Сходство ресурсных циклов Ханты-Мансийского автономного округа и регионов Западной Сибири

Размещено на http://www.allbest.ru/

Сходство ресурсных циклов Ханты-Мансийского автономного округа и регионов Западной Сибири

Соколов С.Н.

Доктор географических наук,

Нижневартовский государственный университет

Аннотация

Приведено применение теории ресурсных циклов, разработанной И.В. Комаром (1975 г.), для территории Западной Сибири. С помощью статистических методов исследовано сходство и различие структуры совокупности ресурсных циклов Ханты-Мансийского автономного округа -Югры с другими регионами Западной Сибири. Установлено, что наибольшее соответствие структуры данного региона с Ямало-Ненецким автономным округом, наименьшее - с Омской областью. Результаты исследований показали, что предложенная методика вполне работоспособна.

Ключевые слова: ресурсные циклы, сходство структуры, таксономическое расстояние, коэффициент согласия.

Sokolov S.N.

ORCID: 0000-0001-5639-6620, PhD in Geography, Nizhnevartovsk State University

SIMILARITY OF THE RESOURCE CYCLES OF THE KHANTY-MANSI AUTONOMOUS DISTRICT AND WESTERN SIBERIA REGIONS

Given the application of the theory of resource cycles, developed by I. V. Komar (1975), for the territory of Western Siberia. Using statistical methods, we study the similarities and differences of the structure of aggregate resource cycles Khanty-Mansi Autonomous district - Yugra and other regions of Western Siberia. Established that the greatest similarity of the structure of this region from Yamalo-Nenets Autonomous district, the smallest - with the Omsk region. The results showed that the proposed technique is quite efficient.

Keywords: resource cycles, the similarity of structure, taxonomic distance, goodness of fit.

Использование природно-ресурсного потенциала (ПРП) региона приводит к обмену веществ между природой и обществом и, в конечном счете, к формированию и развитию тех или иных ресурсных циклов как последовательности преобразований вещества и энергии в процессе производства [1]. природный энергопроизводственный регион

Как указывал И.В. Комар [2], под ресурсным циклом понимается совокупность превращений и пространственных перемещений определенного вещества или группы веществ, происходящих на всех этапах использования его человеком (включая его выявление, подготовку к эксплуатации и извлечение из природной среды, переработку, потребление, возвращение в природу) и протекающих в рамках общественного звена общего круговорота данного вещества или веществ на Земле.

Любой ресурсный цикл находится в тесной связи с соответствующим подразделением общественного производства, опирающимся на использование того или иного главного вида естественных ресурсов (энергетических, рудных, лесных и др.). Он обычно обрастает множеством сопутствующих производств на базе разностороннего использования этого ресурса и дополнительно вовлекаемых в производственный процесс природных веществ [2]. Ресурсные циклы, основывающиеся на использовании воспроизводимых природных ресурсов (например, почвенных или растительных), включают также стадию их возобновления, связанную с воздействием человека на звенья биологического круговорота веществ.

По нашему мнению, концепция ресурсных циклов не только не устарела, но она достаточно плодотворна, и, прежде всего, для характеристики ПРП и его структуры. На базе каждого ресурсного цикла развиваются свои энергопроизводственные циклы, выделенные еще в 1947 г. Н.Н. Колосовским [3] и ресурсные энерговещественные циклы, предложенные М.Д. Шарыгиным [4].

По нашему мнению, ресурсные циклы являются необходимой предпосылкой для оценки ПРП территории любого масштаба и развития на ней пространственно-временных воспроизводственных кластеров, созданных на базе циклы рыночной экономики [5]. При решении оптимизационных задач функционирования ресурсных циклов необходимо учитывать всю систему критериев, проявляющихся на стадии природопользования, производства, распределения, обмена, потребления, а также воздействия на окружающую природную среду.

Для территории Западной Сибири проведем сводную оценку развития ресурсных циклов и подциклов. И.В. Комар [2] в общественном производстве выявил 6 основных ресурсных циклов. Мы уточнили и расширили список подциклов. Классификация ресурсных циклов и подциклов будет выглядеть таким образом: 1) энергоресурсов и энергии (1а - энергетический, 1б - гидроэнергетический подцикл); 2) металлорудных ресурсов и металлов (2а - черных металлов, 2б - цветных тяжелых металлов, 2в - цветных легких металлов, 2г - драгоценных и редких металлов, 2д - коксохимический подцикл); 3) неметаллического ископаемого сырья (3а - горно-химический, 3б - минерально-строительных материалов, 3в - особо ценных и редких полезных ископаемых); 4) лесных ресурсов и лесоматериалов (4а - лесопромышленный, 4б - лесохимический подцикл); 5) почвенных и климатических ресурсов и сельскохозяйственного сырья (5а - растениеводческий, 5б - животноводческий); 6) ресурсов фауны и флоры (6а - подцикл, развивающихся на базе биологических ресурсов вод, 6б - ресурсов охотничьего хозяйства, 6в - полезных дикорастущих растений).

Рассмотрим, насколько соответствует структура ресурсных циклов ХМАО - Югры структуре других регионов Западной Сибири (табл. 1).

Таблица 1 - Структура ресурсных циклов ХМАО - Югры и других регионов Западной Сибири

Примечание: нумерация циклов и подциклов приведена выше в тексте.

Для установления сходства структуры используются многие показатели, но в связи с тем, что нет точных значений величины удельного веса циклов и подциклов в общей структуре хозяйства, такие показатели не подходят.

