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.
[email protected], ,

Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |




Букинистическая книга:

Список литературы по оценке недвижимости > Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми

Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми

Ясницкий Л.Н., Ясницкий В.Л. Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми // Вестник Пермского университета. Серия: Экономика. 2016. № 2 (29). С. 54-69.

Скачать оригинал статьи

Фрагмент работы на тему "Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми"

ВЕСТНИК ПЕРМСКОГО УНИВЕРСИТЕТА 2016 ЭКОНОМИКА Вып. 2(29) РАЗДЕЛ I. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ doi 10.17072/1994–9960–2016–2–54–69 УДК 332.8+004.89 ББК 65.25 МЕТОДИКА СОЗДАНИЯ КОМПЛЕКСНОЙ ЭКОНОМИКО- МАТЕМАТИЧЕСКОЙ МОДЕЛИ МАССОВОЙ ОЦЕНКИ СТОИМОСТИ ОБЪЕКТОВ НЕДВИЖИМОСТИ НА ПРИМЕРЕ КВАРТИРНОГО РЫНКА ГОРОДА ПЕРМИ Л.Н. Ясницкий, докт. техн. наук, профессор, профессор кафедры информационных технологий в бизнесе Электронный адрес: [email protected] Национальный исследовательский университет «Высшая школа экономики», 614070, Россия, г. Пермь, ул. Студенческая, 38 В.Л. Ясницкий, заместитель директора по финансам Электронный адрес: [email protected] ООО «ВМВ», 620075, Россия, г. Екатеринбург, ул. Р. Люксембург, 26 В настоящее время существует ряд экономико-математических моделей, предназначенных для массовой оценки объектов недвижимости, учитывающих их строительно-эксплуатационные характеристики, но не учитывающих меняющуюся макроэкономическую ситуацию в стране и в мире. Недостатком таких статических моделей является их быстрое устаревание, необходимость постоянной актуализации и непригодность для среднесрочного прогнозирования. С другой стороны, существуют динамические модели, учитывающие текущее макроэкономическое состояние, однако предназначенные для прогнозирования и исследования общей ценовой ситуации на рынке недвижимости, но не для массовой оценки стоимости объектов недвижимости с их разнообразием строительно-эксплуатационных характеристик. В связи с этим целью настоящей работы является разработка методики создания комплексных моделей, обладающих свойствами указанных статических и динамических моделей, т.е. учитывающих как строительно-эксплуатационные характеристики объектов недвижимости, так и меняющуюся макроэкономическую ситуацию в стране и в мире. Разработка методики и создание модели осуществляется с применением нейросетевых технологий на примере рынка жилой недвижимости г. Перми на основе статистической информации за период с 2005 по 2015 гг. Помимо своего основного назначения – массовой оценки стоимости квартир, модель пригодна для среднесрочного прогнозирования и выявления закономерностей рынка недвижимости. Например, с помощью модели установлено, что с увеличением цен на нефть стоимость пермских квартир в целом имеет тенденцию к повышению, однако устойчивая прямая зависимость между стоимостью квартир и ценой на нефть существует, только когда эта цена выше 60–80 долл. за баррель. В случае увеличения объема жилищного кредитования стоимость пермских квартир будет увеличиваться. Однако скорость роста стоимости элитных четырехкомнатных квартир с увеличением объемов жилищного кредитования выше 2400–2700 млн руб. начнет замедляться, тогда как этот эффект не будет проявляться для более дешевых одно- и двухкомнатных квартир. Дальнейший ввод жилья на территории Пермской области до 1400 тыс. кв. м в ближайшей перспективе не вызовет заметного изменения цен жилой недвижимости, что говорит о том, что рынок пока еще далек от насыщения. _______________________________________________________________________________________ Ключевые слова: региональный рынок недвижимости, массовая оценка, макроэкономические показатели, оценка стоимости, прогнозирование, нейронная сеть. 1. Введение С 1 января 2015 г. вступила в силу гла- ва 32 Налогового кодекса Российской Федера- ции «Налог на имущество физических лиц». Согласно этой статье налоговая база должна определяться как кадастровая (приближенная к © Ясницкий Л.Н. , Ясницкий В.Л., 2016 54 Методика создания комплексной экономико-математической… рыночной) стоимость принадлежащих физиче- ским лицам объектов недвижимости. Причем до 2020 г. исчисление налога от кадастровой стоимости объекта недвижимости должно быть внедрено на всей территории Российской Федерации. В связи с этим актуальным являет- ся создание математических моделей и ком- пьютерных программ, позволяющих выпол- нять рыночную оценку объектов недвижимо- сти, в частности – городских квартир, имею- щих различные характеристики – строитель- ные, эксплуатационные, географические, эко- логические, климатические, экономические. Как показывает анализ зарубежной ли- тературы, имеется масса работ, отмечающих важность и актуальность создания высокоточ- ных методик массовой оценки объектов не- движимости. Так, в работе [27] (Австралия, 2010) дан обзор международной литературы, а также интервью с государственными деятеля- ми и оценщиками многих государств, из кото- рых следует, что системы массовой оценки и налогообложения недвижимости являются «важной и прочной базой для повышения гос- ударственных доходов». В работе [20] (Вели- кобритания, 2012) отмечается, что существу- ющие системы оценки недвижимости, осно- ванные на регрессионных моделях, являются «полезным инструментом для исчисления налога в ряде развивающихся стран и стран с переходной экономикой». В работе [23] (Бра- зилия, 2006) приведены результаты попытки создания и применения системы массовой оценки недвижимости в Порту-Алегри (Брази- лия) на более чем 30000 квартир, проданных в течение 1998–2001 гг. В работе [28] (США, 2011) делается вывод о том, что в проблеме создания систем оценки недвижимости непа- раметрические регрессионные методы показа- ли себя хуже, чем традиционные, например гедонические, регрессии, которые особенно полезны, когда наборы данных ограничены. В работе [30] (Италия, 2014) сообщается о моде- ли, созданной в 2008–2010 гг. в городе Потен- ца. Делается вывод о том, что «модель полезна в сфере налогообложения, а также для под- держки принятия решений при планировании территориальных преобразований». В России начиная с середины 1990-х гг. С.В. Грибовским, Г.М. Стерником, С.А. Сивец, М.А. Федотовой, Д.Б. Житковым и др. автора- ми [3; 4; 10] публикуется серия научных и учебно-методических работ, посвященных развитию и применению экономико- математических методов массовой и индиви- дуальной оценки недвижимости. Рассматри- ваются и анализируются различные модифи- кации регрессионных моделей с введением множества поправочных коэффициентов, учи- тывающих местоположение дома, его катего- рию, тип квартиры, качество квартиры, вклю- чающее этаж, наличие лифта, балкона, лод- жии, характеристики санузла, теплоснабжения, горячего водоснабжения и т.