Статистический анализ экологического состояния регионов

      Чтобы выводы анализа имели объективное  значение и доказательную силу, анализ (и статистическое исследование в целом) должен быть всесторонним, комплексным: необходимо рассматривать всю совокупность относящихся к изучаемому явлению фактов и характеризовать явление с разных сторон, использовать различные статистические источники и определённые сочетания различных методов исследования и обработки данных.

      Таким образом, анализ статистических данных может осуществляться применительно к различным объектам (явлениям и процессам) и выполняется отдельными лицами или организациями на основе использования различных статических данных и различных статических методов и приёмов. Статическая информация, используемые методы и приёмы её обработки и анализа, во многом предопределяются задачами и целями статистических исследований. Обоснованность и правильность статистических фактов и результатов статистических исследований базируется на соблюдении основных принципов статистического анализа. А чтобы выводы анализа имели объективное значение и доказательную силу, анализ (и статистическое исследование в целом) должен быть всесторонним, комплексным. Для этого необходимо рассматривать всю совокупность относящихся к изучаемому явлению фактов и характеризовать явление с разных сторон, использовать различные статистические источники и определённые сочетания различных методов. 

1.2. Методы статистического анализа экологического состояния

  регионов 

      Результаты группировки и сводки данных массовых статических наблюдений на третьей стадии статических исследований подвергаются дальнейшей обработке и осмыслению (или анализу), т.е. на их базе исчисляются статистические показатели. Каждый статистический показатель выражает в количественной форме тот или иной факт относительно изучаемого явления, установленный при помощи средств статистики.

      Чтобы выводы анализа имели объективное  значение и доказательную силу, анализ (и статистическое исследование в целом) должен быть всесторонним, комплексным: необходимо рассматривать всю совокупность относящихся к изучаемому явлению фактов и характеризовать явление с разных сторон, нужно использовать различные статистические источники и определённые сочетания различных методов.

      В настоящее время в статистике имеется большое количество методов, способов и приёмов анализа статистических данных. При этом понятия «метод», «способ» и «приём» как инструментарий анализа не имеют чёткого разграничения.

      При статистическом изучении массового явления большое значение имеет объективное и всестороннее количественное выражение состояния развития в конкретных условиях пространства и времени, выявление и измерение внутренних и внешних закономерностей, раскрывающих содержание исследуемых явлений. В зависимости от поставленных задач классифицируются и характеризуются основные приёмы анализа статистических данных.

      а) Состояние статистической совокупности и её основных элементов характеризуется с применением абсолютных, относительных и средних величин, статистических коэффициентов и др.

      б) Изучение изменения (развития) явления  во времени в статистке в основном осуществляются с использованием статистических показателей рядов динамики, методов выявления и количественной оценки сезонных тенденции (тренда) развития, методов выявления и количественной оценки созданных колебаний, метода параллельных рядов и др.

      в) Задачи выявления и измерения  связей, взаимосвязей, закономерностей массовых явлений могут решаться с использованием рядов распределения, графического метода, метода аналитических групповок, метода параллельного сопоставления рядов, методов математической статистики[16].

      В статистике иногда применяют и другие подходы к разграничению приёмов  анализа. Но основным приёмом анализа статистических данных является сравнение.

      Сравнение как рабочий приём познания того или иного явления, процесса, показателя применяется во многих областях знаний. Можно сказать, что сравнение – наиболее ранний и наиболее распространённый приём анализа.

      Действительно, любой показатель уровня развития явления, изучаемого признака, сам по себе оказывается недостаточным и должен быть рассмотрен в связи, в сравнении с другим аналогичным или взаимосвязанным показателем, который принимается за масштаб оценки (или, иначе, за базу сравнения).

      Сравнительные сопоставления статистических данных позволяют раскрывать характерные особенности и закономерности изучаемых массовых явлений. На основе статистических сопоставлений выявляются направления и темпы развития явлений, показываются складывающиеся в процессе развития характерные соотношения (пропорции) между различными частями изучаемого явления и между различными явлениями. Даётся оценка закономерностей развития.

      Сопоставление статистических данных осуществляется в различных формах и разнообразных направлениях. Основными формами сравнения являются[5,163]:

• Сопоставление одноимённых явлений, показателей (по основным направлениям: с прошлым, с планом, со средними данными, с лучшим и так далее);
• Сопоставление разноимённых показателей;
• Территориальные сравнения;
• Типологические сравнения;
• Динамическое сравнение содержания и особенностей отдельных форм и направлений.

      Необходимым условием правильности выводов, получаемых на основе сравнения статистических данных, является соблюдение требования сопоста

вимости этих данных.

      Сопоставимыми статистическими показателями являются только такие показатели, различия которых отражают действительные особенности  и соотношения сравниваемых явлений и не зависят существенно от различий в способах собирания и обработки сравниваемых статистических данных[5,167].

      Независимо  от конечных целей экологического мониторинга  и организации соответствующей системы наблюдений результат этих наблюдений всегда представляет собой прямоугольную таблицу. Если значения измеряемых переменных располагать в столбцах, число таких столбцов может достигать нескольких десятков — по числу переменных. Каждая строка в такой матрице будет содержать измеренные значения упомянутых переменных в одной пробе, отобранной в определенный момент времени в определенном месте. Понятно, что число таких строк может измеряться сотнями. Иначе говоря, исходные данные, полученные по программе мониторинга, представляют собой матрицу размерности m_*n, где m — число строк, n — число столбцов, и размерность эта весьма велика.

