авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |

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

-- [ Страница 2 ] --
  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 ОАО «Производственно-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

Характеристики информации

Класс задачи

Прогнозирование

Классификация

Кластеризация

Полная

информация

Сеть с радиальными базисными функциями

Вероятностная

нейронная сеть

Нейронная сеть встречного

распространения

Неполная

информация

Обобщенно-регрессион-ная нейронная сеть

Сеть Хемминга

Нерегулярные данные

Сеть Хопфилда + сеть Ворда

Сеть Хемминга

Выбросы

Сеть Коско + сеть Ворда

Сеть Коско + сеть Хемминга

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 i, 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-8

где X – нормированные характеристики объекта недвижимости; , – точки обучающей выборки;  – весовые коэффициенты для модели RBF; – отклонение t-ой характеристики для-11 – весовые коэффициенты для модели RBF;  – отклонение t-ой характеристики для модели RBF; – отклонение в модели GRNN;-12 – 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:

,



Pages:     | 1 || 3 | 4 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.