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 > К вопросу об интеллектуальном анализе, массовой оценке и управлении рынком недвижимости регионов России
Алексеев А.О., Харитонов В.А., Ясницкий В.Л. К вопросу об интеллектуальном анализе, массовой оценке и управлении рынком недвижимости регионов России // Прикладная математика и вопросы управления. 2017. № 1. С. 87-99.
Скачать оригинал статьи
Фрагмент работы на тему "К вопросу об интеллектуальном анализе, массовой оценке и управлении рынком недвижимости регионов России"87 Пермский национальный исследовательский политехнический университет, Пермь, Россия К ВОПРОСУ ОБ ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ, МАССОВОЙ ОЦЕНКЕ И УПРАВЛЕНИИ РЫНКОМ НЕДВИЖИМОСТИ РЕГИОНОВ РОССИИ Обсуждаются преимущества использования информационного подхода к моделированию регионального рынка жилой недвижимости. На примере г. Екатеринбурга показана необходимость учета влияния мега-, макро- и мезоэкономических факторов при построении компьютерной модели рынка, пригодной как для анализа и прогнозирования рыночной стоимости жилых объектов, так и для массовой оценки кадастровой стоимости, лежащей в основе эффективной системы налогооб- ложения, направленной на справедливое распределение налоговой нагрузки. Помимо этого, ин- теллектуальный анализ моделей «что если» позволяет видеть, как изменения ключевых ценообра- зующих факторов влияют на рыночную стоимость объектов, что может быть использовано для под- держки принятии решений, направленных на развитие рынка недвижимости. Сделан вывод о том, что такие модели можно встраивать в системы мониторинга и обновления кадастровых таблиц не- движимости регионов в режиме реального времени, когда изменение экономической ситуации в ре- гионе, стране и мире влечет автоматическое обновление кадастровых данных. Ключевые слова: интеллектуальный анализ данных, аналитика, компьютерное модели- рование, business intelligence, нейронные сети, анализ рынка, оценка. A.O. Alekseev, V.A. Kharitonov, V.L. Iasnitskii Perm National Research Polytechnic University, Perm, Russian Federation DISCUSSION OF DATA MINING, MASS APPRAISAL AND MANAGEMENT OF REAL ESTATE REGIONAL MARKET Discusses the advantages of using “information approach” to modeling the regional real estate market. Shows the importance of considering the influence of mega-, macro-and meso-economic factors when building computer models of market, suitable for analysis and forecasting of the market value of residential properties, and mass cadastral valuation, the underlying effective tax system to more fairly distribute the tax burden. In addition, mining models “what if” allows you to see how changes in the key pricing factors will affect the market value of objects, what is the decision support aimed at the development of the real estate market. It is concluded that such models can be embedded in a monitoring system of the housing market and updates inventory tables real estate regions in real time, when change of the economic situation in the region, the country and the world entails an automatic update of inventory data. Keywords: data mining, analytics, computer simulation, business intelligence, neural networks, market analysis, cadastral evaluation. 