Теоретические положения прогнозирования системы управления земельными ресурсами


Для эффективного управления земельными ресурсами необходимо создать надежную и эффективную систему прогнозирования земельно-кадастровых показателей.

Требования к организации массивов (к составу и структуре показателей) устанавливаются в соответствии с запросами потребителя (пользователя) информации.

Первичные данные, составляющие основной поток информации, формируются на уровне землевладения (землепользования). Поток данных последовательно проходит все уровни, изменяя своё состояние под влиянием различных факторов, полный учет которых не всегда возможен.

Влияние этих факторов изменяется с течением времени, поэтому система показателей состояния земельных ресурсов не является статичной во времени. Одни показатели со временем изменяют свою структуру или теряют значимость для определенного уровня управления, другие, наоборот - становятся актуальными.

В первом случае потерявшие актуальность показатели могут быть исключены из процесса принятия решений и состава документов.

Во втором случае необходимо сформировать новые показатели, определить для них методы и способы сбора, регистрации и контроля, ввести их в документацию и разработать систему мероприятий для их оценки и применения при управлении земельными ресурсами.

Чем раньше выявлена тенденция изменения показателя, тем эффективнее будет работать и система принятия управленческих решений на соответствующем административном уровне.

Особое значение при обслуживании земельно-кадастровых автоматизированных информационных систем (АИС ГЗК) и соответствующих баз данных (БД) имеет наличие методических средств, позволяющих сформировать, проанализировать и предсказать изменения динамики значений и структуры земельно-кадастровых показателей во времени, а также выявить факторы, влияющие на эти изменения.

Актуальность задач прогнозирования определяется необходимостью своевременного учета изменений значений и значимости показателей с целью проведения упреждающих мероприятий по корректировке структур и содержания информационных массивов в базах данных АИС, программного обеспечения обслуживания БД, запросов, выходных форм, состава, методов, алгоритмов и программ решения разнообразных задач анализа и принятия решений.

Прогнозирование земельно-кадастровых показателей необходима и по той причине, что они характеризуют состояние земельных ресурсов и являются основой для определения направлений управления этими ресурсами. Таким образом, необходимо иметь надежный и эффективный инструментарий, позволяющий, на основе наблюдений за прошлым и текущим состоянием системы земельно-кадастровых показателей, выявлять тенденции изменения системы и предсказать ее перспективное состояние.

Предварительный анализ земельно-кадастровой информации показывает, что за последние годы существенно изменились состав и информационная емкость показателей, отражающих правовое состояние земель разных категорий. Например, отмечено увеличение информационной емкости и интенсивности использования массивов показателей, связанных с оценкой земель, особенно таких ее частей, как оценка земель городов, данные рынка земель поселений, земель природоохранного, оздоровительного и историко-культурного назначения.

Отдельные показатели (данные о загрязнении земель, данные, организующие ограничения и обременения) имеют значительные колебания по годам.

Все эти изменения требуют применения комплексного статистического анализа при разработке алгоритмов и программ в области управления земельными ресурсами, включая генерализацию информации, внесению изменений в структуру и содержание баз данных.

Необходимо использовать различные методы статистического анализа и прогнозирования при решении информационного обеспечения ретроспективного анализа и перспектив использования земельных ресурсов для различного административно-территориального уровня.

Разнообразие источников информации для анализа и прогнозирования создает определенные трудности в формировании единой структуры исходных данных, единых подходов к организации процесса статистического анализа и построения моделей прогнозирования.

