Массовая оценка недвижимости на малых рынках
Property Mass Valuation on Small Markets
2021-04-08
SCID: 54.1/h34j3xwz
Discuss with AI
регрессия методом k ближайших соседейрегрессия XGBoostмашинное обучениемассовая оценка недвижимостималые рынки недвижимости
Figures from the paper
Abstract (AI)
Основными базами налогообложения земель являются их площадь или стоимость. Во многих странах, особенно в Восточной Европе, проводятся или планируются реформы налогообложения недвижимости, включая налогообложение земель, предусматривающие использование стоимости недвижимости в качестве налоговой базы. Практика и исследования в этой области показывают, что такое изменение налоговой системы приводит к значительным изменениям в землепользовании и перераспределении земель. Налогообложение стоимости земель требует создания системы массовой оценки. Для этой цели могут применяться различные методологические решения. Однако массовая оценка земель требует большого объема информации о сделках с недвижимостью. Такие данные доступны не во всех случаях. Основная цель статьи — оценить возможность применения отдельных алгоритмов машинного обучения и модели множественной регрессии для массовой оценки недвижимости на малых, слаборазвитых рынках, где совершается небольшое число сделок или эти сделки характеризуются низкой вариативностью атрибутов недвижимости. Проверяется гипотеза о том, что методы машинного обучения обеспечивают более точные оценки, чем модели множественной регрессии, с учетом размера обучающих выборок. В исследовании использовались три типа моделей: модель множественной регрессии, алгоритм регрессии k ближайших соседей (KNN) и алгоритм регрессии XGBoost. Обучающие выборки извлекались из более крупного набора данных 1 000 раз, чтобы сделать выводы на основе усредненных результатов. Благодаря применению алгоритмов KNN и XGBoost удалось получить модели, значительно более устойчивые к малому числу наблюдений, большому числу объясняющих переменных по отношению к числу наблюдений, низкой вариативности атрибутов недвижимости в обучающих выборках, а также коллинеарности объясняющих переменных. Исследование показало, что алгоритмы, разработанные для больших наборов данных, могут обеспечивать точные результаты при ограниченном объеме данных. Это важное наблюдение, поскольку малые или слаборазвитые рынки недвижимости м...
Key Findings
1
Модели KNN и XGBoost оказались более устойчивыми, чем множественная регрессия, к малому числу наблюдений, большому числу объясняющих переменных, низкой вариативности характеристик и мультиколлинеарности.
2
Алгоритмы машинного обучения, разработанные для больших наборов данных, могут обеспечивать точную оценку недвижимости даже при ограниченном объёме транзакционных данных.
3
Многократное формирование обучающих выборок — 1000 раз — позволило сравнить усреднённую точность моделей при разных объёмах обучающих данных.
4
Результаты поддерживают применение методов машинного обучения для массовой оценки в условиях малых рынков с недостатком информации о сделках.
5
Исследование оценивает множественную регрессию, регрессию методом k ближайших соседей и XGBoost для массовой оценки недвижимости на малых, слаборазвитых рынках.
Research Object
Массовая оценка недвижимости на малых, слаборазвитых рынках с небольшим числом сделок и низкой вариативностью данных о характеристиках объектов
Research Subject
Сравнительная точность и устойчивость моделей оценки на основе машинного обучения и множественной регрессии при ограниченном объёме обучающих данных, низкой вариативности характеристик, большом числе объясняющих переменных и их коллинеарности
Publication Details
Publication Date
2021-04-08
Journal
Publisher
ISSN
Cited by
37
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
XGBoost2016
Оценка недвижимости: обзор методов оценки2003
Точность прогнозирования при массовой оценке: сравнение современных подходов2013
Модели массовой оценки недвижимости в XXI веке: систематический обзор литературы2019
Сравнение экспертных алгоритмов с моделями машинного обучения для оценки недвижимости2017
Искусственные нейронные сети и массовая оценка недвижимости2018
Работы, цитирующие эту статью6
Автоматизация методов оценки негативных инфраструктурных экстерналий для определения стоимости земельных ресурсов на основе разработки модели «тонкого клиента»2022
Моделирование размеров зон охраны объектов культурного наследия на основе факторов историко-культурной оценки земель2021
Моделирование кадастровой стоимости земельных участков садоводческих и огороднических некоммерческих товариществ с учетом влияния локальных факторов территории2024
Оценка влияния режима зон охраны объектов культурного наследия на стоимость земель для индивидуального жилищного строительства в условиях низкоактивного рынка2024
Влияние цифровизации на практику определения кадастровой стоимости2022
Определение закономерности влияния локальных факторов территории на кадастровую стоимость земельных участков садоводческих и огороднических некоммерческих товариществ2024