Tér és Társadalom 21. évf. 2007/1. 103-115. p.
Tér és Társadalom XXI. évf. 2007 • 1: 103-115
NEURÁLIS HÁLÓZATOK A TÉRSÉGI
TIPIZÁLÁSBAN
(Neural Networks in Regional Researches)
FARKAS JENŐ ZSOLT
Kulcsszavak:
neurális hálózatok térségtipizálás vidékfejlesztés kistérségek
A tanulmány egy új kvantitatív elemzési módszer geográfiai felhasználásának lehet őségeit tekinti át. Az
első részben bemutatja a mesterséges neurális hálózatok néhány jellemzőjét, valamint felhasználási
területüket a földrajzban és rokontudományaiban. A második részben egy vidékföldrajzi kutatás' során
elvégzett számítási kísérlet eredményét ismerteti. Ebben a „hagyományos" statisztikai módszerrel készült
vidéktípus meghatározás mellett a kistérségek csoportokba sorolására (klaszterezésére) Kohonen-féle
önszervez ődő mesterséges neurális hálózatot használ.
Bevezetés
Napjaink „információs" társadalmára — a számítástechnika robbanásszer ű fejlődé-
sének következtében — jellemz ő az adatok, elektronikus dokumentumok egyre gyor-
suló ütemű keletkezése és persze ezek meg őrzése. Ennek köszönhet ően mind az
üzleti, mind a tudományos életben hatalmas adattárak alakultak ki, melyekb ől idő
és képzett munkaerő hiányában az esetlegesen bennük meglév ő hasznos tudást sem
tudjuk kinyerni. A híres futurológus John Naisbitt szerint az információs társadalom
egyik legnagyobb ellentmondása, hogy „fuldoklik az információban, miközben éhe-
zik a tudásra"2. Az idézetben az ellentmondás csak látszólagos, hiszen az adat az
elemzés során válik információvá, núg az információ feldolgozás után alakul tudássá.
Az adatok információvá alakításának hagyományos módja a manuális elemzés,
mely lassú, drága és szubjektív. Az elmúlt években ezen átalakítási folyamatban új
módszerek és elemz ő tevékenységek jelentek meg, melyeket összefoglalóan adat-
bányászatnak vagy angolul „data mining"-nak is nevezünk (Abonyi 2006). Más meg-
fogalmazás szerint ugyanez: nagy adatbázisokban rejl ő hasznos, el őzőleg nem ismert
információ félautomatikus feltárását jelenti mesterséges intelligencia alkalmazásával.
Jelen tanulmányunkban egy ilyen új módszer geográfiai felhasználásának lehet ősé-
geit kívánjuk áttekinteni. Az els ő részben bemutatjuk a mesterséges neurális hálóza-
tok néhány jellemzőjét, valamint felhasználási területüket a földrajzban és rokontudo-
mányaiban. A második részben egy vidékföldrajzi kutatás3 mellett elvégzett számítási
kísérlet eredményét ismertetjük. Ebben a ,Jiagyományos" statisztikai módszerrel készült
vidéktípus meghatározás mellett a kistérségek csoportokba sorolására (1daszterezésére)
Kohonen-féle önszervez ődő mesterséges neurális hálózatot használtunk.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
104 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
A mesterséges neurális hálózatok felépítése és tanítása
A mesterséges neurális hálózatok az adatbányászati eljárások egyik nagy osztályát
alkotják. Közös jellemzőjük, hogy az els őként Cajal által 1909-ben a gerincesek
tanulmányozása során leírt neuron felépítést és idegrendszert imitálják. Az ember —
és a gerinces állatok — idegrendszere neuronokból épül fel, és ezek képezik az in-
formációfeldolgozás alapvet ő részegységeit. Az emberi gondolkozás fiziológiájá-
nak kutatása során tudósok rájöttek, hogy az idegrendszernek vannak bejöv ő inge-
reket összegy űjtő, majd bizonyos feldolgozás után a jelet továbbító ágai. Az átadási
folyamat egészen addig tart, míg az ingerületek el nem érik azokat az idegsejteket,
amelyek a kérdéses ingerre adott válaszért felel ősek. A válasz milyensége két do-
logtól függ: egyrészt örökletes tényez őktől, másrészt az egyén élete során megszer-
zett tapasztalataitól és tudásától. Ennek felismerése azért lényeges, mert azt jelenti,
hogy ez a struktúra adaptív, vagyis képes a bementi adatokhoz tanulással alkalmaz-
kodni (Sárközy é.n.).
