Методика прогнозировании системы управления земельными ресурсами на основе использования статистического и нейросетевого анализа данных

Как отмечалось в предыдущих разделах, система управления земельными ресурсами включает в себя много аспектов (политический, административно-управленческий, правовой, внедренческий), выполняет несколько функций (планирование, организация, регулирование, контроль), может быть разбита на составляющие части (организационная структура, правовой механизм и т.д.).

Прогноз управления земельными ресурсами ввиду многообразия аспектов и функций может быть:

· системным (функционирования системы управления в целом);

· составляющим (по отдельным видам получаемых результатов – экономические, экологические, организационно-технологические, информационные, социальные);

· структурным (структуры органов управления земельными ресурсами);

· затратным (по видам произведенных затрат – на производство землеустроительных, мониторинговых и земельно-кадастровых работ, на погашение кредитов, на страхование земельно-кадастровой информации, на инвестиции в земельно-кадастровое производство и т.д.).

Системный прогноз управления земельными ресурсами (в целом) наиболее сложный, так как должен включать в себя все (или большинство составляющих параметров), учитывать все произведенные затраты, виды получаемых эффектов. Отсутствие достоверной и систематизированной экономической информации в полном объеме в настоящее время затрудняет проведение системного прогноза.

В данном разделе будет рассмотрена методика прогнозирования структуры управления (численности земельной службы), а также системы управления по экономическим составляющим.

Прогноз структуры управления земельными ресурсами можно показать на примере прогноза численности штатной численности работников в организациях системы Росземкадастра для всех административно-территориальных уровней осуществляемого в следующей последовательности:

1.Проводится анализ влияния численности работников Росземкадастра на результативный показатель, отражающий деятельность системы управления. Целью этого этапа анализа является определение возможности применения математического аппарата для составления уравнения зависимости. Численность работников земельной службы должна быть выражена в относительных показателях (человек на 1000 га земель субъекта РФ или человек на 1000 жителей исследуемого региона).

Анализ влияния числа работников земельной службы (чел. на 1000 га земель субъекта РФ) на величину земельных платежей показал среднюю положительную связь между этими показателями. Так, по парам лет с лагом в 1 год (число работников в 1991 г. к платежам 1992 г., число работников в 1992 г. к платежам 1993 г. и т.д.) коэффициент корреляции колеблется от 0,46 до 0,60.

2. Составляется уравнение для определения численности работников земельной службы. Прогноз численности органов управления земельными ресурсами целесообразно выполнять с применением корреляционной зависимости (построение линии тренда). Эта задача может быть выполнена с использованием стандартного приложения Exel. При построении линии тренда следует выбрать функцию, наиболее точно описывающую динамику показателя. Сравнение функций может быть проведено по коэффициентам множественной корреляции и детерминации (которые можно получить при построении линии тренда). В расчетах должны быть использованы данные за последние 5-7 лет.

На рис. 14.4 наглядно показана динамика численности работников системы Росземкадастра за период с 1991 по 2000 гг. в Российской Федерации и Приволжском федеральном округе, из которой видна тенденция снижения численности работников земельной службы. По Приволжскому округу было составлено уравнение логарифмической зависимости для расчета числа работников земельной службы.

В случае, если на этапе 1 не была выявлена зависимость между численностью работников и результативным показателем (или эта зависимость слабая), возможно построение графика по точкам пар наблюдений вручную. По этому графику также можно построить линию тренда.

3. По составленному уравнению рассчитывается прогнозная численность работников земельной службы. Численность работников земельной службы для субъектов Приволжского федерального округа на 2002 год составила 15 человек на 1000 га. В среднем по Российской Федерации прогнозная численность работников земельной службы составляет 13 человек. Аналогичные расчеты могут быть проведены по каждому субъекту Российской Федерации, входящему в Приволжский федеральный округ.

В случае составления графика вручную прогнозная численность может быть определена графически (при продлении линии до прогнозного периода).

Полученные прогнозные величины должны быть положены в основу расчетов прогнозных поступлений земельных платежей.

Прогнозирование экономических результатов функционирования системы управления может осуществляться по следующей методике.

1. Выбор показателей, по которым будет составлен прогноз развития системы управления земельными ресурсами. Система управления земельными ресурсами представлена показателями земельно–кадастровых и землеустроительных действий, а также поступлениями земельных платежей, как наиболее адекватно характеризующих систему управления земельными ресурсами.

В качестве результативного был использован показатель величины поступивших земельных платежей со всех категорий земель, включая земельный налог и арендную плату, в у.е. на 1000 га. В качестве факторов были использованы показатели затрат на выполнение землеустроительных и земельно-кадастровых работ, удельный вес земель, находящихся в различных формах собственности; плотность населения; удельный вес федерального финансирования в общем объеме финансирования; размер штрафов за нарушения использования земель, выявленные в процессе госконтроля; удельный вес земель различных категорий земель.

