Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://elar.urfu.ru/handle/10995/127985
Полная запись метаданных
Поле DCЗначениеЯзык
dc.contributor.authorЯсницкий, Л. Н.ru
dc.contributor.authorЯсницкий, В. Л.ru
dc.contributor.authorАлексеев, А. О.ru
dc.contributor.authorYasnitsky, L. N.en
dc.contributor.authorYasnitsky, V. L.en
dc.contributor.authorAlekseev, A. O.en
dc.date.accessioned2023-11-15T09:22:22Z-
dc.date.available2023-11-15T09:22:22Z-
dc.date.issued2022-
dc.identifier.citationЯсницкий Л. Н. Моделирование рынков жилой недвижимости крупнейших городов России / Л. Н. Ясницкий, В. Л. Ясницкий, А. О. Алексеев // Экономика региона. — 2022. — Том 18, выпуск 2. — С. 609-622.ru
dc.identifier.issn2411-1406online
dc.identifier.issn2072-6414print
dc.identifier.urihttp://elar.urfu.ru/handle/10995/127985-
dc.description.abstractСуществующие математические модели массовой оценки и прогнозирования рыночной стоимости жилых объектов обладают рядом недостатков: разработанные для какого-либо одного региона модели не годятся для других регионов. Все они быстро устаревают и требуют постоянной актуализации, поскольку не учитывают постоянно меняющуюся экономическую обстановку. Они не пригодны для оптимизации строительного бизнеса. Целью исследования является создание системы оценки недвижимости городов России, применимой к любым ее регионам, причем независимо от постоянно меняющейся экономической ситуации. Эта цель была достигнута благодаря тому, что в качестве входных параметров нейронной сети помимо строительно-эксплуатационных факторов были учтены географические параметры, фактор времени, а также ряд параметров, характеризующих экономическую ситуацию в конкретных регионах, в России и в мире. Статистические данные о рынках недвижимости РФ, необходимые для обучения нейронной сети, были собраны за длительный период с 2006 г. по 2020 г., что обусловило ее динамические свойства. В качестве примера применения системы были проведены виртуальные компьютерные эксперименты, которые, например, показали, что в Москве самую высокую удельную стоимость квадратного метра имеют однокомнатные квартиры минимальных размеров - 16 м2. Максимальная стоимость двухкомнатных квартир достигается при их площади 90 м2, трехкомнатных - 100 м2, четырехкомнатных - 110 м2, пятикомнатных - 120 м2. Для условий Екатеринбурга среди двухкомнатных квартир наибольшую стоимость квадратного метра имеют квартиры общей площадью 30 м2, трехкомнатных - 110 м2, четырехкомнатных -130 м2, пятикомнатных -150 м2. Таким образом, система может быть использована для оптимизации строительного бизнеса. Она может быть полезна государственным структурам, занимающимся вопросами управления рынком городской недвижимости, вопросами имущественного налогообложения, вопросами повышения эффективности жилищного рынка.ru
dc.description.abstractThe existing mass appraisal models and mathematical tools for predicting the market value of residential property have a number of disadvantages, as they are developed for individual regions. Without considering the constantly changing economic environment, these models quickly become outdated and require constant updating. Thus, they are not suitable for construction business optimisation. The study aims to create a universally applicable real estate appraisal system for Russian cities, regardless of the constantly changing economic situation. This goal was achieved through the creation of a neural network, whose input parameters include construction and operational data, geographical factors, time effect, as well as a number of indicators characterising the economic situation in specific regions, Russia and the world. In order to examine the dynamics of real estate markets in the Russian Federation, statistical data for neural network training were collected over a