Практически на каждом территориальном уровне данные, составляющие совокупность показателей, делятся на следующие информационные массивы:

информация правового характера. В этой группе преобладает информация текстового типа с большим количеством кодификаторов. Формальная постановка задач статистического анализа с использованием множества показателей этой группы затруднена, прогнозирование будет, в основном, сведено к применению экспертных оценок. Таким образом, эффективность применения результатов информации этой группы будет определяться субъективными факторами;

информация по количеству и качеству земель. В этой группе преобладает хорошо структурированная и относительно однородная количественная информация. Решение статистических задач может быть получено на основе построения формальных правил. Здесь применимы любые методы прогнозирования и количественной оценки качества прогноза. В этой группе особое внимание следует уделить задачам взаимосвязи и взаимозависимости показателей и выявлению факторов, влияющих на изменение динамики показателей;

данные бонитировки почв и экономической оценки земель. Информация данной группы характеризуется преобладанием данных качественного и количественного типов, которые являются результатами сложных функциональных и статистических преобразований информации, полученных с низшего уровня (участков, контуров, землевладений и землепользований). Решение задач может потребовать сложных аналитических преобразований, для чего необходимо наличие информации первичного учета (на всех уровнях). Задачи прогнозирования в этой группе могут быть решены значительно проще, но выделение факторов, влияющих на изменение показателей, может представлять определенную проблему.

Учитывая разнообразие факторов, влияющих на структуру и состав показателей, применяемые методы статистического анализа, система прогнозирования должна строится с учетом:

ориентации на работу с данными, находящимися в базах данных АИС разного уровня и назначения;

классификации информационных массивов по видам показателей и по типам данных, определяющих их структуру и форму представления;

доступности средств статистического анализа и прогнозирования для пользователей разного уровня подготовки;

возможности применения различных методов прогнозирования, в т.ч. и на основе общего и специального статистического анализа комплексов данных, отражающих динамику состояния земельных ресурсов.

Процесс принятия решений по управлению земельными ресурсами, по настройке и модификации компонент земельных информационных систем связан с решением задач исследования закономерностей изменения значений показателей и построения моделей, позволяющих спрогнозировать поведение системы управления на определенный временной интервал.

Под предсказанием понимается искусство суждения о будущем состоянии объекта, основанное на субъективном “взвешивании” большого количества качественных и количественных факторов.

Под прогнозированием понимается определенный научно-обоснованный исследовательский процесс, в результате которого необходимо получить вероятностные данные о будущем состоянии прогнозируемого состояния системы, явления, процесса или объекта.

Под прогнозом понимается будущее значение некоторого показателя, характеризующего состояние объекта прогнозирования.

При оценке изменений некоторых свойств земель возникает проблема неопределенности, которая может видоизменяться от полного неведения до такого положения, когда можно сказать почти точно, что неизвестные величины, влияющие на изменение свойств, заключены в некотором интервале. Прогнозирование в данном случае выступает как один из инструментов минимизации неопределенности.

Прогнозируемое значение свойства показателя может быть представлено числом или, в случае исследования качественных показателей - баллом, а сам прогноз может быть точечным (т.е. задается одно значение) или интервальным (т.е. задается множество значений) к которому, по мнению разработчика, должно принадлежать прогнозируемое ("истинное") значение свойства.

Отрезок времени от момента, для которого имеется последние статистические данные до момента, к которому относится конкретный прогноз - называется периодом (интервалом) упреждения.

Прогноз может быть качественным или количественным.

Качественный прогноз можно получить через цепь логических рассуждений, используя качественный анализ объекта. Этот анализ является начальным и конечным этапом процесса прогнозирования.

Количественный прогноз связан с вероятностью, с которой произойдет то или иное событие в будущем, а также с некоторыми количественными характеристиками этого со­бытия (его математическим ожиданием, наиболее вероятным значением и т.д.)

