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

Автор: Ясницкий Л.Н., Ясницкий В.Л.

Журнал: Вестник Пермского университета. Серия: Экономика @economics-psu

Рубрика: Математическое моделирование

Статья в выпуске: 2 (29), 2016 года.

Бесплатный доступ

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.

Еще

Региональный рынок недвижимости, массовая оценка, макроэкономические показатели, оценка стоимости, прогнозирование, нейронная сеть

Короткий адрес: https://sciup.org/147201533

IDR: 147201533   |   УДК: 332.8+004.89   |   DOI: 10.17072/1994-9960-2016-2-54-69

The methodology of creating a comprehensive economic and mathematical model for mass appraisal of real estate (a case study of the city of Perm)

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 dy-namic models mentioned, i.e., taking into account construction and performance properties, as well as chang-ing macroeconomic situation in the country and in the world. Methods and models are developed with the use of neural network technology basing on the example of the residential real estate in Perm and on statisti-cal 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 es-tate 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.

Еще

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

  • Анимица Е.Г., Власова Н.Ю. Градоведение. Екатеринбург: Изд-во Урал. гос. экон. ун-та, 2010. 433 с.
  • 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.
  • Грибовский С.М., Сивец С.А. Математические методы оценки стоимости недвижимого имущества. М.: Финансы и статистика, 2014. 368 с.
  • 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.
  • Гурьев И. Строим свой прогноз, отправная точка -нефть. URL: http://mgorsk.ru/articles/704 02.html (дата обращения: 14.02.2016).
  • Дайтбегов Д.М. Компьютерные технологии анализа данных в эконометрике. М.: ИНФРА-М, 2008. 578 с.
  • Мау В.А. Кризисы и уроки. Экономика России в эпоху турбулентности. М.: Изд-во Ин-та Гайдара, 2016. 488 с.
  • 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.
  • 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.
  • Сивец С.А. Статистические методы в оценке недвижимости и бизнеса. Запорожье: Просвiта, 2001. 310 с.
  • Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009. 606 с.
  • 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.
  • 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.
  • 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).
  • 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.
  • Ясницкий Л.Н. Введение в искусственный интеллект. М.: Академия, 2005. 176 с.
  • Becker С., Morrison A.R. Urbanization in transforming economies//Handbook of Regional and Urban Economics. 1999. Vol. 3. P. 1673-1790.
  • Borst R.A. Artificial neural networks in mass appraisal//Journal of Property Tax Assessment & Administration. 1995. Vol. 1, no 2. P. 5-15.
  • 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.
  • 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.
  • Do A. Q., Grudnitski G. A neural network approach to residential property appraisal//The Real Estate Appraiser. 1992. no 58. P. 38-45.
  • 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.
  • 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.
  • Greenwood J., Hercowitz Z. The allocation of capital and time over the business cycle//Journal of Political Economy. 1991. Vol. 99. P. 1188-1214.
  • 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.
  • 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.
  • 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.
  • Kilpatrick J. Expert systems and mass appraisal//Journal of Property Investment and Finance. 2011. Vol. 29, no 4. P. 529-550.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
Еще