7.Теоретические положения прогнозирования системы управления земельными ресурсами.

• Система управления земельными ресурсами включает много аспектов –

• политический,

• административно- управленческий,

• правовой,

• внедренческий.

• Она выполняет несколько функций –

• планирование,

• организация,

• регулирование,

• контроль.

• Система может быть разбита на составляющие подсистемы- организационная

структура, правовой механизм и т.д.

• Прогноз использования земельных ресурсов и управления этими процессами ввиду

многообразия аспектов и функций может быть :

• системным(функционирование 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, страхование земельно-кадастровой информации, инвестиции в земельно-кадастровое производство и т.д.

• Системный прогноз использования земель и управления земельными ресурсами в

целом является наиболее сложным, так как должен включать в себя все составляющие параметры, учитывать все произведенные затраты, виды получаемых эффектов. Отсутствие достоверной и систематизированной экономический информации в полном объеме затрудняет проведение системного анализа.

• В качестве приемлемого на текущий момент по наличию необходимой исходной

информации примера рассмотрим методику прогнозирования структуры управления (численности земельной службы), а также системы управления по экономическим составляющим. Прогноз структуры управления земельными ресурсами в учебных целях ограничим до прогноза штатной численности работников в организациях системы Росреестра для всех административно- территориальных уровней.

• Принимаем следующую последовательность решения задачи.

• 1. Анализируем влияние численности работников Росреестра на результативный

показатель, отражающий деятельность системы управления. Для этого определяем возможность применения математического аппарата для составления уравнения зависимости. Численность работников земельной службы должна быть выражена в относительных показателях (человек на 1000 га земель субъекта Российской Федерации или человек на 1000 жителей исследуемого региона). Между числом работников земельной службы (специалистов на 1000 га земель субъекта Российской Федерации) и размером земельных платежей отмечена средняя положительная связь. 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 колебался от 0.46 до 0,60.

• 2. Составляем уравнение для определения численности работников земельной

службы. Прогноз численности органов управления земельными ресурсами целесообразно выполнять с использованием корреляционной зависимости (построение линии тренда). Эту задачу можно выполнить, используя стандартное приложение Excel. При построении линии тренда выбирают функцию, наиболее точно описывающую динамику показателя. Сравнить функции можно по коэффициентам множественной корреляции и детерминации, которые получаются при построении линии тренда. В расчетах используют данные за последние 5 – 7 лет. Динамика численности работников системы Росреестра (ранее Роснедвижимости) за 1991 – 2000 гг в Российской Федерации и в Приволжском федеральном округе показана на указанном графике, где по вертикали отмечена численность чел\ 1000 га, по горизонтали – годы исследования.

• 30

• 25

• 20

• 15

• 10

• 5

• 0

• 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

• - по Приволжскому федеральному округу

• - по Российской Федерации.

• Как видно, численность работников земельной службы имеет тенденцию

снижения. Если на первом этапе зависимость между численностью работников и результативным показателем не была выявлена (или эта зависимость слабая), возможно построение графика по точкам пар наблюдений вручную.

• По этому графику можно построить линию тренда.

• 3. Рассчитаем по составленному уравнению прогнозируемую численность

работников земельной службы.

• Для субъектов Приволжского федерального округа на 2002 г. она составила 15 чел

на 1000 га.

• В среднем по Российской Федерации прогнозная численность работников

земельной службы составляет 13 чел.

• Аналогичные расчеты могут быть проведены по каждому субъекту Российской

Федерации, входящему в Приволжский федеральный округ.

• При составлении графика вручную прогнозируемая численность может быть

определена графически путем экстраполяции его линии до прогнозного периода.

• Полученные прогнозируемые значения служат основой для расчетов

прогнозируемых поступлений земельных платежей Такой прогноз как экономический результат функционирования системы использования земель и управления земельными ресурсами может быть выполнен следующим методом.

• 1. Выбираем показатели, по которым будет составлен прогноз развития указанной

системы, которая представлена показателями земельно-кадастровых и землеустроительных действий, а также поступлениями земельных платежей как адекватно характеризующих систему управления земельными ресурсами. В качестве результативного был использован показатель размера поступивших земельных платежей

(земельный налог и арендная плата за землю) со всех категорий земель в условных единицах на 1000 га.