88 только изучать его поведение, но и прогнозировать. Рынок недв мости, будучи саморегулируемой системой, выполняя информац ную функцию, консолидирует данные о территории. Так, в цене екта недвижимости концентрируется большой объем информ о насыщенности рынка, предпочтениях покупателей, хозяйстве и социальной политике государства. В связи с этим анализ и исс вание моделей региональных рынков недвижимости позволяют ре вопрос более эффективного использования территории, что обусл вает высокую актуальность компьютерного моделирования. Одн задач, решаемой с помощью компьютерного исследования рынк ляется построение эффективной налоговой политики. До недавнего времени стоимость всех объектов жилой недв мости устанавливалась государством «раз и навсегда». Введение ципа взимания налога на имущество, при котором налогооблага базой жилых объектов служит такой индикатор, как кадастровая мость1, которая, в свою очередь, зависит от ситуации на регионал локальных рынках недвижимости, является важным шагом рефо рования налоговой системы и переходом от директивно-админи тивного управления к индикативному, что является гибким и боле фективным механизмом регионального управления. Налоговая по ка, построенная на основе организации системы массовой оце соответствующей текущему уровню цен и базирующейся на изуч местного рынка, при ее правильном применении является важней аспектом социальной политики региона [1]. Очевидно, что реализация стратегии взимания налога на н жимость в зависимости от кадастровой стоимости объектов пр всего требует совершенствования системы массовой оценки недв 1 Об утверждении методических указаний о государственной кадаст оценке: приказ Минэкономразвития России № 358 от 07.06.2016; О государств кадастровой оценке: Федер. закон № 237-ФЗ от 03.07.2016. 2 Массовая оценка – это систематическая оценка групп объектов недви сти по состоянию на определенную дату с использованием стандартных про и статистического анализа [1]. 89 1. Регрессионный и нейросетевой подходы к построению моделей Моделирование – это универсальный метод получения, описания и использования знаний. Его основная цель состоит в том, что созданная модель должна достаточно хорошо отображать функционирование мо- делируемой системы. Модель всегда исследуется каким-либо методом (численным, качественным и т.п.). С одинаковым успехом описывать эти закономерности могут различные модели. Чтобы получить ответ на вопрос, какой метод выбрать, необходимо проанализировать свойства используемого математического аппарата. Таким образом, выбор метода моделирования часто означает выбор модели. В настоящее время широко распространены аналитический и ин- формационный подходы к моделированию. Суть аналитического под- хода заключается в наложении известных аналитических методов, за- конов и зависимостей на изучаемую картину реальности. Информаци- онный подход имеет другой принцип и ориентирован на исследование данных. При таком подходе отправной точкой являются данные, ха- рактеризующие исследуемый объект, и модель подстраивается под действительность. Таким образом, параметры модели полностью опре- деляются входными данными. Это является преимуществом информа- ционного подхода, который лежит в основе большинства современных технологий и методов анализа данных: самообучающихся алгоритмов, машинного обучения, методов Data Mining. Основным ограничением концепции «моделей от данных» является качество исходных данных, поскольку их «зашумление» иногда может приводить к моделям и выводам, не имеющим никакого отношения к действительности. При построении моделей рынка недвижимости обычно исполь- зуют две разновидности информационного подхода: регрессионную [2, 4–8] и нейросетевую [9–19]. В качестве входных (независимых) пе- ременных, как правило, учитывают строительно-эксплуатационные параметры, такие как тип объекта, место его расположения, площадь, количество комнат, этажей, наличие балкона, лоджии, парковки и др. 90 моделей необходима гипотеза о виде математического выражения сывающего поведение моделируемого объекта, тогда как при пос нии нейросетевых моделей такой гипотезы не требуется [20]. Всл