Автор: Demetris Demetriou
Автор перевода: Буслова А. В.
Источник: Международная конференция по картографии и ГИС, 13-17 июня 2016 года, Албена, Болгария
ISSN: 1314-0604, ред. Бандрова Т., Конецны М.
Консолидация земель (Pasakarnis and Maliene, 2010) является устоявшимся многоцелевым подходом к управлению земельными ресурсами и планированию, который традиционно направлен на устойчивое развитие сельских районов (ФАО, 2003a) с акцентом на эффективность сельского хозяйства. Он широко применяется в странах ЕС и в нескольких других странах мира (например, в Азии и Африке). Процесс включает в себя реконфигурирование пространства путем перераспределения земель, как с точки зрения владения землей, так и границ земельных участков для устранения фрагментации земли (Van Dijk, 2003). Кроме того, он обеспечивает необходимую инфраструктуру для развития сельских районов, то есть дорожные и ирригационные сети в случае сельскохозяйственных проектов. Перераспределение земель (Demetriou et al., 2012) является основной частью такой схемы, которая направлена на определение эффективности сельского хозяйства, затрат на инфраструктуру, воздействия на окружающую среду и предпочтений землевладельцев. Перераспределение земли основано на стоимости земли, потому что каждый землевладелец должен после консолидации земли получить земельный участок, примерно равный стоимости земли с его ее первоначальной собственностью. Если это значение превышает первоначальное значение, то землевладелец должен оплатить дополнительные расходы в Land Consolidation Corporation и наоборот. Таким образом, стоимость земли является важнейшим показателем консолидации земель (FAO, 2003b), и, следовательно, она должна представлять собой надежную, точную и справедливую меру, чтобы повысить приемлемость плана перераспределения земли для землевладельцев. Это значение может быть рыночной или агрономической. В отличие от других стран, рыночная стоимость используется на Кипре, потому что сельские земли привлекательны как для фермеров, так и для не фермеров с разных точек зрения развития.
На Кипре оценка земли – это процесс массовой оценки, осуществляемый вручную и эмпирически Комитетом по оценке земли из пяти человек (LVC). Он направлен на то, чтобы назначить рыночную стоимость каждого земельного участка и его содержимого, то есть усадьбы, колодцев и т. д. С помощью метода сравнения продаж, который основан на сравнении с аналогичными операциями продажи, которые имели место в соответствующей области. Деметриу 2016 показал, что эта ручная текущая процедура имеет некоторые недостатки. В частности, сравнение характеристик земельных участков в основном является результатом эмпирического анализа и субъективного суждения человека, что означает потенциальное наличие несоответствий между оценщиками, аналогичными земельными участками и субрегионами исследуемой территории, и это не является результатом надежного стандартизированного анализа с использованием соответствующих инструментов, таких как ГИС. В результате этот процесс не является полностью прозрачным и может привести к несправедливости и предвзятости в отношении землевладельцев. Основываясь на этом обосновании, ФАО (2002) подчеркивает, что наиболее важным элементом оценки земли является не сам метод, а метод анализа, используемый для оценки показателей факторов оценки. Другими словами, если анализ является надежным и точным (например, с помощью пространственного анализа ГИС), он положительно повлияет на результаты независимо от используемого метода оценки. Кроме того, этот процесс не является систематическим, поскольку он не включает стандартный набор четко определенных шагов для достижения результата и не основан на признании международных или национальных стандартов. Кроме того, неизбежно, что текущий процесс занимает много времени, а следовательно, дорогостоящий, потому что он выполняется вручную, и LVC физически проверяет посылку за посылкой, которая может насчитывать несколько сотен или более тысячи для некоторых областей исследования, предполагая, что процесс может занять несколько недель. Хотя отмеченные проблемы встречаются и в других странах, и они признаются специалистами по консолидации земель, существующая исследовательская работа по устранению этих недостатков очень редка (например, Yomralioglu et al., 2007) и сосредоточена на схемах консолидации городских земель, где стоимость земли представлена не денежными терминами. Точно так же, хотя существует огромное количество литературы о недвижимости для жилых объектов (дома, квартиры и городские участки), она очень ограничена тем, что фокусируется на сельскохозяйственных землях (например, Bastian et al., 2002; Madureira et al., 2007; Martinelli, 2014).
