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 > Использование нейросетевого моделирования в процессе определения кадастровой стоимости объектов недвижимости
Минаева И.И., Александрова Е.С. Использование нейросетевого моделирования в процессе определения кадастровой стоимости объектов недвижимости // Студент и наука. 2019. № 2. С. 32-35.
Скачать оригинал статьи
Фрагмент работы на тему "Использование нейросетевого моделирования в процессе определения кадастровой стоимости объектов недвижимости"УДК 332.64 Воронежский государственный технический университет старший преподаватель кафедры кадастра недвижимости, землеустройства и геодезии Минаева И.И. Россия, г. Воронеж, e-mail: [email protected] студент группы Б3241 строительного факультета Александрова Е.С. Россия, г. Воронеж, тел.: +7-910-041-06-88 e-mail: [email protected] Voronezh State Technical University Senior Lecturer the Department of Real Estate Cadaster, Land Management and Geodes Minaeva I.I. Russia, Voronezh, e-mail: [email protected] Student of group Б3241 Faculty of Construction Alexandrova E.S. Russia, Voronezh, tel.: +7-910-041-06-88 e-mail: [email protected] И.И. Минаева, Е.С. Александрова ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ В ПРОЦЕССЕ ОПРЕДЕЛЕНИЯ КАДАСТРОВОЙ СТОИМОСТИ ОБЪЕКТОВ НЕДВИЖИМОСТИ Аннотация. Статья посвящена вопросам, касающимся совершенствования методики проведения и повышения точности результатов определения государственной кадастровой оценки, посредством внедрения в процедуру оценки метода нейросетевого моделирования. Рассматриваются принцип работы искусственных нейронных сетей и возможность их использования наряду с классическими регрессионно- статистическими и экспертными моделями в процессе определения кадастровой стоимости объектов недвижимости. На фоне имеющихся трудностей в построении нейросетевых моделей, направленных на оценку стоимости недвижимости, выявлен ряд преимуществ внедрения искусственных нейронных сетей в процесс определения кадастровой стоимости. Ключевые слова: налогообложение объектов недвижимости, кадастровая стоимость, массовая оценка, регрессионно-статистическое моделирование, нейросетевое моделирование, искусственная нейронная сеть. I.I. Minaeva, E.S. Alexandrova USE OF NEURAL NETWORK MODELING IN THE PROCESS OF DETERMINING THE CADASTRAL VALUE OF REAL ESTATE OBJECTS Introduction. The article is devoted to the issues related to the improvement of methods of conducting and improving the accuracy of the results of determining the state cadastral valuation, through the introduction of the neural network modeling method in the evaluation procedure. The principle of operation of artificial neural networks and the possibility of their use along with classical regression-statistical and expert models in the process of determining the cadastral value of real estate objects are considered. Against the background of existing difficulties in the construction of neural network models aimed at estimating the value of real estate, a number of advantages of introducing artificial neural networks into the process of determining cadastral value have been identified. Keywords: taxation of real estate, cadastral value, mass valuation, regression and statistical modeling, neural network modeling, artificial neural network. В последнее время проявляется повышенный интерес к методам массовой оценки и к методам прогнозирования изменения рыночной и кадастровой стоимости объектов недвижимости. Это, прежде всего, связано с введением поправок в Налоговый кодекс РФ [1] вступившими в силу с 1 января 2015 года, согласно которым к 2020 году налог на имущество во всех регионах Российской Федерации будет рассчитываться исходя из кадастровой, а не из инвентаризационной стоимости недвижимости, как это происходило ранее. Данное изменение определяет важность процесса оценки кадастровой стоимости объектов недвижимости, и является ключевым аспектом налоговой реформы. Таким образом, вопросы, касающиеся совершенствования методики проведения и повышения точности результатов определения государственной кадастровой оценки, становятся все актуальнее. ?Минаева И.И., Александрова Е.С., 2019 На сегодняшний день наиболее распространенные методы определения кадастровой стоимости недвижимого имущества основаны на построении регрессионно- статистической модели, которая определяет степень зависимости стоимости от того или иного ценообразующего фактора. В процессе моделирования используются следующие зависимости, представленные формулами (1) – (3): аддитивная модель (линейная): ?? = a0 + а1х1 + а2х2 + ? + аmхm (1) мультипликативная модель (показательная): ?? = a0 ? a1x1 ? a2x2 ? … ? amxm (2) гибридная модель: ?? = a0 ? a1x1 ? a2x2 ? … ? amxm(a0 + а1х1 + а2х2 + ? + аmхm) (3) где ?? – кадастровая стоимость; х1, х2 – ценообразующие факторы (факторные переменные); а0 – свободный параметр модели, представляющий собой стоимость условной единицы измерения эталонного объекта; а1, а2– параметры, позволяющие скорректировать стоимость объекта. Альтернативным подходом к определению кадастровой стоимости является метод с использованием аппарата искусственных нейронных сетей, которые работают по принципу биологического нейрона, принимая сигнал от одних клеток, преобразовывая и передавая его другим клеткам за 2-5 мс. Аппарат искусственного интеллекта используется для автоматизации процессов в различных областях науки и техники. Принцип работы искусственного нейрона заключается в следующем рисунке: входные сигналы через синапсы поступают в ячейку нейрона. Проходя через синапсы веса сигналов wi изменяются за счет величины синаптической связи каждого синапса; после того, как сигнал поступает в ячейку нейрона, происходит его преобразование и суммирование всех входных сигналов, умноженных на соответствующие веса; далее суммированный