Моделирование свойств распределения цен на вторичном рынке жилой недвижимости в задачах информационного обеспечения экономических решений субъектов смежных рынков тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чан Хоанг Хиеу

• Чан Хоанг Хиеу
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Чан Хоанг Хиеу

ВВЕДЕНИЕ

ГЛАВА 1. КОНЦЕПТУАЛЬНЫЕ ОСНОВЫ МОДЕЛИРОВАНИЯ СВОЙСТВ РАСПРЕДЕЛЕНИЯ ЦЕН НА ВТОРИЧНОМ РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ

1.1. Анализ текущего состояния и векторов развития вторичного рынка жилой недвижимости в России

1.2. Теоретический базис анализа рынка жилой недвижимости

1.3. Принципы формирования распределения вероятности цен на вторичном рынке жилой недвижимости

Выводы к главе

ГЛАВА 2. ИНСТРУМЕНТЫ МОДЕЛИРОВАНИЯ МАТЕМАТИЧЕСКИХ СВОЙСТВАХ РАСПРЕДЕЛЕНИЯ ЦЕН, ОБУСЛОВЛЕННЫХ ПРОСТРАНСТВЕННЫМИ ФАКТОРАМИ, НА ВТОРИЧНОМ РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ

2.1. Методы машинного обучения при обработке данных вторичного рынка жилой недвижимости

2.2. Формирование алгоритма состязательного ценового моделирования на вторичном рынке жилой недвижимости

2.3. Сравнение методов машинного обучения в рамках моделирования свойств распределения цен, обусловленных пространственными факторами, на вторичном рынке жилой недвижимости

Выводы к главе

ГЛАВА 3. ИНСТРУМЕНТЫ МОДЕЛИРОВАНИЯ МАТЕМАТИЧЕСКИХ СВОЙСТВАХ РАСПРЕДЕЛЕНИЯ ЦЕН, ОБУСЛОВЛЕННЫХ ДИНАМИЧЕСКИМИ ФАКТОРАМИ, НА ВТОРИЧНОМ РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ

3.1. Инструменты динамического анализа при обработке данных вторичного рынка

жилой недвижимости

3.2. Кластерный анализ рынка вторичной жилой недвижимости Российской Федерации

3.3. Методическая детализация процесса анализа рыночного отклика на фундаментальные социально-экономические потрясения

Выводы к главе

ЗАКЛЮЧЕНИЕ

Список сокращений и условных обозначений

Список литературы

ПРИЛОЖЕНИЕ А

Введение диссертации (часть автореферата) на тему «Моделирование свойств распределения цен на вторичном рынке жилой недвижимости в задачах информационного обеспечения экономических решений субъектов смежных рынков»

ВВЕДЕНИЕ

Актуальность темы исследования. Одним из социально-значимых рынков, во многом определяющих и характеризующих специфику потребления и благосостояния народонаселения является рынок жилой недвижимости. В частности, вторичный рынок жилой недвижимости тесно связан с различными экономическим аспектами жизнедеятельности народонаселения. Анализ данного рынка играет важную роль в организации интегративной экономики, обеспечивая субъекты смежных рынков необходимой информацией для принятия обоснованных экономических решений. В качестве примера может быть приведена ключевая ставка, устанавливаемая Центральным банком, с учетом колебаний ставок по ипотечному кредиту [93]. Помимо центрального банка в качестве ключевых интересантов смежных рынков можно выделить коммерческие банки, субъекты инвестирования, государственные институты, предприятия строительной и не строительных отраслей. Для всех выделенных субъектов глубокое понимание состояния и динамики изменения состояния вторичного рынка жилой недвижимости необходимо для адаптации к меняющимся экономическим условиям, формирования эффективных стратегий развития и минимизации возможных рисков [113, 115].

Как отмечается в аналитических обзорах, события последних лет, включая пандемию COVID-19 и Специальную военную операцию (СВО), оказали значительное влияние на рынок недвижимости, подтверждая необходимость адаптации инструментов анализа. В 2020 году пандемия привела к снижению спроса на недвижимость и падению цен на 3%-5% (РБК), одновременно вызвав рост спроса на квартиры с террасами на 20% в связи с изменением паттернов потребления. Специальная военная операция в 2022 году привела к дальнейшему падению цен на недвижимость на 10%-15% и увеличению количества объявлений о продаже на 20% (данные аналитики РБК), что отражает негативное влияние санкций и вызванные ими изменения в экономической системе [107].

Для целей удовлетворения аналитических потребностей субъектов смежных рынков в свете данных изменений необходимы актуальные инструменты и методы

анализа вторичного рынка жилой недвижимости как в пространственном, так и во временном разрезе [118]. Подобные инструменты должны быть адаптированы к быстро меняющейся экономической среде, учитывать как экономические шоки, так и системные изменения в предпочтениях и поведении потребителей. Разработка и внедрение эффективных инструментов анализа позволит субъектам смежных рынков не только адаптироваться к текущим условиям, но и принимать эффективные экономические решения, способствуя устойчивому развитию экономики в целом [107, 120].

Степень разработанности научной проблемы. Область экономики недвижимости подвергается детальному научному анализу, целью которого является изучение рыночных механизмов, ценообразования, а также факторов спроса и предложения. Данный сектор привлекает внимание как российских, так и международных экспертов: Асаул А.Н., Альберто П., Астраханцева И.А., Веселкова Е.А., Горемыкина В.А., Дробышевская Л.Н., Жульков Ю.Н., Косарева Н.Б., Лавриненко Я.Б., Лимер Э.Э., Максимов С.Н., Марш А., Маттароччи Г., Россен В., Симоне Р., Смирнова Н.В., Соловьевв Ю.Ю., Степанова О.В., Стерник Г.М., Цыганенко В.С., Ши Х., Шиллер Р.Дж.

Статистические методы, вкупе с алгоритмическими процедурами машинного обучения, конституируют совокупность инструментов аналитического характера, ключевыми аспектами которых являются анализ данных и построение моделей комплексных систем. Данный инструментарий интегрирован в методологические основы исследовательских проектов, как на национальном, так и на международном уровне. Вклад в разработку и применение данных методов внесли учёные, в числе которых можно отметить следующих исследователей: Анхель И.Э., Викторова Н.Г., Зайцев А.А., Ильясов Р.Х., Ионеску А., Карымова А.В., Коваленко А.В., Кондратьев В.Ю., Кочинев Ю.Ю., Курочкина И.П., Петухова А.В., Родионов Д.Г., Светлов Н.М., Сет Дж., Сквайрс Дж., Соколицын А.С., Стерник Г.Л., Фишер И.И., Херкенс Э. Тем не менее, следует отметить, что потенциал статистических подходов и методов машинного обучения в задачах

анализа и моделирования данных о жилой недвижимости на вторичном рынке в рамках концепции больших данных ещё не реализован в полной мере.

Целью диссертационного исследования является разработка системно-связанного комплекса инструментов информационного обеспечения экономических решений субъектов смежных с рынком вторичной недвижимости на основе моделирования распределения вероятности цен. Для достижения поставленной цели исследования необходимо решение следующих задач:

1. Идентификация и системное описание ключевых тенденций развития вторичного рынка жилой недвижимости.

2. Формирование принципиальной схемы изменения распределения вероятности цен на вторичном рынке жилой недвижимости.

3. Разработка и апробация алгоритма ценового моделирования в рамках вторичного рынка жилой недвижимости в региональном разрезе на основе пространственных параметров.

4. Построение кластерной модели вторичного рынка жилой недвижимости Российской Федерации на основе гаусс-пространственного подхода.

5. Разработка методики анализа рыночного отклика на фундаментальные социально-экономические потрясения.

Объектом исследования является система региональных вторичных рынков жилой недвижимости.

Предметом исследования являются процессы и явления фазового перехода, формирующие распределение вероятности цен объектов вторичного рынка жилой недвижимости и оказывающие ключевое влияние на экономические решения субъектов смежных данному рынку.

Обоснованность результатов данного исследования определяется развитием научных положений, основанных на анализе обширной литературы отечественных и зарубежных авторов в областях математического и статистического анализа, теории рынка недвижимости и теории информации. Это позволило идентифицировать и систематизировать научные школы и направления, что способствовало адаптации и моделированию подходов в анализе рынка

недвижимости. Такой подход расширил границы научных знаний и устранил существующие пробелы, а также способствовал разработке экономико-математических моделей для анализа экономических процессов на рынке недвижимости.

Достоверность результатов данного исследования обусловлена тщательной проработкой и аргументацией научных положений и разработок, выполненных с использованием как общих, так и специализированных методов научного исследования. Результаты исследования были предметом практической апробации и обсуждения на международных и всероссийских научных конференциях, что подтверждает их значимость и актуальность. Кроме того, результаты были опубликованы в статьях ведущих научных журналов, включённых в список рекомендованный ВАК Министерства науки и высшего образования Российской Федерации.

Теоретическая и методологическая основа исследования. Данное исследование основывается на положениях экономической теории, теории анализа рынков недвижимости, принципах системного анализа, количественных методах анализа, теории вероятности и математической статистики, гауссовских моделях и алгоритмах машинного обучения.

Методы исследования: анализ и синтез, абстрагирование, сравнение, описательная статистика, методы математического моделирования, методы линейной регрессии, деревья решений, градиентный бустинг, случайные леса, кластерные модели, модели временных рядов, EDA анализ.

Информационной базой исследования выступили следующие источники: научные труды российских и зарубежных авторов из наукометрических баз данных РИНЦ, Scopus, Web of Science, ResearchGate, Google Scholar и др.; статистические данные государственных, консалтинговых и аналитических агентств; данные из информационных баз, находящихся в открытом доступе.

Научная новизна данного исследования заключается в формировании инструментального базиса анализа распределения вероятности цен на вторичном

рынке жилой недвижимости для целей информационного обеспечения экономических решений субъектов смежных рынков.

Положения, выносимые на защиту и обладающие научной новизной:

1. Идентифицированы и системно описаны ключевые тенденции развития вторичного рынка жилой недвижимости, в соответствии с которыми следствием параллельно развивающихся процессов урбанизации и деурбанизации экономики, стала интенсификация фазового перехода и как следствие изменение свойства распределения цен объектов рынка.

2. Сформирована принципиальная схема изменения распределения вероятности цен на вторичном рынке жилой недвижимости, дифференцирующая природу взаимодействия субъектов смежных рынков, и определяющая направления разработки инструментального обеспечения.

3. Разработан и апробирован алгоритм состязательного ценового моделирования для информационного обеспечения процессов принятия решений в экономических системах, основанный на сопоставлении монопространственного, гаусс-пространственного и гамма-пространственного подходов, что позволяет идентифицировать эффективное сочетание компонент и инструментов в рамках целеполагания моделирования вероятной цены объекта на вторичном рынке жилой недвижимости.

