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.

рынок земли, дорожное строительство, нейронная сеть, оптимизация, экономическая эффективность

1. Грешилов А.А. Математические методы принятия решений, М.: МГТУ им. Н.Э. Баумана, 2006, 583 с.

2. Stanley J. Introduction to Neural Networks. Sierra Madre, CA // California Scientific Software. 2011. 311 p.

3. Hinton. G.E., Sejnowski. T.J. Learning and Relearning in Boltzmann Machines // P-rullel Distributed Proceedings. 1996. V. 11. P. 282–317.

4. Цыпкин А.И. Нейронные сети: История развития теории. М.: ИПРЖР, 2011, 517 с.

5. Бир С. Мозг фирмы. М.: Радио и связь, 1993. 524 с.

6. Eldon Y. L., San-Hsing, Ming-Hsiung, Chia-Yi Applications Artificial neural networks and their business applications // Information & Management. Institute of Information Management, National Chung Cheng University of Taiwan, R.O.C. 2014, P. 303–313.

7. Фролов Ю.В., Пастухов Е.С. Мониторинг изменений в банковском сообществе России с применением самоорганизующихся карт Кохонена // Банковские технологии. 2012. № 11.

8. Недосекин А.О., Заболоцкий С.Н. Подход к учету долговых обязательств в программах фондового менеджмента // Аудит и финансовый анализ. 2001. № 1. 31 с.

9. Карпович М.А. Нейросетевые методы оценки затрат на научно исследовательские и проектно-изыскательские работы // Вестник Воронежского государственного университета инженерных технологий». 2014. № 1. С. 235–240.

10. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности. Новосибирск: Наука, 2002. 215 с.

11. Barron A.R. Predicted Squarer Errors: A Criterion for Automatic Model Selection. New York: Marcel Dekker, 2006. 311 p.