Нейросетевое моделирование процесса массовой оценки стоимости объектов недвижимости

Необходимость совершенствования концептуальных основ и методического инструментария оценки стоимости недвижимого имущества выступает базисом обеспечения справедливого налогообложения, увеличивает эффективность использования объектов недвижимости, повышает налоговый потенциал территории и устойчивость её бюджетов. Однако, существующая система налогообложения имущества в России, где в качестве налоговой базы выступает кадастровая стоимость, сформированная на основе рыночной информации, не в полной мере отвечает принципам рационального использования и не в совершенстве выполняет задачи общеэкономического характера, а служит исключительно фискальным целям.

Согласно действующему законодательству, кадастровая стоимость устанавливается либо в следствии проведения кадастровой оценки, либо в результате рассмотрения споров, при этом, несмотря на то, что количество споров о пересмотре результатов ее определения снизилось, однако суммарная величина кадастровой стоимости объектов недвижимости снижается в среднем более чем на 33 % (за 5 месяцев 2022 г. – на 34,9%) [5]. Несовершенство методики расчета кадастровой стоимости недвижимости, искажение сведений об объектах в ЕГРН, при нарастании цифровизации всех процессов, способствует росту недовольства завышенным налоговым обременением у населения, ведет к несбалансированному планированию бюджетов регионов и муниципальных округов. Таким образом, цель исследования, заключающаяся в разработке методического подхода к оценке кадастровой стоимости недвижимого имущества физических лиц на основе метода нейросетевого моделирования, направленного на повышение уровня информативности оценки и совершенствования налогового администрирования, является актуальной.

Материалы и методы

В ходе исследования были использованы: этимологический подход, метод сравнения, анализ открытых статистических данных, описание и обобщение, моделирование с помощью машинного обучения. Методика заключалась в проведении критического сущностных характеристик кадастровой стоимости объектов недвижимости физических лиц. Авторами была разработана нейросетевая модель оценки стоимости объектов недвижимости.

Обсуждение

На основе анализа нормативно-правовых актов и методологических подходов ученых, предложено уточненное понятие «кадастровой стоимости объектов недвижимости физических лиц» – выполненный в соответствии с законодательством результат оценки стоимости объектов недвижимого имущества на конкретную дату, зафиксированный в государственном реестре и используемый для целей налогообложения [4, 5, 6, 7, 8, 9, 11]. Данная стоимость определяется на основе рыночных сведений, связана с экономическими характеристиками объекта, методами массовой оценки, однако при невозможности использовать эти методы она определяется индивидуально. Рыночной стоимостью признается наиболее вероятная цена объекта, которая формируется на открытом рынке в условиях свободной конкуренции, когда участники сделки действуют в условиях информационной открытости. Она находится под влиянием разнообразных факторов социальноэкономических систем разного уровня, а также состояния самого объекта. Согласно 32 Главе Налогового кодекса и другим нормативно-правовым актам можно выделить следующие элементы начисления налога на имущество физических лиц по кадастровой стоимости (рисунок 1) [4, 6, 7, 8, 9, 11].

Налогоплательщики	—»	Физические лица, обладающие правом собственности на имущество, признаваемое объектом налогообложения
Объект	—»	Жилой дом, квартира, комната, гараж, машино-место, единый недвижимый комплекс, объект незавершённого строительства, иные здания, строения
Налоговая база	—»	Кадастровая стоимость, внесенная в Единый государственный реестр недвижимости

Налоговый период

Дифференцировано устанавливаются нормативными правовыми актами представительных органов муниципальных образований для каждого вида имущества

Налоговые льготы

—»

Дифференцирована по каждой льготной категории и видов объектов налогообложения

Порядок начисления

Сумма налога исчисляется налоговыми органами по истечении налогового периода отдельно по каждому объекту налогообложения как соответствующая налоговой ставке процентная доля налоговой базы согласно действующему льготированию и дифференцировано по объектам

Порядок и сроки уплаты налога

—»

Не позднее 1 декабря года, следующего за истекшим налоговым периодом

Рисунок 1 – Элементы начисления налога на имущество физических лиц

Авторская схема информационных по- представлена на рисунке 2 и отличается от ранее токов алгоритма определения кадастровой стои- известных детализацией бизнес-процессов на мости объектов недвижимости физических лиц примере Пермского края.

