Нейро-нечеткие модели и инструменты для регионального управления объектами коммерческой недвижимости

На правах рукописи

Нейро-нечеткие модели и инструменты для регионального управления объектами коммерческой недвижимости

Специальность:

Автореферат

диссертации на соискание ученой степени

кандидата экономических наук

Москва - 2011

Работа выполнена в Российском государственном университете нефти и газа имени

Научный руководитель: доктор экономических наук, профессор

Официальные оппоненты: доктор экономических наук, профессор

кандидат экономических наук, доцент

Ведущая организация: Российский химико-технологический

университет им.

Защита состоится « 5 » сентября 2011 г. в 12:00 часов на заседании диссертационного совета Д 212.157.18 при ГОУВПО «Московский энергетический институт (технический университет)» , ауд. Ж-200.

Отзыв на автореферат (в двух экземплярах, заверенных печатью) просим присылать , Ученый совет МЭИ

С диссертацией можно ознакомиться в библиотеке МЭИ.

Автореферат разослан «__» июля 2011 г.

Ученый секретарь

диссертационного совета Д 212.157.18,

к. э.н., доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. В настоящее время использование объектов недвижимости, находящейся в собственности субъектов Российской Федерации, является важнейшим инструментом реализации стратегических и оперативных программ социально - экономического развития регионов. В первую очередь это касается городов-мегаполисов, в которых использование коммерческой недвижимости обеспечивает существенные поступления в региональные и муниципальные бюджеты. Например, г. Москва является собственником 230 тыс. объектов недвижимости нежилого назначения, в том числе 70 тыс. зданий и помещений общей площадью около 46,4 млн. кв. м. Однако в аренду предоставляется менее 30% муниципальной коммерческой собственности, при этом в 2010 году поступления в городской бюджет составили порядка 12,1 млрд. руб.

Стоит отметить, что отечественный рынок нежилой недвижимости обладает высоким потенциалом как с позиции спроса, так и предложения. По показателю обеспеченности коммерческой недвижимостью российские города уступают западным в 3-5 раз. Высокая востребованность и доходность коммерческой недвижимости делают ее привлекательной как для отечественных, так и для иностранных инвесторов. Таким образом, изучение территориального рынка недвижимости является эффективным инструментом исследования инвестиционных рисков при реализации девелоперских проектов в данном регионе.

Проблемы управления нежилой недвижимостью рассмотрены в трудах таких отечественных и зарубежных ученых, как , , , , Руднев A. B., , , Щербакова H. A., Эккерт Дж. К. и других.

В диссертациях , , показано, что коммерческий сегмент, как и рынок недвижимости в целом, отличается высокой рискованностью и непредсказуемостью. На его состояние оказывают влияние такие факторы, как динамика валового регионального продукта, уровень доходов населения и интенсивность потребления, деловая активность и инвестиционный климат в регионе.

Одним из основных этапов процесса принятия решений по региональному управлению коммерческой недвижимостью является оценки ее рыночной стоимости, которая позволяет установить реальную стоимостную базу объектов в следующих целях:

1)  приобретения в региональную собственность, продажи или сдачи в аренду;

2)  внесения объектов недвижимости в уставной капитал государственно-частных компаний;

3)  определения кредитоспособности клиента при принятии решения о государственной поддержке при выдаче кредита, займа или субсидии из регионального бюджета;

4)  банкротства, ликвидации, реорганизации предприятий, имеющих задолженности перед бюджетом.

Отдельные теоретические и методические аспекты оценки стоимости недвижимости рассмотрены в трудах , , Коркиной B. C., , , , Фридмана Дж.,

В диссертационных работах , , , , показано, что оценка коммерческой недвижимости отличается от оценки иных видов недвижимости. Так, в современных условиях необходимо учитывать большое количество как количественных, так и качественных факторов, влияющих на способность объектов недвижимого имущества приносить доход: местоположение, состояние, качество, функциональное назначение объекта; наличие и качество инфраструктуры и ее состояние, транспортная доступность и другие. Сложности оценки влияния данных факторов также связаны как с непрозрачностью рынка и недостатком статистической информации, так и с коротким сроком существования российского рынка коммерческой недвижимости.

Для решения указанных проблем могут использоваться методы интеллектуального анализа данных, которые позволяют искать неочевидные взаимосвязи и выявлять неизвестные закономерности, что дает возможность формировать на основе накопленной информации нетривиальные решения для повышения эффективности управления объектами недвижимости.

Вопросам применения интеллектуальных методов анализа для решения экономических задач посвящены труды , А, , Бэстенса Д-Э., Ван Ден -М., ,

В то же время в указанных работах не рассмотрен ряд проблем методического и прикладного характера в области комплексирования результатов применения различных методов искусственного интеллекта с целью получения высокоточных оценок. Кроме того, встает необходимость разработки подходов к актуализации полученных значений, что обуславливается спецификой отечественного рынка коммерческой недвижимости, функционирующего в условиях экономической нестабильности, а также учетом возможности возникновения рисков.