В настоящее время существует большое количество методик, методов и способов прогнози­рования, среди которых можно выделить следующие виды:

· эвристическое прогнозирование, основанное на использовании мнения специалистов (экспертов) в определенной области знания. Здесь главными условиями являются правильный подбор экспертов, разработка эффективной формы анкетирования и методов обработки результатов опроса. Использование методов эвристического прогнозирования характерно на начальных этапах исследования поведения объекта (при выдвижении рабочих гипотез) и эффективно, когда описание поведения и свойств объекта прогнозирования не поддаются формализации, т.е. не могут быть представлены в виде совокупности количественных или шкалированных качественных признаков или функциональных зависимостей. Это состояние присуще, например, земельно-кадастровым показателям правового характера, показателям, отражающим природно-сельскохозяйственное районирование области, края, республики, показателям, определяющим отдельные свойства климата, рельефа и др.;

· математическое прогнозирование, используемое при наличии четко сформулированной математической модели поведения объекта. В литературе методы математического прогнозирования условно подразделяются на методы моделирования процессов движения (развития) и экстраполяции (статистические методы). Первую группу составляют методы, использующие в качестве модели дифференциальные уравнения с заданными начальными условиями. Ко второй группе относятся методы, использующие для выбора и обоснования модели статистические данные об объекте.

· комбинированное прогнозирование, которое объединяет эвристическое и математическое прогнозирование в один процесс таким образом, чтобы достоинства одного компенсировали недостатки другого метода.

Математическое прогнозирование заключается в использовании имеющихся наблюдений за поведением прогнозируемых объектов, обработке результатов этих наблюдений математическими методами, формировании зависимости, связывающей характеристики объекта со временем или характеристиками других объектов и в вычислении с помощью найденной зависимости характеристик объекта на интервал упреждения.

Процесс прогнозирования должен быть организован в виде некоторой системы, которая обеспечивает ввод и преобразование исходных данных, определение цели прогнозирования, решение задач прогноза, установку интервала упреждения, оценку результатов прогнозирования и корректирование параметров элементов самой системы и моделей прогнозирования или решения вопроса о замене какой-либо модели.

Под прогнозирующей системой понимается система, включающая математические, логические и эвристические элементы, на вход которой поступает имеющаяся к настоящему времени информация о прогнозируемом объекте, а на выходе вырабатывается прогноз, определяющий состояние этого объекта на период упреждения.

В качестве основных требований, которые предъявляются к прогнозирующей системе, можно выделить следующие:

- должна обеспечивать достаточно точный прогноз, качество которого можно оценить по определенному критерию;

- должна гибко реагировать на изменения, происходящие в объекте прогнозирования. Данная ситуация определяется
по возрастанию ошибок прогнозирования, когда текущие наблюдения за объектом отличаются от ожидаемых результатов;

- система земельно-кадастровой информации должна удовлетворять ряду требований, учитывающих специфику обработки информационных потоков на разных административно-территориальных уровнях. Например, чем ниже уровень, тем более высокие требования должны предъявляться к быстродействию системы, к простоте и доступности выполнения процедур статистического анализа и расчета параметров модели.

В настоящее время известны и широко используются в инженерной практике и в исследованиях многочисленные методы и приемы моделирования.

Обычно различают физическое моделирование и моделирование, построенное на основе математических и (или) алгоритмических зависимостей (моделирование на ЭВМ).

Наиболее широко используются следующие формализованные способы моделирования поведения сложных систем:

- имитационное моделирование, которое можно определить, как процесс конструирования модели реальной системы и проведения на этой основе экспериментов для понятия поведения системы или оценки различных стратегий ее функционирования;

математическое моделирование, при котором процессы функционирования элементов сложной системы определяются в виде некоторых функциональных соотношений или логических условий.

Выбор способа моделирования зависит от сложности параметров, структуры и возможностей формального описания процессов функционирования элементов системы.

Первый способ целесообразно применять, если элементы системы плохо поддаются математическому описанию. В этом случае имитационное моделирование состоит в разработке моделирующего алгоритма, который воспроизводит работу системы во времени, причем имитируются элементарные явления, составляющие процесс с сохранением их логической структуры и последовательности протекания во времени. Этот способ может использоваться для имитации работы прогнозирующей системы в целом и отдельных ее элементов.