Правительство, Губернатор Пермского края		Физические лица
		Обращения, регистрация прав соб-		Уведомление о необходимости

		ственности на недвижимое имущество и сделок с ним, запросы сведений из ЕГРН, оспаривание кадастровой стоимости объектов		уплаты налога на имущество
Принятие решения о проведении государственной кадастровой оценки				*
				УФНС России по Пермскому краю
				1
		Федеральная служба государственной регистрации, кадастра и картографии Управление Росреестра по Пермскому краю i Федеральный закон от 03.07.2016 N 237-ФЗ (ред. от 30.12.2021) "О государственной кадастровой оценке"; Приказ Росреестра от 04.08.2021 N П/0336 "Об утверждении Методических указаний о государственной кадастровой оценке": 1.    определение ценообразующих факторов объектов недвижимости; 2.    первичная группировка объектов недвижимости на основе их сегментации; 3.    сбор сведений о значениях ценообразующих факторов; 4.    сбор рыночной информации; 5.    группировка объектов недвижимости; 6.    построение модели оценки кадастровой стоимости и обоснование её выбора; 7.    анализ качества модели оценки кадастровой стоимости; 8.    расчет кадастровой стоимости, в т.ч. индивидуальные расчеты для объектов, в отношении которых невозможно применение методов массовой оценки; 9.    анализ результатов определения кадастровой стоимости;
Министерство по управлению имуществом и градостроительной деятельности Пермского края
Решение о проведении комплексных кадастровых работ, государственной кадастровой оценке объектов недвижимости

Рисунок 2 – Схема информационных потоков определения кадастровой стоимости объектов недвижимости физических лиц

Как следует из схемы ключевую роль в оценке кадастровой стоимости объектов недвижимости физических лиц играет Федеральная служба государственной регистрации, кадастра и картографии, которая выступает монополистом в данной сфере и осуществляет регулярный учет, мониторинг объектов недвижимости на основе унифицированного методического подхода. Для установления кадастровой стоимости применяются методы массовой оценки для однородных групп объектов. Моделирования стоимости объектов в настоящее время ограничено применением методологии только трех подходов: сравнительного, затратного или доходного [9], что существенно снижает качество формирования стоимости, увеличивает вероятность «методологических ошибок», т.к. наблюдаются диспропорции между неким средним уровнем кадастровой стоимости и рыночными реалиями, территориальными и прочими характеристиками объектов [3].

Нарастание цифровизации всех сторон жизни общества обуславливает необходимость создания единой интегрированной цифровой системы мониторинга и управления объектами недвижимости, что обусловлено тем, что данная база:

• -    позволит интегрировать разнообразные актуальные сведения о ценообразующих факторах объектов недвижимости;

• -    будет способствовать принятию качественных управленческих решений органами государственной власти при планировании бюджетов и градостроительной деятельности;

• -    повысит прозрачность реальной информации об объектах для обслуживания и удовлетворения потребностей пользователей;

• -    упростит и простимулирует сделки с объектами недвижимости и т.д.

Проведенный анализ цифровых сервисов в области недвижимости показал, что в настоящее время наиболее востребованной является платформа Росреестра

, Федеральной налоговой службы и Единого портала госуслуг . Переход на рельсы концепции цифровой трансформации позволит в будущем качественно и оперативно оказывать весь спектр услуг с недвижимостью заинтересованным субъектам по принципу «одного окна» на основе единой ИТ-архитектуры, оптимизации бизнес-процессов, применении искусственного интеллекта и клиентоориентированных умных сервисов, однако, при проектировании сервисов уже сейчас необходимо учитывать развитие методического инструментария, который должен соответствовать следующим критериям: универсальность расчетов; простота алгоритма; минимизация затрат на освоение методики; корректность и реальность полученных данных; максимальная отдача в виде уплачиваемых налогов и эффективность планирования бюджетов.

