This paper investigates spatial differentiation between Russian regions in the context of business location factors. First, we selected a number of variables to describe key factors of business location in the regions. They include market potential of the region's retail markets, fixed asset investments, the number of economically active population, and average nominal monthly wage in the region. Segmentation of Russian regions on the basis of these variables allows comparison and selection of the regions from investors' standpoint. To segment Russian regions on the basis of the selected variables we use self-learning neural networks allowing assessment of several variables with the lack of some input data. Second, we classified Russian regions based on their market potential indicators and represented the results on the map of Russia. We presented a structure of Russian regions which accounts for spatial differentiation of the market potential.

No abstract

No abstract

ECONOMIC-MATHEMATICAL MODELS ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МОДЕЛИ КОРРЕКТНАЯ ПОСТАНОВКА ОБРАТНЫХ ЗАДАЧ ВОССТАНОВЛЕНИЯ МНОГОМЕРНЫХ ФУНКЦИЙ ЧЕРЕЗ НЕЙРОСЕТЕВЫЕ МОДЕЛИ В БЮДЖЕТНОМ АДМИНИСТРИРОВАНИИАннотация. Объектом рассмотрения настоящей работы является весьма глубокое проникно-вение требований эффективного обучения нейросетей в алгоритмы предпроцессорной обработки. Разработан метод оценки адекватности нейросетевых моделей в отсутствии каких-либо априорных сведений о законе распределения шумов в данных. Именно это и является научной новизной данной статьи, т. к. данный метод позволяет взаимосвязано управлять качеством предпроцессорной об-работки финансовых данных и качеством их аппроксимации в нейросети для бюджетных органов. Предлагается рассматривать класс задач бюджетного администрирования, для которого зашумле-ние данных достаточно большое, поэтому необходимость регуляризации задач восстановления гиперповерхности -необходимая предпосылка эффективности гибридных моделей. В частности указывается, что игнорировать некорректность постановки задачи нельзя. Для ее преодоления име-ются два пути: введение обратной задачи в класс корректных (условно корректных по Тихонову) путем привлечения дополнительной информации об искомом решении ( ) Z X  , либо управление классическими алгоритмами решения некорректно поставленных задач. Оба пути основаны на до-стижениях главным образом отечественных ученых. Существующие регуляризирующие алгоритмы используют исходную базу данных как некоторую внешнюю неизменную «данность». В статье на содержательном практическом примере предложен системный подход к проблеме обеспечения устойчивости нейросетевого отображения при восстановлении гиперповерхности ) (X Y  с сильным зашумлением данных на основе теории регуляризации по А.Н. Тихонова, а также байесовского подхода. Суть этого метода состоит в том, что для обеспечения состоятельности алгоритма регуля-ризации обратной задачи по А.Н. Тихонову база исходных данных не используется как некоторая «застывшая» категория, а подвергается предобработке (структурированию) с использованием общесистемных законов кибернетики (закона энтропийного равновесия открытой системы, не-полного подавления дисфункций структурированной системы, резервирования). Таким образом, цель исследования достигнута -суть предполагаемого подхода детализирована и реализована в практической концепции «регуляризация» в данном исследовании с помощью операций алгоритма при построении нейросетевой модели.Ключевые слова: доходная часть бюджета; бюджетополучатели; нейросетевая модель (НСМ); интерпретация; налоговые и неналоговые доходы; сеть регуляризации. 228Bulletin of Ural Federal University. Series Economics and Management. 2017. Vol. 16. No 2. PP. 227-245 Вестник УрФУ. Серия экономика и управление. 2017. Том 16. № 2. С. 227-245 DOI: 10.15826/vestnik.2017.16.2.012 Biryukov A.N., Gluschenko O.I. Бирюков А.Н., Глущенко О.И. Актуальность темы исследованияАктуальной проблемой остается совер-шенствование технологии планирования доходной части бюджета любого уровня. Современная деятел...