Нечаєв Сергій Георгійович

ВСТУП

    Оцінка нерухомості є однією з найбільш затребуваних і, разом з тим, однією з найбільш складних завдань на ринку інтелектуальних систем оцінки та прийняття рішень. Складність полягає, по-перше, у великій кількості факторів, що впливають на оцінку. По-друге, сам характер факторів надає істотну проблему — деякі з них досить складно формалізувати (наприклад, «ступінь престижності району знаходження об'єкта», «зовнішній вигляд об'єкту», інформацію про історію об'єкта оцінки, аналіз місця розташування об'єкта та ін.) По-третє, ринок нерухомості досить динамічний, що має на увазі високу швидкість зміни значення параметрів оцінки з плином часу. По-четверте, для формування навчальних вибірок і баз знань доводиться використовувати досвід різних оцінювачів, що може приводити до суперечливих рішень.

АКТУАЛЬНІСТЬ ТЕМИ

    Актуальність даної системи обгрунтована тим, що в даний час нерухомість займає одну з головних ніш в економіці. Зважаючи на це зручність, швидкість і простота пошуку за допомогою комп'ютеризованої системи, допоможе людині об'єктивно оцінити вартість тієї або іншої нерухомості, без участі ріелтора.

    А так, як нейронні мережі засновані на примітивній біологічній моделі нервових систем, і здатні навчатися, то оцінка нерухомості за допомогою НС виглядає дуже привабливо.

    Ще одним актуальним фактором є, незалежність від ріелтора. У даний момент нерухомість оцінюється — людиною (ріелтором). Ріелтор не завжди може бути об'єктивний у своїй оцінці, і різні об'єкти нерухомості з приблизно однаковими показниками, може оцінювати з різним результатом. Тому доцільно використовувати систему, яка може працювати без втручання зі сторони.

МЕТА І ЗАВДАННЯ РОЗРОБКИ І ДОСЛІДЖЕННЯ

    Метою цього дослідження, є створення автоматизованої системи оцінки нерухомості, за допомогою нейромереж. Відповідно до мети, виділені наступні завдання:

• Визначення кількості факторів, що впливають на оцінку нерухомості
• Збір усіх даних (факторів) по об'єктах нерухомості
• Формалізованість деяких факторів, для їх застосування
• Забезпечення високого оновлення інформації, в силу динамічності ринку нерухомості
• Визначення параметрів нейронної мережі
• Створення програмного продукту

НАУКОВА НОВИЗНА

    У даний момент більшість об'єктів нерухомості оцінюється вручну — людиною. Для підвищення ефективності, швидкості та достовірності оцінки, доцільно використовувати комп'ютерні потужності для виконання даної роботи. Тобто, новизна полягає в тому, що оцінка нерухомості, буде проходити без участі людини. Не буде навмисно завищених цін, можливість впровадити дану систему на Web портал або ж, на інформаційні термінали міста.

5.ПЕРЕГЛЯД ДОСЛІДЖЕНЬ І РОЗРОБОК ПО ТЕМІ

    Даним напрямком займаються в Росії:

    К.К. Борусяк (ФА при Правительстве РФ), И.В. Мунерман (ООО «Институт управления стоимостью»)

    У Великобританії:

    Група дослідників з університету м. Портсмут

ПРОБЛЕМИ, НЕВИРІШЕНИМ ПИТАННЯ ТА ШЛЯХИ ВИРІШЕННЯ

    Хоча нейромережеві моделі є досить ефективними в задачах оцінки, їх побудова пов'язано з двома групами проблем, які необхідно враховувати при передобробки даних. По-перше, на відміну від ряду розвинених країн (наприклад, США, за винятком декількох штатів, в Україні відсутня система обов'язкового публічного розкриття інформації про операції з нерухомістю, при якій сума операції і основні характеристики приміщення, що підлягає продажу або здачі в оренду, надаються у формі анкети у відповідні органи і агрегуються на відкритих веб-сайтах. У зв'язку з цим інформація про операції з нерухомістю вкрай обмежена і не цілком достовірна — навіть у Києві та Донецьку, а тим більше в інших містах України.

