RefMag.ru - Оценка. Помощь в решении задач, тестов, практикумов, курсовых, аттеста­ционных

RefMag.ru - Помощь в решении в учебе
Заказать:
- заказать решение тестов и задач
- заказать помощь по курсовой
- заказать помощь по диплому
- заказать помощь по реферату

Репетитор оценщика

Готовые работы заочников

Тесты:

Задачи:

Примеры работ по оценке

Примеры курсовых работ
Примеры аттест­ационных работ
Учебные дисциплины
Литература
Заказ работ:




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 > Разработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости

Разработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости

Алексеев А.О., Харитонов В.А., Ясницкий В.Л. Разработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости // Известия вузов. Инвестиции. Строительство. Недвижимость. 2018. Т. 8. № 1 (24). С. 11-22.

Скачать оригинал статьи

Фрагмент работы на тему "Разработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости"

Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 11 Оригинальная статья / Original article УДК 332.8+004.89 DOI: http://dx.doi.org/10.21285/2227-2917-2018-1-11-22 РАЗРАБОТКА КОНЦЕПЦИИ КОМПЛЕКСНОГО НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ПРОЦЕССОВ МАССОВОЙ ОЦЕНКИ И СЦЕНАРНОГО ПРОГНОЗИРОВАНИЯ РЫНОЧНОЙ СТОИМОСТИ ЖИЛОЙ НЕДВИЖИМОСТИ © А.О. Алексеевa, В.А. Харитоновb, В.Л. Ясницкийc Пермский национальный исследовательский политехнический университет, 614990, Российская Федерация, г. Пермь, Комсомольский пр., 29. РЕЗЮМЕ. ЦЕЛЬ. Реализация стратегии взимания налога на недвижимость в зависимости от када- стровой (утвержденной рыночной) стоимости объектов требует, прежде всего, совершенствования системы массовой оценки недвижимости. Под массовой оценкой принято понимать систематиче- скую оценку групп объектов недвижимости по состоянию на определенную дату с использованием стандартных процедур и статистического анализа. Усовершенствование применяемых в оценочной деятельности статистических методов приводит к более адекватным и доказательным результатам оценки. В статье предлагается концепция комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости объектов жилой недвижимо- сти и показана необходимость учета влияния внешних макро- и мезоэкономических факторов, а также преимущество использования информационного подхода к моделированию. МЕТОДЫ. Дан- ная концепция служит методологическим базисом при разработке экономико-математических мо- делей локальных рынков недвижимости. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. На примере рынков жилой недвижимости гг. Перми и Екатеринбурга осуществлена практическая реализация предло- женной концепции, на базе которой построена модель, демонстрирующая высокую адекватность полученных результатов оценки и прогнозирования рыночной стоимости реальным данным. ВЫВОДЫ. Таким образом, экспериментально подтверждена выдвинутая в исследовании гипотеза о возможности построения нейросетевых моделей, устойчивых к динамическому изменению эко- номической ситуации и адаптируемых к локальным рынкам недвижимости РФ за счет учета макро- и мезоэкономических показателей. Ключевые слова: искусственные нейронные сети, сценарное прогнозирование, интеллекту- альный анализ данных, моделирование, рынок жилой недвижимости, оценка. Информация о статье. Дата поступления 11 декабря 2017 г.; дата принятия к печати 29 декабря 2017 г.; дата онлайн-размещения 29 марта 2018 г. Формат цитирования: Алексеев А.О., Харитонов В.А., Ясницкий В.Л. Разработка концепции ком- плексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирова- ния рыночной стоимости жилой недвижимости // Известия вузов. Инвестиции. Строительство. Не- движимость. 2018. Т. 8, № 1. С. 11–22. DOI: 10.21285/2227-2917-2018-1-11-22 DEVELOPMENT OF THE CONCEPT OF COMPLEX NEURAL SIMULATION OF PROCESSES OF MASS ESTIMATION AND SCENARY FORECASTING OF MARKET COST OF HOUSING REAL ESTATE A.O. Alekseev, V.A. Kharitonov, V.L. Yasnitsky ___________________________ aАлексеев Александр Олегович, кандидат экономических наук, заместитель заведующего кафедрой строительного инжиниринга и материаловедения, e-mail: alekseev.real@gmail.com Aleksandr O. Alekseev, Candidate of Economical Sciences, Deputy Head of Department of Construction Engineering and Materials Science, e-mail: alekseev.real@gmail.com bХаритонов Валерий Алексеевич, доктор технических наук, профессор, заведующий кафедрой строительного инжиниринга и материаловедения, e-mail: cems@pstu.ru Valery A. Kharitonov, Doctor of Technical Sciences, professor, Head of the Department of Construction Engineering and Materials Science, e-mail: