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	600
Респ. Марий Эл	474,8	850
Респ. Мордовия	1267,8	610
Респ. Татарстан	2928,8	1300
Удмурдская Респ.	1627,3	2230
Респ. Чувашия	2059,4	2640
Кировская обл.	656,7	910
Нижегородская обл.	1662,6	2100
Оренбургская обл.	1096,1	1320
Пензенская обл.	884,9	970
Самарская обл.	4635,7	5400
Саратовская обл.	851,2	1030
Ульяновская обл.	1446,4	1020
Коми-Пермяцкий АО	77,9	510

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	582	-311
Респ. Марий Эл	474,8	730	256
Респ. Мордовия	1267,8	545	-723
Респ. Татарстан	2928,8	1785	-1144
Удмурдская Респ.	1627,3	2635	1008
Респ. Чувашия	2059,4	2238	179
Кировская обл.	656,7	1073	416
Нижегородская обл.	1662,6	1933	270
Оренбургская обл.	1096,1	1584	488
Пензенская обл.	884,9	1123	238
Самарская обл.	4635,7	5394	758
Саратовская обл.	851,2	1043	192
Ульяновская обл.	1446,4	1023	-424
Коми-Пермяцкий АО	77,9	551	473

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
1992	126	1997	150
1993	159	1998	143
1994	174	1999	133
1995	193	2000	134
1996	171	2001	130

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?