Везде
Нечеткий метод распознавания образов для оценки Индекса Зеленого Роста Азербайджана
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Нечеткий метод распознавания образов для оценки Индекса Зеленого Роста Азербайджана
Аннотация
Код статьи
S207751800032787-4-1
DOI
10.18254/S207751800032787-4
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Иманов Корхмаз  
Аффилиация: Институт Систем Управления Министерства Науки и Образования Азербайджанской Республики
Адрес: Азербайджан, Баку
Алиев Асиф
Должность: Старший научный сотрудник
Аффилиация: Институт Систем Управления Министерства Науки и Образования Азербайджана
Адрес: Азербайджан, Баку
Выпуск
Том 19 Спецвыпуск
Аннотация

В данной статье предлагается нечеткий метод распознавания образов (FPRM), разработанная для оценки уровня Индекса Зеленого Роста (GGI) Азербайджа-на, который является одним из основных Целей Устойчивого Развития. Гло-бальный Институт Зеленого Роста (GGGI) использует для этой цели метод геометрического среднего в качестве общего расчета GGI. Предложенный ме-тод FPRM учитывает присущую неопределенность и нечеткость показателей GGI, в которой используя методы нечеткой логики, повышает точность и надежность оценки GGI. Предложенный подход продвигает работы в текущем направлении с разработанным методом процесса распознавания нечетких об-разов и алгоритмом. Результаты вычислений демонстрируют эффективность модели FPRM в оценке уровней GGI для Азербайджана. Исследование способ-ствует развитию исследований в области зеленого роста и содействует приня-тию решений на основе фактических данных для устойчивого развития, предоставляя структурированную методологию для оценки и улучшения GGI.

Ключевые слова
индекс зеленого роста, нечеткий метод распознавания образов, моделирование
Классификатор
Получено
01.10.2024
Дата публикации
12.11.2024
Всего подписок
0
Всего просмотров
19
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
Доступ к дополнительным сервисам
Дополнительные сервисы только на эту статью
Преимущества сервисов
100 руб. / 1.0 SU
1

Введение

Зелёная экономика направлена на повышение благосостояния общества и социального равенства за счет минимизации ущерба окружающей среде, учитывая ограниченную доступность природных ресурсов, низкий уровень выбросов углерода, эффективность использования ресурсов и социальную интеграцию [1]. «Зелёный рост» является новой концепцией зелёной экономики и был введен на Конференции министров по окружающей среде и развитию в 2005 году. Эта концепция была интегрирована в качестве стратегии ООН для достижения устойчивого развития в рамках Целей развития тысячелетия, основное внимание в которой уделяется достижению равновесия между экономимческим ростом и охраной окружающей среды [2]. Кроме того, Конференция ООН по торговле и развитию рассматривает в своём докладе пересечение принципов зелёной экономики с торговлей и устойчивым развитием [3].
2 Согласно ОЭСР, зелёный рост предполагает содействие экономическому развитию при условии, что природные ресурсы продолжат обеспечивать наше благополучие. ОЭСР подчеркивает, что зелёный рост представляет собой современный подход к экономическому развитию, при котором приоритет отдаётся благополучию людей при сохранении способности природных активов поддерживать устойчивое развитие [4]. Индекс зелёного роста (GGI) является первым составным показателем, оценивающим прогресс стран мира в достижении целей устойчивого развития, предложенный Международным Институтом GGGI [5].
3 Согласно техническому докладу по GGGI оценки GGI варьируются от 1 до 100, классифицируя результаты как очень низкие [1-20], низкие [20-40], средние [40-60], высокие [60-80] и очень высокие [80-100] показатели зеленого роста, где 100 представляет собой достижение наивысшего показателя. В 2022 году значение GGI Азербайджана достигло в общем 48,58, что указывает на средний уровень зелёного роста. В частности, Азербайджан продвинулся в социальной интеграции со значением 69,27, а его наименьший результат находился в измерении возможностей зелёной экономики – 27,37. 40 показателей GGI были проверены в четвёртом издании отчёта GGI по политической значимости более чем сотней экспертов в период с 2019 по 2021 год. GGI измеряется путём агрегирования нормализованных показателей, подподиндексов и подиндексов на следующих трёх уровнях: нормализованные показатели агрегируются линейно, геометрическая агрегация применяется к подподиндексам и подиндексам [5-6].
4 В данной статье предлагается нечеткий метод и алгоритм распознавания образов для оценки Индекса зеленого роста Азербайджана. Статья структурирована следующим образом: Раздел 2 представляет постановку задачи. В разделе 3 представлен алгоритм решения задачи. Заключительный раздел представляет расчет по Индексу зелёного роста (GGI).
5