Для устранения отмеченных недостатков Деметриу (2016a) предложил основанную на ГИС новую систему оценки земли в схемах консолидации земель с использованием моделей автоматической оценки (AVM). AVM (Downie and Robson, 2007; Schulz et al., 2013) – это математические компьютерные программы, используемые для массовой оценки (например, Kilpatrick, 2011; IAAO, 2013a), которые способны оценивать рыночную стоимость различных типов объектов недвижимости на основе по анализу рынка и атрибутов свойств (IAAO, 2003). Основным процессом при разработке AVM является калибровка, которая включает в себя тестирование структуры модели и оценку переменных коэффициентов параметров до тех пор, пока показатели производительности статистической модели не станут приемлемыми. Калибровка выполняется с использованием статистических методов, таких как множественный регрессионный анализ (MRA) (который является наиболее традиционным), а также более новых методов, таких как искусственные нейронные сети (ANN) (например, Warzala et al., 1995; Nguyen, и Cripps)., 2001; Kontrimas and Verikas, 2011) или другие методы (например, процедура адаптивной оценки и анализ временных рядов) (IAAO, 2003). Указанные рамки были применены в области консолидации земельных участков на Кипре путем разработки и оценки трех различных методов калибровки: линейной и нелинейной модели гедонической цены (Demetriou, 2016b) и модели ANN (Demetriou, 2016c), все в сочетании с ГИС. Результаты показали, что АВМ являются высокоэффективными по сравнению с традиционным методом оценки земли, так как это может значительно сократить время и ресурсы, используемые и обеспечить лучшую надежность и прозрачность процесса.
В свете вышесказанного, этот документ имеет целью кратко представить предлагаемую новую структуру, три модели, используемые для применения этой структуры, и сравнить их результаты. Таким образом, структура остальной части документа включает в себя раздел 2, в котором кратко описывается предлагаемая новая схема оценки стоимости земли, а затем приводится план области исследования конкретного случая. После приводится справка, касающаяся AVM и используемых методов калибровки, а затем в разделе 5 сообщается о результатах, уделяя особое внимание показателям тестирования и обеспечения качества для трех моделей. В конце концов, выводы суммированы в разделе 6.
Предложенная Деметриу (2016a) новая схема оценки земли показана на рисунке. Весь процесс основан на использовании ГИС. В частности, основные входные данные включают транзакции продаж для районов консолидации земель и факторы оценки земли, которые могут быть представлены непрерывными и категориальными картами. Данные о продажах и факторах могут управляться и изучаться с использованием соответствующих функций, доступных в ГИС, например инструменты пространственного анализа. Оба данных могут быть использованы для определения репрезентативной выборки земельных участков, которые будут вручную оцениваться LVC (например, 10-20% населения участков), с тем чтобы обеспечить АВМ для прогнозирования стоимости земли остальных участков заинтересованная область исследования. Является ли размер выборки адекватным или нет, будет показано в следующей оценке модели. AVM могут включать в себя различные основные типы методов моделирования оценки стоимости земли, используемые в недвижимости, такие как линейная, нелинейная регрессия и искусственные нейронные сети (ANN), которые используются в этом исследовании. Как только тип AVM определен, следует три основных этапа моделирования, то есть спецификация модели, калибровка и оценка (IAAO, 2013b). В частности, спецификация модели включает определение типа модели, который отражает метод оценки, то есть подход сравнения продаж (в случае консолидации земель на Кипре), который по сути преобразуется в аддитивную математическую формулу (гедонистическое моделирование цен) (IAAO, 2003). Спецификация также охватывает выбор независимых переменных, которые будут включены в модель в качестве предикторов рыночной стоимости (зависимая переменная). Обе задачи очень важны для разработки эффективной и точной модели. Калибровка – это процесс тестирования структуры модели для оценки коэффициентов коэффициента с использованием другого набора данных, используемого при оценке. Калибровка выполняется с использованием статистического метода, уже выбранного на шаге AVM. На практике спецификация и калибровка являются обычным итеративным процессом до тех пор, пока показатели производительности статистической модели не станут приемлемыми.