п. Применение моделей демонстрируется на примерах оценки стоимости квартир, расположенных в микро- районах Санкт-Петербурга и Москвы. В 1990-х гг. в зарубежной литературе появляются сообщения об успешных попытках создания систем массовой оценки объектов недвижимости на основе нового математиче- ского аппарата – нейронных сетей. По- видимому, одной из первых работ в этом направлении можно назвать публикацию 1991 г. авторов D.P. Tay и D.K. Ho [33], при- менивших многослойный персептрон, обучен- ный методом обратного распространения ошибки, для определения рыночной цены объ- ектов недвижимости Тайваня. Это была аль- тернатива методу многомерной регрессии. В этом же 1991 г. A. Evans, H. James и A. Collins применили нейронные сети для оценки жилой недвижимости в Англии и Уэльсе. В результате они пришли к выводу, что «нейросетевая модель наилучшим образом подходит для оценки недвижимости» [22]. В 1992 г. A.Q. Do и G. Grudnitski [21] опубликовали сообщение о том, что для оцен- ки недвижимости США ими был использован персептрон, имеющий восемь входных нейро- нов для ввода характеристик объекта недви- жимости – площадь объекта, количество эта- жей, площадь земельного участка и т.д. Пер- септрон имел один скрытый слой с тремя сиг- моидными нейронами. Сообщается о том, что на тестовом множестве из 105 домов «нейросетевая модель имела в два раза боль- шую точность предсказанных значений, чем аналогичная регрессионная модель». В резуль- тате был сделан вывод, что «для оценки стои- мости недвижимости нейронная сеть подходит лучше, чем многомерная регрессионная мо- дель». В 1997 г. W.J. McCluskey, K. Dyson, D. McFall и S. Anand также отмечали, что «нейросеть, в отличие от многомерной ре- грессии, обеспечивает превосходную предика- тивную способность при прогнозировании рынка Северной Ирландии» [32]. Далее, начиная с середины 1990-х гг. и по настоящее время в зарубежной литературе появляется серия публикаций, посвященных 55 Л.Н. Ясницкий, В.Л. Ясницкий разработке и применению нейросетевых моде- лей для массовой оценки объектов недвижи- мости, причем во многих работах отмечаются преимущества этой прогрессивной технологии по сравнению с технологиями регрессионного моделирования. Так, в работе [18] (США, 1995) сообщается о том, что ее автор успешно обучил нейросеть прогнозировать стоимость недвижимости в Нью Йорке. Его нейронная сеть, включала 18 факторов, в т.ч. площадь жилья, наличие камина, сантехническое обо- рудование, кондиционер, количество месяцев с момента последней продажи и др. Для обуче- ния были использованы результаты 217 сделок за период 1988–1989 гг. с ценой, меняющейся в промежутке от 103,000 долл. до 282,000 долл. В работе [19] (Великобритания, 2002) рассматриваются возможности нейросетевого подхода к построению систем оценки имуще- ства по его характеристикам. В качестве пре- имущества нейросетевого подхода отмечается, что нейронные сети используют объективные данные, а не субъективные оценки о намере- ниях купли-продажи. В работе [26] (США, 2008) описана по- пытка реализации нечеткой адаптивной нейронной сети для прогнозирования цены жилой недвижимости. Набор данных состоит из информации о произошедших сделках на рынке США и включает характерные парамет- ры объектов недвижимости и соответствую- щую объекту рыночную цену. Результаты нейросетевого моделирования сравниваются с данными, полученными с помощью систем регрессионного анализа. В работе [29] (Литва, 2011) выполнен сравнительный анализ применения методов массовой оценки недвижимости и показано, что «наилучшие результаты были получены при использовании многослойного персептро- на». В работе [31] (Китай, 2014) сообщается о том, что применительно к г. Ханчжоу созда- на прогностическая модель, использующая данные по рынку жилья в течение 1999– 2012 гг. Модель основана на нейронных сетях с генетической оптимизацией. Отмечается, что модель имеет высокую прогностическую точ- ность, которая, однако, снижается из-за воз- действия национальной политики макро- контроля на рынке жилья. В работе [25] (США, Китай, 2014) от- мечается актуальность создания систем оценки недвижимости, основанных на реальных ре- зультатах сделок купли-продаж. Отмечается, что «опыт применения для создания таких си- стем методом регрессионного анализа оказался неудовлетворительным». В качестве альтерна- тивы в статье предлагается метод, основанный на применении нейро-нечетких нейронных сетей. Отмечается, что «этот прогрессивный метод незаслуженно мало используется при создании систем массовой оценки недвижимо- сти». В статье [34] (Китай, 2015) сообщается о применении нейросетевых моделей для ис- следования циклов рынка недвижимости Китая. В России первая нейросетевая система массовой оценки объектов недвижимости была создана Л.Н.Ясницким, а ее описание изложе- но в коллективной монографии [15, с. 10–15], изданной в 2008 г. Многослойный персептрон, сгенерированный с помощью нейропакета [13], позволил создать систему, обеспечиваю- щую оценку квартир г. Перми с максимальной относительной ошибкой 16,4%. В качестве входных параметров модели использовались площадь квартиры, ее состояние, этаж, тип дома, удаленность от центра. Исследования нейросетевой математической модели [15] позволили выявить некоторые закономерно- сти, представляющие практический интерес для собственников жилья, риэлторов, инвесто- ров, работающих на рынке жилья. Так, было показано, что с удалением от центра стоимость дорогих (полногабаритных) квартир падает значительно быстрее, чем дешевых (дома типа «Серая панель», «Хрущевка», «Брежневка»). Были приведены примеры, показывающие, что проведение ремонта в некоторых элитных квартирах приводит к существенному увели- чению их стоимости, тогда как такой же ре- монт квартиры в доме типа «Серая панель» практически не отражается на ее коммерче- ской стоимости и поэтому нерентабелен. В 2009 г. К.К. Борусяк, И.В. Мунерман и С.С. Чижов в работе [2] сообщили о том, что ими разработана и успешно внедрена в Депар- таменте имущества г. Москвы нейросетевая программная система оценки нежилой недви- жимости. Свой успех они объясняют примене- нием комплекса методик, позволивших на ста- дии предобработки информации выявить и исключить выбросы, а также использованием нетрадиционной обобщенно-регрессионной нейронной сети, что обеспечило низкую, по их мнению, среднюю относительную погреш- ность 20,0%. Нейросетевая методика массовой оценки нежилой недвижимости, разработанная в [2], нашла дальнейшее развитие и примене- ние в диссертационной работе И.В. Мунерма- на [9], защищенной в 2011 г. 56 Методика создания комплексной экономико-математической… В 2015 г. В.