- •Управление земельными ресурсами
- •Глава 1. Основные теоретические положения системы управления
- •1.1. Основные понятия системы управления
- •1.2. Законы, принципы, функции и цели систем управления
- •1.3. Классификация методов и видов управления
- •Контрольные вопросы и задания
- •Глава 2. Теоретические основы управления земельными ресурсами
- •2.1. Объект, предмет и субъект управления земельными ресурсами
- •Объект управления - земельные ресурсы
- •2.2. Виды и задачи управления земельными ресурсами на различных административных территориальных уровнях.
- •Государственное
- •2.3. Функции, методы и принципы управления земельными ресурсами.
- •Контрольные вопросы и задания.
- •Глава 3 земельный фонд российской федерации как объект управления.
- •3.1. Распределение земельного фонда по категориям земель.
- •3.1 Распределение земель сельскохозяйственного назначения по угодьям
- •3.2. Распределение земель промышленности, транспорта, связи и иного назначения по угодьям
- •Распределение земель лесного фонда по угодьям.
- •3.4 Земли под водой в различных категориях земель
- •3.2 Распределение земельного фонда страны по угодьям.
- •3.5. Использование сельскохозяйственных угодий предприятиями и организациями (тыс. Га)
- •3.6. Использование сельскохозяйственных угодий гражданами и их коллективами (тыс. Га)
- •3.7. Динамика площади сельскохозяйственных угодий в границах Российской Федерации за период с 1990 по 2000 гг. (тыс. Га)
- •3.3. Характеристика качественного состояния земель Российской Федерации
- •3.4. Распределение земель Российской Федерации по формам прав на землю.
- •Контрольные вопросы и задания
- •Глава 4. Основные методы управления земельными ресурсами.
- •4.1. Государственный земельный кадастр
- •4.1. Распределение земель, подлежащих отнесению к федеральной собственности, по категориям в разрезе федеральных округов, тыс. Га
- •4.2. Землеустройство
- •4.3. Государственный мониторинг земель.
- •4.4. Контроль за соблюдением земельного законодательства, охраной и использованием земель (земельный контроль).
- •4.2. Основные показатели госземконтроля органов Росземкадастра, мпр России и Госстроя России за 2000 год
- •4.5. Деятельность по стандартизации, сертификаци и лицензированию в системе Росземкадастра.
- •Контрольные вопросы и задания.
- •Глава 5. Организационно-правовой механизм управления земельными ресурсами.
- •5.1. Организационная структура управления земельными ресурсами.
- •5.2. Функции органов управления земельными ресурсами.
- •5.3. Классификация источников прав в области управления земельными ресурсами
- •Контрольные вопросы и задания.
- •Приложение 1
- •1. Государственный комитет Российской Федерации по земельной политике и администрация Нижегородской области совместно осуществляют:
- •2. Государственный земельный комитет Российской Федерации:
- •3. Администрация Нижегородской области:
- •4. Комитет по земельным ресурсам и землеустройству Нижегородской области:
- •5. Федеральное государственное учреждение "Государственный кадастровый центр Нижегородской области":
- •6. Заключительные положения:
- •Глава 6. Экономический механизм управления земельными ресурсами
- •6.1. Основные положения формирования земельной ренты.
- •6.1. Формы и виды земельной ренты
- •6.2. Основные формы платы за землю.
- •Формы платы за землю
- •Базовая величина нормативной цены земли
- •Рентообразующие факторы и условия образования дифференциальной ренты
- •Характеристики территорий
- •6.3. Формирование рыночного оборота земли.
- •6.4. Земельные банки и ценные бумаги.
- •Муниципальные земельные облигационные займы
- •Земельные ипотечные облигации
- •Бюджет города
- •Центральный
- •Контрольные вопросы и задания.
- •Глава 7. Информационное обеспечение управления земельными ресурсами
- •7.2. Земельно-информационная система
- •7.3. Информационное обеспечение системы природопользования.
- •7.1. Природно-ресурсный потенциал регионов страны
- •Контрольные вопросы и задания
- •Глава 8. Управление земельными ресурсами субъектов российской федерации
- •8.1. Организационная структура управления земельными ресурсами субъектов рф.
- •8.2. Особенности управления землями различных категорий субъекта Федерации.
- •Глава 9. Управление земельными ресурсами вмуниципальных образованиях.
- •9.1. Основные положения функционирования муниципальных образований.
- •В процессе управления можно выделить как относительно самостоятельные следующие основные этапы (циклы) управления комплексным социально-экономическим развитием муниципального образования:
- •9.2. Особенности управления земельными ресурсами в муниципальных образованиях.
- •Рыночные
- •Социальные
- •Структура управления Дробянским образованием
- •9.3. Мероприятия по управлению землями муниципального образования.
- •Глава 10. Особенности управления земельными ресурсами городов и иных поселений.
