English
Język Polski
Prognozowanie wartości rynkowej jednorodnych nieruchomości hybrydowym modelem z wykorzystaniem sztucznych sieci neuronowych
DOI:
https://doi.org/10.24425/ace.2021.136474Abstrakt
Wycena nieruchomości jest złożonym procesem. Rzeczoznawca majątkowy musi być biegły zarówno w naukach ekonomicznych, prawnych, jak i technicznych. W praktyce często zdarzają się przypadki, w których konieczne jest poznanie zakresu wartości nieruchomości w krótkim czasie. Zautomatyzowane modele wyceny (AVM) są kwestionowane przez praktyków, ale nie oznacza to, że nie należy szukać nowych metod wyceny, innych niż te określone w Rozporządzeniu Rady Ministrów z dnia 21 września 2004 r. w sprawie wyceny nieruchomości i sporządzania operatu szacunkowego. Do określenia wartości rynkowej nieruchomości zdefiniowanej w Ustawie z dnia 21 sierpnia 1997 r o gospodarce nieruchomościami, jako „szacunkowa kwota, jaką w dniu wyceny można uzyskać za nieruchomość w transakcji sprzedaży zawieranej na warunkach rynkowych pomiędzy kupującym a sprzedającym, którzy mają stanowczy zamiar zawarcia umowy, działają z rozeznaniem i postępują rozważnie oraz nie znajdują się w sytuacji przymusowej”, najczęściej stosowaną metodą wyceny jest podejście porównawcze polegające na szacowaniu wartości na podstawie ostatnich danych sprzedaży innych podobnych nieruchomości na rynku lokalnym. Takie podejście wymaga aktywnego, rozwiniętego oraz w miarę stabilnego rynku. Rzeczoznawca majątkowy analizuje ceny transakcyjne nieruchomości, które w wystarczającym stopniu są podobne do nieruchomości wycenianej. Analiza atrybutów nieruchomości polega na badaniu nieruchomości pod względem trwałych cech, które mają znaczący wpływ na wartość, w szczególności lokalizację obiektu, jego powierzchnię, położenie w budynku, stan techniczny. W pracy przenalizowano próbkę 222 nieruchomości lokalowych, które były przedmiotem obrotu na wrocławskim rynku wtórnym. Lokalny rynek nieruchomości przyjęto jako nieruchomości lokalowe o powierzchni użytkowej z przedziału od 15 do 95 m2, w budynkach o stanie dobry lub średnim, z obrębu Grabiszyn dzielnicy Fabryczna miasta Wrocław. W pracy przyjęto dwuletni okres analizy, ze względu na w miarę stabilny rynek w okresie 2013-2014 nie uwzględniono czynnika czasu - przyjęto zerowy trend czasowy dla transakcji wolnorynkowych.Bibliografia
1. R. Gaca, “Parametric and non-parametric statistical methods in the assessment of the effect of property attributes on prices”, Real Estate Management And Valuation 2, 28, 9-15, 2018
2. R. Gaca, “Comparative appraisal models”, Rzeczoznawca majątkowy 2/2018, 8-13, 2018
3. International valuation standards (IVS) 2017
4. Ustawa z dnia 21 sierpnia 1998 r. o gospodarce nieruchomościami (Act of 21 August 1998 on real estate management).
5. TEGOVA European Valuation Standards, EVS 2016
6. E. Jahanshiri, T. Buyong, A.R.M. Shariff, “A Review of Property Mass Valuation Models”, Pertanika J. Sci. & Technol. 19, 23-30, 2011
7. S. Kokot, S. Gnat, Simulative verification of the possibility of using multiple regression models for real estate appraisal, Real Estate Management and Valuation, vol. 27, no. 3, pp. 109-123, 2019
8. M. Renigier-Biłozor, “Application of the rough set theory to mass appraisal of real estate on small markets”, Acta Scientiarum Polonorum. Administatio Locorum 7/3, 35-51, 2008
9. Rozporządzenie Rady Ministrów z dnia 21 września 2004 r. w sprawie wyceny nieruchomości i sporządzania operatu szacunkowego (Ordinance of the Council of Ministers of 21 September 2004 on the valuation of real estate and the preparation of an appraisal report).