Имитационное моделирование является экспериментальной и прикладной методологией, имеющей целью:

· описания поведения системы;

· построения теории и гипотезы, которые могут объяснить наблюдаемое поведение;

· использования этих теорий для предсказания будущего поведения системы, т.е. тех воздействий, которые могут быть вызваны изменениями в системе или изменениями способов ее функционирования.

Математическое моделирование имеет более узкую сферу применения и используется там, где процессы достаточно хорошо формализуемы и могут быть описаны с помощью математических соотношений (формул, уравнений, неравенств, логических условий, операторов и т.п.), связывающих входные и выходные данные системы, подсистем и элементов.

Можно выделить следующие группы моделей:

· статические и динамические;

· детерминированные и стохастические;

· дискретные и непрерывные;

· натурные, аналоговые и символьные и т.д.

Для моделей математического прогнозирования можно выделить определенные классы, которые определяются различными группирующими признаками (рис.14.1.).

 

 

 


Рис.14.1. Классификация моделей прогнозирования

 

В зависимости от вида прогнозируемого объекта модели могут быть следующими: экономические, экологические, демографические, социальные и т.п. По характеру использования, структуре и набору методов анализа модели прогнозирования земельно-кадастровых показателей наиболее близко подходят к экономическим.

В зависимости от характера применения прогнозируемого процесса, можно выделить следующие группы моделей: эволюционного, революционного развития и комбинированные.

Учитывая сильное влияние социально – экономических и политических факторов на всю систему управления земельными ресурсами и их перераспределение между разными формами собственности, можно ожидать, что поведение системы управления земельными ресурсами будет комплексным.

В зависимости от вида математического описания, модели можно подразделить на такие группы: модели, основанные на дифференциальных уравнениях или на алгебраических уравнениях.

В зависимости от наличия неопределенностей, сопровождающих прогнозируемый процесс, модели можно разделить на детерминированные и стохастические.

В зависимости от вида функций, положенных в описание основы процесса, модели могут быть: полиномиальные (в т.ч. линейные и квадратичные), тригонометрические, экспоненциальные и комбинированные.

Детерминированная модель определяется наличием переменных и параметров, которые могут принимать определенные, фиксированные значения или ограниченное множество значений при любых заданных условиях. Важным свойством таких моделей является однозначность значений выходных сигналов при определенном наборе значений входных сигналов. При этом вероятностные факторы либо отсутствуют, либо ими можно пренебречь.

Стохастическая модель характеризуется тем, что для любого заданного набора входных сигналов Z и многократного повторения этого набора каждый раз будут получаться разные значения выхода h(Z). То есть будет иметь место неоднозначность значений выходных сигналов.

Можно считать, что стохастическая модель – это математическое описание некоторого случайного процесса, под которым обычно понимается некоторый реальный (физический) исследуемый процесс, который проявляет стохастические свойства в связи с включением в себя случайных отклонений входных и выходных сигналов, переменных и параметров модели.

Стохастические модели можно условно разделить на следующие группы:

· модели для расчета математических ожиданий процессов (модели динамики средних для массовых явлений) в непрерывной или дискретной форме;

· вероятностные модели в непрерывной (типа процессов массового обслуживания) и дискретной форме (типа марковских цепей);

· модели статистических испытаний (методы Монте – Карло).

Для автоматических систем характерна ситуация, когда процесс обработки информации “от входа до выхода” полностью автоматизирован и все элементы работают по заранее разработанным (детерминированным) алгоритмам.

В общем виде процесс создания модели для прогнозирования системы управления земельными ресурсами условно можно разделить на следующие этапы:

1) сбор, подготовка исходных данных для исследования и предварительный анализ;

2) выбор и обоснование математических моделей прогнозируемого объекта;

3) обработка статистических данных для определения параметров моделей прогноза и получения зависимостей, связывающих прогнозируемые характеристики объекта с временными или другими факторами;

4) собственно прогнозирование, т.е. вычисление величин характеристик объекта при заданных значениях времени и факторов.