    Для вирішення цього завдання можна застосувати кілька методів, що дозволить істотно підвищити якість вихідних даних. Семантичні аналізатори, засновані на регулярних виразах, застосовуються для аналізу текстів оголошень і виявлення в них максимуму інформації, заданої в неформалізованих текстовому вигляді. Набір вирішальних правил дозволив виключити завідомо абсурдні анкети, що містять неправдоподібні поєднання ознак об'єкта нерухомості (наприклад, квартира класу С з земельною ділянкою). Матриці граничних значень, складені на основі емпіричних даних ринку нерухомості та статистичного аналізу викидів, дозволять відсікти оголошення зі свідомо недостовірної цінової інформацією. По-друге, класичні прийоми математичного моделювання економічних процесів найкраще працюють у разі, коли всі залежні фактори є кількісними. У задачі визначення ціни об'єкта нерухомості факторний простір влаштовано значно складніше. Більшість ціноутворюючих факторів є неупорядкованими (наприклад, історія приміщення) або впорядкованими категоріями (стан приміщення — від аварійного до відмінного). Важливу роль грає також розташування об'єкта — географічний фактор, кодування якого представляє собою нетривіальну задачу. Просте використання географічних координат не є рішенням проблеми, тому що координати — не ціноутворюючі фактори. Кількісні фактори (з урахуванням перетворень, які будуть розглянуті нижче) використовуються в моделі в незмінному вигляді. Бінарні фактори задаються змінними-ознаками: для типу операції «продаж» буде обрана за одиницю, а «оренда» — за нуль. Невпорядковані категорії перетворюються в набір бінарних змінних, які відповідають усім рівням, крім базового. Як базовий призначення буде обрана квартира. Перевага нейронних мереж перед моделями множинної регресії полягає в тому, що немає необхідності перетворювати впорядковані категорії в набір бінарних змінних, втрачаючи порядок значень, обумовлений економічними причинами. Оскільки залежності в нейронних мережах нелінійних, достатньо вказати довільні числові значення, монотонно пов'язані з рівнями фактора, наприклад, послідовні цілочисельні значення або усереднені значення ціни в розрізі відповідних категорій. До деяких з факторів будуть застосовані відповідні функціональні перетворення.

    Ціни та площі приміщення будуть прологаріфміровани. Крім того, щоб уникнути поділу вибірки на окремі групи з оренди і з продажу, до орендних ставках буде застосовано коефіцієнт капіталізації 1/r, де r = 12% типове значення валового рентного мультиплікатора. Всі фактори будуть унормовані шляхом вирахування мінімального значення та поділу на розмах варіації.

РОЗРОБКА ОБ'ЄКТНОI МОДЕЛІ

    Для оцінки вартості об'єктів нерухомості розроблені і широко застосовуються три методи — прибутковий, витратний, та порівняльний (з використанням об'єктів-аналогів).

    Прибутковий підхід — сукупність методів оцінки вартості об'єкта, заснованих на визначенні очікуваних доходів від об'єкта оцінки. Головний чинник, що визначає вартість об'єкта - майбутні доходи від його експлуатації протягом строку корисного використання. Гідність - можливість комплексної, системної оцінки, коли потрібно оцінити не окремі об'єкти, а весь операційний майновий комплекс. Недолік - застосування обмежено можливістю безпосереднього визначення чистого доходу від оцінювання об'єкта.

    Витратний підхід - сукупність методів витратних оцінки вартості об'єкта, необхідних для відновлення / заміщення об'єкта, з урахуванням його зносу. Передбачає обов'язкову оцінку можливої і повної собівартості виготовлення об'єкта (та інших витрат виробника і продавця). Переваги - можливість оцінки унікальних об'єктів та облік факторів зносу об'єкта. Недолік - сильна залежність від повноти інформації про передбачений об'єкті.

    Порівняльний підхід — сукупність методів оцінки вартості об'єкта, заснованих на порівнянні оцінюваного об'єкта з аналогічними об'єктами, щодо яких є інформація про ціни угод з ними. Переваги — ефективний при наявності ринку подібних об'єктів, дає уявлення про їх дійсної ринкової вартості. Недолік — сильна залежність від повноти ринкової інформації.