После спецификации и калибровки предоставляется выход модели и проводится оценка модели. Оценка, т. е. тестирование модели и обеспечение качества, включает в себя тестирование производительности модели с образцом свойства (так называемым несоответствующим образцом), который ранее не использовался при калибровке модели, чтобы убедиться, что она соответствует приемлемым стандартам точности и надежности перед ее развертыванием. Этот процесс включает в себя различные статистические диагностические тесты, такие как анализ поисковых данных, например, выявление выбросов, тесты нормального распределения и исследования отношений (Sipan et al., 2012), которые различными способами сравнивают фактические значения с прогнозируемыми значениями модели. Соотношение исследований признается как мощные инструменты для оценки эффективности АВМ на основе международных стандартов, предоставленных Международной ассоциацией оценщиков (IAAO, 2013b). Если оценка модели дает приемлемые результаты, то может быть подготовлена карта оценки земли, основанная на классификации стоимости земли и соответствующем каталоге (с информацией о владении и землевладельце). После этого оба подлежат утверждению LVC в соответствии с законодательством и могут впоследствии перейти к публикации. С другой стороны, если оценка модели неприемлема, необходимо либо увеличить размер выборки, либо попробовать другой тип модели или спецификацию модели.
Исследование, посвященное конкретному участку в области консолидации земель, находится в деревне Хирокития, которая административно принадлежит округу Ларнака. Район консолидации земель расположен к северо-западу от населенного пункта в низменности с небольшим количеством холмов и входит в сельскохозяйственную зону, охватывающую 266 га с 488 участками земли. Землепользование в этом районе в основном цитрусовые, маслины, различные фруктовые деревья и злаки. Большинство земельных участков сухие, в то время как другие имеют орошение через отдельные скважины или из водохранилища, соединенного через сеть. LVC завершил оценку земли в исследуемом районе в феврале 2009 года. Самая низкая стоимость была определена в 2000 евро, а самая высокая - 35000 евро за декар (1000 м2). Вся информация, касающаяся оценки земли, была сохранена в ArcGIS, и для каждого земельного участка была оценена (с использованием обычных функций ГИС или программных процедур) балл, представляющий четырнадцать факторов оценки земли, классифицированных по четырем категориям: физические атрибуты, характеристики местоположения, экономические условия правовые факторы. В частности, физические характеристики включают: размер (в квадратных метрах), форму (измеренную с использованием индекса формы участка PSI, разработанного Demetriou et al., 2013), средний уклон (в процентах), среднее превышение уровня моря (в метрах) , аспект (измеряется по часовой стрелке в градусах), наличие потока (да или нет) и тип почвы (который включает в себя два геологических типа A и B). «A» обозначает скелетно-кальциевый-REGOSOLS/кальцино-литико-LEPTOSOLS, а «B» обозначает кальцино-CAMBISOLS/кальцино-REGOSOLS. Локальные характеристики включают в себя: доступ по зарегистрированной дороге (да или нет), доступ по зарегистрированному маршруту (да или нет), расстояние от жилых зон (в метрах), расстояние от главной дороги (в метрах) и наличие вид на море (да или нет). Экономические условия включают в себя один фактор, то есть землепользование / производительность для сельскохозяйственного экономического потенциала участка, отраженного в ожидаемом чистом доходе на декар для различных культур. Правовые факторы включают также только один фактор, а именно, наличие прав на полив для посылки.
