CC BY
22
УДК 631.3
ИССЛЕДОВАНИЕ МЕТОДОВ РАЗРАБОТКИ ПРОГРАММ ТЕХНИЧЕСКОГО ОСНАЩЕНИЯ СЕЛЬСКОГО ХОЗЯЙСТВА
В.Н. Кузьмин
Рассмотрено возможное применение методов для разработки программ технического оснащения сельского хозяйства: нормативного, статистического, искусственных нейронных сетей (ИНС) с целью повышения точности планирования. Критерий точности - коэффициент парной корреляции между расчетными и фактическими показателями.
Ключевые слова: планирование, методы, техническое оснащение, сельское хозяйство, нейронные сети.
В современных условиях программно-целевой метод планирования становится одним из основных механизмов, применяемых государством для развития отраслей экономики. В сельском хозяйстве в 2006-2007 гг. был реализован приоритетный национальный проект «Развитие АПК». В настоящее время осуществляется Государственная программа развития сельского хозяйства и регулирование рынков сельскохозяйственной продукции, сырья и продовольствия на 2008-2012 годы (далее - Госпрограмма), в которой, в том числе, предусматривается комплекс мер по технической и технологической модернизации сельского хозяйства с целью технического и технологического обновления парка сельскохозяйственной техники [1,2].
Ресурсным обеспечением данного направления являются субсидии по кредитам на приобретение техники и взнос в уставный капитал ОАО «Росагро-лизинг», целевыми индикаторами - число приобретенной техники и объемы привлеченных кредитов (табл. 1).
По ряду причин эти целевые показатели не достигнуты [3,4,5,6] (табл. 2).
Анализ показывает (см. табл. 2), что, если объемы привлеченных кредитов недовыполнены на 15%, то количество приобретенной сельскохозяйственной техники меньше запланированного на 21-32%.
Можно сделать вывод, что даже если бы объемы кредитов были привлечены в точном соответствии с планом, техника в запланированном размере не была бы приобретена.
В этой связи актуальна проблема по анализу и выбору инструментария дающего более точные оценки при разработке программ технического оснащения сельского хозяйства. Необходимо ответить на вопрос разработчиков программ: какие методы им применять, чтобы получить наименьшие отклонения фактических значений от плановых показателей ресурсного обеспечения и целевых индикаторов.
Таблица 1. Ресурсное обеспечение и целевые индикаторы реализации мероприятий по технической и технологической модернизации сельского хозяйства в Госпрограмме
Показатели ресурсного обеспечения и целевые индикаторы 2008 г. 2009 г. 2010 г. 2011 г. 2012 г. 20082012 гг.
Субсидии на возмещение части затрат на уплату процентных ставок по инвестиционным кредитам на приобретение сельскохозяйственной техники, млн руб. 2450 5360,1 8450 10279,4 11547,4 38086,9
Взнос Российской Федерации в уставный капитал ОАО «Росагролизинг» 4000 2000 6000
Приобретение сельскохозяйственной техники сельскохозяйственными организациями, КФХ (включая индивидуальных предпринимателей), тыс. шт.: тракторы комбайны зерноуборочные комбайны кормоуборочные 23 7,9 3 29 9 3,5 35 11 3,5 41 12,5 3,5 48 15 3,5 176,0 55,4 17,0
Объемы привлеченных кредитов, млрд руб. 49 46,5 59,8 50 50 255,3
Таблица 2. Выполнение целевых индикаторов реализации мероприятий по технической и технологической модернизации сельского хозяйства в Госпрограмме,
2008-2010 гг.
Показатели План Факт Выполнение, % Отклонение, процентных пунктов
Приобретение, тыс. ед.:
тракторов 87000 59086 67,9 - 32,1
зерноуборочных комбайнов 27900 22023 78,9 - 21,1
кормоуборочных комбайнов 10000 6899 69,0 - 31,0
Объем привлеченных кредитов, млрд. руб. 155,3 131,9 84,9 - 15,1
В ФГБНУ «Росинформагротех» выполнено исследование по данной проблеме. Рассмотрены три группы методов: детерминированные (использован нормативный метод), вероятностные (статистические) (использован — корреляционно-регрессионный анализ), а также искусственные нейронные сети.
Детерминированные технологии включают в себя полное описание задачи (модели), подборку по известным параметрам известного алгоритма и получение с его помощью ответа.
Параметры вероятностных моделей — это распределения случайных величин, их средние значения, дисперсии и т.д. Для их оценки используются статистические методы, применяемые к выборкам наблюдаемых значений.
