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

  • Leonid Nakhimovich Yasnitsky Национальный исследовательский университет «Высшая школа экономики»
  • Vitaly Leonidovich Yasnitsky ООО «ВМВ»

Аннотация

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.


Список литературы


1. Анимица Е.Г., Власова Н.Ю. Градоведение. 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 // Экономическая наука современной России. 2009. № 4. С. 86–98.
3. Грибовский С.М., Сивец С.А. Математические методы оценки стоимости недвижимого имущества. М.: Финансы и статистика, 2014. 368 с.
4. Грибовский С.В., Федотова М.А., Стерник Г.М., Житков Д.Б. Экономико-математические модели оценки недвижимости // Финансы и кредит. 2005. № 3(171). С. 24–43.
5. Гурьев И. Строим свой прогноз, отправная точка – нефть. URL: http://mgorsk.ru/articles/704
02.html (дата обращения: 14.02.2016).
6. Дайтбегов Д.М. Компьютерные технологии 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. Применение сценарного метода при прогнозировании ситуации на рынке жилья г.Перми // Вестник Пермского университета. Серия: Экономика. 2015. № 1. С. 79–88.
9. Мунерман И.В. Нейро-нечеткие модели и инструменты для регионального управления объектами 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: Просвiта, 2001. 310 с.
11. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009. 606 с.
12. Черепанов Ф.М., Ясницкий Л.Н. Нейросетевой фильтр для исключения выбросов в статистической информации // Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2008. № 4. С. 151–155.
13. Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 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 моделирование в задаче массовой оценки жилой недвижимости города Перми // Фундаментальные исследования. 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., Бурдин С.Н. и др. Пермская научная школа искусственного интеллекта и ее инновационные проекты. 2-е изд. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. 75 с.
16. Ясницкий Л.Н. Введение в искусственный 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.
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.

Скачивания

Данные скачивания пока не доступны.

Сведения об авторах

Leonid Nakhimovich Yasnitsky, Национальный исследовательский университет «Высшая школа экономики»

Л.Н. Ясницкий, докт. техн. наук, профессор, профессор кафедры информационных технологий в бизнесе
Электронный адрес: yasn@psu.ru Национальный исследовательский университет «Высшая школа экономики», 614070, Россия, г. Пермь, ул. Студенческая, 38

Vitaly Leonidovich Yasnitsky, ООО «ВМВ»

В.Л. Ясницкий, заместитель директора по финансам Электронный адрес: yasnitskiy@mail.ru ООО «ВМВ»,
620075, Россия, г. Екатеринбург, ул. Р. Люксембург, 26

Опубликована
2016-06-30
Как цитировать
Yasnitsky L.N., Yasnitsky V.L. Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми // Вестник Пермского университета. Серия «Экономика» = Perm University Herald. ECONOMY. 2016. Том 2. № 29. С. 54–69. doi: 10.17072/1994–9960–2016–2–54–69
Раздел
Экономико-математическое моделирование