Постановка задачи

Как было указано целью данной работы является разработка нечеткого метода распознавания образов (FPRM) для оценки Индекса зелёного роста (GGI). Для достижения этой цели разработан метод на основе нечетких инструментов. С целью нечеткой обработки показателей GGI были выбраны наилучшие и наихудшие случаи из информационных систем стран мира за 2022 год [7]. При помощи этих данных были определены нижние и верхние границы каждой области рассуждений для показателей GGI в виде нечетких переменных, которые представлены в Таблице 1.
6

Таблица 1. Данные отчета по Индексу зеленого роста (GGI) за 2022 год

№ Компоненты GGI Аббревиатуры Данные по Азербайджану за 2022 год Наихудший случай Наилучший случай
1. Эффективное и устойчивое использование ресурсов
Эффективное и устойчивое использование энергии ESE 30.89 6.31 85.45
Эффективное и устойчивое использование воды ESW 20.88 1.15 100
Устойчивое использование земель SLU 66.44 39.01 100
Эффективность использования материалов MUE 87.21 49.03 100
2. Защита природного капитала
Качество окружающей среды EQ 87.54 30.77 95.12
Сокрашение выбросов парниковых газов GGE 54.72 21.39 97.20
Защита биоразнообразия и экосистем BEP 58.47 1 100
Культурная и социальная ценность CSV 63.30 1.26 99.24
3. Возможности Зелёной экономики
Зелёные инвестиции GI 50.41 1 100
Зелёная тенденция GT 2.15 1 100
Зелёная занятость GE 71.47 1 100
Зелёные инновацции GN 19.99 1 100
4. Социальная интеграция
Доступ к основным услугам и ресурсам ABS 71.75 7.52 100
Гендерный баланс GB 44.74 9.47 99.53
Социальное равенство SE 49.60 21.28 99.78
Социальная защита SP 65.74 3.26 92.47
7

Метод распознавания Индекса зеленого роста (GGI)