Искусственная нейронная сеть - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами ней -ронной сети.
Критерием точности приняты коэффициенты парной корреляции между расчетными значениями целевых индикаторов, полученных с помощью соответствующего метода и фактическими показателями приобретением тракторов, зерно- и кормоуборочных комбайнов в регионах.
При анализе нормативного метода использовались разработанные ГНУ ВИМ Россельхозакадемии «Нормативы потребности АПК в технике для растениеводства и животноводства» и «Методика использования условных коэффициентов перевода тракторов, зерноуборочных и кормоуборочных комбайнов в эталонные единицы при определении нормативов их потребности» [1, 2]. Нормативы отражают оптимальный по структуре и количественному составу парк тракторов и комбайнов, обеспечивающий выполнение годового объема механизированных работ в соответствии с прогрессивными технологиями в оптимальные агротехнические сроки.
В качестве объекта планирования принят субъект Российской Федерации. Покажем порядок расчета на примере определения расчетного целевого индикатора приобретения тракторов для субъекта Российской Федерации (табл. 3).
Таблица 3. Определение расчетного целевого индикатора по приобретению тракторов
нормативным методом (фрагмент)
Субъект Российской Федерации Аг-р°- зона Норматив потребности, усл. эт. тр/1000 га пашни Норматив потребности в физических тракторах, тракторов/1000 га пашни Пашня, используемая предприятиями, организациями и гражданами, тыс. га Нормативная потребность в тракторах, ед. Наличие тракторов, ед. Недостающее число тракторов до нормативной потребности, ед. Расчетный целевой индикатор приобретения тракторов, ед. Приобретение тракторов по Госпрограмме, ед.
плановое фактическое
Белгородская
область 1.2 16,97 14,14 1604,4 22689 7494 15195 406 488 488
Брянская
область 1.1 11,32 9,43 1098,3 10361 3867 6494 173 247 255
Еврейская
автономная
область 7.2 13,40 11,17 82,5 921 339 582 16 28 98
Всего 115341,9 1288241 396849 893785 23873 22187 23873
В идеале следует определить фактическое помарочное количество тракторов в субъекте Российской Федерации. По таблицам условных коэффициентов перевести их в эталонные единицы. Исходя из площадей пашни, рассчитать нормативную потребность в технике. Сравнивая эталонные единицы тракторов с нормативными, определить недостаток или избыток техники. Переведя с помощью условных коэффициентов в физические единицы определить необходимое количество тракторов.
Поскольку помарочное количество тракторов в субъекте РФ неизвестно, расчет выполнен следующим образом. Известны агорозоны каждого субъекта РФ, нормативы потребности в усл. эт. тр. на 1 тыс. га, площади пашни, наличие тракторов [9].
Норматив потребности в физических тракторах определен делением норматива потребности в усл. эт. тракторах на 1,2 - среднее значение условного коэффициента для парка страны [7, с.29]. Сравнивая потребность с наличием, находим недостаток тракторов.
Расчетный целевой индикатор по приобретению тракторов определялся по формуле:
где Ri - расчетный целевой индикатор по приобретению тракторов в i-ом субъекте Российской Федерации, ед.;
n - число субъектов Российской Федерации, которым даются задания по приобретению тракторов в Госпрограмме, ед.;
Ti - недостающее число тракторов до нормативной потребности в i- ом субъекте Российской Федерации, ед.;
Gi - фактическое число приобретенных тракторов в i-ом субъекте Российской Федерации по Госпрограмме, ед.
В таблице 3 приведен фрагмент расчета целевых индикаторов по приобретению тракторов за один год (данные 2008 г.). С целью повышения достоверности и точности расчета, произведены расчеты за три года - 2008-2010 гг. Аналогичные расчеты были произведены для зерноуборочных и кормоубороч-ных комбайнов.
Анализ корреляции между расчетными целевыми индикаторами и фактическим приобретением тракторов, зерно- и кормоуборочных комбайнов, показал следующие значения (табл. 4).
Можно предположить, что если бы был известен помарочный состав парка тракторов в субъекте РФ, расчетные значения целевых показателей меньше бы отличались от фактических, коэффициенты корреляции были бы выше.
При анализе статистического метода использовалась множественная регрессия. Программная реализация — Microsoft Excel.