Вышесказанное определяет актуальность научной задачи разработки инструментов для регионального управления коммерческой недвижимостью, основанных на применении нейро-нечетких моделей проведения массовой оценки рыночной стоимости объектов и стратегий ее актуализации, имеющей существенное значение теории и методологии экономико-математического моделирования функционирования рынка недвижимости, а также для совершенствования методов искусственного интеллекта при выработке управленческих решений.

Цель исследования заключается в разработке экономико-математических моделей проведения массовой оценки рыночной стоимости объектов коммерческой недвижимости, основанных на использовании методов интеллектуального анализа данных и статистических методов оценки качества построенных моделей, инструментальных средств реализации комплексной интеллектуальной модели, интегрированных с геоинформационной системой, а также процедур их практического использования и актуализации.

Для реализации этой цели были поставлены и решены следующие основные задачи исследования.

1.  Анализ современных подходов к управлению государственной и муниципальной собственностью.

2.  Анализ современного математического аппарата и программных средств для оценки рыночной стоимости объектов недвижимости.

3.  Разработка подходов к построению математических моделей оценки коммерческой недвижимостью при решении различных классов задач управления, а также матрицы выбора рационального варианта построения нейро-сетевой модели.

4.  Разработка комплексной интеллектуальной модели для оценки рыночной стоимости объектов коммерческой недвижимости, состоящей из частных нейро-сетевых моделей.

5.  Разработка системы показателей для оценки качества моделей массовой оценки рыночной стоимости объектов коммерческой недвижимости, а также методических рекомендаций по ее актуализации и перекалибровке.

6.  Разработка информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, реализующей предложенные модели интеллектуального анализа информации.

7.  Разработка методика организации процесса массовой оценки объектов недвижимости, а также процедуры оценки экономической эффективности инвестиционных проектов по управлению коммерческой недвижимостью.

8.  Практическое применение предложенных инструментов регионального управления объектами коммерческой недвижимости в -коммерческая дирекция» () и Департаменте имущества г. Москвы (ДИгМ).

Объектом исследования являются объекты коммерческой недвижимости Российской Федерации.

Предметом исследования являются применения математических и инструментальных методов экономики для управления объектами коммерческой недвижимости.

Теоретической и методологической базой исследования являются системный подход к анализу экономических явлений и процессов, математические и инструментальные методы экономики, методы управления коммерческой недвижимостью, теория проектирования сложных информационных систем, методы искусственного интеллекта и принятия решений, научные положения и выводы, сформулированные в трудах отечественных и зарубежных ученых по математическому моделированию экономических объектов и процессов, а также по вопросам разработки и внедрения информационных технологий.

Информационной базой исследования являются данные Росстата, государственные стандарты, законодательные и нормативно-правовые акты РФ, связанные с тематикой диссертации, а также отчетные данные о результатах работы -коммерческая дирекция» и Департамента имущества г. Москвы.

Наиболее существенные научные результаты, полученные лично автором, заключаются в следующем:

1.  На основе результатов анализа современных подходов к управлению государственной и муниципальной собственностью, а также математических методов и инструментальных средств, используемых при проведении массовой оценки рыночной стоимости объектов нежилого фонда, выделены классы задач управления коммерческой недвижимостью и соответствующие их подходы к построению математических моделей на этапе ее оценки, разработана матрица выбора рационального варианта построения нейро-сетевой модели, которая отличается учетом выделенных классов задач управления и характеристик анализируемых информационных потоков о состоянии регионального рынка недвижимости и позволяет получать более точные и устойчивые оценочные результаты.

2.  Разработана комплексная интеллектуальная модель для оценки стоимости объектов недвижимости, находящейся в собственности Субъектов РФ, которая, в отличие от известных, включает нейро-сетевую подмодель для решения задач классификации, кластеризации и прогнозирования тенденций на региональном рынке недвижимости и нечетко-продукционную подмодель для определения степени применимости составляющих нейро-сетевой подмодели в зависимости от показателей имеющегося массива статистической информации, что обеспечивает агрегирование результатов применения частных нейро-сетевых моделей.

3.  Разработана система показателей для оценки качества моделей массовой оценки рыночной стоимости объектов коммерческой недвижимости, которая в отличие от известных позволяет с учетом особенностей процедур оценки недвижимости (в том числе, закрепленных законодательно) определять такие характеристики, как точность, устойчивость во времени и объяснимость информации, а также предложены методические рекомендации по актуализации и калибровке моделей, обеспечивающие эффективное распределение затрат на реализацию различных стратегий регионального управления объектами недвижимости, находящихся в собственности Субъектов РФ.

