CC BY
44
УДК 004.89:330.46
Бильгаева Л.П., Садыкова Э.Ц.
Применение методов интеллектуального анализа для моделирования эколого-социо-экономичЕСкого
развития региона
К числу важнейших общероссийских и региональных проблем, имеющих социально-экономическое значение, относится оценка современного состояния экономики, ее воздействие на окружающую природную среду и самого человека, особенно в контексте устойчивого развития территории.
Поэтому, для моделирования регионального развития экономики с учетом экологического фактора необходим системный анализ экономического состояния региона в тесной взаимосвязи с эколого-социальными параметрами и наличие информационных ресурсов и технологий. К настоящему моменту накоплен большой объем статистических данных, позволяющих оценить сложившуюся ситуацию в регионе. Следует отметить, что вся необходимая информация сосредоточена в разных министерствах, ведомствах и территориальных органах государственной статистики, при этом нет единого методологического подхода к формированию централизованной базы данных и ее хранению; отсутствует равный доступ к информационным источникам, что затрудняет в ряде случаев достаточно полно и объективно отразить сложившееся положение и дать реальную оценку происходящих изменений, с целью принятия адекватных управленческих решений в области регулирования региональными процессами.
Для решения проблем обеспечения необходимыми информационными источниками и создания единой базы данных, с точки зрения эффективного их применения, целесообразно использовать активно развивающуюся технологию хранилищ данных, которая предоставляет технологические и методологические основы для формирования корпоративных предметно-ориентированных баз данных, предназначенных для поддержки принятия управленческих решений [7]. Впервые понятие хранилища данных было введено в 1992 г. Уильямом Г. Инмоном [12]. Основной смысл хранилища
данных состоит в хранении в хронологическом порядке больших объемов интегрированных данных конкретной предметной области. Использование данных такого хранилища связано с разработкой и применением специальных аналитических средств, к которым относятся OLAP — технологии. OLAP-системы (on-line analytical processing system) — это системы аналитической обработки в реальном времени. Отличительной особенностью OLAP-систем является выполнение оперативного анализа данных в момент обращения пользователей к данным и получение ответов в виде отчетов, диаграмм, графиков, которые наглядны и удобны для принятия решений.
Использование данных хранилища связано с разработкой и применением специальных аналитических средств. С технологической точки зрения, наиболее привлекательными являются средства интеллектуального анализа данных, к которым относятся методы "Data Mining", дословный перевод означает "добыча" или "раскопка данных", нейронные сети, а также средства обработки статистики. Средства интеллектуального анализа данных используются для поиска закономерностей в данных и трендов аномальных данных, которые нарушают общие закономерности. Исключение составляют нейронные сети, которые позволяют представлять существующие закономерности, аналитически или графически. Основными типами закономерностей, извлекаемыми методами интеллектуального анализа данных, являются классификационные закономерности, кластеризация объектов, ассоциативные закономерности и закономерности в последовательностях.
На практике хранилище данных составит информационную основу для выполнения оперативного и интеллектуального анализа предметной области с помощью эффективных методов OLAP- и Data Mining- технологий. Они входят с состав аналитической подсистемы, которая является неотъемлемым компонентом
систем поддержки принятия решений, и могут использоваться государственными структурами управления.
К. Парсей [14] ввел обобщенное понятие "OLAP Data Mining" — многомерный интеллектуальный анализ данных" и сформулировал следующие способы интеграции технологий OLAP и Data Mining:
1. "Cubing then mining" — способ интеграции, позволяющий выполнять интеллектуальный анализ данных, извлекаемых по запросу из многомерных OLAP-кубов или его фрагментов. OLAP-кубы строятся на основе хранилища данных и содержат массив исходных агрегированных данных.
2. "Mining then cubing" — способ интеграции, при котором данные хранилища подвергаются предварительной интеллектуальной обработке, а затем представляются в форме гиперкуба (OLAP-куба) для дальнейшего многомерного анализа.
3. "Cubing while mining" — способ интеграции, который позволяет автоматически активизировать однотипные механизмы интеллектуальной обработки над результатом каждого шага многомерного анализа (перехода между уровнями обобщения, извлечения нового фрагмента гиперкуба и т.д.).
