурсов городов Пензенской области

Источник: составлено авторами по материалам Доклада о состоянии и использовании земель в Пензенской области, Государственного доклада о состоянии природных ресурсов и об охране окружающей среды Пензенской области

Таким образом стоит задача распределить города по однородным группам (кластерам), установить качественные взаимосвязи между группами городов с близкими значениями показателей. Определение количества кластеров осуществлялось по формуле Стёрджеса:

N = 1 + [log₂m] = 1+ [log₂11] = 5, (1)

где m – общее число наблюдений величины (количество городов Пензенской области -11).

Метод древовидной модели заключается в постепенном объединении данных и построении дендограммы. Предварительно стандартизируем исходные данные в целях устранения различий в единицах измерения показателей по следующей формуле:

z_i = (x_i – x_i1 ) /s , (2)

где z – стандартизированное значение i-го показателя, x_i – фактическое значение i-го показателя, x_i1 – среднее арифметическое значение i-го показателя, s - среднеквадратическое отклонение i-го показателя (корень квадратный из (∑^m _i=1(x_i – x_i1)² / m, m-число наблюдений или количество городов).

На первом этапе зонирования данным методом определяется мера сходства объектов или способ измерения расстояния между объектами, которая зависит от типа переменной и шкалы, к которой она относится объектами. Дистанция между двумя кластерами определяется как расстояние между самыми удалёнными друг от друга значениями наблюдений, причём каждое наблюдение берётся из своего кластера (евклидово расстояние). Считается, что на первом этапе каждый объект наблюдения входит в отдельный кластер. В дальнейшем города с наиболее похожими показателями поэтапно объединяются, образуя новые кластерные группы. Результаты расчета Евклидова расстояния между городами представлены в таб. 3.

Таблица 3 - Мера близости, определяемая евклидовым расстоянием

Значения в матрице расстояний расположены симметрично относительно диагонали. В верхней части отыскивается самое малое расстояние 2, 282, находящееся на пересечении 9 сроки и 12 столбца. Из этого следует, что г. Белинский и г. Спасск ближайшие соседи и их следует объединить в один кластер. Далее формируется новая матрица расстояний (12 строка и 12 столбец удаляются, в 9 строке записываются минимальные значения из 9 и 12 строк, вместо 12-го столбца минимальные значения из 9-го и 12-го столбцов). Далее процесс повторяется.

В графическом виде последовательность объединения кластеров представляется на дендограмме (строится по матрице мер близости) (рис. 2).

Рисунок 4 - Результаты кластерного зонирования городов Пензенской области методом древовидной модели (метод полной связи)

Источник : составлено авторами с использованием Statistica 12

В дендограмме по горизонтали отражаются все объекты наблюдений (города), а по вертикали результаты кластеризации. При числе кластеров N = 2 во второй войдет г. Пенза, в первый все остальные города (расстояние объединения равно 17,38). При N = 3 в первый войдет Сердобск, во второй - г. Нижний Ломов, г. Сурск, г. Городище, ЗАТО Заречный, г. Спасск, г. Белинский, г. Никольск, г. Каменка, г. Кузнецк, в третий – Пенза (расстояние объединения равно 6,58). При числе кластеров N = 5 (рассчитывалось ранее как наиболее приемлемой для данного количества городов) в первый войдет г. Пенза, второй – г. Сердобск, третий – г. Нижний Ломов, четвертый – г. Сурск, г. Городище, ЗАТО Заречный, пятый – г. Спасск, г. Белинский, г. Никольск, г. Каменка, г. Кузнецк (расстояние объединения равно 4,79).

В первый кластер входит областной центр г. Пенза, характеризующийся развитием отраслей промышленности, высокой антропогенной нагрузкой, высоким уровнем озеленения, развитым благоустройством и инфраструктурой. Большую площадь занимают земли под лесопарками, промышленностью, сельскохозяйственными угодьями и жилой застройкой. Выражены загрязнение почв, атмосферного воздуха и водных источников, заболачивание.

Второй кластер сельскохозяйственный, так как развиты земли сельскохозяйственного использования. Особо развиты эрозионные процессы и оползневые явления.

В третьем кластере одинаково развиты земли жилой застройки и земли сельскохозяйственного использования. Территория сильно расчленена овражно-балочной сетью, подвержена затоплению (подтоплению) паводковыми водами.

Четвертый это населенные пункты с незначительным развитием промышленности, сельского хозяйства, инфраструктуры и благоустройства. Развиты земли жилой индивидуальной малоэтажной застройки. Негативные процессы развиты слабо.

В пятом кластере наибольшее влияние на земли оказывают промышленные предприятия и транспорт.

Следующий рассматриваемый метод - интервальное зонирование с использованием квалиметрического подхода. Первоначально необходимо стандартизировать ранее отобранные данные. Принимаем за 100% сумму каждого показателя по всем городам и определяем их процентное соотношение. Суммируем все показатели в процентном выражении для каждого города и определяем размах вариации (R) по формуле:

R = X_max – X_min = 288,3 – 54,1 = 234,2, (3)

где X_max, X_min – максимальная и соответственно минимальная сумма показателей в процентном выражении для городов

Далее определяем шаг интервала (L) (по пятибалльной шкале):

L = R / 5, (4)

L = 234,2 / 5 = 78,1.