AVM – это математические компьютерные программы, используемые в сфере недвижимости, которые способны оценивать рыночную стоимость различных типов объектов недвижимости на основе анализа рынка определенной области и характеристик определенной группы объектов (IAAO, 2003). AVM, которые могут включать в себя различные методологии статистического и математического моделирования, используются частным сектором для автоматической оценки изолированного имущества для различных целей (например, введение налогов на имущество правительствами, финансирование ипотечного кредитования банками и оценки страхования), и они применяются в ограниченное количество стран. В частности, AVM хорошо известны в Австралии, Канаде, Швеции и США (Дауни и Робсон, 2007) и развиваются в некоторых других странах (например, в Великобритании и Южной Африке). Кроме того, AVM, по сути, являются частью более широких систем, называемых компьютеризованной массовой оценкой (CAMA) (Eckert, 2006; Gallagher et al., 2006), которые используются для автоматической массовой оценки государственными органами в нескольких странах, включая Кипр (Pashoulis, 2011). ). Хотя преимущества АВМ по сравнению с традиционным процессом оценки земли очевидны с точки зрения последовательности, объективности, снижения затрат и ускорения сроков доставки (IAAO, 2003), важными аспектами являются: насколько надежны, точны и рентабельны результаты и потребность в обновленных и точных данных. Кроме того, существует неопределенность в отношении результатов AVM в случае особых социально-экономических условий в стране, таких как рецессия и финансовый кризис, которые в настоящее время произошли в нескольких странах. Таким образом, для процесса разработки АВМ были определены стандарты и спецификации со стороны IAAO (2003). Основным процессом при разработке AVM является калибровка, которая в этом исследовании проводится тремя методами, а именно линейным и нелинейным MRA и ANN, которые описаны ниже. Все три модели были разработаны в рамках программного обеспечения IBM SPSS21.
Линейный множественный регрессионный анализ (MRA) (или моделирование гедонической регрессии) является самой старой статистической методологией калибровки, которая использовалась для оценки значений свойств (Smith, 1971), которая очень популярна до сих пор (Milla et al., 2005; Eckert, 2006; Schulz и др., 2013). Хорошо известно, что MRA включает в себя оценки взаимосвязи между зависимой переменной (Y) и одной или несколькими независимыми переменными (X) и неизвестными параметрами, обозначенными как ?, которые могут представлять скаляр или вектор, а именно, выраженные как функция Y?f (X, ?). В этом исследовании зависимой переменной является стоимость земли (в евро за декар), а независимые переменные, оставшиеся в окончательной модели (среди четырнадцати, отмеченных ранее): доступ по зарегистрированной дороге, размер, уклон, доступ по зарегистрированному пути, наличие прав на полив и удаленность от жилой зоны. При подборе линии регрессии для проверки гипотезы требуются четыре основных предположения (Norusis, 2005): нормальность распределения каждого значения независимых переменных по отношению к значениям зависимой переменной, постоянная дисперсия (или гомоскедастичность) между зависимой переменной и всеми значения независимых переменных, независимость наблюдений и линейность отношений между зависимой переменной и всеми независимыми переменными. Проверка удовлетворенности этими допущениями важна, поскольку многие регрессионные тесты с такими значительными уровнями, доверительными интервалами и другими чувствительны к определенным типам нарушений. Все четыре предположения могут быть проверены путем изучения остатков и были соблюдены этой моделью.
Чтобы улучшить процесс MRA, были использованы новые инструменты и методы, в основном из области ГИС, для вовлечения в процесс компонента пространственного анализа. В частности, попытки использовать ГИС в оценках, по-видимому, начались с бума ГИС, то есть в начале 1990 года (например, Хиггс и др., 1992; Лонгли и др., 1994; Уайетт, 1997; Зенг и Чжоу, 2001 ; Sipan et al., 2012). Более того, ГИС облегчает рассмотрение новых концепций, таких как пространственная автокорреляция и пространственная неоднородность (Jahanshiri et al., 2011), которые не могут быть включены в традиционный метод MRA. Поэтому возникли модифицированные версии MRA для интеграции пространственных данных, такие как: модель пространственной задержки (SLM), модель пространственной ошибки (SEM), общая пространственная модель (GSM), пространственная модель Дурбина (SDM), пространственная гедоническая модель и Географически взвешенная регрессия (GWR) (Wang and Ready, 2005; Jahanshiri et al., 2011).
