Репетитор оценщика
Готовые работы заочников
Тесты:
Задачи:
Примеры работ по оценке
Экспертная и репетиторская помощь по решению тестов, задач, практикумов и всех других видов работ. Сергей.admin@refmag.ru,
Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |
Букинистическая книга:
Список литературы по оценке недвижимости > Геопространственное моделирование ценовых поверхностей в анализе недвижимости
Петкова Н.В. Геопространственное моделирование ценовых поверхностей в анализе недвижимости // Электронный сетевой политематический журнал "Научные труды КубГТУ". 2017. № 4. С. 274-284.
Скачать оригинал статьи
Фрагмент работы на тему "Геопространственное моделирование ценовых поверхностей в анализе недвижимости"Научные труды КубГТУ, № 4, 2017 год 274 УДК 347.214.2 ГЕОПРОСТРАНСТВЕННОЕ МОДЕЛИРОВАНИЕ ЦЕНОВЫХ ПОВЕРХНОСТЕЙ В АНАЛИЗЕ НЕДВИЖИМОСТИ Н.В. ПЕТКОВА Южный федеральный университет, 344006, Российская Федерация, г. Ростов-на-Дону, ул. Большая Садовая, 105 электронная почта: petkova@sfedu.ru В работе рассматривается опыт применения методов пространственного анализа рынка жилой недвижимости на примере статистических данных г. Ростова-на-Дону. Цель исследования - продемонстрировать эффективность использования методов геоинформационных систем в задачах оценки недвижимости. Объектом исследования является пространственное распределение показателя удельной стоимости однокомнатных квартир. В задачи исследования входят сравнение способов моделирования ценовых поверхностей с помощью детерминированных и геостатистических методов модулей ArcGIS Geostatistical Analyst и ArcGIS 3D Analyst программного пакета ArcGIS (ESRI, США), а также трехмерная визуализация полученных результатов. Для целей изучения пространственного распределения характеристик недвижимости рекомендовано использование комплекса интерполяционных методов в сочетании с нейросетевым анализом. Ключевые слова: недвижимость, ГИС, методы пространственного анализа. Данные, используемые при решении многих задач в сфере землеустройства и кадастров, имеют ярко выраженный пространственный характер. Именно поэтому здесь широко применяются методы пространственного анализа и моделирования. Группу методов пространственного анализа, использующих алгоритмы интерполяции, принято делить на детерминированные и геостатистические методы. При использовании детерминированных методов предполагается, что данные в некоторой области можно описать детерминированной функцией, значение которой зависит от координат местоположения объекта. Основной задачей моделирования является получение значений этой функции во всей области на основе известных (измеренных) значениях в опорных точках. При этом функция выбирается так, чтобы оптимизировать некоторый критерий наилучшего приближения значений в точках, который может быть статистическим (наименьшие квадраты) или детерминированным (точное совпадение в точках измерения). http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 275 Геостатистика широко применяется во многих областях науки и инженерных работ, в том числе и в землеустройстве, в анализе рынка недвижимости, исследовании почвенных ресурсов для целей бонитировки, экономической и кадастровой оценок земель и в других областях. Геостатистический анализ при моделировании явлений позволяет учитывать пространственные и пространственно-временные тенденции, наличие природных барьеров, основные направления потоков в системах и т.п. В рамках геостатистического подхода строится вероятностная модель изучаемого явления. Оценка и моделирование выполняются с использованием свойств этой модели, которые необходимо корректно переносить в действительность. Таким образом, геостатистические модели могут быть применены в широком ряде сценариев, чаще всего — для интерполяции значений для внеопорных местоположений и измерения неопределенности этой интерполяции. Существует несколько методов геостатистической интерполяции. Некоторые из них являются весьма гибкими и могут приспосабливаться к различным аспектам исходных данных. Другие являются более ограничительными и требуют, чтобы данные соответствовали определенным условиям. Например, значительной гибкостью отличаются методы кригинга, но в рамках семейства методов кригинга выдвигаются различные требования к условиям, которые должны быть соблюдены, чтобы выходные результаты были допустимыми. Каждый из этих методов имеет собственный набор параметров, что позволяет его настраивать для конкретного набора данных, с учетом