Л. Ясницкий опубликовал статью [14] с сообщением о создании нейросе- тевой математической модели, реализованной в виде компьютерной программы, предназна- ченной для массовой оценки рыночной стои- мости жилой недвижимости г. Перми со сред- ней относительной погрешности 1,03%. Ис- следования модели показали, что из четырна- дцати входных параметров наиболее значи- мыми являются площадь квартиры, тип и се- рия жилого дома, а также этаж. Подводя итог выполненному обзору нейросетевых и регрессионных моделей [2–4; 9; 10; 14; 15; 18; 19; 21–23; 25–34], предназна- ченных для массовой оценки недвижимости, обратим внимание на их общий недостаток. Все они быстро устаревают и требуют посто- янной актуализации, поскольку не учитывают постоянно меняющуюся макроэкономическую ситуацию в стране и в мире. В дальнейшем такие модели мы будем называть статиче- скими. Указанный недостаток статических мо- делей особенно относится к России, рынок ко- торой находится в стадии развития и поэтому зависит от изменяющихся макроэкономиче- ских факторов – цен на нефть, курса доллара, ВВП, фондовых индексов, кредитной полити- ки государства и др. Надо все же отметить, что имеется се- рия работ [1; 8; 11; 17; 24 и др.], также посвя- щенных разработке экономико-математических моделей рынков недвижимости, которые учи- тывают указанные макроэкономические пара- метры. Однако эти модели предназначены ис- ключительно для моделирования и изучения динамики рынка, но не для массовой оценки стоимости квартир с их многообразием стати- ческих характеристик. Будем называть такие модели динамическими. Так, в работе [17] (1999, США) при исследовании динамики рынка жилой недвижимости использовались такие макроэкономические факторы, как ин- фляция, экономический рост, ВВП, уровень безработицы, и т.д. Связи макроэкономиче- ских показателей с поведением рынка недви- жимости исследовались в работе [24] (США, 1991). Системный анализ динамики рынка недвижимости России как сектора ее нацио- нальной экономики выполнен в фундамен- тальной монографии российских ученых Г.М.Стерника и С.Г.Стерника [11] (2009 г.), а также в ряде совместных статей этих авторов с их коллегами, относящихся к 1996–2015 гг. В указанной книге [11] при построении матема- тических моделей, прогнозировании индексов стоимости квартир широко используются мак- роэкономические факторы – темпы роста ВВП, инфляция, цены на нефть и иные товары экс- порта, объем вывоза капитала, объем строи- тельства и ввода жилья, финансирование стро- ительства жилья банковскими кредитами и иными привлеченными средствами, наличие альтернативных объектов инвестиций, уровень занятости, объем платежеспособного спроса на жилье, потенциальный спрос, доходы населе- ния и др. В работе М.Ю. Молчановой и А.В. Печенкиной [8] приводится прогноз раз- вития рынка жилой недвижимости г. Перми (точнее – средней стоимости квадратного мет- ра жилья) на основе индикаторов регионально- го рынка и сценариев развития макроэкономи- ческой ситуации. Тем не менее, несмотря на фундамен- тальность указанных исследований, еще раз обратим внимание, что динамические модели [8; 11; 17; 24] предназначены в первую очередь для исследования динамики рынка в целом, но не для массовой оценки стоимости конкретных объектов. Вычисляемые в таких моделях ин- дексы стоимости квартир (средние удельные стоимости квартир, отнесенные к квадратному метру) естественно могут быть пересчитаны в стоимости конкретных квартир с учетом их строительных, эксплуатационных, экологиче- ских и др. параметров. Однако такой пересчет можно сделать только с применением допол- нительных методик, которые, судя по обшир- ному зарубежному опыту [18; 19; 21–23; 25– 34], для целей массовой оценки стоимости объектов недвижимости не применяются, по- видимому, ввиду их неэффективности. Дело в том, что удельные цены квартир одного и того же типа, расположенных в одном районе и да- же в одном доме, могут различаться между собой. Поэтому здесь требуется применение более дифференцированного подхода. Таким образом, с одной стороны, мы имеем ряд статических моделей [2–3; 9; 10; 14; 15; 18; 19; 21–22; 25–34 и др.], предназна- ченных для массовой оценки объектов недви- жимости, учитывающих их строительные, экс- плуатационные, географические, экологиче- ские, климатические, экономические характе- ристики, но не учитывающих меняющуюся макроэкономическую ситуацию в стране и в мире, а потому быстро устаревающих, требу- ющих постоянной актуализации и не пригод- ных для среднесрочного прогнозирования. С другой стороны, существуют динамические модели [8; 11; 17; 24 и др.], учитывающие об- щее состояние экономики, однако предназна- 57 Л.Н. Ясницкий, В.Л. Ясницкий ченные для прогнозирования и исследования общей ценовой ситуации на рынке недвижи- мости, но не для массовой оценки стоимости объектов недвижимости. В связи с этим целью настоящей работы является разработка мето- дики создания комплексных нейросетевых эко- номико-математических моделей, обладающих свойствами описанных выше статических и динамических моделей, т.е. учитывающих как строительно-эксплуатационные характеристи- ки объектов недвижимости, так и меняющую- ся экономическую ситуацию в стране и в мире. Разработка методики и создание модели осу- ществляются на примере рынка жилой недви- жимости конкретного региона России, а имен- но – рынка квартир г. Перми. 2. Формулировка математической модели и ее тестирование Как и ранее [14; 15], при создании моде- ли массовой оценки жилой недвижимости г. Перми в качестве входных параметров в мо- дель были включены факторы, характеризую- щие статические строительно-эксплуатационные факторы, способ кодировки которых приведен в табл. 1. Причем, поскольку рынок жилой недви- жимости имеет выраженную сезонность, фактор времени года также использовался как входной параметр модели. Таблица 1 Статические входные параметры модели Входной параметр Наименование параметра Способ кодирования x1 Район 1 – Свердловский 2 – Кировский 3 – Индустриальный 4 – Ленинский 5 – Дзержинский 6 – Орджоникидзевский 7 – Мотовилихинский x2 Тип дома 1 – «Улучшенная планировка» 2 – «Брежневка» 3 – «Хрущевка» 4 – «Серая панель» 5 – «Малосемейка» 6 – «Лен-проект» 7 – «Малогаборитка» 8 – «Индивидуальная планировка» 9 – «Полногаборитка» x3 Тип стен 1 – «Кирпич» 2 – «Панель» 3 – «Металлоконструкция» 4 – «Шлакоблоки» x4 Общая площадь Число квадратных метров x5 Количество комнат Число x6 Этаж Число x7 Наличие балкона или лоджии 1 – Нет 2 – Балкон 3 – Лоджия 4 – Застекленный балкон 5 – Застекленная лоджия 6 – Балкон и лоджия 7 – Две застекленных лоджии x8 Сезон 1 – Зима 2 – Весна 3 – Лето 4 – Осень Как показано в многочисленных иссле- дованиях [8; 11; 17; 24], на рынок недвижимо- сти влияет масса макроэкономических факто- ров. При построении исследуемой модели во внимание принимались следующие показатели: 1. Экспортные цены на нефть. По мне- нию многих экспертов, в России приток капи- тала на рынок недвижимости из нефтегазодо- бывающей отрасли является одной из основ- ных причин роста цен на жилье. Так, по дан- 58 Методика создания комплексной экономико-математической… ным [11, с. 97] до 30% платежеспособного спроса на рынке российской недвижимости обеспечивается из этого источника. В отчете аудиторско-консалтинговой компании «Бейкер Тилли Русаудит», коэффициент корреляции, демонстрирующий совпадение динамики из- менения стоимости жилья с динамикой изме- нения цены на нефть, находится в диапазоне от 0,85 до 0,9 [5]. В настоящей работе в расчет включает- ся нефть марки Brent. Это обусловлено тем, что Brent является эталонным сортом нефти на европейском рынке, от котировок которого зависит цена российской экспортируемой нефти Urals. 