4. Сформирована статистически значимая кластерная модель вторичного рынка жилой недвижимости Российской Федерации, основанная на параметрах гаусс-пространственного подхода (математическое ожидание и дисперсия цен объектов), и выделяющая три ключевых региональных кластера, обладающих уникальными свойствами распределения, что дает возможность дифференцировать целевые совокупности для целей моделирования и обоснования экономических решений субъектов смежных рынков.

5. Разработана методика анализа рыночного отклика на фундаментальные социально-экономические потрясения, являющиеся основой фазового перехода, основанная на оценке изменения математического ожидания и среднеквадратического отклонения цены объектов вторичного рынка жилой недвижимости, аппроксимированной функцией гамма-распределения.

Теоретическая значимость данного исследования определяется развитием методологического базиса анализа и моделирования процессов, описывающих вторичный рынок жилой недвижимости, в условиях фазового перехода. Использование новых подходов к ценовому моделированию и анализу рыночного отклика на социально-экономические потрясения в рамках вторичного рынка жилой недвижимости расширяет существующий научный базис в части инструментального обеспечения, основанного на принципах системного анализа и машинного обучения в контексте обработки больших объемов данных.

Практическая значимость исследования проявляется в разработке и внедрении комплекса инструментов информационного обеспечения экономических решений субъектов смежных рынков, сформированного алгоритмом состязательного ценового моделирования, кластерной моделью вторичного рынка жилой недвижимости Российской Федерации и методикой анализа рыночного отклика на фундаментальные социально-экономические потрясения. Апробация разработанного алгоритма и методики была проведена при актуализации образовательной программы СПбПУ 01.04.05_01 «Моделирование и анализ больших данных в экономике».

Соответствие диссертации Паспорту специальностей ВАК. Диссертационное исследование выполнено в соответствии с пунктами 17. Развитие и применение инструментария разработки систем поддержки принятия решений в сфере экономической политики и обеспечения национальных интересов и 18. Развитие и применение инструментария проектирования, разработки и сопровождения информационных систем в интересах субъектов экономической деятельности специальности 5.2.2. Математические, статистические и

инструментальные методы в экономике Паспорта специальностей (экономические науки) ВАК Минобрнауки РФ.

Апробация и внедрение результатов исследования. Отдельные результаты исследования были изложены на ряде всероссийских и международных конференций, а именно: «Эффективное государственное и муниципальное управление как фактор социально-экономического развития территорий» (2020, 2021); «Информационные системы и технологии в моделировании и управлении») (2020, 2021); «Векторы регионального развития: успешные практики эффективного менеджмента» (2020); «Цифровое образование в РФ: состояние, проблемы и перспективы» (2019); «Экономика и индустрия 5.0 в условиях новой реальности» (ИНПР0М-2023, 2024); «Экономика будущего: тренды, вызовы и возможности» (2023, 2024).

Публикации. По теме и результатам исследования опубликовано 22 работы, общим объемом 26,16 п.л. (авторский вклад - 21,12 п.л.), в том числе 12 статей в изданиях, рекомендованных ВАК Минобрнауки РФ, объемом 18,48 п.л. (авторский вклад - 13,98 п.л.).

Структура и объем диссертационной работы. Данное диссертационное исследование состоит из трех глав, введения, заключения и библиографического списка. Введение диссертационного исследования отражает актуальность изучения вторичного рынка жилой недвижимости, определяет цели и задачи, объект и предмет исследования, а также выделяет элементы научной новизны. В первой главе проводится анализ существующего состояния вторичного рынка жилой недвижимости и его тенденций развития, формируется теоретико-методологический базис для комплексного анализа рынка и разрабатывается концептуальная модель, основанная на обработке данных большого объема. Во второй главе акцентируется внимание на методах машинного обучения для обработки больших данных и сравниваются алгоритмы машинного обучения в контексте их применения на вторичном рынке жилой недвижимости. Третья глава посвящена методам анализа временных рядов и кластерному анализу больших данных. Производится апробация разработанного алгоритма на основе гамма-

распределения. В заключении данной работы приведены ключевые научные и практические выводы, сделанные на основе результатов проведенного исследования. Объем диссертационного исследования составляет 155 страниц. В работе приведено 12 рисунков, 28 таблиц, одно приложение. Список литературы состоит из 184 источников.

Диссертационная работа выполнена в рамках реализации проекта «Разработка методологии формирования инструментальной базы анализа и моделирования пространственного социально-экономического развития систем в условиях цифровизации с опорой на внутренние резервы» (FSEG - 2023-0008).

ГЛАВА 1. КОНЦЕПТУАЛЬНЫЕ ОСНОВЫ МОДЕЛИРОВАНИЯ СВОЙСТВ РАСПРЕДЕЛЕНИЯ ЦЕН НА ВТОРИЧНОМ РЫНКЕ ЖИЛОЙ

НЕДВИЖИМОСТИ

1.1. Анализ текущего состояния и векторов развития вторичного рынка жилой недвижимости в России

Рынок жилой недвижимости в Российской Федерации традиционно является одним из наиболее значимых сегментов экономики, играя весомую роль в формировании внутреннего валового продукта и затрагивая интересы большинства граждан. Актуальное состояние этого рынка характеризуется рядом трендов, обусловленных как внутренними, так и внешними факторами.

В эпоху цифровой экономики значительные изменения происходят во всех сферах жизнедеятельности человека, и рынок вторичной жилой недвижимости не исключение. Технологическое развитие и инновации, такие как цифровизация процессов купли-продажи, искусственный интеллект и машинное обучение, радикально трансформируют этот сектор. Это исследование направлено на анализ этих изменений, чтобы выявить, как они влияют на прозрачность, эффективность и доступность рынка [84].

Основной тенденцией последнего десятилетия стала цифровизация, которая значительно упростила многие аспекты взаимодействия на рынке недвижимости. Риэлторские онлайн-платформы и агрегаторы объявлений теперь позволяют пользователям с минимальными затратами времени находить необходимую информацию, сравнивать цены и даже осуществлять виртуальные туры по объектам. Эти инновации делают рынок более открытым и доступным для широкой аудитории, уменьшая физические и временные барьеры [56].

Применение искусственного интеллекта и машинного обучения оказывает глубокое влияние на операционные процессы на рынке [110]. Алгоритмы машинного обучения, анализирующие большие массивы данных, помогают оптимизировать ценообразование и делают поиск недвижимости более целенаправленным и эффективным. Эти технологии способствуют не только

персонализации предложений, но и предоставляют возможности для более точного прогнозирования рыночных трендов [57, 114].

Социальные сети и мессенджеры также реформируют способы коммуникации на рынке. Они позволяют покупателям и продавцам вести переговоры в более неформальной и доступной манере. Кроме того, использование стриминговых сервисов для демонстрации объектов недвижимости помогает охватить более широкую аудиторию, включая потенциальных покупателей из других регионов или даже стран [50].

Цифровизация и внедрение новых технологий приводят к значительному повышению прозрачности на рынке [107]. Они уменьшают транзакционные издержки и расширяют аудиторию, что делает рынок недвижимости более эффективным и конкурентоспособным. Появление новых бизнес-моделей, таких как платформы для онлайн-торговли недвижимостью, открывает новые возможности для всех участников рынка [71].

Несмотря на очевидные преимущества, цифровизация также предъявляет новые требования к безопасности данных и цифровой грамотности пользователей. Важным аспектом становится защита персональных данных и борьба с мошенничеством, что требует усиленных мер безопасности и образовательных программ для пользователей [24].

Рассмотрим влияние различных факторов на: урбанизация и деурбанизация, изменения в законодательстве, изменения ключевой ставки центрального банка Российской Федерации, изменения в регулировании контроля долговых обязательств по ипотеке.

Урбанизация и деурбанизация. Это две противоположные тенденции, оказывающие значительное влияние на рынок вторичной недвижимости. Эти процессы приводят к изменениям в спросе и предложении, структуре цен и демографической динамике в различных регионах. Понимание этих изменений имеет критическое значение для инвесторов, разработчиков политик и участников рынка.

Урбанизация характеризуется ростом населения в крупных городах за счет миграции из меньших населенных пунктов и сельской местности. Это приводит к увеличению спроса на жилье в мегаполисах, что, в свою очередь, стимулирует рост цен и привлекает инвестиции в жилищный сектор. Развитие инфраструктуры улучшает качество жизни, делая крупные города еще более привлекательными для новых жителей [26]. Помимо увеличения числа компактных квартир-студий и микроквартир, происходит активная реновация жилого фонда, что также способствует росту стоимости жилья на вторичном рынке [115].

Параллельно урбанизации, деурбанизация описывает процесс оттока населения из малых городов, что ведет к снижению спроса на жилье в этих регионах. Старение жилого фонда и ограниченная инфраструктура снижают привлекательность меньших населенных пунктов, что может приводить к падению цен и увеличению времени, необходимого для продажи жилья [2]. Инвестиционные возможности в таких условиях становятся менее привлекательными, что усиливает экономические трудности в регионе.

Взаимодействие урбанизационных и деурбанизационных процессов создает сложные динамики на рынке вторичной недвижимости. Миграционные потоки, например, могут способствовать увеличению спроса на жилье в одних регионах и уменьшению в других, что требует внимательного анализа и стратегического планирования со стороны участников рынка [170].

Государственная политика в области градостроительства и развития инфраструктуры играет значительную роль в модулировании темпов урбанизации и деурбанизации. Инициативы по развитию транспортной доступности и коммерческой инфраструктуры могут стимулировать рост населения и экономической активности в отдельных регионах, тем самым влияя на рынок недвижимости [34, 114].

Изменения в законодательстве. В последние годы в России был реализован ряд законодательных инициатив, направленных на усиление защиты прав потребителей на рынке недвижимости. Одним из наиболее значимых нововведений стало введение эскроу-счетов, которое радикально изменило условия проведения

сделок купли-продажи вторичного жилья. Эти изменения не только повысили безопасность транзакций, но и способствовали увеличению прозрачности и доверия на рынке [25] .

С 1 июля 2018 года в России были введены эскроу-счета, как обязательный элемент при проведении сделок с недвижимостью. Эти счета предоставляют возможность заморозки средств покупателя до момента выполнения продавцом всех обязательств, что значительно минимизирует риски обеих сторон [1]. Преимущества такой системы включают не только повышение безопасности сделок, но и сокращение случаев множественных продаж одного объекта, что было распространенной проблемой в прошлом.

Помимо эскроу-счетов, с 1 января 2020 года были введены и другие меры защиты, такие как обязательное страхование титула и запрет на использование "серых" схем при продаже квартир. Эти меры направлены на устранение правовых рисков для покупателей и на повышение общей информированности потребителей. Страхование титула гарантирует защиту от возможных юридических проблем после приобретения имущества, в то время как запрет на "серые" схемы уменьшает вероятность финансовых потерь из-за недобросовестных продавцов.

Эти законодательные изменения оказали глубокое воздействие на рынок вторичной недвижимости. Прозрачность сделок значительно увеличилась, что, в свою очередь, повысило доверие потребителей к рынку. Однако следует отметить, что введение новых правил также привело к увеличению расходов, как для покупателей, так и для продавцов из-за необходимости оплаты дополнительных банковских и страховых услуг.