Метод (FPRM) распознавания GGI, который также можно назвать нечетким методом распознавания образов, состоит из следующих шагов.
8 Шаг 1. Сбор и предварительная обработка данных. Для преобразования четких данных, представленных в таблице 1, в нечеткие числа (FNs) изначально требуется нормализация. Для этой задачи используется метод нормализации по формуле макс-мин. Уравнение для положительных показателей:
9 Y+=x-xminxmax-xmin (2)
10 Отрицательные показатели нормализуются следующим образом:
11 Y-=xmax-xxmax-xmin (3)
12 где, x-показатели, xmin и xmax - соответственно худшие и лучшие случаи.
13 Шаг 2. Фазификация нормализованных значений. Для каждого нормализованного значения создается треугольное нечеткое число (TFN) с заданным размахом (т. е., 0.05).
14 Шаг 3. Построение матрицы сравнений на основе треугольных нечетких чисел (FPM). Матрица FPM строится субъективно как нечеткий аналог четкой аналитической матрицы сравнение иерархий:
15 P=(1,1,1)p12⋯p1np21(1,1,1)⋯p2n⋮⋮⋱⋮pn1pn2⋯(1,1,1) (4)
16 где, элементы FPM - pij=lij,mij,uij представляют собой нечеткие треугольные числа.
17 Шаг 4. Построение дополнительной и обратной матрицы сравнений на основе треугольных нечетких чисел (FCRRM). Определяется дополнительная матрица P сравнений на основе [8] если выполняются следующие условия:
18 pij=0.5
19 pijL+pjiR=pijM+pjiM=pijR+pjiL=1.  (5)
20 где pijL, pijM , и pijR обозначают левое, среднее и правое значения треугольных нечетких чисел элементов FCRRM.
21 Нечеткая дополнительная матрица сравнений на основе треугольных чисел может быть преобразована в обратную нечеткую треугольную матрицу сравнений при помощи следующей формулы [9]:
22 rij=11+pij (6)
23 где rij элементы дополнительной и обратной матрицы сравнений на основе треугольных чисел.
24 Шаг 5. Проверка устойчивости FCRRM. Достоверные операции с использованием FAHP требует проверки устойчивости с FCRRM. При работе с нечеткими отношениями сравнений необходимо проверить несколько свойств или условий. Среди них нужно проверить следующие:
25
  1. Треугольное условие [10]:
26 rij+rjk≥rik, ∀ i, j, k.  (7)
27
  1. Аддитивная транзитивность [11,12]:
28 rij-0.5+rjk-0.5=rik-0.5, ∀ i, j, k.   (8)
29 или эквивалентно
30 rij+rjk+rik=32, ∀ i, j, k.  (9)
31
  1. Мультипликативная транзитивность [12]: Танино в [11,12] ввел концепцию транзитивности только в случае, когда rij>0, ∀ i,j , и интерпретировал rij/rji как: xi в rij/rji раз лучше, чем xj . Для обратного нечеткого отношения предпочтений это можно записать как:
32 rik=rijrjkrijrjk+(1-rij)(1-rjk) , ∀ i, j, k.   (10)
33 Чиклана и др. [13] ввели новое определение мультипликативной транзитивности для всеобъемлющего дополнительного отношения предпочтений, использующие n-1 сравнительных значений. Хиа и Ху [14] предложили следующие уравнения для улучшения мультипликативной устойчивости:
34 r~ikR=∏l=0k-(i+1)r(i+l)(i+l+1)L∏l=0k-(i+1)r(i+l)(i+l+1)L+∏l=0k-(i+1)(1-r(i+l)(i+l+1)L) ,  i<k.  (11)
35 r~ikM=∏l=0k-(i+1)r(i+l)(i+l+1)M∏l=0k-(i+1)r(i+l)(i+l+1)M+∏l=0k-(i+1)(1-r(i+l)(i+l+1)M) ,  i<k.   (12)
36 r~ikL=∏l=0k-(i+1)r(i+l)(i+l+1)R∏l=0k-(i+1)r(i+l)(i+l+1)R+∏l=0k-(i+1)(1-r(i+l)(i+l+1)R) ,  i<k (13)
37 где r~ikL, r~ikM , и r~ikR обозначают левое, среднее и правое значения треугольных нечетких чисел элементов устойчивой FCRRM.
38 В нечетком аналитическом иерархическом процессе неустойчивость сравнений отношений может привести к искажению результатов расчета [15-16]. Поэтому перед вычислением весов критериев проверка устойчивости FPR является обязательной.
39 Шаг 6. Получение вектора весов критериев. Согласно методу Чанга [17], веса критериев вычисляются на основе следующих правил:
40 Правило 1. Нечеткое синтетическое значение рассчитывается по следующей формуле:
41 Si=∑j=1nr~ij⊙∑i=1n∑j=1nr~ij-1 (14)
42 Правило 2. Для каждого сравниваемого синтетического значения рассчитываются степени возможности:
43 Если Si=(ai,bi,ci) и Sk=(ak,bk,ck) выпуклые нечеткие числа, а μSid=hgtSi∩Sk то:
44 VSi≥Sk=1 iff Si≥Sk ,
45 VSk≥Si=hgtSi∩Sk=μSid=ai-ckbk-ck-(bi-ai) (15)
46 где d значение ординаты точки пересечения μSi и μSk
47 Правило 3. Вес i-го критерия оценивается следующим образом:
48 d'(Ai)=mink⁡(V(Si≥Sk)) (16)
49 wi=(dA1,dA2,…,dAn)T (17)
50 Шаг 7. Вычисление подиндексов и индекса GGI. На этом этапе применяется оператор нечеткого взвешенного агрегирования (FWA) для объединения нечетких значений (FVs) показателей GGI [18]:
51 SI~FWA=∑i=1nY~iwi (18)
52 где Y~ - фазифицированные значения показателей GGI, wi - их веса, а SI~FWA -- агрегированные значения подиндексов.
53 Далее, используя агрегированные значения подиндексов, вычисляются агрегированные нечеткие значения GGI:
54 GGI~FWA=∑s=1kSI~FWAwk (19)
55 где, GGI~FWA -- агрегированные нечеткие значения GGI, а wk - их веса.
56 Шаг 8. Установление лингвистических терм-множеств с нечеткой шкалой для FPRM. Лингвистическое терм-множество с соответствующими границами нечетких переменных строится субъективно и представлено в таблице 2.
57 Таблица 2. Лингвистические термы и их соответствующие нечеткие шкалы
Лингвистические термы Границы нечетких переменных
Очень высокий (VH) (0.855, 1.000)
Высокий (H) (0.715, 0.860)
Средне высокий (MH) (0.575, 0.720)
Средний (M) (0.428, 0.578)
Средне низкий (ML) (0.286, 0.431)
Низкий (L) (0.140, 0.288)
Очень низкий (VL) (0.000, 0.145)
58 Шаг 9. Вычисления мер сходства. Векторная мера сходства между двумя нечеткими числами [19] может быть вычислена по следующей формуле:
59 Smax(A~,B~)=∑i∈l,m,uaibimax⁡∑i∈l,m,uaiai,  ∑i∈l,m,ubibi (20)
60 где A~=(al,am,au) , B~=(bl,bm,bu) – два нечетких числа.
61