2. Фактор деловой активности Россий- ской экономики – темп роста ВВП. Можно ожидать, что влияние этого фактора на рынок российской недвижимости усилится в связи с реализацией политики импортозамещения [7]. 3. Валютный фактор колебаний курса рубля относительно доллара. Доходы большей части населения России не привязаны к валюте и все операции производятся в рублях. Поэто- му можно ожидать, что колебания курса рубля не должны существенно влиять на стоимость объектов на рынке недвижимости. Однако рез- кие колебания курса рубля способствуют от- току инвестиционных денег с рынка недвижи- мости, поскольку инвесторам становится более выгодно инвестировать в валюту, чем в не- движимость. 4. Фактор ввода нового жилья. Число ввода квадратных метров жилья на первичном рынке Пермского края. 5. Показатель «Денежная масса», вы- раженный денежным агрегатом М2 Централь- ного банка РФ, соответствует совокупности наличных денег, находящихся в обращении, и остатков безналичных средств на счетах, кото- рыми располагают физические, юридические лица и государство. Динамика расчетной ве- личины показывает взаимосвязь между денеж- ным обращением и процессами экономическо- го развития. 6. Развитие ипотечного кредитования. В качестве показателя кредитной политики государства в модели используется объем вы- данных жилищных кредитов на территории г. Перми. 7. Влияние инвестиционных инстру- ментов на рынок жилья. В качестве показателя используется основной индикатор фондового рынка России – индекс РТС. 8. Индекс доступности жилья. Данный показатель рассчитывается как отношение ре- ального индекса цен на жильё (вторичный ры- нок за вычетом инфляции) к реальным распо- лагаемым денежным доходам населения. Таким образом, на данном этапе наших исследований в модели были учтены макро- экономические параметры, приведенные в табл. 2. Таблица 2 Динамические входные параметры модели Входной параметр Наименование параметра Размерность x9 Индекс РТС - x10 Денежная масса Млрд руб. x11 Цена нефти Brent Центы долларов x12 ВВП Млрд руб. x13 Курс USD Рубли x14 Ввод жилья Тыс. кв. м x15 Выданные кредиты Млн руб. x16 Индекс доступности жилья - Выходная переменная модели y являет- ся численной и соответствует цене объекта недвижимости в тыс. руб. Множество примеров для обучения и тестирования нейронной сети формировалось на основе статистических данных рынка не- движимости г. Перми за последние 10 лет – с 2005 по 2015 гг. Цены продаж квартир бра- лись из открытых источников, причем имею- щие место выбросы статистической информа- ции (обычно это нереально завышенные цены квартир) отсеивались с помощью методи- ки [12]. Таким образом, в обучающее множе- ство были включены данные в экономически спокойные периоды (2005–2006 гг.), в период экономического роста (2007 г. – середина 2008 г.), в кризисный и переломный этап рос- сийской и мировой экономики (2008 г. – нача- ло 2010 г.), период восстановления после кри- зиса (2010–2012 гг.), замедление роста (2013 – начало 2014 г.), сильное падение на фоне рос- сийской внешней политики, ввода западных санкций, резкого падения цен на нефть и рубля относительно курсов доллара и Евро, финан- совой блокады и закрытия доступа к междуна- 59 Л.Н. Ясницкий, В.Л. Ясницкий родному капиталу (2014–2015 гг.). В течение этого десятилетнего периода курс доллара ме- нялся в пределах от 23,4 до 66,6 руб.; цена нефти Brent – от 52 до 132 долл. за баррель; индекс РТС от 790 до 2250; объем жилищных кредитов от 6930 до 34860 млн руб.; ввод жи- лья в Пермском крае от 718 до 1300 тыс. кв. м. Всего были собраны и обработаны данные о 2000 объектах. Это множество раз- бивалось на обучающее, содержащее 1900 примеров, и тестирующее, содержащее 100 примеров. Проектирование, оптимизация, обуче- ние, тестирование нейронной сети и экспери- менты над нейросетевой математической мо- делью выполнялись с помощью нейропакета [13]. Оптимальная структура нейронной сети представляла собой персептрон, изображен- ный на рис. 1. Рис. 1. Нейронная сеть – персептрон с шестнадцатью входными нейронами, одним выходным нейроном и пятью нейронами скрытого слоя В качестве активационных функций нейронов скрытого слоя и выходного нейрона использовались сигмоидные функции, так что вычисления каждого i-го нейрона (рис. 2) осу- ществлялись с помощью формул ij J j i ij S ?w x = = 1 , (1) Si i e y ? + = 1 1 , (2) в которых J – количество входов i-го нейро- на, xij – сигналы, поступающие на вход i-го нейрона, yi – его выходной сигнал, wij – ве- совые коэффициенты (они же силы синапти- ческих связей), вычисляемые в результате обучения нейронной сети. Рис. 2. Нейрон персептрона, выполняющий преобразование входных сигналов xij в выходной сигнал yi с помощью формул (1) и (2) Для оценки качества нейронной сети использовалась среднеквадратичная относи- тельная погрешность, рассчитываемая с по- мощью формулы 100% max( ) min( ) ( ) 1 2 n n N n n n d d N d y E ? ? = ?= , (3) в которой N – количество элементов выборки, dn – заявленная стоимость n-й квартиры, yn – ее 60 Методика создания комплексной экономико-математической… стоимость, оцененная с помощью нейронной сети. Причем эта ошибка рассчитывалась как на обучающем, так и на тестирующем множе- ствах. Изначально среднеквадратичная ошиб- ка обучения нейронной сети составила 10%, а ошибка тестирования – 12 %. Поэтому к ис- ходным данным был применен нейросетевой фильтр [12], позволивший выявить и исклю- чить предложения, несоответствующие рынку (выбросы). Идея этого метода основана на том, что нейронные сети, имеющие небольшое ко- личество степеней свободы (скрытых нейро- нов), на примерах, являющихся выбросами, показывают наибольшую ошибку обучения. После удаления обнаруженных таким спосо- бом выбросов среднеквадратичная ошибка обучения составила 5%, а ошибка тестирова- ния – 6%. Причем дополнительные проверки качества сети по методу multi-fold crossvalidation [16] не показали сколько-нибудь за- метного увеличения ошибок обучения и тести- рования. Обучение, оптимизация и тестирование нейронных сетей проводилось согласно мето- дике, принятой в Пермской научной школе искусственного интеллекта ([16], www.PermAi.ru). Один из результатов такого тестирования, выполненного на сотне тесто- вых примеров, в графическом виде представ- лен на рис. 3, из которого видно, что оценки квартир, выполненные нейронной сетью, не- значительно отличаются от фактических (заяв- ленных) значений стоимостей квартир. Еще раз отметим, что данные об этих тестовых квартирах не использовались при обучении нейронной сети, т.