Интеграция OLAP и Data Mining, предложенная Б. Келкар [13] включает два следующих способа:
- "Pre-processing of Cubes using" предполагает предварительную обработку данных с помощью средств Data Mining (например, метод главных компонент, кластеризация, алгоритмы выявления ассоциаций) на этапе построения OLAP-куба. Такой подход позволяет решать задачу выбора измерений, т.е. сокращение числа измерений для построения OLAP-кубов с целью дальнейшего многомерного анализа. При этом обеспечивается требуемая производительность, устраняется избыточность OLAP-кубов.
"Post-processing of Cubes using Data Mining" предполагает использование средств Data Mining для последующей обработки OLAP-кубов с целью эффективного его анализа, например для построения классификационных и прогнозных моделей. Кроме того, Б. Келкар выделяет задачу анализа аномальных областей в OLAP-кубе.
Выбор того или иного варианта интеграции OLAP и Data Mining зависит от конкретно решаемой задачи и целей, поставленных в процессе анализа данных.
В этой связи следует отметить, что по сравнению с традиционными методами, методы интеллектуального анализа являются более мощными информативными средствами, способными обеспечить необходимую аналитическую обработку процессов планирования и прогнозирования социально-экономического развития регионов.
При этом широко используемые в настоящее время методы моделирования в наибольшей степени отражают усредненные характеристики выборки изучаемых явлений. А данные характеристики при исследовании реальных сложных ситуаций часто могут быть величинами не совсем точно отражающими анализируемые явления. Например, общие социально-экономические тенденции, обусловленные происходящими трансформационными процессами переходной экономики, можно описать известными статистическими методами. Более сложными являются ситуации, когда речь идет о возможностях и направлениях формирования стратегии устойчивого развития или введении учета экологического фактора при разработке программ перспективного эколого-социо-экономического развития региона.
Эти проблемы можно разрешить при помощи применения нейронных сетей, являющимся кибернетическим методом в технологии Data Mining. Нейронные сети — это обобщенное название нескольких групп алгоритмов, которые обладают такими ценными свойствами как обучение на примерах и умение извлекать скрытые закономерности из большого числа исходных данных. К несомненным достоинствам нейронных сетей относится еще и то, что если исходные данные неполны или несколько противоречивы и связь между входной и выходной информацией традиционными методами анализа не устанавливается, то нейронная сеть способна автоматически настроиться на нее с принятой степенью точности. При этом к их существенным возможностям следует отнести еще и способность различать признаки приближения кризисных ситуаций и др. В целом, нейронные сети хорошо подходят для распознавания образов и решения задач классификации и прогнозирования. Поэтому применение нейронных сетей в целях осуществления прогноза процессов развития различных изучаемых объектов является наиболее эффективным методическим подходом.
Однако существующие системы интеллектуального анализа, информационного модели-
рования и программные решения недостаточно изучены для информационных потребностей исследования эколого-социо-экономических проблем развития регионов, хотя известно, что широкое применение OLAP-систем и Data Mining-технологий получили в торговой, банковской, финансовой и социальной сферах, образовании, здравоохранении и медицине, биологии, энергетике, представленных в работах А.Н. Горбаня, В.П. Кулагина, Л.Ф, Ножен-ковой и др. [1, 4, 5].
Это актуализирует исследования, направленные на решение проблем адаптации и развития концепции хранилищ данных, OLAP-систем и средств Data Mining, и их применении в решении конкретных аналитических задач с целью определения и оценки перспектив эколо-го-социо-экономического развития регионов.
В частности, к таким задачам относятся:
- комплексное оценивание влияния антропогенных факторов на состояние окружающей среды;
- оценка экономического состояния региона с включением экологических параметров в систему показателей социально-экономического развития территорий;
- влияние сложившейся экологической ситуации на состояние здоровья и качество жизни населения и др.
Решение этих задач особенно важно для территорий, испытывающих высокие антропогенные нагрузки, для регионов с особым режимом хозяйствования и экологической регламентацией, для регионов, обладающих природными уникальностями. К такому региону относится Республика Бурятия, особенное положение которого обусловлено непосредственной близостью к оз. Байкал. Следует отметить, что проблемы поиска путей сбалансированного развития экономики с возможностями окружающей среды и, прежде всего сохранения оз. Байкал, нашли отражение во многих работах ученых-экономистов [2, 9, 11 и др.]. Вместе с тем проведение исследований, направленных на анализ и оценку качества социально-экономического и экологического развития республики и оценке перспективных направлений, при помощи средств информационных технологий становятся все более приоритетными и востребованными.
