Пространственные модели в массовой оценке стоимости объектов недвижимости тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Беляева, Анна Валерьевна

• Беляева, Анна Валерьевна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Беляева, Анна Валерьевна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

Степень разработанности темы и ее актуальность

Цели и задачи диссертационного исследования

Научная новизна

Теоретическая и практическая значимость работы

Положения, выносимые на защиту

Степень достоверности и апробация результатов

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ МАССОВОЙ ОЦЕНКИ СТОИМОСТИ ОБЪЕКТОВ НЕДВИЖИМОСТИ

1.1 Виды оценки стоимости недвижимости: индивидуальная и массовая

1.2 Компьютеризованная массовая оценка

1.3 Недвижимость как объект налогообложения

1.4 Методики оценки стоимости объектов недвижимости

1.5 Обзор недавних Российских работ в области построения компьютерной массовой оценки стоимости объектов недвижимости

1.6 Выводы к Главе 1

ГЛАВА 2. РАЗРАБОТКА МЕТОДА ПОСТРОЕНИЯ КМО ОБЪЕКТОВ НЕДВИЖИМОСТИ С УЧЕТОМ ДВУХ ПРОСТРАНСТВЕННЫХ ФАКТОРОВ

2.1 Модели с учетом центров локального влияния

2.2 Пространственные авторегрессионные модели

2.3 Оценивание пространственных авторегрессионных моделей

2.4 Пространственные модели с учетом взаимного влияния объектов друг на друга и влияния центров локального влияния на стоимость объектов

2.5 Алгоритм применения метода

2.5.1 Идентификация центров влияния

2.5.2 Проверка наличия пространственной автокорреляции

2.5.3 Прогнозирование цен по моделям построенным по обучающей выборке

2.5.4 Построение различных вариантов моделей, диагностика моделей и выбор наилучшей

2.6 Выводы к Главе 2

ГЛАВА 3. АНАЛИЗ ЭФФЕКТИВНОСТИ ПОСТРОЕНИЯ КМО ДЛЯ ОБЪЕКТОВ НЕДВИЖИМОСТИ НА ОСНОВЕ СОВМЕСТНОГО УЧЕТА ЦЕНТРОВ ВЛИЯНИЯ И ПРОСТРАНСТВЕННОЙ АВТОКОРРЕЛЯЦИИ

3.1 Методика оценки эффективности методов построения КМО

3.2 Цели моделирования

3.3 Построение имитационной модели

3.3. Структура эксперимента

3.4 Анализ эффективности методов КМО по результатам эксперимента. Качество оценивания и прогнозирования в различных ситуациях формирования цен

3.4 1 Среднеквадратичная ошибка прогноза

3.4.2 Среднее остатков модели

3.4.3 Квадрат коэффициента корреляции

3.4.4 Среднеквадратичное отклонение

3.4.5 Критерий Лкаике и Шварца

3.5 Исследование чувствительности методов (3.3) и (3.4) к выбору типа

пространствен! гой модели и к точности задания числа ближайших соседей

3.6 Выводы к Главе 3

ГЛАВА 4. АПРОБАЦИЯ МЕТОДА НА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

4 1 Эксперимент 1

4 11 Идентификация центров влияния

412 Выбор структуры пространственных матриц

4 13 Проверка наличия пространственной корреляции

4 14 Оценивание различных вариантов моделей и их диагностика

4 15 Сравнение вариантов и выбор модели

4.2 Эксперимент 2

42 1 Идентификация центров влияния

4 2 2 Выбор структуры пространственных матриц

4 23 Проверка наличия пространственной корреляции

42 4 Оценивание различных вариантов моде чей и их диагностика

4 2 5 Сравнение вариантов и выбор модели

4.3 Выводы к Главе 4

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. ДАННЫЕ, ПОЛУЧЕННЫЕ ПО РЕЗУЛЬТАТУ ЭКСПЕРИМЕНТОВ ГЛАВЫ 3

Введение диссертации (часть автореферата) на тему «Пространственные модели в массовой оценке стоимости объектов недвижимости»

Введение

Степень разработанности темы и се актуальность

Вопрос зависимости стоимости объекта недвижимости от его пространственных характеристик развивался в последние три десятилетия в основном в работах зарубежных ученых и в России среди оценщиков он мало известен. Этот подход ориентирован на использование координат оцениваемых объектов, что невозможно без наличия электронных карт оцениваемой территории. Возможность применения этого аппарата полностью коррелирует с развитием геоинформационных систем. Так, с начала 1980-х годов существенно расширился рынок ГИС, области их применения за счет интеграции с базами непространственных данных. В плане дальнейшего развития методов массовой оценки данная работа представляется весьма актуальной.

Кроме того, практическое исследование, проведенное Международной ассоциацией налоговых оценщиков [ГААО], показало, что одной из основных характеристик эффективной системы налоговой оценки недвижимости является ее связь с общественностью и возможность корректно пояснить величину налогооблагаемой базы. Хорошая программа связей с общественностью позволяет обществу попять задачи, стоящие перед оценщиком и позволяет оценить справедливость расчета налогооблагаемой базы. Такая программа должна служить не только в качестве инструмента оперативного реагирования на претензии налогоплательщиков, сколько средством постоянного контакта с самыми широкими слоями общества. Связи с общественностью особенно важны в периоды коренных изменений, например, при введении новой системы оценки недвижимости. Видится высокая важность такого рода системы в России в 2014 -2015 годах - в период запланированного масштабного введения единого налога на недвижимость, который должен заменить сразу два ныне действующих налога - на землю и на имущество физических лиц.

Принципиальными требованиями общественности к процессу определения налогооблагаемой стоимости являются справедливость, открытость и эффективность функционирования. Как частные лица, так и организации имеют

право знать, что делает налоговый оценщик и быть уверенным в том, что он делает свою работу хорошо. В силу использования строгих статистических методов, массовая оценка отвечает требованиям справедливости и открытости. Эта оценка является более объективной по сравнению с оценкой эксперта, так как она исключает влияние субъективных факторов.

Еще одним преимуществом массовой оценки перед экспертной является то, что она позволяет провести оценку совокупности объектов недвижимости, расположенных на обширной территории, с существенно меньшими трудозатратами в сравнении с экспертной оценкой.

Цели и задачи диссертационного исследования

Целью диссертационного исследования является разработка и анализ методов построения компьютерной массовой оценки (далее - КМО) стоимости объектов недвижимости с учетом их местоположения. В рамках достижения поставленной цели решались следующие задачи:

• анализ текущих подходов к массовой оценке недвижимости в российской и международной практике с учетом пространственных характеристик объектов;

• разработка метода построения КМО, позволяющего учесть два типа пространственных факторов, влияющих на цену (пространственную автокорреляцию характеристик объектов и расстояние до центров влияния);

• разработка методики оценки эффективности пространственных авторегрессионных моделей;

• сравнительный анализ предложенного метода и известных подходов к построению КМО средствами математического моделирования; выделение областей эффективности методов;

• апробация разработанного метода и сравнение его с другими подходами к построению КМО на экспериментальных данных.

Объектом исследования являются объекты недвижимости - квартиры с их характеристиками, в том числе их расположением в пространстве (ширина и долгота).

Предмет исследования - существующие модели оценки стоимости объектов недвижимости и модели с пространственными характеристиками объектов, как применяемые в настоящее время, так и не применяемые в оценке недвижимости.

Научная новизна

Научная новизна заключается в следующем:

• разработан метод оценки стоимости объектов недвижимости, в котором скомбинированы два подхода к учету пространственной зависимости: учет пространственной автокорреляции между характеристиками оцениваемых объектов и учет расстояний оцениваемых объектов до центров влияния; предложенный метод улучшает качество полученных оценок по сравнению с методами, учитывающими только один из факторов пространственного влияния;

• методами математического моделирования проведен сравнительный анализ эффективности предложенного метода с известными методами построения КМО, учитывающими только один из факторов пространственного влияния, определены области эффективности методов;

• проведено сравнение робастности нового метода и ранее применяемых методов;

• проведена апробация предложенного метода построения КМО и сравнение с известными методами на большом объеме экспериментальных данных.