е. для сети они являются новыми, и поэтому на них проверяются про- гностические свойства нейронной сети. Кроме того, отметим, что количество примеров обу- чающего множества удовлетворяет требова- нию репрезентативности [6]: оно значительно больше, чем 7Nx+15, где Nx – число входных параметров. Рис. 3. Пример тестирования сети: сопоставление заявленных и оцененных с помощью нейросети стоимостей квартир Таким образом, можно утверждать, что нейронная сеть прошла тестовые испытания, а значит, она усвоила закономерности модели- руемой предметной области – рынка жилой недвижимости г. Перми. Это значит, что нейросетевая математическая модель адекват- на исследуемой предметной области и что та- кую нейронную сеть можно использовать для массовой оценки квартир г. Перми. Компью- терная программа, реализующая нейросетевую модель, была снабжена пользовательским ин- терфейсом и выложена в свободный доступ в раздел «Проекты» сайта Пермского отделения Научного совета РАН по методологии искус- ственного интеллекта – www.PermAi.ru. 3. Вычислительные эксперименты и обсуждение результатов После того как работа нейросети про- верена на тестовых примерах и, таким обра- зом, подтверждена адекватность нейросетевой математической модели, можно приступать к ее исследованию. Но прежде заметим, что сре- ди входных параметров, особенно макроэко- номических, имеются довольно сильные ли- нейные корреляционные зависимости, о чем свидетельствуют данные коэффициентов Пир- сона (табл. 3). 61 Л.Н. Ясницкий, В.Л. Ясницкий Таблица 3 Корреляционные коэффициенты Пирсона Факторы Район Кол-во комнат Тип дома Этаж Тип стен Общая площадь Нали чие балко на Сезон РТС Денеж ная масса Цена нефти Brent ВВП Курс USD Ввод жилья Креди ты Индекс доступ ности жилья Стои мость кварт иры 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 нефти 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 доступности жилья -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 1,00 Как известно [16], в отличие от класси- ческих методов регрессионного анализа, кото- рые не допускают наличия линейных корреля- ций между входными параметрами, для нейросетевых технологий данное требование соблюдать не обязательно. Нужно лишь сле- дить за тем, чтобы подаваемые на вход нейронной сети значения входных переменных подчинялись существующим между ними про- порциям. Например, нельзя допускать, чтобы в виртуальных компьютерных экспериментах четырехкомнатная квартира имела площадь менее четырех квадратных метров. При прак- тическом использовании компьютерной моде- ли для массовой оценки недвижимости реаль- ных квартир такие варианты практически не- возможны. Невозможны также и нереальные сочетания макроэкономических параметров. Поэтому разработанную нейросетевую модель можно считать пригодной для целей массовой оценки жилой недвижимости г. Перми, о чем и свидетельствуют результаты ее тестовых ис- пытаний, приведенные на рис. 3. Разработанную нейросетевую модель можно было бы применять и для исследования влияния макроэкономических факторов на ры- нок недвижимости. Например, наблюдать, как будут изменяться вычисленные с помощью нейросети стоимости различных квартир при изменении цен на нефть. Но с изменением входного параметра «Цены на нефть» обяза- тельно должен изменяться «Индекс РТС» (Ко- эффициент корреляции Пирсона 0,67), «Вы- данные кредиты» (0,55), «Курс USD» (–0,45), «Индекс доступности жилья (0,38) и т.д. со- гласно табл. 3. Таким образом, для того чтобы получить правдоподобный прогноз с помощью нашей нейросетевой модели, необходимо из- менять не один, а сразу несколько входных макроэкономических параметров, причем не произвольно, а согласно существующим меж- ду ними взаимозависимостям, что представля- ет определенную проблему. Поэтому для изу- чения зависимости рынка от значений пара- метра «Цены на нефть» было принято решение исключить все входные макроэкономические параметры, у которых коэффициент корреля- ции Пирсона с входным параметром «Цены на нефть» больше 0,29. После исключения указанных входных параметров, последующего проектирования, обучения и оптимизации нейросети ее по- 62 Методика создания комплексной экономико-математической… грешность обучения и тестирования составили соответственно 8,5% и 8,7%. Компьютерные эксперименты над нейросетевой математической моделью прово- дились путем виртуального изменения входно- го параметра «Цены на нефть» с одновремен- ным наблюдением за выходным параметром сети («Стоимость квартиры») для четырех пермских квартир, различающихся своими техническими характеристиками и районом расположения: ? однокомнатная квартира площадью 35 кв. м, во 2-м этаже дома типа «Хрущевка», стены типа «Панель», без балкона, дом распо- ложен в Индустриальном районе г. Перми, се- зон «Зима»; ? двухкомнатная квартира площадью 55 кв. м, остальное то же самое; ? трехкомнатная квартира площадью 75 кв. м, в 3-м этаже дома типа «Улучшенная планировка», стены типа «Кирпич», имеется балкон, дом расположен в Ленинском районе г. Перми, сезон «Зима»; ? четырехкомнатная квартира площа- дью 120 кв. м, остальное то же самое. Прежде чем обсуждать результаты вы- числительных экспериментов, представленных на рис. 4, заметим, что, как следует из табл. 3, между ценами на нефть и стоимостью квартир существует слабая корреляционная связь, ха- рактеризуемая коэффициентом Пирсона 0,26. Данная связь объясняется тем, что в условиях слаборазвитого фондового рынка полученные в нефтегазодобывающей отрасли денежные средства перетекают в виде инвестиций в строительную отрасль, дополнительно подо- гревая рынок. В целом, это согласуется с дан- ными исследования модели. Однако, как видно на рис. 4, устойчивая прямая зависимость между стоимостью квартир и ценой на нефть существует, только когда эта цена выше 60– 80 долл. за баррель. По-видимому, при этих значениях цен на нефть обеспечивается плате- жеспособный спрос на квартиры. При стоимо- сти же нефти ниже 60 долл. кривые становятся параллельными оси абсцисс, т.