W. S. McCulloch és W. Pitts 1943-ban elkészítette a neuron matematikai modell-
jét, amely a Threshold Logic Unit (TLU) nevet kapta. A TLU-ban minden egyes
bemenethez rendelhető egy súly, majd a súlyozott bemenetek összege a neuron
átviteli függvényén keresztül adja a kimenetet.
1. ÁBRA
A mesterséges neuron legáltalánosabb formája
(General Form of Artifical Neurons)
xI wI
Y
x2 w
Forrás: Lasztovica (é.n.).
Az így felépített mesterséges neuronok összekötéséb ől kapjuk a mesterséges
neurális hálózatokat. Az els ő komolyabb eredmények az 1950-es évek végén és az
1960-as évek elején születtek, majd nem sokkal ezután feledésbe is merültek. A
neurális hálózatok újrafelfedezése akkor kezd ődött, amikor az 1980-as évek elején
leírták a tanításukra alkalmas, ún. hibavisszaterjesztéses algoritmust (backpropagation
algorithm, 1986-ban publikálta D.E. Rumelhart, G.E. Hinton és R.J. Williams).
Ezzel lehetővé vált a természetes rendszerek analógiájára mesterséges neurális
hálózatok létrehozása információfeldolgozás céljára.
A mesterséges neurális hálózatok rétegekb ől épülnek fel. Általában valamennyi
réteg összes neuronja az el őtte és az utána álló réteg összes neuronjával kapcsolat-
ban van, a saját rétegének neuronjaival azonban nincs. A bemen ő réteg annyi neu-
ronból áll, ahány bemen ő változónk van. Ezek lényegében csak „jeltovábbítást"
végeznek a többi csomópont felé. A rejtett rétegben találhatók a „rejtett neuronok"
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 105
(számuk tetsz őleges lehet), amelyeknek mind a bemenete, mind a kimenete másik
csomóponthoz kapcsolódik. Ebben a rétegben folyik a tulajdonképpeni adatfel-
dolgozás. Egy hálózaton belül több rejtett réteg is lehet, azonban kett őnél többre
nincs szükség, mivel matematikailag bizonyftott, hogy két réteggel bármely foly-
tonos függvény közelíthet ő (Kenesei 2006). A kimeneti rétegben annyi neuron van,
ahány kimeneti változónk van. Ezek továbbítják az információt a „külvilág" felé.
2. ÁBRA
MLP hálózat vázlata
(The Scheme of MLP)
1
1
bemeneti réteg rey' r'öte: kimeneti réteg
Forrás: Sárközy (é.n.).
Mint arról a neurális hálózatok felépítésénél már esett szó, az ilyen típusú hálóza-
tok tanítási-tanulási folyamat után alkalmazhatók különböz ő feladatok megoldására.
Tanulásuk módszere két fajta lehet: ellen őrzött vagy nem ellen őrzött. Az ellen őrzött
tanulás esetében a célunk az, hogy a tanftandó hálózat m űködése minél jobban
közelftse a vizsgált rendszer m űködését, tehát egy adott bemenet esetén tudjuk,
hogy mit várunk a kimeneten. Így a hálózat válaszát össze tudjuk hasonlftani a
kívánt vagy elvárt válasszal. A gyakorlatban ez azt jelenti, hogy a csomópontok
közötti súlyokat addig változtatjuk, amíg a kimeneti eredmények egyre jobban
megközelítik az elérni kívánt valós értékeket.
A „nem ellen őrzött tanulás" esetén nincsenek összetartozó be- és kimeneti
adatpárok. A hálózatnak a bemenetek alapján kell valamilyen viselkedést kialakítani.
Általában a hálózatoknak valamilyen összefüggéseket, hasonlóságokat kell felderí-
teniük a bemeneti adatokban. Ezeket a hálózatokat hívják önszervez ődő (self-
organized map, SOM) hálózatoknak is (Lasztovicza é.n.).
