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.[email protected], ,
Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |
Букинистическая книга:
Список литературы по оценке недвижимости > Алгоритм оценки стоимости жилых объектов недвижимости с использованием нейросетевого подхода
Андреева Д.С. Алгоритм оценки стоимости жилых объектов недвижимости с использованием нейросетевого подхода // Вестник современных исследований. 2018. № 12.10 (27). С. 18-20.
Скачать оригинал статьи
Фрагмент работы на тему "Алгоритм оценки стоимости жилых объектов недвижимости с использованием нейросетевого подхода"18 УДК 004.9 Алгоритм оценки стоимости жилых объектов недвижимости с использованием нейросетевого подхода Андреева Д.С. Сибирский государственный университет науки и технологий им. академика М.Ф. Решетнева В статье рассмотрены особенности Российского рынка недвижимости. Обоснована необходимость беспрерывного анализа процесса формирования стоимости жилых объектов. Описан алгоритм, позволяющий оценить влияние различных факторов на рыночную стоимость жилой недвижимости с помощью комбинации средств математической статистики и методов интеллектуальной обработки информации на основе нейросетевого подхода. Выявлена эффективность использования данного алгоритма. Ключевые слова: оценка стоимости недвижимости, статистические методы, интеллектуальная обработка данных, нейронные сети. Рынок недвижимости в современном представлении являет собой специфический сектор экономики, включающий в себя совокупность объектов и субъектов недвижимости, регулирующий между ними различные экономико-правовые взаимодействия [2, с. 51]. Особое место ранок недвижимости занимает в экономической и социально-культурной жизни общества, что объясняется ролью недвижимости как важнейшего материального экономического ресурса, использование которого в разной степени способно влиять на темпы развития экономики [7]. С переходом экономики России на рыночные отношения отечественный рынок недвижимости, долгое время остававшийся образцом стабильности, стал подвержен серьезным колебаниям со стороны изменений на макро и микроуровне экономики [6, с. 189- 190]. Изменение уровня цен на товары и услуги общественного потребления, скачки темпов инфляции и величины процентной ставки кредитования, - перечисленные факторы оказывают влияние на инвестиционную активность населения в масштабах всей экономики страны, особенно и на рынке недвижимости. Указанная специфика современной жизни обуславливает необходимость тщательного и своевременного анализа протекающих на рынке недвижимости процессов, с целью разработки средств и методов оценки и прогноза их состояния, для обеспечения стабильного развития рынка. Одним из таких наиболее важных процессов является формирование стоимости жилой недвижимости. Однако расчет данного показателя достаточно трудоемкая задача: на его конечное значение влияют бинарные (наличие балкона, мусоропровода, охраны), номинальные (район города, тип дома), количественные (жилая площадь, число комнат, возраст дома) параметры. Также к особенностям данной задачи можно отнести неоднородность выборки (так как ее элементы были получены в различный период времени, соответственно, в разных экономических и политических условиях), и нелинейную зависимость между указанными выше параметрами. Для решения данной проблемы помимо обычных статистических операций могут использоваться методы интеллектуального анализа и обработки данных, которые позволяют найти ранее неизвестные взаимосвязи и закономерности, что дает возможность формировать на основе полученной информации нестандартные решения для повышения эффективности управления объектами недвижимости и их стоимостной оценки. Поэтому целью данного исследования является описание алгоритма для оценки недвижимости с использованием классических средств математической статистики и 19 интеллектуальных средств обработки массивов информации, так как, в общем случае, они взаимодополняют друг друга и расширяют сферу решаемых задач оценки [5, с. 10]. Алгоритм оценки стоимости жилой недвижимости включает в себя следующие этапы: ? Сбор и подготовка данных. ? Построение модели множественной регрессии, оценка качества полученного регрессионного уравнения, выявление степени влияния конкретных параметров квартиры на зависимую переменную (цену квартиры). ? Настройка и обучение нейронной сети, оценка адекватности полученных параметров. ? Сравнение оценочных показателей, полученных в результате математических вычислений. Данный алгоритм может использоваться специализированными оценочными компаниями, агентствами недвижимости, службами статистики и др. Далее каждый из этапов алгоритма для оценки стоимости жилой недвижимости будет описан более подробно. Анализ данных, приведение их к единым количественным показателям, удаление из выборки выбросов со слишком высокой или низкой стоимостью На первом этапе, для подготовки качественной основы для анализа стоимости недвижимости, массив данных подвергается тщательному пересмотру и обработке. Для удобства обработки и сравнения данных необходимо осуществить их математическое преобразование, т.