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 земли > Разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области)

Разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области)

Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. Разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области) // Вестник Московского государственного областного университета. Серия: Естественные науки. 2018. № 1. С. 51-65.

Скачать оригинал статьи

Фрагмент работы на тему "Разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области)"

51 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 УДК 528.44 DOI: 10.18384/2310-7189-2018-1-51-65 РАЗРАБОТКА ПРОГНОЗНОЙ МОДЕЛИ СТОИМОСТИ ЗЕМЕЛЬ МОНОГОРОДОВ С УЧЕТОМ ЭКОНОМИЧЕСКИХ ФАКТОРОВ ДЕЯТЕЛЬНОСТИ ГРАДООБРАЗУЮЩИХ ПРЕДПРИЯТИЙ (НА ПРИМЕРЕ МУРМАНСКОЙ ОБЛАСТИ) Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. 1 Санкт-Петербургский горный университет 199026, Санкт-Петербург, 21-я линия Васильевского острова, д. 2, Российская Федерация Аннотация. Ценообразование на рынке недвижимости зависит от разнообразных факто- ров, но степень и характер их влияния во многом обусловлены местными особенностями. Объектом нашего исследования выбраны земельные участки моногородов Мурманской области, уникальных наличием градообразующих предприятий, деятельность которых существенно влияет на рыночную и кадастровую оценку недвижимости. Наличие такой связи позволяет прогнозировать цену недвижимости в зависимости от изменения пока- зателей работы градообразующего производства. Эта цель достижима при построении и обосновании прогнозной модели, отражающей зависимость стоимости земель от эконо- мических факторов. При расчете связи между оценкой земельных участков и выборкой значимых показателей обосновано преимущество нейросетевой модели, как обладаю- щей лучшими прогнозными свойствами по сравнению с регрессионными моделями. Ключевые слова: моногород, градообразующее предприятие, рынок недвижимости, ре- грессионный анализ, нейронная сеть, Мурманская область. DEVELOPMENT OF PREDICTIVE MODELS OF LAND VALUE OF SINGLE-INDUSTRY TOWNS WITH ALLOWANCE FOR THE FACTORS OF ACTIVITY OF CITY-FORMING ENTERPRISES (ON THE EXAMPLE OF THE MURMANSK REGION) Kovjazin V. F., Lepikhina O. Y., Zimin V. P. Saint-Petersburg Mining University 21-liniya Vasil’evskogo ostrova 2, 199026 Saint Petersburg, Russia Abstract. The real estate market and features of real estate price formation depend on a large number of economical, social, political, natural, demographic and other factors. In each separately taken settlement, the degree of influence of each group of factors is different, which is largely determined by the features of the city. The object of the present research is the land plots of Murmansk region monotowns with their city-forming enterprises whose economic activity has a significant effect on the price formation of the real estate, its market and cadastral © Ковязин В. Ф., Лепихина О. Ю., Зимин В. П., 2018. 52 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 value. The specified influence allows the price of the real estate to be predicted, depending on a change in indicators of the city-forming branch. The purpose of the paper is to construct and justify predictive models reflecting the dependence of Murmansk region monotowns land prices on economic factors of the city-forming branch. In evaluating the relationship between the assessment of land plots and the selection of significant indicators, the advantage of the neural network model is proved, as it has better predictive properties than regression models. Key words: single-industry towns, city-forming enterprise, real estate market, regression analysis, neuron network, Murmansk region. Рынок недвижимости  – неотъемле- мая составляющая современного горо- да, оказывающая влияние на множество его сфер. Ценообразование на рынке не- движимости формируется под воздей- ствие большого количества факторов. Часть таких факторов отражает проис- ходящие в стране политические, эконо- мические, социальные и иные процессы. Это факторы государственного масшта- ба, предопределяющие состояние и раз- витие рынка недвижимости в целом по стране. Однако при анализе и прогнозе ситуации на рынке недвижимости от- дельно взятого города, необходимо учи- тывать, наряду с