и преобразованный сигнал передается последующим нейронам через аксон. Структурная схема искусственного нейрона Свою силу нейронные сети черпают по средствам распараллеливания обработки информации, а также из их способности к самообучению посредством обобщения. Эти свойства позволяют нейронным сетям решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми [2]. Использование методов нейросетевого моделирования в процессе определения кадастровой стоимости объектов недвижимости на примере уже существующей базы оцененных объектов заключается в создании и обучении нейронной сети. В качестве параметров такой сети выступают следующие показатели: в качестве входного параметра используются ценообразующие факторы объекта недвижимости; уровень сигнала при совпадении/несовпадении объекта оценки параметрам обучающей выборки определяет веса сигнала на выходе; выходным фактором нейронной сети является стоимость объекта оценки. Для обучения такой нейронной сети необходим массив обучающих примеров, при этом количество таких обучающих примеров должно быть в 10-15 раз больше числа нейронов в сети [3]. Во время процедуры обучения нейронной сети предъявляются ценообразующие факторы и существующий выходной параметр – цена. Обучение происходит таким образом, что веса связей в сети постепенно изменяются, приближая выходной сигнал сети к существующему значению выходного фактора. Один цикл предъявления всех учебных примеров называется эпохой. Для обучения сети требуется несколько тысяч эпох, на современных компьютерах такое обучение занимает несколько минут [4,5]. В процессе обучения используется не весь массив обучающей выборки, тем самым выделяется тестовое множество, на котором после прохождения каждой эпохи проверяется работа искусственной нейронной сети и ее способность к обобщению, путем распространения выявленных закономерностей к данным, не участвующим в обучении. Обучение искусственных нейронных сетей заканчивается, когда достигнуто значение минимальной ошибки или же когда пройдено заданное число эпох. После обучения веса связей фиксируются, и сеть может использоваться в рабочем режиме. Модель оценки, построенная на базе искусственных нейронных сетей, обладает рядом преимуществ, по сравнению с другими моделями. Основным преимуществом прогнозирования с помощью нейронных сетей является устойчивость к шумам входных данных. Являясь моделью мозга, нейронные сети способны извлекать знания из статистических данных и обобщать их в виде законов. Если в экспертной системе оценка производится на основании знаний и интуиции оценщиков, то нейронная сеть самостоятельно накапливает опыт при проведении последующих оценок с выявлением закономерностей. Кроме того, нейронные сети позволяют обнаружить зависимость там, где не работает стандартная логика, и на первый взгляд нет никаких закономерностей. Использование нейросетевого моделирования в задачах оценки, также подразумевает существование и ряда трудностей: в России, в отличие от стран Евросоюза и США, отсутствует публичное раскрытие информации о сделках с недвижимостью, вследствие чего, информация о сделках с недвижимостью, которая выступает в роли ценообразующего фактора, не всегда достаточна и достоверна; для моделирования необходимо качественные факторы преобразовывать в количественные с помощью кодировки, которая является весьма нетривиальной задачей; процесс начисления налога в соответствии с законодательством Российской Федерации должен быть максимально прозрачным и доступным для понимания населением. Нейронные сети же представляют собой достаточно трудный для понимания процесс, что противоречит законодательству. В заключении следует отметить, что, несмотря на, имеющиеся трудности в построение нейросетевых моделей, направленных на оценку стоимости недвижимости, применение аппарата искусственных нейронных сетей является более эффективным, чем классических регрессионно-статистических и экспертных моделей. Однако существуют ситуации, когда любой из методов определения кадастровой стоимости может давать значительную погрешность в определении стоимости. Поэтому не стоит отдавать предпочтение только одному из методов определения стоимости, а желательно использовать их в совокупности. Библиографический список 1. Налоговый кодекс Российской Федерации (часть первая) от 31.07.1998 [Электронный ресурс] – электрон. дан. – Программа информационной поддержки российской науки и образования: Консультант Плюс: Высшая школа / справочные правовые системы. – 2019. – Режим доступа: http://www.consultant.ru/document/cons_doc_LAW_19671/ 2. Цырульник В.Ф. Применение искусственных нейронных сетей в решении практических задач информационной безопасности В.Ф. Цырульник, Н.А. Кадочникова// Научный альманах. – 2015. - № 11-3(13). – с.448-452. 3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. [Текст]. – 1-е. изд. - М.: Горячая линия. – Телеком, 2001. – 382с. - ISBN 978-5-93517-031- 0. 4. Саймон Хайкин. Нейронные сети: полный курс [Текст]. – 2-е. изд.: Пер. с англ. - М.: Вильямс, 2016. – 1104 с. - ISBN 978-5-8459-2069-0 (рус.) 5. Галушкин А.И. Нейронные сети: основы теории [Текст]. - М.: Горячая линия. – Телеком, 2010. – 497 с. - ISBN 978-5-9912-0082-0. 6. Трухина Н.И. Особенности механизма проведения государственной кадастровой оценки земель / Трухина Н.И., Сидоренко С.А., Чернышихина И.И. // Научный вестник Воронежского государственного архитектурно-строительного университета. Серия: Экономика, организация и управление в строительстве. 2011. № 9. С. 78-84. Другие книги из этого разделаКадастровая оценка: проблемы и перспективыСоотношение кадастровой и рыночной стоимостей в городских территорияхСудебная экспертиза кадастровой стоимостиКадастровая оценка: проблемы и перспективыСоотношение кадастровой и рыночной стоимостей в городских территорияхСудебная экспертиза кадастровой стоимости