Результаты вычислений Индекса Зеленого роста (GGI)

В этом разделе приводятся результаты оценки и моделирования GGI на основе предложенного алгоритма. В качестве примера приводится расчет подиндекса Возможности Зеленой Экономики (при σ = 0.05). После нормализации и фазификации входных данных, согласно шагу 4 строится FPM, как представлено ниже:
62 Таблица 3. Нечеткая матрица сравнения Возможностей Зеленой Экономики FPM
63 GIGTGEGNGI(1,1,1)(1,1.5,2)(1.5,2,2.5)(2,2.5,3)GT(0.5,0.67,1)(1,1,1)(1,1.5,2)(1.5,2,2.5)GE(0.4,0.5,0.67)(0.5,0.67,1)(1,1,1)(1,1.5,2)GN(0.33,0.4,0.5)(0.4,0.5,0.67)(0.5,0.67,1)(1,1,1)
64 После построения FPM и согласно шагу 5 строится следующая FCRRM (таблица 4):
65 Таблица 4. Возможности Зеленой Экономики FCRRM
66 GIGTGEGNGI(0.50,0.50,0.50)(0.50,0.60,0.67)(0.60,0.67,0.71)(0.67,0.71,0.75)GT(0.33,0.40,0.50)(0.50,0.50,0.50)(0.50,060,0.67)(0.60,0.67,0.71)GE(0.29,0.33,0.40)(0.33,0.40,0.50)(0.50,0.50,0.50)(0.50,0.60,0.67)GN(0.25,0.29,0.33)(0.29,0.33,0.40)(0.33,0.40,0.50)(0.50,0.50,0.50)
67 Согласно шагу 6, проверена согласованность FCRRM и получена следующая матрица:
68 Таблица 5. Устойчивая FCRRM Возможностей Зеленой Экономики
69 GIGTGEGNGI(0.50,0.50,0.50)(0.50,0.60,0.67)(0.50,0.69,0.80)(0.50,0.77,0.88)GT(0.33,0.4,0.5)(0.50,0.50,0.50)(0.50,060,0.67)(0.50,0.69,0.80)GE(0.20,0.31,0.50)(0.33,0.4,0.5)(0.50,0.50,0.50)(0.50,0.60,0.67)GN(0.12,0.23,0.50)(0.20,0.31,0.50)(0.33,0.4,0.5)(0.50,0.50,0.50)
70 Так как FCRRM устойчива, согласно шагу 7 вычисляется вектор весов. Сначала рассчитываются синтетические значения для FPM:
71 S1 = (2,2.56,2.85) *19.49,18,16.51 = (0.21,0.32,0.44)
72 S2 = (1.83,2.19,2.47) *19.49,18,16.51 = (0.19,0.27,0.38)
73 S3 = (1.53,1.81,2.17) *19.49,18,16.51 = (0.16,0.23,0.33)
74 S4 = (1.15,1.44,2) *19.49,18,16.51 = (0.12,0.18,0.31)
75 Степени возможности рассчитываются на основе сравнения синтетических значений:
76 V( S1≥S2 ) = 1, V( S1≥S3 )=1, V( S1≥S4 )=1. d'(A1) =1. V( S2≥S1 ) = 0.77 , V( S2≥S3 )=1, V( S2≥S4 )=1. d'(A2) =0.77. V( S3≥S1 ) = 0.57, V( S3≥S2 )=0.78, V( S3≥S4 )=1. d'(A3) =0.57. V( S4≥S1 ) = 0.43, V( S4≥S2 )=0.57, V( S4≥S3 )=0.75. d'(A4) =0.43.
77 Согласно уравнениям (16) - (18), вектор весов для подиндекса Возможностей Зеленой Экономики вычисляется следующим образом:
78 wi=(0.36,0.28,0.20,0.16)
79 Следовательно, согласно шагу 8, агрегированное нечеткое значение для подиндекса Возможностей Зеленой Экономики рассчитывается при помощи формулы (18), так:
80 Эффективное и устойчивое использование ресурсовFWA=∑i=1nX~iwi = (0.47,0.52,0.57)
81 Аналогично рассчитываются агрегированные значения остальных подиндексов GGI:
82 Защита природного капиталаFWA=∑i=1nX~iwi = (0.61,0.66,0.77) Возможности зеленой экономикиFWA=∑i=1nX~iwi = (0.32,0.36,0.41) Социальная интеграцияFWA=∑i=1nX~iwi = (0.49,0.54,0.59)
83 Общее нечеткое значение GGI вычисляется агрегированием четырех подиндексов при помощи формулы (19), результаты которых даны ниже:
84 GGIFWA=(0.48,0.53,0.58)
85 В конце рассчитываются меры сходства между FWA GGI и нечеткими переменными, приведенными в таблице 2 (таблица 6):