4.  Предложена архитектура информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, реализующая предложенные модели интеллектуального анализа информации, которая отличается наличием возможности визуализации результатов моделирования рыночной стоимости коммерческой недвижимости за счет организации интеграции с геоинформационной системой GeoBuilder.

5.  Разработана методика организации процесса массовой оценки объектов недвижимости, которая отличается от известных наличием процедуры отбора, агрегирования и фильтрации характеристик объектов нежилой недвижимости, а также включает этап оценки экономической эффективности инвестиционных проектов по управлению коммерческой недвижимостью, использование которого позволяет учесть влияние различных рисков.

Достоверность и обоснованность научных результатов, выводов и рекомендаций диссертации определяются корректным применением методов финансового и экономического анализа, математических инструментальных методов экономики, проектирования информационных систем, теории нейронных сетей и нечеткой логики. Выводы и предложения диссертационного исследования не противоречат известным теоретическим и практическим результатам, содержащимся в трудах отечественных и зарубежных ученых в области экономики, организации и управления коммерческой недвижимостью.

Научная новизна работы состоит в разработанных подходах к построению математических моделей для оценки коммерческой недвижимости и матрице выбора рационального варианта архитектуры нейронной сети для решения задач по ее управлению; комплексной интеллектуальной модели для оценки рыночной стоимости объектов нежилого фонда; системе показателей для оценки качества моделей массовой оценки недвижимости; архитектуре информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, а также методике организации процесса массовой оценки объектов коммерческой недвижимости.

Значение полученных результатов для теории и практики.

1.  Предложенные в диссертации подходы к построению математических моделей оценки коммерческой недвижимости, комплексная интеллектуальная модель для оценки рыночной стоимости объектов недвижимости и система показателей для оценки ее качества построенных моделей имеют существенное значение для теории и практики экономико-математического моделирования в части развития математического аппарата анализа функционирования рынка недвижимости.

2.  Разработанная архитектура информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, реализующая предложенные модели интеллектуального анализа информации, имеет существенное значение для теории и практики построения информационных систем в части развития инструментальных методов интеллектуального анализа данных.

3.  Предложенные методика организации процесса оценки рыночной стоимости объектов коммерческой недвижимости и рекомендации по актуализации и калибровке модели массовой оценки развивают методический аппарат управления объектами недвижимости в части совершенствования инструментов оценки их рыночной стоимости.

Сведения о реализации и целесообразности практического использования результатов.

1.  Разработанные информационная система поддержки принятия решений по региональному управлению объектами коммерческой недвижимости, реализующая модели интеллектуального анализа информации, система показателей для оценки их качества, рекомендации по актуализации и калибровке построенной моделей, а также методика организации процесса массовой оценки объектов муниципальной недвижимости практически использовались в -коммерческая дирекция» и Департаменте имущества г. Москвы.

2.  Предложенные комплексная интеллектуальная модель для проведения оценки рыночной стоимости объектов коммерческой недвижимости, а также система показателей для оценки качества используемых моделей массовой оценки может использоваться при осуществлении оценки различных видов недвижимого имущества.

3.  Разработанная архитектура информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, реализующая предложенные модели интеллектуального анализа информации, может найти широкое применение при реализации проектов по комплексной автоматизации оценочной деятельности.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XI Апрельской международной научной конференции «Модернизация экономики и общества» (2011 г., г. Москва), Международной научно-технической конференции «Энергетика, информатика, инновации - 2011» (2011 г., г. Смоленск), Конгрессе «10 лет оценочной деятельности в России. Итоги и перспективы» (2011 г.), а также научных семинарах Российской академии народного хозяйства и государственной службы при Президенте РФ.

Публикации. По теме диссертации опубликовано 9 печатных работ общим объемом 3,8 п. л., в том числе лично автору принадлежит 2,9 п. л.

Структура и объем работы.

Диссертационная работа состоит из введения, трех глав, заключения, списка литературы, включающего 118 наименований. Диссертация содержит 156 страниц машинописного текста, 22 рисунка и 10 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность решаемой научной задачи, цель и задачи диссертации, определены предмет и объект исследования, обоснована научная новизна, изложена практическая значимость, приведены данные об апробации работы и основных публикациях по теме диссертации.

В первой главе «Анализ современных математических и инструментальных методов оценки рыночной стоимости объектов недвижимости» рассмотрены особенности государственной недвижимости как объекта математического моделирования, изучена специфика построения систем массовой оценки недвижимости, проанализированы математический аппарат и программные средства для оценки рыночной стоимости объектов недвижимости, а также описаны возможности использования интеллектуальных методов анализа данных для оценки коммерческой недвижимости, находящейся в собственности субъектов Российской Федерации.

В настоящее время для определения рыночной стоимости коммерческой недвижимости в основном используются методы экспертного оценивания, которые несвободны от таких существенных недостатков как субъективизм и сложность использования при необходимости учета большого количества характеристик объектов недвижимости.

