доцент, кафедра экономики и основ предпринимательства,
ул. 20-летия Октября, 64, г. Воронеж, 394006
Associate Professor, Department of Economics and the basics of entrepreneurship,
Univ Str. October 20 anniversary, 64, Voronezh, 394006
аспирант, кафедра экономики и основ предпринимательства,
ул. 20-летия Октября, 64, г. Воронеж, 394006
a graduate student, economics and the basics of entrepreneurship department,
University, 20 Octyabya str, 64, Voronezh, 394006
Показаны преимущества использования нейросетевых технологий по сравнению с традиционными при описании динамически меняющихся систем, к которым относится и современный земельный рынок. Выявлена основная трудность, возникающая во время практических реализаций нейросетевых моделей рынка земли и строительной продукции, состоящая в формировании репрезентативного набора обучающих и тестовых примеров. Определены требования, выполнение которых необходимо для корректного описания современной экономической ситуации, заключающееся в том, что тренировочное множество в пространстве признаков не должно иметь областей с малой плотностью наблюдений. Сформулированы методы оптимизации эмпирического массива, позволяющие избежать далёкой экстраполяция данных из областей сгущения набора примеров. Показано, что радикальный метод оптимизации набора обучающих и тестовых примеров, заключающийся в сборе дополнительной информации, для экономических задач обычно сопряжён со значительными затратами ресурсов и времени и по соотношению затраты/отдача менее эффективен, чем алгоритм оптимизации нейросетевых моделей земельного рынка на фиксированном наборе эмпирической информации. Подробно проанализирован алгоритм оптимизации, основанный на преобразовании массивов информации и заключающийся в растяжении областей сгущения набора примеров, а также сжатия областей малой плотности наблюдений. На конкретном примере рынка земельных участков Воронежской области, предназначенных для дорожного строительства, продемонстрировано значительное уменьшение относительной ошибки описания цены земельного участка, что с учётом значительной абсолютной стоимости земли делает рентабельным применение даже радикального метода оптимизации эмпирического массива. Продемонстрирована высокая экономическая эффективность применения предложенных алгоритмов.
The advantages of neural network technology is shown in comparison of traditional descriptions of dynamically changing systems, which include a modern land market. The basic difficulty arising in the practical implementation of neural network models of the land market and construction products is revealed It is the formation of a representative set of training and test examples. The requirements which are necessary for the correct description of the current economic situation has been determined, it consists in the fact that Train-paid-set in the feature space should not has the ranges with a low density of observations. The methods of optimization of empirical array, which allow to avoid the long-range extrapolation of data from range of concentration of the set of examples are formulated. It is shown that a radical method of optimization a set of training and test examples enclosing to collect supplemantary information, is associated with significant costs time and resources for the economic problems and the ratio of cost / efficiency is less efficient than an algorithm optimization neural network models the earth market fixed set of empirical data. Algorithm of optimization based on the transformation of arrays of information which represents the expansion of the ranges of concentration of the set of examples and compression the ranges of low density of observations is analyzed in details. The significant reduction in the relative error of land price description is demonstrated on the specific example of Voronezh region market of lands which intend for road construction, it makes the using of radical method of empirical optimization of the array costeffective with accounting the significant absolute value of the land. The high economic efficiency of the proposed algorithms is demonstrated.
The authors declare that there are no conflicts of interest present.