вие этого регрессионные модели имеют ряд недостатков, наиболе щественный из которых заключается в том, что регрессио уравнения, описывающие моделируемые системы, не исключают кую вероятность ошибки в случае изменения рыночных тенденций особенно актуально для развивающихся рынков, к которым отно рынок российской недвижимости. В силу данного ограничения, по нашему мнению, более пре тительным является подход моделирования с помощью аппарата н сетевого анализа, который не требует предварительного введения к либо гипотез о математической форме выявляемых зависимостей. Это мнение подтверждается результатами вычислител экспериментов ряда авторов [13, 14, 17], а также полученными данными, приведенными на рис. 1. Наши вычислительные экс менты выполнялись на примере моделирования рынка жило движимости г. Екатеринбурга, представленного в работах [21 причем в экспериментах участвовали три модели: регрессионна нейная, регрессионная мультипликативная и нейросетевая. По абсцисс отложены значения отклонений прогнозной стоимост заявленной, полученные для объектов недвижимости на тест множестве, элементы которого не были использованы при выч нии коэффициентов регрессионных уравнений и не участво в обучении нейронной сети. По оси ординат отложена частота количество квартир, соответствующее указанным на оси абсцис клонениям. Как видно на рис. 1, для оценки, выполненной с помощью ронной сети, имеется наибольшее количество объектов, отклон прогнозной стоимости которых от фактической ближе всего нахо к нулевому значению, что говорит о более высоком качестве ней тевой модели по сравнению с мультипликативной и линейной ре сионными моделями. 91 Рис. 1. Распределение частот отклонений прогнозных стоимостей квартир от заявленных на тестовом множестве, полученных с помощью нейросетевой и регрессионных моделей (мультипликативной и линейной) Исследование также показало, что прогноз, выполненный на тес- товом множестве с помощью нейронной сети, имеет наибольшее зна- чение коэффициента детерминации R2 (87 %) и наименьшую средне- квадратичную относительную погрешность (6,5 %), т.е. дает лучшие результаты. 2. Традиционные и комплексные модели Следует отметить, что как регрессионные, так и нейросетевые мо- дели [2, 4–17, 19], учитывающие одни только строительно-эксплуата- ционные факторы, традиционно используются для массовой оценки недвижимости в ряде стран с развитой и достаточно стабильной эконо- микой. В развивающихся же странах, включая Россию, рынок недвижи- мости подвержен влиянию быстроменяющихся мега-, макро- и мезоэко- номических факторов. В связи с этим для нашей страны возможность эффективного использования традиционных западных моделей массо- вой оценки недвижимости, по-видимому, имеет ряд критических огра- ничений, которые рассмотрим далее на примере г. Екатеринбурга. Поскольку рынок недвижимости как сложная система является подсистемой для систем более высокого уровня (региональной эко- номики, экономики страны и мировой экономики), для стабильной работы модели в условиях изменяющейся экономической обстановки, а также чтобы она обладала прогностическими способностями, необ- ходимо учитывать в составе ценообразующих факторов мезо-, макро- и мегаэкономические параметры. 