Анализ инструментария позволил авторам предложить алгоритм и методический подход к оценке расчета кадастровой стоимости имущества на основе методов машинного обучения, включая нейросетевое моделирование, которые позволяют получить наиболее точный и качественный результат оценки стоимости недвижимости благодаря возможности учета широкого спектра экзогенных и эндогенных факторов и параметров объектов. Теоретико-методическим базисом, разработанной нейросетовой модели массовой оценки объектов недвижимости, послужили труды российских авторов: Н.П. Баринова [10], К.К. Брусняка [1], С.М. Грибов-ского [2], Л.Н. Ясницкого [12] и других.

Моделирование рынка недвижимости с помощью машинного обучения представляет собой комплексное мультипликативное применение статистического анализа данных для поиска закономерностей и моделирования развития социально-экономического объекта в зависимости от его заданных экзогенных и эндогенных характеристик. Алгоритм нейросетевого моделирования процесса массовой оценки и прогнозирования стоимости объектов недвижимости включает следующие элементы и представлен на рисунке 3.

• 1.    Постановка цели и формализация задачи ( y=F(X i ) ).

• 2.    Ввод и загрузка кодированных данных из статистических источников, ЕГРН и т.д. ( X i , Y i -множество входных и выходных векторов).

• 3.    Выбор нейросетевой типологии, построение концептуальной математической модели: определение структуры и параметров сети (количество нейронов в скрытом слое, количества

• 4.    Разработка алгоритма и программного продукта, подключение необходимых библиотек, возможно создание цифровой платформы.

• 5.    Обучение и отладка созданного алгоритма нейросети, определение синаптических весов, обеспечивающих минимальную ошибку обучения.

• 6.    Апробация качества обучения с помощью критерия его допустимой ошибки (Е 0_max )) и анализ результатов, в случае получения недопустимого значения критерия необходимо вернуться к пунктам 3, 4, 5 уточнив модель.

• 7.    Тестирование нейросети - определение оптимальной конфигурации нейросети с верифицированными прогностическим свойствами;

• 8.    Кросс-валидация модели – повторная проверка качества модели по критерию допустимой ошибки тестирования ( Е t_max ) и анализ результатов модели. В случае получения недостоверных и нерепрезентативных данных необходимо вернуться к п. 3 уточнив модель или к п. 2 пересмотреть набор множества входных.

• 9.    Массовая оценка кадастровой стоимости объектов недвижимости – расчет стоимости объекта y i при заданных входных параметрах ( X i -множество входного вектора), подготовка отчётных документов и аргументация выводов.

• 10.    Сценарное прогнозирование стоимости объектов недвижимости Y i .

• 11.    Анализ и интерпретация результатов, подготовка сопроводительной документации и отчёта.

2. Ввод кодированной информации об объектах (x i , y i )

• 3.    Проектирование нейросетевой модели

• 4 .    Разработка алгоритма и программного продукта

  нет

  
  
  

  5. Обучение нейросети

  нет

  

  6. Е 0 < Е 0

  да

  7. Тестирование нейросети

  
  
  

  8. Кросс-

  валидация

  Е<Е

  11. Конец

  да

  9. Массовая

  оценка кадастровой стоимости объектов

  Рисунок 3 – Алгоритм нейросетевого моделирования процесса оценки стоимости объектов недвижимости

  
  

  10. Сценарное прогнозирование стоимости объек

  тов

  
  
  

  В качестве исходных данных была использована учебная база данных из 2315 однокомнатных квартир г. Перми за 2020 г., имеющих 20 признаков качественного и количественного характера, которые согласно авторскому алгоритму (рис. 3) были закодированы и сохранены в формате *.csv (BD.csv).

итераций, разработка сети с динамической архитектурой, возможность кластеризации объектов, описание метода и алгоритма глубокого обучения, вид активационных функций и т.д.).

Авторский методический инструментарий был реализован с помощью высокоуровневого языка программирования Python, выбор был обусловлен тем, что язык обладает динамической строгой типизацией и автоматическим управлением памятью, читаемостью кода и высоким его качеством, при этом синтаксис ядра языка достаточно минималистичен, по сравнению с компилируемыми языками. Простоте написания кода способствует и разнообразие открытых библиотек, некоторые из них были использованы при разработке нейросети и ее обучения (Sklearn, Pandas, Numpy, Theano, TensorFlow, Keras, Tkinter, PyInstaller, Sys). Большинство работ проводилась в Jupyter Notebook, т.к. данный инструмент позволяет хранить в одном файле разработанный код, результаты его работы и аналитические отчеты в интерактивном виде.