отмеченными общими факторами, его локальные особенности, уникальность, связанную, к примеру, с преобладанием в экономике какой-ли- бо отрасли. Таковыми являются моно- профильные города. Монопрофильный город (моногород) – замкнутая система, обслуживающая градообразующую от- расль. Рынок недвижимости в моного- родах имеет особенности, характерные исключительно для такого типа город- ских поселений [6; 7]. Оценка и прогноз стоимости недвижимости в этих насе- ленных пунктах должны проводиться с учетом экономических факторов дея- тельности градообразующего предпри- ятия. Отмеченная тема была не раз за- тронута в научных публикациях. Так, подчеркивалась необходимость учета уникальных особенностей земель при их оценке [3; 17; 18], важность анализа и прогноза перспективного состояния рынка недвижимости [13]. Также выхо- дили труды, посвященные анализу ме- тодики определения стоимости земель [4; 14] и методов ее прогнозирования [9; 15; 16]. Однако среди многообразия существующей научной литературы по данной теме не обнаружено исследо- ваний зависимости ценообразования недвижимости в моногородах от эконо- мических факторов деятельности гра- дообразующих предприятий. Это предопределило цель настоя- щего исследования, заключающуюся в анализе и прогнозе зависимости стои- мости недвижимости (земельных участ- ков) в моногородах от экономических факторов градообразующей отрасли на основе построения различного вида моделей и выявления наилучшей среди них. Итоговую модель следует использо- вать для решения вопросов, касающихся управления земельно-имущественным комплексом, а также задач, связанных с планированием деятельности градоо- бразующих предприятий. Методы исследования Нами исследована зависимость рыночной стоимости земель моно- городов от ряда общих показателей, а также факторов экономической дея- тельности градообразующей отрасли. 53 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 В дальнейшем наиболее значимые по- казатели были использованы для по- строения прогнозной модели (табл. 1). Общие показатели могут быть при- менимы ко всем населенным пунктам вне зависимости от их типа. В качестве таких показателей выбраны следую- щие: численность населения, удален- ность города от центра субъекта, индекс загрязнения атмосферы в горо- де, суммарный показатель загрязнения почвы в городе. Экономические факторы градо- образующей отрасли целесообразно представить в виде совокупности ос- новных показателей градообразующе- го предприятия: количество рабочих мест, чистая прибыль, мощность про- изводства, средняя заработная плата, производительность труда, прибыль на одного человека. В качестве объектов исследования выбрана группа монопрофильных го- родов, расположенных в Мурманской области: Кировск, Мончегорск, Олене- горск, Ковдор, Никель, пгт. Ревда. При- веденные населенные пункты схожи между собой по таким важнейшим по- казателям, как численность населения, удаленность от регионального центра, уровень социально-экономического развития, класс опасности предпри- ятия. Однородность населенных пун- ктов установлена согласно классифи- кации моногородов Северо-Западного федерального округа [8], по которой вышеупомянутые отнесены к группе «города с наиболее сложным социаль- но-экономическим положением либо рисками его развития с опасным про- изводством». Моделирование осуществлялось на примере земель, предназначенных для размещения индивидуальной жилой застройки (далее  – ИЖС). Для целей построения моделей кадастровой сто- имости земель моногородов выбраны методы регрессионного и нейросетево- го моделирования. Выбор обусловлен в первую очередь тем, что данные методы позволяют строить многофакторные модели. К положительным сторонам регрессионного анализа можно отне- сти также наглядность и достаточно легкую интерпретируемость результа- тов. Хотя нейросетевые модели исклю- чают возможность анализа полученной зависимости, они в то же время позво- ляют эффективно строить нелинейные функции, более точно описывающие исследуемые параметры [12]. Таблица 1 Перечень исследуемых показателей Наименование группы показателя Наименование показателя Единицы измерения Источник сбора данных Общие показатели населенных пунктов Численность населения человек Официальные сайты администраций населенных пунктов Удаленность моногорода от центра субъекта км