cems@pstu.ru cЯсницкий Виталий Леонидович, доцент кафедры строительного инжиниринга и материаловедения, e-mail: Yasnitskiy@mail.ru Vitaly L. Yasnitsky, Associate Professor, Department of Construction Engineering and Materials Science, e-mail: Yasnitskiy@mail.ru Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 12 Perm National Research Polytechnic University, 29, Komsomolsky prospect, Perm, 614990, Russian Federation ABSTRACT. PURPOSE. Realization of the strategy of property tax collection depending on its cadastral (approved market) cost of the objects, first of all demands improvement of the system of mass estimation of real estate. Mass estimation is usually understood as a systematic estimation of groups of objects of real estate for the certain date with the use of standard procedures and statistical analysis. Improvement of the statistical methods used in the estimation activity leads to more adequate and evident results of the estimation. The article offers the concept of complex neural simulation of mass estimation and scenary forecasting of the market value of residential real estate objects and shows the necessity to take into account the influence of external macro and mesoeconomic factors, and the advantage of using the information approach to modeling. METHODS. This concept serves as a methodological basis for the development of economic and mathematical models of local real estate markets. RESULTS AND THEIR DISCUSSIONS. At the example of residential real estate markets of the cities of Perm and Yekaterinburg we performed practical implementation of the proposed concept, on the basis of which a model demonstrating high adequacy of the results of estimating and predicting the market cost to real data was built. CONCLUSIONS. This way, the hypothesis of the possibility of constructing neural simulation models that are stable to the dynamic change in the economic situation and adapted to the local real estate markets of the Russian Federation taking into account macro and mesoeconomic indicators. Keywords: artificial neural nets, scenary forecast, mining database, modeling, residential real estate market, estimation Article info. Received December 11, 2017; accepted for publication December 29, 2017; available online March 29, 2018. For citation: Alekseev A.O., Kharitonov V.A., Yasnitsky V.L. Development of the concept of complex neural simulation of processes of mass estimation and scenary forecasting of market cost of housing real estate. Izvestiya vuzov. Investitsii. Stroitel'stvo. Nedvizhimost' [Proceedings of Universities. Investment. Construction. Real estate], 2018, vol. 8, no. 1, pp. 11–22. (In Russian) DOI: 10.21285/2227-2917-2018-1- 11-22 Введение В последнее время проявляется повышенный интерес к методам прогно- зирования и массовой оценки рыночной стоимости недвижимости, актуальность развития которых обусловлена измене- ниями порядка расчета налога на иму- щество. Реализация стратегии взимания налога на недвижимость в зависимости от кадастровой (утвержденной рыноч- ной) стоимости объектов жилой недви- жимости является важным шагом для решения государственной задачи ре- формирования системы налогообложе- ния. Эффективное налоговое воздейст- вие на экономическую деятельность должно создавать условия рациональ- ного использования земли и находящих- ся на ней объектов жилой недвижимости за счет раскрытия доходного потенциа- ла. С этой целью в законодательно- регулирующие документы внесен ряд существенных поправок, закрепляющих новый принцип расчета налога на иму- щество, при котором налогооблагаемой базой расчета является кадастровая стоимость объектов. Также предусмот- рено, что до 2020 года исчисление нало- га от кадастровой стоимости объектов недвижимости должно быть внедрено на всей территории РФ. Данное изменение определяет следующие требования к процессу оценки рыночной стоимости объектов жилой недвижимости: 1) процесс оценки должен обес- печивать возможность определения на- логовой базы на основании установле- ния актуальной рыночной стоимости. При этом величина стоимости, прини- маемая для целей налогообложения, должна обновляться параллельно с из- менением рыночной стоимости объек- тов жилой недвижимости; 2) необходима реализация воз- можности сценарного прогнозирования рыночной стоимости объектов жилой недвижимости в соответствии с прогно- зом экономических показателей, что обеспечит процесс планирования в сфере налогообложения; 3) массовая оценка рыночной стоимости объектов жилой недвижимо- сти на каждом локальном рынке недви- жимости должна осуществляться в со- Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 13 ответствии с единой методикой, обеспе- чивающей системность, единообразие, а также низкие затраты на определение стоимости в пересчете на один объект налогообложения. Несмотря на многочисленные ис- следования аналитиков и экспертов, су- ществующие на сегодняшний день эко- номико-математические модели, предна- значенные для решения данных задач, имеют общие недостатки: 1) не учитывают меняющиеся со временем макро- и мезоэкономические факторы, а значит, теряют актуальность и не позволяют адекватно и достоверно рассчитывать налогооблагаемую базу объектов жилой недвижимости в случае изменения экономической ситуации, что влияет на собираемость налоговых по- ступлений; 2) существующие модели не уни- версальны. Разработанные для одного какого-либо региона, эти модели не могут быть применены для оценки недвижимо- сти других регионов, поскольку не учиты- вают мезоэкономические параметры; 3) существующие модели не при- годны для сценарного прогнозирования, а значит, не способны обеспечить функ- цию планирования налоговых поступле- ний; 4) в основе существующих моде- лей, построенных благодаря традицион- но используемому корреляционно- регрессионному анализу, разработчиком закладывается допущение о характере моделируемого рыночного процесса, по- этому существует высокая вероятность некорректной работы моделей в случае перелома рыночной тенденции, что осо- бенно актуально для развивающейся экономики РФ. Анализ выявленных не- достатков позволил сформулировать ги- потезу исследования, которая состоит в том, что эти недостатки могут быть уст- ранены путем комплексного учета мезо- и макроэкономических факторов внешней среды на основе нейросетевого модели- рования процессов массовой оценки и сценарного прогнозирования стоимости недвижимости, не требующего допуще- ний о характере протекающих экономи- ческих процессов. Материал и методы исследова- ния Разработанную концепцию ком- плексного нейросетевого моделирования процессов массовой оценки и прогнози- рования рыночной стоимости жилой не- движимости, отличающуюся учетом внешних экономических факторов, мож- но описать в виде перечня нижеследую- щих определяющих положений [1]. Положение 1. Процедура моде- лирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости должна строиться на основе математических подходов – методов ста- тистического анализа, принимая форму обобщенной комплексной математиче- ской модели. В настоящее время широко распространены аналитический [2–4] и информационный подходы к моделиро- ванию [5–12]. Суть аналитического под- хода заключается в наложении извест- ных аналитических методов, законов и зависимостей на изучаемую картину ре- альности. Информационный подход имеет другой принцип и ориентирован на исследование данных. При таком подхо- де отправной точкой являются данные, характеризующие исследуемый объект, и модель подстраивается под действи- тельность в процессе ее обучения. Таким образом, параметры модели полностью определяются входными данными. Это является преимуществом информацион- ного подхода, который лежит в основе большинства современных технологий и методов анализа данных. Положение 2. Процедуру моде- лирования процессов массовой оценки и сценарного прогнозирования необходимо строить на основе информационного подхода. Положение 3. Для стабильной работы модели в условиях меняющейся внешней экономической системы, а так- же для обеспечения прогностических свойств модели необходимо учитывать в составе ценообразующих факторов не только строительно-эксплуатационные характеристики объекта, но и экономи- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 14 ческие факторы внешней среды: мезо- и макроэкономические параметры. Положение 4. Ключевой особен- ностью функционирования рынка не- движимости является принцип локаль- ного подхода, проявляющийся в геогра- фической привязке объектов недвижи- мости к территории. С этой целью в со- ставе ценообразующих факторов необ- ходимо учесть третью группу – геогра- фические характеристики. Основным преимуществом нейросетевых алгорит- мов является то, что используется толь- ко достоверная, доступная исследовате- лю априорная информация без привле- чения каких-либо дополнительных ма- тематических гипотез, что является су- щественным фактором, обусловливаю- щим адекватность моделируемым явле- ниям. Положение 5. Главным принци- пом построения искомой обобщенной комплексной нейросетевой модели ста- новится отказ от каких-либо предполо- жений о распределении случайных ве- личин. Положение 6. В соответствии с положениями 3 и 4 формирование ней- ронной