1. Начало

Процесс моделирования массовой оценки объектов недвижимости был основан на сравнительном подходе, т.к. большинство пара- метров рынка недвижимости, особенно связанных с предложением, находится в открытом доступе. В качестве функции потерь была выбрана MAE, что обусловлено простой интерпретации значений, в качестве метода оптимизации весов нейронной сети был выбран алгоритм Adam.

Первоначально было написано два Python-приложения: train_model.pу, которое позволило сформировать и обучить нейронную сеть, и predict.py – предназначенное для прогнозирования стоимости объекта недвижимости. После апробации был написан код для графического интерфейса house_price.py. Авторский программный продукт включает следующие функции:

• -    Init_main – главная функция необходимая для создания интерфейса;

• -    Load_data – в качестве аргумента принимает файл, содержащий примеры для обучения, осуществляет предобработку и возвращает массив Хi, содержащий характеристики объектов, массив Yi, (cстоимость объектов);

• -    Baseline_model – в качестве аргумента принимает количество признаков объекта (входной вектор Хi), возвращает созданную модель;

• -    Learning – считывает данные из интерфейса и вызывает функцию, обучающую нейронную сеть;

• -    Train_model – обучает нейронную сеть, в качестве аргументов принимает массивы Хi, Yi и количество эпох обучения, сохраняя ее параметры;

• -    Predict – считывает характеристики объектов из интерфейса, передает в обученную модель, возвращая их оценочную стоимость.

На рисунке 4 представлены этапы алгоритма работы методического инструментария оценки кадастровой стоимости недвижимого имущества.

Для подтверждения качества и достовер- ности полученных результатов процесса массовой оценки кадастровой стоимости недвижимого имущества разработанной нейронной сетью был выполнен сравнительный анализ результатов нейросетевого моделирования с реальным предложением на рынке недвижимости за аналогичный период (нейросетевую модель House_price), пример результата вычислений представлен в таблице 1.

Апробация инструментария показала близость цен по расчетам нейросети и предложения на рынке недвижимости, среднее отклонение составило 0,61%. Результаты проведённого регрессионного анализа зависимости цены объекта от различных факторов представлены в таблице 2.

Таблица 2 – Результаты регрессионного анализа зависимость цены объекта от эндогенных факторов

Анализируемый фактор	R-квадрат, %	Значимость F	Переменная X
Наличие балкона	15,44	0,26	2399,52
Этажность объекта	15,77	1,50	2425,24
Материал стен	0,43	0,86	400,95
Общая площадь объекта	89,80	0,00003	113,07
Год постройки	72,48	0,002	129,24
Тип застройки	55,10	0,01	4532,86

Подготовительный этап

	Основной этап
1. Установка
		Заключительный этап
библиотек	1.    Открыть программу house_price.exe 2.    Указать количество эпох обучения 3.    Выбрать файл с базой обучения BD.scv
2. Тестирование базы на отсутвие ошибок		1.    Ввести параметры согласно установленному порядку 2.    Запустить программу

Рисунок 4 – Этапы работы с авторским программным продуктом по оценке кадастровой стоимости объектов недвижимости

Таблица 1 – Результат оценки недвижимости с помощью нейросети (пример)

Адрес	Цена на онлайн площадке размещения объявлений, тыс. руб.	Рассчитанная цена, тыс. руб.	Абсолютное отклонение, тыс. руб.	Относительное отклонение, %
А1	3000	3053	+53	+1,77
А2	2300	2332	+32	+1,39
А3	2630	2650	+20	+0,76
А4	11900	11853	-47	-0,39
А5	5350	5400	+50	+0,93
А6	2700	2673	-27	-1,00
А7	4200	4158	-42	-1,00
А8	3000	3054	+54	+1,80
А9	2620	2596	-24	-0,92
А10	1820	1871	+51	+2,80
Средняя цена	3952	3964	+12	+0,61

Расчеты показали, что наибольшее влияние на стоимость объекта недвижимости оказывают общая площадь, год постройки и тип застройки, а наименьшую - этажность, материал стен и наличие балкона у объекта. Таким образом, предложен авторский алгоритм и методический подход к оценке расчета кадастровой стоимости имущества на основе нейросетевого моделирования, который позволяет получить наиболее точный и качественный результат оценки благодаря возможности учета экзогенных и эндогенных факторов и параметров объектов.