е. стоимость квартир перестает зависеть от цены на нефть. Если учесть, что в настоящий момент цена на нефть опустилась ниже указанной пороговой цифры (60 долл. за баррель), можно ожидать, что дальнейшее падение цен нефти в кратко- срочной перспективе не приведет к суще- ственному снижению стоимости пермских квартир. Рис. 4. Пример прогнозных зависимостей стоимости квартир от меняющихся цен на нефть Следующая серия экспериментов по- священа исследованию влияния финансовой политики государства в отношении жилой не- движимости на стоимость пермских квартир. Как и в предыдущем случае, из входных пара- метров модели были удалены коррелированные макроэкономические параметры, в частности те, у которых коэффициент корреляции Пирсо- на с входным параметром «Выданные кредиты» согласно табл. 2 оказался больше 0,29. После удаления таких параметров, последующего проектирования, обучения и оптимизации нейросети ее погрешность обучения и тестиро- вания составили соответственно 7,7% и 7,9%. Как и ранее, компьютерные экспери- менты над нейросетевой математической мо- делью проводились путем виртуального изме- нения входного параметра «Выданные креди- ты» с одновременным наблюдением за выход- ным параметром сети («Стоимость кварти- ры»), причем вычисления производились для четырех указанных ранее квартир разных сто- имостных категорий. 63 Л.Н. Ясницкий, В.Л. Ясницкий Результаты экспериментов представле- ны на рис. 5, на котором видно, что в случае увеличения объема жилищного кредитования стоимость всех квартир увеличивается. Однако можно заметить, что скорость роста стоимости элитной четырехкомнатной квартиры с увели- чением объемов жилищного кредитования выше 2400–2700 млн руб. постепенно начина- ет замедляться, тогда как этот эффект не наблюдается для более дешевых одно- и двух- комнатных квартир. Объяснить эту разницу в поведении кривых, по-видимому, можно тем, что при покупке дешевых квартир ипотечное кредитование используется чаще, чем при по- купке дорогих элитных квартир. Рис. 5. Примеры прогнозных зависимостей стоимости квартир от кредитной политики государства Аналогичным образом были получены и построены прогнозные кривые на рис. 6–8. Обсуждая результаты моделирования, представленные на рис. 6, следует отметить, что в последнее время благодаря внедрению новых технологий строительства в России наблюдает- ся резкое увеличение ввода новых жилых объ- ектов. В настоящий момент (конец 2015 г.) ввод жилья в Пермском крае составляет 1300 тыс. кв. м. Из рис. 6 следует, что дальней- шее увеличение этой цифры до 1400 тыс. кв. м. в ближайшей перспективе не вызовет заметного изменения рынка жилой недвижимости г. Пер- ми. Объяснить такой прогноз, по-видимому, можно тем, что рынок жилья еще далек от насыщения и поэтому ввод новых площадей пока не приведет к снижению цен на пермские квартиры. Рис. 6. Зависимость стоимости квартир от ввода жилья Как видно из рис. 7, стоимость всех рассмотренных квартир повышается с увели- чением курса американского доллара. На рис. 8 приведены результаты иссле- дования влияния фондового рынка, из которо- го видно, что в долгосрочной перспективе сто- 64 Методика создания комплексной экономико-математической… имость жилья не будет существенно зависеть от динамики фондового рынка. При этом кор- реляционная связь между ними низкая, что видно из данных табл. 2 (коэффициент Пирсо- на 0,12). По-видимому, данный эффект можно объяснить неразвитостью фондового рынка в России как альтернативного инвестиционного инструмента. Рис. 7. Графики зависимости стоимости квартир от курса американского доллара Рис. 8. Влияние индикатора фондового рынка РТС на стоимость жилья Необходимо отметить, что все выяв- ленные с помощью компьютерных экспери- ментов зависимости относятся только к жи- лищному рынку г. Перми. 4. Заключительные замечания Таким образом, создана комплексная нейросетевая математическая модель массовой оценки жилой недвижимости города, учиты- вающая как строительно-эксплуатационные параметры квартир, так и меняющуюся эконо- мическую ситуацию в стране и в мире. В отли- чие от статических нейросетевых моделей [2– 4; 9; 10; 14; 15; 18; 19; 21–23; 25–34], учиты- вающих одни только строительно- эксплуатационные параметры, разработанная динамическая модель не требует постоянной актуализации, а также пригодна для прогнози- рования поведения рынка недвижимости с це- лью извлечения полезных знаний. Модель реа- лизована в виде компьютерной программы, которой можно воспользоваться из раздела «Проекты» сайта www.PermAi.ru. Исследования модели позволили вы- явить некоторые закономерности пермского рынка квартир и выполнить следующие про- гнозы: 1. С увеличением цен на нефть стои- мость пермских квартир в целом имеет тен- денцию к повышению, однако устойчивая прямая зависимость между стоимостью квар- тир и ценой на нефть существует, только когда эта цена выше 60–80 долл. за баррель. 2. В случае увеличения объема жилищ- ного кредитования стоимость пермских квар- тир будет увеличиваться. Однако скорость ро- ста стоимости элитных четырехкомнатных квартир, расположенных в престижных райо- нах города, с увеличением объемов жилищно- го кредитования выше 2400–2700 млн руб. начинает замедляться, тогда как этот эффект 65 Л.Н. Ясницкий, В.Л. Ясницкий не будет проявляться для более дешевых одно- и двухкомнатных неэлитных квартир. 3. Дальнейший ввод жилья в г. Перми до 1400 тыс. кв. м в ближайшей перспективе не вызовет заметного изменения цен пермских квартир. 4. Дальнейшее падение курса рубля по отношению к американскому доллару приве- дет к дальнейшему увеличению стоимости пермских квартир. 5. В долгосрочной перспективе стои- мость пермских квартир не будет существенно зависеть от динамики фондового рынка. Список литературы 1. Анимица Е.Г., Власова Н.Ю. Градоведе- ние. Екатеринбург: Изд-во Урал. гос. экон. ун-та, 2010. 433 с. 2. Борусяк К.К., Мунерман И.В., Чижов С.С. Нейросетевое моделирование в задаче массовой оценки нежилой недвижимости г. Москвы // Эконо- мическая наука современной России. 2009. № 4. С. 86–98. 3. Грибовский С.М., Сивец С.А. Математи- ческие методы оценки стоимости недвижимого имущества. М.: Финансы и статистика, 2014. 368 с. 4. Грибовский С.В., Федотова М.А., Стер- ник Г.М., Житков Д.Б. Экономико-математические модели оценки недвижимости // Финансы и кредит. 2005. № 3(171). С. 24–43. 5. Гурьев И. Строим свой прогноз, отправ- ная точка – нефть. URL: http://mgorsk.ru/articles/704 02.html (дата обращения: 14.02.2016). 6. Дайтбегов Д.М. Компьютерные техноло- гии анализа данных в эконометрике. М.: ИНФРА-М, 2008. 578 с. 7. Мау В.А. Кризисы и уроки. Экономика России в эпоху турбулентности. М.: Изд-во Ин-та Гайдара, 2016. 488 с. 8. Молчанова М.Ю., Печенкина А.В. При- менение сценарного метода при прогнозировании ситуации на рынке жилья г.Перми // Вестник Перм- ского университета. Серия: Экономика. 2015. № 1. С. 79–88. 9. Мунерман И.В. Нейро-нечеткие модели и инструменты для регионального управления объек- тами коммерческой недвижимости: дисс. … канд. экон. наук: 08.00.13. М., 2011. 156 с. 10. Сивец С.А. Статистические методы в оценке недвижимости и бизнеса. Запорожье: Про- свiта, 2001. 310 с. 11. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Эко- номика, 2009. 606 с. 12. Черепанов Ф.М., Ясницкий Л.Н. Нейросетевой фильтр для исключения выбросов в статистической информации // Вестник Пермского университета. Серия: Математика. Механика. Ин- форматика. 2008. № 4. С. 151–155. 13. Черепанов Ф.М., Ясницкий Л.Н. Нейро- симулятор 5.