сети (рис. 1) должно исходить из трех групп входных переменных и со- держать хотя бы один скрытый слой. Выходной переменной модели является рыночная стоимость объекта жилой не- движимости. Рис.1. Концептуальная модель нейронной сети, предназначенной для моделирования процессов массовой оценки рыночной стоимости объектов жилой недвижимости Fig. 1. Concept modal of neural net for modeling of processes of mass estimation of market cost of objects of housing real estate Входные переменные нейронной сети: x1, x2, …, xN ? X – переменные, со- ответствующие строительно- эксплуатационным параметрам. xN+1, xN+2, …, xM ? X – переменные, соответствующие внешним экономиче- ским макро- и мезо- параметрам. xM+1, xM+2, …, xL ? X – переменные, соответствующие географическим пара- метрам, где L – общее количество вход- ных переменных модели; N – количество строительно-эксплуатационных перемен- ных; M – N – количество внешних эконо- мических переменных; L – M – количество географических переменных. k = 1, 2, ..., K, где K – количество нейронов на скрытом слое. n = 1, 2, ..., N; m = N+1, N+2, ..., M. l = M+1, M+2, ..., L. y – рыночная стоимость объекта жилой недвижимости. Положение 7. При моделировании процессов массовой оценки и сценарного прогнозирования рыночной стоимости объектов жилой недвижимости необхо- димо учитывать параметры, представ- ленные на рис. 2. Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 15 Рис. 2. Классификация внешних экономических, географических и строительно-эксплуатационных факторов Fig. 2. Classification of external economical, geographical and development and exploitation factors Положение 8. Процедуру моде- лирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости необходимо выполнять, ори- ентируясь на принципы процессного подхода, обеспечивающего интерсубъ- ективность результатов. На рис. 3 пред- ставлена авторская технология нейро- сетевого моделирования процессов массовой оценки и сценарного прогно- зирования, отличающаяся тем, что мно- жество входных параметров X включает три группы факторов: внешние экономи- ческие, строительно-эксплуатационные и географические параметры. Множест- во D является выходным вектором ис- ходного множества, используемым для обучения и тестирования нейросетевой модели; wkn, wkl, wkm, ?k – синаптические веса (весовые коэффициенты связей), определяемые в результате обучения нейросетевой модели. Для проектиро- вания нейронной сети на этапе 2 «Про- ектирование сети» (рис. 3) был исполь- зован пакет нейросетевого моделирова- ния в программной среде Statistica Neural Networks (производитель StatSoft). Обучение сети (этап 3) осуществляется на реальных рыночных данных. С целью проектирования оптимальной структуры нейронной сети исходное множество требуется разбивать на два подмноже- ства: обучающее и тестирующее. Для оценки качества нейронной сети (этап 4) используется среднеквадратичная отно- сительная погрешность, рассчитывае- мая с помощью формулы 100% max( ) min( ) ( ) 1 2 i i I i i i d d I d y E ? ? ? ?? , (1) где I – количество элементов выборки; di ? D ? R + – заявленная стоимость i-й квартиры; yi ? Y ? R + – стоимость i-й квартиры, оцененная с помощью ней- ронной сети. Данная погрешность рас- считывается как на обучающем, так и на тестирующем множествах, что обеспе- чивает высокое качество обучения и прогностических свойств сети. В резуль- тате обучения нейросетевой модели происходит корректировка синаптиче- ских весов таким образом, чтобы в ре- зультате при поступлении на вход сети определенного сигнала она выдавала правильный ответ в пределах заданной точности EO max. Задача обучения пер- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 16 септрона (этап 3 «Обучение сети» и этап 4 «Тестирование сети» на рис. 3) сво- дится к задаче минимизации функции ошибки персептрона (1). В качестве ал- горитма минимизации ошибки обучения использовался метод обратного распро- странения ошибки (Back Propagation). Рис. 3. Технология нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости объектов жилой недвижимости, отличающаяся тем, что множество входных параметров X включает три группы факторов: внешние экономические, строительно-эксплуатационные и географические параметры, а также блоками массовой оценки и сценарного прогнозирования Fig. 3. Technology of neural net modeling of the processes of mass estimation and scenary forecasting of market cost of objects of housing real estate, which is defined by the fact that many input parameters X have three groups of factors: external economical, development and exploitation and geographical parameters and