Теоретическая и практическая значимость работы

Теоретическая значимость диссертационного исследования состоит в разработке:

• метода построения КМО, учитывающего два способа учета пространственных характеристик объектов - близость объектов между собой и близость объектов к центрам влияния;

• методики построения КМО, позволяющей выделить и учесть при построении модели вид и число учитываемых видов пространственных зависимостей, а также оценить качество построенных вариантов моделей;

• системы математического моделирования для проверки предлагаемой методики и сравнительной оценки эффективности КМО для различных вариантов моделей.

Практическая значимость. Представленную работу можно рассматривать как методическое руководство по построению КМО стоимости объектов недвижимости с учетом их пространственного расположения. В рамках методов этого руководства:

• предложен и опробован новый метод, представляющий собой комбинацию двух способов учета пространственного фактора, никогда ранее не применяемых совместно;

• предложен подход к оценке качества моделей массовой оценки, учитывающий прогнозные качества моделей;

• с использованием предложенного подхода проведены: анализ эффективности предложенного метода КМО, анализ эффективности других методов оценивания объектов недвижимости, использующих пространственные факторы, сравнительный анализ рассматриваемых методов.

Методология и методы исследования

При решении поставленных в работе задач использовались методы построения регрессионных моделей и моделей пространственной авторегрессии, математического моделирования. При построении пространственных моделей применялись методы:

• максимального правдоподобия;

• итеративный метод оценивания, включающий последовательное применение методов максимального правдоподобия и наименьших квадратов.

Положения, выносимые на защиту

Основные положения, выносимые на защиту, следуют из результатов проведенного диссертационного исследования:

• метод построения КМО стоимости объектов недвижимости, учитывающий два фактора пространственного влияния;

• методика выбора наиболее эффективной модели КМО, включающая построение системы критериев анализа моделей с учетом прогнозных свойств этих моделей;

• результаты проверки предложенного метода построения КМО и предложенной методики методами математического моделирования;

• области эффективности применения нового и ранее используемых методов КМО;

• результаты апробации на экспериментальных данных разработанного метода и сравнение с результатами ранее существующих методов.

Степень достоверности и апробация результатов

Достоверность научных результатов обеспечивается и подтверждается:

• обоснованностью состава, структуры и требований, предъявляемых к условиям применения разработанных моделей оценки стоимости объектов недвижимости;

• строгостью приведенных математических соотношений, использованных для разработки моделей;

• результатом сравнения полученных при использовании разработанных моделей результатов в частных случаях с известными результатами.

Основные результаты работы докладывались и обсуждались на девятнадцатой международной конференции «Математика. Компьютер. Образование» (Дубна, 30 января - 4 февраля 2012 г.), двадцатой международной

конференции «Математика. Компьютер. Образование» (Пущино, 28 января -2 февраля 2013 г.), второй международной конференции «Cluster Computing» (Львов, 3-5 июня 2013 г.), седьмой международной конференции «Управление развитием крупномасштабных систем» (Москва, 30 сентября - 2 октября 2013 г.), международной заочной научно-практической конференции «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в экономике, управлении проектами, педагогике, праве, культурологии, языкознании, природопользовании, биологии, зоологии, химии, политологии, психологии, медицине, филологии, философии, социологии, математике, технике, физике, информатике» (Санкт-Петербург, 30-31 января 2014 г.).

Работа состоит из Введения, четырех глав и Заключения:

• во Введении обоснована актуальность темы, обозначены цели и задачи диссертационного исследования;

• в Главе 1 «Обзор современных методов массовой оценки стоимости объектов недвижимости» проведен обзор существующих в российской и международной практике методов построения КМО стоимости объектов недвижимости, предложена классификация методов КМО;

• в Главе 2 «Разработка метода построения КМО объектов недвижимости с учетом двух пространственных факторов и методики выбора модели» представлен разработанный в рамках диссертационного исследования метод оценки стоимости объектов недвижимости, учитывающий два пространственных фактора, описан алгоритм применения метода и методика оценки качества пространственных авторегрессионпых моделей массовой оценки;

• в Главе 3 «Сравнительный анализ эффективности методов построения КМО для объектов недвижимости» предложенный метод и методика проверяются методами математического моделирования, сравниваются с существующими методами, для всех сравниваемых методов выделяются области их эффективного применения;

• в Главе 4 «Апробация метода на экспериментальных данных» приведены результаты апробации нового и ранее существующих методов на двух наборах экспериментальных данных, в том числе на данных московского рынка недвижимости;

• в Заключении перечислены основные результаты диссертационного исследования.

Глава 1. Обзор современных методов массовой оценки стоимости объектов недвижимости

Массовая оценка объектов недвижимости - это оценка стоимости объектов недвижимости, которая проводится систематически на определенную дату, и при этом используются стандартные процедуры статистического анализа [1]. Главное отличие массовой оценки от экспертной — работа не с отдельными объектами, а со статистическими данными, описывающими совокупность объектов. Массовая оценка предполагает анализ изменения зависимости цены объекта недвижимости от многих факторов, таких как: географическое местоположение объекта, состояние дома, площадь квартиры, площадь кухни, тип планировки и т.д.

1.1 Виды оценки стоимости недвижимости: индивидуальная и массовая

При использовании понятия стоимости при осуществлении оценочной деятельности указывается конкретный вид стоимости, который определяется предполагаемым использованием результата оценки. В рамках оценки объектов недвижимости это зачастую рыночная стоимость объекта. При определении рыночной стоимости объекта оценки определяется наиболее вероятная цена, по которой объект оценки может быть отчужден на дату оценки на открытом рынке в условиях конкуренции, когда стороны сделки действуют разумно, располагая всей необходимой информацией, а на величине цены сделки не отражаются какие-либо чрезвычайные обстоятельства.

При оценке недвижимости выделяется два подхода к оценке: индивидуальная и массовая.

Индивидуальная оценка - это оценка отдельно взятого объекта недвижимости на определенную дату. Индивидуальная оценка проводится в шесть этапов:

1) определение задачи;

2) предварительный осмотр и разработка плана оценки (здесь решается вопрос о данных, необходимых для анализа объекта, устанавливаются источники их получения);

3) сбор и проверка данных;

4) определение стоимости объекта;

5) согласование результата оценки - получение конечной оценки недвижимости на основании результатов применения различных подходов к оценке;

6) заключительный этап - это составление отчета об оценке - документа, содержащего обоснование мнения оценщика о стоимости недвижимости. При составлении отчета об оценке оценщик обязан использовать

информацию, обеспечивающую достоверность отчета об оценке.

Массовая оценка имеет дело с оценкой большого количества объектов, которые, естественно, различаются между собой, поэтому вынужденным ее инструментом является применение стандартных методов статистического анализа к группам и классам объектов, что требует определенной работы по классификации объектов. Выделение групп и классов объектов производится по разным критериям. В настоящей работе применяется классификация объектов по их пространственным характеристикам, то есть одному классу принадлежат объекты, близко расположенные друг другу в смысле некоторой метрики. Разработка правил применения стандартных методов и приемов статистического анализа в рамках построения моделей стоимости объектов недвижимости - это предмет массовой оценки как специальной отрасли теории оценки и прикладного анализа. В фундаментальном учебнике Международной Ассоциации налоговых оценщиков «Организация оценки и налогообложения недвижимости» под общей редакцией Дж.К.Эккерта дается следующее определение массовой оценки: это систематическая оценка групп объектов недвижимости по состоянию на определенную дату с использованием стандартных процедур и статистического анализа [1]. В [2] дается похожее определение - «массовую оценку можно определить как систематическую оценку группы объектов недвижимости на заданную дату с использованием стандартных процедур с применением общих данных на основе статистической их обработки». Согласно международному стандарту по массовой оценке стоимости недвижимого имущества, «массовая

оценка представляет собой процесс определения стоимости группы единиц недвижимого имущества по состоянию на конкретную дату с использованием общих данных, стандартизированных методов и статистического тестирования» [3]. Похожее определение содержится в Федеральном стандарте оценки «Определение кадастровой стоимости объектов недвижимости (ФСО № 4): «...под массовой оценкой недвижимости понимается процесс определения стоимости при группировании объектов оценки, имеющих схожие характеристики, в рамках которого используются математические и иные методы моделирования стоимости на основе подходов к оценке» [4]. Из определений следует, что важным, обязательным этапом массовой оценки является группировка, классификация объектов недвижимости.

