Содержание к диссертации
Введение
Глава 1. Состояние сферы отходов в коммунальном хозяйстве города 13
1.1. Тенденции образования твердых коммунальных отходов 13
1.2. Организация управления сферой твердых коммунальных отходов муниципального образования 23
1.3. Информационное обеспечение процессов планирования сферы твердых коммунальных отходов 32
Выводы по Главе 1 42
Глава 2. Теоретико-методические основы организационно экономического механизма планирования сферы твердых коммунальных отходов 44
2.1. Метод интегрированной оценки показателей сферы твердых коммунальных отходов 46
2.2. Методический подход к моделированию процессов управления развитием сферы твердых коммунальных отходов 58
2.3. Разработка модели прогнозирования объемов образования отходов 67
Выводы по Главе 2 74
Глава 3. Практические аспекты реализации исследований 77
3.1. Методика создания типовой интегрированной системы программного комплекса прогнозирования твердых коммунальных отходов 77
3.2. Апробация моделей формирования исходной информации 91
3.3. Практическая реализация модели прогнозирования 99
Выводы по Главе 3 109
Выводы и заключение 111
Список литературы 113
Приложение 125
- Тенденции образования твердых коммунальных отходов
- Методический подход к моделированию процессов управления развитием сферы твердых коммунальных отходов
- Методика создания типовой интегрированной системы программного комплекса прогнозирования твердых коммунальных отходов
- Практическая реализация модели прогнозирования
Тенденции образования твердых коммунальных отходов
Развитие промышленного производства привело к созданию рабочих мест и увеличению численности населения в городах, следствием этого стало увеличение потребления домашними хозяйствами товаров, что повлияло на увеличение как промышленных, так и коммунальных отходов. Промышленные отходы на территории России занимают более 300 тысяч гектаров земли [110].
Проблемы утилизации возникли не только в сфере промышленных отходов, но они возникли и в сфере городских коммунальных отходов [50,52]. Под свалки коммунальных отходов каждый год отводится до десяти тысяч гектаров земли, а кроме этого имеется множество неконтролируемых свалок [29].
В городах проблему создают твердые коммунальные отходы (ТКО), основные источники образования которых приведены в Таблице 1.
Тенденции увеличения количества свалок ТКО во всем мире различны, но они растут в три, четыре раза быстрее численности населения.
В работе [114] автор отмечает, что в США значительное количество муниципалитетов расширить свалки не имеют возможности, а в работе [11] приводятся данные о морфологической структуре свалок США: пищевые отходы до 15 %, упаковка и тара до 30 %, различные металлы до 24%.
В Европе 60 % ТКО отгружаются на свалки, которые контролируются и полигоны, но ставится задача для утилизации использовать новые безопасные методы [111].
В Испании отгружается на контролируемые свалки 59 % отходов: - на свалках открытых - 25 %; компостируется - 12 %; на мусоросжигательных заводах - 4 % [127].
В Венгрии вывозится 75 % отходов на свалки, эксплуатация которых официально не разрешена. При этом выбрасывается до 40 % вторичного сырья [120].
В Гонконге для утилизации отходов в ближайшие пятнадцать лет необходимо будет задействовать площадь 2,7 км2 высотой до 50 м [119]. В Москве отходы принимают 30 свалок, а вывозится на них в год более трех миллионов тонн [20].
За последние годы значительно увеличилось потребление населением товаров, в том числе импортных, которые поступают в продажу в различной упаковке. Возросло потребление населением одноразовой посуды и тары, упаковочных синтетических материалов и прочего. Что повлияло на морфологический состав и объемы ТКО и нормы их накопления [63].
В связи с ростом импортных поставок лекарства объем отходов аптек значительно увеличился. Кроме того представляют опасность отходы различных профилактических и лечебных учреждений. Эти отходы по опасности разделяют на несколько классов:
- класс А: отходы, которые не имею с больными контакта;
- класс Б: отходы, которые эпидемиологически не опасны;
- класс В: отходы, которые эпидемиологически опасны;
- класс Г: отходы, которые в составе содержат токсичные элементы.