also by the blocks of mass estimation and scenary forecasting Результирующее регрессионное уравнение модели генерируется ней- ронной сетью, состоящей из персептро- на с одним скрытым слоем с сигмоид- ными активационными функциями. На рис. 1 нейронная сеть имеет L входных нейронов, один скрытый слой с K сигмо- идными нейронами и один выходной нейрон также с сигмоидной активацион- ной функцией. Выражение, соответст- вующее обобщенной комплексной ней- росетевой модели процессов массовой оценки, имеет общий вид: 1 1 1 1 1 1 1 exp 1 exp ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ?? ? ? ? ? K k L l M kl l M m N km m N n k kn n y w w x w x w x . (2) Результаты исследования и их обсуждение Результаты применения предло- женной концепции и обобщенной модели. На базе предложенной концепции и обобщенной модели осуществлена реа- лизация комплексных нейросетевых мо- делей локальных рынков гг. Перми и Ека- теринбурга. Для обучения и тестирования нейронных сетей в моделях были сфор- мированы множества примеров в виде статистических данных рынков недвижи- Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 17 мости Екатеринбурга и Перми за послед- ние 10 лет: с 2006 по 2016 гг. Таким обра- зом, в множество примеров были включе- ны данные за экономически спокойный для России период (2006 г.), период эко- номического роста (2007 – середина 2008 гг.), кризисный и переломный этап рос- сийской и мировой экономики (2008 г. – начало 2010 г.), периоды восстановления после кризиса (2010–2012 гг.), замедле- ния роста (2013 – начало 2014 г.), сильно- го спада экономического роста на фоне внешней российской политики, ввода за- падных санкций, резкого падения цен на нефть и рубль относительно курсов дол- лара, финансовой блокады и закрытия доступа к международному капиталу (2014–2016 гг.). Для анализа использова- ны данные, публикуемые ЦБ РФ, Минфи- ном РФ, Министерством экономического развития РФ, а также Федеральной служ- бой государственной статистики. В мо- дель включены экономические парамет- ры внешней среды для рассматриваемого временного периода (10 лет), имеющие высокую статистическую значимость и низкую взаимную корреляцию. Всего ин- формационный базис исследования включал данные о более чем 2000 объек- тах в каждом городе – Екатеринбурге и Перми – и был разбит на три подмноже- ства: обучающее (85%), тестирующее (15%) и подтверждающее (15%). Послед- нее используется для окончательной про- верки адекватности сети. После очистки множеств от статистических выбросов ошибка на тестирующем и подтвер- ждающем множествах, рассчитанная со- гласно (1), составила не более 6,5%. Ко- эффициент детерминации R 2 на этих множествах (между предсказанными и наблюдаемыми значениями) составил не менее 0,87, что говорит о том, что постро- енная аппроксимирующая модель описы- вает рынок объясняющими входными пе- ременными на 87%. Диаграммы, пред- ставленные на рис. 4 и 5, иллюстрируют результат проверки сетей на тестовых примерах – квартирах Екатеринбурга, данные о которых не были использованы при обучении нейронных сетей. Рис. 4. Фрагмент тестирования сети: сопоставление заявленной стоимости квартир и оцененной с помощью нейросети Fig. 4. Fragment of a net test: comparison of the declared cost of apartments and the one estimated with the help of a neural network Рис. 5. Диаграмма рассеяния отклонений значений выходного вектора расчетных значений от фактически заявленных значений стоимости Fig. 5. Diagram of deviations scattering values of input vector of calculated values from declared cost Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 18 Как видно из рисунков, заявлен- ная стоимость квартир и оцененная с помощью нейронной сети незначи- тельно отличаются между собой, что говорит об адекватности разработан- ной нейросотевой модели. Для квартир г. Перми диаграмма имеет аналогич- ный вид. С целью исследования адекват- ности разработанной нейросетевой модели процесса массовой оценки бы- ло выполнено сопоставление резуль- татов нейросетевого моделирования с результатами регрессионного модели- рования по двум моделям: линейной и мультипликативной [3, 4]. Для объек- тивности результатов анализа все три модели строились в одном прикладном пакете (Statistica) на одних множествах, относящихся к жилой недвижимости г. Екатеринбурга. Описательная стати- стика для каждой полученной модели приведена в табл. 1. Как видно из таб- лицы, прогноз, выполненный на тесто- вом множестве с помощью нейронной сети, имеет наибольшее значение ко- эффициента детерминации R 2 (87%) и наименьшую среднеквадратичную от- носительную погрешность (6,5%), т.