A mesterséges neurális hálózatok alkalmazása
Gyakorlati alkalmazásaik az alábbi feladattípusokra vezethet őek vissza: osztályo-
zási, optimalizálási, approximálási és a nemlineáris dinamikus rendszerek elemzé-
sének feladataira. A konkrét alkalmazásokat tekintve 1990-ig javarészt csak katonai
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
106 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
felhasználásról beszélhetünk, mint pl.: a cirkálórakéták célpont-azonosftási rendszerei.
Ennek köszönhetően terjedtek el a civil életben is a neurális hálózatokra alapuló
azonosítási problémákat megoldó felhasználások, mint például a hang és arc iden-
tifikáció, vagy a biológiában az egyed, ill. a faj felismerés. E technológia másik
nagy felhasználója az üzleti élet, ahol a raktárkészletek tervezését ől a részvény
árfolyam el őrejelzésig terjed az alkalmazásuk spektruma.
A földrajz rokontudományai közül a térinformatikában a mesterséges neurális há-
lózatok már elterjedt módszernek számítanak. Két feladattípust kell kiemelnünk a
felhasználási körükb ől: az egyik a térbeli interpolációk köre, a másik különböz ő
osztályozási feladatok megoldása. A térbeli interpolációra példa egy háromszögelési
hálózat alappontjainak s űrítése vagy egy tó felszíni vízh őmérsékletének adott pont-
ban történ ő meghatározása (természetesen „tanuló adatok" feldolgozása után). Az
osztályozási feladatok leggyakrabban légifényképeken vagy m űholdképeken a
különböző tájhasználati (felszínborítási) foltok tartalmi meghatározását, illetve
objektumok és tárgyak azonosítását jelentik.
Földrajzi kutatások köréb ől is tudunk példát hozni a mesterséges neurális hálóza-
tok alkalmazására. Ezekben jellemz ően időben változó térbeli folyamatok el őrejel-
zésére használták a módszert. Az egyik ilyen vizsgálatban az erd őterületek csökke-
nését modellezték (Mas—Puig—Palacio—Sosa-López 2004).
A kutatás során a mintaterületen két id őpontra határozták meg az erd őterületek
kiterjedését. A két térképb ől „levezettek" egy harmadik erd őterület változás térké-
pet. A „változás térkép" alapján meghatározták azokat a tényez őket, amelyek legin-
kább befolyásolták az erd őterületek csökkenését. Ezután az alkalmazott neurális
hálózatot betanftották a „változás térkép" és a kiválasztott mutatók alapján. Majd a
tanítási folyamat után egy harmadik id őpontra készítettek el őrejelzést. Utolsó lé-
pésként az el őrejelzést összehasonlították a valós erd ősültséggel. Végkövetkezte-
tésként megállapították, hogy ez a fajta megoldás nagy pontossággal jelzi el őre az
erdőterületek csökkenését. Hasonló módszert alkalmaztak kutatók a földhasználat
változásainak el őrejelzésére is (Pzjanowski—Brown—Shellito—Manik 2002). Ebben a
kutatásban az 1980-as, 1990-es és a 2000-es állapotból különböz ő tényez ők figye-
lembevételével próbálták a 2010-es és 2020-as várható földhasználatot modellezni.
Mesterséges neurális hálózatok a térségi tipizálásban
Vidékföldrajzi vizsgálatunk célja olyan kistérség-típusok meghatározása volt,
amelyek az európai terület- és vidékfejlesztés tervezési és beavatkozási térség-
meghatározási mintáinak megfelel ően sokoldalúan sorolják be a kistérségeket. A
munkát két dokumentumra: a Tanács „Community strategic guidelines for rural
development (programming period 2007 to 2013) (2006/144/EC)" cím ű határozatára
(valamint ennek módszertani mellékletére), illetve az Európai Unió ESPON prog-
ramjának az „Urban-rural relations" cím ű átfogó kutatási jelentésére alapoztuk.