Как показывают результаты анализа объемы накопления ТКО в различных городах отличаются, так средневзвешенный годовой объем в благоустроенном городском жилом фонде и частном секторе составил: ТКО соответственно 1,74 и 1,96 м3/чел. год, а для КГО указанная величина составила 0,31 м3/чел. год [63].
Как показали исследования, наблюдается увеличение объемов ТКО не только в жилом фонде городов, но и небольших районах, при этом значительная часть ТКО вывозится на городские свалки. В этих условиях муниципальные органы власти разрабатывают различные программы по совершенствованию механизмов управления сферой ТКО [29,76].
В двадцатом веке были разработаны различные технологические решения по переработке ТКО, но свалки остались основным вариантом утилизации отходов. Очевидно, что свалки и технологии сжигания отходов не снижают экологическую напряженность. Во многих городах открытые свалки заменяются захоронением отходов, что снижает объемы сжигаемых ТКО. При этом с целью минимизации ухудшения окружающей среды ТКО разделяют на неопасные и опасные. Технология сжигания позволяет получать тепловую энергию, но она имеет сложные и дорогостоящие устройства, чтобы обеспечить контроль окружающей среды. Снижение экологической напряженности способствует не захоронение и сжигание, а сортировка отходов [17,40,54,55,103].
Объемы образования отходов в 2017 году приведены в Таблице 2 [118].
Регенерирование отходов снижает издержки на утилизацию ТКО и уменьшает площади под полигоны и свалки. Во многих странах более пятидесяти процентов алюминиевых банок подвергается рециклированию, что снижает объемы отходов. Этот подход используется и для иных составляющих ТКО.
Для развития системы рециклирования может использоваться и налоговая система:
- облагаются налогом первичные материалы;
- высокая стоимость сырой нефти, а как следствие рециклирование отходов нефти;
- облагаются налогом, первичные смазки из нефти;
- льготные кредиты бумажных фирм, а как следствие сбор макулатуры.
В Германии широко применяется подход "взял-верни":
- производители отвечают за свой товар, включая упаковку;
- потребители стимулируются за возвращение упаковки в организованные центры;
- при запуске нового производства организуется двойная система: сбор и рециклирование упаковочного материала.
Предприниматели Германии по закону, действующему с 1996 г., обязаны при планировании продукции минимизировать отходы. Подход «взял-верни» распространяется на различные автомобили, средства вычислительной техники и ряд изделий длительного пользования [124].
Методический подход к моделированию процессов управления развитием сферы твердых коммунальных отходов
Разработка моделей прогнозирования объемов образования ТКО является одной из основных и наиболее важных задач в системе управления развитием сферы ТКО.
В принятии решений менеджер основывается на допущениях, которые руководство не может достаточно эффективно контролировать. Чем четче определяются внутренние и внешние условия в будущем, тем выше шансы достижения прогнозных показателей.
Важнейшим требованием, которое выдвигается к прогнозным показателям, является минимизация погрешностей в оценках. Длительность периода, на который разрабатывается прогноз, должен соответствовать времени, которое необходимо для реализации управленческого решения, так как эффективная реализация прогнозов на короткие отрезки времени может оказаться невозможной.
Прогнозные оценки носят приближенный характер, но научно-обоснованные являются более точными и более эффективными чем случайные. Прогнозные модели, разработанные на основе статистических данных, дают высокую степень точности и являются весьма полезными в решении экологических проблем в современных условиях.
К основным задачам, решаемым при исследовании временных рядов, относятся задачи выявления закономерностей развития процессов, анализируя временной ряд.
Временные ряды имеют некоторые особенности:
- это некоторая последовательность;
- уровни содержат информацию о прошлом;
- определяют динамику изменения ряда;
- отражают влияние общих и специфически факторов;
- отражают влияние сезонных колебаний.
С помощью нормального закона распределения определяется между компонентами ряда тип связи.
