Все выпуски

Предложены методы установления нормативов качества среды по данным экологического мониторинга: методы биоиндикации по показателям видового разнообразия и размерной структуры сообществ, по показателям рыбопродуктивности; метод диагностики для выявления причин экологического неблагополучия и их ранжирования по вкладу в степень неблагополучия; методы нормирования значимых для неблагополучия факторов окружающей среды.

Methods for establishing standards of environmental quality by data of ecological monitoring are proposed. These are: methods of bioindication by indices of species diversity and size structure of communities, by indices of fish productivity; method for searching for reasons of environmental trouble and ranking them by their contribution into the trouble; methods for standardization of factors which are important as causes of environmental trouble.

Апробирован метод расчета границ классов качества вод для целей экологической диагностики и нормирования по данным Рыбинского водохранилища. В целях биоиндикации использованы показатели интенсивности флуоресценции фитопланктона и показатели содержания пигментов фитопланктона. Коэффициент существенности Чеснокова оказался наиболее предпочтительной мерой связи для анализа влияния факторов среды на индикаторы. Выявлены существенные для экологического состояния факторы окружающей среды. Проведено сравнение полученных границ классов качества, разделяющих «допустимые» и «недопустимые» значения факторов с границами из других классификаторов качества вод.

Approbation of calculation of borders of water quality classes for the purpose of ecological diagnosis and standardization by data of the Rybinsk reservoir is carried out. For bioindication indicators of phytoplankton fluorescence and the contents of pigments of phytoplankton are used. Chesnokov's importance coefficient proved to be the most preferred measure of connection for analyzing the effects of environmental factors on indicators. The factors important for environmental condition are identified. Comparison of borders between quality classes “valid” and “invalid” of factors values and boundaries of the classifications of water quality.

В работе проведен сравнительный анализ предприятий Арктической зоны Российской Федерации (АЗ РФ) по экономическим показателям в соответствии с рейтингом Полярного индекса. В исследование включены числовые данные 193 предприятий, находящихся в АЗ РФ. Применены методы машинного обучения, как стандартные, из открытых ресурсов, так и собственные оригинальные методы — метод оптимально достоверных разбиений (ОДР), метод статистически взвешенных синдромов (СВС). Проведено разбиение с указанием максимального значения функционала качества, в данном исследовании использовалось простейшее семейство разнообразных одномерных разбиений с одной-единственной граничной точкой, а также семейство различных двумерных разбиений с одной граничной точкой по каждой из двух объединяющих переменных. Перестановочные тесты позволяют не только оценивать достоверность данных выявленных закономерностей, но и исключать из множества выявленных закономерностей разбиения с избыточной сложностью.

Использование метода ОДР на одномерных показателях выявило закономерности, которые связывают номер класса с экономическими показателями. Также в приведенном исследовании представлены закономерности, которые выявлены в рамках простейшей одномерной модели с одной граничной точкой и со значимостью не хуже чем $p < 0.001$.

Для достоверной оценки подобной диагностической способности использовали так называемый метод скользящего контроля. В результате этих исследований был выделен целый набор методов, которые обладали достаточной эффективностью.

Коллективный метод по результатам нескольких методов машинного обучения показал высокую значимость экономических показателей для разделения предприятий в соответствии с рейтингом Полярного индекса.

Наше исследование доказало и показало, что те предприятия, которые вошли в топ рейтинга Полярного индекса, в целом распознаются по финансовым показателям среди всех компаний Арктической зоны. Вместе с тем представляется целесообразным включение в анализ также экологических и социальных факторов.

The paper presents a comparative analysis of the enterprises of the Arctic Zone of the Russian Federation (AZ RF) on economic indicators in accordance with the rating of the Polar index. This study includes numerical data of 193 enterprises located in the AZ RF. Machine learning methods are applied, both standard, from open source, and own original methods — the method of Optimally Reliable Partitions (ORP), the method of Statistically Weighted Syndromes (SWS). Held split, indicating the maximum value of the functional quality, this study used the simplest family of different one-dimensional partition with a single boundary point, as well as a collection of different two-dimensional partition with one boundary point on each of the two combining variables. Permutation tests allow not only to evaluate the reliability of the data of the revealed regularities, but also to exclude partitions with excessive complexity from the set of the revealed regularities. Patterns connected the class number and economic indicators are revealed using the SDT method on one-dimensional indicators. The regularities which are revealed within the framework of the simplest one-dimensional model with one boundary point and with significance not worse than p < 0.001 are also presented in the given study. The so-called sliding control method was used for reliable evaluation of such diagnostic ability. As a result of these studies, a set of methods that had sufficient effectiveness was identified. The collective method based on the results of several machine learning methods showed the high importance of economic indicators for the division of enterprises in accordance with the rating of the Polar index. Our study proved and showed that those companies that entered the top Rating of the Polar index are generally recognized by financial indicators among all companies in the Arctic Zone. However it would be useful to supplement the list of indicators with ecological and social criteria.