Индекс загрязнения атмосферы в моногороде - Доклад о состоянии и об охране окружающей среды Мурманской области в 2014 году [5] Суммарный показатель загрязнения почвы в моногороде - 54 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Наименование группы показателя Наименование показателя Единицы измерения Источник сбора данных Показатели экономической деятельности градообразующих предприятий моногородов Количество рабочих мест на градообразующем предприятии человек Комплексные инвестиционные планы развития моногородов [10] Чистая прибыль градообразующего предприятия млн. руб. Мощность производства градообразующего предприятия млн. т Средняя заработная плата на градообразующем предприятии руб. Производительность труда на градообразующем предприятии тыс. т в год/ человек Прибыль на одного чел на градообразующем предприятии тыс. руб./ человек Показатель рынка недвижимости населенных пунктов Средняя по моногороду рыночная стоимость земель под ИЖС руб. Данные Росреестра После формирования выборки значений указанных показателей был проведен анализ, устанавливающий корреляционную связь между ними и средней по моногороду рыночной сто- имостью 1 кв м земель, предназначен- ных под ИЖС. При этом значимыми приняты показатели с коэффициентом корреляции более 0,31 . Далее выяв- ленные показатели исследовались на мультиколлинеарность. Известно, что в случае возникно- вения сильной связи между фактора- ми (когда коэффициент парной кор- 1 См.: Приказ Роснедвижимости от 29.06.2007 г. № П/0152 (ред. от 14.08.2008 г.) «Об утверждении Технических рекомендаций по государственной кадастровой оценке земель населенных пунктов». реляции превышает 0,7), один из них исключается из дальнейшего анализа [11]. В итоге определились показатели для построения моделей. В процессе работы над моделями их качество кон- тролировалось по критерию Фишера, также при формировании зависимости учитывался параметр «P-значение». В случае, если для каких-либо из факто- ров величина «P-значение» превышала 0,05, такие показатели исключались из модели и рассматривались как не- значимые [1]. Таким образом, на этом этапе построены следующие регрес- сионные модели: линейная регрессия, регрессия второго порядка, регрессия третьего порядка, логарифмическая регрессия. Окончание таблицы 1 55 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Построение нейросетевых моделей зависимости стоимости 1 кв.м. земель (У) от исследуемых показателей (Х) осуществлялось с использованием программного продукта STATISTIKA 10.0 [2]. Первоначально задавались значения постоянных переменных (Х) и зависимой переменной (Y). По- сле этого производилось обучение за- данного количества нейронных сетей с различной архитектурой. В итоге получены нейронные сети, отличаю- щиеся друг от друга по своим пара- метрам и, соответственно, значениям предсказанной величины стоимости земель (Y). После ввода значений ис- следуемых показателей в алгоритм программного продукта обученная нейронная сеть определяет прогноз- ную величину кадастровой стоимости земель. Далее нами осуществлялось срав- нение построенных моделей по следу- ющим показателям [1]: сумме квадратов регрессионных остатков (при этом наименьшее его значение соответствует зависимости, наилучшим образом объясняющей ис- следуемую величину); коэффициенту детерминации, ко- торый для регрессионных моделей определен из отчетов регрессии, а для нейросетевых моделей с исполь- зованием прогнозных и фактиче- ских значений стоимости городских земель (параметр показывает долю вариации зависимого параметра, об- условленную влиянием на него фак- торов, учитываемых при построении модели, и чем ближе значение этого показателя к единице, тем выше ка- чество модели); средней относительной погреш- ности (чем ниже данный показатель, тем лучше модель описывает выборку исходных данных, а качество модели считается хорошим, если погрешность менее 5–6%, и удовлетворительным  – если погрешность имеет значение от 5–6, до 12%). В итоге зависимость, обладающая наилучшими показателями, должна быть принята за искомую прогнозную модель кадастровой стоимости город- ских земель по исследуемым показате- лям. Результаты исследования На начальном этапе исследования осуществлен сбор значений исследу- емых показателей, а также значений средней по моногороду стоимости 1 м2 