Изменения ключевой ставки центрального банка Российской Федерации. Ключевая ставка Центрального банка Российской Федерации играет критическую роль в экономике страны, влияя на многие аспекты финансовой деятельности, включая рынок вторичной недвижимости. Изменения в ключевой ставке влияют на стоимость и доступность ипотечных кредитов, спрос и предложение на вторичном рынке недвижимости, а также цены на жилье.

Ключевая ставка напрямую влияет на стоимость ипотечных кредитов. Повышение ставки обычно приводит к удорожанию ипотеки, увеличивая ежемесячные платежи и снижая спрос на покупку жилья через ипотечное кредитование. Наоборот, снижение ключевой ставки делает ипотеку более доступной, что стимулирует спрос и может привести к повышению цен на недвижимость из-за увеличенного количества потенциальных покупателей [37, 92]. Изменения ключевой ставки оказывают, как непосредственное (краткосрочное), так и отложенное (долгосрочное) воздействие на рынок недвижимости. В краткосрочной перспективе, рынок может испытывать волатильность цен и изменения в активности покупателей и продавцов из-за неопределенности и ожиданий относительно будущих ставок. Долгосрочные эффекты включают структурные изменения в спросе и предложении жилья, что может стабилизировать или изменить динамику цен на рынке [43].

Примеры из недавней истории подтверждают теоретические предположения: резкое повышение ключевой ставки в 2014-2015 годах привело к снижению спроса на ипотеку и падению цен на жилье, в то время как снижение ставки в 2019-2020 годах стимулировало рост спроса и увеличение цен [79, 98].

Реакция рынка недвижимости на изменения ключевой ставки зависит от множества факторов, включая общее состояние экономики, ожидания рынка, и текущую политику в сфере жилищного строительства и ипотечного кредитования. Эти факторы могут либо усиливать, либо смягчать воздействие изменений ставки.

Изменения в регулировании контроля долговых обязательств по ипотеке. В последние годы российское законодательство претерпело значительные изменения в части регулирования ипотечных кредитов, особенно в контексте контроля за долговыми обязательствами заемщиков. Данные изменения были направлены на снижение долговой нагрузки заемщиков, предотвращение потери жилья по ипотеке и общую стабилизацию рынка недвижимости.

1.2. Теоретический базис анализа рынка жилой недвижимости

Рынок занимает центральное место в экономической теории, отражая систему, в которой происходит распределение благ между участниками общества на возмездной основе. В рамках рыночной экономики стимулируется производство и обмен товаров, предоставляя возможности для накопления ресурсов посредством предпринимательской деятельности и реализации социальной функции перераспределения созданных ресурсов [81].

Рынок недвижимости, являющийся интегральной частью национальной экономики, объединяет участников, занимающихся куплей-продажей и эксплуатацией объектов недвижимости. Взаимодействие этих элементов порождает комплексные процессы, контролируемые определенными механизмами, формирующими стабильно функционирующую систему [90].

Аналитический подход к рынку недвижимости включает анализ его компонентов: объектов недвижимости, участников рынка, происходящих процессов и управленческих механизмов. Исследования рыночных особенностей направлены на разработку методик управления для повышения его эффективности и улучшения взаимодействия с другими экономическими секторами. Применение системного анализа позволяет углубленно изучать экономические механизмы этого рынка, воспринимаемого как многогранная система, где каждый элемент выполняет определенную функцию в общей структуре [120] .

Список литературы диссертационного исследования кандидат наук Чан Хоанг Хиеу, 2024 год

Список литературы

1. Федеральный закон от 1 июля 2018 г. N 175-ФЗ «О внесении изменений в Федеральный закон «Об участии в долевом строительстве многоквартирных домов и иных объектов недвижимости и о внесении изменений в некоторые законодательные акты Российской Федерации» и о внесении изменений в некоторые законодательные акты Российской Федерации» и отдельные законодательные акты Российской Федерации».

2. Постановление Правительства РФ от 06.11.2019 N 1407 «О предельной величине базы для исчисления страховых взносов на обязательное социальное страхование на случай временной нетрудоспособности и в связи с материнством и на обязательное пенсионное страхование» // КонсультантПлюс: [сайт]. - URL: https://www.consultant.ru/law/hotdocs/59737.html (дата обращения: 01.04.2024).

3. Авдеев А. В., Машков Е. А., Савина О. А. Выявление характеристик и сравнение популярных индикаторов технического анализа фондового рынка/ А. В. Авдеев, Е. А. Машков, О. А. Савина // Информационные системы и технологии. -2022. - № 6 (134). - С. 39-45.

4. Андреева Е. Л. Стратегические направления и приоритеты регионального развития в условиях глобальных вызовов / Е. Л. Андреева, А. В. Ратнер, П. Л. Глухих [и др.]. // Екатеринбург: Федеральное государственное бюджетное учреждение «Уральское отделение Российской академии наук» (УрО РАН), 2019. - 504 с.

5. Арташина И. А. Кластерный механизм реализации жилищной политики региона: монография / И. А. Арташина, Ю. Н. Жулькова, Н. Ю. Крутова // Под редакцией Т.Л. Батаева. - Нижний Новгород : Негосударственное образовательное учреждение высшего профессионального образования «Нижегородский институт менеджмента и бизнеса», 2013. - 291 c.

6. Асаул В. В. Анализ конкурентного рынка строительных работ и услуг / В.В. Асаул // Экономика строительства. - 2005. - №. 7.- С. 14-25.

7. Асманкина А. Н., Ларионова В. А., Беляева З. В. Интеграция энергоэффективных технологий в жилищном строительстве / А. Н. Асманкина, В.

А. Ларионова, З. В. Беляева // Российские регионы в фокусе перемен. - Ч .1. -Екатеринбург, 2018. - 2018. - Т. 1. - №. 12. - С. 303-318.

8. Астраханцева И. А., Смирнова Н. В. Оценка стоимости коммерческой недвижимости на основе моделей машинного обучения/ И. А. Астраханцева, Н. В. Смирнова //Научные труды Вольного экономического общества России. - 2022. -Т. 237. - №. 5. - С. 34-57.

9. Безвербная М. Ю. К вопросу о классификации и типологии объектов недвижимости / М. Ю. Безвербная // Пролог: журнал о праве. - 2016. - №. 4. - С. 21-24.

10. Букина И. С. Теоретические основы эконометрического моделирования российской экономики. Инвестиционная функция /И. С Букина, ВЕ Маневич //М.: Институт экономики РАН. - 2014. - 104 с.

11. Великанова Л.О. [и др.] Исследование тенденций развития рынка e-grocery в России на основе экономико-статистических методов / Л.О. Великанова, К. М. Иваненко, С. А. Яковлева, Д. С. Кагальницкая [и др.] // Фундаментальные исследования. - 2022. - № 3. - С. 59-64.

12. Великанова Л.О. и др. Предпрогнозный анализ временного ряда с выявлением тренд-сезонных компонент методом Четверикова с использованием средств MS Excel / Л.О. Великанова, Д. Н. Савинская, Л. К. Дунская, М. И. Попова // Современная экономика: проблемы и решения. - 2020. - Т. 10. - С. 18-25.

13. Веселкова Е. А., Соловьева Ю. Ю. Вопросы управления специализированными объектами недвижимости, находящимися в Федеральной собственности / Е. А. Веселкова, Ю. Ю. Соловьева // //Интерэкспо Гео-Сибирь. -2013. - Т. 6. - №. 1. - С. 243-246.

14. Викторова Н. Г., Тутуева Д. Д. Применение технологии искусственного интеллекта в финансовом учете нематериальных активов и гудвила / Н. Г. Викторова, Д. Д. Тутуева // Индустрия 5.0, цифровая экономика и интеллектуальные экосистемы (ЭКОПРОМ-2021): Сборник трудов IV Всероссийской (Национальной) научно-практической конференции и XIX сетевой

конференции с международным участием, Санкт-Петербург, 18-20 ноября 2021 года. - Санкт-Петербург: ПОЛИТЕХ-ПРЕСС. - 2021. - С. 552-555.

15. Володин А. А. Корреляционно-регрессионный Анализ социально-экономических отношений в России и в мире / А. А. Володин, А. С. Соколицын // Неделя науки СПбПУ : Материалы научной конференции с международным участием. Институт промышленного менеджмента, экономики и торговли. В 3-х частях, Санкт-Петербург, 18-23 ноября 2019 года. Том Часть 2. - Санкт-Петербург: Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого». - 2019. - С. 20-23.

16. Гаврилов Е. В. Российская Федерация, субъекты Российской Федерации, муниципальные образования как субъекты права на защиту деловой репутации / Е. В. Гаврилов // Гражданский кодекс Российской Федерации: 25 лет действия. -2019. - С. 98-103.

17. Глумнушина П. С. Развитие открытых общественных пространств при строительстве коммерческой и жилой недвижимости / П. С. Глумнушина // Весенние дни науки. - Екатеринбург, 2022. - 2022. - С. 626-631.

18. Горемыкин В. А. Экономика недвижимости / В. А. Горемыкин // Litres, 2018. - 217 c.

19. Горский А. В. О возможностях использования систем компьютерной математики в учебном процессе / А. В. Горский //Вестник Чувашского государственного педагогического университета им. И.Я. Яковлева. - 2017. - №2. 31 (95). - С. 90-99.

20. Демин И. Концепция кластера в технологиях интеллектуального анализа данных / И. Демин И. // Риск: ресурсы, информация, снабжение, конкуренция. -2012. - №. 1. - С. 260-263.

21. Дмитриев Н.Д., Родионов Д.Г., Зайцев А.А., Викторова Н.Г. Построение и тестирование модели оценки экономической эффективности от внедрения бережливых технологий в корпоративной среде / Н.Д. Дмитриев, Д.Г. Родионов,

A.А. Зайцев, Н.Г. Викторова // Бизнес. Образование. Право. - 2023. - № 2 (63). -С. 90-97.

22. Дмитриев Н. Д., Зайцев А. А., Унгвари Л. Развитие экономико-математического аппарата управления интеллектуальным капиталом через оптимизационные модели / Н. Д. Дмитриев, А. А. Зайцев, Л. Унгвари // Бизнес. Образование. Право. - 2023. - № 4 (65). - С. 35-42.

23. Дробышевская Л.Н., Сумароков Н.В. Проектное финансирование жилищного строительства в Российской Федерации: роль смарт-контрактов / Л.Н. Дробышевская, Н.В. Сумароков // Инновационное развитие экономики. -2023. - № 5 (77). - С. 69-77.

24. Дружинин А. Е., Алексеева Н. С. Анализ цифровизации информационных сервисов в риелторской сфере / А. Е. Дружинин, Н. С. Алексеева //Новеллы права, экономики и управления 2019. - 2020. - С. 247-251.