Классификацией называется разделение рассматриваемой совокупности объектов на однородные (в смысле проводимого затем статистического анализа) группы. При этом термин «классификация» используют, в зависимости от контекста, для обозначения, как самого процесса разделения, так и его результата [5, с. 43]. В диссертационном исследовании классификация проводится по близости объектов в смысле их местоположения (координат в пространстве). Принадлежность объекта к классу близкорасположенных объектов осуществляется в описанном методе посредством матрицы пространственных весов.

Любой класс и группа объектов недвижимости содержит разнообразные, различные между собой объекты: даже если значения многих характеристик совпадают, всегда найдется хотя бы одно различие, которым можно объяснить разницу стоимостей, и при желании обосновать уникальность (например, шумные или тихие соседи, близость помойки,...). Таким образом, в зависимости от целей оценки можно индивидуализировать или унифицировать любой объект недвижимости. В первом случае оценщик использует индивидуальный подход, делая акцент на особенностях объекта, и доказывает, почему стандартная методика оценки ошибается, во втором случае приемы массовой оценки

позволяют выработать единую методику оценки разнообразных объектов недвижимости.

В массовой оценке, так же как и в индивидуальной, используются три основных подхода - затратный, доходный и метод сравнения продаж. Выбор метода определяется видом недвижимости, состоянием рынка и доступностью необходимой информации.

Затратный подход. Совокупность методов оценки стоимости объекта оценки, основанных на определении затрат, необходимых для восстановления либо замещения объекта оценки, с учетом его износа.

Затратами на воспроизводство объекта оценки являются затраты, необходимые для создания точной копии объекта оценки с использованием применявшихся при создании объекта оценки материалов и технологий.

Затратами на замещение объекта оценки являются затраты, необходимые для создания аналогичного объекта с использованием материалов и технологий, применяющихся на дату оценки.

Доходный подход. Совокупность методов оценки стоимости объекта оценки, основанных на определении ожидаемых доходов от объекта оценки.

Сравнительный подход. Совокупность методов оценки стоимости объекта оценки, основанных на сравнении объекта оценки с аналогичными объектами, в отношении которых имеется информация о ценах сделок с ними. Объектом -аналогом объекта оценки для целей оценки признается объект, сходный объекту оценки по основным экономическим, материальным, техническим и другим характеристикам, определяющим его стоимость.

В рамках диссертационного исследования проводилось построение моделей, учитывающих пространственные характеристики объектов недвижимости. При построении моделей посредством матрицы весов фиксируется взаимное влияние объектов друг на друга. Далее построенная модель использовалась для оценки влияния объектов обучающей выборки, близких к оцениваемому объекту, на цену оцениваемого объекта. То есть цеповые характеристики близкорасположенных объектов сравниваются по определенным

параметрам (здесь основным параметром является близость объектов обучающей выборки к оцениваемому объекту) - этот подход относится к методу сравнения продаж.

В силу наличия алгоритма, позволяющего определить структуру оценивающей модели, методы массовой оценки являются достаточно формализованными в отличие от методов индивидуальной оценки.

Процесс массовой оценки содержит следующие основные этапы:

И Предварительное \\Сбор данных, анализ И \\ Тестирование, Постановка задачи , обследование и Л Рь»'™» I В«бор и контроль качества

анализ обгекп /// Формирование /I/ настройка модели // и уточнение „

анализ ооъекта ш &зыдшшых // /•/результатов оценки '

Е?/ _.. (у... . 1:1.

Рис. 1 Этапы массовой оценки

Содержания этих этапов отличаются от индивидуальной оценки в основном из-за разницы в масштабе проведения работ и методах контроля качества оценки. Характер объекта недвижимости (земля, здания, сооружения) и имеющиеся о нем данные определяют объем работ по сбору необходимых сведений, а также их вид, что в свою очередь определяет, какой метод оценки (индивидуальный или массовый) необходимо избрать.

1.2 Компьютеризованная массовая оценка

Компьютеризованная массовая оценка (КМО) как отрасль научно-практической деятельности возникла в 70-х годах прошлого столетия. В течение последних нескольких лет КМО начала распространяться в России и уже нашла применение в следующих областях:

Налогообложение. Одним из основных требований для перехода от налогов на землю и на имущество физических и юридических лиц к единому налогу на недвижимость, базирующемуся на оценке её рыночной стоимости, является проведение массовой оценки недвижимости, с учетом следующих условий:

• оценка должна быть проведена в короткие сроки;

• затраты на нее должны быть минимальны;

• в методике оценки должна быть заложена возможность быстрой переоценки через какой-то период времени;

• оценка должна охватывать все объекты недвижимости.

Для решения такой задачи в достаточной мере подходит именно КМО. В городах Тверь и Новгород с 1995 г. проводился эксперимент по замене налогов, в рамках которого была проведена КМО всех видов недвижимости городов и, как результат, была разработана современная, основанная на компьютерных технологиях, компьютеризованная методика массовой оценки (КММО) [6]. Подробнее о применении массовой оценки в налогообложении описано в разделе 1.3.

Расчет арендных ставок для муниципальной недвижимости. В

последние годы стала ощущаться необходимость отхода от нормативных методик расчета арендных ставок, которые не соответствуют реалиям рынка и тормозят его развитие. Идеальным вариантом являются арендные ставки, рассчитанные на основе рыночной стоимости объектов, что дает возможность гибкого руководства рынком аренды муниципальной недвижимости. В г. Санкт-Петербурге в 1996 г. была разработана КММО, которая была принята городской думой в 1997 г. Фактически, это была первая методика, полностью соответствующая концепции КМО [6].

Оценка земельных участков. Задача оценки рыночной стоимости городских земель возникла, практически, с началом приватизации. Требовались методики оценки при продаже или для сдачи в долгосрочную аренду участков под приватизируемыми объектами, участков под индивидуальное строительство.

Нетрудно предвидеть и другие области применения КМО в будущем. Это, во-первых, массовая оценка для прочих видов государственных и муниципальных нужд (например, приватизация, залоговая оценка). Фактически, соответствующие методики могут быть разработаны на основе единой КММО муниципальной недвижимости. Во-вторых, это массовая оценка для инвестиционных проектов в масштабах города или его части. Идеальным вариантом была бы разработка глобальной методики оценки городской недвижимости, которая бы

использовалась и для фискальных целей, и для градостроительных программ, и для всех прочих нужд. Наконец, модели КМО должны стать рабочим инструментом индивидуальных оценщиков и риелторских фирм [7].

КМО, по своей сути, это процесс оценки, включающий в себя определенный подход к решению задачи и определенные инструменты ее выполнения. Слово «компьютеризованная» отражает технологию этого процесса, основанную на широком применении современных вычислительных средств для статистического анализа и обработки данных.

Основные этапы КМО соответствуют основным этапам массовой оценки:

• постановка задачи;

• предварительное обследование и анализ объекта;

• сбор данных, анализ рынка и формирование базы данных;

• выбор и настройка модели;

• тестирование, контроль качества и уточнение результатов оценки.

Ниже даны пояснения по каждому этапу КМО.

Постановка задачи

Постановка задачи предполагает определение:

• объектов оценки;

• цели оценки;

• вида стоимости объектов оценки, для которой будет строиться модель.

Определение объектов оценки предполагает четкое описание

местоположения объектов оценки, а также определение иных его параметров, позволяющих однозначно, без всяких оговорок идентифицировать объекты оценки. Определение или формулирование цели оценки предполагает выбор подходов и методов при расчете стоимости объекта оценки. Определение вида стоимости предполагает четкое и конкретное её наименование, поскольку в противном случае, если этого не сделать, оценщик может самостоятельно определить тот вид стоимости, который он будет рассчитывать и обосновывать. Кроме этого на этом этапе определяются или оговариваются дата, на которую проводится оценка, а также ограничивающие условия и иные обстоятельства,

которые оказывают или могут оказать свое влияние на величину рассчитываемой стоимости.

Предварительное обследование и анализ объекта

На этом шаге оценщик собирает информацию о сегменте рынка, к которому относится эта недвижимость, информацию о текущей конъюнктуре на этом сегменте, а также проводит подбор аналогов и предварительное обоснование выбора этих аналогов.

Сбор данных, анализ рынка и формирование базы данных

Этот этап является определяющим в части построения моделей массовой оценки, так как качество результата оценки имеет прямую зависимость от полноты и качества собранных данных.