(1)
Таблица 4. Коэффициенты корреляции между расчетными целевыми индикаторами полученными нормативным методом и фактическими приобретением тракторов,
зерно- и кормоуборочных комбайнов
Корреляционная связь между величинами Коэффициент корреляции Качественная характеристика тесноты связи
Расчетный целевой показатель приобретения тракторов Фактическое приобретение тракторов 0,5931 Заметная
Расчетный целевой показатель приобретения зерноуборочных комбайнов Фактическое приобретение зерноуборочных комбайнов 0,7939 Высокая
Расчетный целевой показатель приобретения кормоуборочных комбайнов Фактическое приобретение кормоуборочных комбайнов 0,4445 Умеренная
Экспертным методом были выбраны следующие независимые переменные (факторы):
х1 — уровень расчетной бюджетной обеспеченности 1-го субъекта Российской Федерации с учетом дотаций (РБО^ — соотношение индексов налогового потенциала и бюджетных расходов субъекта Российской Федерации, ежегодно рассчитываемый и публикуемый Минфином России в соответствии с постановлением Правительства Российской Федерации от 22 ноября 2004 г. № 670 [1];
х2 — прибыль (убыток) до налогообложения сельскохозяйственных организаций
1-го субъекта Российской Федерации, тыс. руб.;
х3 — рентабельность по прибыли до налогообложения (с учетом субсидий) сельскохозяйственных организаций 1-го субъекта Российской Федерации, %;
Х — объем привлеченных кредитов по направлению «Техническая и технологическая модернизация» (инвестиционных кредитов до 10 лет) Госпрограммы 1-го, субъекта Российской Федерации, факт, тыс. руб.;
х5 — объем субсидий из федерального бюджета по направлению «Техническая и технологическая модернизация» Госпрограммы 1-го субъекта Российской Федерации факт, тыс. руб.;
Х6 — наличие тракторов (включая тракторы, на которых смонтированы землеройные, мелиоративные и другие машины на конец года в сельскохозяйственных организациях в 1-ом субъекте Российской Федерации, ед.;
Х7 — наличие зерноуборочных комбайнов на конец года в сельскохозяйственных организациях в 1-ом субъекте Российской Федерации, ед.;
Х8 — наличие кормоуборочных комбайнов на конец года в сельскохозяйственных организациях в 1-ом субъекте Российской Федерации, ед.;
Х9 — пашня, используемая предприятиями, организациями и гражданами в в 1-ом субъекте Российской Федерации, тыс. га;
х10 — площадь зерновых и зернобобовых культур в хозяйствах всех категорий в 1 в 1-ом субъекте Российской Федерации тыс. га;
х11 — площадь кормовых угодий, используемых предприятиями и гражданами, занимающимися сельским хозяйством в 1-ом субъекте Российской Федерации тыс. га.
Зависимые переменные:
у1 — фактическое приобретение тракторов в 1-ом субъекте Российской Федерации, ед.;
у2 — фактическое приобретение зерноуборочных комбайнов в 1-ом субъекте Российской Федерации, ед.;
у3 — фактическое приобретение кормоуборочных комбайнов в 1-ом субъекте Российской Федерации, ед.;
С помощью этого метода была решена также обратная задача: какой объем привлеченных кредитов необходимо запланировать при заданном числе приобретаемых тракторов, зерно- и кормоуборочных комбайнах и других факторах (табл. 5).
Анализ показывает, что статистический метод дает высокую степень связи, то есть, фактические значения будут меньше отклоняться от плановых целевых показателей рассчитанных этим методом.
Таблица 5. Коэффициенты множественной корреляции между целевыми индикаторами приобретения тракторов, зерно- и кормоуборочных комбайнов и факторами
Зависимая переменная Независимые переменные Коэффициент множественной корреляции Качественная характеристика тесноты связи
У1 Х1; Х2; хэ; Х4; Х5; х6; Х9 0,8453 Высокая
У2 Х1; Х2; Х3; Х4; Х5; Х10; Х7 0,9200 То же
У3 Х1; Х2; Х3; Х4; Х5; Х8;ХП 0,8350 -«-
х4(обратная задача) Х1; Х2; Х3; Х6;Х7;Х8;Х9; Х10; ХП; у1; у2; у3 0,6041 Заметная
Искусственная нейронная сеть (ИНС) представляет собой систему простых процессоров (искусственных нейронов), соединённых и взаимодействующих между собой по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма (рис. 1)
Будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
ИНС — математические модели, а также их программные или аппаратные реализации. В ИНС вычисления и обучение распределены по всем активным элементам — нейронам, каждый из которых есть элементарный процессор, производящий, хотя и простейшую операцию, но сразу над большим количеством входов. Вычисления и обучение полностью параллельны [11,12].