В настоящей работе представлены результаты моделирования эколого-социо-экономичес-кого развития Республики Бурятия посредством
многомерного интеллектуального анализа с использованием интеграции типа "Cubing then mining" — интеллектуальный анализ на основе построения OLAP-кубов. Согласно данной концепции методы Data Mining применяются к показателям, извлеченным из многомерных информационных кубов, т.е. OLAP-кубов.
Как уже отмечалось, многомерные OLAP-кубы строятся на основе хранилища данных, где хранятся детальные сведения, например, в виде отдельных статистических показателей, которых может быть множество, и их общее количество зависит от постановки решаемых задач. Поэтому для построения OLAP-кубов детальные данные могут быть агрегированы. OLAP-технологии предоставляют неограниченные возможности для агрегирования данных и выполнения различных вычислительных операций.
Процессу моделирования предшествовал этап подбора имеющихся статистических данных, в результате которого сформирована система социально-экономических показателей, включающая экологический фактор. Система показателей состоит из трех основных групп:
1. Экономическая — валовой региональный продукт (ВРП), оборот розничной торговли, стоимость основных фондов, производство промышленной продукции, прибыль, расходы бюджетных средств.
2. Экологическая — сброс загрязненных сточных вод, выбросы загрязняющих веществ в атмосферный воздух, очистка сточных вод, очистка выбросов, потребление воды, утилизация отходов, площадь лесных земель.
3. Социальная-демографическая — численность населения, численность занятого населения, численность врачей, количество медицинских учреждений, мощность медицинских учреждений.
На основе системы показателей разработано и реализовано многомерное хранилище данных, логическая модель которого построена по схеме "звезда" и представлена на рисунке 1.
Хранилище данных состоит из таблицы фактов "Эколого-экономические показатели Республики Бурятия" и тринадцати таблиц измерений: "Районы Республики Бурятия", "Метрика", "Таблица годов", "Экономические показатели", "Выбросы", "Инвестиции", "Медицинская обеспеченность", "Население", "Густота дорог", "Земельные ресурсы", "Виды отходов", "Потребление воды", "Очистка загрязняющих веществ".
Земельные
Эконом показатели
Код_зем_ресурса 0-
Земел ресурс
Мед обеспеченность
Код_мед_обеспеч
Наимен_мед_обеспеч •
Код_эконом_показат
Наимен_эконом_показ
Густота дорог
• -с • Код_дороги
Тип_дороги
Табл годов
Код_года
Год
Т
Виды отходов
Код_отхода
Отходы
TZ
Районы РБ
Код_района
Район
ст
Эколого-эконопоказРБ
' N
Код_района (FK) Код_метрики (FK) Код_года (FK) Код_потр_воды (FK) Код_отходов (FK) Код_выброса (FK) Код_мед_обесп (FK)
Код_экон_показ (FK)
Код_очистки (FK) Код_инвест (FK) Код_зем_ресурс (FK) Код_^ороги (FK) Код_населения (FK)
Население
Кол-во или Размер
Метрика
Код_метрики
Метрика
Выбросы
Код_выброса
Выбросы
I
Инвестиции
Код_инвест
Инвестиции
-О-
Код_населения с ■ 5 р Потребл воды
Тип населения •- -• Код_потреб_воды
Очистка загр вещ-в Тип_потреб
Код_оч ИСТКИ Очистка
Рис. 1. Логическая модель хранилища данных
Каждая таблица измерений имеет два поля, одно из которых представляет собой код показателя, а второе поле — название показателя. Например, таблица измерений "Районы Республики Бурятия" содержит 21 запись в соответствии с количеством районов в Республике Бурятия. В каждой записи данной таблицы представлены код района и его название. Таким образом, каждая таблица измерений содержит соответствующее наименование показателей и его код. Количественные значения этих показателей хранятся в таблице фактов. Таблица фактов связана со всеми таблицами
измерений и содержит все необходимые для анализа показатели, взятые из официальных источников Росстата РФ и Территориального органа федеральной службы государственной статистики по Республике Бурятия, а также отчетов соответствующих министерств и ведомств Республики Бурятия.
Для анализа данных, характеризующих эколого-социо-экономическое развитие Республики Бурятия, было разработано программное приложение, которое состоит из двух подсистем: OLAP-подсистемы и подсистемы Data Mining. OLAP-подсистема предназначена
для OLAP-моделирования и визуализации его результатов. В подсистеме Data Mining выполняется интеллектуальный анализ данных. Программное приложение реализовано в среде разработки Delphi 7.0, в библиотеку компонентов которого импортирован компонент взаимодействия с пакетом прикладных программ "STATISTICA 5.5" с целью применения статистических методов Data Mining.