требований к выходным данным. Детерминированные и геостатистические методы тесно связаны между собой и взаимно дополняют друг друга. Поэтому, учитывая, что рассматриваемые явления и процессы как правило сложны и не могут быть описаны в рамках только лишь одного подхода, анализ данных осуществляется на основе методологии пространственного моделирования, включающей весь арсенал средств для всестороннего исследования проблемы. http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 276 В данной работе рассматривается опыт применения инструментария программного комплекса ArcGIS, в частности дополнительного модуля ArcGIS Geostatistical Analyst, для выявления пространственно-временных закономерностей формирования цен на жилье. Дополнительный модуль ArcGIS Geostatistical Analyst предоставляет возможность моделирования поверхностей с использованием детерминированных и геостатистических методов. Инструменты модуля позволяют создавать модели интерполяции и оценивать их качество для использования в дальнейшем анализе. Поверхности как модели могут встраиваться в более сложные модели средствами ModelBuilder и Python, отображаться и анализироваться с помощью других дополнительных модулей ArcGIS, таких как ArcGIS Spatial Analyst и ArcGIS 3D Analyst [1]. Исходными данными для анализа являются данные сделок купли- продаж квартир в многоквартирных домах г.Ростова-на-Дону [2]. Первоочередной задачей исследования является картографирование объектов недвижимости. Для разработки ГИС-проектов существует возможность использования готовых картографических данных из различных WEB-источников. Например, в проект ArcGIS можно добавить базовые карты Open Street Map, карты National Geografic и другие. ArcGIS OnLine предоставляет пользователям, в частности, физическую карту мира, карты административного деления. Если обратиться к картографическим ресурсам Росреестра через подключение ГИС-сервера, то в проект можно добавить слои кадастрового деления РФ, тематические слои территориального зонирования, дополненные данными о кадастровой стоимости объектов недвижимости и пр. Проблема здесь состоит в том, что базовая карта скачивается для всего мира (страны), в чем нет необходимости для региональных ГИС-проектов. В данном проекте использована другая технология. Тот же ресурс, но только с выбором области интереса, можно получить с помощью приложения SAS.Планета — бесплатно распространяемой навигационной программы, объединяющей в себе возможность загрузки и просмотра карт и спутниковых фотографий земной http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 277 поверхности большого количества картографических online-сервисов, таких как Google Earth, Google Maps, Bing Maps, DigitalGlobe, “Космоснимки“, Яндекс.карты, Yahoo! Maps, VirtualEarth, Gurtam, OpenStreetMap, eAtlas, iPhone maps и других. Для сопоставления результатов моделирования поверхностей с районами города выбрана спутниковая основа Google Maps и Яндекс.карты города Ростова-на-Дону [3]. Исходная база данных содержит десятки тысяч объектов. Для демонстрации процедуры анализа была выделена часть объектов, равномерно покрывающих территорию наиболее активно представленных на рынке недвижимости районов города (Рис.1). Рисунок 1 — Базовая кадастровая карта с объектами недвижимости г.Ростова-на-Дону. Выборка содержит достаточное для исследования количество объектов и подготовлена для статистического анализа значений удельной стоимости квадратного метра однокомнатной квартиры: выполнена кластеризации объектов, выделены 3 класса жилья, выбран класс стандартного жилья, из которого удалены объекты с экстремальными значениями удельной стоимости. http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 278 Отметим, что для картографирования большого числа объектов использовалась процедура адресного геокодирования с применением картографического WEB-сервиса [4]. Ценовые поверхности являются важным объектом в анализе рынка недвижимости. Они используются для оценки стоимости недвижимости (в том числе и кадастровой), уточнения границ риэлтерских районов, а также для решения многих других задач управления недвижимостью [5]. В данном случае целью геоинформационного моделирования являлось построение ценовых поверхностей, представляющих табличные данные в картографической форме. (Рис.2). Рисунок 2 — Фрагмент трехмерного отображения ценовой поверхности Рассмотрим ряд примеров применения детерминированных и геостатистических методов для построения ценовых поверхностей