Módszertani szempontból a típusokat, és a meghatározás módját a Helsinki M űszaki
Egyetem által az ESPON jelentésben leírt metódus alapján végeztük el (természetesen
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 107
ahol szükséges volt a magyarországi viszonyokhoz igazftva). Az eredmény értéke-
lése után azonban felmerült, hogy jó lenne a rendelkezésre álló adatbázis felhaszná-
lásával egy másfajta csoportosftást is elvégezni, amely esetleg visszaigazolná az
eddigi következtetéseket és új összefüggéseket tárna fel.
A kísérlethez a már meglév ő 37 mutatóból álló adatbázist használtuk fel. A fel-
adat megoldására az ún. Kohonen-féle „önszervez ődő, mesterséges neurális háló-
zat" metodikáját alkalmaztuk. Választásunk azért esett erre a módszerre, mert a
mértékegységükben, dimenzióikban eltér ő numerikus input adatok feldolgozását is
lehetővé teszi, illetve mert a szakirodalom szerint jobb eredményt adhat a hagyo-
mányos statisztikai vagy más sokváltozós eljárásoknál (Openshaw—Wymer 1995).
E hálózatok jellemz ője, hogy három rétegb ől állnak, azonban a feldolgozást végz ő
réteget a feltalálója Teuvo Kohonen finn professzor után Kohonen-rétegnek hívjuk.
Kohonen ezt a réteget a felügyelet nélküli klaszterez ő módszere számára dolgozta
ki 1982-ben. Lényege, hogy az n-dimenziós bemen ő adatokat szabályos kétdimen-
ziós tömbökre képezi le. Ezt úgy éri el, hogy az n-dimenziós bemeneti adatér egy-
máshoz hasonló vektorainak olyan neuronokat feleltet meg a neurontérképen, ame-
lyek egymáshoz szintén közel helyezkednek el euklideszi távolságukat tekintve
(Fogarassyné Vathy 2006). Az általunk felhasznált szoftver egy Excel munkafüzet
alá fejlesztett Visual Basic alkalmazás4 volt.
1. TÁBLÁZAT
Demográfiai adatok
(Demographic data)
Megnevezés Év Mértékegység
Lakónépesség 2000 fő
Lakónépesség 2004 fő
Lakónépesség változása 2000-r ől 2004-re 2000-2004 %
Népsűrűség 2004 fő/km2
Természetes szaporodás évi átlaga 2000-2004 között
ezer főre 2000-2004 fő
Vándorlási különbözet évi átlaga 2000-2004 ezer főre 2000-2004 fő
0-14 évesek aránya a népességben 2004 %
60—x évesek aránya a népességben 2004 %
Vitalitási index 2004
Városi lakosság aránya a kistérségben 2004 %
120 fő/km2-nél sűrűbb településeken lakók aránya a
kistérségben (urbanitási index) 2004 %
10000 főnél népesebb településeken lakók a
kistérségben 2004 %
1 km2 belterületre jutó lakosok száma 2004 fő/km2
Átlagos iskolai végzettség 2001 osztály
Külterületi népesség aránya 2001 fő/Icm2
Forrás: KSH.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
108 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
A vizsgálat során alkalmazott adatbázis összeállítását egyrészt a Helsinki M űszaki
Egyetem által az ESPON keretében alkalmazott módszertan alapján, másrészt az
MTA RKK Alföldi Tudományos Intézetében végzett korábbi kutatások adatainak
és eredményeinek felhasználásával végeztük (Csatári 1996). Az adatbázisba végül
37 mutató került négy tematikus egységbe rendezve. Kiválasztásuknál ügyeltünk
arra, hogy azok a környezet és a társadalom térbeli jelenségeinek és folyamatainak
minél szélesebb körét lefedjék. Az els ő csoportba a népesség és a demográfia f őbb
adatai kerültek (1. táblázat).
Az ESPON vizsgálat módszertanához igazodva a megszokott jelz őszámok mellett
alkalmaztuk a belterületi néps űrűség mutatót, melyet a 2001-es népszámlálás belte-
rületi lakónépesség-száma és az OTAB5 települési belterület fedvényének területe
alapján számítottunk ki térinformatikai eszközökkel.
A következő mutatócsoportba a foglalkozási és foglalkoztatottsági adatok kerül-
tek (2. táblázat).