Для повышения степени объективности результатов оценки в ряде случаев предлагается использовать регрессионные модели, построение которых затруднено вследствие многофакторности задачи и сложного характера зависимости входных и выходных переменных. Следует отметить, что подход, основанный на построении и использовании регрессионных моделей, не позволяет решить целый ряд перечисленных выше частных задач, которые решаются в рамках процесса оценки коммерческой недвижимости.

Указанные проблемы применения экспертных методов и статистических моделей определяют целесообразность использования методов интеллектуального анализа данных при решении достаточно широкого спектра задач по оценке коммерческой недвижимости, в том числе прогноза изменения ее стоимости в условиях неопределенности внешней среды.

С точки зрения использования методов математического моделирования для оценки коммерческой недвижимости можно выделить следующие формализованные задачи:

1.  Кластеризация объектов недвижимости – разбиение генеральной совокупности объектов на несколько кластеров, число и характеристики которых заранее неизвестно.

2.  Классификация – отнесение объектов коммерческой недвижимости к выделенным заранее классам. Классы объектов обычно устанавливаются в соответствие с используемой нормативной правовой базы в конкретном регионе.

Основной целью решения данных задач является определение текущей стоимости объектов коммерческой недвижимости.

3. Прогнозирование стоимости объектов, проводимое на основе обработки статистических ретроспективных данных, характеризующих объекты выделенных классов.

В диссертации показано, что для решения данных задач целесообразно использовать различные виды искусственных нейронных сетей, выбор которых зависит также от особенностей имеющейся статистической информации о региональном рынке коммерческой недвижимости. К таким особенностям можно отнести: полноту информации, регулярность ее поступления, наличие «информационных выбросов».

В таблице 1 приведена модель для выбора видов нейронных сетей, учитывающая класс решаемых задач по оценке объектов недвижимости и характеристики анализируемых информационных потоков.

Таблица 1 – Модель выбора варианта нейронной сети при решении задач оценки объектов коммерческой недвижимости

В рамках данной модели предлагается использовать следующие виды нейронных сетей:

1.  Нейронная сеть встречного распространения – многослойная сеть, состоящая из входного слоя и слоев нейронов Кохонена и Гроссберга. Данная сеть осуществляет обобщение при неполном или зашумленном входе.

2.  Нейронная сеть Хопфилда – однослойная сеть нейронов с одинаковым числом входов и выходов сети, которая применяется для восстановления зашумленных образов по неполной и скаженной информации.

3.  Нейронная сеть Хэмминга – двухслойная сеть, которая вычисляет расстояния от входного вектора до всех известных векторов-образцов и позволяет устанавливать соответствие входного образа одному из известных ей классов. Для работы сети Хэмминга требуется меньший объем выборки, чем для сети Хопфилда.

4.  Сеть с радиальными базисными функциями (RBF) – двухслойная сеть, которая содержит скрытый слой радиально симметричных скрытых нейронов и моделируют нелинейную функцию с помощью одного промежуточного слоя.

5.  Вероятностная нейронная сеть (PNN) – многослойная сеть, которая содержит несколько скрытых радиальных слоев. В данной сети наблюдение соответствует радиальному элементу, имеющему гауссову функцию распределения.

6.  Обобщенно-регрессионная нейронная сеть (GRNN) построена по аналогии с вероятностной сетью, но используется для решения задач регрессии.

7.  Нейронная сеть Ворда – многослойная сеть, внутренние слои нейронов которой разбиты на блоки. Данные сети используются для решения задач прогнозирования и классификации.

8.  Нейронная сеть Коско – однослойная сеть с обратными связями, которая основана на основных положениях теорий Гроссберга и Хопфилда и используется для обобщения и прогнозирования при искажениях входной информации.

Во второй главе «Методические основы применения интеллектуальных математических моделей для оценки объектов недвижимости, находящихся в собственности Субъектов Российской Федерации» разработана комплексная интеллектуальная модель для оценки стоимости объектов недвижимости, находящейся в собственности Субъектов РФ, приведены методические рекомендации по сбору, обработке и верификации информации о рынке коммерческой недвижимости, предложена система показателей оценки качества построенных моделей массовой оценки объектов недвижимости, описана архитектура и процедура проектирования информационной системы поддержки принятия решений по управлению коммерческой недвижимостью с использованием интеллектуальных моделей.

Несмотря на определенную приоритетность использования различных типов нейронных сетей, для повышения точности и объективности процедур оценивания объектов коммерческой недвижимости целесообразно комплексное применение нескольких вариантов построения нейро-сетевых моделей регионального рынка недвижимости, с комплексированием результатов моделирования на основе коэффициентов их «применимости». Указанные коэффициенты должны определяться не только на основе условий изначальной целесообразности, но и, как было указано ранее, с учетом особенностей имеющейся статистической информации о региональном рынке коммерческой недвижимости.