Границу шкалы определяем так, чтобы вошли максимальное и минимальное значения представлено на 4-х бальной шкале (рис. 3).

Рисунок 6 - Результаты кластерного зонирования городов Пензенской области интервальным методом с использованием квалиметрического методологического подхода

Источник: составлено авторами

Для применения метода k-средних необходимо задать некоторые условия (условий количество образуемых кластеров, порог завершения процесса классификации и т.д.). Далее из всех наблюдений выбираются эталонные точки, которым присваивается номер, который также соответствует номеру кластера. Далее проверяются оставшиеся наблюдения, которые присоединяются к тому центру (эталону), которому соответствует минимальное из расстояний (в нашем случае эвклидово расстояние). Эти наблюдения необходимо разбить на N кластеров (N=5). Алгоритм случайным образом из 11 городов назначает центры будущих кластеров (n=5). Каждому эталону присваивается порядковый номер, соответствующий порядковому номеру кластера. На первом шаге из оставшихся (m – n = 6) наблюдений извлекается точка Хi с координатами (x_i1 , x_i2 , ... , x_ik) и проверяется к какому из центров она ближе всего. Проверяемый город присоединяется к тому центру (эталону), которому соответствует минимальное из расстояний. Эталон заменяется новым, пересчитанным с учетом присоединенной точки, и вес его (количество объектов, входящих в данный кластер) увеличивается на единицу. Если встречаются два или более минимальных расстояния, то i -ый объект присоединяют к центру с наименьшим порядковым номером. На следующем шаге выбираем точку X_i+1 и для нее повторяются все процедуры. Таким образом, через 6 шагов все города распределятся по кластерам. Для того чтобы добиться устойчивости разбиения по тому же правилу, все точки с координатами опять подсоединяются к полученным кластерам, при этом веса продолжают накапливаться. Новое разбиение сравнивается с предыдущим. Если они совпадают, то работа алгоритма завершается. В противном случае цикл повторяется до тех пор, пока центры не перестанут перемещаться в пространстве.

Дисперсионный анализ позволяет выявить значения отклонений между объектами наблюдения (в нашем случае городами), а также рассчитать значимость исследуемых данных (таб. 4).

Таблица 4 - Дисперсионный анализ при числе степеней свободы для межклассовой дисперсии равном 4 и для внутриклассовой 27

Чем меньше значение внутри кластеров и больше между кластерами, тем сильнее принадлежит объект кластеру. По среднему евклидову расстоянию можно определить, к какому кластеру ближе объект наблюдения. Уровень значимости меньше 0,05, следовательно, между объектами наблюдения имеется значимое различие.

График позволяет просмотреть средние значения переменных для каждого кластера (рис. 4). Чем меньше расстояние между городами, тем они более схожи.

Рисунок 4 - Линейный график кластеров

Источник: составлено авторами

Наглядно прослеживается 5 кластеров. В первый кластер вошел г. Пенза, во второй -Сердобск, в третий - Нижний Ломов, в четвертый – Сурск, в пятый - Кузнецк, Заречный, Каменка, Никольск, Белинский, Городище, Спасск.

Выводы. Таким образом, инструмент эколого-экономической оценки природных ресурсов становится важным инструментом управления природноресурсным потенциалом страны, что также обуславливает проведение комплексного зонирования территории на основе эколого-экономических показателей. Результаты кластерного зонирования территорий городов тремя методами представлены в таб. 5.

Таблица 5 - Результаты кластерного зонирования городов Пензенской области различными методами

В таблице 6 представлены агрегированные показатели, рассчитанные для каждого метода (для I метода в качестве агрегированного показателя выступает среднее отклонение одного кластера от другого от 0,2 до 2,3, для II метода - сумма всех показатели в процентном выражении для каждого города от 54,1 до 1591.2, для III метода – среднее внутрикластерное расстояние (см. таб.4) от 0,4 до 47,4).

Таблица 6 - Агрегированные характеристики для каждого кластера

Анализируя полученные результаты, можно сказать, что г. Пенза, Сердобск, Белинский и Спасск по всем трем методам попал в одну и ту же зону. У г. Кузнецк, г. Каменка, г. Никольск, г. Сурск совпали зоны по первому и третьему методу. У г. Городище совпали зоны по первому и второму методу. Следовательно, совпадение результатов зонирования рассматриваемыми методами наблюдается только у 36% городов. У 45% городов наблюдается совпадение по первому и третьему методу. И у 1 города (из 11) результаты зонирования всеми методами различаются полностью.

Указанные выше результаты могут быть использованы для практического применения научно-исследовательскими и проектными организациями, занимающимся вопросами планирования пространственного развития территорий населенных пунктов и рационального природопользования.

[1]Российский фонд фундаментальных исследований. URL: https://www.rfbr.ru/rffi/ru/project_search/o_2073166 (дата обращения 19.10.2023).