2. TÁBLÁZAT
Foglalkozási és foglalkoztatottsági adatok
(Employment)
Megnevezés Év Mértékegység
Mezőgazdasági foglalkoztatottak aránya 2001 %
Ipari foglalkoztatottak aránya 2001 %
Tercier foglalkoztatottak aránya 2001 %
Munkanélküliek aránya a lakónépességben 2004 %
Tartós munkanélküliek aránya a munkanélküliekben 2004 %
Forrás: KSH.
3. TÁBLÁZAT
Gazdasági és infrastruktúra adatok
(Economy and Infrastucture)
Megnevezés Év Mértékegység
Regisztrált társas vállalkozások 1000 f őre jutó száma 2004 db
Regisztrált egyéni vállalkozások 1000 főre jutó száma 2004
1 km2-re jutó vállalkozások száma 2004 db/km2
1 adófizetőre jutó éves nettó jövedelem 2001 Ft
Működő mezőgazdasági vállalkozások száma 1000 főre 2003 db
Közüzemi vízhálózatba kapcsolt lakások aránya 2004
1 km vízvezetékre jutó csatornahálózat hossza 2004 km
Személygépkocsik száma 1000 főre 2004 db
Kiskereskedelmi boltok száma 1000 főre 2004 db
Kábeltelevíziós hálózatba kötött lakások aránya 2004
Vendégéjszakák száma 1000 f őre 2004 vendégéjszaka
1 km2-re jutó utak és vasutak hossza 2004 km/km2
Forrás: KSH, APEH.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 109
A harmadik csoportot a gazdaságra és az infrastruktúrára vonatkozó mutatók al-
kották (3. táblázat). A korábbi magyarországi elemzésekhez képest itt új elemként
jelenik meg — az ESPON vizsgálatot követve — a közlekedési hálózat s űrűsége
(km/km2), mely adatokat az OTAB részét képez ő közút- és vasúthálózat adataiból,
szintén térinformatika segítségével Intézetünk számítógépein állftottunk
A társadalom és a gazdaság bemutatását szolgáló mutatók után a környezetre,
azon belül is részben annak állapotára, részben annak használatára vonatkozó utolsó
adatcsoport került meghatározásra. Az Európai Unió ilyen jelleg ű adatok gy űjtésé-
nek céljából indította el 1985-ben az ún. CORINE6 programot. Ennek célja sziszte-
matikus környezeti és területhasználati információk gy űjtése, az Európai Unió kü-
lönböző ágazati politikáinak alátámasztására. A Helsinki M űszaki Egyetem által
végzett elemzésben is ezek az adatok kerültek felhasználásra. Intézetünkben a leg-
újabb állapotokat tükröz ő 2000-es adatokat használtuk (4. táblázat).
4. TÁBLÁZAT
Felszínborítás és földhasználat adatok
(Landcover and Landuse)
Megnevezés Év Mértékegység
Mesterséges felszínek aránya 2000 %
Mezőgazdasági területek aránya 2000 %
Erdőterületek aránya 2000 %
Természetközeli területek aránya 2000 %
Forrás: European Environmental Agency, Copenhagen, 2005.
Az általunk végzett analízis során els ő alkalommal az összes kistérséget egyszerre
vizsgáltuk. Ennek eredményeként négy csoportot kaptunk. Az els ő osztályba a
főváros került, a másodikba további két térség. Ezt az eredményt nem találtuk ki-
elégítőnek a részletes elemzéshez és interpretációhoz, így e három kistérség adatait
kivettük az adatbázisból. Ezután egy új elemzést végeztettünk a hálózattal, melynek
során szintén négy csoport alakult ki. A végeredményben a f ővárost értelemszerűen
külön osztályként hagytuk meg, míg a két térséget a második analízis els ő osztályába
tettük. A további két csoportot a második elemzés során kialakult eredmény képezte.
A vizsgálat végén kapott eredményt a 4. táblázat és az 5. ábra mutatja.