Для построения уравнений множественной регрессии отбор необходимых данных производился из хранилища данных OLAP-куба, который был реализован в модуле визуализации разработанного программного приложения и выполнялся интерактивно.
В процессе моделирования решались следующие задачи:
1. Определение зависимости показателей эко-интенсивности и экологоемкости производств Республики Бурятия от социально- и эколого-экономических показателей при помощи регрессионных моделей.
2. Определение зависимости здоровья населения от загрязнения атмосферного воздуха и сброса сточных вод Республики Бурятии.
3. Построение прогноза валового регионального продукта на душу населения Республики Бурятия.
Моделирование проводилось с целью оценки сложившейся экономической обстановки в республике с учетом экологических параметров, позволивших выявить основные факторы, оказывающих наибольшее воздействие на окружающую природную среду, в том числе и на человека.
Отбор факторов для построения многофакторных моделей производился общепринятым трехэтапным способом с помощью корреляционного анализа показателей с проверкой их значимости на основе статистических критериев.
На первом этапе осуществлялся априорный анализ факторов и их включение в состав первоначальной модели без каких-либо ограничений. На втором этапе производилась сравнительная оценка и отсев факторов. На третьем этапе выполнялся окончательный отбор факторов путем анализа значимости вектора оценок параметров различных вариантов уравнений множественной регрессии с помощью критерия Стьюдента.
Для моделирования использовалось уравнение множественной регрессии:
y = b0i + К • x1i + b2i ^ x2i + " • + bk„ ^ xkn (1)
А ) Модель множественной регрессии эко-ин-тенсивности производств Республики Бурятия С учетом статистической информационной базы в качестве эндогенной переменной модели был введен показатель эко-интенсивность промышленного производства, который вычислялся следующим образом: Хкг/ру б) выбросы загрязняющих
производство промышленной
веществ (тыс. тонн)
продукции (млн.руб.)
В качестве экзогенных переменных модели выделены факторы, которые включают экономические и экологические показатели:
x — основные фонды на душу населения, руб./чел.;
x2—производство продукции на душу населения, руб./чел.;
x3 — среднегодовая численность работников, тыс. чел.;
x4 — сброс на душу населения, куб.м/чел.; x5 — удельный вес лесных земель в общей площади, %;
x6 — количество загрязняющих веществ, отходящих от всех стационарных источников, выбрасываемые без очистки, тыс. тонн.
Для построения регрессионной модели использовались соответствующие показатели по районам Республики Бурятия за 2006 г. Исходные данные сформированы и подготовлены с помощью разработанного программного приложения и включают эндогенную переменную у, т. е. эко-интенсивность, и экзогенные переменные x1, x2, x3, x4, x5, x6, соответствующие выбранным выше показателям для каждого района Республики Бурятия.
С помощью F-критерия Фишера выполнена оценка статистической надежности уравнения регрессии в целом. Расчетное значение ^-критерия Фишера равно F = 6,647. Окончательное уравнение множественной регрессии имеет следующий вид:
у = 14,0432 - 0,0304x2 + 3,9052x3 -
- 0,3391x5 + 230,165x6 (2)
Это уравнение значимо при F = 6,647. В результате моделирования показателя эко-интенсивность по Республике Бурятия следует, что: во-первых, значимыми оказались следующие факторы: производство продукции
на душу населения, среднегодовая численность работников, удельный вес лесных земель в общей площади и количество загрязняющих веществ, отходящих от всех стационарных источников, выбрасываемые без очистки; во-вторых, параметры регрессионного уравнения показывают, на сколько в среднем изменятся результативные показатели, если соответствующая независимая переменная изменится на единицу своего измерения с учетом фактора времени. В данном уравнении положительное влияние на снижение эко-интенсивности оказало увеличение удельного веса лесных земель в общей площади (на 339,1 г./руб.) и увеличение производства промышленной продукции на душу населения (на 30,4 г./руб.). Соответственно — отрицательное воздействие: увеличение количества загрязняющих веществ, отходящих от всех стационарных источников, выбрасываемые без очистки на 1тыс. тонн (на 230,165 кг./руб.); увеличение среднегодовой численности работников на 1 тысячу человек (на 3,9052 кг./руб.).