2. Определение состава факторов, оказывающих основное влияние на эффективность системы управления.

Для этого из группы факторов, первоначально отобранных на основе экспертного метода, выбираются наиболее значимые факторы. При выполнении этого этапа наиболее эффективным является использование статистических методов: корреляционно-регрессионного анализа, кластерного анализа, метода группировок и др.

Наиболее доступным и часто применяемым для большинства пользователей на настоящий момент является корреляционно-регрессионный анализ. Поэтому он был использован для выбора наиболее значимых показателей. В расчетах использован пакет Statistica.

На основе анализа корреляционной матрицы определяется степень влияния отдельных факторов на величину платежей за землю и исключаются факторы, оказывающие слабое влияние на результативный показатель, а также факторы, тесно корреллирующие между собой (что искажает множественную зависимость).

Расчеты должны быть проведены с лагом в 1 год, так как предыдущие расчеты показали, что наблюдается отложенный эффект сроком в 1 год. При этом в расчеты уравнения включаются результативные показатели текущего года и зависимые переменные предыдущего года. Если в расчетах используются данные за ряд лет (что предпочтительнее, так как возрастает достоверность расчетов), то результативные показатели берутся за n-й год, а соответствующие им зависимые переменные за n-1 год. Например, поступление земельных платежей за 2001 год – затраты на земельно-кадастровые работы за 2000 год, платежи за 1999 год – затраты за 1998 год.

3. Составление математической модели прогнозирования поступления земельных платежей.

После анализа парной корреляции составляется уравнение множественной корреляционной зависимости (пакет Statistica).

В процессе расчетов выбираются:

· форма корреляционной зависимости (линейная или нелинейная);

· вид уравнения (полиномиальная, экспоненциальная, степенная);

· оптимальный метод расчета уравнения.

В данном случае наиболее приемлемо применение множественной линейной формы зависимости с использованием пошагового метода (с последовательным включением наиболее значимых переменных).

Для составления прогноза может быть использовано уравнение, составленное при анализе эффективности системы управления (см. главу 13 данного учебника). Уравнение множественной корреляционной зависимости земельных платежей от удельного веса видов землеустроительных и земельно-кадастровых работ и числа работников земельной службы на 1000 га имеет следующий вид:

Пл = 523,02 + 30,35Х1 +2,40Х2 – 8,33Х3 – 13,96Х4 +11,61Х₅ +12,48Х₆.

4. Расчет прогнозной величина факторов, включенных в уравнение. Для этого по линиям тренда рассчитываются прогнозные значения зависимых переменных, входящих в уравнение. Прогноз числа работников земельной службы на 1000 га составил в Приволжском федеральном округе 15 человек (Х₁); удельный вес топографо-геодезических и картографических работ 40% (Х₂); составление схем и проектов по перераспределению и улучшению и охране земель 8% (Х₃); земельно-оценочные работы и мониторинг земель 5% (Х₄); межевание и инвентаризация земель 35 % (Х₅); затраты на создание и ведение АИС ГЗК 13% (Х₆). Аналогичные расчеты проводятся по всем субъектам Российской Федерации, входящим в округ.

5. На основе рассчитанных прогнозных значений зависимых переменных, входящих в уравнение каждого субъекта РФ, входящего в округ, составляется прогноз величины поступления земельных платежей.
В Приволжском округе прогнозное поступление платежей составляет
970 у.е./1000 га.

6. Анализ фактических и прогнозных величин.

В таблице 14.1. представлен прогноз поступления земельных платежей на примере субъектов РФ, входящих в Приволжский федеральный округ, полученных в результате расчета по уравнению множественной корреляционной зависимости.

Их данных таблицы видно, что в четырех субъектах РФ прогнозные показатели выше 2000 руб./га (Удмурдская Республика, Республика Чувашия, Нижегородская и Самарская области). В шести субъектах РФ (Республике Башкортостан, Республике Марий Эл, Республике Мордовия, Кировской и Пензенской областях, Коми-Пермяцком АО) прогноз земельных платежей ниже 1000 руб./га.

14.1. Прогноз поступления земельных платежей в субъектах РФ,
входящих в Приволжский федеральный округ (Statistica)

Наименование субъекта РФ	Фактическое значение земельных платежей	Прогнозное значение земельных платежей
Респ.Башкортостан	892,8
Респ. Марий Эл	474,8
Респ. Мордовия	1267,8
Респ. Татарстан	2928,8
Удмурдская Респ.	1627,3
Респ. Чувашия	2059,4
Кировская обл.	656,7
Нижегородская обл.	1662,6
Оренбургская обл.	1096,1
Пензенская обл.	884,9
Самарская обл.	4635,7
Саратовская обл.	851,2
Ульяновская обл.	1446,4
Коми-Пермяцкий АО	77,9

7. Проверка выполненных расчетов для устранения возможных резких отклонений прогнозных и фактических величин, вызванных воздействием факторов, не учтенных в уравнении, а также неверным выбором вида математической зависимости.