Az első „osztályt" egyedül a f őváros képezi a többi térségt ől minőségileg és
mennyiségileg is eltér ő volta miatt. A 2. kategóriába lényegében a régióközpontok,
az egri kistérség és Budapest közvetlen agglomerációjának területe került. Érdemes
kiemelni, hogy Budapest körül két gyűrű alakult ki. Az első egy közvetlenül hozzá
kapcsolódó városi gy űrű (alvóvárosok, a város működését biztosftó logisztikai és
termelési központok), míg a második „átmeneti" típusú területekb ől áll az első
gyűrűt övezve. E második gyűrű az agglomerációhoz egyre szorosabban kapcsolódó
területeket jelöli ki, amelyek egyébként egyértelm űen az e .módszerrel kapott „városi
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
110 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
típus" irányába fejl ődnek. E területek déli határa a kecskeméti kistérségig nyúlik, a
fővárostól mintegy 90 km-re.
A tipikusan vidéki és városi térségtípusok között leírható, úgynevezett „átmeneti
jellegű" területek másik része a Dunántúlon, a Balaton környékén, a nyugati határ-
mentén, illetve az Északi-középhegység területén található. Ennek okai részben az
államszocializmus ipartelepítési politikájában, másrészt a rendszerváltás utáni gaz-
dasági hatásokban keresend ők. A következő kategóriába - a jellemz őik alapján - az
egyértelműen vidékinek tekinthet ő térségek kerültek. Ide tartozik a 168 kistérségb ől
105, az ország 10 millió lakosából 3,5 millió.
5. TÁBLÁZAT
A neurális hálózat által kialakított térségtz'pusok összefoglaló adatai
(Results of Analysis: Regional Clusters)
Városi Atmeneti Vidéki Országos
Adat / térésgtípus Főváros
térs. térs. térs. adat
Lakónépesség clusterek szerint
1697343 2048230 2858410 3493566 10097549
(fő)
Adott típusba tartozó térségek
1 15 47 105 168
száma (db)
Lakónépesség (2004) átlaga
1697343 136548,67 60817,23 33272,06 60104,46
(fő)
Népsűrűség átlaga (fő/km2) 3232,30 306,34 121,03 58,38 116,94
Városi lakónépesség arányá-
100,00 73,57 59,21 43,02 50,62
nak átlaga (%)
Mezőgazdasági foglalkoztatot-
0,52 2,27 4,49 11,81 8,84
tak arányának átlaga (%)
Ipari foglalkoztatottak arányá-
21,27 31,11 39,36 36,94 37,00
nak átlaga (%)
Tercier foglalkoztatottak
78,21 66,62 56,15 51,25 54,16
arányának átlaga (%)
Egy adófieztőre jutó nettó
987427 801027 713513 599555 651733
jövedelem átlaga (Ft)
Munkanélküliek arányának
1,32 2,52 3,67 6,41 5,27
átlaga (%)
Mesterséges felszínek arányá-
66,78 13,46 7,04 4,20 6,19
nak átlaga (%)
Mezőgazdasági területek
18,84 55,35 58,30 70,67 65,53
arányának átlaga (%)
Erdőterületek arányának átlaga 9,08 24,62 25,08 18,06 20,55
Külterületi népesség arányá-
0,35 2,36 2,69 3,94 3,43
nak átlaga (%)
Forrás: Saját szerkesztés.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 111
`0.)
.5
s4)
;C?,
."`"
1:4
'd
kr)
.5
•
s'Z2
Forrás: Saj át szerkesztés.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
112 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
Az így meghatározható városi térségek (15 térség, több mint 2 millió lakossal) az
országos átlagot csaknem háromszor meghaladó néps űrűségűek (306 fő/km2). Ben-
nük a városi népesség aránya 73% (országosan csak 50,62%), a humán er őforrásaik
képezettsége jelentő sen meghaladja az országos átlagot, a tercier foglalkoztatottak
aránya 66% (országos adat 54%), átlagosan 200 ezer Ft-tal magasabbak az egy f őre
jutó jövedelmek, mint a vidéki típusú térségekben, s így kedvez ő munkanélküliségi
mutatókkal rendelkeznek. Magas a társas vállalkozások és az egyéni vállalkozások
1000 főre jutó száma, a fő város után itt a legmagasabb az 1000 f őre jutó személy-
gépkocsik száma. A mesterséges felszínek aránya e térségekben 13% átlagosan, s
az országos átlagnál 50%-kal s űrűbb közlekedési hálózattal rendelkeznek.