земель, предназначенных под ИЖС за период с 2006 по 2014 гг. для выбран- ной группы монопрофильных городов. Общий объем выборки составляет 29 объектов, ниже (табл. 2), представлена часть (фрагмент) этой выборки. Проведенный корреляционный анализ позволил выявить показате- ли, в наибольшей степени связанные со стоимостью земель моногородов (в скобках приведено значение коэффи- циента значимости): – численность населения (0,74); – мощность производства градоо- бразующего предприятия (0,74); – количество рабочих мест на гра- дообразующем предприятии (0,69); – чистая прибыль градообразующе- го предприятия (0,49); – средняя заработная плата на гра- дообразующем предприятии (0,46); – удаленность моногорода от цен- тра субъекта (0,38); – производительность труда на градообразующем предприятии (0,31). 56 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Таблица 2 Значения исследуемых показателей Моногород Год Общие показатели населенных пунктов Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. Чистая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб. Х1Х2Х3Х4Х5Х6Х7Х8Х9 Х10 Y г. Кировск 2014 27686 210 0,701,00 6403 2381,30 26,00 45096 4,06 371,90448,70 2013 28074 210 0,761,11 8252 9802,09 24,70 42578 2,99 1187,84 436,90 2012 28250 210 0,841,23 11348 5870,93 23,00 40150 2,03 517,35420,50 2011 28590 210 0,961,34 11637 3220,94 20,00 37800 1,72 276,78415,20 … ... ………… ... ………… 57 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Моногород Год Общие показатели населенных пунктов Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. Чистая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб. Х1Х2Х3Х4Х5Х6Х7Х8Х9 Х10 Y г. Мончегорск 2012 44643 115 5,045,10 5769 2818,01 7,50 36212 1,30 488,47440,58 2011 45253 115 5,305,30 5211 2423,32 8,10 32628 1,55 465,04413,95 2010 45361 115 5,555,40 5178 8942,21 8,30 28938 1,60 1726,96 368,78 2009 48062 115 5,005,66 5080 10226,09 7,90 25706 1,56 2013,01 340,50 … ... ………… ... ………… Продолжение таблицы 2 58 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Моногород Год Общие показатели населенных пунктов Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. Чистая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб. Х1Х2Х3Х4Х5Х6Х7Х8Х9 Х10 Y г. Оленегорск 2013 21736 110 1,695,70 2200 1281,00 4,70 52760 2,14 582,27342,60 2012 22405 110 1,852,71 2300 2696,00 4,60 44429 2,00 1172,17 321,40 2011 22986 110 1,982,80 2154 4826,00 4,40 39800 2,04 2240,48 301,68 2010 23072 110 2,002,81 2065 2883,00 4,30 35252 2,08 1396,13 292,58 Далее полученные значимые факторы были проверены на наличие мульти- коллинеарности (табл. 3). Окончание таблицы 2 59 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Таблица 3 Результаты анализа наиболее значимых показателей на мультиколлинеарность*1 Показатель Численность населения Удаленность моногорода от центра субъекта Количество рабочих мест на градообразующем предприятии Чистая прибыль градообразующего предприятия Мощность производства градообразующего предприятия Средняя заработная плата на градообразующем предприятии Производительность труда на градообразующем предприятии X1 X2 X5 X6 X7 X8 X9 Численность населения X1 - 0,00 0,56 0,71 0,45 0,22 0,19 Удаленность моногорода от центра субъекта X2 0,00 - 0,77 0,17 0,69 -0,11 -0,01 Количество рабочих мест на градообразующем предприятии X5 0,56 0,77 - 0,54 0,77 0,12 0,11 Чистая прибыль градообразующего предприятия X6 0,71 0,17 0,54 - 0,52 0,18 0,30 Мощность производства градообразующего предприятия X7 0,45 0,69 0,77 0,52 - 0,44 0,57 Средняя заработная плата на градообразующем предприятии X8 0,22 -0,11 0,12 0,18 0,44 - 0,76 Производительность труда на градообразующем предприятии X9 0,19 -0,01 0,11 0,30 0,57 0,76 - * Исключенные из дальнейшего анализа показатели выделены курсивом, значения коэффици- ентов парной корреляции, превышающие допустимое значение отмечены заливкой серого цвета Таким образом, были выявлены четыре показателя, по которым далее строились прогнозные модели их вли- яния на среднюю по моногороду ры- ночную стоимость 1 м2 земель, предна- значенных под ИЖС (Y): численность населения (Х1 ); удаленность моногоро- да от центра субъекта (Х2 ); мощность производства градообразующего предприятия (Х7 ); средняя заработная плата на градообразующем предпри- ятии (Х8). По результатам сформированной