Принимаются во внимание все рыночные тенденции и собираются все возможные виды информации. Конечно, наиболее ценной является информация о реальных сделках, однако в базу данных (БД) включаются и предложения, и экспертные оценки. При формализации и структуризации БД активно используется весь объем анализа рынка. Недостатком такого подхода можно назвать возможность получения лишней или некорректной информации. Однако такого рода информация выявляется и отсеивается в ходе применения математических методов и методов статистического анализа.

Список литературы диссертационного исследования кандидат наук Беляева, Анна Валерьевна, 2014 год

Список литературы

1. Эккерт, Дж.Организация оценки и налогообложения недвижимости: в 2 т. // Дж. Эккерт, Р. Дж. Глаудеманс, Р. Р. Олми. - М. : Рос. о-во оценщиков, 1997.-Т. 1-2.

2. Вессели Р. Государственная кадастровая (массовая) оценка для целей налогообложения - российский и зарубежный опыт / Р. Вессели, А. Ланкин // Экономические стратегии. - 2008. - № 2. - С. 124—131.

3. «Международные стандарты оценки 2011» Перевод с английского под ред. Г.И.Микерина, И.Л.Артеменкова. - М: Саморегулируемая общероссийская общественная организация «Российское общество оценщиков», 2013. - 188 с. ISBN 978-5-93027-028-0.

4. Федеральный стандарт оценки (ФСО №4): утвержден приказом Министерства экономического развития Российской Федерации от 22 октября 2010 года №508.

5. Айвазян С.А., Бухштабер В. М., Енюков И. С., Мешалкин J1. Д. Прикладная статистика. Классификация и снижение размерности - М.: Финансы и статистика, 1989.

6. Кочетков Ю., Калинина /7. «Компьютерная массовая оценка в России: первые результаты» Научный парк, 1998, №1.

7. Кочетков Ю. «О роли и задачах компьютеризованной массовой оценки в России» - статья из журнала RWAY 1998, т.35 (2), с. 107-111.

8. Налогообложение и кадастровая оценка недвижимости [Электронный ресурс]: монография / В. Б. Безруков, М. Н. Дмитриев, А. В. Пылаева; Нижегор. гос. архит.-строит. ун-т. - Н.Новгород: ННГАСУ, 2011.

9. Панфилов В. В. Понятие и содержание оборота недвижимости /В. В. Панфилов // Нотариус. - 2006. - № 6. - С. 21-25.

10. Проскурин А. Г. Налог на недвижимость как средство обеспечения решения вопросов местного значения / А. Г. Проскурин // Налоги. -2007. - № 5. -С. 4-8.

11. Васильева Л. С. Экономика недвижимости: учебник / Л. С. Васильева. - М. : Эксмо, 2008. - 477 с.

12. Налог на недвижимость: результаты эксперимента в Великом Новгороде и Твери [Электронный ресурс]: стенограмма "круглого стола" Комитета Совета Федерации по бюджету, 26 янв. 2006 г. // Государственный научно-исследовательский институт системного анализа Счетной палаты Российской Федерации : офиц. сайт. - Режим доступа: http://www.niisp.ru/News/Events/art67.

13. Нагаев Р. Т. Недвижимость: энциклопедический словарь / Р. Т. Нагаев. - Казань: Идеал-пресс, 2005. - 1136 с.

14. Мишустин М. В. Информационно-технологические основы администрирования имущественных налогов: монография / М. В. Мишустин. -М.: ЮНИТИ, 2007. - 359 е.: ил.

15. ЯнгменД. Развитие налогообложения собственности в странах с переходной экономикой - Рассмотрение примеров из стран Центральной и Восточной Европы / Д. Янгмен, Д. Мальме // Введение системы массовой оценки на основе рыночной стоимости для налогообложения недвижимого имущества : докл. междунар. конф. - Литва, 2003.

16. Олми Р. Обзор систем налогообложения имущества в Европе / Р. Олми // Введение системы массовой оценки на основе рыночной стоимости для налогообложения недвижимого имущества : докл. междунар. конф. - Литва, 2003.

17. Алексене А. Организация системы оценки и управление ею в Литве: планирование и оценка необходимых ресурсов / А. Алексене, А. Багдонавичюс // Введение системы массовой оценки на основе рыночной стоимости для налогообложения недвижимого имущества : докл. междунар. конф. - Литва, 2003.

18. Вессели Р. Опыт кадастровой оценки земель в России / Р. Вессели // Налоговая оценка недвижимости и развитие институтов имущественного налогообложения: докл. междунар. конф. — Москва, 2005.

19. Вессели Р. Массовая оценка недвижимости - многофункциональный инструмент для стран в переходном периоде / Р. Вессели, А. Панкин // Налоговая

оценка недвижимости и развитие институтов имущественного налогообложения: докл. междунар. конф. - Москва, 2005.

20. Мюллер А. Оценка земли и зданий для целей периодического поимущественного налога и других налогов / А. Мюллер // Налоговая оценка недвижимости и развитие институтов имущественного налогообложения: докл. междунар. конф. - Москва, 2005.

21. Мюллер А. Поимущественные налоги и оценка в Дании / А. Мюллер // Налоговая оценка недвижимости и развитие институтов имущественного налогообложения: докл. междунар. конф. - Москва, 2005.

22. Мюллер А. Значимость периодического налога на имущество для государственных финансов, налоговой политики и фискальной децентрализации : материалы конф. / А. Мюллер // Земельные ресурсы Казахстана. - 2005. - № 5. -С. 12-13.

23. Фридман Д. Анализ и оценка приносящей доход недвижимости: пер. с англ. / Д. Фридман, Н. Ордуей. - М.: Дело, 1997. - 461 е.: ил.

24. Прорвич В. А. Основы экономической оценки городских земель / В. А. Прорвич. - М.: Дело, 1998. - 334 с. - (Оценочная деятельность).

25. Оценка недвижимости : учебник / под ред. А. Г. Грязновой, М. А. Федотовой ; Фин. акад. при Правительстве Рос. Федерации. - М.: Финансы и статистика, 2003. - 492 е.: ил.

26. Jahanshiri Е„ Buyong Т., Mohd.Shariff A.R. A Review of Property Mass Valuation Models, Pertanika J. Sci. & Technol. 19 (S), 2011. -23 - 30 p

27. Bailey, T. and A. Gatrell. (1995). Interactive Spatial Data Analysis. Harlow: Longman.

28. Barry, Ronald, and R. Kelley Pace. (1997). "Kriging with Large Data Sets Using Sparse Matrix Techniques." Communications in Statistics: Computation and Simulation 26(2) 619-629.

29. Basu, Sabyasachi, and Thomas Thibodeau. (1998). "Analysis of Spatial Autocorrelation in House Prices." Journal of Real Estate Finance and Economics 17, 61-85.

30. Blettner, R.A. (1969). "Mass Appraisals via Multiple Regression Analysis. " The Appraisal Journal 37, 513-521.

31. Can, Ayse. (1992). "Specification and Estimation of Hedonic Housing Price Models. " Regional Science andUrban Economics 22, 453-477.

32. Can, Ayse, and Isaac Megbolugbe. (1997). "Spatial Dependence and House Price Index Construction." Journal of Real Estate Finance and Economics 14, 203-222.

33. Cressie, Noel A. (1993). Statistics for Spatial Data. New York: Wiley.

34. Dubin, Robin A. (1988). "Estimation of Regression Coefficients in the Presence of Spatially Autocorrelated Error Terms." Review of Economics and Statistics 70, 466-474.

35. Dubin, Robin A. (1992). "Spatial Autocorrelation and Neighborhood Quality." Regional Science and UrbanEconomics 22, 433-452.

36. Dubin, Robin A. (1998). "Predicting House Prices Using Multiple Listings Data." Journal of Real Estate andFinancial Economics 17, 35-59.

37. Eisenlauer, J.F. (1968). "Mass Versus Individual Appraisals." The Appraisal Journal 36, 532-540.

38. Goldberger, Arthur. (1962). "Best Linear Unbiased Prediction in the Generalized Linear Regression Model." Journal of the American Statistical Association 57, 369-375.

39. Haining, Robert. (1990). Spatial Data Analysis in the Social and Environmental Sciences Cambridge: Cambridge University Press.

40. Judge, George G., R. Carter Hill, William E. Griffiths, et al. (1985). Introduction to the Theory and Practice of Econometrics, 2nd ed. New York: Wiley.