по данным выборки. Рекомендованными методами интерполяции ценовой поверхности являются методы обратных взвешенный расстояний (IDW) и естественной окрестности (Natural Neighbor), которые являются детерминистическими методами из гуппы Raster Interpolation модуля 3D Analyst. Результаты применения методов с классификацией по методу естественных границ в общем отражают характер пространственного распределения показателя: в центре города цены на жилье более высокие, на периферии – более низкие (Рис.3). http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 279 Рисунок 3 —Интерполяция поверхности методами IDW и Natural Neighbor Однако, если поставить задачу выделения ценовых районов, то очевидно, что по этим результатам их границы трудно будет определить, что также хорошо иллюстрируется трехмерным отображением поверхности с близко расположенными “пиками” и “впадинами” (Рис.4). Рисунок 4 —Трехмерное отображение IDW-поверхности. Эти же методы, настроенные средствами ArcGIS Geostatistical Analyst Extension, дают несколько другое пространственное распределение с более обширными и сглаженными по показателю областями, что больше отвечает интересам исследования (Рис.5). http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 280 Рисунок 5 — IDW-поверхность Geostatistical Analyst Однако при этом некоторые области получаются “вытянутыми” в сторону, где меньше данных или вообще их нет. Можно, безусловно, более тщательно настроить экстент для интерполирования, параметры метода, но это требует дополнительного времени и не всегда имеет успех. Чтобы учесть пространственные закономерности распределения показателя, рассмотрим результаты применения инструментов геостатистического анализа. В группе ArcGIS Geostatistical Analyst Extension для создания поверхности имеется несколько методов кригинга, включая ординарный, простой, универсальный, индикаторный, вероятностный и дизъюнктивный кригинг. Они используются для оценки статистических свойств пространственных данных, таких как вариабельность пространственных данных, зависимость пространственных данных и глобальные тренды. Подбор модели для геостатистического анализа методом кригинга – это отдельная задача, требующая определенного исследовательского опыта. На практике репрезентативную выборку обычно делят на две части. Одна http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 281 используется для построения модели и оценки ее параметров, другая – для проверки пригодности модели. Для демонстрации результатов применения метода опустим этот шаг и приведем конечный результат (Рис. 6). Рисунок 6 — Ценовая кригинг-поверхность Если наложить на полученную поверхность карту города, то видно, что поверхность хорошо описывает границы наиболее “дорогих” районов города — исторический центр, район пл.Дружинников, Левенцовский ЖК и т.д. Выделяются также районы с ветхим жильем. В трехмерном виде отчетливо прослеживаются тенденциях жилищного строительства города. В районах на окраинах, соответствующих новостройкам, отмечается достаточно высокая стоимость жилья (Рис. 7). http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 282 Рисунок 7 — Трехмерное отображение кригинг-поверхности Широкий спектр детерминированных моделей интерполяции часто применяется и в других приложениях именно в силу простоты их использования. Однако детерминистическая интерполяция дает только значение самой оценки и характеристики ее качества. Но при этом методы имеют ряд серьезных недостатков: игнорирование пространственной корреляции, неоднозначность подбора оптимальных параметров методов. Геостатистические методы напротив, как показывает данный пример, содержат процедуры предварительного анализа и тонкой настройки, что дает наиболее интерпретируемые результаты, сопоставимые с экспертным оцениванием. Приведенный пример носит демонстрационный характер. Для полноценного исследования, безусловно, необходимо использовать гораздо больше данных. Тем не менее он показывает ощутимое преимущество геостатистических методов в моделировании рынка недвижимости. Отметим, что наряду с рассмотренными методами, для оценки пространственного распределения ценовых характеристик объектов жилой недвижимости также полезно использовать методы нейросетевого моделирования. С их помощью возможно выполнить не только особый вид исследования, но и проверить качество результатов интерполяционного моделирования [5]. http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год 283 ЛИТЕРАТУРА 1. Справка ArcGIS (10.2, 10.2.1, 10.2.2)// URL: http://resources.arcgis.com/ru/help/main/10.2/index.html#/na/0031000000pn000000/ (дата обращения 20.04.17 г.) 2. Посникова Н.