В) Модель множественной регрессии эколо-гоемкости Республики Бурятия (по выбросам в атмосферу загрязняющих веществ)
При построении данной модели были введены показатели, которые влияют на здоровье человека, в зависимости от степени воздействия загрязненной окружающей среды.
Для общей оценки воздействия загрязнения атмосферного воздуха на население использовался показатель экологоемкость, поэтому в качестве эндогенной переменной модели была принята следующая величина: Хкг/ру б) выбросы загрязняющих численность веществ (тыс. тонн)
населения (тыс. кер.)
В качестве экзогенных переменных модели выделены следующие факторы:
х1 — производство продукции на душу населения, руб/чел;
x2 — удельный вес выброса загрязнений района в общем объеме выбросов загрязняющих веществ республики, %;
x3 — удельный вес больниц в общем числе больниц, %;
x4 — численность врачей (в расчете на 10000 человек населения);
х5 — мощность амбулаторно-поликлини-ческих учреждений (посещений в смену в расчете на 10000 человек населения);
х6 — густота автомобильных дорог общего пользования с твердым покрытием (км дорог на 1000 кв. км территории).
Для построения регрессионной модели также использовались соответствующие показатели по районам Республики Бурятия за 2006 г. В результате анализа матрицы парных коэффициентов корреляции выявлено, что результативный показатель наиболее тесно связан с показателями удельным весом выброса района от общего выброса республики (показатель x2), и отсутствует явление мульти-коллинеарности.
Первоначальная регрессионная модель построена по всем выбранным показателям: x1, x2, x3, x4, x5, x6. В процессе отбора значимых факторов методом пошаговой регрессии и проверке ^статистики и F-статистики выявлен и отброшен незначимый фактор x6 — густота автомобильных дорог общего пользования с твердым покрытием (км дорог на 1000 кв. км территории). Окончательное уравнение регрессии имеет вид:
7 = -0,013709 + 8,6379х1 + 0,01633х2 + + 0,000507х3 - 004891 х4 + 0,0002х5 (3)
Это уравнение значимо при F = 206,63. Результаты проведенного моделирования экологоемкости оцениваемого по выбросам в атмосферу показали, что положительное влияние оказал один фактор — численность врачей на 10000 чел. (х4), уменьшение в среднем составило 0,004891 кг/чел; остальные факторы оказали отрицательное воздействие — это объем производства промышленной продукции на душу населения (на 8,6379 кг/чел), удельный вес выбросов района в общем объеме выбросов республики (на 0,01633 кг/чел) и показатели удельного веса больниц от общего числа больниц, мощность амбулаторно-поликлинических учреждений.
С) Модель множественной регрессии эко-логоемкости Республики Бурятия (по сбросам загрязняющих веществ в водные объекты)
При построении модели оценки экологической нагрузки на население в зависимости от степени загрязнения водных ресурсов, в качестве эндогенной переменной модели взята следующая величина:
y (куб.м/чел) = -
сбросы
численность загрязняющих веществ(тыс.куб.м) населения(тыс.чел.)
На первом этапе спецификации модели был произведен отбор факторов, которые будут участвовать в построении модели, они приведены ниже:
х1 — оборот розничной торговли на душу населения, руб./чел.;
х2
фондорентабельность, руб./руб.;
3 производство продукции на душу населения, руб./чел;
x4 — мощность амбулаторно-поликлини-ческих учреждений министерства здравоохранения (посещений в смену в расчете на 10000 человек населения);
x5 — удельный вес больниц в общем числе больниц, %;
x6 — число коек в больничных учреждениях (в расчёте на 10000 человек населения).
Значения коэффициентов множественной детерминации позволяют сделать вывод о средней детерминированности результативного признака у в модели факторными признаками.
Фактическое значение F-критерия Фишера F = 12,087. Поскольку F¡) > Fт, то, таким образом, признается статистическая значимость регрессионного уравнения, его параметров и показателя тесноты связи R.
При этом уравнение множественной регрессии имеет вид:
у = 2093,37 - 3663,06х2 + 12,12х3 + 124,88х5 - 29,68х6(4)
В результате моделирования показателя экологоемкость, оцениваемого по сбросам загрязненных сточных вод на душу населения, следует, что к факторам, оказавшим положительное влияние относятся: фондорента-бельность (х2) — 3663,06 куб.м./чел. и число коек в больничных учреждениях на 10000чел. (х6) — 29,68 куб.м./чел. Соответственно, отрицательное воздействие оказали такие факторы как увеличение производства продукции на душу населения (х3) — 12,12 куб.м./чел. и удельный вес больниц от общего числа больниц (х5) — 124,88 куб.м./чел.