Структурная модель, реализующая предложенный подход, представлена на рисунке 1.

Предлагаемая структурная модель включает три основных программных модуля:

1. База нечетких продукционных правил (БНПП), которая используется для управления программным коммутатором (ПК) и определения весовых коэффициентов αi , которые определяют вклад результата использования частных нейронных сетей в консолидированный результат применения структурной модели в целом. БНПП функционально представляет собой нечеткий классификатор, реализующий алгоритм нечеткого логического вывода Такаги.

2. Комплексная нейро-сетевая модель рынка коммерческой недвижимости, которая реализует представленные в таблице 1 виды нейронных сетей.

3. Программный коммутатор, используемый для предварительного отбора используемых нейронных сетей исходя из решаемой задачи в рамках процедуры оценки коммерческой недвижимости.

Рисунок 1 – Структурная модель использования методов интеллектуального анализа информации для оценки стоимости объектов коммерческой недвижимости

Результат работы предложенной комплексной модели можно представить следующим образом:

,

где – выход комплексной модели; – выход i-ой частной модели; – выход k-ого правила при использовании алгоритма Такаги для i-ой частной модели; – уровень «отсечения» для предпосылки k-ого правила для i-ой частной модели; N – количество частных моделей; K – количество правил.

Например, если при решении задачи прогнозирования коммутатором были выбраны частные модели на основе нейро-сетевых моделей RBF и GRNN, то общий выход модели будет иметь вид:

где X – нормированные характеристики объекта недвижимости; , – точки обучающей выборки; – весовые коэффициенты для модели RBF; – отклонение t-ой характеристики для модели RBF; – отклонение в модели GRNN; , – вклад моделей RBF и GRNN соответственно в консолидированный результат; T – объем выборки.

Анализ качества построенной комплексной модели проведения массовой оценки стоимости объектов коммерческой недвижимости осуществляется с помощью системы показателей, характеризующих точность и устойчивость во времени.

Точность значений стоимости, генерируемых построенной моделью, может быть измерена при помощи статистических показателей согласия, анализа относительных показателей стоимости, пробных исследований, полевой и камеральной экспертизы.

Статистические показатели согласия позволяют оценить точность модели до получения самих расчетных значений стоимости.

Коэффициент детерминации показывает, какую долю изменения рыночных цен объясняют факторы, включенные в мо­дель оценки, и рассчитывается по формуле:

где Vi – реальное значение удельной цены, – вычисленное по модели значение удельной цены, – среднее значение реальных цен, n – объем выборки.

Для корректного сравнения оценок качества различных моделей целесообразно использовать нормированный коэффициент детерминации, скорректированный на число степеней свободы (конечного объема выборки n и числа факторов m):

.

На практике в качестве минимального (критического) значения данного коэффициента принимают значение, равное 0,7.

Обобщенная ошибка модели рассчитывается по формуле:

.

Важным этапом при анализе качества моделей является исследование остатков модели. Эффективным инструментом анализа являются гистограммы частот отношений «оценка/цена» в исходных координатах и в стандартизованных (сдвинутых на величину среднего значения и выраженного в долях среднеквадратического отклонения) координатах. При исследовании следует обращать внимание на унимодальность распределения, его симметричность, моду и другие характеристики.

Анализ относительных показателей стоимости позволяет определить уровень и равномерность оценки как между стратами объектов недвижимости, так и внутри самих страт.

Оценка устойчивости модели позволяет определить, насколько плавно стоимость объектов недвижимости изменялась во времени. При оценке межгодовой устойчивости модели используется два критерия:

1) среднее абсолютное процентное изменение:

,

где Vc – текущее значение стоимости, Vp – предыдущее значение стоимости.

2) среднеквадратическое отклонение процентных изменений:

.

В условиях нестабильности рынка коммерческой недвижимости целесообразно осуществлять актуализацию, заключающуюся в перекалибровке построенной модели массовой оценки рыночной стоимости объектов.

Для актуализации для получения точных и устойчивых оценочных моделей можно использовать три стратегий перекалибровки:

1. Полная перекалибровка подразумевает ежегодное (полугодовой, ежеквартальное) переопределение моделей. Данный подход позволяет максимально повысить точность оценок, однако связан со значительными издержками и может привести к неустойчивости для отдельных объектов.

В качестве индикаторов рынка коммерческой недвижимости целесообразно использовать следующие показатели: средняя арендная ставка; инвестиции в коммерческую недвижимость; годовой ввод объектов; индекс ценового ожидания; индекс активности.