      При работе с такими матрицами специалисты  по статистическому анализу экспериментальных данных рекомендуют использовать разнообразные методы многомерной статистики. Преимущества этих методов бесспорны:

      1) вместо изучения каждой из  переменных в отдельности и ее связей с остальными можно сразу исследовать весь массив данных и получить информацию о влиянии всех переменных и их взаимодействий на изучаемую экосистему;

      2) при современной всеобщей компьютеризации снимаются все затруднения, связанные с огромным объемом вычислений.

      Многомерный анализ часто начинают с расчета  Пирсоновских коэффициентов парной корреляции, которые отражают сопряженность изменений во времени и пространстве любых двух переменных в исходной матрице данных[5,190]. В результате расчета коэффициентов корреляции для всех пар переменных можно получить корреляционную матрицу, которая служит основой для таких популярных методов многомерного анализа, как множественная регрессия, факторный анализ, некоторые модификации кластер-анализа.

      Однако, при использовании этих методов статисты сталкиваются с трудностями, проявляющимися как раз при анализе данных экологического мониторинга, которые относятся к категории так называемых "пассивных экспериментов". Поэтому для решения задач экологического контроля широко применяется детерминационный анализ[12,47], который первоначально был созданный для проведения социологических исследований. В применении к экологическим данным этот метод позволяет устанавливать наличие зависимостей между различными компонентами экосистем, включать в анализ как количественные, так и качественные переменные, учитывать совокупное действие многих факторов, ранжировать установленные зависимости по величине собственных критериев значимости, проводить контекстный анализ, т.е. разбивать исследуемый массив данных на части (по территориальному, временному или любому иному признаку) и работать с каждой из частей в отдельности.

      Перечисленные достоинства метода ДА позволяют  относиться к нему как к весьма привлекательному инструменту. 

      В условиях резко возросшей многокомпонентности  загрязнения окружающей среды однозначная диагностика объектов по всему комплексу из десятков и сотен показателей представляет собой нетривиальную проблему.

      Мощным  инструментом ординации объектов являются самоорганизующихся карты Т.Кохонена (SOM – Self-Organizing Maps), объединяющие в себе две основные парадигмы анализа – кластеризациию и проецирование, т.е. визуализацию многомерных данных на плоскости. В силу адаптивности и самоорганизации нейронной сети, не требующей предварительной калибровки данных, а также устойчивой к шумам и искажениям, SOM позволяют наиболее адекватно выявить структуру экосистем с учетом всей совокупности данных[27,29].

      При эколого-географическом районировании  выделение однородных участков территорий требует учета большого числа параметров, характеризующих все природные компоненты. Поэтому фундаментальной проблемой картографического моделирования и геоинформатики является формирование комплексных (синтетических - synthetic map) карт, которые создаются обычно путем обобщения достаточно большого числа исходных показателей, численно распределенных по координатной сети анализируемой территории.

      Выделяются, как минимум, три цели, для которых  может использоваться синтетическая карта[27,32]:

• чтобы получить оценки многомерного статистического распределения;
• чтобы сформировать таблицу регионов, определяющую характерные для каждой области значения обобщенных или индивидуальных показателей;
• чтобы определять границы между однородными областями {регионами} с общими или подобными характеристиками по сумме всех признаков.

      Такие карты могут быть так же использованы непосредственно для визуализации или ландшафтно-экологического районирования территорий.

      В приложении 1 приведена карта оценки экологического состояния субъектов РФ на территории Волжского бассейна [Шитиков, Розенберг, Костина 2005].

      Для многих областей выпущены карты загрязнения почв, карты, содержащие информацию о лесном фонде и земельных ресурсах регионов, картосхемы речных бассейнов, участков речной сети, населенных пунктов и связанных с ними объектов наблюдения. На картосхемах наглядно отражаются пространственное расположение водопользователей, объектов-загрязнителей, места сброса сточных вод, пункты контроля качества поверхностных вод.  

1.3. Статистические исследования экологического состояния регионов 

      В наш динамический век наряду с  восхищением успеха человека, его  познаниями и "покорением " природы во всем мире растет озабоченность людей состоянием окружающей среды. В последние два десятилетия эта озабочен-

ность переросла  в серьезное беспокойство.

      Ухудшение качества окружающей человека природной среды связано с индустриализацией и изменением его образа жизни, истощением традиционных (относительно легко доступных) энергетических и сырьевых ресурсов, постепенного возрастания демографической "нагрузки" на природу, нарушением естественных экологических балансов, "хозяйственного" уничтожения отдельных видов животных и растений, отрицательных генетических последствий загрязнения природы отходами производственной деятельности людей и другими факторами.

      Пристальный интерес к изучению проблем окружающей среды, исследованию территориально-экологических аспектов деятельности предприятий, особенно в районах нового освоения, в местах строительства территориально-производственных комплексов, обусловлена желанием ученых получить целостное впечатление о самых сложных процессах и явлениях, а их дифференциация связана с усложнением методов исследования, колоссальным увеличением объема информации.