Проведенный анализ взаимосвязи различных компонентов экономики и окружающей среды позволил для Республики Бурятия получить количественную характеристику влияния экологических, экономических и социальных
факторов на эко-интенсивность производств и экологоемкость.
Полученную количественную оценку данных взаимосвязей можно использовать для прогнозирования развития социальных последствий антропогенного загрязнения региона и принятия управленческих решений с целью их предотвращения.
В) Построение прогноза валового регионального продукта на душу населения
Для построения прогноза был использован статистический метод экспоненциального сглаживания и метод интеллектуального анализа — нейронная сеть.
В качестве исходных данных был принят временной ряд, составляющий пятнадцать лет (1992-2006 гг.). В данной работе представлено среднесрочное (трехлетнее) прогнозирование.
Построению прогнозной модели методом нейронной сети предшествовал этап построения регрессионной модели с целью отбора наиболее существенных факторов, влияющих на показатель валового регионального продукта на душу населения с экологических позиций.
Окончательное уравнение регрессии имеет следующий вид:
y = -1,4869 + 0,0004Ц -- 0,000005х2 - 0,00047х4,
(5)
где у — валовой региональный продукт на душу населения, руб./чел; х1 — количество источников выбросов загрязняющих веществ, шт.; х2 — инвестиции направленные на охрану атмосферного воздуха, тыс. руб.; х4 — количество утилизированных вредных веществ, уловленных очистными сооружениями, тыс. тонн.
Это уравнение значимо при F = 24,174 и уровне значимости p = 0,001.
Прогнозирование методом экспоненциального сглаживания реализовано в среде ППП "Статистика 5.5" посредством усреднения всех прошлых значений временного ряда, которые используются с весами, убывающими по геометрическому или экспоненциальному закону. Результаты прогнозирования факторов и результирующего показателя методом экспоненциального сглаживания приведены в таблице 2.
Прогнозирование методом нейронной сети реализовано с помощью разработанного программного OLAP Data Mining-приложе-ния. Обучение нейронной сети выполнено на основе регрессионной модели (5) со скоростью
h = 0,9 и уровнем Alpha = 0,5 методом обратного распространения ошибки. Предполагается наличие скрытых зависимостей во временной последовательности как множестве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать в результате требуемую функцию прогноза.
Таблица 2
Результаты прогноза методом экспоненциального сглаживания
Результаты прогноза нейронной сетью приведены в таблице 3.
Таблица 3 Результаты прогноза методом нейронной сети
На рисунке 2 приведен график прогноза показателя валового регионального продукта на душу населения, выполненный методом экспоненциального сглаживания и методом нейронной сети.
Анализ результатов полученных при прогнозировании показал, что расчетные значения показателя ВРП на душу населения незначительно отличаются друг от друга. При этом полученная прогнозная оценка посредством метода нейронных сетей оказалась по абсолютной величине больше, чем оценка с использованием экспоненциального сглаживания.
юоооо
£ 60000 -
50000 -
40000 \-1-1-1-1-1
2005г. 2006г. 2007г. 2008г. 2009г.
—Д - Экспоненциальное сглаживание —о—Нейронная сеть
Рис. 2. График прогноза ВРП на душу населения методами экспоненциального сглаживания и нейронной сети
Таким образом, основные преимущества OLAP-технологий и методов интеллектуального анализа средствами Data Mining по сравнению с существующими методами моделирования и прогнозирования заключаются в том, что:
• использование хранилищ данных позволяет выполнять оперативный и интеллектуальный анализ;
• построение прогноза основных социально-экономических и экологических параметров развития региона можно осуществить быстро, корректно и наглядно, что позволит уменьшить риск при принятии решений;
• в первую очередь это имеет большое значение для государственных структур, осуществляющих разработку программных документов перспективного социально-экономического развития региона;
• качественный системный анализ позволит согласовать цели экологического оздоровления хозяйственной системы региона с поставленными целями и задачами государственных программ развития региона на перспективу;
• предложенная методика моделирования развития экономики региона с учетом экологической составляющей при помощи нейронной сети может быть использована при разработке кратко- и среднесрочного прогноза социально-экономического развития региона.