41. Kelejian, Hariy, and IgmarPrucha. (1998). "A Generalized Spatial Two-Stage Least-Squares Procedure for Estimating a Spatial Autoregressive Model with Autoregressive Disturbances." Journal of Real Estate Finance and Economics 17, 99121.

42. Pace, R. Kelley, and Ronald Bariy. (1997). "Quick Computation of Regressions with a Spatially Autoregressive Dependent Variable." Geographical Analysis 29(3), 232-247.

43. Pace, R. Kelley, and O. W. Gilley. (1997). "Using the Spatial Configuration of the Data to Improve Estimation." Journal of the Real Estate Finance and Economics 14(3), 333-340.

44. Pace, R. Kelley, O. W. Gilley. (1998). "Generalizing the OLS and the Grid Estimator." Real Estate Economics 26, 331-347.

45. Ripley, Brian. (¡981). Spatial Statistics. New York: Wiley.

46. Thrall, Grant. (1988). "Common Geographic Errors of Real Estate Analysis 6(1), 45-54.

47. Patrick M. O'Connor, Tricks to using regression additive, multiplicative & non-linear, Broadening Your Horizons Integrating GIS & CAMA 2003 Conference, 2002

48. Patrick M. O'Connor, Comparison of three residential regression models: additive, multiplicative and nonlinear, 2002

49. Robert J. Gloudemans, A Comparison of Three Residential Regression Models: Additive, Multiplicative, and Hybrid, Proceedings of the 2002 URISA and IAAO CAMA/GIS Conference, April 2002

50. Raymond J. G. M. Florax, Peter Nijkamp, Misspecification in Linear Spatial Regression Models, Tinbergen Institute Discussion Papers No. 2003-081/3, 2003

51. Anselin L., Specification tests on the structure of interaction in spatial econometric, Papers in Regional Science, Issue 1, pages 165-182, 1984

52. Hordijk, L., Spatial correlation in the disturbances of a linear interregional model. Regional Science and Urban Economics 4, 3:117-40, 1974

53. Bartels, C. and Hordijk, L„ On the power of the generalized Moran contiguity coefficient in testing for spatial autocorrelation among regression disturbances. Regional Science and Urban Economics 7, 1/2: 83ol01, 1977

54. Brandsma, A. S., and R. H. Ketellapper, Further Evidence on Alternative Procedures for Testing of Spatial Autocorrelation among Regression Disturbances." In Exploratory and Exphnatory Statistical Analysisof Spatial Data, edited by C.P.A. Bartels and R.H. Ketellapper, pp. 113-36. Boston: MartinusNijhoff, 1979

55. Bartels, C. and Ketellapper, R., Exploratory and explanatory statistical analysis of spatial data. Boston, Mass.: MartinusNijhoff, 1979

56. Griffith, D. A., Toward a theory of spatial statistics. Geographical Analysis 12,4:325-39, 1980

57. Harry H. Kelejian, IngmarR. Prucha, On the asymptotic distribution of the Moran I test statistic withapplications, Journal of Econometrics 104, 219-257, 2001

58. Philip A. Viton, Notes on Spatial Econometric Models, City and regional planning 870.03,2010

59. Pinkse, J., Asymptotic properties of Moran and related tests and testing for spatial correlation in probit models. Department of Economics, University of BritishColumbia and University College London, 1999

60. Nobuhiko Terui and Masayoshi Kikuchi, The Size-adjusted Critical Region of Moran's I Test Statistics for Spatial Autocorrelation and Its Application to Geographical Areas, Geographical Analysis, 2010

61. Hongfei Li, Catherine A. Calder, Noel Cressie, Beyond Moran's I: Testing for Spatial Dependence Based on the SAR Model, 2005

62. Burridge, P., On the Cliff-Ord Test for. Spatial Correlation, Journal of the Royal Statistical Society B 42, 107-108, 1980

63. Cliff A., and Ord K., Testing for Spatial Autocorrelation among Regression Residuals, Geographical Analysis 4, 267-84, 1972

64. Peter M. Robinson and Francesca Rossi, Improved Tests for Spatial Correlation, London School of Economics and University of Southampton, 2012

65. Kelejian H, Prucha I.A Generalized Moments Estimator for the Autoregressive Parameter in a Spatial Model, International Economic Review 40, 1999, 509-533 p.

66. Kelejian H., Prucha I, Yuzefovich Y. Instrumental variable estimation of a spatial autoregressive model with autoregressive disturbances: large and small sample results, Advances in Econometrics 12, 2004; 18:163-198 p.

67. Anselin, L., Bera, A., Florcix, R., Yoon, M., Simple diagnostic tests for spatial dependence. Regional Science and Urban Economics 26, 77-104, 1996

68. Bera, A. and M. Yoon, Specification testing with locally misspecified alternatives, Econometric Theory 9, 649-658, 1993

69. Peter M.Robinson and Francesca Rossi, Improved Lagrange Multiplier Tests in Spatial Autoregressions, The Econometrics Journal, Issue 1, pages 139— 164, 2014

70. Anselin L., Lagrange Multiplier Test Diagnostics for Spatial Dependence and Spatial Heterogeneity, Geographical Analysis 20, 1—17, 1988

71. Moran, P. A. P., The Interpretation of Statistical Maps, Journal of Royal Statistical Society, 10,243-251, 1948

72. Moran, P. A. P., Notes on Continuous Stochastic Phenomena, Biometrika 37 (1): 17-23., 1950

73. Geary, R. C., The Contiguity Ratio and Statistical Mapping, The Incorporated Statistician (The Incorporated Statistician) 5 (3): 115-145, 1954

74. Whittle P., Hypothesis Testing in Time Series Analysis. Almquist and Wicksell, 1951

75. Whittle P., The analysis of multiple stationary time series. Journal of the Royal Statistical Society, Series В 15 (1): 125-139, 1953

76. Whittle P., On stationary processes in the plane. Biometrika 41: 434-449,

1954

77. Whittle P.,Optimum preventative sampling, Journal of the Operations Research Society of America 2 (2): 197-203, 1954

78. Cliff A., OrdJ. Spatial Autocorrelation. Pion, London, 1973.

79. Anselin, L. Spatial Econometrics: Methods and Models. Kluwer Academic, Dordrecht, 1988.

80. Скворцов А.В. Триангуляция Делоне и её применение. — Томск: Изд-во Том. ун-та, 2002. — 128 с.

81. Anselin, L., Ibnu, S., Kho, F.GeoDa: An introduction to spatial data analysis. Geographical Analysis, 2004, 38, 5-22.

82. Dubin, R. Robustness of spatial autocorrelation specifications: Some Monte Carlo evidence. Journal of Regional Science, 2003, 221-248.

83. Dubin, R., Pace, R. K., Thibodeau, T. G.Spatial autoregression techniques for real estate data. Journal of Real Estate Literature, 1999, 79-96.

84. Мхитарян В. С.,Эконометрика: учеб. /под ред. д-ра экон. наук, проф.

B.C. Мхитаряна. - М.:Проспект, 2009. - 384 с. - ISBN 978-5-392-00188-0.

85. Балаш О.С., Харламов A.B.,Эконометрическое моделирование пространственных данных: [монография] / О.С. Балаш, A.B. Харламов. - Саратов: Научная книга, 2010. - 112 с. - ISBN 978-5-9758-1107-3.

86. Fotheringham, A., Geographically Weighted Regression /А. Fotheringham,

C. Brunsdon, M. Charlton. John Willey & Sons, 2002 - 269 c.

87. В. А. Балаш, О. С. Балаш, А. В. Харламов, Эконометрический анализ геокодированных данных о ценах на жилую недвижимость, Прикладная эконометрика № 2 (22), 2011

88. СтерникГ.М., Ноздрина H.H. Методология сбора и обработки информации о рынке недвижимости (пособие риэлтору). РГР, - М. 1997. - 96 с.

89. Стерник Г. М. Методические рекомендации по анализу рынка недвижимости. РГР, - М., 1998. - 60 с.

90. Стерник Г.М., Математические основы методологии построения дискретных пространственно-параметрических моделей рынка жилья, Рынок недвижимости России, 2005

91. Стерник Г.М., Стерник С.Г. Единый исследовательский алгоритм анализа рынка, массовой и индивидуальной оценки на основе дискретного пространственно-параметрического моделирования рынка недвижимости. -Материалы XII Международного конгресса оценщиков, РОО, Москва, 2010, стр. 121-127.