92 тационных факторов, на стоимость квартир оказывают существе влияние такие мезо-, макро- и мегаэкономические параметры, ка нежная масса, цена нефти, ВВП, ввод жилья, объем ипотечных к тов, курс доллара. Табл Корреляционные коэффициенты Пирсона Факторы Район Кол- во ком- нат Тип дома Этаж Тип стен Об- щая пло- щадь Нали- чие бал- кона Сезон РТС Де- неж- ная масса Цена нефти Brent ВВП Курс USD Ввод жилья Кре- диты Индекс доступ- ности жилья С Район 1,00 Кол-во комнат –0,02 1,00 Тип дома –0,04 0,01 1,00 Этаж –0,04 0,06 –0,06 1,00 Тип стен –0,02 0,11 –0,24 0,10 1,00 Общая площадь 0,00 0,80 0,21 0,23 0,04 1,00 Наличие балкона –0,01 0,15 –0,10 0,34 0,11 0,28 1,00 Сезон 0,04 0,02 0,07 0,04 –0,03 0,07 0,17 1,00 РТС –0,07 –0,06 0,00 –0,09 0,04 –0,15 –0,23 –0,46 1,00 Денежная масса 0,06 –0,05 0,14 0,12 –0,01 –0,01 0,08 0,37 –0,28 1,00 Цена неф- ти Brent –0,03 –0,06 0,08 –0,04 0,06 –0,10 –0,12 –0,08 0,67 0,08 1,00 ВВП 0,05 –0,06 0,15 0,09 0,00 –0,03 0,07 0,42 –0,18 0,97 0,23 1,00 Курс USD 0,07 0,00 0,08 0,13 –0,03 0,06 0,15 0,43 –0,71 0,81 –0,45 0,71 1,00 Ввод жилья 0,05 –0,05 0,12 0,12 –0,03 –0,02 0,08 0,26 –0,25 0,93 –0,08 0,87 0,80 1,00 Кредиты 0,01 –0,08 0,13 0,05 –0,01 –0,05 0,01 0,00 0,25 0,57 0,56 0,59 0,07 0,55 1,00 Индекс доступно- стижилья –0,06 –0,02 –0,01 –0,11 0,00 –0,07 –0,17 –0,05 0,73 –0,42 0,38 –0,33 –0,68 –0,41 0,02 1,00 Стоимость квартиры –0,05 0,45 0,27 0,33 –0,04 0,67 0,29 0,07 0,12 0,37 0,26 0,39 0,12 0,34 0,48 0,02 Первые попытки построения комплексных моделей, учитываю как строительно-эксплуатационные, так и мезо-, макро- и мегаэкон ческие параметры, были предприняты в работах [21–23]. Исследо этих моделей показали, что, помимо массовой оценки стоимости тир, они позволяют проводить анализ «что если», т.е. видеть, как нения ключевых ценообразующих параметров влияет на рыно стоимость объекта. Например, можно посмотреть, как влияет на мость квартир увеличение темпов жилищного строительства или в ние льгот по ипотечному кредитованию. 93 Кроме того, комплексные модели не требуют постоянной актуа- лизации, чего нельзя сказать о статических (традиционных) моделях, учитывающих исключительно строительно-эксплуатационные пара- метры. В подтверждение этому на рис. 2 приведены результаты сле- дующих вычислительных экспериментов. Из комплексной модели [22] были исключены все мезо-, макро- и мегаэкономические параметры, и она была обучена на данных квартирного рынка г. Екатеринбурга, охватывающих период одного только 2010 г. Качественно обучить нейронную сеть на более широком временном промежутке не получа- ется ввиду возникновения (после исключения экономических факто- ров) так называемых конфликтных примеров [20], т.е. случаев, когда квартиры с одинаковыми строительно-эксплуатационными параметра- ми имеют совершенно разную стоимость. Рис. 2. Кривые распределения относительных частот отклонений расчетных стоимостей квартир от их заявленных стоимостей, полученные путем прогнозирования на 2011–2015 гг. с помощью традиционной (а) и комплексной (б) моделей На рис. 2, а представлены кривые распределения относительных частот отклонений расчетной стоимости, полученные на тестовых 94 бильно. Аналогичный вывод можно сделать, основываясь на да табл. 2, в которой приведены среднеквадратичные относительны грешности прогнозных оценок квартир, выполненных на 2011–20 с помощью традиционной и комплексной моделей. Табл Среднеквадратичные относительные погрешности оценки стоимости квартир, полученные путем прогноза на 2011–2016 г Год Традиционная модель, % Комплексная модель, % 2011 7,7 5,9 2012 11,6 6,9 2013 17,6 8,1 2014 18,9 7,0 2015 20,5 7,6 2016 22,2 8,9 Заключение В данной работе показано, что традиционно применяемые в западных стран модели массовой оценки недвижимости, учитываю одни только строительно-эксплуатационные параметры, в усл нестабильной экономики, характерной для регионов России, бы устаревают. Разработанные для какого-либо одного периода, в теч которого экономическая обстановка в регионе, а также в стране и меняется слабо, они могут быть применены для массовой оц стоимости недвижимости в одном только этом временном пер Комплексные модели указанного недостатка не имеют. Они не т ют постоянной актуализации и могут быть использованы для мас оценки стоимости объектов недвижимости в течение длительны риодов времени. Это свойство комплексных моделей позв встраивать их в системы мониторинга жилищного рынка и обновл кадастровых таблиц недвижимости регионов в режиме реального мени, когда изменение, например, курса доллара или цен на нефть чет автоматическое обновление кадастровых данных. 