Год y
2006 5990,047 49958,66 16,255 71158,612
2007 6109,354 53426,87 -25,015 76255,784
2008 6228,662 56895,08 -66,285 81352,997
2009 6347,970 60363,29 -107,554 86450,163
Год *1 y
2006 6035,2751 50954,26 16,568 72500,453
2007 6209,354 56426,21 -26,472 78924,593
2008 6246,345 58657,47 -67,382 81248,364
2009 6678,424 63333,38 -109,425 88601,669
СПИСОК ЛИТЕРАТУРЫ
1. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
2. Думова И.И. Социально-экономические основы управления природопользованием в регионе. Новосибирск: Наука, 1996. 165 с.
3. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах //Открытые системы. 1977, №4. С.41-44.
4. Кулагин В.П., Цветков В.Я., Булгакова Т.В.
Особенности использования технологий OLAP для задач образовательной статистики // Вопросы Интернет-образования, № 9, 2002.
5. Ноженкова Л.Ф. Системы и технологии многоуровневой информационно-аналитической поддержки территориального управления / Л.Ф. Ноженкова // Информационно-аналитичес-
кие системы и технологии в здравоохранении и обязательном медицинском страховании: труды всероссийской конференции. Красноярск: Изд-во КМИАЦ, 2002. С. 27-34.
6. Охрана окружающей среды в Республике Бурятия в 1999, 2003, 2004, 2005, 2006 гг: Статистический сборник / Бурятстат. Улан-Удэ, 2000, 2004, 2005, 2006, 2007.
7. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Т. 1.: Пер. с англ. М.: "Вильямс", 2001.
8. Статистический ежегодник: Стат. сб. / Бурятстат. Улан-Удэ, 2005, 2006, 2007.
9. Стратегия устойчивого развития Байкальского региона. Улан-Удэ: Изд-во БГУ, 1998.
10. Чубукова И.А. Data Mining. Учебное пособие. М.: Интернет-Университет Информационных Технологий; Бином. Лаборатория знаний, 2006.
11. Эколого-экономическая стратегия развития региона / Под ред. В.И.Гурмана. Новосибирск: Наука, 1990. 184 с.
12. Inmon W. Building the Data Warehouse. New York: John Wiley&Sons,1992.
13. Kelkar B. Exploiting Symbiosis between Data Mining and OLAP for Business Insights//DM Direct. 2001. Desember.
14. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997.
УДК 336.71
Миллер И.П., Лиман И.А.
Методы оценки кредитного потенциала
КОММЕРЧЕСКИХ БАНКОВ РЕГИоНА
Оценка кредитного потенциала региона в условиях рыночной экономики имеет особое значение, поскольку кредитный потенциал региона оказывает важнейшее влияние как на экономику региона, так и на деятельность других коммерческих банков. Он определяет возможность коммерческих банков, расположенных на территории региона, увеличивать массу денег в обращении как на уровне государства, так и в регионе путем предоставления займов предприятиям и населению и по цепочки технологических связей воздействует на рост производства.
Проведенный анализ отечественной и зарубежной экономической литературы, посвященной исследованиям методов оценки кредитного потенциала региона, показывает, что данной проблеме уделяется явно недостаточно внимания. В связи с чем назрела необходимость изучить существующее методы оценки кредитного потенциала региона и предложить новый метод, который был нетрудоемким, удобным в практическом применении и адаптированным к условиям финансового кризиса.
В настоящее время наиболее распространенными оказались три подхода к оценке кредитного потенциала региона: сравнитель-
ный анализ; метод группировки; экономико-статистические методы оценки стабильности депозитов.
Сравнительный анализ позволяет определить место и роль в кредитном потенциале каждого вида ресурса и соответствующих экономических контрагентов. При количественном анализе собственных средств определяется доля собственных средств в структуре пассивов, а также составных элементов капитала в структуре собственных средств. Качественный анализ собственных средств коммерческих банков позволяет выделить источники их формирования. Собственные средства банков региона состоят из различных фондов, имеющих свое целевое назначение и различные источники формирования.
Как уже отмечалось выше, основную часть пассивов коммерческих банков составляют привлеченные средства, но до недавнего времени анализу привлеченных ресурсов не уделялось большого внимания, однако в период системного кризиса банки столкнулись с проблемой качественного формирования потенциала. Сравнительный качественный анализ структуры привлеченных средств проводится по группам клиентов и срокам, что позволяет