С учетом авторского методического инструментария была спрогнозирована динамика налоговых поступлений в местный бюджет на примере Пермского края (таблица 3).

Согласно представленным расчетам можно сделать вывод, что кадастровая стоимость объектов недвижимости для целей налогообложения является недооценённой, авторский методический инструментарий продемонстрировал возможность увеличения кадастровой стоимости на 15,42%, доходной части бюджета по статье «Налог на имущество физических лиц» за 2021 г. на 3,58%.

Заключение

Теоретическая значимость исследования заключается в систематизации и структуризации сущности оценки стоимости недвижимого имущества На основе анализа нормативно-правовых актов и методологических подходов ученых, предложено уточненное понятие «кадастровой стоимости объектов недвижимости физических лиц» – выполненный в соответствии с законодательством результат оценки стоимости объектов недвижимого имущества на конкретную дату, зафиксированный в государственном реестре и используемый для целей налогообложения. Данная стоимость определяется на основе рыночных сведений, связана с экономическими характеристиками объекта, методами массовой оценки, однако при невозможности использовать эти методы она определяется индивидуально. Рыночной стоимостью признается наиболее вероятная цена объекта, которая формируется на открытом рынке в условиях свободной конкуренции, когда участники сделки действуют в условиях информационной открытости. Она находится под влиянием разнообразных факторов социально-экономических систем разного уровня, а также состояния самого объекта.

Таблица 3 – Расчет налога на имущество физических лиц (пример), тыс. руб.

Адрес		А1	А2	А3	А4	А5	А6	А7	А8	А9	А10
Площадь, кв.м.		55,00	38,00	31,00	113,00	80,00	43,00	59,00	57,00	41,00	38,00
Кадастровая стоимость квартиры	Текущая методика	2317,00	1513,00	1672,00	5285,00	3946,00	2051,00	3435,00	2606,00	1893,00	1420,00
	Авторская методика	3053,00	2332,00	2650,00	11853,0 0	5400,00	2673,00	4158,00	3054,00	2596,00	1871,00
Кадастровая стоимость 1кв.м.,	Текущая методика	42,13	39,82	53,94	46,77	49,33	47,70	58,22	45,72	46,17	37,37
	Авторская методика	55,51	61,37	85,48	104,89	67,50	62,16	70,47	53,58	63,32	49,24
Налогооблагаемая база	Текущая методика	1474,45	716,68	593,29	4349,60	2959,50	1097,05	2270,59	1691,61	969,59	672,63
	Авторская методика	1942,82	1104,63	940,32	9755,12	4050,00	1429,74	2748,51	1982,42	1329,66	886,26
Сумма налога	Текущая методика	1,47	0,72	0,59	4,35	2,96	1,10	2,27	1,69	0,97	0,67
	Авторская методика	1,94	1,10	0,94	9,76	4,05	1,43	2,75	1,98	1,33	0,89

Предложена авторская схема информационных потоков алгоритма определения кадастровой стоимости объектов недвижимости физических лиц, которая отличается от ранее известных детализацией бизнес-процессов на примере Пермского края.

Определено, что нарастание цифровизации всех сторон жизни общества обуславливает необходимость создания единой интегрированной цифровой системы мониторинга и управления объектами недвижимости, поэтому практическая значимость исследования обусловлена возможностью применения разработанного методического подхода и алгоритма на основе нейросетевого моделирования, предполагающего возможность прогнозирования стоимости объектов недвижимого имущества физических лиц. Данное исследование может быть положено в основу для разработки и корректировки управленческих решений в области кадастровой оценки исполнительными органами государственной власти.