86 Таблица 6. Меры сходства и соответствующие лингвистические термы
Лингвистические термы Значения сходства
Очень высокий (VH) 0.2850
Высокий (H) 0.2855
Средне высокий (MH) 0.2861
Средний (M) 0.2578
Средне низкий (ML) 0.1339
Низкий (L) 0.0509
Очень низкий (VL) 0.0088
87 Очевидно, что наивысшее значение сходства указывает на соответствующий лингвистический терм Средневысокий (MH), и уровень GGI для Азербайджана в 2021 году определяется как:
88 GGI=   Средневысокий (MH)
89 Результат оценки, согласно которому Индекс зеленого роста (GGI) для Азербайджана равен «Средневысокий (MH)», указывает на то, что страна достигла определенного прогресса в области зеленого роста, особенно в аспектах социальной интеграции и использовании природных ресурсов. Средневысокий уровень указывает на то, что страна на правильном пути, однако имеются области, требующие дальнейшего развития. Например, один из ключевых показателей, таких как «Возможности зеленой экономики», оказался ниже по сравнению с другими категориями. Это может свидетельствовать о недостаточном уровне инвестиций и инноваций в экологически устойчивые технологии, а также о необходимости усиления государственной поддержки в этой области.
90 Таким образом, выводы исследования дают четкое понимание областей, в которых Азербайджану предстоит работать для дальнейшего роста и улучшения своей позиции по Индексу зеленого роста. Важно продолжить работу в этих направлениях для достижения устойчивого развития и повышения экологической и социальной устойчивости страны.
91

Заключение

Представленное исследование предлагает новый подход, использующий нечеткий метод распознавания образов (FPRM) для оценки Индекса зелёного роста (GGI) для Азербайджана. Внедрение нечеткой логики в FPRM позволяет учесть неопределённость усредненности статистических входных данных и весов критериев, что повышает точность и надёжность оценки GGI. Результаты вычислений демонстрируют практическое применение метода FPRM при оценке GGI для Азербайджана, демонстрируя его потенциал для выявления областей, требующих улучшения, и принятия политических решений. Предоставляя структурированную методологию и вычислительную базу, данное исследование способствует развитию исследований в области зелёного роста и облегчает разработку научно обоснованной политики в целях устойчивого развития. Метод FPRM предлагает детальное понимание динамики GGI и облегчает принятие обоснованных решений для содействия более зеленому и устойчивому будущему для Азербайджана и за его пределами. Разработанный метод может использоваться при оценке и анализе уровня GGI в других странах и международными институтами.
92 Этот подход продвигает исследования в области зеленого роста, предлагая структурированный, гибкий метод оценки Индекса зеленого роста (GGI), который может лучше направлять политические решения в сторону устойчивого развития. Результаты моделирования показывают, что уровень GGI Азербайджана за 2021 год оценивается как "Средневысокий (MH)", подчеркивая прогресс в таких областях, как социальная интеграция, при этом выявляя пробелы в возможностях зеленой экономики.
93  