Система управления земельными ресурсами не будет автоматической, так как принятие решений по многим вопросам, связанным с применением методов анализа, выбора вида модели и т.д., часто возлагается на пользователя.

 

14.2. Применение нейросетевого и статистического
анализа для моделирования системы управления

 

Одним из методов определения путей повышения эффективности управления земельными ресурсами является создание математической модели на основе социально-экономических факторов, влияющих на конечный результат повышения эффективности управления - снижение финансовых затрат на процесс управления и самое важное, повышение собираемости земельных платежей.

Для группы методов, общей целью которых является выявление сложных зависимостей, обработка больших массивов информации с целью нахождения новых, скрытых ранее закономерностей, сложился термин Data Mining (добыча данных), который определяется как процесс аналитического исследования больших массивов информации (обычно экономического характера) с целью выявления определенных закономерностей и систематических взаимосвязей между переменными в условиях неопределенности.

Этот процесс включает в себя три основных этапа:

1) исследование;

2) построение модели или структуры;

3) проверку модели.

Хотя в последнее время возрос интерес к разработке новых методов анализа данных, специально предназначенных для сферы бизнеса (например, деревья классификации), в целом системы добычи данных по-прежнему основываются на классических принципах разведывательного анализа данных (РАД) и построения моделей, используя аналогичные подходы и методы.

Имеется важное отличие процедуры добычи данных от классического разведывательного анализа данных (РАД), так как системы добычи данных в большей степени ориентированы на практическое приложение полученных результатов, чем на выяснение природы явления. Выяснение природы участвующих функций или конкретной формы интерактивных многомерных зависимостей между переменными не является главной целью этой процедуры, а основное внимание уделяется поиску решений, на основе которых можно было бы строить достоверные прогнозы.

Таким образом, при методе добычи данных используется подход к анализу данных и извлечению знаний, который иногда называется “черный ящик”. При этом используются не только классические приемы разведочного анализа данных, но и такие методы, как нейронные сети, которые позволяют строить достоверные прогнозы, не уточняя конкретный вид тех зависимостей, на которых такой прогноз основан.

Разведывательный анализ данных (РАД) применяется для нахождения связей между переменными в ситуациях, когда отсутствуют (или недостаточны) априорные представления о природе этих связей. Как правило, при разведывательном анализе учитывается и сравнивается большое число переменных, а для поиска закономерностей используются самые разные методы.

Вычислительные методы разведывательного анализа данных включают основные статистические методы, а также более сложные, специально разработанные методы, многомерного анализа, предназначенные для отыскания закономерностей в многомерных данных.

К основным методам разведывательного статистического анализа относятся:

· процедура анализа распределений переменных (например, чтобы выявить переменные с несимметричным или негауссовым распределением, в том числе и бимодальные);

· просмотр корреляционных матриц с целью поиска коэффициентов, превосходящих по величине определенные пороговые значения;

· анализ многовходовых таблиц частот (например, "послойный" последовательный просмотр комбинаций уровней управляющих переменных).

Методы многомерного разведочного анализа специально разработаны для поиска закономерностей в многомерных данных (или последовательностях одномерных данных).

К ним относятся:

· кластерный анализ;

· факторный анализ;

· анализ дискриминантных функций;

· многомерное шкалирование;

· логлинейный анализ;

· канонические корреляции;

· пошаговая линейная и нелинейная регрессия;

· анализ соответствий;

· анализ временных рядов.

Нейронные сети - это класс аналитических методов, построенных на (гипотетических) принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений (для этих же или других переменных) после прохождения этапа так называемого обучения на имеющихся данных. Нейронные сети являются одним из методов добычи данных.