В данном параграфе реализован этап 3 программно-технического комплекса.
Этап 3. Формирование трендовых моделей
Разработан метод формирования трендовых моделей. На рисунке 2.5 приведена структура формирования модели.
Данный этап предназначен: для сглаживания ряда; выявления аномальных значений; устранения аномальных значений; выявление характеристик и наличия тренда.
Шаг 2. Анализ тенденции развития временного ряда.
С целью определения особенности изменения ряда во времени и построения модели выявляются тенденции его развития. Различают такие понятия как: основная тенденция развития, тренд, наличие закона развития, а для их анализа используются различные критерии [42,44,53,72,74]:
l. Т-критерий. Использование критерия позволяет определить наличие динамики, а так же уравнение тренда. Выдвигается гипотеза (Но): в исходном ряду отсутствует тенденция.
Значения критерия сравнивают с табличным. Уровень значимости принимается равным . Если значение Т больше табличного, то гипотеза отвергается. Это означает, что тенденция присутствует.
2. Критерий Валлиса. Выдвигается гипотеза (Но): знаки разностей (Ot+i-Ot) образуют случайную последовательность. Ряд с одинаковыми знаками разностей называется «фазой».
Ф Если знаки фаз (за исключением первой фазы и последней фазы) образуют случайную последовательность, то значение критерия вычисляется по формуле
Направление роста, тип развития определяется с помощью различных критериев и методов: аналитического выравнивания, критерия Кокса-Стюарда, скользящей средней.
Шаг 3. Выявление сезонных колебаний временного ряда.
В процессе анализа рядов около тренда могут присутствовать короткопериодические колебания. Эти колебания называют сезонными или циклическими, если периодичность их более года. К анализу временных рядов с сезонными колебаниями или циклическими колебаниями имеются разные подходы.
Для сезонных временных рядов используют итерационные методы, но при использовании скользящей средней теряется часть информации.
1. Выравнивание временного ряда t выполняется по среднехронологической формуле с периодом один год, т.е. Т=12. В начале ряда и в конце ряда отбрасывают не выровненные значения. Получается оценка тренда предварительная
Методика создания типовой интегрированной системы программного комплекса прогнозирования твердых коммунальных отходов
1. Область применения
Настоящие методические рекомендации распространяются на разработку программного комплекса прогнозирования образования ТКО в муниципальном образовании.
2. Общие положения
2.1. В настоявших рекомендациях предлагается технология разработки программного комплекса прогнозирования образования ТКО во времени на основе ретроспективной и текущей информации, которая заносится и хранится в базе данных ТКО (БД ТКО).
2.2. Используя результаты ретроспективных и текущих наблюдений, на основе анализа закономерностей образования ТКО во времени выбирают методы прогнозирования.
2.3. Информацию о ТКО переносят в базу данных, на основе которой с помощью программного комплекса разрабатывают прогнозы образования ТКО.
2.4. Для осуществления прогнозирования образования ТКО во времени по результатам систематических наблюдений рекомендуется использовать максимум ретроспективной и текущей информации.
2.5. Целью прогнозирования на определенный период является определение ожидаемых объемов образования ТКО с указанием возможного доверительного интервала их варьирования.
2.6. База данных создается для решения различных задач прогнозирования и содержит различную информацию.
2.7. Совокупность информации для прогнозирования можно рассматривать в следующих разрезах:
- справочная информация; - нормативная информация;
- источники поступления информации;
- основные данные об объемах ТКО;
- промежуточные данные об объемах ТКО;
- прогнозные данные об объемах ТКО.
База данных ТКО обеспечивают хранение информации в структурированном виде для решения задач.
2.8. База данных предназначена для целей сбора, хранения информации и использования ее для прогнозирования объемов ТКО. Первичные данные (временные ряды) хранятся в базе данных в виде следующих файлов:
- файл ФX1 «Данные муниципалитета»;
- файл ФX2 «Данные Росприроднадзора»;
- файл ФX3 «Данные от предприятий по сбору и вывозу ТКО»;
- файл ФX4 «Данные от предприятий по утилизации ТКО».