95 2. An empirical analysis of simplified valuation approaches for resi dential property tax purposes / P. Davis, W. McCluskey, T.V. Grissom, M. McCord // Property Management. – 2012. – Vol. 30, № 3. – P. 232–254. 3. Hefferan M.J., Boyd T. Property taxation and mass appraisal valuations in Australia – adapting to a new environment // Property Management. – 2010. – Vol. 28, № 3. – P. 149–162. 4. Грибовский С.М., Сивец С.А. Математические методы оцен- ки стоимости недвижимого имущества. – М.: Финансы и статистика, 2014. – 368 с. 5. Экономико-математические модели оценки недвижимости / С.В. Грибовский, М.А. Федотова, Г.М. Стерник, Д.Б. Житков // Финан- сы и кредит. – 2005. – № 3 (171). – С. 24–43. 6. Сивец С.А. Статистические методы в оценке недвижимости и бизнеса. – Запорожье: Просвiта, 2001. – 310 с. 7. Kilpatrick J. Expert systems and mass appraisal // Journal of Property Investment and Finance. – 2011. – Vol. 29, № 4. – P. 529–550. 8. Using geographically weighted regression for housing market segmentation / B. Manganelli, P. Pontrandolfi, A. Azzato, B. Murgante // International Journal of Business Intelligence and Data Mining. – 2014. – Vol. 9, № 2. – P. 161–177. 9. Борусяк К.К., Мунерман И.В., Чижов С.С. Нейросетевое моде- лирование в задаче массовой оценки нежилой недвижимости г. Москвы // Экономическая наука современной России. – 2009. – № 4. – С. 86–98. 10. Мунерман И.В. Нейро-нечеткие модели и инструменты для регионального управления объектами коммерческой недвижимости: дис. … канд. экон. наук: 08.00.13. – М., 2011. – 156 с. 11. Пермская научная школа искусственного интеллекта и ее инновационные проекты / Л.Н. Ясницкий, В.В. Бондарь, С.Н. Бурдин [и др.]. – 2-е изд. – М.; Ижевск: НИЦ «Регулярная и хаотическая дина- мика», 2008. – 75 с. 12. Borst R.A. Artificial neural networks in mass appraisal // Journal of Property Tax Assessment & Administration. – 1995. – Vol. 1, № 2. – P. 5–15. 13. Do A.Q., Grudnitski G.A Neural network approach to residential property appraisal // The Real Estate Appraiser. – 1992. – № 58. – P. 38–45. 96 for prediction, with a real estate illustration / J. Guan, D. Shi, J.M. Zu A.S. Levitan // Journal of Organizational Computing and Electronic merce. – 2014. – Vol. 24, № 1. – P. 94–112. 16. Mao Y.H., Zhang M.B., Yao N.B. Hangzhou housing de forecasting model based on BP neural network of genetic algorithm op zation (conference paper) // Applied Mechanics and Materials. – 20 Vol. 587-589. – P. 37–41. 17. The mass appraisal of residential property in Northern Ire W.J. McCluskey, K. Dyson, D. McFall, S. Anand // Computer As Mass Appraisal Systems. – London: Gower Publishers, 1997. – P. 59–7 18. Tay D.P., Ho D.K. Artificial intelligence and the mass app of residential apartments // Journal of Property Valuation and Investm 1991. – Vol. 10, № 2. – P. 525–540. 19. Identification of real estate cycles in China based on art neural networks / H. Zhang, S. Gao, M.J. Seiler, Y. Zhang // Journal o Estate Literature. – 2015. – Vol. 23, № 1. – P. 67–83. 20. Ясницкий Л.Н. Интеллектуальные системы. – М.: Лабо рия знаний, 2016. – 221 с. 21. Ясницкий Л.Н., Ясницкий В.