При применении этих методов, прежде всего, встает вопрос выбора конкретной архитектуры сети (числа “слоев” и количества “нейронов” в каждом из них). Размер и структура сети должны соответствовать (например, в смысле формальной вычислительной сложности) существу исследуемого явления. Поскольку на начальном этапе анализа природа явления обычно не бывает хорошо известна, выбор архитектуры является непростой задачей и часто связан с длительным процессом “проб и ошибок” (однако, в последнее время стали появляться нейронно-сетевые программы, в которых для решения этой трудоемкой задачи поиска “наилучшей” архитектуры сети применяются методы искусственного интеллекта).

Затем построенная сеть подвергается процессу так называемого “обучения”. На этом этапе нейроны сети итеративно обрабатывают входные данных и корректируют свои веса таким образом, чтобы сеть наилучшим образом прогнозировала (в традиционных терминах следовало бы сказать “осуществляла подгонку”) данные, на которых выполняется “обучение”. После обучения на имеющихся данных сеть готова к работе и может использоваться для построения прогнозов.

“Сеть”, полученная в результате “обучения”, выражает закономерности, присутствующие в данных. При таком подходе она оказывается функциональным эквивалентом некоторой модели зависимостей между переменными, подобной тем, которые строятся в традиционном моделировании. Однако, в отличие от традиционных моделей, в случае “сетей” эти зависимости не могут быть записаны в явном виде, подобно тому, как это делается в статистике (например, “A положительно коррелировано с B для наблюдений, у которых величина C мала, а D – велика”).

Методы нейронных сетей могут применяться и в таких исследованиях, где целью является построение объясняющей модели явления, поскольку с помощью нейронных сетей определяются значимые переменные или группы таких переменных, и полученные результаты могут облегчить процесс последующего построения модели.

В настоящее время имеются нейросетевые программы, которые с помощью сложных алгоритмов могут находить наиболее важные входные переменные, что уже непосредственно помогает строить модель.

Одно из главных преимуществ нейронных сетей состоит в том, что они теоретически могут аппроксимировать любую непрерывную функцию, и поэтому исследователю нет необходимости заранее принимать какие-либо гипотезы относительно модели, и даже - в ряде случаев - о том, какие переменные действительно важны.

Однако существенным недостатком нейронных сетей является то обстоятельство, что окончательное решение зависит от начальных установок сети и, как уже говорилось выше, его практически невозможно “интерпретировать” в традиционных аналитических терминах, которые обычно применяются при построении теории явления.

Для демонстрации возможности использования нейросети при моделировании была создана небольшая нейросеть из 16 нейронов в одном скрытом слое, в качестве примеров для обучения была взят фрагмент цифровой модели рельефа (ЦМР) из 130 нерегулярно расположенных точек с координатами XYZ (14.2).

После обучения (10000 эпох) была достигнута приемлемая погрешность, что наглядно видно из рисунка 14.3.

 

Рис. 14.2. Фрагмент цифровой модели рельефа

Как видно на рисунке 14.3., нейросеть не смогла повторить все особенности реального рельефа, но выявила основные тенденции формирования рельефа.

 

Рисунок 14.3. Фрагмент цифровой модели рельефа
по результатам обучения нейросети

 

В решении задач моделирования системы управления земельными ресурсами следует использовать несколько методов разведовательного анализа данных для того исключения возможных ошибок.

При анализе данных для управления земельными ресурсами может использоваться программный пакет для нейросетевого анализа NeuroPro. Данный программный продукт представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows 95 или MS Windows NT 4.0 и позволяющий производить следующие базовые операции:

· создание нейропроекта;

· подключение к нейропроекту файла (базы) данных в формате dfb (dBase, FoxBase, FoxPro, Clipper) или db (Paradox);

· редактирование файла данных – изменение существующих значений и добавление новых записей в базу данных; сохранение файла данных в другом формате;

· добавление в проект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100;