25. Дубова С. Е., Егунова А. В., Шергин В. В. Ключевая ставка Банка России как инструмент регулирования банковской ликвидности: проблемы и возможности в условиях режима инфляционного таргетирования / С. Е. Дубова, А. В. Егунова,

B. В. Шергин // Известия ВУЗов. Серия «Экономика, финансы и управление производством». - 2017. - № 1 (31). - С. 3-9.

26. Екимова Н. А. Демографические тренды регионов России: в поисках источников роста / Н. А. Екимова // Бизнес. Образование. Право. - 2023. - № 3 (64). - С. 60-65.

27. Ершов М. Как обеспечить стабильное развитие в условиях финансовой нестабильности / М. Ершов //Вопросы экономики. - 2007. - №. 12. - С. 4-20.

28. Землянский А. А., Светлов Н. М. Теоретические основы формализации линейного экономико-математического моделирования / А. А. Землянский, Н. М. Светлов // Современные информационные технологии в экономике: Сборник научных трудов. - Москва: Московский экономико-статистический институт. -1992. - С. 86-10.

29. Зеткина О. В., Чистякова А. А. Бедность в регионах России: определение основных факторов на основе эконометрической модели / О. В. Зеткина, А. А. Чистякова // Бизнес. Образование. Право. - 2021. - № 2(55). - С. 167-171.

30. Ильясов Р. Х., Родионов Д. Г., Хуан Тао Моделирование свойств распределения цен на рынке золота // / Р. Х. Ильясов, Д. Г. Родионов, Хуан Тао // Известия Санкт-Петербургского государственного экономического университета.

- 2024. - № 4.

31. Ильясов Р. Х., Родионов Д. Г., Хуан Тао Моделирование свойств распределения цен на рынке недвижимости Китая // / Р. Х. Ильясов, Д. Г. Родионов, Хуан Тао // Известия Санкт-Петербургского государственного экономического университета. - 2024. - № 4. - а 42-49.

32. Ильясов Р. Х. Тенденции стоимости потоков экспорта: сплайн-анализ / Р. Х. Ильясов // Экономический анализ: теория и практика. - 2022. - Т. 21 - №2 3(522).

- С. 573-587.

33. Ильясов Р. Х. «Латентные» корреляции потоков в экономике: сплайн-анализ / Р. Х. Ильясов // Известия Санкт-Петербургского государственного экономического университета. - 2021. - № 1(127). - С. 35-41.

34. Кабакова С. И. Особенности урбанизации в странах Западной Европы в контексте проблем развития урбанизации в России / С. И. Кабакова // Инновации и инвестиции. - 2014. - № 5. - С. 85-88.

35. Капустина Ю. А., Ильясов Р. Х. Экономика хактивизма - новый вектор развития теневого бизнеса / Ю. А. Капустина, Р. Х. Ильясов // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. - 2022. - Т. 12 - № 5. - С. 56-67.

36. Карымова А. В. Нейросетевой кластерный анализ регионов России с целью анализа изобретательской деятельности РФ с использованием нейросетевого кластерного анализа / А.В. Карымова //Современные проблемы и перспективные направления. - 2021. - С. 74-77.

37. Коваленко А.В., Луценко Е. В., Печурина Е. К., Уртенов М. Открытая персональная интеллектуальная технология разработки и применения адаптивных

методик оценки инвестиционной привлекательности и кредитоспособности предприятий / А.В. Коваленко, Е. В. Луценко, Е. К. Печурина, М. Уртенов //Вестник Пермского университета. Серия: Экономика. - 2019. - Т. 14. - №. 1. -С. 20-50.

38. Кондратьев В. Ю., Ефимиади Л. К. Экономическая оценка эффективности информационных систем методиками инвестиционного анализа / В. Ю. Кондратьев, Л. К. Ефимиади // Современная экономика: проблемы и решения. -2023. - № 11(167). - С. 58-72.

39. Кондратьев В. Ю., Ефимиади Л. К. методы оценки эффективности информационных систем / В. Ю. Кондратьев, Л. К. Ефимиади // Современная экономика: проблемы и решения. - 2022. - № 10(154). - С. 107-120.

40. Конников Е. А. [и др.] Математические методы прогнозирования стоимости рыночных активов: информационный фон как медиатор рынка / Е. А. Конников, Д. П. Маршалов, С. В. Бекишев [и др.] // Мягкие измерения и вычисления. - 2023. - Т. 73, № 12. - С. 28-35.

41. Конников Е. А., Чан Х. Х., Родионов Д. Г., Зайцев А. А. Методическая детализация процесса моделирования свойств сущностно-содержательного посыла, кодируемого в форме символьных конструктов данных / Е. А. Конников, Х. Х. Чан, Д. Г. Родионов, А. А. Зайцев // Экономический вестник. - 2024. - № 3 (1). - С. 244-269.

42. Конников Е. А., Чан Х. Х., Шаныгин С. И. Логико-математическая детализация процесса взаимодействия предприятия с основными типами субъектов информационной среды / Е. А. Конников, Х. Х. Чан, С. И. Шаныгин // Экономический вестник. - 2024. - № 3 (1). - С. 178-205.

43. Косарева Н. Б. Новая жилищная стратегия / Н. Б. Косарева // Стратегия -2020: Новая модель роста — новая социальная политика. Итоговый доклад о результатах экспертной работы по актуальным проблемам социально-экономической стратегии России на период до 2020 года. - 2013. № 14. - С. 9-44.

44. Кочинев Ю. Ю. Оценка прогнозного искажения информации в генеральной совокупности модифицированным монетарным методом / Ю. Ю. Кочинев // Аудитор. - 2019. - Т. 5- № 3. - С. 16-20.

45. Кропотов Л. Г. О видах классификации договорных форм коммерческих инвестиций в объекты капитального строительства. / Л. Г. Кропотов // Вопросы имущественной политики. - 2012. - №11. - C. 41-55.

46. Кумратова А. М., Ковалева К. А., Чикатуева Л. А., Василенко И. И. Адаптация математических методов и моделей фрактального анализа к исследованию агрегированных экономических временных рядов данных страховой компании / А. М. Кумратова, К. А. Ковалева, Л. А. Чикатуева, И. И. Василенко // Современная экономика: проблемы и решения. - 2020. - Т. 11. - С. 45-54.

47. Кумратова А. М., Ковалева К. А., Великанова Л. О., Клинцевич Р. И. О свойствах нелинейности динамических социальноэкономических систем и процессов / А. М. Кумратова, К. А. Ковалева, Л. О. Великанова, Р. И. Клинцевич // Современная экономика: проблемы и решения. - 2020. - № 12(132). - С. 27-34.

48. Курочкина И. П., Калинин И. И., Маматова Л. А., Шувалова Е. Б. Нейронные модели в диагностике финансового результата предприятий жилищно-коммунального хозяйства / И. П. Курочкина, И. И. Калинин, Л. А. Маматова, Е. Б. Шувалова // Статистика и Экономика. - 2019. - Т. 16 - № 3. - С. 52-60.

49. Курочкина И. П., Калинин И. И., Маматова Л. А., Шувалова Е. Б. Метод нейронных сетей в моделировании финансовых показателей компании / И. П. Курочкина, И. И. Калинин, Л. А. Маматова, Е. Б. Шувалова // Статистика и Экономика. - 2019. - № 5. - С. 33-41.

50. Лавриненко Я. Б. Тренды Интернет-маркетинга на рынке недвижимости/ Я. Б. Лавриненко // ФЭС: Финансы. Экономика. - 2018. - Т. 15. - №. 11. - С. 41-46.

51. Лагутина Н. С., Лагутина К. В., Бредерман А. М., Касаткина Н. Н. Классификация текстов по уровням CEFR с использованием методов машинного обучения и языковой модели BERT / Н. С. Лагутина, К. В. Лагутина, А. М. Бредерман, Н. Н. Касаткина // Моделирование и анализ информационных систем. - 2023. - Т. 30 - № 3. - С. 202-213.

52. Мазилов Е. Развитие промышленного комплекса в контексте модернизации экономики региона. - Litres, 2022.

53. Маккаева Р. С. А. Фискальная и налоговая политика и порядок на рынке недвижимости / Р. С. А. Маккаева // Юность и знания-гарантия успеха-2023. - 2023. - С. 175-178.

54. Максимов С. Н. Недвижимость как экономический актив / С. Н. Максимов //Вестник Санкт-Петербургского университета. Экономика. - 2010. - №. 1. - С. 311.

55. Маматов А. В., Машкова А. Л., Новикова Е. В., Савина О. А. Воспроизведение динамики населения регионов России методом агентного моделирования / А. В. Маматов, А. Л. Машкова, Е. В. Новикова, О. А. Савина // Информационные системы и технологии. - 2019. - № 2 (112). - С. 48-55.

56. Мамедова Л. Б. Тенденции цифровизации на рынке недвижимости / Л. Б. Мамедова // Наука и технологии - 2023 : Сборник статей II Международной научно-практической конференции, Петрозаводск, 06 июня 2023 года. -Петрозаводск: Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.). - 2023. - C. 157-161.

57. Манило М. К. Проектирование сервиса подбора недвижимости на основе нечетких алгоритмов поиска / М. К. Манило // Актуальные научные исследования в современном мире. - 2019. - № 4-7(48). - С. 89-93.

58. Маршалов Д. П., Родионов Д. Г., Конников Е. А. [и др.] Сравнительный анализ эффективности подходов к прогнозированию стоимости акций компании банковского сектора / Д. П. Маршалов, Д. Г. Родионов, Е. А. Конников [и др.] // Мягкие измерения и вычисления. - 2023. - Т. 73- № 12. - С. 7-15.

59. Маршалов Д. П., Заборовская О. В., Шарафанова Е. Е., Конников Е. А. Статистические методы анализа влияния внешней среды на развитие фондовых рынков / Д. П. Маршалов, О. В. Заборовская, Е. Е. Шарафанова, Е. А. Конников // Экономические науки. - 2023. - № 221. - С. 214-221.

60. Маршалов Д. П., Заборовская О. В., Шарафанова Е. Е., Конников Е. А. Анализ прогностической способности логистических моделей в рамках фондового

рынка / Д. П. Маршалов, О. В. Заборовская, Е. Е. Шарафанова, Е. А. Конников // Известия Санкт-Петербургского государственного экономического университета.

- 2023. - №. 6-1 (144). - С. 40-45.

61. Матвеева Е. С. Реалии рынка жилой недвижимости: влияние глобальных процессов, урбанизация и дигитализация / Е. С. Матвеева //Жилищные стратегии.

- 2018. - Т. 5. - №. 4. - С. 485-500.

62. Машкова А. Л., Натиша Д., Неволин И. В., Савина О. А Прогнозная оценка доступности сбалансированного рациона питания для жителей регионов России: агент-ориентированный подход / А. Л. Машкова, Д. Натиша, И. В. Неволин, О. А Савина // Экономические и социальные перемены: факты, тенденции, прогноз.

- 2021. - Т. 14 - № 6. - С. 107-125.