е. позволяет получить наилучший ре- зультат. Анализ результатов, полученных при использовании различных моде- лей, также приведен на рис. 6. По оси абсцисс отложены значения отклоне- ний прогнозной стоимости от заявлен- ной, полученные для объектов недви- жимости на тестовом множестве (т.е. данные объекты не участвовали при обучении модели). По оси ординат от- ложена относительная частота, т.е. доля квартир тестовой выборки, соот- ветствующая указанным на оси абс- цисс отклонениям. Как видно из рисунка, для про- гноза, выполненного с помощью ней- ронной сети, имеется наибольшее ко- личество объектов, отклонение про- гнозной стоимости которых от факти- ческой ближе всего находится к нуле- вому значению, что также говорит о более высоком качестве нейросетевой модели по сравнению с мультиплика- тивной и линейной регрессионными моделями. Таблица 1 Описательные характеристики линейной, мультипликативной и нейросетевой моделей массовой оценки рыночной стоимости объектов недвижимости г. Екатеринбурга Table 1 Descriptive characteristics of linear, multiplicative and neural net models of mass market cost of objects of real estate in Ekaterinburg Показатель / Index Линейная регрессионная мо- дель / Linear regression model Мультипликативная регрессионная модель / Multiplicative regression model Нейросетевая модель / Neural network model Вид уравнения, используемого при моделировании / Equation used in modeling Y = A0 + A1X1 + ...+ An Xn , Коэффициент детерминации R 2 , % / Coefficient of determination 84,33 85,16 87 Средняя ошибка аппроксимации, % / Average error of approximation 10 9,30 6,50 Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 19 Рис. 6. Распределения частот отклонений прогнозных значений стоимости квартир от заявленных на тестовом множестве, полученных с помощью нейросетевой и регрессионной линейной и мультипликативной моделей Fig. 6. Distributions of frequency of the deviations of forecast indexes of the cost of apartments from the ones declared on the test set, received with the help of neural net and regression linear and multiplicative models Исследование эффективно- сти моделей. С целью подтвержде- ния гипотезы о возможности устране- ния недостатков существующих эконо- мико-математических моделей путем ввода параметров внешней среды, а именно их устойчивости к динамиче- скому изменению экономической си- туации и адаптируемости к локальным рынкам недвижимости, была выполне- на серия вычислительных эксперимен- тов. Из нейронной сети, реализующей комплексную модель, были исключены все мезо- и макроэкономические пара- метры. Далее нейросетевая модель, учитывающая исключительно эксплуа- тационно-технические характеристики и не учитывающая внешние макро- и мезоэкономические параметры, была обучена на данных рынка квартир г. Екатеринбурга, охватывающих период 2010 года. Для сопоставимости резуль- татов все прогнозы выполнялись в по- стоянных ценах и были переведены в цены базового периода с помощью ин- декса потребительских цен, что не бы- ло учтено в работе [1]. На рис. 7, а представлены кри- вые распределения относительных частот отклонений расчетных прогноз- ных стоимостей, полученные на тесто- вых множествах данных выполненных прогнозов, относящихся к периоду 2011–2015 гг. Из рисунка видно, что со временем качество модели ухудшает- ся, что проявляется в снижении про- гностических характеристик: происхо- дит смещение кривых распределения относительно нулевого отклонения от заданного значения стоимости. Как видно из рис. 7, б, комплексная модель оказалась существенно стабильнее, что выражается в меньшей дисперсии распределения величин и меньших от- клонениях относительно заданных значений стоимости. Аналогичный вывод можно сде- лать из данных табл. 2, в которой при- ведены среднеквадратичные относи- тельные погрешности прогнозных оце- нок квартир, выполненных для данного временного периода с помощью тради- ционной и комплексной моделей иссле- дуемых локальных рынков Екатеринбур- га и Перми. Идентичность результатов, полученных для рынков двух городов, является подтверждением того, что нейросетевая модель адаптируема к различным локальным рынкам недви- жимости. Данные исследования также показывают, что традиционно приме- няемые в ряде западных стран модели массовой оценки недвижимости, учиты- вающие исключительно строительно- эксплуатационные параметры, в усло- виях нестабильной экономики, харак- терной для регионов России, не являют- ся устойчивыми, и результаты модели- рования теряют актуальность. Разрабо- танные исключительно для одного пе- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 