92. Ноздрина H.H., Сапожников А.Ю., Стерник Г.М. Территориальная дифференциация вторичного рынка жилья Москвы, Рынок недвижимости России, 2001

93. Корноушенко Е.К. «Методологические аспекты практического регрессионного оценивания», Проблемы управления, N2, 2008, с. 34-41.

94. Стерник С.Г, Стерник Г.М., Лапко КС. «Массовая оценка недвижимости для целей налогообложения: проблемы и пути их решения», Журнал «Финансовая аналитика: проблемы и решения» 12(36) - 2010.

95. Лапко К.С. Развитие методов массовой оценки недвижимости для целей налогообложения, Аудит и финансовый анализ, 4, 2010.

96. Безруков В.Б., Пылаева А.В. О реализации проекта "Разработка и тестирование системы кадастровой (массовой) оценки объектов недвижимости // Имущественные отношения в Российской Федерации. 2010. № 3.

97. Методические рекомендации по определению кадастровой стоимости объектов недвижимости жилого фонда для целей налогообложения: приказ Министерства экономического развития и торговли Российской Федерации от 3 ноября 2006 № 358.

98. Методические рекомендации по определению кадастровой стоимости объектов недвижимости нежилого фонда для целей налогообложения: приказ Министерства экономического развития и торговли Российской Федерации от 3 ноября 2006 № 358.

99. О Государственном кадастре недвижимости: Федеральный закон от 24 июля 2007 года № 221-ФЗ.

100. EckertJoe, Results of the Methodology to Establish the Elements of a Real Property Computer Assisted Mass Appraisal System In the Russian Federation: The Kemerovo Case.

101. Upton, G. J. G., and B. Fingleton, Spatial Data Analysis by Example. New York: Wiley, 1985

102. Eckert J., Computer-assisted mass appriasal options for transition and developing countries: the Brcko land valuation sample, 2006

103. Eckert J., editor. Property Appraisal and Assessment Administration. Chicago: International Association of Assessing Officers, 1990.

104. Ord, J.K., Estimation methods for models of spatial interaction, Journal of the American Statistical Association 70, 120-126, 1975

105. Anselin, L., Some robust approaches to testing and estimation in spatial econometrics, Regional Science and Urban Economics 20, 141-163, 1990

106. Blommestein, H., Specification and estimation of spatial econometric models: A discussion of alternative strategies for spatial economic modelling, Regional Science and Urban Economics 13, 251-270, 1983

107. Yiyi Wang, Kara M. Kockelman, Xiaokun (Cara) Wang, The impact of weight matrices on parameter estimation and inference: a case study of binary response using land use data, Presented at the 91st Annual Meeting of the Transportation Research Board in Washington DC, January 2012, and under review for publication in Transportation Research Record

108. Cliff A., Ord /.Spatial Processes: Models and Applications. London: Pion,

1981.

109. Anselin L., Florax R. Small Sample Properties of Tests for Spatial Dependence in Regression Models: Some Further Results, Berlin: Springer, 1995, 2174 p.

110. Anselin L., Rey S., Properties of Tests for Spatial Dependence in Linear Regression Models//Geographical Analysis, Vol. 23, No. 2, 1991 Ohio State University Press Submitted 2/90.

111. James P. LeSage Spatial Econometrics, 1999, www.rri.wvu.edu/WebBooky LeSage/spatial/wbook.pdf

Приложение 1. Данные, полученные по результату экспериментов Главы 3 Один центр влияния

8ЬМ модель цены, сильная пространственная зависимость (0.8), матрица \У2

Критерии качества регрессионных моделей г2 согг mean sumsq std aic sic forecast

0,382 0,386 0,000 6115,038 78,197 8,819 8,897 8062,482

оЬс! 0,591 0,603 0,000 3950,316 62,850 8,423 8,527 3893,882

Критерии качества пространственных авторегрессионных моделей corr mean sumrcssq stdrcs а! с $1с forcast

SLM

W2 0,937 0,000 639,335 25,284 6,602 6,706 1673,921

W2ci 0,944 0,000 565,081 23,770 6,519 6,649 1406,217

W4 0,892 0,000 1090,764 33,025 7,136 7,240 2063,999

W4ci 0,898 0,000 1019,434 31,927 7,109 7,240 1816,225

W8 0,832 0,000 1687,776 41,081 7,573 7,677 2164,101

W8ci 0,842 0,000 1575,819 39,695 7,545 7,675 1994,405

W12 0,765 0,000 2354,900 48,526 7,906 8,010 1935,032

W12ci 0,776 0,000 2230,024 47,222 7,892 8,022 1832,059

БЕМ

W2 0,940 0,000 678,854 26,053 6,662 6,766 1638,070

W2ci 0,945 0,000 602,513 24,545 6,583 6,714 1404,916

W4 0,902 0,000 1046,684 32,351 7,095 7,199 1843,511

W4ci 0,905 0,000 998,447 31,597 7,089 7,219 1538,406

W8 0,838 0,000 1721,670 41,491 7,592 7,697 2148,717

W8ci 0,844 0,000 1616,076 40,198 7,570 7,700 1818,712

W12 0,800 0,534 2147,036 46,331 7,813 7,917 2109,788

\V12ci 0,803 0,178 2066,297 45,454 7,816 7,946 1870,015

БЬМ модель цены, сильная пространственная зависимость (0.8), матрица \У4

Критерии качества регрессионных моделей г2 согг mean sumsq std aic sic forecast

оЬ 0,434 0,439 0,000 3856,544 62,100 8,358 8,436 4499,616

оЬа 0,653 0,667 0,000 2288,725 47,839 7,877 7,981 1629,860

Критерии качества пространственных авторегрессионных .моделей согг mean sumrcssq stdrcs а!с forcast

SLM

W2 0,943 0,000 397,065 19,926 6,126 6,230 452,858

W2ci 0,952 0,000 332,893 18,245 5,990 6,120 315,430

W4 0,965 0,000 239,631 15,479 5,620 5,725 316,170

Критерии качества пространственных авторегрессионных моделей corr mean sumrcssq sttlres aic sic forcast

W4ci 0,971 0,000 200,319 14,152 5,482 5,612 259,601

W8 0,955 0,000 308,229 17,556 5,872 5,976 463,522

W8ci 0,963 0,000 256,080 16,001 5,728 5,858 429,674

W12 0,887 0,000 778,501 27,901 6,799 6,903 617,066

W12ci 0,898 0,000 704,395 26,540 6,740 6,870 553,482

SEM

\V2 0,954 0,000 357,151 18,898 6,020 6,124 321,318

VV2ci 0,961 0,000 293,029 17,117 5,863 5,993 268,322

W4 0,967 0,000 247,129 15,719 5,651 5,755 375,894

W4ci 0,969 0,000 228,337 15,110 5,613 5,743 325,997

W8 0,953 0,000 347,469 18,640 5,992 6,096 494,916

W8ci 0,957 0,000 316,237 17,782 5,939 6,069 434,931

W12 0,938 -0,252 501,214 22,385 6,358 6,462 644,006

\V12ci 0,939 0,056 471,737 21,718 6,339 6,469 597,149

SLM модель цены, сильная пространственная зависимость (0.8), матрица W8

Критерии качества регрессионных моделей r2 corr mean sumsij std aic sic forecast

ols 0,484 0,489 0,000 2358,674 48,565 7,867 7,945 2851,557

olsci 0,739 0,754 0,000 1 133,656 33,668 7,175 7,279 806,831

Критерии качества пространственных авторегрессиопных моделей corr mean sumressij stdrcs aic « sic forcast