линейной регрессии было выявлено, что зависимость является пригодной к использованию по критерию Фише- ра, но фактор «мощность производ- ства градообразующего предприятия» незначим, так как «Р-значение» для него превышает 0,05. Следовательно, такую зависимость нецелесообраз- но принимать за прогнозную модель, поэтому осуществлялся второй этап построения модели, на котором ис- 60 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 ключались незначимые факторы. В ре- зультате была получена зависимость (1), удовлетворительная по критериям качества и пригодная для проведения дальнейших исследований: Y=106,05+0,629X2 +0,002X8 (1) Аналогичным образом осуществля- лось формирование нелинейных моделей. Полученные зависимости имеют вид: – регрессия второго порядка Y=206,82+5,87*10-8X1 2 +0,002X2 2 +4,1*10-8X8 2 (2); – регрессия третьего порядка Y= 242,106+1,25*10-12X1 3 +1,04*10-5 X2 3 +7,95*10-13X8 3 (3); – логарифмическая регрессия Y= -2437,9+101,53Ln(X1 )+109,9Ln (X2) -13,95Ln(X7)+120,32Ln(X8) (4). Альтернативно велось создание нейронных сетей. По исследуемой вы- борке объектов обучено 20 нейронных сетей, обладающих различными пара- метрами (табл. 4). Таблица 4 Результаты формирования нейросетевых моделей N Архитектура Производитель- ность обуч. Контр. Произво- дительность. Тест. Произво- дительность. Ошибка обучения Контроль- ная ошибка Тестовая ошибка Алгоритм обучения Функция ошибки Ф-я актив, скры- тых нейр. Ф-я актив, выход- ных нейр. 1 MLP 4-3-1 0,99291 0,92593 0,99433 30,46120 214,60990 38,42240 BFGS 159 Сум. квадр. Экспонента Экспонента 2 MLP 4-3-1 0,99870 0,99529 0,98821 5,57390 21,31040 15,73880 BFGS215 Сум. квадр. Экспонента Гиперболическая 3 MLP 4-7-1 0,99854 0,99390 0,95094 6,29050 26,04660 96,32090 BFGS 96 Сум. квадр. Гиперболическая Экспонента 4 MLP 44-1 0,93572 0,90644 0,80698 272,06160 210,06990 243,25830 BFGS8 Сум. квадр. Тождественная Экспонента 5 MLP 4-5-1 0,91591 0,87175 0,83062 352,52990 291,02630 307,90280 BFGS 9 Сум. квадр. Тождественная Тождественная 6 MLP 4-6-1 0,99709 0,99723 0,98951 12,45550 14,96400 27,15890 BFGS 66 Сум. квадр. Гиперболическая Экспонента 7 MLP 4-7-1 0,99839 0,99915 0,98752 6,99660 8,10310 17,06490 BFGS 117 Сум. квадр. Экспонента Логистическая 8 MLP 4-3-1 0,99667 0,98199 0,95577 14,62320 39,77920 75,14070 BFGS 66 Сум. квадр. Гиперболическая Экспонента 9 MLP 4-3-1 0,99684 0,99915 0,99061 13,63010 128,14190 15,92430 BFGS 99 Сум. квадр. Экспонента Гиперболическая 10 MLP 4-10-1 0,99820 0,98882 0,98023 7,83260 31,15760 39,47790 BFGS 107 Сум. квадр. Логистическая Логистическая 11 MLP 4-5-1 0,99683 0,99211 0,96087 13,60920 32,95330 54,89190 BFGS 45 Сум. квадр. Гиперболическая Логистическая 12 MLP 44-1 0,99867 0,99688 0,98560 5,72680 24,88830 19,97850 BFGS 240 Сум. квадр. Экспонента Гиперболическая 13 MLP 4-5-1 0,92652 0,88026 0,89570 306,08490 239,69310 276,59910 BFGS 7 Сум. квадр. Тождественная Логистическая 14 MLP 4-9-1 0,99843 0,98791 0,99294 6,78430 36,55530 15,44110 BFGS 92 Сум. квадр. Логистическая Тождественная 15 MLP 4-3-1 0,99747 0,98948 0,99203 10,85720 67,19430 13,27470 BFGS 98 Сум. квадр. Логистическая Гиперболическая 16 MLP 4-9-1 0,99879 0,99319 0,99692 5,20100 22,93110 4,01880 BFGS 122 Сум. квадр. Гиперболическая Тождественная 17 MLP 4-9-1 0,99820 0,99845 0,98968 7,88290 13,21150 16,06710 BFGS 111 Сум. квадр. Экспонента Логистическая 18 MLP 44-1 0,89767 0,83536 0,86118 421,66490 364,03730 289,24200 BFGS 8 Сум. квадр. Тождественная Гиперболическая 19 MLP 4-9-1 0,95777 0,92125 0,87627 197,95330 202,43730 249,19660 BFGS 9 Сум. квадр. Тождественная Экспонента 20 MLP 4-3-1 0,99701 0,99192 0,98926 12,91250 55,54380 17,92200 BFGS 74 Сум. квадр. Логистическая Логистическая По всем нейронным сетям форми- ровались выборки предсказанных зна- чений стоимости городских земель, с использованием которых полученные модели были проанализированы по ранее отмеченным показателям каче- ства. В результате анализа выявлена ней- ронная сеть, обладающая наилучшими параметрами (табл. 5). Таблица 5 Параметры нейросетевой модели наилучшего качества № Архитектура Производитель ность обуч. Контр. Произ- водительность. Тест. Произво- дительность. Ошибка обучения Кон- трольная ошибка Тестовая ошибка Алгоритм обучения Функция ошибки Ф-я актив, скрытых нейр. Ф-я актив, выходных нейр. 16 MLP 4-9-1 0,99879 0,99319 0,99692 5,20100 22,93110 4,01880 BFGS 122 Сум. квадр. Гиперболическая Тождественная В заключение было осуществлено сравнение итоговой нейронной сети с полученными ранее регрессионны- ми моделями по критериям качества (табл. 6). 