· обучение нейронной сети решению задачи прогнозирования или классификации. Нейронная сеть может одновременно решать как несколько задач прогнозирования (прогнозирование нескольких чисел), так и несколько задач классификации, а также одновременно задач и прогнозирования, и классификации;

· тестирование нейронной сети на файле данных, получение статистической информации о точности решения задачи;

· вычисление показателей значимости входных сигналов сети, сохранение значений показателей значимости в текстовом файле на диске;

· упрощение нейронной сети;

· генерация и визуализация вербального описания нейронной сети, сохранение вербального описания в текстовом файле на диске;

· выбор алгоритма обучения, назначение требуемой точности прогноза, настройка нейронной сети.

От имеющихся в настоящее время нейросетевых программных продуктов данный продукт отличает наличие:

· возможностей целенаправленного упрощения нейронной сети для последующей генерации вербального описания;

· выявления наиболее значимых для моделирования входных параметров.

При упрощении нейронной сети возможно выполнение следующих операций:

1.Сокращение числа входных сигналов нейронной сети путем удаления входных сигналов, наименее значимых для принятия сетью решения.

2.Сокращение числа нейронов сети путем удаления нейронов, наименее значимых для принятия сетью решения.

3.Комплексное равномерное упрощение нейронной сети. Для каждого нейрона сети выполняется сокращение числа приходящих на него сигналов до максимально возможного числа, задаваемого пользователем.

4.Сокращение числа связей в нейронной сети путем удаления связей, наименее значимых для принятия сетью решения.

5.Бинаризация связей в нейронной сети – приведение весов синапсов к значениям -1 и 1 или значениям из более широкого набора выделенных значений.

Для определения зависимостей факторных показателей системы управления земельными ресурсами с результативными показателями (поступление земельных платежей, валовой региональный продукт и др.) рекомендуется использовать пакет статистического анализа Statistica, версия 5.5. А. Данный программный продукт представляет собой современный пакет статистического анализа, в котором реализованы все новейшие компьютерные и математические методы анализа данных, работающий в среде MS Windows 95.

Пакет позволяет производить следующие статистические расчеты: описательные статистики, анализ многомерных таблиц, подгонка распределений, многомерная регрессия, нелинейная регрессия, логит и пробит регрессия, дискриминантный анализ, анализ соответствий, кластерный анализ, факторный анализ, многомерное шкалирование, прогнозирование временных рядов и др.; строить различные графики: матричные, диаграммы рассеяния, пиктограммы, гистограммы, карты линий уровня и др.

При работе пакета используется стандартный интерфейс электронных таблиц. Возможно обрабатывать большие массивы данных: максимальный размер файла при работе с основными статистиками – до 32000 переменных, при анализе – до 4096 переменных, неограниченное число наблюдений. Пакет отличает высокая скорость обработки данных. Существует возможность обмена данных со всеми популярными СУБД (в том числе MS Exel, MS Access).

Statistica представляет собой интегрированную систему статистического анализа и обработки данных. Она состоит из следующих основных компонент, объединенных в рамках одной системы:

· электронных таблиц для ввода и задания исходных данных, а также специальных таблиц для вывода численных результатов анализа;

· графической системы для визуализации данных и результатов статистического анализа;

· набора специализированных статистических модулей, в которых собраны группы логически связанных между собой статистических процедур;

· специального инструментария для подготовки отчета;

· встроенных языков программирования (SCL, Statistica Command Language, Statistica BASIC), которые позволяют пользователю расширить стандартные возможности системы.

 

14.3. 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 мож<



Дата добавления: 2020-08-31; просмотров: 617;


Поиск по сайту:

Воспользовавшись поиском можно найти нужную информацию на сайте.

Поделитесь с друзьями:

Считаете данную информацию полезной, тогда расскажите друзьям в соц. сетях.
Poznayka.org - Познайка.Орг - 2016-2024 год. Материал предоставляется для ознакомительных и учебных целей.
Генерация страницы за: 0.056 сек.