63. Машкова А. Л., Маматов А. В., Савина О. А. Прогнозирование динамики кадрового потенциала в регионах России с использованием методов агент -ориентированного моделирования / А. Л. Машкова, А. В. Маматов, О. А. Савина // Искусственные общества. - 2019. - Т. 14. - № 3. - С. 7.

64. Машкова А. Л., Новикова Е. В., Савина О. А. Генерация организаций в компьютерной модели пространственного развития России / А. Л. Машкова, Е. В. Новикова, О. А. Савина // Информационные системы и технологии. - 2020. - № 4 (120). - С. 28-34.

65. Машкова А. Л., Новикова Е. В., Савина О. А. Управление инфраструктурными проектами в агентной модели прогнозирования пространственного развития России / А. Л. Машкова, Е. В. Новикова, О. А. Савина // Друкеровский вестник. - 2019. - № 5 (31). - С. 207-217.

66. Медяник Ю. В. Проблемы классификации и оценки объектов недвижимости незавершенного строительства / Ю. В. Медяник // Русское предпринимательство. - 2014. - № 19. - С. 265.

67. Мовчан О. В. Теоретические аспекты исследования рынка недвижимости в крупных промышленных городах / О. В. Мовчан О. В. // Экономика строительства и городского хозяйства. - 2019. - Т. 15. - № 3. - С. 203-209.

68. Моттаева А. Б., Смирнова И. А., Конников Е. А., Сергеев Д. А. Принципы зеленой экономики и перспективы их применения для повышения устойчивости кластеризованных промышленных комплексов региона / А. Б. Моттаева, И. А. Смирнова, Е. А. Конников, Д. А. Сергеев // Экономические науки. - 2023. - № 221.

- C. 232-242.

69. Моттаева А.Б., Терентьева Д.А., Конников Е. А., Заборовская О.В., Абдулаева З.И. Применение нечетко-множественного подхода к анализу устойчивого развития промышленного комплекса на примере Республики Карелия / А.Б. Моттаева, Д.А. Терентьева, Е. А. Конников, О.В. Заборовская, З.И. Абдулаева // Мягкие измерения и вычисления. - 2023. - № 05. - C. 61-69.

70. Нагорная Е. В., Савина О. А. Имитационный подход к задаче распределения потоков по перемещению твердых бытовых отходов / Е. В. Нагорная, О. А. Савина // Информационные системы и технологии. - 2024. -№ 1(141). - С. 37-42.

71. О жилищном строительстве в 2020 году // Росстат: [сайт]. - URL: https://rosstat.gov.ru/bgd/free/b04_03/IssWWW.exe/Stg/d02/21.htm (дата обращения 01.04.2024).

72. Опатало О. А., Макарцова Т. Н., Цвиренко С. В. Тенденции экономического развития строительной отрасли: мировой опыт и российские инновации / О. А. Опатало, Т. Н. Макарцова, С. В Цвиренко // Кант. - 2017. - №4.

- C. 1-4.

73. Палховская Т. Ю. Теоретические концепции риска финансирования недвижимости / Т. Ю. Палховская // Экономика, Статистика и Информатика. -2008. - №2. - C. 40-43.

74. Патрушева Е. Г., Уткин В. С. Основные источники формирования капитала российских предприятий в условиях импортозамещения / Е. Г. Патрушева, В. С. Уткин // Индустриальная экономика. - 2024. - № 1. - С. 172-178.

75. Петриченко Ю. В. Прогнозирование цен на жилую недвижимость на рынке Челябинска методами машинного обучения / Ю. В. Петриченко // Студент и научно-технический прогресс. - 2020. - C. 223-226.

76. Петухова А.В., Коваленко А.В., Теунаев Д.М. Обзор динамических свойств и алгоритмов обучения нечетких когнитивных карт / А.В. Петухова, А.В. Коваленко, Д.М. Теунаев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2021. - № 167. -С. 43-74.

77. Попова Е. В., Кочкарова П. А., Курносова Н. С. [и др.] Исследование и разработка информационной системы ранжирования альтернатив / Е. В. Попова, П. А. Кочкарова, Н. С. Курносова [и др.] // Современная экономика: проблемы и решения. - 2023. - № 7(163). - С. 17-25.

78. Попова Е. В., Курносова Н. С., Савинская Д. Н. [и др.] Моделирование и разработка информационной системы оценки страховых запасов / Е. В. Попова, Н. С. Курносова, Д. Н. Савинская [и др.] // Современная экономика: проблемы и решения. - 2023. - № 6(162). - С. 16-28.

79. Попова Е. А., Белизев Р. Н. Рынок жилой недвижимости России на современном этапе развития экономики // Journal of Ekonomi end Busines. 2021. (vol 3-1 (7). C. 44-47.

80. Попова И. А. Обнаружение аномалий в наборе данных с помощью алгоритмов машинного обучения без учителя Isolation Forest и Local Outlier Factor / И. А. Попова //StudNet. - 2020. - Т. 3. - №. 12. - С. 1460-1470.

81. Прокофьев К. Ю. Рынок недвижимости: понятие, анализ (на примере рынка городской жилой недвижимости) / К. Ю. Прокофьев //Экономический анализ: теория и практика. - 2014. - №. 3 (354). - С. 43-55.

82. Пчелинцев О. С. Частная собственность создается не приватизацией, а инвестициями / О. С. Пчелинцев //Экономическая наука современной России. -2000. - №. 1. - С. 40-49.

83. Ресин В.И., Владимирова И. Л., Дмитриев А. Н. , Носов С. И. [и др.] 20 лет кафедре управления проектами и программами РЭУ имени Г.В. Плеханова: научные результаты и перспективы совершенствования управления проектами в инвестиционно-строительной сфере, недвижимости и природопользования /

B.И. Ресин, И. Л. Владимирова, А. Н. Дмитриев, С. И. Носов [и др.] // Экономика и строительство. - 2016. - №3. -C. 4-13.

84. Решетов К. Ю., Барак Е. Г., Полякова А. А. Особенности ведения поэтапного раскрытия экскроу-счетов в строительном предпринимательстве России / К. Ю. Решетов, Е. Г. Барак, А. А. Полякова // Modern Economy Success. -2022. - №5. - C. 80-84.

85. Родионов Д. Г., Чан Х. Х., Конников Е. А., Унгвари Л. Методы машинного обучения в исследовании рынка жилой недвижимости / Д. Г. Родионов , Х. Х. Чан, Е. А. Конников, Л. Унгвари // Известия Санкт-Петербургского государственного экономического университета. - 2023. - № 6-2(144). - С. 123-130.

86. Русина Н. А., Цуканов А. В., Чан Х. Х. Бот-технологии для последовательного статистического анализа в больших базах маркетинговых данных / Н. А. Русина, А. В. Цуканов, Х. Х. Чан //Информационные системы и технологии в моделировании и управлении : сборник трудов VI Международной научно-практической конференции, Ялта, 24-26 мая 2021 года. Крымский федеральный университет имени В. И. Вернадского, Гуманитарно-педагогическая академия (филиал). - Симферополь: Общество с ограниченной ответственностью «Издательство Типография «Ариал», 2021. - С. 7-15

87. Светлов Н. М. Цифровая эпоха: вызовы и возможности для моделирования продуктовых рынков / Н. М. Светлов // Вестник Гуманитарного университета. -2024. - Т. 12 - № 1. - С. 23-34.

88. Светлов Н. М. Недооценка информационных издержек: причины и следствия / Н. М. Светлов // Известия Тимирязевской сельскохозяйственной академии. - 2021. - № 6. - С. 148-162.

89. Севек Р. М., Монгалбии С. М., Донгак Б. И. Инвестиционный рынок и его участники / Р. М. Севек, С. М. Монгалбии, Б. И. Донгак //Экономика, бизнес, инновации. - 2018. - С. 115-119.

90. Симионова Н. Е. Аналитический инструментарий сделок на рынке недвижимости / Н. Е. Симионова // Экономика строительства. - 2017. - №1 (37). -

C. 14-20.

91. Сиразетдинов Р. М. Формирование инновационной стратегии управления инвестиционной деятельностью (на примере анализа рынка недвижимости) / Р. М. Сиразетдинов Р. М. // Известия Казанского государственного архитектурно-строительного университета. - 2011. - №. 1 (15). - С. 199-205.

92. Смагулова С. М. Волатильность цен на мировых рынках сырья и её взаимосвязи с глобальным экономическим ростом / С. М. Смагулова //Российский внешнеэкономический вестник. - 2023. - №. 5. - С. 17-32.

93. Соболева О. Н., Назарова Л. Н. Зарубежные модели финансирования кредитов ипотечными облигациями и возможность их применения в России / О. Н. Соболева, Л. Н. Назарова //Экономика и предпринимательство. - 2019. - №. 3. - С. 1284-1288.

94. Сорокин В. И., Зайцев А. А., Конников Е. А., Борисов О. Ю. Гендерная специфика как фактор дисперсии доходности на рынке частных инвестиций / В. И. Сорокин, А. А. Зайцев, Е. А. Конников, О. Ю. Борисов // Экономические науки. - 2023. - № 223. - С. 377-386.

95. Сотникова Е. Ю., Абакумов Р. Г., Наумов А. Е. Стратегия управления урбанизацией c учетом социально-экономического развития Белгородской области / Е. Ю. Сотникова, Р. Г. Абакумов, А. Е. Наумов //Инновационная экономика: перспективы развития и совершенствования. - 2018. - №. 1 (27). - С. 161-166.

96. Статистика // Росстат: [сайт]. - URL https://rosstat.gov.ru/databases (дата обращения 15.03.2024).

97. Стерник Г. М. Анализ рынка недвижимости для профессионалов. -Экономика, 2009. - 606 с.

98. Стерник Г. М., Стерник С. Г. Методология моделирования и прогнозирования жилищного рынка / М: РГ-Пресс - 2018. - 592 с.

99. Стерник С. Г., Телешев Г. В. Структура портфелей недвижимых активов на балансе банков как фактор устойчивости банковской системы / С. Г. Стерник, Г. В. Телешев //Финансы и кредит. - 2019. - Т. 25. - №. 2 (782). - С. 293-311.

100. Сульдина Г. А. Институциональное проектирование общественного сектора экономики региона / Г. А. Сульдина //Социально-экономические явления и процессы. - 2010. - №. 3. - С. 232-234.

101. Тарасова Н. Ю., Машкова А. Л., Савина О. А., Новикова Е. В. Построение сценариев инновационной трансформации отраслевой структуры экономики России с учетом влияния шестого технологического уклада / Н. Ю. Тарасова, А. Л. Машкова, О. А. Савина, Е. В. Новикова // Друкеровский вестник. - 2021. - № 2 (40).

- С. 38-48.

102. Титова Д. А. Оценка инвестиционных качеств портфеля недвижимости: подходы и методы / Д. А. Титова //Пермский финансовый журнал. - 2020. - № 1. -С. 63-88.