Для вычисления меры сходства (подобия) между объектами используются различные меры сходства, которые часто называют таксономическими расстояниями. Сходство или различие между объектами устанавливается в зависимости от метрического расстояния между ними и относится к задачам кластерного анализа. Кластеризация является логическим продолжением идеи классификации. Мера расстояния показывает, насколько объекты схожи или не схожи между собой. Объекты с меньшими расстояниями между собой более схожи, чем объекты с большими расстояниями. Существует несколько способов вычисления расстояния между двумя объектами [6]. Обзор многих опубликованных исследований, проводимых с помощью кластерного анализа, дал Дж. Хартиган [7]. Наиболее популярная мера сходства - это евклидово расстояние:

(1)

где a - структура совокупности циклов i-го региона, b - структура совокупности циклов j-го региона.

Мы считаем, что для установления сходства и различия можно использовать среднее евклидово расстояние, или широко используемый линейный коэффициент корреляции Пирсона, если значения не заданы в качестве булевых переменных.

Кроме того, как мера различия объектов, задаваемых дихотомическими признаками, используется хэммингово расстояние, также называемое «манхэттенским» или «сити-блок» расстоянием. В большинстве случаев эта мера расстояния приводит к результатам, подобным расчетам евклидовых расстояний, но для этой меры влияние отдельных выбросов меньше, чем при использовании евклидова расстояния, поскольку здесь абсолютные значения оценок не возводятся в квадрат [8]. Оно равно числу несовпадений значений и используется для булевых переменных («да/нет»):

(2)

Такое расстояние можно использовать и для количественных признаков, при этом его называют расстоянием городских кварталов (или, в шутку, дистанцией манхэттенского таксиста), в этом случае данное расстояние - это не кратчайшее расстояние между двумя точками (евклидово), а «путь, который должен преодолеть таксист, чтобы проехать от одной точки до другой по городским улицам, пересекающимся, как в Манхеттене, под прямым углом» [9]. По нашему мнению, данный показатель можно использовать в виде среднего хэммингова расстояния:

(3)

где n - количество признаков.

По нашему мнению, евклидово расстояние является аналогом стандартному отклонению, а хэммингово - аналог среднего линейного отклонения, в котором вместо средней арифметической взят эталон (т.е. регион, с которым идет сравнение).

Можно предложить для установления сходства коэффициент корреляции знаков Г. Фехнера, который основан на оценке степени согласованности направлений отклонений индивидуальных значений факторного и результативного признака от соответствующих средних. В нашем случае видоизменяем содержание данного коэффициента - определяет степень соответствия структуры совокупности циклов ХМАО - Югры и структуры совокупности циклов соседних регионов. Формула расчета видоизмененного коэффициента Фехнера, который назовем коэффициентом согласия, будет выглядеть так:

, (4)

где n_a - совпадение в структуре совокупности циклов i-го и j-го региона, n_b - несовпадение в структуре совокупности циклов i-го и j-го региона.

Если данный коэффициент равен 1, то обнаруживается полное сходство структуры совокупности ресурсных циклов двух регионов, если коэффициент окажется равным - 1, то можно утверждать, что между двумя регионами абсолютно нет сходства структуры совокупности ресурсных циклов этих регионов.

Итак, заполним таблицу 2.

Таблица 2 - Метрические расстояния между регионами

Из таблицы можно видеть, что наибольшая степень соответствия структуры совокупности ресурсных циклов ХМАО - Югры характерна для Ямало-Ненецкого АО (коэффициент согласия 0,882, среднее хэмиингово расстояние 0,059). Наименьшее соответствие структуры между ХМАО - Югрой и Омской областью (коэффициент 0,176, среднее хэмиингово расстояние 0,412).

Таким образом, предложенный нами методика определения степени соответствия структуры вполне работоспособна.

Список литературы / References

1. Дмитревский Ю.Д. Очерки социально-экономической географии: Развитие и проблемы / Ю.Д. Дмитревский. - Л.: Наука, 1990. - 107 с.

2. Комар И.В. Рациональное использование природных ресурсов и ресурсные циклы / И.В. Комар. - М.: Наука, 1975. - 212 с.

3. Колосовский Н.Н. Производственно-территориальное сочетание (комплекс) в советской экономической географии / Н.Н. Колосовский // Вопросы географии. - 1947. Вып.6. - С.133-164.

4. Шарыгин М.Д. Региональная организация общества (теоретико-методологические проблемы совершенствования) / М.Д. Шарыгин. - Пермь: Изд-во Пермского ун-та, 1992. - 204 с.

5. Соколов С.Н. Циклы развития территории Западной Сибири / С.Н. Соколов // Научные труды Нижневартовского государственного гуманитарного университета. - Вып. 3. - 2007. - С. 171-185.

6. Бирюков В.А.Теория экономического анализа / В.А. Бирюков, П.Н. Шаронин. М.: МГУП им. Ивана Федорова, 2011. - 568 с.

7. Hartigan J. Perl extension for the stopping rule proposed by Hartigan J. / J. Hartigan // Clustering Algorithms. - NY: John Wiley and Sons, 1975.

8. Чубукова И.А. Data Mining / И.А. Чубукова. - Интернет-Университет Информационных Технологий, 2008. URL: http://www.biznesbooks.com/2010-01-07-16-26-07/3207-ia-chubukova-data-mining (дата обращения: 23.09.2016).

9. Калинина В.Н. Введение в многомерный статистический анализ / В.Н. Калинина, В.И. Соловьев. - М.: ГУУ, 2003. - 66 с.

Размещено на Allbest.ru