Сторінка
1
1. Оцінка вартості земельної ділянки,
будівель, споруд
Метою оцінки є визначення оціночної вартості - вірогідної ціни, за яку може бути продана земельна ділянка чи нерухомість (з врахуванням існуючих умов та обмежень) на дату оцінки.
Розглянемо дану проблему через призму технології нейромереж, нечітких множин та генетичних алгоритмів. Такі підходи є першою спробою розв’язання проблеми у вітчизняному землекористуванні.
Теоретична база нейромережних технологій - це галузь штучного інтелекту. Її популярність пояснюється насамперед схожістю з роботою біологічних нейронних систем, зокрема головного мозку людини. Доведено, що штучна нейронна мережа здатна точно апроксимувати практично довільну функцію змінних, в тому числі і сильно нелінійну. Будь-яку математичну модель можна створювати, згідно із концепцією будови нейрона.
Для визначення реальної вартості земельної ділянки, будинку тощо за допомогою нейромережних технологій необхідно передовсім скласти базу даних тих продаж, які вже відбулися за певний проміжок часу. Очевидно, в кожному конкретному випадку набір вхідних показників, що впливають на вартість об'єкту, може бути різноманітним, залежно, наприклад, від району, де відбувається оцінка. Опісля виконується первісне навчання нейронної мережі, котра згідно з цими даними формує свої внутрішні правила, які віддзеркалюють вплив кожного із вказаних чинників на реальну ринкову вартість об’єкту. Надалі кількість вхідних параметрів можна зменшити, якщо стає відомо, що деякі з них мало впливають на вихідну вартість. Для цього в сучасних нейромережах передбачено спеціальний аналітичний блок. Після цього відбувається остаточне навчання нейромережі і, надалі, для того щоб оцінити будь-який із об’єктів, достатньо подати на вхід навченої нейромережі його параметри і тут же одержати на виході його вартість. Залежно від ринкових тенденцій нейронну мережу можна “донавчати” на прикладах оцінної вартості земельних ділянок, з метою адаптації системи до нових умов. Для цієї цілі слід розробити нейромережний пакет, що реалізований, наприклад, у вигляді ActiveX - компоненти як надбудови до електронних таблиць Microsoft Excel 97. Авторами роботи такий пакет створено. В ньому реалізовано два високоефективні адаптивні алгоритми навчання багатоверствої нейронної мережі - Resilient Propagation i Scaled Conjugate Gradient Method. У вказаній роботі розглянуто приклад, що демонструє технологію оцінки нерухомості за допомогою розглянутого пакета. З рекламної преси було вибрано 176 записів про продажні ціни на житлову нерухомість в сукупності з її параметрами. Для створення нейромережної моделі були вибрані наступні параметри для входів нейромережі: кількість кімнат, загальна площа, житлова площа, площа кухні, поверх, кількість поверхів у будинку, наявність телефону, ліфта, тип санвузла (суміщений, роздільний). Виходом для заданої моделі є ціна. Розглядалась нерухомість загальної площі до 100 кв.м. і ціною до 30000$. Вихідні дані були розміщені на листі Excel і опісля нормалізовані. Для відображення якісних характеристик квартир, таких як тип санвузла і кількість кімнат, використались окремі дискретні входи із значеннями 0 або1. Навчання виконувалось за допомогою алгоритму Scaled Conjugate Gradient і тривало біля трьох хвилин (Pentium - 233? 48 Mb RAM, Windows NT 4,0/SP4). Похибка нейромережі після навчання склала 2,315.* 10-3. Згідно з цим прикладом точність оцінки в середньому коливається в межах 50-100$, що в багатьох практичних випадках цілком достатня. Для вдосконалення цієї оцінної моделі необхідно додати у вихідну таблицю інші, впливаючи на ціну чинники, такі як: тип району, тип будови, рік будівництва тощо. Для врахування ринкових тенденцій необхідно подати на входи значення коефіцієнтів інфляції за деякий минулий проміжок часу, динаміку курсу долара та інші індикатори, що характеризують стан і динаміку ринку нерухомості.
За відсутності чіткої бази знань слід використовувати моделі апроксимації нелінійних об’єктів згідно з лінгвістичними висловлюваннями.
Розглядається об’єкт з одним входом (наприклад, це може бути грошова оцінка землі) і n входами (бал бонітету ґрунту, кліматичні умови, коефіцієнт місцеположення земельної ділянки відносно пунктів збуту продукції, коефіцієнт місцеположення земельної ділянки в приміських зонах великих міст, коефіцієнт місцеположення земельної ділянки відносно інженерно-геологічних та санітарно-гігієнічних умов, коефіцієнт місцеположення земельної ділянки відносно господарського двору, площа земельної ділянки тощо). Він може бути визначений аналітично через функцію
(1)
де у – вихідна, а - вхідні змінні.
Змінні і у можуть бути як кількісними, так і якісними.
Приклади кількісних змінних: урожайність озимої пшениці = [10, 25] ц/га та інші змінні, що легко вимірюється в прийнятих для них кількісних шкалах.
Прикладом змінної, для якої не існує природної кількісної шкали, є стан погоди, виражений через рівень урожайності сільськогосподарських культур, а саме - низька, - вище за низьку, - середня, - вища за середню, - найвища урожайності.
Для кількісних змінних вважатимемо відомими області їх зміни:
(2)
де і відповідно нижнє (верхнє) значення вхідних та вихідної змінної.