20 риода, в течение которого экономиче- ские параметры внешней среды остают- ся постоянными, они могут быть приме- нены для массовой оценки стоимости недвижимости только в данном времен- ном периоде. Комплексные же модели указан- ного недостатка не имеют. a б Рис. 7. Кривые распределения относительных частот отклонений расчетных стоимостей квартир от их заявленных стоимостей, полученные путем прогнозирования за период 2011–2016 гг. с помощью традиционной (а) и комплексной (б) моделей Fig. 7. Curves of the distribution of relative frequencies of deviations of the estimated costs of apartments from their declared costs, received by forecasting for the period of 2011-2016. using traditional (a) and complex (б) models Таблица 2 Среднеквадратичные относительные погрешности оценки стоимости квартир, полученные путем прогноза на период 2011–2016 гг. Table 2 RMS relative errors in estimating the cost of apartments, received by forecasting for the period of 2011-2016 Величина погрешности для модели г. Екатеринбурга / Magnitude of error for Ekaterinburg model Величина погрешности для модели г. Перми / Magnitude of error for Perm model Период / Period Модель без учета внешних параметров, % / Model without external parameters, % Комплексная модель, % / Complex model, % Модель без учета внешних параметров, % / Model without external parameters, % Комплексная модель, % / Complex model, % 2011 7,02 5,90 6,80 5,30 2012 8,11 6,90 11,00 7,20 2013 11,72 8,10 14,00 7,50 2014 18,09 7,00 17,20 6,80 2015 8,39 7,60 24,34 6,20 2016 19,53 8,90 28,00 6,50 Заключение Таким образом, в данной статье предложена концепция нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости объектов жилой недвижимости, требующая учета трех групп факторов: строительно- эксплуатационных параметров, геогра- фических параметров месторасположе- ния, макро- и мезоэкономических внеш- них параметров, полный перечень кото- рых представлен в положении 7. На ба- зе предложенной концепции разработа- на обобщенная комплексная нейросете- вая модель с одним скрытым слоем нейронов и сигмоидными функциями активации, которая может быть исполь- зована для массовой оценки и сценарно- го прогнозирования рыночной стоимости жилой недвижимости локальных рынков. Данные модели использованы для про- Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 21 гнозирования на реальных данных рын- ков жилой недвижимости гг. Перми и Екатеринбурга. Практическая значимость пред- ставленного исследования заключается в возможности осуществления сценар- ных прогнозов развития локальных рын- ков жилой недвижимости, что способст- вует выбору наиболее подходящих управляющих экономических воздейст- вий и вносит вклад в задачу решения вопроса более эффективного использо- вания территории. Также результаты исследования имеют практическую зна- чимость для государственных органов управления при расчете налога на иму- щество в процессе оценки рыночной стоимости объектов жилой недвижимо- сти. Перспективное направление дальнейшего исследования носит при- кладной характер, поскольку для других локальных рынков недвижимости могут быть разработаны аналогичные высоко- эффективные экономико- математические модели и выполнены аналитические исследования, опираю- щиеся на методы сценарного прогнози- рования. БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Алексеев А.О., Харитонов В.А, Яс- ницкий В.Л. К вопросу интеллектуального ана- лиза, массовой оценки и управления рынком недвижимости регионов России // Прикладная математика и вопросы управления. 2017. № 1. С. 87–99. 2. Молчанова М.Ю., Печенкина А.В. Применение сценарного метода при прогнози- ровании ситуации на рынке жилья г. Перми // Вестник Пермского университета. Серия: Эко- номика. 2015. № 1. С. 79–88. 3. Грибовский С.М., Сивец С.А. Мате- матические методы оценки стоимости недви- жимого имущества. М.: Финансы и статистика, 2014. 368 с. 4. Грибовский С.В., Федотова М.А., Стерник Г.М., Житков Д.Б. Экономико- математические модели оценки недвижимости // Финансы и кредит. 2005. № 3 (171). С. 24–43. 5. Ясницкий Л.Н., Ясницкий В.Л. Раз- работка и применение комплексных нейросе- тевых моделей массовой оценки и прогнозиро- вания стоимости жилых объектов на примере рынков недвижимости Екатеринбурга и Перми // Имущественные отношения в Российской Федерации. 2017. № 3 (186). С. 68–84. 6. Борусяк К.К., Мунерман И.В., Чижов С.С. Нейросетевое моделирование в задаче массовой оценки нежилой недвижимости г. Мо- сквы // Экономическая наука современной Рос- сии. 2009. № 4. С. 86–98. 