61 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Таблица 6 Значения показателей качества прогнозных моделей Критерии качества Линейная регрессия Регрессия второго порядка Регрессия третьего порядка Логарифмическая регрессия Нейросетевая модель Сумма квадратов регрессионных остатков 18858,15 15871,19 16832,85 18155,07 434,07 Средняя относительная погрешность 5,83 4,97 4,98 5,61 0,85 Коэффициент детерминации 0,82 0,85 0,84 0,83 0,99 По результатам анализа значений критериев видно, что наилучшим ка- чеством обладает нейронная сеть. Так, сумма квадратов регрессионных остатков для данной модели в 36,5 раз ниже, чем, к примеру, у регрессии вто- рого порядка, а коэффициент детерми- нации выше на 14%. Выводы В ходе исследования было установ- лено, что на кадастровую стоимость земель моногородов, наряду с общи- ми для всех типов городов факторами, оказывают влияние экономические факторы деятельности градообразую- щих предприятий. Это подтверждает проведенный корреляционный анализ между показателями факторов и сред- ними рыночными стоимостями зе- мель. В наибольшей степени значимы- ми оказались следующие показатели: численность населения в моногороде, удаленность моногорода от центра субъекта, мощность производства гра- дообразующего предприятия, средняя заработная плата на градообразующем предприятии. С учетом отмеченных показателей градообразующих предприятий нами построено пять прогнозных моделей кадастровой стоимости земель моно- городов. Для каждой модели определе- ны такие показатели качества, как сум- ма квадратов регрессионных остатков, средняя относительная погрешность, коэффициент детерминации. Установ- лено, что для целей прогнозирования кадастровой стоимости земель моно- городов по исследуемым показателям целесообразно использовать нейро- сетевую модель, так как она обладает лучшими показателями качества. Ввиду того, что кадастровая сто- имость устанавливается на основе рынка недвижимости оцениваемого объекта и тесно связана с ним, то по- лученная нейросетевая модель может примениться для прогнозирования как рыночной, так и кадастровой сто- имости земель моногородов. В связи с высокими темпами изменения пока- зателей экономической деятельности градообразующих предприятий, уста- новленная при исследованиях зависи- мость определяет краткосрочный про- гноз (до 5 лет) рынка недвижимости моногородов. Также следует отметить, что по предложенной авторами мето- дике можно построить аналогичную 62 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 прогнозную модель кадастровой сто- имости земель монопрофильных го- родов других регионов Северо-Запад- ного федерального округа Российской Федерации. Статья поступила в редакцию 08.12.2017 г. ЛИТЕРАТУРА 1. Айвазян С.А., Мхитарян В.С. Прикладная статистика в задачах и упражнениях: учеб- ник для вузов. М.: ЮНИТИ-ДАНА, 2001. 270 с. 2. Буреева Н.Н. Многомерный статистический анализ с использованием ППП «STATISTICA»: учебно-методический материал по программе повышения квалифи- кации «Применение программных средств в научных исследованиях и преподавании математики и механики». Нижний Новгород: ННГУ, 2007. 112 с. 3. Ванданимаева О.М. Оценка стоимости земельных участков. М.: Московская финан- сово-промышленная академия, 2005. 119 с. 4. Грибовский С.В, Сивец С.А. Математические методы оценки стоимости недвижимо- го имущества: учебное пособие. М.: Финансы и кредит, 2008. 368 с. 5. Доклад о состоянии и об охране окружающей среды Мурманской области в 2014 году. Мурманск: Министерство природных ресурсов и экологии Мурманской области, 2015. 177 с. 6. Иваньковский С.Л., Былинская А.А., Иваньковская Н.А. Моногорода в народном хо- зяйстве страны: развитие, проблемы, перспективы // Вестник Нижегородского уни- верситета им. Н.И. Лобачевского. 2011. № 5–2. С. 91–97. 7. Каючкина М.А. Моногород: риск снижения поступлений доходов в бюджет // Эконо- мические науки. 2010. № 11. С. 221–225. 8. Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. Группировка земель монопрофильных го- родов при их кадастровой оценке // Известия высших учебных заведений. Поволж- ский регион. «Естественные науки». 