2. Периодическая перекалибровка предполагает переопределение модели каждые два года (или реже) с промежуточным внесением рыночных поправок. Существует два варианта применения этого подхода. Во-первых, все объекты могут периодически участвовать в перекалибровке в совокупности. Во-вторых, можно составить график ежегодной перекалибровки определенной части объектов в юрисдикции. При втором варианте трудовые затраты распределяются по годам более равномерно. Этот подход может оказаться особенно эффективным, если его применять в соче­тании с анализом относительных показателей стоимости для контроля уровня оценки по основным стратам объектов недвижимости и внесения необходимых рыночных поправок.

3. Частичная перекалибровка – комбинирование модели предшествующего года с перекалиброванной моделью текущего года. В качестве метода реализации может выступать вычисление текущей стоимости как средневзвешенного значения прошлогодней стоимости и перекалиброванной стоимости:

где Vr – перекалиброванная стоимость, wp – весовой коэффи­циент (от 0 до 1), присваиваемый прошлогоднему значению стоимости.

Выбор стратегии переоценки и методов актуализации моделей связан с решением административных и технических вопросов о:

1)  бюджетных возможностях и имеющихся в распоряжении ресурсах;

2)  качестве существующей базы данных и эффективности используемых оценочных процедур.

Так, при неудов­летворительном качестве оценки требуется проведение полной переоценки. Временной график и форма проведения переоценки, однако, существенно ограничиваются бюджетными возможностями и имеющимися ресурсами. С другой стороны, если качество оценки хорошее, разумным решением является практика проведения периодической или частичной перекалибровки.

Стоит отметить, что частое проведение переоценки повышает точность оценки стоимости имущества, но может порождать нехарактерные изменения стоимости для отдельных объектов. Такая ситуация обусловлена перекалибровкой оце­ночных моделей и связанными с этим изменениями затратных показателей.

Предложенные инструменты проведения массовой оценки стоимости объектов коммерческой недвижимости, основанные на применении методов интеллектуального анализа данных, были реализованы в разработанной информационной системе.

Архитектура подсистемы массовой оценки объектов коммерческой недвижимости представлена на рисунке 2.

Нечетко-логический блок реализован в среде MatLab с применением инструментов Fuzzy Logic Toolbox. Данный блок предназначен для формирования продукционных правил, с помощью которых осуществляется интеллектуальный анализ статистической информации об объектах коммерческой недвижимости, на основании которого определяется вклад частных нейронных сетей в консолидированный результат применения структурной модели в целом.

Рисунок 2 – Архитектура подсистемы массовой оценки

Блок нейро-сетевого моделирования реализован в среде MatLab с применением встроенных инструментов Neural Network Toolbox. Данный блок предназначен для построения, настройки и проверки адекватности архитектур различных частных нейронных сетей.

Модель формирования выборки осуществляет извлечение из корпоративной базы данных информации об объектах недвижимости, используемой для обучения нейронных сетей. Данный модуль осуществляет: соединение с БД Oracle и загрузку факторной матрицы и вектор выходных значений цен; логарифмическое шкалирование цен для более удобного анализа и решения проблем гетероскедастичности и робастности; нормирование факторной матрицы для приведения значений факторов к шкале от 0 до 1; случайное разбиение выборки на обучающее, тестовое (валидационное) и контрольное множества.

Модуль оценки объектов коммерческой недвижимости реализован на внутреннем языке среды MatLab с использованием разработанных инструментов интеллектуального анализа. Так, на основе результатов анализа характеристик объекта оценки, проводимых в нечетко-логическом блоке, формируются коэффициенты «применимости» частных нейронных сетей, построенных в блоке нейросетевого моделирования. Результаты применения частных нейронных сетей комплексируются в конечный результат на основе полученных весовых коэффициентов.

Для взаимодействия клиентского приложения, разработанного в среде Microsoft .Net, c результатами массовой оценки недвижимости, полученными в среде MatLab, был разработан промежуточный модуль интеграции, инкапсулирующий весь низкоуровневый интерфейс обмена данными. Данный модуль построен по принципу автоматически подключаемых сборок (плагинов) и реализует ряд интерфейсов для взаимодействия с ними.

Взаимодействие среды MatLab с клиентским приложением осуществляется по следующей схеме:

1.  Пользователь выбирает оцениваемый объект, определяет и заполняет ценообразующие факторы.

2.  Клиентским приложением формируется запрос к Web-службе подсистемы массовой оценки и передает ей ценообразующие факторы объекта.

3.  Интеграционный модуль получает и преобразует полученный запрос в данные формата матриц MatLab.

4.  Интеграционный модуль запускает экземпляр MatLab, передает ему матрицы с данными об оцениваемом объекте и выполняет процедуру оценки.

5.  После завершения работы модели оценки интеграционный модуль извлекает из MatLab матрицу стоимостей по ее символьному имени, преобразует ее в массив значений и возвращает массив значений стоимостей.