103. Хрусталев Е. Ю., Ларин С. Н., Хрусталев О. Е. Антикризисные механизмы в экономике ведущих стран мира и в экономике России / Е. Ю. Хрусталев, С. Н. Ларин, О. Е. Хрусталев //Экономика и бизнес: теория и практика. - 2021. - № 10-2.

- С. 141-147.

104. Цуканов А. В., Х.Х. Ч. Технологии ЯРА и Ы§ёа1а в маркетинговых исследованиях / А. В. Цуканов, Х. Х. Чан // Информационные системы и технологии в моделировании и управлении: Сборник трудов V Международной научно-практической конференции, Ялта, 20-22 мая 2020 года / Отв. редактор К.А. Маковейчук. - Ялта: Общество с ограниченной ответственностью «Издательство Типография «Ариал», 2020. - С. 387-392.

105. Цуканов А. В., Чан Х. Х. Дисперсионный анализ больших данных по недвижимости / А. В. Цуканов, Х. Х. Чан // Цифровое образование в РФ: состояние, проблемы и перспективы: Материалы Международного форума, Санкт-Петербург, 28-31 октября 2019 года. - Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2019. - С. 114117.

106. Цуканов А. В., Чан Х. Х. Технологии больших данных для анализа динамики рынка недвижимости / А. В. Цуканов, Х. Х. Чан // Векторы регионального развития: успешные практики эффективного менеджмента: сборник

материалов всероссийской национальной (с международным участием) научно-практической конференции, Севастополь, 07-09 октября 2020 года / Севастопольский филиал ФГБОУ ВО «РЭУ им. Г.В. Плеханова». - Симферополь: Общество с ограниченной ответственностью «Издательство Типография «Ариал», 2020. - С. 91-95.

107. Чан Х. Х., Конников Е.А., Родионов Д.Г., Борисов О.Ю. Кластерный анализ рынка вторичной жилой недвижимости / Х. Х. Чан, Е.А. Конников, Д.Г. Родионов, О.Ю. Борисов // Modern Economy Success. - 2024. - № 3. - С. 212-220.

108. Чан Х.Х., Поляков П.А., Старченкова О.Д., Конников Е.А. Анализ эффективности использования синтетических экономических факторов для предсказания цен цифровых активов следующего дня / Х.Х. Чан, П.А. Поляков, О.Д. Старченкова, Е.А. Конников // Экономический вестник. - 2024. - № 3 (2). -С. 252-278.

109. Чан Х. Х., Себбаггала Т.М., Попова С., Конников Е.А. Изучение прогностической способности алгоритма дерева решений для определения прибыльности акций / Х.Х. Чан, Д.П. Маршалов, Т.М. Себбаггала, С. Попова, Е.А. Конников // Мягкие измерения и вычисления- 2024. - № 6. - С. 114-125.

110. Чан Х. Х. Автоматизация процессов устойчивого развития региональных систем с RPA / Х. Х. Чан // Сборник Международной научно-практической конференции «Современные парадигмы устойчивого развития региональных социально-экономических систем в условиях роста неопределенности внешней среды» 21-22 апреля 2023 года. - г. Гатчина, Ленинградская область. - 2023. -С. 164-170.

111. Чан Х. Х. Применение машинного обучения в исследованиях рынка недвижимости / Х. Х. Чан // Мягкие измерения и вычисления. - 2024. - № 7. -С. 14-39.

112. Чан Х. Х. Кластерный анализ на рынке недвижимости / Х. Х. Чан // Международной научно-практической конференции «Современные парадигмы устойчивого развития региональных социально-экономических систем в условиях

роста неопределенности внешней среды» 20-21 апреля 2024 года. г. Гатчина, Ленинградская область. - 2024. - С. 10-15.

113. Чан Х. Х. Анализ привлечения прямых иностранных инвестиций в недвижимость Вьетнама в пандемических условиях / Х. Х. Чан // Modern Economy Success. - 2021. - № 4. - С. 30-38.

114. Чан Х. Х. Повышение эффективности государственного и муниципального управления на основе технологии RPA / Х. Х. Чан // Эффективное государственное и муниципальное управление как фактор социально-экономического развития территорий: Сборник научных статей II Всероссийской научно-практической конференции студентов, аспирантов, молодых ученых, Севастополь, 20 апреля 2021 года. - Севастополь: Федеральное государственное автономное образовательное учреждение высшего образования "Севастопольский государственный университет", 2021. - С. 188-191.

115. Чан Х. Х. Оценка залоговой недвижимости во Вьетнаме / Х. Х. Чан // Modern Economy Success. - 2023. - № 5. - С. 241-247.

116. Чан Х. Х. Развитие исследований в сфере рынка недвижимости / Х. Х. Чан // Мягкие измерения и вычисления- 2024. - № 7. - С. 208-227.

117. Чан Х. Х., Конников Е. А., Родионов Д. Г. Динамический анализ рынка жилой недвижимости / Х. Х. Чан, Е.А. Конников, Д.Г. Родионов // Modern Economy Success. - 2024. - № 4. - С. 43-58.

118. Чан Х. Х., Конников Е. В., Родионов Д. Г. Методика анализа рыночного отклика в контексте рынка жилой недвижимости / Х. Х. Чан, Е.А. Конников, Д.Г. Родионов// Modern Economy Success. - 2024. - № 3. - С. 257-264.

119. Чан Х. Х., Цуканов А. В. Использование информационных технологий RPA и BIGDATA при принятии решений в городском управлении / Х. Х. Чан, А. В. Цуканов // Эффективное государственное и муниципальное управление как фактор социально-экономического развития территорий: Сборник материалов Всероссийской научно-практической конференции студентов, аспирантов, молодых ученых, Севастополь, 25 февраля 2020 года. - Севастополь: Федеральное

государственное автономное образовательное учреждение высшего образования «Севастопольский государственный университет», 2020. - С. 260-264.

120. Чибикова Т. В. Понятие, сущность и структура рынка недвижимости / Т. В. Чибикова //Омский научный вестник. - 2015. - №. 1 (135). - С. 190-195.

121. Шалаев М. М. Исследование и реализация распределенных масштабируемых алгоритмов классификации, регрессии и кластеризации. Litres, 2014. - 84 c.

122. Юсунов Р. Г. Ванесян А. С., Калужина С. А., Шляхов С. М. [и др.] Новая наука: теоретический и практический взгляд / Р. Г. Юсунов, А. С. Ванесян, С. А. Калужина, С. М. Шляхов // Международное научное периодическое издание по итогам Международной научно-практической конференции (04 октября 2016 г., г. Ижевск). - Стерлитамак: АМИ, 2016. - 220 c.

123. Arbatskaya D. E. Comparative analysis of approaches to modeling changes in financial markets of the technological sector of the economy / D. E. Arbatskaya // Soft measurements and calculations. - 2024. - V. 74 - №. 1. - P. 71-82.

124. Bagherzadeh J., Asil H. A review of various semi-supervised learning models with a deep learning and memory approach / J. Bagherzadeh, H. Asil // Iran Journal of Computer Science. - 2019. - № 2 (2). - P. 65-80.

125. Ball M., Lizieri C., London M. The Economics of Commercial Property Markets. N. Y.: Routledge. - 1998. - 416 p.

126. Ball M., Morrison T., Wood A. Structures Investment and Economic Growth: A Long-Term International Comparison / M. Ball, T. Morrison, A. Wood // Urban Studies. - 1996. - V. 33. - № 9. - Р. 1687-1706.

127. Bulaenko D. V. Principles, methods and modern directions in the analysis of the residential real estate market / D. V. Bulaenko // Technological audit and production reserves. - 2014. - V. 1- № 5(15). - P. 47-49.

128. Carsten. L. Learning from Labeled and Unlabeled Documents: A Comparative Study on Semi-Supervised Text Classification / L. Carsten //Principles of Data Mining and Knowledge Discovery: 4th European Conference, PKDD 2000 Lyon, France, September 13-16, 2000 Proceedings 4. - Springer Berlin Heidelberg, 2000. - P. 490-497.

129. Chiarella C., Dieci R., Gardini L. A. Dynamic Analysis of Speculation across two Markets / C. Chiarella, R. Dieci, L. A. Gardini //The Complex Dynamics of Economic Interaction: Essays in Economics and Econophysics. - 2012. - V. 531. -P. 197.

130. Clarke H., Zavisca J. Housing/housing markets / H. Clarke, J. Zavisca //The Wiley Blackwell Encyclopedia of consumption and consumer studies. - 2015. - P. 1-3.

131. Comtois P. The Gamma Distribution as the True Aerobiological Probability Density Function / P. Comtois //Aerobiologia. - 2000. - V. 16. - P. 171-176.

132. D'Lima W., Schultz P. Residential Real Estate Investments and Investor Characteristics / W. D'Lima, P. Schultz //The Journal of Real Estate Finance and Economics. - 2021. - V. 63. - №. 3. - P. 354-393.

133. Denissova O. K., Kabdulsharipova A. M., Samussenko Y. A. Statistical Assessment of the Development Prospects of the Primary Residential Real Estate Market in Kazakhstan / O. K. Denissova, A. M. Kabdulsharipova, Y. A. Samussenko //Bulletin of the Karaganda university Economy series. - 2023. - V. 109. - №. 1. - P. 43-50.

134. Durnev V. G., Zetkina O. V., Zetkina A. I. On «Simple» Undecidable Fragments of the Positive Theory of a Free Semigroup / V. G. Durnev, O. V. Zetkina, A. I. Zetkina //Lobachevskii Journal of Mathematics. - 2020. - V. 41. - P. 1647-1652.

135. Fisher I. The Debt-Deflation Theory of Great Depressions / I. Fisher //Econometrica: Journal of the Econometric Society. - 1933. - P. 337-357.

136. Ghysel E., Plazzi A., Torous W. V. R. Forecasting Real Estate Prices / E. Ghysel, A. Plazzi, W. V. R. Torous // Handbook of Economic Forecasting, in: G. Elliott, C. Granger, A. Timmermann (ed.), Handbook of Economic Forecasting, edition 1. -Elsevier. - 2012. - № 2. - P. 509-580.

137. Gottlieb M. Front matter, Long Swings in Urban Development / M. Gottlieb //Long Swings in Urban Development. - NBER, 1976. - 360 p.

138. Green R. K. Follow the Leader: How Changes in Residential and Nonresidential Investment Predict Changes in GDP / R. K. Green // Real state Economics. - 1997. -№ 25 (2). - P. 253-270.

139. Griesbach C., Säfken B., Waldmann E. Gradient Boosting for Linear Mixed Models / C. Griesbach, B. Säfken, E. Waldmann //The International Journal of Biostatistics. - 2021. - V. 17. - №. 2. - P. 317-329.

140. Gusarov D. S., Gusarova M. S. Competitive strategies and performance indicators: Review on example of St. Petersburg residential construction firms / D. S. Gusarov, M. S. Gusarova // International Research Journal. - 2021. - № 6-5(108). -P. 13-19.