Л. Разработка и примен комплексных нейросетевых моделей массовой оценки и прогнози ния стоимости жилых объектов на примере рынков недвижим Екатеринбурга и Перми // Имущественные отношения в Россий Федерации. – 2017. – № 3 (186). 22. Yasnitsky L.N., Yasnitsky V.L. Technique of design of inte economic and mathematical model of mass appraisal of real estate pro by the example of Yekaterinburg housing market // Journal of Applied nomic Sciences. – 2016. – Vol. XI, iss. 8 (46). – P. 1519–1530. 23. Ясницкий Л.Н., Ясницкий В.Л. Методика создания комп ной экономико-математической модели массовой оценки стоим объектов недвижимости на примере квартирного рынка города Пер Вестник Перм. ун-та. Экономика. – 2016. – № 2 (29). – С. 54–69. 10.17072/1994-9960-2016-2-54-69 97 Star Inter, 1997, vol. 2, 444 p. 2. Davis P. McCluskey W., Grissom T.V., McCord M. An Empirical Analysis Of Simplified Valuation Approaches For Residential Property Tax Purposes. Property Management, 2012, Vol. 30, no 3, June, pp. 232–254. 3. Hefferan M.J., Boyd T. Property Taxation And Mass Appraisal Valuations In Australia – Adapting To A New Environment. Property Management, 2010, Vol. 28, no 3, pp. 149–162. 4. Gribovskii S.M., Sivets S.A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva [Mathematical methods for valuation of immovable property]. Moscow, Finansy i statistika, 2014. 368 p. 5. Gribovskii S.V., Fedotova M.A., Sternik G.M., Zhitkov D.B. Ekonomiko-matematicheskie modeli otsenki nedvizhimosti [Economic-mathematical assessment model of real estate]. Finansy i kredit, 2005, iss. 171, no 3, pp. 24–43. 6. Sivets S.A. Statisticheskie metody v otsenke nedvizhimosti i biznesa [Statistical methods in the evaluation of real estate and business]. Zaporozhye, LTD RIA «Prosvita», 2001. 310 p. 7. Kilpatrick J. Expert Systems and Mass Appraisal. Journal of Property Investment and Finance, 2011, Vol. 29, no 4, July, pp. 529–550. 8. Manganelli B., Pontrandolfi P., Azzato A., Murgante B. Using Geographically Weighted Regression for Housing Market Segmentation. International Journal of Business Intelligence and Data Mining, 2014, vol. 9, no 2, pp. 161–177. 9. Borusiak K.K., Munerman I.V., Chizhov S.S. Neirosetevoe modelirovanie v zadache massovoi otsenki nezhiloi nedvizhimosti g. Moskvy [Neural network modeling in the problem of mass appraisal of residential real estate in Moscow]. Ekonomicheskaia nauka sovremennoi Rossii, 2009, no. 4, pp. 86–98. 10. Munerman I.V. Neiro-nechetkie modeli i instrumenty dlia regional'nogo upravleniia ob"ektami kommercheskoi nedvizhimosti. [Neuro-fuzzy models and tools for regional management of commercial real estate]. Ph. D. thesis. Moscow, 2011, 156 p. 11. Iasnitskii L.N., Bondar' V.V., Burdin S.N. i dr. Permskaia nauchnaia shkola iskusstvennogo intellekta i ee innovatsionnye proekty [Perm scientific school of artificial intelligence and its innovative designs]. 2nd ed. Moscow-Izhevsk, Scientific center «Regular and chaotic dynamics», 2008, 75 p. 98 14. Evans A., James H., Collins A. Artificial Neural Network Application to Residential Valuation in the UK. Journal of Property V tion and Investment, 1991, iss. 11, no. 2, pp. 195–204. 15. Guan J., Shi D., Zurada J.M., Levitan A.S. Analyzing M Data Sets: An Adaptive Fuzzy Neural Approach for Prediction, with a Estate Illustration // Journal of Organizational Computing and Elec Commerce, 2014, Vol. 24, no 1, January, pp. 94–112. 16. Mao Y.H., Zhang M.B., Yao, N.B. Hangzhou Housing De Forecasting Model Based On BP Neural Network Of Genetic Algo Optimization (Conference Paper). Applied Mechanics and Materials, vol. 587-589, pp. 37–41. 17. McCluskey W.J., Dyson K., McFall D., Anand S. The Mas praisal Of Residential Property in Northern Ireland. Computer Assisted Appraisal Systems. London, Gower Publishers, 1997, pp. 59–77. 