Для решения этой задачи можно использовать один из предлагаемых вариантов:

- провести расчеты с использование другого вида уравнения (нелинейного) или изменить состав включенных в уравнение зависимых переменных;

- провести расчеты с применением другого метода РАД.

Использование другого вида регрессионной зависимости даст менее объективные результаты, так как на этапе выбора формы зависимости уже был выбран наиболее оптимальный вариант. Применение другого метода РАД наиболее предпочтительно, так как позволяет сравнить результаты, полученные ранее с применением корреляционно-регрессионного анализа, не снижая при этом степени достоверности расчетов. Для этого наиболее подходит нейросетевой анализ данных, с помощью которого можно построить нейросеть, проанализировать и откорректировать влияние факторов, включенных в нее, а также составить прогноз величины земельных платежей. Преимуществом нейросетевого анализа в проведении таких расчетов является также отсутствие промежуточных расчетов прогнозных значений каждого фактора, так как нейросеть на основе обучающего множества сама определяет прогноз земельных платежей.

Для решения задачи была построена нейросеть в двух вариантах (с использованием тех же факторов, которые были включены в корреляционно-регрессионную модель и с использованием другого состава факторов).

В таблице 14.2. приведен анализ результатов прогноза земельных платежей с использованием нейросетевого анализа (NeuroPro).

14.2. Прогнозные величины земельных платежей в Приволжском федеральном округе (NeuroPro)
Наименование субъекта Российской Федерации	Фактические земельные платежи	Прогноз сети	Разница прогнозных и фактических значений
Респ.Башкортостан	892,8		-311
Респ. Марий Эл	474,8
Респ. Мордовия	1267,8		-723
Респ. Татарстан	2928,8		-1144
Удмурдская Респ.	1627,3
Респ. Чувашия	2059,4
Кировская обл.	656,7
Нижегородская обл.	1662,6
Оренбургская обл.	1096,1
Пензенская обл.	884,9
Самарская обл.	4635,7
Саратовская обл.	851,2
Ульяновская обл.	1446,4		-424
Коми-Пермяцкий АО	77,9

Из данных таблицы видно, что нейросети в четырех субъектах Российской Федерации оказался ниже фактических поступлений. Это свидетельствует о том, что в данных субъектах используются иные резервы, не являющиеся общими для совокупности объектов, участвовавших при построении модели. Этими условиями могут быть особые экономические, социальные или политические условия, а также более эффективная деятельность органов управления территорией.

Сравнение двух вариантов расчета прогнозных величин (с применением расчетно-корреляционного и нейросетевого анализов) показал, что прогноз является достоверным.

8. Составление графической модель прогноза (для наглядности полученных результатов).

Модель (рис.14.5) построена с использованием прогнозных величин, определенных по уравнению множественной корреляционной зависимости и нейросети.

На рисунке 14.5. наглядно представлен прогноз земельных платежей в Приволжском округе. Видно, что максимальные величины земельных платежей (как фактические, так и прогнозные) отмечаются в Самарской области, Республике Чувашия и Удмуртия. Прогнозные величины в этих субъектах выше фактических. Минимальные значения – в Коми-Пермяцком АО, Республике Мордовия и Республике Башкортостан.

Максимальная разница между фактическими и прогнозными величинами земельных платежей наблюдается в Республике Татарстан (1144 руб/га), Самарской области (+758 руб/га), Республике Удмуртия (+1008 руб/га).

Контрольные вопросы и задания

1. Для чего необходимо осуществлять прогнозирование земельно-кадастровых показателей?

2. Что такое прогнозирование, прогноз земельно-кадастровых показателей?

3. Какие могут быть использованы виды прогнозирования системы управления земельными ресурсами?

4. Что такое управление информацией?

5. Какие особенности имеет информация, используемая для управления земельными ресурсами?

6. Составьте прогноз численности работников земельной службы для субъекта Российской Федерации на 2003 год, используя следующие данные о численности работников. Площадь субъекта Российской Федерации составляет 3960,5 тыс.га

Годы	Численность работников земельной службы	Годы	Численность работников земельной службы

7. Дайте характеристику основных программных продуктов, которые могут быть использованы для анализа системы управления земельными ресурсами региона.

8. Какие методы и модели моделирования целесообразнее использовать для целей управления земельными ресурсами?

9. Пользуясь рисунком 14.1. и материалами данной главы, опишите работу прогнозирующей системы управления земельными ресурсами.

10. Какие статистические методы могут быть использованы при анализе системы управления земельными ресурсами?

11. В чем заключаются преимущества разведочного анализа данных?

12. В чем заключаются преимущества и недостатки нейросетевого анализа данных?

ГЛАВА 15.

Дата добавления: 2015-04-29