Библиография

1. Acosta L.A., Hampel-Milagrosa A. Azerbaijanуs Transition to Green and Inclusive Growth - A Comparative Assessment with the Central Asian Countries. GGGI Technical Report No. 30. Global Green Growth Institute, Seoul, Republic of Korea (2023)

2. Acosta L.A., Nzimenyera, I., Sabado Jr.R., Munezero, R.M., Nantulya, A., Shula, K., Qui?ones, S.G.L., Luchtenbelt, H.G.H., Czvetk?, T., Lee, S., Adams, G.P. Green Growth Index 2022 п Measuring performance in achieving SDG targets, GGGI Technical Report No. 27, Green Growth Performance Measurement Program, Global Green Growth Institute (GGGI), Seoul, South Korea (2022)

3. Chang D.Y. Applications of the extent analysis method on fuzzy AHP // European Journal of operational Research. 1996, 95. pp. 649-655 Doi: 10.1016/0377-2217(95)00300-2

4. Chiclana F., Herrera-Viedma E., Alonso,S., Alberto R., Pereira M. Preferences and Consistency Issues in Group Decision Making. Studies in Fuzziness and Soft Computing, pp. 216-235 (2008)

5. Dubois D., Prade H. Fuzzy Sets and Systems: Theory and Application, Academic Press, New York, (1980)

6. GGGI technical report no. 27. Green Growth Index 2022. Measuring performance in achieving SDG targets (2022)

7. Gong Z. W., Liu S. F. Consistency and priority of triangular fuzzy number complementary judgment matrix // Control Decisions. 2006, 21. 903п907

8. Luce R.D., Suppes P. Preferences, Utility and Subject Probability // Handbook of Mathematical Psychology, Vol. III, Wiley, New York, pp. 249п410, (1965)

9. OECD, Putting Green Growth at the Heart of Development (2013)

10. Saaty Th.L. The Analytic Hierarchy Process, McGraw-Hill, New York, (1980)

11. Tanino T. Fuzzy preference orderings in group decision making // Fuzzy Sets Syst. 1984, vol. 12 pp. 117п131

12. Tanino T. Fuzzy preference relations in group decision making, in J. Kacprzyk and M. Roubens (Eds.) Non-Conventional Preference Relations in Decision Making, Springer-Verlag, Berlin, pp. 54п71 (1988)

13. The UNCTAD report п The Green Economy: Trade and Sustainable Development // URL: https://unctad.org/system/files/official-document/ditcted2011d5_en.pdf

14. The UNESCAP report п Green Growth, Resources and Resilience (2012) // URL: https://www.unescap.org/kp/2012/green-growth-resources-and-resilience-environmental-sustainability-asia-and-pacific-2012#

15. UNEP // URL: https://www.unep.org/pt-br/node/23750

16. Wan S. P. Applying triangular fuzzy number for multi-sensor object recognition // Kybernetes. 2011, vol. 40, no. 3. pp. 589п599

17. Xia M., Xu Z. Methods for fuzzy complementary preference relations based on multiplicative consistency // Computers & Industrial Engineering. 2011, 61. pp. 930-935 Doi: 10.1016/j.cie.2011.06.005

18. Xu Z.S. On priority method of triangular fuzzy number of complementary judgement matrix // Journal of Systems Engineering. 2004, 19 pp. 85п88

19. Yager R. On ordered weighted averaging aggregation operators in multi-criteria decision making. IEEE Trans.йSyst.йManйCybern.: Syst. 18, 183п190, (1988). doi:й10.1109/21.87068

Комментарии

Сообщения не найдены

Написать отзыв
Перевести