Рис. 1. Модель ИНС
ИНС работает следующим образом. Информация о задаче содержится в наборе примеров, которые подаются на вход сети. Сеть выдает ответ. Вычисляется вектор ошибки (разность между реальным ответом сети и правильным). С помощью алгоритма обратного распространения ошибки подстраиваются веса сети и вновь подаются на вход примеры. После многократного предъявления примеров (102-106) величина ошибки постепенно уменьшается, веса нейронной сети стабилизируются. Когда величина ошибки достигает приемлемого малого уровня (нейронная сеть дает правильные ответы на все или почти все) примеры, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных.
Качество обучения нейронной сети зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.
Применен пакет NeuroShell 2 (версия 4.0) — программная реализация ИНС, выполненная компаниями Ward Systems Group, Inc и «Нейропроект».
Для решение задач проанализировано применение следующих типов и архитектур ИНС, реализованных в NeuroShell 2:
стандартные сети (тип сетей с обратным распространением ошибки, в котором каждый слой связан только с непосредственно предшествующим слоем);
сети с обходными соединениями (сети с обратным распространением ошибки, каждый слой связан со всеми предшествующими слоями);
рекуррентные сети (сети с обратным распространением ошибки, но во входном слое есть еще один дополнительный блок, который соединен со скрытым слоем точно так же, как и другой входной блок);
сети Ворда (сети с обратным распространением ошибки, в скрытом слое которых нескольких блоков, каждый из которых имеет свою передаточную функцию);
нейронные сети с общей регрессией (НСОР, известны своей способностью обучения в результате однократного предъявления тренировочных данных. Способны предсказывать выходы с непрерывной амплитудой);
полиномиальные сети (архитектура, называемая еще Методом группового учета аргумента (МГУА). Содержит в связях полиномиальные выражения и использует в механизм принятия решения о том, сколько слоев необходимо построить. Результатом тренировки является возможность представить выход как полиномиальную функцию всех или части входов).
В качестве примеров использовались те же данные, что в статистическом методы: уровень расчетной бюджетной обеспеченности; прибыль (убыток), рентабельность по прибыли до налогообложения сельскохозяйственных организаций и др. Входы и выходы менялись в зависимости от постановки задач.
Наилучший результат для определения расчетного целевого показателя приобретения тракторов по коэффициенту корреляции получен при использовании архитектуры МГУА расширенный (табл. 6).
Таблица 6. Анализ архитектур ИНС для определения расчетного целевого показателя приобретения тракторов (сети ранжированы по убыванию коэффициента корреляции)
№ п/п Архитектура сети Коэффициент корреляции
1. МГУА расширенный 0,8836
2. МГУА простой 0,8817
3. НСОР 0,8598
4. Реккурентная с отрицательной обратной связью от скрытого слоя 0,8488
5. Ворда с двумя блоками в скрытом слое, обходным соединением 0,8299
6. Реккурентная с отрицательной обратной связью от входного слоя 0,8233
7. Стандартная с одним промежуточным слоем 0,8202
8. Реккурентная с отрицательной обратной связью от выходного слоя 0,8196
9. Ворда с двумя блоками в скрытом слое 0,8121
10. Стандартная с тремя промежуточными слоями 0,8083
11. Стандартная с двумя промежуточными слоями 0,8039
12. Ворда с тремя блоками в скрытом слое 0,8014
13. С обходным соединением с одним промежуточным слоем 0,7867
14. С обходным соединением с двумя промежуточными слоями 0,7797
15. С обходным соединением с тремя промежуточными слоями 0,7786
Лучшая архитектура сети для определения расчетного целевого показателя приобретения зерноуборочных комбайнов - МГУА простой (коэффициент корреляции - 0,9371), приобретения кормоуборочных комбайнов МГУА расширенный (0,9038), объема привлеченных кредитов МГУА расширенный (0,9671).