141. He K., He C. Housing price analysis using linear regression and logistic regression: a comprehensive explanation using melbourne real estate data / K. He, C. He //2021 IEEE International Conference on Computing (ICOCO). - IEEE, 2021. - P. 241246.

142. Heurkens E., Squires. G. Comparing International Real Estate Development: A Methodological Inquiry / E. Heurkens, G. Squires // Conference: European Real Estate Society ConferenceAt: Vienna. - 2013. - P. 1-16.

143. Hoare Z. Landscapes of naive Bayes classifiers / Z. Hoare //Pattern Analysis and Applications. - 2008. - V. 11. - P. 59-72.

144. J. Greenwood, Z. Hercowitz The allocation of capital and time over the business cycle / J. Greenwood, Z. Hercowitz // Journal of Political Economy. - 1991. - № 99. -P. 1188-1214.

145. John M., Feigenbaum. E. A., Samuel A. In Memoriam: Arthur Samuel: Pioneer in Machine Learning / M. John, E. A. Feigenbaum, A. Samuel //AI Magazine. - 1990. -№ 11(3). - P. 10-11.

146. Karthikeyan P. Machine Learning Techniques Application / P. Karthikeyan // Research Anthology on Architectures, Frameworks, and Integration Strategies for Distributed and Cloud Computing. -2021. - 2700 p.

147. Ken C. W. Factors Affecting Green Buildings Value: A Review / C. W. Ken // International Journal of Scientific and Technology Research. - 2020. - № 9. - P. 14661471.

148. Konnikov E. A., Marshalov D. P., Bekishev S. V. Mathematical Methods for Forecasting the Value of Market Assets: Information Background as a Market Mediator

/ E. A. Konnikov, D. P. Marshalov, S. V. Bekishev // Soft measurements and calculations.

- 2023. - V. 73. - №12. - P. 28-35.

149. Kostyuk V. S., Grin T. Real Estate as an Economic Asset / V. S. Kostyuk, T. Grin // Actual Problems of Economics. - 2020. № 1(232). - P. 18-27.

150. Leamer E. E. Housing is the Business Cycle / E. E. Leamer // National Bureau of Economic Research. - 2007. - P. 13428.

151. Liu J., London K. Modelling Housing Supply and Monetary Policy within the Context of Global Economic Turbulence / J. Liu, K. London //International Journal of Strategic Property Management. - 2013. - V. 17. - №. 1. - P. 1-20.

152. Marsh A. Economic Approaches to Housing Research. - 2012.

153. Mashkova A. L., Savina O. A., Banchuk Y. A., Mashkov E. A. Using Open Data for Information Support of Simulation Model of the Russian Federation Spatial Development / A. L. Mashkova, O. A. Savina, Y. A. Banchuk, E. A. Mashkov //International Conference on Electronic Governance and Open Society: Challenges in Eurasia. - Cham: Springer International Publishing, 2018. - P. 401-414.

154. Mashkova A. L., Novikova E. V., Savina O. A., Mashkov E. A. Generating Synthetic Population for the Agent-Based Model of the Russian Federation Spatial Development / A. L. Mashkova, E. V. Novikova, O. A. Savina, E. A. Mashkov //Conference of the European Social Simulation Association. - Cham: Springer International Publishing, 2019. - P. 183-187.

155. Mattarocci G., Simone. R. Real Estate and the Effects of the COVID-19 Pandemic in Europe / G. Mattarocci, R. Simone // A New World Post COVID-19. - 2020.

- P. 14.

156. Morten. H. J. Introduction to Applied Data Analysis and Machine Learning. -

2018.

157. Nieuwerburgh V. The Remote Work Revolution: Impact on Real Estate Values and the Urban Environment / V. Nieuwerburgh // SSRN Electronic Journal. - 2022. -53 p.

158. Obilisetti L., Jha A., Tamboli. S. C. Comparative Analysis of Random Forest Regression for House Price Prediction. / L. Obilisetti, A. Jha, S. C. Tamboli. //International journal of creative research thoughts (IJCRT). - 2023. - P. 336-343.

159. Olson M. Essays on Random Forest Ensembles. - 2018.

160. Pancerz K., Mich. O. Numerical Data Clustering Algorithms in Mining Real Estate Listings. / K. Pancerz, O. Mich // Barometr Regionalny. Analizy i Prognozy. -2015. - P. 43-50.

161. Patrusheva E. G., Raikhlina A. V., Tumanov D. V., Karasev A. P. The Problems of Industrial Clustering in Region Strategy Development / E. G. Patrusheva, A. V. Raikhlina, D. V. Tumanov, A. P. Karasev //Business 4.0 as a Subject of the Digital Economy. - Cham : Springer International Publishing, 2022. - P. 385-390.

162. Poletaev A. Y., Spiridonova E. M. Hierarchical Clustering as a Dimension Reduction Technique in the Markowitz Portfolio Optimization Problem / A. Y. Poletaev, E. M. Spiridonova //Automatic Control and Computer Sciences. - 2021. - V. 55. - №. 7. - P. 809-815.

163. Pontus N. Prediction of Residential Real Estate Selling Prices Using Neural Networks / N. Pontus //Degree project in computer science and engineering. Stockholm, Sweden. - 2019. - 46 p.

164. Rodionov D. G., Konnikov E. A., Borisov O. Y. Fuzzy Approach to Monitoring the State of Stability of the Regional Electric Power System Based on Socially Accessible Information / D. G. Rodionov, E. A. Konnikov, O. Y. Borisov // Financial analytics: problems and solutions. - 2024. - V. 17. - № 1(367). - P. 4-36.

165. Sanders A. S. The Subprime Crisis and its Role in The Financial Crisis / A. S. Sanders // Journal of Housing Economics. - 2008. - № 17(4). - P. 254-261.

166. Santos A. de M., Canuto. A. M. P. Using Semi-Supervised Learning in MultiLabel Classification Problems / A. de M. Santos, A. M. Canuto // The 2012 International Joint Conference on Neural Networks (IJCNN). - 2012. - P. 1-8.

167. Seth J. Forecasting the Real Estate Market: A Cointegrated Approach / J. Seth // Encyclopedia of Machine Learning and Data Mining. - 2009. - № 1. - P. 314-317.

168. Shi H. Determination Of Real Estate Price Based On Principal Component Analysis And Artificial Neural Networks / H. Shi //2009 Second International Conference on Intelligent Computation Technology and Automation. - IEEE, 2009. - V. 1. - P. 314317.

169. Shiller R. J. Irrational Exuberance: The National Bestseller that Will Help to Survive in Todays Stock Market. - 2004.

170. Shou-hu Y. U. The Dynamic Relationship between Urbanization ч Industrialization and Real Estate Prices / Y. U. Shou-hu // Journal of Finance and Economics Theory. - 2013. - 18 p.

171. Squires G., Heurkens E. Methods and Models for International Comparative Approaches to Real Estate Development / G. Squires, E. Heurkens // Land Use Policy. -2016. - V. 50. - P. 573-581.

172. Stevens E., Antiga L., Viehmann T. Deep Learning with Pytorch. - Manning Publications. - 2020.

173. Stockhammer E., Wolf C. Building Blocks for the Macroeconomics and Political Economy of Housing / E. Stockhammer, C. Wolf // The Japanese Political Economy. - 2019. - № 45. - P. 43-67.

174. Tran H. Big Data Applications in Vietnam / H. Tran // LinguaNet: Сборник материалов Всероссийской молодежной научно-практической конференции с международным участием «LinguaNet», Севастополь, 17 мая 2019 года / под общ. ред. Ю.А. Иванцовой, Н.С. Руденко. - Севастополь: Федеральное государственное автономное образовательное учреждение высшего образования «Севастопольский государственный университет», 2019. - С. 224-227.

175. Tran H. H. Marketing Information System Using RPA Technology / H. H. Tran // Интеллектуальная инженерная экономика и Индустрия 5.0 (ИНПРОМ): Сборник трудов VIII Международной научно-практической конференции, Санкт-Петербург, 27-30 апреля 2023 года. - Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2023. - С. 609-613

176. Tricco A. C., Antony J., Soobiah C., Kastner M. [et al.] Knowledge Synthesis Methods for Generating or Refining Theory: A Scoping Review Reveals that Little

Guidance is Available / A. C. Tricco, J. Antony, C. Soobiah, M. Kastner [et al.] //Journal of Clinical Epidemiology. - 2016. - V. 73. - P. 36-42.

177. Ume E. The Impact of Monetary Policy on Housing Market Activity: An Assessment Using Sign Restrictions / E. Ume //Economic Modelling. - 2018. - V. 68. -P. 23-31.

178. Varma P. T., Silveira L. Machine Learning in the Business Sector. - 2021.

179. Vermeulen A. F. Supervised learning: Using labeled data for insights / A. F. Vermeulen // Industrial Machine Learning: Using Artificial Intelligence as a Transformational Disruptor. - 2020. - P. 63-136.

180. Walthert L., Sigrist F. Deep Learning for Real Estate Price Prediction / L. Walthert, F. Sigrist // ERN: Other Econometric Modeling: Capital Markets - Asset Pricing (Topic). - 2019. - 20 p.

181. Wang Z. Application of Decision Making Tree Method in the Real Estate Development Scheme Optimization / Z. Wang //2013 Third International Conference on Intelligent System Design and Engineering Applications. - IEEE, 2013. - P. 365-368.

182. Wang Z., Webb G. I. Comparison of lazy Bayesian rule, and tree-augmented Bayesian learning / Z. Wang, G. I. Webb // 2002 IEEE International Conference on Data Mining, 2002. Proceedings. - IEEE, 2002. - P. 490-497.

183. Wei Y., Lam P. T., Chiang Y. H., Leung, B. Y. The Effects of Monetary Policy on Real Estate Investment in China: A Regional Perspective / Y. Wei, P. T. Lam, Y. H. Chiang, B. Y. Leung // International Journal of Strategic Property Management. - 2014. - V. 18. - №. 4. - P. 368-379.

184. Zavisca J. R., Gerber T. P. The socioeconomic, demographic, and political effects of housing in comparative perspective / J. R. Zavisca, T. P. Gerber //Annual Review of Sociology. - 2016. - V. 42. - P. 347-367.