А. Нейросетевое моделирование в задаче массовой оценки недвижимости. Тезисы докладов XII ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра РАН. Из-во ЮНЦ РАН, 2016г.// URL: http://www.sscras.ru/ru/conferences/xii_ezheuodnaja_nauchnaja_konferencija_studentov_i_aspirant ov_ba/ (дата обращения 20.04.17 г.) 3. ArcGIS Online //URL: http://www.esri.com/software/arcgis/arcgisonline (дата обращения 20.04.2017 г.) 4. Картографический WEB-сервис “Геокодирование адресов”// URL: http://appsbook.ru/apps/geocoder (дата обращения 20.04.17 г.) 5. Петкова Н.В., Ушканова Е.В. Геоинформационные технологии в анализе городского землепользования. С.117-133. Экология. Экономика. Информатика. Сборник статей: в 2-х т. Т.2: Геоинформационные технологии и космический мониторинг. Выпуск 1. — Ростов н/Д: Из-во ЮНЦ РАН. 2016 — 348с. 6. Сурков Ф.А., Петкова Н.В., Суховский С.Ф. Нейросетевые методы анализа данных в оценке недвижимости, с.38-45. Из-во: Южный федеральный университет (г.Ростов-на-Дону), 2016, ISSN: 0321-2653//|URL: http://elibrary.ru/item.asp?id=26681882 (дата обращения 20.04.17 г.) REFERENCES 1.Spravka ArcGIS (10.2, 10.2.1, 10.2.2)// URL: http://resources.arcgis.com/ru/help/main/10.2/index.html#/na/0031000000pn000000/ (data obrashcheniya 20.04.17 g.) 2. Posnikova N.A. Neyrosetevoe modelirovanie v zadache massovoy otsenki nedvizhimosti. Tezisy dokladov XII ezhegodnoy nauchnoy konferentsii studentov i aspirantov bazovykh kafedr Yuzhnogo nauchnogo tsentra RAN. Iz-vo YuNTs RAN, http://ntk.kubstu.ru/file/1619 Научные труды КубГТУ, № 4, 2017 год http://ntk.kubstu.ru/file/1619 284 2016g.// URL: http://www.sscras.ru/ru/conferences/xii_ezheuodnaja_nauchnaja_konferencija_studentov_i_aspirant ov_ba/ (data obrashcheniya 20.04.17 g.) 3. ArcGIS Online //URL: http://www.esri.com/software/arcgis/arcgisonline (data obrashcheniya 20.04.2017 g.) 4. Kartograficheskiy WEB-servis “Geokodirovanie adresov”// URL: http://appsbook.ru/apps/geocoder (data obrashcheniya 20.04.17 g.) 5. Petkova N.V., Ushkanova E.V. Geoinformatsionnye tekhnologii v analize gorodskogo zemlepolzovaniya. S.117-133. Ekologiya. Ekonomika. Informatika. Sbornik statey: v 2-kh t. T.2: Geoinformatsionnye tekhnologii i kosmicheskiy monitoring. Vypusk 1. — Rostov n/D: Iz-vo YuNTs RAN. 2016 — 348s. 6. Surkov F.A., Petkova N.V., Sukhovskiy S.F. Neyrosetevye metody analiza dannykh v otsenke nedvizhimosti, s.38-45. Iz-vo: Yuzhnyy federalnyy universitet (g.Rostov-na-Donu), 2016, ISSN: 0321-2653//|URL: http://elibrary.ru/item.asp?id=26681882 (data obrashcheniya 20.04.17 g.) GEOSPATIAL MODELING OF COST SURFACE FOR THE ANALYSIS OF REAL ESTATE N.V. PETKOVA Southern Federal University 105, B.Sadovaya str., Rostov-on-Don, Russian Federation, 344006, e-mail: petkova@sfedu.ru The paper considers the experience of applying the methods of spatial analysis of the residential real estate market using the city Rostov data. The purpose of the research is to demonstrate the effectiveness of the use of methods of geoinformation systems in the problems of real estate valuation. The spatial distribution of the unit cost index of one-room apartments is the object of this researching. The research tasks include comparison of methods for modeling price surfaces with the help of deterministic and geostatistical methods of ArcGIS Geostatistical Analyst and ArcGIS 3D Analyst modules of the ArcGIS software package (ESRI, USA), as well as three-dimensional visualization of the results obtained. For the purposes of studying the spatial distribution of the characteristics of real estate, it is recommended to use a complex of interpolation methods in combination with neural network analysis. Key words: real estate, GIS, spatial analysis methods. Другие книги из этого разделаК вопросу об интеллектуальном анализе, массовой оценке и управлении рынком недвижимости регионов РоссииУправление недвижимым имуществом промышленного предприятия на основе теории жизненных цикловКластеризация регионального рынка недвижимости на примере свердловской областиК вопросу об интеллектуальном анализе, массовой оценке и управлении рынком недвижимости регионов РоссииУправление недвижимым имуществом промышленного предприятия на основе теории жизненных цикловКластеризация регионального рынка недвижимости на примере свердловской области