Земельные отношения аграрной сферы в ракурсе методов искусственного интеллекта

ПОЛУЛЯХ ЮРИЙ, АДАДИМОВА ЛЮБОВЬ, БРЫЗГАЛИН ТИМУР

УДК 332.64; 332.68+004.89

Выпуск № 3, Март 2023 г., статья № 2, стр. 15-26

Ключевые слова: ЗЕМЕЛЬНАЯ РЕНТА, ПАРИТЕТ, МЕТОД, АЛГОРИТМИЗАЦИЯ БИЗНЕСА, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, МАШИННОЕ ОБУЧЕНИЕ

Аннотация: Обоснована необходимость перевода земельно-оценочных процедур в режим максимальной автоматизации, которую можно обеспечить путём внедрения методов искусственного интеллекта. Особое внимание уделяется «машинному обучению», под которым понимается класс методов искусственного интеллекта, отличающийся заменой решения прямых задач при помощи освоения уже решённых сходных задач. Предлагается создать обучающую модель расчёта земельной ренты, формирующейся в аграрном производстве на землях сельскохозяйственного назначения, которая может быть использована в рамках создаваемого в настоящее время «умного землепользования» в блоке «многоцелевой оценки пригодности земель», а также для решения ряда других проблем регионов в области земельных отношений. Разработана «схема пошагового машинного обучения», представляющая собой методическую карту решения девяти частных задач – от переноса данных из «облака» в «платформу» до «вывода об отсутствии необходимости в дальнейших итерациях». Каждая частная задача решается в процессе прохождения пяти стадий, важнейшими среди которых являются ‒ набор обучения и набор для проверки предварительного решения на примере какой-либо уже решённой аналогичной задачи. Завершается процесс обучения операцией «оценка адекватности результата», после успешного прохождения которой, модель может использоваться для решения других аналогичных задач самостоятельно в автоматическом или полуавтоматическом режиме. Среди частных задач можно выделить: определение размера доли постоянных затрат (земельной ренты); подбор нормативов окупаемости затрат предпринимателя для остаточного метода расчёта земельной ренты; выбор значения коэффициента капитализации земельной ренты; оптимизация соотношения между земельной рентой и прибылью предпринимателя; оценка паритета земельных отношений между государством, собственниками земельных участков и арендаторами. Конечным результатом является оценка соблюдения стоимостного паритета земельных отношений (между собственником, арендатором, государством).

Авторы:
Полулях Юрий Георгиевич, Поволжский научно-исследовательский институт экономики и организации агропромышленного комплекса – обособленное структурное подразделение ФГБУН ФИЦ «Саратовский научный центр Российской академии наук»
Ададимова Любовь Юрьевна, Поволжский научно-исследовательский институт экономики и организации агропромышленного комплекса – обособленное структурное подразделение ФГБУН ФИЦ «Саратовский научный центр Российской академии наук»
Брызгалин Тимур Валерьевич, Поволжский научно-исследовательский институт экономики и организации агропромышленного комплекса – обособленное структурное подразделение ФГБУН ФИЦ «Саратовский научный центр Российской академии наук»

Библиографическая запись:

На бумажную версию:

Полулях, Ю. Г. Земельные отношения аграрной сферы в ракурсе методов искусственного интеллекта / Ю. Г. Полулях, Л. Ю. Ададимова, Т. В. Брызгалин. – DOI 10.33305/233-15. – Текст : непосредственный // АПК: Экономика, управление. – 2023. – № 3. – (Цифровизация в апк). – С. 15-26.

LAND RELATIONS OF THE AGRARIAN SPHERE IN THE PERSPECTIVE OF ARTIFICIAL INTELLIGENCE METHODS

DOI 10.33305/233-15

Issue № 3, 2023, article № 2, pages 15-26

Section: Digitalization in agrarian and industrial complex

Keywords: LAND RENT, PARITY, METHOD, ALGORITHMIZATION OF BUSINESS, ARTIFICIAL INTELLIGENCE, MACHINE LEARNING

Abstract: The need to transfer land assessment procedures to the maximum automation mode, which can be provided by introducing artificial intelligence methods, is justified. Particular attention is paid to machine learning, which means a class of artificial intelligence methods, characterized by the replacement of solving direct problems using the development of similar problems already solved. It is proposed to create a training model for calculating land rent formed in agricultural production on agricultural lands, which can be used as part of the currently being created "Smart Land Use" in the block "multi-purpose assessment of land suitability," as well as to solve a number of other problems of the regions in the field of land relations. A "step-by-step machine learning scheme" has been developed, which is a methodological map of solving nine particular problems - from transferring data from the "cloud" to the "platform" to "concluding that there is no need for further iterations." Each particular task is solved in the process of passing five stages, the most important among them there are training set and the set for testing the preliminary solution using the example of any similar problem already solved. The training process is completed by the operation "assessing the adequacy of the result," after the successful passage of which, the model can be used to solve other similar problems independently in automatic or semi-automatic mode. Among the particular tasks can be distinguished: determining the size of the share of fixed costs (land rent); selection of the entrepreneur's cost recovery standards for the residual method of calculating land rent; justification of the value of the capitalization coefficient of the land rent; optimization of the relationship between the land rent and the profit of the entrepreneur; assessment of the parity of land relations between the state, owners of land plots and tenants. The end result is the size of the land rent and its ratio to the profit of the entrepreneur, as well as the assessment of compliance with the value parity of land relations (owner, tenant, state).

Authors: Poluliakh IUrii Georgievich, Adadimova Liubov IUrevna, Bryzgalin Timur Valerevich