7. Yasnitsky L.N., Yasnitsky V.L. Technique of design of integrated economic and mathematical model of mass appraisal of real estate property by the example of Yekaterinburg housing market. Journal of Applied Economic Sciences. 2016, vol. XI, issue 8 (46), pp. 1519–1530. 8. Borst R.A. Artificial neural networks in mass appraisal. Journal of Property Tax Assessment & Administration. 1995, vol. 1, no. 2, pp. 5– 15. 9. 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, pp. 232–254. 10. Guan J., Shi D., Zurada J.M., Levitan A.S. Analyzing Massive Data Sets: An Adaptive Fuzzy Neural Approach for Prediction, with a Real Estate Illustration. Journal of Organizational Computing and Electronic Commerce. 2014, vol. 24, no. 1, pp. 94–112. 11. 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. 12. Tay D.P., Ho D.K. Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation and Investment. 1991, vol. 10, no. 2, pp. 525–540. REFERENCES 1. Alekseev A.O., Kharitonov V.A, Iasnitskii V.L. K voprosu intellektual'nogo analiza, massovoi otsenki i upravleniya rynkom nedvizhimosti regionov Rossii [Discussion of data mining, mass appraisal and management of real estate regional market]. Prikladnaya matematika i voprosy upravleniya [Applied Mathematics and Control Sciences], 2017, no. 1, pp. 87–99. (In Russian). 2. Molchanova M.Yu., Pechenkina A.V. Primenenie stsenarnogo metoda pri prognozirovanii situatsii na rynke zhil'ya g. Permi [Application of the scenario method for forecasting perm housing market]. Vestnik Permskogo universiteta. Seriya: Ekonomika [Perm University Herald. Economy], 2015, no. 1, pp. 79–88. (In Russian). Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 8, № 1 2018 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 8, No. 1 2018 ISSN 2500-154X (online) 22 3. Gribovskii S.M., Sivets S.A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva [Mathematical methods for estimating the cost of real estate]. Moscow, Finansy i statistika Publ., 2014. 368 p. (In Russian). 4. Gribovskii S.V., Fedotova M.A., Sternik G.M., Zhitkov D.B. Ekonomiko-matematicheskie modeli otsenki nedvizhimosti [Economical and mathematical models of estimation of real estate]. Finansy i kredit [Finances and credit]. 2005, no. 3 (171), pp. 24–43. (In Russian). 5. Yasnitsky L.N., Yasnitsky V.L. Razrabotka i primenenie kompleksnykh neirosetevykh modelei massovoi otsenki i prognozirovaniya stoimosti zhilykh ob"ektov na primere rynkov nedvizhimosti Ekaterinburga i Permi [The development and application of integrated neural network models for mass appraisal and forecasting the value of residential properties on the example of the real estate markets of yekaterinburg and perm city]. Imushchestvennye otnosheniya v Rossiiskoi Federatsii [Property Relations in the Russian Federation], 2017, no. 3 (186), pp. 68–84. (In Russian). 6. Borusyak K.K., Munerman I.V., Chizhov S.S. Neirosetevoe modelirovanie v zadache massovoi otsenki nezhiloi nedvizhimosti g. Moskvy [Neural net modeling in the problem of mass estimation of non-residential real estate in Moscow]. Ekonomicheskaya nauka sovremennoi Rossii [Economic science in modern Russia]. 2009, no. 4, pp. 86–98. (In Russian). 7. Yasnitsky L.N., Yasnitsky V.L. Technique of design of integrated economic and mathematical model of mass appraisal of real estate property by the example of Yekaterinburg housing market. Journal of Applied Economic Sciences. 2016, vol. XI, issue 8 (46), pp. 1519–1530. 8. Borst R.A. Artificial neural networks in mass appraisal. Journal of Property Tax Assessment & Administration. 1995, vol. 1, no. 2, pp. 5– 15. 9. 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, pp. 232–254. 10. Guan J., Shi D., Zurada J.M., Levitan A.S. Analyzing Massive Data Sets: An Adaptive Fuzzy Neural Approach for Prediction, with a Real Estate Illustration. Journal of Organizational Computing and Electronic Commerce. 2014, vol. 24, no. 1, pp. 94–112. 11. 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. 12. Tay D.P., Ho D.K. Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation and Investment. 1991, vol. 10, no. 2, pp. 525–540. Критерии авторства Contribution Алексеев А.О., Харитонов В.А., Ясницкий В.Л. имеют равные авторские права. Ясницкий В.Л. несет ответственность за плагиат. Alekseev A.O., Kharitonov V.A., Yasnitsky V.L. have equal authors’ rights. Yasnitsky V.L. bears the responsibility for plagiarism. Конфликт интересов Conflict of interests Авторы заявляют об отсутствии конфликта ин- тересов. The authors declare no conflict of interests regarding the publication of this article.

Другие книги из этого раздела





© 2002 - 2026 RefMag.ru