Для визуализации результатов массовой оценки рыночной стоимости объектов коммерческой недвижимости используется геоинформационная система GeoBuilder, разработанная на картографической основе ГУП «Мосгоргеотрест» и адресной базы данных ГУП «МосгорБТИ». В предложенной архитектуре сервер NetServer соединён с Web-сервером MS Internet Information Services (MS IIS) и БД Oracle, которые обеспечивают хранение большого массива векторных и растровых графосемантических данных. Сервер NetServer по запросу получает эти данные, формирует графическое изображение карты и в сжатом виде отправляет пользователю, где оно воспроизводит клиентской частью WorkStation.

В третьей главе «Результаты практического применения разработанных интеллектуальных математических моделей для оценки рыночной стоимости муниципальных объектов недвижимости г. Москвы» предложена методика организации процесса массовой оценки коммерческой недвижимости, проведен анализ имущественного комплекса, находящегося в собственности г. Москвы, а также описаны результаты практического использования предложенных инструментов в -коммерческая дирекция ПКД» и Департаменте имущества г. Москвы.

Методика организации процесса массовой оценки коммерческой недвижимости включает 10 этапов:

1.  Анализ рынка коммерческой недвижимости с целью определения факторов, влияющих на рыночную стоимость объектов.

2.  Формирование базы данных объектов аналогов. Основными источниками информации о рынке недвижимости являются: специализированные базы данных (Realto, Навигатор, Сталкер и т. п.); открытые источники информации (газеты, журналы и т. п.); информационные ресурсы агентств недвижимости; собственные данные организации, формирующей выборку; данные о сделках с недвижимостью, проведенных в ходе открытых торгов.

3.  Проверка данных на предмет их корректности, достоверности и адекватности.

4.  Первичная обработка базы данных объектов аналогов: статистическое описание исходных совокупностей с определением пределов варьирования переменных; анализ резко выделяющихся наблюдений, идентификация грубых ошибок; восстановление пропущенных или стертых наблюдений; проверка статистической независимости последовательности наблюдений, составляющих массив исходных данных; унификация типов переменных; экспериментальный анализ закона распределения иссле­дуемой генеральной совокупности и параметризация сведений о природе изучаемых распределений.

5.  Построение экономико-математической модели проведения массовой оценки рыночной стоимости объектов коммерческой недвижимости:

а) формирование базы нечетких продукционных правил, используемых для анализа информации об объектах аналогах;

б) построение нейронных сетей (задание основных характеристик);

в) учет факторов местоположения.

6.  Калибровка построенной модели – процесс адаптации модели массовой оценки к текущему состоянию рынка коммерческой недвижимости, который включает:

а) определение необходимого объема выборки из базы данных объектов;

б) обучение нейронных сетей.

7.  Апробация экономико-математической модели массовой оценки на данных валидационной выборки.

8.  Проверка качества модели, которая позволяет установить, являются ли полученные значения стоимости равномерными и согласуются ли они с состоянием рынка. Основным средством проверки качества массовой оценки является анализ статистических показателей согласия и относительных показателей стоимости.

В качестве оценки точности также может использоваться нормированный межквартильный промежуток:

где и – нижний и верхний квартили относительных ошибок.

9.  Оценка эффективности управления коммерческой недвижимостью, которая заключается в расчете ставке капитализации, рассчитанной с учетом рисков.

10.  Актуализация – внесение ежегодных поправок в результаты оценки стоимости, осуществляемое между переоценками. Она включает выявление новых объектов коммерческой недвижимости, расчет их стоимости, а также учет других изменений в базе данных. На основе анализа тенденций развития рынка может реализовываться три подхода к переоценке характеристик полученной ранее модели: полная, периодическая и частичная перекалибровка.

Предложенные в диссертации инструментальные методы и разработанная информационной системы поддержки принятия решений по управлению объектами недвижимости применялись в -коммерческая дирекция» и Департаменте имущества г. Москвы.

Внедрение системы массовой оценки объектов нежилого фонда в г. Москве осуществлялось в соответствие с Постановлением Правительства Москвы от 01.01.01 г. N 195-ПП «О порядке использования результатов массовой оценки». Для построения моделей была сформирована выборка, состоящая из 18 182 наблюдения, распределение которых по основным факторам следующее: офисные помещения – 6426, складские – 10099, торговые – 1657. Анализ статистической информации об объектах аналогах выявил неполноту входных данных, что обусловило применению с максимальным весовым коэффициентом результата построения обобщенно-регрессионной нейронной сети.

Средняя относительная ошибка модели GRNN составила 20,0%, что удовлетворяет Стандарту по автоматизированным оценочным моделям и Стандарту по анализу соотношения стоимостей Международной Ассоциации Налоговых Оценщиков.

На рисунке 3 приведены результаты массовой оценки арендных ставок в зависимости от расположения на территории г. Москвы, визуализированные с помощью геоинформационной системы GeoBuilder.