SLM

\V2 0,937 0,000 292,937 17,115 5,821 5,926 279,112

W2ci 0,954 0,000 212,730 14,585 5,542 5,673 154,919

W4 0,969 0,000 142,992 11,957 5,104 5,208 132,489

W4ci 0,981 0,000 88,368 9,400 4,664 4,794 81,506

\V8 0,976 0,000 110,456 10,509 4,846 4,950 102,679

W8ci 0,986 0,000 62,919 7,931 4,324 4,454 81,629

W12 0,892 0,000 497,050 22,294 6,350 6,454 259,859

\V12ci 0,918 0,000 380,348 19,502 6,123 6,254 189,716

SEM

W2 0,964 0,000 189,560 13,767 5,386 5,490 121,181

W2ci 0,973 0,000 137,740 11,735 5,107 5,238 92,651

W4 0,983 0,000 89,702 9,470 4,638 4,742 115,273

\V4ci 0,986 0,000 73,791 8,589 4,483 4,614 90,485

W8 0,980 0,000 108,647 10,423 4,829 4,934 99,804

W8ci 0,984 0,000 84,114 9,171 4,614 4,745 89,609

W12 0,965 -0,272 200,337 14,151 5,441 5,545 152,632

W12ci 0,970 0,044 166,478 12,902 5,297 5,427 139,578

SLM модель цены, сильная пространственная зависимость (0.8), матрица W12

Критерии качества * регрессионных моделей г2 согг mean sumsq std aic sic forecast

ois 0,507 0,513 0,000 2036,297 45,124 7,720 7,798 5269,115

olsci 0,654 0,667 0,000 1389,200 37,271 7,378 7,482 3953,287

Критерии качества пространственных авторегрессионных моделей corr mean sumrcssq stdrcs aic sic forcast

SLM

W2 0,917 0,000 349,901 18,705 5,999 6,103 2682,305

W2ci 0,926 0,000 309,058 17,580 5,916 6,046 2655,271

W4 0,948 0,000 218,631 14,786 5,529 5,633 2571,422

W4ci 0,953 0,000 196,334 14,012 5,462 5,592 2576,574

\V8 0,955 0,000 188,407 13,726 5,380 5,484 2631,599

W8ci 0,962 0,000 160,424 12,665 5,260 5,390 2652,679

W12 0,902 0,000 411,051 20,274 6,160 6,264 2825,476

W12ci 0,912 0,000 368,253 19,190 6,091 6,221 2829,880

SEM

W2 0,942 0,000 276,019 16,613 5,762 5,866 2375,731

W2ci 0,949 0,000 233,698 15,286 5,636 5,767 2375,189

W4 0,962 0,000 175,136 13,233 5,307 5,411 2372,149

W4ci 0,964 0,000 166,241 12,893 5,296 5,426 2372,886

W8 0,959 0,000 187,289 13,685 5,374 5,478 2474,160

\V8ci 0,964 0,000 164,753 12,835 5,287 5,417 2430,282

VV12 0,952 1,638 235,583 15,260 5,592 5,696 2459,464

W12ci 0,955 1,880 215,626 14,562 5,539 5,669 2468,909

SLM модель цены, слабая пространственная зависимость (0.2), матрица W2

Критерии качества регрессионных моделей r2 согг mean sumsq std aic sic forecast

ois 0,876 0,885 0,000 146,827 12,117 5,090 5,168 184,087

olsci 0,961 0,981 0,000 24,710 4,970 3,348 3,452 27,646

Критерии качества пространственных авторегрессионных моделей corr mean sumressq stdres aic sic forcast

SLM

W2 0,954 0,000 58,528 7,650 4,211 4,315 90,824

W2ci 0,992 0,000 9,970 3,156 2,480 2,610 21,850

W4 0,949 0,000 64,336 8,020 4,305 4,410 85,868

W4ci 0,989 0,000 14,361 3,788 2,846 2,976 25,993

W8 0,949 0,000 64,587 8,036 4,309 4,414 68,132

\V8ci 0,988 0,000 15,543 3,941 2,925 3,055 23,943

W12 0,948 0,000 65,631 8,101 4,325 4,430 53,643

W12ci 0,985 0,000 18,918 4,348 3,122 3,252 20,949

Критерии качества пространственных авторегрессионных моделей corr mean sumressq stdres aic sic forcast

SEM

W2 0,983 0,000 23,073 4,802 3,279 3,383 42,262

\V2ci 0,989 0,000 14,248 3,773 2,837 2,967 26,390

W4 0,984 0,000 21,253 4,609 3,197 3,301 37,900

W4ci 0,988 0,000 16,057 4,005 2,957 3,087 24,579

W8 0,979 0,000 27,078 5,203 3,439 3,544 33,669

W8ci 0,987 0,000 17,179 4,143 3,025 3,155 23,164

W12 0,976 -0,163 31,959 5,650 3,604 3,709 34,440

VV12ci 0,986 -0,019 18,540 4,304 3,101 3,231 22,066

SLM модель цены, слабая nj эостранственная зависимость (0.2), матрица W4

Критерии качества pci рессионных моделей r2 corr mean sumsq std aic sic forecast

ols 0,889 0,898 0,000 130,592 11,427 4,973 5,051 165,012

olsci 0,968 0,988 0,000 15,009 3,873 2,849 2,953 14,496

Критерии качества пространственных авторегресснонных моделей corr mean sumressq stdres aic sic forcast

SLM

W2 0,953 0,000 60,567 7,782 4,245 4,349 82,322

\V2ci 0,994 0,000 7,100 2,662 2,139 2,270 10,195

W4 0,959 0,000 53,104 7,287 4,114 4,218 61,283

W4ci 0,996 0,000 4,990 2 232 1,786 1,916 9,303

W8 0,959 0,000 52,388 7,237 4,100 4,204 51,555

W8ci 0,996 0,000 5,617 2,368 1,905 2,035 10,248

W12 0,962 0,000 48,231 6,944 4,017 4,121 40,440

WI2ci 0,995 0,000 6,917 2,628 2,113 2,244 8,581

SLM

W2 0,987 0,000 17,724 4,208 3,015 3,119 15,604

W2ci 0,996 0,000 5,837 2,413 1,941 2,071 7,592

W4 0,990 0,000 12,560 3,542 2,670 2,774 14,069

W4ci 0,996 0,000 5,382 2,317 1,861 1,991 7,977

W8 0,987 0,000 16,363 4,044 2,935 3,039 15,187

W8ci 0,995 0,000 5,949 2,437 1,962 2,092 8,335

W12 0,986 -0,185 18,127 4,252 3,036 3,140 17,971

W12ci 0,995 0,009 6,303 2,508 2,020 2,150 9,015

SLM модель цены, слабая п ространственная зависимость (0.2), матрица W8

Критерии качества регрессионных моделей r2 corr mean sumsq std aic sic forecast

ols 0,894 0,903 0,000 121,212 11,009 4,898 4,976 143,052

olsci 0,972 0,992 0,000 10,333 3,213 2,475 2,579 8,177

Критерии качества пространственных авторегрессионных моделей corr mean sumrcssq stdrcs aic sic forcast

SLM

W2 0,950 0,000 62,267 7,890 4,273 4,377 76,243

W2ci 0,995 0,000 5,937 2,435 1,960 2,091 6,193

W4 0,958 0,000 52,318 7,233 4,099 4,203 53,717

W4ci 0,997 0,000 3,147 1,771 1,323 1,453 4,870

\V8 0,961 0,000 48,638 6,974 4,026 4,130 41,329

\V8ci 0,998 0,000 2,737 1,652 1,183 1,313 4,600

W12 0,963 0,000 46,526 6,820 3,981 4,085 34,159

W12ci 0,997 0,000 4,237 2,056 1,622 1,752 4,120

SEM

W2 0,989 0,000 15,172 3,893 2,858 2,963 10,623

W2ci 0,997 0,000 3,770 1,937 1,500 1,631 4,016

W4 0,992 0,000 9,805 3,129 2,422 2,526 8,871

W4ci 0,998 0,000 3,007 1,730 1,275 1,405 3,987

W8 0,991 0,000 11,731 3,424 2,603 2,707 6,969

W8ci 0,998 0,000 2,874 1,692 1,232 1,362 3,798

W12 0,988 -0,161 15,449 3,926 2,876 2,981 9,270

W12ci 0,997 0,025 3,498 1,867 1,429 1,559 4,241

SLM модель цены, слабая пространственная зависимость (0.2), матрица W12

Критерии качества регрессионных моделей r2 corr mean sumsq std aic sic forecast

ols 0,898 0,907 0,000 116,779 10,806 4,861 4,939 147,368

olsci 0,973 0,993 0,000 8,761 2,958 2,309 2,414 18,327

Критерии качества пространственных авторегрессионных моделей corr mean sumressq stdres aic sic forcast