- •10.1. Основные особенности узр поселений.
- •10.2. Основные мероприятия узр поселений.
- •Контрольные вопросы и задания
- •Глава 11. Особенности управления земельными ресурсами в г. Москве.
- •11.1. Анализ использования земель г. Москвы
- •11.1. Площади административных округов
- •11.2. Распределение земельного фонда г. Москвы по угодьям.
- •11.3. Прогнозные показатели рационального использования земли в Москве, га.
- •11.2. Формирование законодательной базы узр г. Москвы
- •11.3. Организационная система узр г. Москвы
- •Городская дума
- •Правительство города
- •Префектуры
- •Районные управы
- •11.4. Экономический механизм узр г. Москвы
- •11.5. Анализ проведения конкурсов на выполнение земельно-кадастровых и землеустроительных работ для государственных нужд в г. Москве
- •Контрольные вопросы и задания.
- •Глава 12. Основные методы и приемы определения эффективности системы управления земельными ресурсами
- •12.1 Основные методы и приемы определения эффективности системы узр.
- •Экономическая
- •Технико-технологическая
- •Бюджетная
- •Народно-хозяйственная
- •12.2 Критерии и показатели эффективности системы узр.
- •По приоритету
- •По народно-хозяйственной значимости
- •По виду результата
- •По виду расчета
- •Пилотная проверка определенной методологии
- •Показатели оценки эффективности системы управления
- •Характеристика содержания процесса управления земельными ресурсами
- •Глава 13. Определение эффективности системы узр в субъектах Российской Федерации
- •13.1. Методика определения эффективности системы управления земельными ресурсами
- •13.1. Классификация факторов, влияющих на виды эффекта управления земельными ресурсами
- •1 3.2. Пример определения эффективности системы управления земельными ресурсами в федеральном округе и субъекте Федерации
- •13.2 Анализ поступления земельных платежей за 1992-2001 гг., у.Е./1000 га
- •13.3 Результаты множественной корреляционной зависимости между поступлением платежей за землю и финансированием отдельных видов земельно-кадастровых работ
- •13.5 Анализ эффективности земельно-кадастровых и землеустроительных действий в Приволжском федеральном округе, у.Е./1000 га
- •1 Этап. Определение результативного показателя, характеризующего экономическую деятельность региона.
- •2 Этап. Выбор факторов, оказывающих наиболее существенное влияние на валовой региональный продукт.
- •3 Этап. Составление статистической модели зависимости валового регионального продукта от факторов, его обуславливающих
- •4 Этап. Построение модели на основе нейросети для валового регионального продукта
- •5 Этап. Определение величин вкладов каждого фактора в величину валового регионального продукта
- •13.6 Доля основных факторов в величине валового регионального продукта региона с использованием регрессии (пакет Statistica)
- •13.7 Вклад факторов в величину валового регионального продукта региона с использованием нейросетевого анализа (пакет NeuroPro)
- •6 Этап. Анализ результатов
- •13.4. Методика определения доли участия системы управления земельными ресурсами в поступление платежей за землю
- •1 Этап. Выбор факторов, оказывающих наиболее существенное влияние на величину поступления земельных платежей
- •2 Этап. Составление статистической модели зависимости земельных платежей.
- •13.4. График остатков предсказанных и наблюдаемых переменных.
- •13.5. Распределение предсказанных значений земельных платежей.
- •3 Этап. Построение нейросети для земельных платежей
- •13.8. Определение вклада факторов на земельные платежи с использованием нейросетевого анализа
- •Контрольные вопросы и задания
- •Глава 14. Моделирование системы управления земельными ресурсами
- •14.1. Теоретические положения прогнозирования системы управления земельными ресурсами
- •Модели прогнозирования
- •14.2. Применение нейросетевого и статистического анализа для моделирования системы управления
- •14.3. Методика прогнозировании системы управления земельными ресурсами на основе использования статистического и нейросетевого анализа данных
- •14.1. Прогноз поступления земельных платежей в субъектах рф, входящих в Приволжский федеральный округ (Statistica)
- •Глава 15. Управление земельными ресурсами в зарубежных странах.
- •Методы административного регулирования по сохранению сельхозугодий (по разработкам в.И. Назаренко).
- •Налоговые льготы для собственников сельхозугодий (по разработкам в.И. Назаренко).
- •Основные видя политики по государственному влиянию на земельный рынок (по разработкам в. И. Назаренко)
- •Преференциальные оценки цены сельскохозяйственных земель в некоторых европейских странах страна
- •Порядок выдачи разрешения на отчуждение земельного участка.
- •Сделки по передаче недвижимого имущества (земли).
- •Регистрация прав на недвижимое имущество (землю)
- •Арендная плата за землю (по данным в.И. Назаренко)
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:
исследование;
построение модели или структуры;
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.