ПРИЛОЖЕНИЕ А

import pandas as pd

import numpy as np

import plotly.express as px

import matplotlib.pyplot as plt

import seaborn as sns

import scipy.stats as stats

import matplotlib.dates as mdates

from sklearn.linear_model import LinearRegression import math

Load data

df = pd.read_csv(fCluster/df.csv', delimiter=',') df.head()

price \ 6050000.0 8650000.0 4000000.0 1850000.0 5450000.0

Unnamed: 0 date time geo_lat geo_lon region

0 0 2018- -02-19 20: 00:21 59.805808 30.376141 2661

1 1 2018- -02-27 12: 04:54 55.683807 37.297405 81

2 2 2018- -02-28 15: 44:00 56.295250 44.061637 2871

3 3 2018- -03-01 11: 24:52 44.996132 39.074783 2843

4 4 2018- -03-01 17: 42:43 55.918767 37.984642 81

object_type building_type level levels rooms area kitchen_area

0 1 1 8 10 3 82.6 10.8

1 1 3 5 24 2 69.1 12.0

2 1 1 5 9 3 66.0 10.0

3 11 4 12 16 2 38.0 5.0

4 1 3 13 14 2 60.0 10.0

\

ге§1оп_пате

0 Санкт-Петербург

1 Московская область

2 Нижегородская область

3 Краснодарский край

4 Московская область

max 39.00000 9.00000 110.79000 23.14000

df['region_name'].value_counts().head(20).plot(kind='pie',stacked=True,figsize=(20

,10));

#р1±Л\±1е("Доля вторичных данных о недвижимости по peauoHaM",fontsize=15) #pLt.xLabeL('Figure 2. - Distribution by region',fontsize=15) # Luu hinh anh v6i chat Luang cao

plt.savefig('serment_600.png', dpi=600) # 300 dpi de co chat Luang cao plt.ylabel(' ',fontsize=10)

Text(634.4444444444445, 0.5, ' ')

Visualization of all listings included in a purchase dataset on a map

geometry = [Point(xy) for xy in zip(df["geo_lon"], df["geo_lat"])] # Creating p oints. A point is essentially a single object that describes the Longitude and Lat itude of a data point. geometry[:3]

[<POINT (30.376 59.806)>, <POINT (37.297 55.684)>, <POINT (44.062 56.295)>]

# The next step is to get the data in the correct format. Converting a regular Pan das DataFrame into a geo-DataFrame

geo_df = gpd.GeoDataFrame(df, crs=crs, geometry=geometry) geo_df.head()

C:\Users\hoang\anaconda3\Lib\site-packages\pyproj\crs\crs.py:141: FutureWarning: ' +init=<authority>:<code>' syntax is deprecated. '<authority>:<code>' is the prefer red initialization method. When making the change, be mindful of axis order change s: https://pyproj4.github.io/pyproj/stable/gotchas.html#axis-order-changes-in-proj -6

in_crs_string = _prepare_from_proj_string(in_crs_string)

fig, ax = plt.subplots(figsize =(120, 120)) # Let's build a map wit

h our points. We will assign different colors for different price

Requirement already satisfied: openpyxl in c:\users\hoang\anaconda3\lib\site-packa ges (3.0.10)

Requirement already satisfied: et_xmlfile in c:\users\hoang\anaconda3\lib\site-pac kages (from openpyxl) (1.1.0)

Note: you may need to restart the kernel to use updated packages.

# Вычисление описательной статистики для числовых столбцов df.describe().to_excel( 'describe.xlsx', sheet_name='ThongKeMoTa')

import matplotlib.pyplot as plt import seaborn as sns

# График распределения цен на недвижимость sns.histplot(df['price'], kde=True) #pLt.titLe('Распределение цен на недвижимость') plt.xlabel('Цена') plt.ylabel('Обьем') plt.show()

cluster analysis

df = pd.read_csv('C:/Users/Cluster/dfl.csv' df.head()

delimiter=',')

Unnamed: 0.1 Unnamed: 0 date time geo_lat geo_lon

0 0 0 2018- -02-19 20: : 00:21 59.805808 30.376141

l l l 2018- -02-27 12: :04:54 55.683807 37.297405

2 2 2 2018- -02-28 15: :44:00 56.295250 44.061637

3 3 3 2018- -03-01 11: : 24:52 44.996132 39.074783

4 4 4 2018- -03-01 17: :42:43 55.918767 37.984642

\

region price object_type building_type level levels rooms area

0 2661 6050000.0 1 1 8 10 3 82.6

1 81 8650000.0 1 3 5 24 2 69.1

2 2871 4000000.0 1 1 5 9 3 66.0

3 2843 1850000.0 11 4 12 16 2 38.0

4 81 5450000.0 1 3 13 14 2 60.0

kitchen_area ге§1оп_пате

0 10. .8 Санкт-Петербург

1 12. 0 Московская область

2 10. 0 Нижегородская область

3 5. 0 Краснодарский край

4 10. 0 Московская область

df.info()

<class 'pandas.core.frame.DataFrame'> Rangelndex: 4818014 entries, 0 to 4818013

Data columns (total 16 columns):

# Column Dtype

0 Unnamed : 0.1 int64

1 Unnamed 0 int64

2 date object

3 time object

4 geo_lat float64

5 geo_lon float64

6 region int64

7 price float64

8 object_type int64

9 building_type int64

10 level int64

11 levels int64

12 rooms int64

13 area float64

14 kitchen_ area float64

15 regionj ame object

dtypes: float64(5), int64(8), object(3)

memory usage: 588.1+ MB

import pandas as pd

df1 = df.select_dtypes(include=['int64', 'float64']) from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans import pandas as pd

df1_price = df1[['price']]

scaler = StandardScaler()

price_scaled = scaler.fit_transform(df1_price)

from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

import matplotlib.pyplot as plt

scaler = StandardScaler()

price_scaled = scaler.fit_transform(df1[['price']])

# Считать WCSS wcss = []

for k in range(1, 11):

kmeans = KMeans(n_clusters=k, init='k-means++', random_state=42) kmeans.fit(price_scaled)

wcss.append(kmeans.inertia_)

# Рисовать Elbow plt.figure(figsize=(12, 8))

plt.plot(range(1, 11), wcss, marker=,o,, linestyle='--') plt.title('График Elbow на основе цены') plt.xlabel('Количество кластеров') plt.ylabel('Внутрикластерная сумма квадратов') plt.xticks(range(l, 11))

# Luu hinh anh v6i chat Luang cao

plt.savefig('Elbow_plot_hd_600.png', dpi=600) # 300 dpi de co chat Luang cao plt.show()

elbow_data = {'Количество кластеров': range(1, 11), 'Внутрикластерная сумма квадра тов': wcss}

elbow_df = pd.DataFrame(elbow_data)

print(elbow_df)

Количество кластеров Внутрикластерная сумма квадратов

0 1 4.818014e+06

1 2 1. 552464e+06

2 3 7.594009e+05

3 4 4. 330426e+05

4 5 2.845865e+05

5 6 1.987858e+05

6 7 1.466374e+05

7 8 1.124759e+05

8 9 9.004027e+04

9 10 7.393460e+04

import pandas as pd

from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

average_price_per_region = df.groupby('region')['price'].mean().reset_index() average_price_per_region.rename(columns={'price': 'average_price'}, inplace=True)

average_price_per_region = average_price_per_region.merge(df[['region', 'region_na me']].drop_duplicates(), on='region')

print(average_price_per_region.head())

region average_price reg1on_name

0 3 8. . 962897e+06 Москва

1 69 2. ,223001e+06 Еврейская автономная область

2 81 4. ,677406e+06 Московская область

3 821 2. ,422127e+06 Брянская область

4 1010 2. 369149e+06 Удмуртская Республика

scaler = StandardScaler()

average_price_scaled = scaler.fit_transform(average_price_per_region[['average_pri ce']])

kmeans = KMeans(n_clusters=3, random_state=42)

average_price_per_region['cluster'] = kmeans.fit_predict(average_price_scaled)

for i in range(3):

print(f"Cum {i}: )

regions_in_cluster = average_price_per_region[average_price_per_region['cluste r'] == i]['region_name'].tolist()

print(", ".join(regions_in_cluster)) print("\n")

df['cluster'] = df['region'].map(region_to_cluster_map)

for cluster_id in range(3):

cluster_data = df[df['cluster'] == cluster_id]

filename = f'cluster_{cluster_id}.xlsx'

cluster_data.to_excel(filename, index=False)

print(f'Dtf lieu cum {cluster_id} dä dtföc xuat ra file {filename} )

print(df.columns)

lndex(['Unnamed: 0.1', 'Unnamed: 0', 'date', 'time', 'geo_lat', 'geo_lon',

'region', 'price', 'object_type', 'building_type', 'level', 'levels', 'rooms', 'area', 'kitchen_area', 'region_name', 'cluster', 'month_year'], dtype='object')

import pandas as pd

from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

kmeans = KMeans(n_clusters=3, random_state=42) df['cluster'] = kmeans.fit_predict(price_scaled)

C:\Users\hoang\anaconda3\Lib\site-packages\sklearn\cluster\_kmeans.py:l4l2: Future Warning: The default value of ~n_init~ will change from 10 to 'auto' in 1.4. Set t he value of ~n_init~ explicitly to suppress the warning super()._check_params_vs_input(X, default_n_init=l0)

for cluster_num in range(3):

cluster_data = average_price_per_region_month[average_price_per_region_month[' cluster'] == cluster_num]

cluster_data = cluster_data.drop(columns=['price'], errors='ignore')

file_name = f'cluster_{cluster_num}.xlsx'

cluster_data.to_excel(file_name, index=False, engine='openpyxl')

printf'Dtf lieu cum {cluster_num} da duac xuat ra {file_name}')

average_price_df = df.groupby(['region', 'region_name', 'month_year', 'cluster'])[ 'price'].mean().reset_index()

average_price_df.rename(columns={'price': 'average_price'}, inplace=True)

for cluster_num in range(3):

cluster_df = average_price_df[average_price_df['cluster'] == cluster_num]

if 'price' in cluster_df.columns:

cluster_df = cluster_df.drop(columns=['price'])

file_name = fcluster_{cluster_num}_average_price_per_month.xlsx' cluster_df.to_excel(file_name, index=False, engine='openpyxl')

printf'Dtf lieu cum {cluster_num} da duac xuat ra {file_name}')

Dtf lieu cum 0 da duac xuat ra cluster_0_average_price_per_month.xlsx Dtf lieu cum 1 da duac xuat ra cluster_l_average_price_per_month.xlsx Dtf lieu cum 2 da duac xuat ra cluster_2_average_price_per_month.xlsx

cluster3 = average_price_df[average_price_df['cluster'] == 0] cluster2 = average_price_df[average_price_df['cluster'] == l] clusterl = average_price_df[average_price_df['cluster'] == 2]

plt.figure(figsize=(l2, 6))

ax = sns.histplot(data=df, x='price', hue='Period', element='step', stat='density' , common_norm=False, bins=30)

plt.title('График распределения вторичного жилья до и после Covid-19') рИ.х1аЬе1(' Цена') рИ.у1аЬе1(' Плотность'))

plt.show()

import seaborn as sns

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))

df2 = df2 .drop_duplicates(subset=['month_year', 'region_name']) df2['month_year'] = pd.to_datetime(df2['month_year'], format='%m-%Y') df2 = df2.sort_values(by='month_year')

pivot_df = df2.pivot(index='month_year', columns='region_name', values='avg_price' )

pivot_df.plot(kind='line', marker='o', figsize=(10, 6))

plt.title('Average Price by Region Over Time') plt.xlabel('Month-Year') plt.ylabel('Average Price') plt.xticks(rotation=45) plt.grid(True)

plt.legend(title='Region')