В отличие от линейных функций, нелинейная регрессия может оценивать модели с произвольными отношениями между независимыми и зависимыми переменными, используя алгоритмы итеративной оценки. В результате процесс является более сложным, чем линейное MRA, и если начальные значения независимых параметров являются плохими, то алгоритм может не сходиться или он может сходиться по локальному оптимуму. Другим недостатком является то, что методы выбора переменных невозможны с нелинейными функциями, и, следовательно, для нахождения наилучшего соответствия требуется множество испытаний. Поэтому в нашем случае были предприняты попытки использования различных форм нелинейных функций, и было обнаружено, что наилучшее соответствие обеспечивается простой экспоненциальной формой линейной модели. Простая форма экспоненциальной функции почти исключительно используется в качестве ярлыка для естественной экспоненциальной функции ex, где e - это число Эйлера, так что функция является собственной производной. Экспоненциальная функция используется для моделирования отношения, в котором постоянное изменение независимой переменной дает такое же пропорциональное изменение зависимой переменной. Независимые переменные, используемые в окончательной модели, являются теми, которые используются в линейной модели.
В дополнение к методам, основанным на регрессии, использование методов AI для оценки началось после 1990 года. В частности, ANN (Fausett, 1994) были наиболее широко используемым методом AI для оценки в этот период (например, Kathmann, 1993; Garcia et al. , 2008; Kontrimas and Verikas, 2011) как альтернатива модели MRA. ANN пытаются свободно имитировать функционирование способа, которым клетки человеческого мозга или естественные нейроны производят определенную активность, как реакцию на входные данные от других клеток мозга или органов чувств и способ, которым выходные данные могут передаваться через другие нейроны (Kathmann, 1993). Технически говоря, ANN это нетрадиционные компьютерные программы, которые обычно организованы в три слоя, то есть входной, скрытый и выходной слои. Слои состоят из нескольких взаимосвязанных «узлов», которые содержат функцию активации. Шаблоны представляются в сеть через входной слой (который состоит из независимых переменных, отмеченных в прямоугольниках), который связывается с одним или несколькими «скрытыми слоями», где фактическая обработка выполняется через систему взвешенных соединений. Затем скрытые слои связываются с выходным слоем, который обеспечивает прогнозируемую стоимость земли. ANN содержат некоторую форму «правила обучения», которое изменяет вес соединений (отмечен в скобках) в соответствии с шаблонами ввода, которые итеративно изменяются. По сути, ANN учатся на собственном примере, поскольку они снабжают новой информацией, и обрабатывают ее на основе предыдущих обучающих примеров.
После разработки трех АВМ последний этап включает их оценку. Этот процесс включает в себя тестирование модели и обеспечение качества, которое проводится с использованием исследований отношения и включает четыре основных показателя: (i) уровень оценки (среднее, медианное, взвешенное среднее), представляющий точность (ii) изменчивость-однородность (коэффициент дисперсии), отражая последовательность (iii) надежность (доверительный интервал) и (iv) вертикальные неравенства (PRD, связанные с ценой, PRB, связанные с ценой), также отражающие как точность, так и согласованность. Все приемлемые числовые пределы вышеуказанных показателей, которые указаны ниже, определяются международными стандартами (IAAO, 2013b) в зависимости от типа объекта. В частности, уровень оценки измеряет, насколько близки прогнозируемые значения к реальным рыночным значениям, используя базовые метрики центральной тенденции. Хотя в идеале идеальный уровень оценки для любой метрики составляет 1,0, уровень оценки от 0,90 до 1,10 считается приемлемым для любого типа имущества. Эти показатели представляют собой точечные оценки, отражающие уровень оценки; следовательно, они должны быть объединены с доверительными интервалами, обеспечивающими показатели выборочной статистики. Точно так же однородность изменчивости количественно определяет дисперсию отношений, следовательно, чем меньше показатель, тем лучше, но чрезвычайно низкие показатели могут быть из-за плохой калибровки в результате погони за продажами или нерепрезентативной выборки. Согласно стандартам, допустимый диапазон ХПК для свободных земель (выбранных потому, что это ближайшая категория к сельскохозяйственным землям, не включенным в список) находится в пределах 5,0-25,0.
