Точность прогнозирования при массовой оценке: сравнение современных подходов
Prediction accuracy in mass appraisal: a comparison of modern approaches
2013-04-14
SCID: 54.1/zvg5qdjx
Discuss with AI
искусственные нейронные сетикомпьютеризированная массовая оценкагеографически взвешенная регрессиягедоническая модель ценообразованиямассовая оценка недвижимости
Figures from the paper
Abstract (AI)
Развитие вычислительного программного обеспечения за последнее десятилетие способствовало более широкому применению методологий массовой оценки специалистами в области оценки и точности прогнозирования в сфере компьютеризированной массовой оценки для моделирования и оценки цен, а также защиты результатов в судебных разбирательствах. На выборке из 2694 объектов жилой недвижимости в статье оценивается и анализируется ряд геостатистических подходов в сопоставлении с моделью искусственной нейронной сети (ИНС) и традиционной линейной гедонической моделью ценообразования с точки зрения точности массовой оценки и определения цен. Результаты показывают, что геостатистический подход к локализованной регрессии превосходит другие методы по объяснительной способности модели, надёжности и точности. ИНС демонстрируют очень высокую прогностическую способность и, следовательно, точность оценки, превосходя традиционный множественный регрессионный анализ (МРА) и приближаясь к результатам пространственно взвешенных регрессионных подходов. Однако ИНС сохраняют архитектуру «чёрного ящика», что ограничивает их полезность для практиков в данной области. С точки зрения экономической эффективности и удобства применения оценочным сообществом подход МРА превосходит методику ИНС, основанную на принципе «чёрного ящика», тогда как географически взвешенная регрессия обеспечивает наилучший баланс между абсолютной результативностью и прозрачностью методологии. Именно этот пространственно взвешенный подход, использующий абсолютное местоположение, по-видимому, представляет собой перспективное направление развития практики массовой оценки.
Key Findings
1
Искусственные нейронные сети демонстрируют высокую прогностическую способность, превосходят множественный регрессионный анализ и приближаются к результатам пространственно взвешенной регрессии.
2
Географически взвешенная регрессия обеспечивает лучший баланс между прогностической эффективностью и прозрачностью методологии, что делает ее перспективной для массовой оценки.
3
Локализованная геостатистическая регрессия обеспечивает наилучшее сочетание объяснительной способности модели, надежности и точности оценки.
4
Архитектура искусственных нейронных сетей типа «черного ящика» ограничивает их практическую применимость и прозрачность для оценщиков.
5
На выборке из 2 694 жилых объектов исследуются геостатистические подходы, искусственные нейронные сети и традиционные линейные гедонические модели для оценки точности массовой оценки.
Research Object
Массовая оценка стоимости 2694 жилых объектов недвижимости с использованием геостатистических моделей, искусственных нейронных сетей и линейных моделей гедонического ценообразования
Research Subject
Сравнительная точность прогнозирования и оценки стоимости, объяснительная сила, надёжность, прозрачность и экономическая эффективность различных подходов к моделированию цен
Publication Details
Publication Date
2013-04-14
Journal
Publisher
ISSN
Cited by
196
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью13
Модели массовой оценки недвижимости в XXI веке: систематический обзор литературы2019
Повышение точности оценки недвижимости: сравнение гедонистической модели ценообразования и искусственной нейронной сети2018
Интерпретируемое машинное обучение для анализа рынка недвижимости2022
Методы оценки и обновления гедонической оценки2019
Комплексная нейросетевая модель для массовой оценки и сценарного прогнозирования стоимости объектов городской недвижимости, адаптирующаяся к пространству и времени2021
Сравнение экспертных алгоритмов с моделями машинного обучения для оценки недвижимости2017
Искусственные нейронные сети и массовая оценка недвижимости2018
Массовая оценка недвижимости на малых рынках2021
Гедоническая оценка объектов недвижимости в Нигерии2018
Нейронная сеть — метод опорных векторов для массовой оценки недвижимости2020
Интерпретируемое машинное обучение, не зависящее от модели, для оценки стоимости жилой недвижимости2023
Факторы, влияющие на стоимость земли в индийском городе2022
Методы и модели массовой оценки недвижимости2022