2016. № 4. С. 97–108. 9. Комаров С.И. Прогнозирование в системе управления земельно-имущественным комплексом // Имущественные отношения в Российской Федерации. 2010. № 5. С. 84–100. 10. Комплексные инвестиционные планы развития моногородов // Министерство эко- номического развития Мурманской области [официальный сайт]. URL: http://minec. gov-murman.ru/activities/devel_city/sub06/sub04/ (дата обращения: 14.01.2018). 11. Методика расчета кадастровой стоимости объектов оценки на основе статистическо- го моделирования // Экономические науки. 2009. № 12. С. 352–358. 12. Рубаков С.В. Современные методы анализа данных // Наука. Инновации. Образова- ние. 2008. Вып. 7. С. 165–176. 13. Рубинштейн Е.Д. Осипенко Н.С. Анализ рынка недвижимости и его прогнозирова- ние // Теория и практика общественного развития. 2015. № 12. С. 140–143. 14. Сивец С.А. Статистические методы в оценке недвижимости и бизнеса: учебно-прак- тическое пособие для оценщиков. Запорожье: Просвита, 2001. 320 с. 15. Стерник Г.М., Стерник С.Г., Свиридов А.В. Методология прогнозирования россий- ского рынка недвижимости. Часть 3: Эволюция методов прогнозирования рынка жи- лья // Механизация строительства. 2014. № 2. С. 61–64. 16. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. Невин- номысск: Северо-Кавказский гос. тех. ун-т, 2006. 221 с. 17. Baumane V. Cadastral Valuation Models // Economic Science for Rural Development: proceedings of international scientific conference. 2010. no. 22. pp. 68–75. 63 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 18. Baumane V. Evaluation of Indicators of Cadastral Assessment // 4th International Conference Civil Engineering`13. Proceedings: Part I «Land Management and Geodesy». Jelgava, 2013. pp. 299-304. References 1. Aivazyan S.A., Mkhitaryan V.S. Prikladnaya statistika v zadachakh i uprazhneniyakh: uchebnik dlya vuzov [Applied statistics in problems and exercises: a textbook for high schools]. Moscow, YUNITI-DANA Publ., 2001. 270 p. 2. Bureeva N.N. Mnogomernyi statisticheskii analiz s ispol'zovaniem PPP “STATISTICA”: uchebno-metodicheskii material po programme povysheniya kvalifikatsii “Primenenie programmnykh sredstv v nauchnykh issledovaniyakh i prepodavanii matematiki i mekhaniki” [Multivariate statistical analysis using the SPT STATISTICA: educational material for training program on "Application of software in scientific research and teaching of mathematics and mechanics"]. Nizhny Novgorod, NNGU Publ., 2007. 112 p. 3. Vandanimaeva O.M. Otsenka stoimosti zemel'nykh uchastkov [Assessment of the price of land plots]. Moscow, Moskovskaya finansovo-promyshlennaya akademiya Publ., 2005. 119 p. 4. Gribovskii S.V., Sivets S.A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva: uchebnoe posobie [Mathematical methods for assessing the value of a real estate: textbook]. Moscow, Finansy i kredit Publ., 2008. 368 p. 5. Doklad o sostoyanii i ob okhrane okruzhayushchei sredy Murmanskoi oblasti v 2014 godu [A report on the status and protection of the environment in Murmansk region in 2014]. Murmansk, Ministerstvo prirodnykh resursov i ekologii Murmanskoi oblasti Publ., 2015. 177 p. 6. Ivan'kovskii S.L., Bylinskaya A.A., Ivan'kovskaya N.A. Monogoroda v narodnom khozyaystve strany: razvitiye, problemy, perspektivy [Single-industry towns in the national economy: development, problems, prospects]. In: Vestnik Nizhegorodskogo universiteta im. N.I. Lobachevskogo [Bulletin of N.I. Lobachevsky Nizhny Novgorod University], 2011, no. 5-2, pp. 91-97. 7. Kayuchkina M.A. Monogorod: risk snizheniya postuplenii dokhodov v byudzhet [A monotown: the risk of reduction of revenues to the budget]. In: Ekonomicheskie nauki [Economic Scinces], 2010, no. 11, pp. 221-225. 8. Kovyazin V.F., Lepikhina O.YU., Zimin V.P. Gruppirovka zemel' monoprofil'nykh gorodov pri ikh kadastrovoi otsenke [The grouping of the lands of single-profile cities with their cadastral evaluation]. In: Izvestiya vysshikh uchebnykh zavedenii. Povolzhskii region. “Estestvennye nauki” [Izv. Vyssh. Ucheb. Zaved. The Volga region. “Natural Sciences”], 2016, no. 4, pp. 97-108. 