long period from 2006 to 2020. Virtual computer experiments were performed for testing the developed system. They showed that minimum size one-room apartments of 16 square meters have the highest unit cost per square meter in Moscow. Two-room apartments with an area of 90 square meters have the maximum price, as well as 100 sq. m. three-room, 110 sq. m. four-room and 120 sq. m. five-room apartments. In Ekaterinburg, two-room apartments with a total area of 30 square meters have the highest cost per square meter; the same applies for 110 sq. m. three-room, 130 sq. m. four-room and 150 sq. m. five-room apartment. Thus, the proposed system can be used to optimise the construction business. It can be also be useful for government institutions concerned with urban real estate market management, property taxation, and housing market improvement.en
dc.description.sponsorshipИсследования и публикация статьи финансировались Российским фондом фундаментальных исследований: Грант № 19-010-00307 «Разработка интеллектуальной самоадаптируемой системы массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости регионов РФ». Авторы выражают глубокую признательность авторитетным специалистам в области оценки имущества: Геннадию Моисеевичу Стернику , Сергею Геннадьевичу Стернику и Евгению Иосифовичу Нейману за полезные консультации и поддержку. Авторы благодарны Илье Наилевичу Нуруллину за разработку удобного пользовательского интерфейса.ru
dc.description.sponsorshipThe article has been prepared with the support of the Russian Foundation for Basic Research, the grant No. 19-010-00307 “Development of intellectual self-adaptive system of mass valuation and scenario forecasting of the market value of residential real estate in the regions of the Russian Federation”. The authors express their deep gratitude to the authoritative experts in the field of property valuation: Gennady Moiseevich Sternik, Sergey Gennadievich Sternik and Evgeny Iosifovich Neiman for their support and useful advice. The authors are grateful to Ilya Nailevich Nurullin for developing a convenient user interface.en
dc.format.mimetypeapplication/pdfen
dc.language.isoruen
dc.publisherInstitute of Economics, Ural Branch of the Russian Academy of Sciencesen
dc.publisherИнститут экономики Уральского отделения РАНru
dc.relation.ispartofЭкономика региона. 2022. Том 18, выпуск 2ru
dc.rightsinfo:eu-repo/semantics/openAccessen
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/-
dc.subjectМАССОВАЯ ОЦЕНКАru
dc.subjectРЫНОЧНАЯ СТОИМОСТЬru
dc.subjectРЫНОК НЕДВИЖИМОСТИru
dc.subjectЖИЛАЯ НЕДВИЖИМОСТЬru
dc.subjectНАЛОГООБЛОЖЕНИЕru
dc.subjectПРОГНОЗИРОВАНИЕru
dc.subjectСТРОИТЕЛЬНЫЙ БИЗНЕСru
dc.subjectНЕЙРОННАЯ СЕТЬru
dc.subjectСЦЕНАРНОЕ ПРОГНОЗИРОВАНИЕru
dc.subjectЦЕНОВЫЕ ЗОНЫru
dc.subjectMASS APPRAISALen
dc.subjectMARKET VALUEen
dc.subjectREAL ESTATE MARKETen
dc.subjectRESIDENTIAL PROPERTYen
dc.subjectTAXATIONen
dc.subjectFORECASTINGen
dc.subjectCONSTRUCTION BUSINESSen
dc.subjectNEURAL NETWORKen
dc.subjectSCENARIO FORECASTINGen
dc.subjectPRICE ZONESen
dc.titleМоделирование рынков жилой недвижимости крупнейших городов Россииru
dc.title.alternativeSimulation of Residential Real Estate Markets in the Largest Russian Citiesen
dc.typeArticleen
dc.typeinfo:eu-repo/semantics/articleen
dc.typeinfo:eu-repo/semantics/publishedVersionen
dc.identifier.rsi49152828-
dc.identifier.doi10.17059/ekon.reg.2022-2-22-
dc.identifier.scopus85134209809-
local.description.firstpage609-
local.description.lastpage622-
local.issue2-
local.volume18-
dc.identifier.wos000979818500022-
local.fund.rffi19-010-00307-
Располагается в коллекциях:Economy of Regions

Файлы этого ресурса:
Файл Описание РазмерФормат 
2022_18_2_022.pdf1,02 MBAdobe PDFПросмотреть/Открыть


Лицензия на ресурс: Лицензия Creative Commons Creative Commons