2.9. Эти файлы могут иметь различный формат, так как зависят от формы их подготовки. Файлы загружаются в базу данных. При этом может измениться их формат.
2.10. Корректировка исходной информации играет важную роль в задачах прогнозирования. Корректировка заключается в проверке и исключении значений показателей, которые являются нехарактерными или ошибочными.
2.11. В процессе корректировки временных рядов, представленных в форме таблиц или графиков, проводится визуальный контроль данных.
2.12. После изъятия нехарактерных значений показателей выполняется восполнение отсутствующих данных.
2.13. Восполнение отсутствующих значений необходимо:
- для обоснованного применения методов экстраполяции;
- для корректного использования таких статистических показателей как медиана, мода, средняя. 2.14.
Для ввода данных может использоваться Excel. В программном комплексе СУБД должно быть автоматическое приведение формата к основному, а так же дополнение недостающими данными.
2.15. Результат и период упреждения прогноза объемов образования ТКО зависят от полноты полученной исходной информации об образовании ТКО во времени.
2.16. Для прогнозирования необходимо использовать не один, а несколько методов. При этом в качестве окончательного расчета прогноза для принятия решений выбирается лучшая модель прогнозирования.
2.17. В качестве исходной информации для прогнозирования требуется временной ряд значений объема ТКО с указанием года, к которому относится значение показателя, а также период упреждения.
2.18. Временной ряд обычно представляется трендом и случайной составляющей, которая имеет равным нулю математическое ожидание.
2.19. Метод прогнозирования с учетом наличия сезонной составляющей применяется тогда, когда имеются ежемесячные или ежеквартальные данные не менее трех лет. Рекомендуется брать годовую периодичность сезонов.
2.20. Предварительно рисуют точечный график «величина показателя -время» и визуально определяют временной период длительностью три и более последних года.
2.21. Для выделения сезонной составляющей сначала определяют составляющую на первый год, а после ее пролонгируют на определенный исследователем срок наблюдений.
2.22. Для определения «остатков» временного ряда из значений исходного ряда вычитают сезонную составляющую.
2.23. Исходный ряд разложили на следующие составляющие: тренд, сезонную составляющую, случайный ряд остатков. Погрешностью прогноза выступают границы значений ряда остатков.
2.24. По данным временного ряда определяют дисперсию отклонений и тренд, а так же выделяют дисперсию отклонений и тренд ряда «остатков». Проверяется гипотеза о значимости сезонной составляющей, используя критерий Фишера-Снедекора. Если расчетное значение критерия выше табличного, сезонная составляющая существенно влияет на объемы ТКО, поэтому при прогнозировании ее следует учитывать.
2.25. Определяется модель прогнозирования. По данным временного ряда находят значения коэффициентов модели. После определения коэффициентов выбранной модели выполняется оценка качества модели (адекватность, точность) и осуществляется выбор лучшей модели, по которой проводится прогноз на определенный период.
2.26. Определяется доверительный интервал. Метод адаптивный нулевого порядка используется в случаях, когда временной ряд имеет изменение своих значений в виде горизонтальной направленности. Уровень направленности может во времени иметь некоторые изменения.
Метод адаптивный первого порядка может использовать в случаях, когда угол линейного изменения во времени направленности тенденции временного ряда медленно меняется.
2.27. Метод адаптивный второго порядка используется в случаях, когда во времени направленность тенденции имеет высокий темп изменения значений ряда. Прогноз отражает максимальное снижение или рост значений показателя.
2.28. Результатом прогноза ТКО выступает его точечное и интервальное значение.
2.29. Результаты прогноза объема ТКО необходимы для:
- планирования экологических мероприятий;
- определения потребности в инвестициях на развитие сферы ТКО.
3. Основные методические требования к созданию программного комплекса прогнозирования «ТКО-прогноз».