ИНС (кроме сетей МГУА) позволяют также устанавливать не один, несколько выходов сразу. Поэтому была исследована взаимосвязь у1 (приобретение тракторов), у2 (приобретение зерноуборочных комбайнов), у3 (приобретение кормоуборочных комбайнов) от х1 (РБО^, х2 (прибыль (убыток) до налогообложения сельскохозяйственных организаций), х3 (рентабельность по прибыли до налогообложения (с учетом субсидий), Х4 (объем привлеченных кредитов
по направлению «Техническая и технологическая модернизация»), x5 (объем субсидий из федерального бюджета по направлению «Техническая и технологическая модернизация»), x6 (наличие тракторов), x7 (наличие зерноуборочных комбайнов), x8 (наличие кормоуборочных комбайнов), x9 (пашня), x10 (площадь зерновых), x11 (площадь кормовых) (табл. 7).
Таблица 7. Анализ архитектур ИНС для определения одновременно расчетных целевых показателей приобретения тракторов зерноуборочных комбайнов
кормоуборочных комбайнов (заливкой выделены сети с максимальным коэффициентом корреляции)
Архитектура сети Коэфс эициент корреляции
У1 У2 У3
Стандартная с одним промежуточным слоем 0,8339 0,9224 0,8599
Стандартная с двумя промежуточными слоями 0,8153 0,9202 0,8388
Стандартная с тремя промежуточными слоями 0,8090 0,8984 0,7583
С обходным соединением с одним промежуточным слоем 0,8204 0,9172 0,8248
С обходным соединением с двумя промежуточными слоями 0,8318 0,9239 0,8501
С обходным соединением с тремя промежуточными слоями 0,8305 0,9262 0,8506
Реккурентная с отрицательной обратной связью от входного слоя 0,8200 0,9224 0,8461
Реккурентная с отрицательной обратной связью от скрытого слоя 0,8151 0,9216 0,8668
Реккурентная с отрицательной обратной связью от выходного слоя 0,8259 0,9245 0,8645
НСОР 0,8857 0,9595 0,9281
Ворда с двумя блоками в скрытом слое 0,8874 0,9429 0,9188
Ворда с тремя блоками в скрытом слое 0,8518 0,9370 0,9018
Ворда с двумя блоками в скрытом слое, обходным соединением 0,8273 0,9226 0,8623
МГУА простой 0,90631 0,88241 0,85761
МГУА расширенный 0,91181 0,94591 0,92ц1
Примечание: — для МГУА сети строились для одного выхода поочередно у1 =
Д^ь x2; xз; х4; х6 ^^ ;х9; Xlo; xп), у2; = 1^x1; x2; xз; х4; х6 ;x7 ;x8 ;x9; Xlo; xп)уз= f(xl; Х2; хз; х4; хб ;х7 ;х8 ;х9; хю; хп).
Сравнение различных методов показало, что наиболее высокие коэффициенты корреляции — у ИНС (табл. 8).
В этой связи при разработке программ технического оснащения можно рекомендовать применение спроектированных ИНС с наилучшей архитектурой.
Таблица 8. Сравнение применения различных методов для задач при разработке программ технического оснащения
Задачи по определению расчетного целевого индикатора Коэффициент корреляции
Нормативный метод Статистический метод (регрессия) ИНС (при лучшей архитектуре)
приобретение тракторов (yi = f(xi; Х2; хз; Х5; Хб; Х9) приобретения зерноуборочных комбайнов (y2= f(xi; Х2; хз; х4; Х5; ху; хш) приобретения кормоуборочных комбайнов (yi = Дхь Х2; Хз; Х4; Х5; хв; хп) объема привлеченных кредитов (обратная задача) (х4 = Дхь Х2; хз; Хб ;ху ;хв ;х9; хш; хп; yi; У2; уз) приобретения тракторов, зерно- и кормоуборочных комбайнов одновременно (yi, У2, Уз = Дхь Х2; Хз; х4; хб ;ху ;хв ;х9; хш; хп) 0,59Э! 0,79Э9 0,4445 0,845Э 0,9200 0,8Э50 0,604i 0,88Э6 (МГУА расширенный) 0,9S7i (МГУА простой) 0,90з8 (МГУА расширенный) 0,967i (МГУА расширенный) 0,8857; 0,9595; 0,928i (НСОР)
Заключение
1. Актуальна проблема по выбору инструментария дающего более точные оценки при разработке программ.
2. Исследованы три группы: детерминированные (нормативный), вероятностные (статистические), а также искусственные нейронные сети (ИНС).
3. Коэффициенты корреляции между расчетными целевыми индикаторами, полученными нормативным методом и фактическими приобретением тракторов, зерно- и кормоуборочных комбайнов составили 0,44-0,79. Для повышения точности расчетов необходимы качественная характеристика (марочный состав) парка машин в сельском хозяйстве каждого региона.