    Входными данными будут такие параметры недвижимости как:

        K — кількість кімнат

        S — загальна площа

        Z — житлова площа

        A — вік будинку

        R — пройшло з моменту капітального ремонту

        G — вартість квадратнорго метра ділянки в районі

    Якщо розглядається будинок то буде ще

        N — включена площа ділянки



    Нечислові дані інших типів можна або перетворити в числову форму, або оголосити незначущих. Значення дат і часу, якщо вони потрібні, можна перетворити в числові, віднімаючи з них початкову дату (час). Позначення грошових сум перетворити зовсім нескладно. З довільними текстовими полями (наприклад, прізвищами людей) працювати не можна і їх потрібно зробити незначущих.

    Використовуючи масив відомостей про вже оцінених об'єктах нерухомості, можна спробувати витягнути цікавить нас залежність.

    Для цього створюється нейронна мережа, в якій кількість вхідних нейронів відповідає кількості вхідних факторів, які, за нашим припущенням, впливають на ціну. У вихідному шарі буде всього один нейрон, відповідний вихідною фактору — ціною.

ПРАКТИЧНЕ ЗНАЧЕННЯ ОТРИМАНИХ РЕЗУЛЬТАТІВ

    Був проведений експеримент, і з'ясувалося що за допомогою даного підходу, можна отримати високі результати, забезпечуючи достовірність оцінки в 73-85% випадках. Даний підхід забезпечує кращі результати, ніж нечітка система оцінки нерухомості FuzzyExtent. Істотні відхилення в оцінці виявлені лише в 2% випадків. А система в цілому, допоможе користувачеві отримати швидку і незалежну від рієлтора оцінку тієї чи іншої нерухомості.

ВИСНОВКИ

    У ході виконання науково-дослідної роботи були проаналізовані дослідження в даній області вчених з Росії і Великобританії. Була розширена область знань про нерухомість і нейронних мережах. Отримано подання про фактори, які можливо застосовувати для оцінки характеристик нерухомості. Розроблено загальну структуру системи з оцінки нерухомості, з застосуванням нейронних мереж.

СПИСОК ЛІТЕРАТУРИ

    1. Журнал «Приборы и системы. Управление, контроль, диагностика»/Применение нейронных сетей для оценки характеристик недвижимости, Пителинский К.В., Тюркин А.А., 2008г

    2. Нейронные сети: Учебное пособие, Беркинблит М.Б. — М.: МИРОС и ВЗМШ РАО, 1993. — 96 с: ил.

    3. Обучение нейронных сетей, Горбань А.Н., : СП «Параграф», 1990.- 154с.

    4. Особенности нейросетевого моделирования в задаче массовой оценки муниципальной недвижимости г. Москвы, К.К. Борусяк, И.В. Мунерман «Институт управления стоимостью»

    5. Основные концепции нейронных сетей, Каллан Роберт: Пер. с англ. – М.: Издательский дом «Вильямс», 2001 – с.:ил – Парал. тит. англ.

    6. Организация и использование нейронных сетей (методы и технологии) Аксенов С.В., Новосельцев В.Б./Под общ. ред.В.Б. Новосельцева. – Томск: Изд-во НТЛ, 2006. – 128 с.

    7. Информационно образовательный ресурс кафедры «Информационные технологии»/Финансовая академия при Правительстве Российской федерации.
[Электронный ресурс] — Режим доступа: http://fakit.narod.ru/ai.mht

    8. Электронный учебник по статистике. StatSoft, Inc. (2001). Москва, StatSoft.
[Электронный ресурс] — Режим доступа: http://www.statsoft.ru/home/textbook/default.htm раздел нейронные сети

    9. Информационно познавательный журнал «Виктория», тема «Нейросети в задачах отображения»
[Электронный ресурс] — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme8_rus.htm

    При написанні даного автореферату магістерська робота ще не завершена. Дата остаточного завершення роботи: 1 грудня 2010 Повний текст роботи та матеріали по темі можуть бути отримані у автора або його наукового керівника після зазначеної дати.