9. Komarov S.I. Prognozirovanie v sisteme upravleniya zemel'no-imushchestvennym kompleksom [Forecasting in the management system of land and property complex]. In: Imushchestvennye otnosheniya v Rossiiskoi Federatsii [Property relations in the Russian Federation], 2010, no. 5, pp. 84-100. 10. Kompleksnye investitsionnye plany razvitiya monogorodov [Comprehensive investment development plans of monotowns]. The Ministry of economic development of Murmansk region [official website]. – URL: http://minec.gov-murman.ru/activities/devel_city/sub06/ sub04/ (request date 14.01.2018) 11. Metodika rascheta kadastrovoy stoimosti ob’ektov otsenki na osnove statisticheskogo modelirovaniya [The method of calculation of cadastral cost of objects of evaluation based on statistical modeling]. In: Ekonomicheskie nauki [Economic Sciences], 2009, no. 12, pp. 352-358. 64 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 12. Rubakov S.V. Sovremennye metody analiza dannykh [Modern methods of data analysis]. In: Nauka. Innovatsii. Obrazovanie [Science. Innovations. Education], 2008, no. 7, pp. 165-176. 13. Rubinshtein E.D., Osipenko N.S. Analiz rynka nedvizhimosti i ego prognozirovanie [The real estate market analysis and forecasting]. In: Teoriya i praktika obshchestvennogo razvitiya [Theory and practice of social development], 2015, no. 12, pp. 140-143. 14. Sivets S.A. Statisticheskie metody v otsenke nedvizhimosti i biznesa: uchebno-prakticheskoe posobie dlya otsenshchikov [Statistical methods in the evaluation of real estate and business: a training manual for appraisers]. Zaporozhye, Prosvita Publ., 2001. 320 p. 15. Sternik G.M., Sternik S.G., Sviridov A.V. Metodologiya prognozirovaniya rossiiskogo rynka nedvizhimosti. Chast' 3: Evolyutsiya metodov prognozirovaniya rynka zhil'ya [The methodology of forecasting of Russian real estate market. Part 3: Evolution of methods of forecasting of the housing market]. In: Mekhanizatsiya stroitel'stva [Mechanization of construction], 2014, no. 2, pp. 61-64. 16. Tikhonov E.E. Metody prognozirovaniya v usloviyakh rynka: uchebnoe posobie [Methods of forecasting in conditions of the market: a tutorial]. Nevinnomyssk, Severo-Kavkazskii gos. tekh. un-t Publ., 2006. 221 p. 17. Baumane V. Cadastral Valuation Models. In: Economic Science for Rural Development: proceedings of international scientific conference. 2010. no. 22. pp. 68-75. 18. Baumane V. Evaluation of Indicators of Cadastral Assessment. In: 4th International Conference Civil Engineering`13. Proceedings: Part I «Land Management and Geodesy». Jelgava, 2013. pp. 299-304. ИНФОРМАЦИЯ ОБ АВТОРАХ Ковязин Василий Федорович – доктор биологических наук, профессор кафедры инженерной геодезии Санкт-Петербургского горного университета; e-mail: [email protected] Лепихина Ольга Юрьевна – кандидат технических наук, доцент кафедры инже- нерной геодезии Санкт-Петербургского горного университета; e-mail: [email protected] Зимин Виктор Павлович  – аспирант кафедры инженерной геодезии Санкт- Петербургского горного университета; e-mail: [email protected] INFORMATION ABOUT THE AUTHORS Vasily F. Kovjazin – doctor of biological sciences, professor at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University, E-mail: [email protected] Olga Y. Lepikhina – PhD in technical sciences, associate professor at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University, E-mail: [email protected] 65 ISSN 2072-8360 Вестник Московского государственного областного университета. Серия: Естественные науки 2018 / № 1 Viktor P. Zimin – postgraduate student at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University E-mail: [email protected] ПРАВИЛЬНАЯ ССЫЛКА НА СТАТЬЮ Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. Разработка прогнозной модели сто- имости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области) // Вестник Московского государственного областного университета. Серия: Естественные науки. 2018. № 1. С. 51-65 DOI: 10.18384/2310-7189-2018-1-51-65 FOR CITATION Kovjazin V. F., Lepikhina O. Y., Zimin V.P. Development of predictive models of the land value of single-industry towns with allowance for the factors of activity of cityforming enterprises (on the example of the Murmansk region). In: Bulletin of Moscow Region State University. Series: Natural sciences, 2018, no. 1, pp. 51-65 DOI: 10.18384/2310-7189-2018-1-51-65

Другие книги из этого раздела





© 2002 - 2024 RefMag.ru