SLM

W2 0,949 0,000 64,542 8,033 4,309 4,413 85,088

W2ci 0,995 0,000 6,069 2,462 1,982 2,113 16,397

W4 0,956 0,000 54,795 7,402 4,145 4,249 64,373

W4ci 0,997 0,000 3,883 1,968 1,534 1,665 15,483

W8 0,961 0,000 48,441 6,959 4,022 4,126 51,594

W8ci 0,998 0,000 2,453 1,564 1,073 1,203 15,529

W12 0,964 0,000 44,848 6,696 3,944 4,049 43,105

W12ci 0,997 0,000 3,190 1,783 1,337 1,467 14,658

SEM

W2 0,989 0,000 14,769 3,841 2,832 2,936 19,556

W2ci 0,997 0,000 3,587 1,890 1,451 1,581 13,227

W4 0,992 0,000 9,897 3,144 2,431 2,535 18,022

W4ci 0,998 0,000 3,010 1,731 1,276 1,406 13,139

\V8 0,991 0,000 11,055 3,324 2,543 2,647 18,696

Критерии качества пространственных авторегрсссиониых моделей corr mean sumrcssq stdres aic sic forcast

WBci 0,998 0,000 2,660 1,628 1,153 1,283 12,858

W12 0,989 -0,118 14,167 3,761 2,790 2,895 17,802

\VI2ci 0,998 0,060 2,929 1,707 1,249 1,379 12,501

SEM модель цены, сильная пространственная зависимость (0.8), матрица W2

Критерии качества регрессионных моделей r2 corr mean sumsq std aic sic forecast

ols 0,924 0,933 0,000 78,627 8,853 4,459 4,537 85,710

olsci 0,975 0,996 0,000 5,220 2,266 1,761 1,865 6,197

Критерии качества пространственных авторегрсссиониых моделей corr mean sumrcssq stdres aic sic forcast

SLM

W2 0,953 0,000 54,877 7,398 4,141 4,245 60,573

W2ci 0,996 0,000 5,022 2,223 1,764 1,894 6,284

W4 0,955 0,000 53,033 7,273 4,107 4,211 50,260

W4ci 0,996 0,000 4,983 2,214 1,756 1,886 6,245

W8 0,956 0,000 51,655 7,179 4,081 4,186 42,358

W8ci 0,996 0,000 5,009 2,220 1,761 1,892 6,180

W12 0,960 0,000 47,154 6,858 3,990 4,094 36,649

W12ci 0,996 0,000 5,040 2,227 1,767 1,897 6,138

SEM

W2 0,991 0,000 10,981 3,308 2,531 2,635 8,731

W2ci 0,998 0,000 2,058 1,425 0,878 1,008 2,955

W4 0,992 0,000 9,157 3,018 2,346 2,450 8,395

VV4ci 0,998 0,000 2,830 1,671 1,195 1,325 3,986

W8 0,990 0,000 11,623 3,401 2,585 2,689 8,718

W8ci 0,997 0,000 3,771 1,928 1,480 1,610 4,873

W12 0,987 -0,086 14,915 3,851 2,833 2,937 10,788

W12ci 0,996 0,000 4,290 2,055 1,607 1,738 5,290

SEM модель цены, сильная пространственная зависимость (0.8), матрица W4

Критерии качества регрессионных моделей r2 corr mean sumsq std aic sic forecast

ols 0,926 0,935 0,000 75,926 8,706 4,427 4,505 82,303

olsci 0,977 0,997 0,000 2,932 1,697 1,181 1,285 3,223

Критерии качества пространственных авторегресснонных моделей corr mean sumrcssq stdres aic sic forcast

SLM

Критерии качества пространственных авторегресснонных моделей corr mean sumrcssq stdres aic sic forcast

W2 0,954 0,000 53,134 7,284 4,111 4,215 58,098

W2ci 0,998 0,000 2,830 1,667 1,187 1,317 3,270

W4 0,956 0,000 51,098 7,143 4,072 4,177 47,632

W4ci 0,998 0,000 2,784 1,654 1,171 1,301 3,260

W8 0,958 0,000 49,497 7,031 4,041 4,145 39,627

W8ci 0,998 0,000 2,792 1,656 1,174 1,304 3,202

W12 0,962 0,000 44,871 6,694 3,943 4,047 33,758

W12ci 0,998 0,000 2,804 1,660 1,178 1,308 3,174

SBM

W2 0,992 0,000 10,250 3,198 2,465 2,569 7,275

W2ci 0,999 0,000 1,353 1,159 0,470 0,600 1,605

\V4 0,994 0,000 7,589 2,752 2,164 2,268 6,088

\V4ci 0,999 0,000 1,392 1,175 0,499 0,629 1,805

W8 0,992 0,000 9,495 3,078 2,388 2,492 5,932

W8ci 0,998 0,000 1,800 1,334 0,748 0,878 2,190

W12 0,989 -0,118 12,630 3,548 2,672 2,777 7,857

W12ci 0,998 0,000 2,125 1,448 0,909 1,039 2,406

SEM модель цены, сильная пространственная зависимость (0.8), матрица W8

Критерии качества регрессионных моделей г2 corr mean sumsq std aic sic forecast

ols 0,927 0,936 0,000 74,635 8,633 4,411 4,489 80,808

olsci 0,978 0,999 0,000 1,717 1,300 0,650 0,754 1,861

Критерии качества иростран ствсн н ых авторегресснонных моделей corr mean sumrcssq stdres aic sic forcast

SLM

W2 0,955 0,000 52,333 7,230 4,097 4,201 57,098

\V2ci 0,999 0,000 1,662 1,279 0,660 0,790 1,890

W4 0,957 0,000 50,305 7,089 4,058 4,162 46,699

W4ci 0,999 0,000 1,638 1,270 0,646 0,776 1,884

W8 0,958 0,000 48,542 6,964 4,022 4,126 38,578

\V8ci 0,999 0,000 1,639 1,270 0,646 0,776 1,853

W12 0,962 0,000 43,852 6,619 3,921 4,025 32,625

W12ci 0,999 0,000 1,640 1,271 0,646 0,777 1,842

SEM

\V2 0,992 0,000 10,243 3,198 2,465 2,569 7,155

W2ci 0,999 0,000 1,213 1,097 0,361 0,491 1,360

W4 0,994 0,000 7,355 2,710 2,133 2,238 5,633

W4ci 0,999 0,000 1,107 1,049 0,272 0,402 1,316

\V8 0,992 0,000 8,834 2,970 2,318 2,422 5,067

W8ci 0,999 0,000 1,131 1,060 0,293 0,424 1,318

W12 0,990 -0,133 11,752 3,423 2,602 2,706 6,854

Критерии качества пространственных авторе! рессионных моделей * согг mean sumrcssq stdrcs ale sic forcast

\V12ci 0,999 0,000 1,231 1,105 0,375 0,506 1,386

SEM модель цены, сильная пространственная зависимость (0.8), матрица W12

Критерии качества регрессионных моделей r2 согг mean sumsq std aic sic forecast

ols 0,927 0,936 0,000 74,209 8,610 4,406 4,484 80,319

olsci 0,979 0,999 0,000 1,405 1,178 0,456 0,560 1,506

Критерии качества пространственных авторегрессионных моделей corr mean sumrcssq stdres aic sic forcast

SLM

W2 0,955 0,000 52,083 7,214 4,093 4,197 56,795

W2ci 0,999 0,000 1,363 1,160 0,467 0,598 1,529

W4 0,957 0,000 50,096 7,075 4,054 4,158 46,457

\V4ci 0,999 0,000 1,342 1,151 0,452 0,583 1,527

\V8 0,959 0,000 48,309 6,948 4,018 4,122 38,343

W8ci 0,999 0,000 1,341 1,151 0,451 0,581 1,502

W12 0,963 0,000 43,599 6,601 3,915 4,019 32,366

W12ci 0,999 0,000 1,340 1,151 0,451 0,581 1,494

SEM

W2 0,991 0,000 10,285 3,204 2,469 2,573 7,174

W2ci 0,999 0,000 1,158 1,072 0,314 0,445 1,274

W4 0,994 0,000 7,383 2,715 2,137 2,241 5,560

W4ci 0,999 0,000 1,086 1,039 0,253 0,383 1,220

W8 0,993 0,000 8,770 2,960 2,311 2,415 4,949

W8ci 0,999 0,000 1,047 1,020 0,216 0,346 1,187

W12 0,990 -0,133 11,600 3,402 2,589 2,693 6,693

W12ci 0,999 0,000 1,069 1,031 0,237 0,367 1,209