Az átmeneti térségek (47 térségben, 2 millió 860 ezer f ő él) állapotleírása szerint a
népsűrű ség az országos átlag körüli (120 f ő/km2), a városi népesség aránya 59,2%,
14%-kal kevesebb, mint a városinak min ősített kistérségekben, az egy f őre jutó
átlagos nettó jövedelem átlagosan 100 ezer Ft-tal magasabb, mint a vidéki térségek-
ben, a munkanélküliségi mutatók rosszabbak, mint a városi területeken. Itt a legma-
gasabb az 1000 fő re jutó vendégéjszakák száma (3599 éj), a mesterséges felszínek
aránya csak 7%.
A vidéki térségek jellemz ő i (105 kistérség, 3 millió 500 ezer lakos) közül kieme-
lésre kívánkozik, hogy a népsűrű ségük az országos átlag fele (58 f ő/km2), a városi
népesség aránya 43% (tehát a városlakók a kisebbséget alkotnak ebben a kategóriá-
ban). Általában a gazdasági és jövedelmi mutatókat tekintve a legkedvez őtlenebb
helyzetben lév ő területek, a mez őgazdaságban foglalkoztatottak átlagos aránya
12%, az egy fő re jutó nettó jövedelem 50 e Ft-tal az országos átlag alatt van, magas
a munkanélküliek aránya, ill. ezen belül is jelent ős a tartósan munkanélkülieké, a
működő mező gazdasági vállalkozások aránya ebben az osztályban a legmagasabb.
A mesterséges felszínek aránya csak 4%, a mez őgazdasági földhasznosítású terüle-
tek aránya e kistérségekben több mint 70%. A külterületi népesség aránya országos
átlag feletti, átlagosan 4%.
Összegzés
A módszer értékelését két lépcs őben végezhetjük el. Els ő lépcsőben értékelhetjük
a Kohonen-féle hálózat által kialakított csoportokat. Ez alapján megállapíthatjuk,
hogy az egyes csoportok homogén képet mutatnak, így azokat könny ű volt megfelel ő
értelmező címkékkel ellátnunk.
A második lépcs ő ben összevethetjük az eredményt más, korábbi vizsgálatok
eredményével, melyekrő l általában azt mondhatjuk, hogy azoktól jelent ősen nem
tér el. Ennek alátámasztására ismertetnénk az ESPON térség-típusokkal történt
összevetést. Mindenekel ő tt azonban meg kell jegyeznünk, hogy a két vizsgálat
„abszolút jóságát" a társadalomtudományokban megítélni rendkívül nehéz. Más-
részt a két elemzés végén megállapított térségtípusok tartalmilag nem teljesen fedik
egymást. Ezért a pontos összehasonlíthatósághoz meghatároztuk, hogy az egyes
típusok mennyire felelnek meg egymásnak.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 113
k0
0.)
s2'2
s.5.5h bi3
< •
.5.•
s< 1%5'
L.
Lc;
(•5
tsz
c5.>
Forrás: MTA RKK ATI2006.
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
114 Farkas Jenő Zsolt TÉT XXI. évf. 2007 • 1
Az összevetésekor azt állapítottuk meg, hogy a két módszer végeredménye 130
kistérség esetében — az adott keretek között — megegyezik. Ez 77,3%-os egybeesést
jelent. További 24 esetben részben (14,2%) és 14 esetben egymásnak ellentmondó-
nak tűnik a két módszer által kapott eredmény.
Az utóbbiak között mind megyeszékhelyek térségei (Szombathely, Szolnok,
Békéscsaba) mind az agglomerációban fekv ő kistérségek (Gödöll ői, Pilisvörösvári,
Adonyi, Szentendrei), mind néhány alföldi városi kistérség (Mátészalka, Kisvárda)
megtalálható.
S bár ezek külön-külön az egyes elemzésekben „jó helyen" vannak, az összeve-
tésben fellehet ő „meg nem felelésük" a térbeli fejl ődésük olyan valószín űsíthető
különlegességére utal, amit további elemzésekkel kellene vagy lehetne kimutatni.
A Kohonen-féle önszervez ődő hálózatokról mint módszerr ől azonban megállapít-
hatjuk, hogy földrajzi kutatásokban felmerül ő csoportosítási feladatok elvégzésére
legalább olyan jól használható, mint a hagyományos statisztikai metódusok, vagy
mint a faktor- és klaszteranalízis.