Третья мера, то есть надежность, которая представлена ??доверительными интервалами, отражает степень достоверности, которую можно поместить в оценочную статистику для выборки оцененных свойств. В частности, верхний и нижний пределы определенной меры центральной тенденции составляют 0,9-1,0 для доверительного интервала 95% для любого вида имущества. Мера дисперсии, т. Е. ХПК, является «горизонтальной» метрикой, независимо от значения отдельных свойств. Напротив, вертикальные неравенства свидетельствуют о точности оцениваемых индивидуальных свойств. Индекс для измерения вертикального неравенства называется ценовым дифференциалом (PRD), который рассчитывается путем деления среднего отношения на средневзвешенное соотношение, и оно должно быть между 0,98 и 1,03. Показатели, значительно превышающие 1,0, показывают регрессивность, т.е. оцениваются свойства с низким значением с большей рыночной стоимостью в процентах, чем дорогостоящие объекты недвижимости; показатели, значительно ниже 1,0 предполагают прогрессивность, то есть свойства с низкой стоимостью оцениваются при меньших процентах рыночной стоимости, чем свойства с высокой стоимостью. Кроме того, IAAO (2013b) предлагает также провести статистический тест для смещения, связанного с ценой (PRB), поскольку он обеспечивает более значимый и легко интерпретируемый индекс, чем PRD. Когда оценки PRB с доверительным интервалом 95% выходят за пределы диапазона от -0,10 до +0,10, указывают на недопустимые вертикальные неравенства. В дополнение к вышеупомянутым метрикам, включенным в стандарты исследования отношений, они также использовали среднеквадратическую ошибку (RMSE) и среднюю абсолютную процентную ошибку (MAPE), которые широко используются (Ahn et al., 2012; Schulz et al. ., 2013). Первое измеряет расхождения между прогнозируемыми значениями и фактическими наблюдениями, а второе измеряет масштабированные расхождения. Кроме того, он использовался при оценке ошибки прогнозирования (FE), представленной Nguyen и Cripps (2001), которая измеряет, сколько земельных участков от всего населения было назначено прогнозируемой стоимости, которая отличается от рыночной стоимости, меньше чем определенный процент (например, 10-20%).
Детальный анализ и обсуждение результатов линейных и нелинейных моделей и ИНС предоставлены Деметриу (2016b и 2016c), соответственно. Модели запускались с использованием трех различных стратифицированных выборок из 10%, 15% и 20% населения земельных участков, включенных в исследуемую область. Обе работы показали, что 15-процентная выборка является наиболее эффективной, поскольку она дает значительно лучшие результаты, чем 10-процентная выборка, и очень похожа на результаты с 20-процентной выборкой с гораздо меньшими усилиями. Таким образом, показатели качества для трех моделей для 15% выборки. Результаты показывают, что все статистические данные об уровне оценки, то есть три основных показателя центральной тенденции: среднее, медианное и взвешенное среднее для всех моделей, находятся в пределах приемлемых стандартов (то есть между 0,9 и 1,10), показывая, что прогнозируемые значения земельных участков довольно близки к значениям, определенным LVC. Наилучший уровень оценки был получен в модели ANN со значением, очень близким к 1,0 в то время как линейные и нелинейные модели демонстрируют очень похожие значения, несколько более высокие, чем в ANN. Более значимым показателем является оценка уровней оценки на основе 95% доверительного интервала, чтобы определить, можно ли сделать разумный вывод о том, что они отличаются от установленных стандартов эффективности в конкретном случае. Таким образом, на основе рассчитанных баллов, которые попадают в диапазон 0,9-1,10 для всех трех моделей, был выполнен соответствующий стандарт, свидетельствующий о достоверности данных.