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12 августа 2014 г. 14. Ясницкий В.Л. Нейросетевое моделиро- вание в задаче массовой оценки жилой недвижимо- сти города Перми // Фундаментальные исследова- ния. 2015. № 3–10. С. 650–653. URL: http://www.fundamental-research.ru/ru/article/view?id =39274 (дата обращения: 23.01.2016). 15. Ясницкий Л.Н., Бондарь В.В., Бур- дин С.Н. и др. Пермская научная школа искусствен- ного интеллекта и ее инновационные проекты. 2-е изд. Москва-Ижевск: НИЦ «Регулярная и хаотиче- ская динамика», 2008. 75 с. 16. Ясницкий Л.Н. Введение в искусствен- ный интеллект. М.: Академия, 2005. 176 с. 17. Becker С., Morrison A.R. Urbanization in transforming economies // Handbook of Regional and Urban Economics. 1999. Vol. 3. P. 1673–1790. 18. Borst R.A. Artificial neural networks in mass appraisal // Journal of Property Tax Assessment & Administration. 1995. Vol. 1, no 2. P. 5–15. 19. Curry B., Morgan P., Silver M. Neural networks and non-linear statistical methods: An application to the modelling of price-quality relationships // Computers and Operations Research. 2002. Vol. 29, no 8. P. 951–969. 20. 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. P. 232–254. 21. Do A. Q., Grudnitski G. A neural network approach to residential property appraisal // The Real Estate Appraiser. 1992. no 58. P. 38–45. 22. Evans A., James H., Collins A. Artificial neural networks: An application to residential valuation in the UK // Journal of Property Valuation and Investment. 1991. no 11(2). P. 195–204. 23. Gonzalez M.A.S., Formoso C.T. Mass appraisal with genetic fuzzy rule-based systems // Property Management. 2006. Vol. 24, no 1. P. 20–30. 24. Greenwood J., Hercowitz Z. The allocation of capital and time over the business cycle // Journal of Political Economy. 1991. Vol. 99. P. 1188–1214. 25. 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. P. 94–112. 26. Guan J., Zurada J., Levitan A.S. An adaptive neuro-fuzzy inference system based approach to real estate property assessment // Journal of Real Estate Research. 2008. Vol. 30, no 4. P. 395–422. 27. 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. P. 149–162. 28. Kilpatrick J. Expert systems and mass appraisal // Journal of Property Investment and Finance. 2011. Vol. 29, no 4. P. 529–550. 66 Методика создания комплексной экономико-математической… 29. Kontrimas V., Verikas A. The mass appraisal of the real estate by computational intelligence // Applied Soft Computing Journal. 2011. Vol. 11, no 1. P. 443–448. 30. 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. P. 161–177. 31. Mao Y.H., Zhang M.B., Yao, N.B. Hangzhou housing demand forecasting model based on BP neural Network of Genetic Algorithm Optimization (Conference Paper) // Applied Mechanics and Materials. 2014. Vol. 587–589. P. 37–41. 32. McCluskey W.J., Dyson K., McFall, D., Anand S. The mass appraisal of residential property in Northern Ireland // Computer assisted mass appraisal systems. L.: Gower Publishers. 1997. P. 59–77. 33. 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. P. 525–540. 34. Zhang H., Gao S., Seiler M.J., Zhang Y. Identification of real estate cycles in China based on artificial neural networks // Journal of Real Estate Literature. 2015. Vol. 23, no 1. P. 67–83. Получено: 10.03.2016. References 1. Animitsa E.G., Vlasova N.Yu. Gradovedenie [City studies]. Ekaterinburg, Ural State University of Economics Publ., 2010. 433 p. 2. Borusiak K.K., Munerman I.V., Chizhov S.S. Neirosetevoe modelirovanie v zadache massovoi otsenki nezhiloi nedvizhimosti goroda Moskvy [Neural network simulation in the problem of mass appraisal of non-residential real estate in Moscow]. Ekonomicheskaia nauka sovremennoy Rossii [Economics of Contemporary Russia], 2009, no. 4, pp. 86–98. 3. Gribovskii S.M., Sivets S.A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva [Mathematical methods for immovable property valuation]. Moscow, Finansy i statistika Publ., 2014. 368 p. 4. Gribovskii S.V., Fedotova M.A., Sternik G.M., Zhitkov D.B. Ekonomiko-matematicheskie modeli otsenki nedvizhimosti [Economic and mathematical models of real estate valuation]. Finansy i kredit [Finance and credit], 2005, no. 3(171), pp. 24–43. 5. Gur'ev I. Stroim svoi prognoz, otpravnaia tochka – neft' [We are making our own forecast, oil being the fiducial point]. Available at: http://mgorsk.ru/articles/70402.html (accessed 14.02.2016). 6. Daitbegov D.M. Komp'iuternye tekhnologii analiza dannykh v ekonometrike [Computer technologies of data analysis in econometrics]. Moscow, INFA-M Publ., 2008. 578 p. 7. Mau V.A. Krizisy i uroki. Ekonomika Rossii v epokhu turbulentnosti [Crises and lessons. Russia's economy in the era of turbulence]. Moscow, The Gaidar Institute Publ., 2016. 488 p. 8. Molchanova M.Yu., Pechenkina A.V. Primenenie stsenarnogo metoda pri prognozirovanii situatsii na rynke zhil'ia goroda Permi [The scenario method application when forecasting the situation on the housing market in Perm]. Vestnik Permskogo universiteta. Seriya: Ekonomika [Perm University Herald. Economy], 2015, no. 1, pp. 79–88. 9. Munerman I.V. Neiro-nechetkie modeli i instrumenty dlia regional'nogo upravleniia ob’ektami kommercheskoi nedvizhimosti. Diss. kand. ekon. nauk [Neuro-fuzzy models and tools for regional management of commercial real estate. Cand. econ. sci. diss.]. Moscow, 2011. 156 p. 10. Sivets S.A. Statisticheskie metody v otsenke nedvizhimosti i biznesa [Statistical methods in the evaluation of real estate and business]. Zaporozhia, Prosvita Publ., 2001. 310 p. 11. Sternik G.M., Sternik S.G. Analiz rynka nedvizhimosti dlia professionalov [Market analysis for real estate professionals]. Moscow, Ekonomika Publ., 2009, 606 p. 12. Cherepanov F.M., Yasnitskii L.N. Neirosetevoi fil'tr dlia iskliucheniia vybrosov v statisticheskoi informatsii [Neural network filter to exclude outliers in statistical information]. Vestnik Permskogo universiteta. Seriia: Matematika. Mekhanika. Informatika [Perm University Herald. Mathematics. Mechanics. Computer science], 2008, no. 4, pp. 151–155. 13. Cherepanov F.M., Yasnitskii L.N. Neirosimuliator 5.0. Svidetel'stvo o gosudarstvennoi registratsii programmy dlia EVM № 2014618208 [The neural simulator 5.0. Certificate of registration of the computer program for ECM № 2014618208]. Zaiavka Rospatent no 2014614649 [Application to the Russian Federal Agency for Intellectual Property no 2014614649]. Registered in the List of programs for ECM on August 12, 2014. 14. Yasnitskii V.L. Neirosetevoe modelirovanie v zadache massovoi otsenki zhiloi nedvizhimosti goroda Permi [Neural network simulation in the problem of mass appraisal of residential property of the city of Perm]. Fundamental'nye issledovaniia [Fundamental research], 2015, no. 10–3, pp. 650–653. Available at: http://www.fundamental-research.ru/ru/article/view?id =39274 (accessed 23.01.2016). 