4. Расчеты с помощью статистического метода (множественная регрессия между приобретением тракторов, зерно- и кормоуборочных комбайнов и наличием этих машин, площадью пашни, кормовых культур и др.) показали более высокую точность расчетов: коэффициенты множественной корреляции - 0,600,92. Для повышения точности расчетов с помощью этого метода необходимо исследовать взаимосвязь других факторов, увеличить объем выборки.
5. Проектирование и анализ применения ИНС (пакет NeuroShell 2 фирмы Ward Systems Group, Inc) показало самую высокую точность среди исследованных методов: коэффициенты корреляции - 0,88-0,97. Наилучшие результаты получены при следующих архитектурах сетей (исследованы 15 типов сетей: стандартные, с обходным соединением с 1, 2, 3 промежуточными слоями; рекуррентные с отрицательной обратной связью от входного, скрытого, выходного слоев; НСОР; сети Ворда с 2, 3 блоками в скрытом слое; МГУА простой и расширенный): расширенный и простой метод группового учета аргументов,
нейронные сети с общей регрессией. Дальнейшее совершенствование этого метода может идти в направлении варьирования настроек сети, исследования влияния новых факторов (входов).
6. Для разработки программ технического оснащения рекомендуется при -менять спроектированные ИНС, а также статистический метод: yi = f(xi; x2; x3; X4; X5; Хб; X9); y2= f(xi; Х2; Х3; Х4; Х5; Х7; xio); yi = f(xi; X2; X3; X4; X5; xg; xn); х4 = f(xi; X2; X3; Хб; X7; xg; X9; xio; xn; у1; у2; уз); где yi (приобретение тракторов), y2 (приобретение зерноуборочных комбайнов), y3 (приобретение кормоуборочных комбайнов) от х1 (РБО^, х2 (прибыль (убыток) до налогообложения с.-х. организаций), х3 (рентабельность по прибыли до налогообложения (с учетом субсидий), x4 (объем кредитов по направлению «Техническая и технологическая модернизация»), x5 (объем субсидий из федерального бюджета), Хб (наличие тракторов), x7 (наличие зерноуборочных комбайнов), x8 (наличие кормоуборочных комбайнов), x9 (пашня), x10 (площадь зерновых), x11 (площадь кормовых).
Литература:
1. ФЗ «О развитии сельского хозяйства» // Собрание законодательства РФ. 2007. №1. Ст. 27.
2. Государственная программа развития сельского хозяйства и регулирования рынков с.-х. продукции на 2008-2012 г. // Собрание законодательства РФ. 2007. №31. Ст. 4080.
3. О ходе и результатах реализации в 2008 году Государственной программы развития сельского хозяйства и регулирования рынков с.-х. продукции на 2008-2012 г. М., 2009. 160с.
4. О ходе и результатах реализации в 2009 году Государственной программы развития сельского хозяйства и регулирования рынков с.-х. продукции на 2008-2012 г. М., 2010. 184с.
5. О ходе и результатах реализации в 2010 году Государственной программы развития сельского хозяйства и регулирования рынков с.-х. продукции на 2008-2012 г. М., 2011. 208с.
6. О ходе и результатах реализации в 2011 году Государственной программы развития сельского хозяйства и регулирования рынков с.-х. продукции на 2008-2012 г. М., 2012. 268с.
7. Методика использования условных коэффициентов перевода тракторов, зерноуборочных и кормоуборочных комбайнов в эталонные единицы при определении нормативов. М., 2009.
8. Нормативы потребности АПК в технике для растениеводства и животноводства. М., 2003.
9. Агропромышленный комплекс России в 2010 году. М., 2011. 554с.
10. Финансовые взаимоотношения с регионами. URL: http://wwwi.minfin.ru/ ru/budget/regions
11. Искусственная нейронная сеть. URL:http://ru.wikipedia.org/wiki/
12. Ежов А.А. Нейрокомпьютинг и его применение в экономике и бизнесе. М., 1998. 222с.
Кузьмин Валерий Николаевич, доктор экономических наук, заведующий отделом ФГБНУ «Росинформагротех» Тел. 8 496 531 64 90 E-mail: kwn2004@mail.ru
The possible application of methods for developing technical equipment of the first agriculture: regulatory, statistical, artificial neural networksin order to improve the accuracy of planning. Criterion of accuracy - the coefficient of pair correlation between estimated and actual results.
Keywords: planning, methods, technical equipment, agriculture, neural networks.