• В качестве факторов были использованы показатели :

• затрат на выполнение землеустроительных и земельно-кадастровых работ ;

• удельного веса земель, находящихся в различных формах собственности ;

• плотности населения ;

• удельного веса федерального финансирования в общем объеме финансирования ;

• размеров штрафов за нарушения использования земель, выявленные в ходе государственного земельного контроля ;

• удельного веса земель различных категорий в площади всей территории.

• 2. Определяем состав факторов, оказывающих основное влияние на эффективность

системы управления. Для этого из группы факторов, первоначально отобранных на основе экспертного метода, выбираем наиболее значимые . На этом этапе наиболее эффективно использование статистических методов :

• корреляционно- регрессионного анализа,

• кластерного анализа,

• метода группировок и др.

• Наиболее доступный и часто применяемый для большинства пользователей –

корреляционно–регрессионный анализ. Поэтому его используют для выбора наиболее значимых показателей (пакет Statistica).

• На основе анализа корреляционной матрицы определяем степень влияния

отдельных факторов на размер платежей за землю и исключаем факторы, слабо влияющие на результативный показатель, а также тесно коррелирующие между собой. Последнее также искажает множественную зависимость.

• Расчеты проводят с лагом в 1 год, так как в данной зависимости сборов платежей за

землю от объемов землеустроительных и земельно-кадастровых работ имеет место отложенный на срок одного года эффект.

• При этом в расчеты уравнения включали результативные показатели текущего

года и зависимые переменные предыдущего года. Если в расчетах используют данные за ряд лет (что предпочтительнее, так как возрастает достоверность расчетов), то результативные показатели берут за n-й год, а соответствующие им зависимые переменные – за предыдущий год.

• Например, поступление земельных платежей за 2001 г. –затраты на земельно-

кадастровые работы за 2000 г., платежи за 1999 г. – затраты за 1998 г.

• 3. Составляем математическую модель прогнозирования поступления земельных

платежей. После анализа парной корреляции составляем уравнение множественной корреляционной зависимости (пакет Statistica). В процессе расчетов выбираем :

• форму корреляционной зависимости (линейную или нелинейную) ;

• вид уравнения (полиномиальное, экспотенциальное, степенное);

• оптимальный метод расчета уравнения.

• В данном случае наиболее приемлема множественная линейная форма зависимости

с использованием пошагового метода (с последовательным включением наиболее значимых переменных).

• Уравнение множественной корреляционной зависимости земельных платежей от

удельного веса видов землеустроительных и земельно-кадастровых работ и числа работников земельной службы на 1000 га имеет вид

• Пл = 523,02 + 30,35 Х а + 2,40 Х б - 8,33 Х в -13,96 Х г+ 11,61 Х д +12,48 Хе

• 4. Рассчитываем прогнозируемый размер факторов, включенных в уравнение. Для

этого по линиям тренда вычисляем прогнозируемое значение зависимых переменных, входящих в уравнение.

• Прогноз числа работников земельной службы на 1000 га составил в Приволжском

федеральном округе 15 чел. (Х а) ;

• Удельный вес топографо-геодезических и картографических работ – 40 % (Х б) ;

Составление схем и проектов по перераспределению и улучшению и охране земель

– 8 % (Х в) ;

• Земельно-оценочные работы и мониторинг земель – 5 % (Х г) ;

• Межевание и инвентаризация земель - 35 % (Х д) ;

• Затраты на создание и ведение АИС ГЗК – 13 % (Х е).

• Аналогичные расчеты делают по всем субъектам Российской Федерации,

входящим в федеральный округ.

• 5. На основе рассчитанных прогнозных значений зависимых переменных,

входящих в уравнение каждого субъекта Российской Федерации, входящего в округ, составляют прогнозируемый размер поступления земельных платежей.

• По Приволжскому федеральному округу они составили 970 у.е.\ 1000 га.

• 6. Анализируем фактические и прогнозируемые значения. Прогнозируемое

поступление земельных платежей на примере субъектов Российской Федерации, входящих в Приволжский федеральный округ, полученных расчетом по уравнению множественной корреляционной зависимости, приведено ниже. (пакет Statistica)

• Субъект Земельные платежи (млн руб.)