е. кодирование в единую числовую форму. Также для получения как можно более точных результатов, из выборки необходимо исключить объекты, имеющие неполную информацию и/или значение стоимости, значительно превосходящее среднее значение цены по всему объему выборки [4, с. 87]. На следующем этапе необходимо построить линейную модель множественной регрессии, уравнение которой имеет вид: y =?aixi+ ? n i=1 , где ai- коэффициент значимости для каждого из параметров квартиры xi, а ? - ошибка (погрешность) модели. Далее с помощью коэффициентов детерминации и сравнения табличного и фактического значения F-критерия Фишера необходимо получить оценку статистической значимости уравнения регрессии в целом, т.е. установить, адекватна ли модель опытным данным. Оценка сил влияния факторов на стоимость жилья рассчитывается с помощью коэффициентов регрессии и стандартных ошибок. Далее рассчитывается t-статистика, зачем ее фактическое значение сравнивается с табличным значением распределения Стьюдента. Коэффициент является значимым, если t-факт. больше, чем t-табл. На третьем этапе, для выявления более точных взаимозависимостей между параметрами квартиры и ее стоимостью, необходимо провести обучение нейронной сети с помощью специализированного программного средства. Такая самоорганизующаяся сеть позволяет выявлять группы входных параметров, обладающих некоторыми общими свойствами, по принципу кластеризации - ключевому методу интеллектуального анализа данных. К наиболее популярным программным утилитам, реализующим задачи прогнозирования временных рядов, относят: Neural10, NeuroSolutions, QwikNet32, MemBrain, NeroPro, Deductor 5.2 [3, с. 26]. Обучение нейронной сети предполагает обозначение базы данных как признакового пространства, состоящего из векторов Xj=?X1,… , Xj, Yj?, где Xj- параметры влияния, Yj- цена жилого объекта. Далее необходимо настроить весовые вектора Wj по алгоритму Кохонена, в основе которого лежит критерий минимума целевой функции. 20 В результате обучения нейронной сети векторы обучающего множества разбиваются на кластеры в j-мерном пространстве, центрами которых являются векторы весовых нейронов. «Значимость» каждого из исследуемых параметров влияния на стоимость считают равной соответствующей координате в векторе весов на последней стадии [5, с. 40]. Оценка качества полученной модели производится с помощью коэффициентов детерминации. На последнем этапе необходимо провести сравнительный анализ полученных с помощью разных подходов показателей. Использование нескольких методов при расчете степеней влияния качественных и количественных параметров на цену квартиры позволяет выделить из всех факторов те, что оказывает наибольшее влияние на зависимую переменную. Описанный в статье алгоритм позволяет уменьшить трудозатраты параметрической оценки стоимости жилых объектов, учесть специфику территориального рынка недвижимости, снизить уровень неопределенности при принятии решения о стоимости квартиры. Полученные в ходе анализа показатели можно использовать для повышения степени привлекательности ассортимента жилищного рынка. Кроме того, предложенный алгоритм может являться основой для изучения рынка и прогнозирования динамики стоимости недвижимости [1, 184]. Список литературы 1. Афанасьева Е.А., Костяев Д.С. Использование нейронных сетей для оценки рыночной стоимости недвижимости // Известия Тульского государственного университета. Технические науки. 2017. № 10. С 177-185. 2. Власенко Т.В., Белокобыленко С.А. Рынок недвижимости и его структура // Экономика и экология территориальных преобразований. 2015. № 1. С 50-53. 3. Ганцева Е.А., Баранов В.Ф., Гребенникова Н.И., Болдырев Д.С. Программная реализация конструктора нейронных сетей // Вестник Воронежского государственного технического университета. 2017. № 6 (13) С. 25-31. 4. Сенашов С.И., Юферова Н.Ю., Вайтекунене Е.Л. Эконометрическое моделирование стоимости жилья в Красноярске: монография. Красноярск: Сиб. гос. аэрокосмич. ун-т., 2015. 178 с. 5. Сурков Ф.А., Петкова Н.В., Суховский С.Ф. Нейросетевые методы анализа данных в оценке недвижимости // Известия вузов. Северо-Кавказский регион. Технические науки. 2016. № 3 (191). С. 38-45. 6. Тиндова М.Г. Интеллектуальная обработка информации в области оценки недвижимости // Прикладная информатика. 2007. № 5(11). С. 3-10. 7. Чибикова Т.В., Крумина К.В. Характерные особенности рынка недвижимости в сравнении с его высокоорганизованной формой // Вестник СибАДИ. 2017. № 3 (55). С. 189-196. 8. Юсуфов М.Ю. Специфические особенности современного рынка недвижимости // Региональные проблемы преобразования экономики. 2009. №2. URL: https://cyberleninka.ru/article/v/spetsificheskie-osobennosti-sovremennogo-rynkanedvizhimosti (дата обращения 01.12.2018). © Д.С. Андреева, 2018 Другие книги из этого разделаСпецифика ценообразования на рынке недвижимости и оценка влияния местоположения на стоимость недвижимости в городе БелгородеРазработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимостиОспаривание результатов кадастровой оценки стоимости объектов недвижимостиСпецифика ценообразования на рынке недвижимости и оценка влияния местоположения на стоимость недвижимости в городе БелгородеРазработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимостиОспаривание результатов кадастровой оценки стоимости объектов недвижимости