Программный комплекс предназначен для прогнозирования объемов образования твердых коммунальных отходов. Для установки программного комплекса создают папку для основных файлов комплекса. Кроме того создаются вложенные папки, в которых содержатся: программные модули; исходные файлы; результирующие файлы.
Общая схема программного комплекса «ТКО-прогноз» приведена на Рисунке 3.1.
Практическая реализация модели прогнозирования
При исследовании экономических показателей выявляют характеристики их развития, определяют закономерности и выявляют возможность перенесение их на будущее.
Чтобы дать количественную оценку изменений динамического ряда, применяется метод замены фактических показателей ряда теоретическими, которые рассчитаны по определенной модели, отражающий общую тенденцию изменения показателей во времени. Используются трендовые экономические модели с одним параметром, представляющим моменты наблюдения (время).
В настоящее время имеется большое количество кривых роста для экономических процессов. Наиболее часто в экономических приложениях применяются полиномиальные, экспоненциальные и S-образные кривые роста.
Выбор того или иного уравнения основан на свойствах этих кривых.
Полиномиальные модели используются для приближения и прогнозирования экономических показателей, в которых предыдущее развитие не зависит от достигнутого уровня. Экспоненциальные модели используются при условии, что дальнейшее их развитие зависит от уже достигнутого уровня развития. В экономических расчетах чаще используется простая экспонента и модифицированная.
Возможность применения той или иной трендовой модели для прогнозирования может быть определена после оценки ее адекватности исследуемую процессу.
В предыдущем параграфе сформирован временной ряд для конкретного муниципального образования (Таблица 27).
Таким образом, для формирования множества msGMa (s=1,2,…,S) адекватных трендовых моделей в соответствии с алгоритмом выбора модели прогнозирования выбираем следующие модели
- линейная модель (іщ);
- экспоненциальная модель (щг);
- полиномиальная модель (тз).
Далее рассмотрим метод выбора модели прогнозирования ТКО.
Шаг 1. По каждой модели msGMa (s=l,2,3) вычислили по исходному ряду Z (Таблица 27) прогнозные значения z и ошибку прогнозирование Е (et=zt-zt, t=1,2,… ,11) всё это сводим в Таблицы 28-30.
Шаг 2. Для оценки точности прогнозирования временной ряд разбиваем на 2 части (обычно делится на 2/3 и 1/3). Вторая часть ряда является прогнозной (проверочной). В нашем случае в качестве проверочного ряда будут года t=10 (2017 г.) и 1=11 (2018 г.).
Для оценки точности прогнозирования используем четыре критерия: МАЕ (Mean Absolute Error) - средняя абсолютная ошибка
МАЕ =-Yj-Mt) - z(t)l,
MSE (mean squared errors) - среднеквадратичная ошибка
RMSE - квадратный корень из среднеквадратичной ошибки
RMSE = VMSE ;
ME (MeanError) - средняя ошибка
ME = -t=i(z(t)- z(0) Лучший по точности считается модель, для которой рассмотренные выше оценочные критерии имеют наименьшее значение.
Вычисленные значения критериев для 1=10 и t=11. Результаты сведены в Таблицы 31 и 32.
С вероятностью 78% можно утверждать, что величина объема образования ТКО будет находиться в интервале между вычисленными значениями нижней и верхней границ.
Доверительный интервал характеризует степень уверенности попадания прогнозируемого значения ТКО в построенный интервал прогнозирования. Можно построить прогноз, определяемый вероятностью 99 %, но с практической точки зрения он будет бесполезен, поэтому следует такой прогноз подвергнуть критическому рассмотрению пользователем с целью выявления возможных противоречий сложившемуся к настоящему времени представлению о характере образования ТКО на периоде упреждения прогноза.
Таким образом, апробированы модели прогнозирования твердых коммунальных отходов муниципального образования, что позволило рассчитать прогнозные показатели и доверительные интервалы объема образования ТКО на 2019-2021 годы. Результаты выполненных расчетов использованы в процессе уточнения показателей социально-экономического и экологического развития города Дзержинск.