• Российской Федерации фактические прогнозируемые

• ____________1_____________________2_______________________3_______

• Республики :

• Башкоторстан 892,8 600

• Марий Эл 494,8 830

• Мордовия 1267,8 610

• Татарстан 2928,8 1300

• Удмуртская 1627,3 2230

• Чувашская 2059,4 2640

• Область :

• Кировская 656,7 910

• Нижегородская 1662,6 2100

• Пермская 1096,1 1320

• Пензенская 884,9 970

• Самарская 4635,7 5400

• Саратовская 851,2 1030

• Ульяновская 1446,4 1020

• Коми-Пермяцкий АО 77,9 510

• где П зф - фактические земельные платежи,

• П зр – расчетные платежи.

• Из данных таблицы видно, что в четырех субъектах Российской Федерации

прогнозируемые показатели более 2000 р\га (Удмуртская, Чувашская республики, Нижегородская и Самарская области). В шести субъектах Российской Федерации (республики Башкоторстан, Марий Эл, Мордовия, Кировская и Пензенская области, Коми-Пермяцкий АО) прогнозируемые земельные платежи меньше 1000 руб.\га.

• 7. Проверяем выполненные расчеты для устранения возможных резких отклонений

прогнозируемых и фактических значений, вызванных воздействием факторов, не учтенных в уравнении, а также неверным выбором вида математической зависимости.

• Эту задачу решаем с использованием другого вида уравнения (нелинейного) или

изменяя состав включенных в уравнение зависимых переменных, а также с применением другого метода РАД.

• Использование другого вида регрессионной зависимости даст менее объективные

результаты, так как на этапе выбора формы зависимости уже был принят оптимальный вариант. Применение другого метода РАД предпочтительнее, так как в этом случае можно 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 него

можно построить нейросеть, проанализировать и откорректировать влияние факторов, включенных в нее, а также составить прогнозируемый размер земельных платежей. Преимущество нейросетевого анализа в проведении таких расчетов состоит в отсутствии промежуточных расчетов прогнозируемых значений каждого фактора, так как нейросеть на основе обучающего множества сама определяет прогнозируемые земельные платежи.

• Для составления прогноза может быть использовано уравнение, составленное при

анализе эффективности системы управления.

• Э узр = П зф \ П зр ,

• Для решения задачи была построена нейросеть в двух вариантах (с

использованием тех же факторов, которые были включены в корреляционно-регрессионную модель; а также с использованием другого состава факторов).

• Анализ прогнозируемых земельных платежей с использованием нейросетевого

анализа (NeuroPro) приведен ниже.

• млн рублей

• Субъект Фактические Прогноз Разница прогнозир.

• Российской Федерации земельн платеж сети и фактич. значений

• Республики :

• Башкоторстан 892,8 582 - 311

• Марий Эл 474,8 730 256

• Мордовия 1267,8 545 - 723

• Татарстан 2928,8 1785 -1144

• Удмуртская 1627,3 2635 1008

• Чувашская 2059,4 2238 179

• Области :

• Кировская 656,7 1073 416

• Нижегородская 1662,6 1933 270

• Пермская 1096,1 1584 488

• Пензенская 884,9 1123 238

• Самарская 4635,7 5394 758

• Саратовская 851,2 1043 192

• Ульяновская 1446,4 1023 - 424

• Коми-Пермяцкий АО 77,9 551 473

• Из данных таблицы видно, что прогнозируемые размеры земельных платежей

нейросети в четырех субъектах Российской Федерации (Башкоторстан, Мордовия, Татарстан и Ульяновская область) оказались ниже фактических поступлений .Это свидетельствует о том, что на данных территориях используют иные резервы, не являющиеся общими для совокупности объектов, участвовавших при построении модели. Это может быть как особые экономические, социальные и политические условия, так и более эффективная деятельность органов власти территорий.

Сравнение двух вариантов расчета прогнозируемых значений (с применением

расчетно-корреляционного и нейросетевого анализов) показало, что прогноз достоверный.

• 8. Составляем графическую модель прогноза с целью наглядности полученных

результатов.