В целом, применение комплексной модели массовой оценки объектов коммерческой недвижимости позволило: определить потенциал увеличения доходов городского бюджета от сдачи в аренду недвижимого имущества; существенно сократить время и расходы, требуемые для оценки объектов; обеспечить достоверность, прозрачность и обоснованность результатов; создать основы для принятия рациональных градостроительных и инвестиционных решений; обеспечить публичность сведений об объектах оценки и прозрачность системы определения ставок арендной платы.

Рисунок 3 – Ценовые поверхности для аренды нежилой недвижимости в г. Москве

В заключении приведены результаты исследования, выводы и предложения.

В приложении представлены нормативные правовые документы, регламентирующие оценку объектов недвижимости в г. Москва, вид окон интерфейса системы поддержки принятия решений по управлению имущественным комплексом г. Москвы и справка об использовании результатов диссертационного исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ПРЕДЛОЖЕНИЯ

1.  Проведен анализ современных подходов к управлению государственной и муниципальной собственностью, а также математических методов и инструментальных средств, используемых при массовой оценки рыночной стоимости объектов нежилого фонда, с учетом результатов которого предложены подходы к построению математических моделей для решения выделенных классов задач по управлению коммерческой недвижимостью, а также матрица выбора рационального варианта построения нейро-сетевой модели.

2.  Разработана комплексная интеллектуальная модель для оценки стоимости объектов коммерческой недвижимости, которая включает нейро-сетевую подмодель для решения задач классификации, кластеризации и прогнозирования тенденций на региональном рынке недвижимости и нечетко-продукционную подмодель для определения степени применимости составляющих нейро-сетевой подмодели в зависимости от показателей имеющегося массива статистической информации.

3.  Разработана система показателей для оценки качества моделей массовой оценки рыночной стоимости объектов коммерческой недвижимости, позволяющая с учетом особенностей процедур оценки недвижимости (в том числе, закрепленных законодательно) определять такие характеристики, как точность, устойчивость во времени и объяснимость информации.

4.  Предложены методические рекомендации по актуализации и калибровке моделей, обеспечивающие эффективное распределение затрат на реализацию различных стратегий регионального управления объектами недвижимости, находящихся в собственности Субъектов РФ.

5.  Разработана архитектура информационной системы поддержки принятия решений по региональному управлению объектами недвижимости, реализующая предложенные модели интеллектуального анализа информации и интегрированная с геоинформационной системой GeoBuilder.

6.  Предложена методика организации процесса массовой оценки рыночной стоимости объектов коммерческой недвижимости, которая отличается от известных наличием процедуры отбора, агрегирования и фильтрации характеристик объектов нежилой недвижимости.

7.  Разработана процедура оценки экономической эффективности инвестиционных проектов по управлению коммерческой недвижимостью, использование которого позволяет учесть влияние различных рисков.

8.  Практическое применение предложенной в работе методики организации процесса массовой оценки рыночной стоимости объектов коммерческой недвижимости и разработанной информационной системы поддержки принятия решений по региональному управлению объектами недвижимости в -коммерческая дирекция» и Департаменте имущества г. Москвы позволило повысить эффективность оценочной деятельности, а также оперативность и обоснованность управленческих решений в отношении объектов недвижимого имущества, находящихся в собственности города Москвы.

Основные работы, опубликованные по теме диссертации

В журналах перечня ВАК:

1.  , , Чижов моделирование в задаче массовой оценки нежилой недвижимости г. Москвы // Экономическая наука современной России. –2009– №4 (0,4 п. л.)

2.  Мунерман приёмы оценки в условиях неопределённости // Имущественные отношения в Российской Федерации– 2009 – №7(0,3 п. л.)

3.  Мунерман использование нейронных сетей при региональном управлении коммерческой недвижимостью // Путеводитель предпринимателя– 2011– №3 - (0,4 п. л.).

В других изданиях:

4.  Мунерман и модернизация, или модернизация оценки // Бюллетень СМАО – 2010– №11 (0,4 п. л.)

5.  , Борусяк нейросетевого моделирования в задаче массовой оценки муниципальной недвижимости г. Москвы // Сб. материалов XI Апрельской международной научной конференции «Модернизация экономики и общества». – М., 2011. (0,3 п. л.)

6.  Мунерман математического аппарата для проведения оценки рыночной стоимости коммерческой недвижимости // Сб. материалов Международной научно-технической конференции «Энергетика, информатика, инновации - 2011». – Смоленск, 2011. (0,3 п. л.)

7.  Мунерман информационные технологии в оценке бизнеса // Материалы Конгресса «10 лет оценочной деятельности в России. Итоги и перспективы» – М., 2011. (0,5 п. л.)

8.  , Семенушкин проблемы оценки бизнеса // Вестник СМАО. – №11. – 2010. (0,5 п. л.)

9.  , Курбашкина технологии и модели стоимостной оценки» - Сборник учебных программ ГФА. – М.: 2007. (0,3 п. л.)