10. M. Podwórna, W. Mironowicz, “Praktyczne aspekty oceny stopnia zużycia obiektów budowlanych, dla potrzeb wyceny nieruchomości”, Rzeczoznawca Majątkowy Nr 1/2017 (93) s. 8-13, 2017
11. M.T. Hagan, H.B. Demuth, M.H. Beale, O. De Jesús, Neural Network Design; Martin Hagan: Lexington, KY, USA, 2014.
12. M. Kaftanowicz, M. Krzemiński, Multiple-criteria Analysis of Plasterboard Systems, Procedia Engineering 111:364-370, 2015, doi: 10.1016/j.proeng.2015.07.102
13. H. Anysz, A. Zbiciak, N. Ibadov, The Influence of Input Data Standardization Method on Prediction Accuracy of Artificial Neural Networks, Procedia Engineering 153, 2016, doi: 10.1016/j.proeng.2016.08.08
14. I. Foryś, R. Gaca, Theoretical and practical aspects of qualitative variable descriptions of residential property valuation multiple regression models. In: Proceedings, Foundation of the Cracow University of Economics, Cracow, 978-83-65173-48-5, pp 36-44, 2016
15. W.J. McCluskey, R.A. Borst, The Theory and Practice of Comparable Selection in Real Estate Valuation. In: d'Amato M., Kauko T. (eds) Advances in Automated Valuation Modeling. Studies in Systems, Decision and Control, vol 86. Springer, 2017
16. M. Ciuna, M. De Ruggiero, B. Manganelli, F. Salvo, M. Simonotti, Automated Valuation Methods in Atypical Real Estate Markets Using the Mono-parametric Approach. In: Gervasi O. et al. (eds) Computational Science and Its Applications - ICCSA 2017. ICCSA 2017. Lecture Notes in Computer Science, vol 10406. Springer, 2017, doi: 10.1007/978-3-319-62398-6
17. F. Tajani, P. Morano, M. Locurcio, N. D’Addabbo, Property valuations in times of crisis: artificial neural networks and evolutionary algorithms in comparison. In: Gervasi, O., Murgante, B., Misra, S., Gavrilova, M.L., Rocha, A.M.A.C., Torre, C., Taniar, D., Apduhan, B.O. (eds.) ICCSA 2015. LNCS, vol. 9157, pp. 194-209. Springer, 2015. doi: 10.1007/978-3-319-21470-2
18. M. Rogalska, P. Wolski, Prognozowanie cen 1m2 mieszkania na rynku pierwotnym w Warszawie metodą uogólnionych modeli addywnych, Logistyka 6/2014, pp 9101-9110, 2014
19. M. Rogalska, Wycena nieruchomości z wykorzystaniem metody wieloczynnikowych modeli statystycznych, (chapter in:) Inżynieria Przedsięwzięć Budowlanych. Problemy Modele Metody, (edit. Sobotka A., Radziszewska-Zielina E.), KILiW PAN, 2018
20. N. Ibadov, H. Anysz, Ustalenie stopnia zużycia technicznego obiektów budowlanych w zarządzaniu nieruchomościami, Technika Transportu Szynowego. Koleje, Tramwaje, Metro 10/2013, pp. 49-56, 2013
21. B. Nowogońska, Diagnoses in the Aging Process of Residential Buildings Constructed Using Traditional Technology, Bulidings, 2019, doi: 10.3390/buildings9050126
22. B. Kutera, H. Anysz, The methodology of technical due diligence report preparation for an office, residential and industrial buildings, MATEC Web of Conferences 86:07009, 2016, doi: 10.1051/matecconf/20168607009
23. M. Juszczyk, A. Leśniak, Modelling construction site cost index based on neural network ensembles. Symmetry 11(3), 2019
24. M. Juszczyk, A. Leśniak, K. Zima, ANN Based Approach for Estimation of Construction Costs of Sports Fields, Complexity (1), 2018, doi: 10.1155/2018/7952434
25. M. Rogalska, Wieloczynnikowe modele w prognozowaniu czasu procesów budowlanych, Lublin University of Technology, Lublin 2016, ISBN: 978-83-7947-186-7
26. H. Anysz, N. Ibadov, Neuro-fuzzy predictions of construction site completion dates, Technical Transactions 6/2017, Civil Engineering, pp. 51-58, 2017, doi: 10.4467/2353737XCT.17.086.6562
27. H. Anysz, Wykorzystanie sztucznych sieci neuronowych do oceny możliwości wystąpienia opóźnień w realizacji kontraktów budowlanych, Oficyna Wydawnicza PW, Warsaw, 2017
28. L. Zajączkowski, Z. Waszczyszyn, A. Tomana, M. Jakubek, Sztuczne sieci neuronowe w wycenie działek budowlanych. (chapter in:) Konferencja Naukowa Komitetu Inżynierii Lądowej i Wodnej PAN i Komitetu Nauki PZITB (49:2003; Warszawa-Krynica), Problemy naukowo-badawcze budownictwa, ISBN 837207433X, Oficyna Wydawnicza PW, Warsaw, 2003
29. J. Morajda, Wykorzystanie perceptronowych sieci neuronowych w zagadnieniu wyceny nieruchomości. Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie, (7), 101-108, 2005
30. T. Jasiński, A. Bochenek, Prognozowanie cen nieruchomości lokalowych za pomocą sztucznych sieci neuronowych. Studia i Prace WNEiZ US, 45, 317-328, 2016, doi: 1018276/sip.2016.45/1-25
Pobrania
Opublikowane
Jak cytować
Numer
Dział