Jegyzetek
Csatári B.—Farkas J. Zs. Vidéktípusok. Kézirat megjelenés alatt.
2 Idézi Abonyi J. 2006, 6. o. Eredeti: John Naisbitt: Megatrends, Warner Books, 1982.
Csatart B.—Farkas J. Zs. Vidéktípusok. Kézirat megjelenés alatt.
Fejleszto: Angshuman Saha, letölthet ő : http://www.geocities.com/adotsaha/NN/SOMinExcel.html címről.
Orszagos Terképeszen Alapadatbázis
6
Coordination of Information on the Environment
The European Spatial Planning Observation Network
Irodalom
Abonyi J. (2006) Adatok feltáró jelleg ű elemzése és megjelenítése. — Abonyi J. (szerk.) Adatbányászat a
hatékonyság eszköze. Computerbooks, Budapest. 5-40. o.
Angshuman Saha (é.n.) Neural Network Models in Excel for Prediction and Classification.
http://www.geocities.com/adotsaha/NNinExcel.html
Csatári B. (1996) A magyarországi kistérségek néhány jellegzetessége. MTA RKK Alföldi Tudományos
Intézete, Kecskemét. http://www.rkk.hu/regional/tan/beavatk.html
ESPON jelentések (2005) http://www.espon.eu/mmp/online/website/content/projects/259/649/index_EN.html
Fogarassyné Vathy Á. (2006) Csoportosítás (klaszterezés). — Abonyi J. (szerk.) Adatbányászat a haté-
konyság eszköze. Computerbooks, Budapest. 131-182. o.
Kenesei T.P. (2006) Regressziós technikák. — Abonyi J. (szerk.) Adatbányászat a hatékonyság eszköze.
Computerbooks, Budapest. 273-292. o.
Lasztovicza L. (é.n.) A neurális hálózatok alapjai. http://home.mit.bme.hu/—laszto/web_data/neural/
nn_basics.PDF
Mas J.F.—Puig H.—Palacio J.L.—Sosa-López A. (2004) Modelling deforestation using GIS and artificial
neural networks. — Environmental Modelling and Software. 19.461-471. o.
Openshaw S.—Wymer C. (1995) An emprirical study of a neurocomputing classifier of large spatial
census dataset for small areas. —Fischer M.M.—T.T. Sikos—L. Bassa (eds.) Recent developments in
spatial information, modelling and processing. Geomarket. Budapest. 44-71. o.
Pijanowski B.C.—rown D.G.—Shellito B.A.—Manik G.A. (2002) Using neural networks and GIS to
forecast land use changes: a Land Transformation Mode!, Computer, Environment and Urban
Systems. 26.553-575. o.
Sárközy F. (é.n.) Térinformatika. http://gisfigyelo.geocentrum.hu/sarkozy_terinfo/tbev.htm
Farkas Jenő Zsolt : Neurális hálózatok a térségi tipizálásban.
Tér és Társadalom 21. évf. 2007/1. 103-115. p.
TÉT XXI. évf. 2007 • 1 Neurális hálózatok a ... 115
NEURAL NETWORKS IN REGIONAL RESEARCHES
Electronically storaged datas and documents boost in an accelerating way in nowadays
Information Society due to the revolution in computer technology. Nevertheless there is no
time and manpower to process these datas by conventional manual analysis. This problem
has been solved with some new analytical methods applied in the past few years. In general
they are called data mining methods. In this article I give a brief summary on one of these
methods: the artificial neural networks. The first part of this essay gives a review about
artificial neural networks and their usage in GIS and geography. In the second part I describe
the clusterization of Hungarian small regions with a Kohonen Self-Organized Map (SOM).
The SOM has made four clusters in the analysis. After the investigation, I labelled them as
capital city, urban, urban-rural transition and rural regions. The clusters were homogeneous
and can be compared against previous reserches such as ESPON 7 „Urban-rural relations"
project. In comparison there was a high level similarity between the outcome of the above
clusterizations. Finally, I point out that Kohonen SOM ís an acceptable method of grouping
in geographical researches.