Кроме того, коэффициент дисперсии ХПК лучше всего подходит для ИНС, за которой следует нелинейная модель и немного увеличенная в линейной модели. Примечательно, что все показатели очень далеки от максимально допустимого значения, т. е. 25. Кроме того, связанный с ценой дифференциальный PRD одинаков для всех трех моделей, который близок к лучшему, то есть 1,0, и находится в допустимом диапазоне 0,98-1,03, хотя ближе к максимальному пределу. Это потенциально демонстрирует небольшую регрессивную тенденцию, то есть свойства с низкой стоимостью оцениваются по более высокой рыночной стоимости в процентах, чем свойства с высокой стоимостью. Точно так же оценочная цена, связанная с отклонением PRB, составляет около -0,08 для всех моделей, то есть в приемлемых пределах, т. е. от 0,10 до 0,10, показывая тенденцию к нижней границе. Таким образом, PRB показывает, что для 95% доверительного интервала уровни оценки не изменяются более чем на 10%, когда значения уменьшаются вдвое или вдвое. Кроме того, RMSE и MAPE являются лучшими для модели ANN, за которой следует нелинейная, а затем линейная модель с разницей между лучшим и худшим из 5-10%. Максимальный FE для 10%, т. е. разница между прогнозируемыми и истинными значениями составляет менее 10% для 59% земельных участков, что является результатом как нелинейных, так и ANN моделей с очень близким результатом линейной модели (около 57%). Аналогичным образом, для примерно 90% прогнозов разница с фактическими значениями составляет менее 20%, что является приемлемой неточностью для целей консолидации земель. Исходя из того факта, что требуемая выборка для достижения вышеуказанных точных и надежных результатов составляет 15% (т. е. 73 земельных участка из 488 всей исследуемой территории), LVC может предоставить эту выборку примерно за 5 дней по сравнению с 25 рабочими днями оценка всей земли с точки зрения посещений участков, предполагающая экономию времени и затрат около 80%, при условии, что время обработки данных примерно одинаково в обоих случаях.
В дополнение к этой экономии времени и затрат качество оценки земли улучшается, поскольку AVM включает в себя четырнадцать факторов оценки земли по сравнению с LVC, который учитывает около шести факторов, что предполагает более комплексное рассмотрение вовлеченных аспектов. Интересно также отметить, что наиболее важными факторами (основанными на уровнях значимости) для каждой модели (в каждом случае немного различного порядка) являются: расстояние от жилых зон, уклон, размер, доступ по зарегистрированной дороге, доступ через путь, доступность орошения и другие факторы. Кроме того, точное вычисление переменных баллов с помощью пространственного анализа и сравнения с помощью процесса моделирования указывает на последовательность, которую было бы трудно достичь с помощью LVC с использованием традиционного метода. Кроме того, надежность результатов, которая проверяется с помощью международных стандартов, и возможность аналитического объяснения результатов с помощью этого стандартизированного процесса моделирования обеспечивает прозрачность, которая требуется для таких процессов планирования.
Этот документ показал, что AVM, представленные в этом исследовании, значительно более эффективны с точки зрения времени, затрат, надежности, согласованности и прозрачности по сравнению с традиционным эмпирическим процессом, которому следует LVC. Поэтому органам власти, участвующим в схемах консолидации земель, следует рассмотреть вопрос о внедрении АВМ в сочетании с принятием международных стандартов оценки и включить их в соответствующие законодательные акты и практику. Кроме того, сочетание и даже полная интеграция этих методов в ГИС в настоящее время является распространенной наилучшей практикой для оценки земли. С точки зрения производительности, метод ANN ранжировался лучше всего, за ним следовала нелинейная модель, а затем немного хуже линейная модель.
Вклад этого исследования является научным и практическим. Что касается первого, то оно расширяет знания о важной и все еще очень ограниченной области исследований, то есть оценке земель сельскохозяйственной земли для популярного и широко внедренного в планировании ЕС подхода, то есть консолидации земель. Что касается последнего, модели могут иметь практическую полную реализацию на Кипре и в других странах, которые используют рыночную стоимость при перераспределении земли. В частности, модели очень своевременны, потому что текущий финансовый кризис быстро изменил стоимость земли, поэтому требуется пересмотр стоимости земли для нескольких схем консолидации земли. Кроме того, модели могут оказать значительное влияние на принятие плана консолидации земель землевладельцами, поскольку эмпирический процесс был преобразован в системную, аналитическую и прозрачную операцию.