18. Tay D.P., Ho D.K. Artificial Intelligence And The Mass App Of Residential Apartments. Journal of Property Valuation and Inves 1991, vol. 10, no 2, pp. 525–540. 19. Zhang H., Gao S., Seiler M.J., Zhang Y. Identification Of Estate Cycles In China Based On Artificial Neural Networks. Journ Real Estate Literature, 2015, vol. 23, no 1, pp. 67–83. 20. Iasnitskii L.N. Intellektual'nye sistemy [Intellectual syst Moscow, Laboratorija znanij, 2016. 221 p. 21. Iasnitskii L.N., Iasnitskii V.L. Razrabotka i primenenie pleksnykh neirosetevykh modelei massovoi otsenki i prognozirovaniia mosti zhilykh ob"ektov na primere rynkov nedvizhimosti Ekaterinbu Permi [The development and application of integrated neural network m for mass valuation and forecasting the value of residential properties o example of the real estate markets of Yekaterinburg and Perm]. Imush vennye otnosheniia v Rossiiskoi Federatsii. 2017, iss. 186, no. 3. 22. Iasnitskii L.N., Iasnitskii V.L. Metodika sozdaniia komple ekonomiko-matematicheskoi modeli massovoi otsenki stoimosti ob" nedvizhimosti na primere kvartirnogo rynka goroda Permi [The Meth ogy Of Creating A Comprehensive Economic And Mathematical M For Mass Appraisal Of Real Estate (A Case Study Of The City Of Pe 99 property by the example of Yekaterinburg housing market. Journal of Applied Economic Sciences. 2016, vol. XI, iss. 46, no. 8, pp. 1519-1530. Получено 18.02.2017 Об авторах Алексеев Александр Олегович (Пермь, Россия) – кандидат эко- номических наук, доцент кафедры «Строительный инжиниринг и ма- териаловедение», Пермский национальный исследовательский поли- технический университет (614990, г. Пермь, Комсомольский пр., 29, e-mail: alekseev@cems.pstu.ru). Харитонов Валерий Алексеевич (Пермь, Россия) – доктор эко- номических наук, профессор, заведующий кафедрой «Строительный инжиниринг и материаловедение», Пермский национальный исследо- вательский политехнический университет (614990, г. Пермь, Комсомоль- ский пр., 29, e-mail: cems@pstu.ru). Ясницкий Виталий Леонидович (Пермь, Россия) – соискатель кафедры «Строительный инжиниринг и материаловедение», Пермский национальный исследовательский политехнический университет (614990, г. Пермь, Комсомольский пр., 29, e-mail: yasnitskiy@mail.ru). About the authors Aleksandr O. Alekseev (Perm, Russian Federation) – Ph.D. in Economics, Associate Professor, Department of Construction Engineering and Material Sciences, Perm National Research Polytechnic University (29, Komsomolsky av., Perm, 614990, Russian Federation, e-mail: alekseev@cems.pstu.ru). Valerii A. Kharitonov (Perm, Russian Federation) – Doctor of Economic Science, Professor, Head of the Department of Construction Engineering and Materials Science, Perm National Research Polytechnic University (29, Komsomolsky av., Perm, 614990, Russian Federation, e-mail: cems@pstu.ru). Vitalii L. Iasnitskii (Perm, Russian Federation) – Postgraduate, Department of Construction Engineering and Materials Science, Perm National Research Polytechnic University (29, Komsomolsky av., Perm, 614990, Russian Federation, e-mail: yasnitskiy@mail.ru). Другие книги из этого разделаМоделирование зависимости и анализ цен на квартиры от ряда факторов на примере города ЕлабугаОсобенности и парадигма управления стоимостью объектов жилой недвижимостиПрименение информационной системы в управлении недвижимостью в республике АрменияМоделирование зависимости и анализ цен на квартиры от ряда факторов на примере города ЕлабугаОсобенности и парадигма управления стоимостью объектов жилой недвижимостиПрименение информационной системы в управлении недвижимостью в республике Армения