15. Yasnitskii L.N., Bondar' V.V., Burdin S.N. et.al. Permskaia nauchniia shkola iskusstvennogo intellekta i ee innovatsionnye proekty. 2-e izd [Perm scientific school of artificial integrity and its innovative designs. 2nd ed.]. Moscow-Izhevsk, Regular and Chaotic Dynamics Publ., 2008. 75 p. 16. Yasnitskii L.N. Vvedenie v iskusstvennyi intellect [Introduction to artificial integrity]. Moscow, Akademiia Publ., 2005. 176 p. 17. Becker С., Morrison A.R. Urbanization in transforming economies. Handbook of Regional and Urban Economics, 1999, vol. 3, pp. 1673–1790. 67 Л.Н. Ясницкий, В.Л. Ясницкий 18. Borst R.A. Artificial neural networks in mass appraisal. Journal of Property Tax Assessment & Administration, 1995, vol. 1, no. 2, pp. 5–15. 19. Curry B., Morgan P., Silver M. Neural networks and non-linear statistical methods: An application to the modelling of price-quality relationships. Computers and Operations Research, 2002, vol. 29, no. 8, pp. 951–969. 20. 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. 21. Do A. Q., Grudnitski G. A neural network approach to residential property appraisal. The Real Estate Appraiser, 1992, no. 58, pp. 38–45. 22. Evans A., James H., Collins A. Artificial neural networks: An application to residential valuation in the UK. Journal of Property Valuation and Investment, 1991, no. 11(2), pp. 195–204. 23. Gonzalez M.A.S., Formoso C.T. Mass appraisal with genetic fuzzy rule-based systems. Property Management, 2006, vol. 24, no. 1, pp. 20–30. 24. Greenwood J., Hercowitz Z. The allocation of capital and time over the business cycle. Journal of Political Economy, 1991, vol. 99, pp. 1188–1214. 25. 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. 26. Guan J., Zurada J., Levitan A.S. An adaptive neuro-fuzzy inference system based approach to real estate property assessment. Journal of Real Estate Research, 2008, vol. 30, no. 4, pp. 395–422. 27. 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. 28. Kilpatrick J. Expert systems and mass appraisal. Journal of Property Investment and Finance, 2011, vol. 29, no. 4, pp. 529–550. 29. Kontrimas V., Verikas A. The mass appraisal of the real estate by computational intelligence. Applied Soft Computing Journal, 2011, vol. 11, no. 1, pp. 443–448. 30. 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. 31. Mao Y.H., Zhang M.B., Yao, N.B. Hangzhou housing demand forecasting model based on BP neural Network of Genetic Algorithm Optimization (Conference Paper). Applied Mechanics and Materials, 2014, Vol. 587-589, pp. 37–41. 32. McCluskey W. J., Dyson K., McFall, D., Anand S. The mass appraisal of residential property in Northern Ireland. Computer assisted mass appraisal systems. London, Gower Publishers, 1997, pp. 59–77. 33. 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. 34. Zhang H., Gao S., Seiler M.J., Zhang Y. Identification of real estate cycles in China based on artificial neural networks. Journal of Real Estate Literature, 2015, Vol. 23, no. 1, pp. 67–83. The date of the manuscript receipt: 10.03.2016. ________________________________________________________________________________________________ THE METHODOLOGY OF CREATING A COMPREHENSIVE ECONOMIC AND MATHEMATICAL MODEL FOR MASS APPRAISAL OF REAL ESTATE (A CASE STUDY OF THE CITY OF PERM) Leonid N. Yasnitsky, Doctor of Technical Sciences, Associate Professor E-mail: [email protected] National Research University "Higher school of Economics"; 38, Studencheskaya st., Perm, 614070, Russian Federation Vitaly L. Yasnitsky, Financial Director E-mail: [email protected] OOO «VMV»; 26, R. Luksemburg st., Ekaterinburg, 620075, Russian Federation Currently, there are a number of economic and mathematical models designed for mass appraisal of real estate, tailored to their construction and performance properties, but taking no account of the evolving macroeconomic situation in the country and the world. The disadvantage of such static models is their rapid obsolescence, the need for constant updating, and unsuitability for medium-term forecasting. On the other hand, there are dynamic models that take into account the current macroeconomic situation; however, they are intended for predicting and studying the overall price situation in the real estate market, but not for mass appraisal of real estate with their variety of construction and performance properties. In this regard, the aim of this research is to develop methods of creating complex models having the properties of the static and dynamic models mentioned, i.e., taking into account construction and performance properties, as well as changing macroeconomic situation in the country and in the world. Methods and models are developed with the 68 Методика создания комплексной экономико-математической… use of neural network technology basing on the example of the residential real estate in Perm and on statistical information of the market over the period from 2005 to 2015. In addition to its primary purpose – mass appraisal of apartments, the model is suitable for medium-term forecasting and identification of the real estate market regularities. For example, it has been found out that the price of Perm apartments as a whole tends to increase due to the rise of the oil prices, but the dependence of the cost of apartments on the price of oil is stable and direct only when the latter exceeds $ 60 – 80 per barrel. In case the volume of mortgage lending rises, the price of apartments in Perm will increase. However, the growth rate of the cost of elite four-room apartments will begin to slow down, with an increase in mortgage lending volumes above 2400 – 2700 million rubles, whereas this effect will not be apparent for cheap one- and two-bedroom apartments. Further housing construction in Perm to 1,400 sq m in the short term will not cause a noticeable change in residential property prices in Perm, which suggests that the market is still far from saturation. Keywords: regional real estate market, mass appraisal, macroeconomic indicators, cost estimation, forecasting, neural network. Просьба ссылаться на эту статью в русскоязычных источниках следующим образом: Ясницкий Л.Н. Ясницкий В.Л. Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми // Вестник Пермского университета. Сер. «Экономика» = Perm University Herald. Economy. 2016. № 2(29). С. 54–69. doi: 10.17072/1994–9960–2016–2–54–69 Please cite this article in English as: Yasnitsky L.N., Yasnitsky V.L. The methodology of creating a comprehensive economic and mathematical model for mass appraisal of real estate of the city perm as an example // Vestnik Permskogo universiteta. Seria Ekonomika = Perm University Herald. Economy. 2016. № 2(29). P. 54–69. doi: 10.17072/1994–9960– 2016–2–54–69 69

Другие книги из этого раздела





© 2002 - 2024 RefMag.ru