ОЦЕНКА СТОИМОСТИ КОММЕРЧЕСКОЙ НЕДВИЖИМОСТИ НА ОСНОВЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ Текст научной статьи по специальности «Экономика и бизнес»

34

DOI: 10.38197/2072-2060-2022-237-5-34-57

ОЦЕНКА СТОИМОСТИ КОММЕРЧЕСКОЙ НЕДВИЖИМОСТИ НА ОСНОВЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ COMMERCIAL REAL ESTATE VALUATION BASED ON MACHINE LEARNING MODELS

АСТРАХАНЦЕВА ИРИНА АЛЕКСАНДРОВНА

Заведующая кафедрой информационных технологий и цифровой экономики ФГБОУ ВО «Ивановский государственный химико-технологический университет», доктор экономических наук

IRINA A. ASTRAKHANTSEVA

Head of Department of Information Technology and Digital Economics of the ISUCT, Doctor of Economic Sciences

СМИРНОВА НАТАЛИЯ ВЛАДИМИРОВНА

Доцент кафедры информационных технологий и цифровой экономики ФГБОУ ВО «Ивановский государственный химико-технологический

университет», кандидат экономических наук

NATALIA V. SMIRNOVA

Associate Professor of the Department of Information Technology and Digital Economics of the ISUCT, Candidate of Economic Sciences

АННОТАЦИЯ

На основе интересов пользователей и соблюдения законодательства в области оценки авторами предлагается использование в оценочной практике методов машинного обучения для оценки коммерческой недвижимости. В качестве алгоритмов, на которых работает модель, выбрано пять методов регрессии. Предлагаемая модель машинного обучения может обучаться и совершенствоваться на основе собственного опыта в автоматическом режиме без явного участия человека. Целевым показателем модели выступает «цена за кв. м» и «арендная ставка» коммерческой недвижимости.

Based on the interests of users and compliance with the Legislation in the field of valuation, the authors propose the use of machine Learning methods in valuation practice for the valuation of commercial real estate. Five regression methods were chosen as the algorithms on which the model works. The proposed machine learning model can be trained and improved based on its own experience in an automatic mode without explicit human participation. The target indicator of the model is the "price per sq. m" and "rental rate" of commercial real

ABSTRACT

estate.

КЛЮЧЕВЫЕ СЛОВА

Объект коммерческой (нежилой) недвижимости, выборка, набор данных, модель машинного обучения, исходные признаки, целевой показатель, классификация, прогнозирование, бустинг. KEYWORDS

Commercial (non-residential) real estate, sample, data set, machine learning model, initial features, target indicator, classification, forecasting, boosting.

Введение

Алгоритмы машинного обучения в последние годы активно используются как эффективный инструмент поддержки принятия решений, в том числе финансовых, включая создание моделей оценивания на рынке недвижимости. Наиболее развиты эти технологии в США, Великобритании и Индии. Российская практика оценки объектов недвижимости с помощью интеллектуальных технологий крайне слаба, что определяет актуальность исследования.

Оценщики являются профессиональными участниками оценочной деятельности и руководствуются Международными и Федеральными стандартами оценки [1, 2, 3, 4]. В процессе оценки объекта коммерческой недвижимости специалист-оценщик занимается исследованием рынка в тех сегментах, к которым относится оцениваемый объект недвижимости: проводит анализ фактических данных о ценах сделок и предложений, анализ основных ценообра-зующих факторов, влияющих на стоимость объекта оценки, в том числе физических характеристик объекта, прав и обре-менений, местоположения и других существенных параметров [5]. Проведение такого рода работ является трудоемким и рутинным процессом.

Внедрение алгоритмов машинного обучения при оценке объектов недвижимости позволит снизить трудоемкость и сроки выполнения работ, а также издержки на всех этапах оценки: от поиска информации и ее обработки, непосредственного расчета стоимости до формирования итоговых отчетных документов и экономического анализа результатов [6]. Кроме того, внедрение алгоритмов машинного обучения снижает уровень субъективности оценки и вероятность технических ошибок, ведущих к искажению стоимости объекта [7].

В настоящее время, ввиду развития рынка ипотечного кредитования и заинтересованности финансово-кредитных организаций в качественной независимой и быстрой оценке таких объектов, активно развивается оценка рынка жилой недвижимости с помощью алгоритмов машинного обучения. Рынок объектов нежилой (коммерческой) недвижимости менее активен, сами объекты более уникальны, однако также достаточно часто являются предметами совершения юридически значимых действий и в большинстве случаев требуют предварительного анализа стоимости при проведении следственных мероприятий, в судебном правоприменении, для целей заключения залоговых договоров и др. В связи с этим актуальным является вопрос создания интеллектуальных сервисов оценки объектов коммерческой недвижимости, позволяющих мгновенно по заданным параметрам получать вероятный диапазон удельной стоимости объекта.

Материалы и методы

Методология оценочной деятельности основана на выработанных теорией и мировой практикой подходах и мето-

38

дах оценки. Оценочная деятельность в России регулируется и регламентируется Федеральным законом «Об оценочной деятельности в Российской Федерации» и федеральными стандартами оценки — важнейшими ориентирами качества выполнения отчета об оценке [1, 2, 3, 4]. На сегодняшний день их 13, и они постоянно совершенствуются. Последние изменения в федеральных стандартах оценки произошли 14 апреля 2022 г. и вступят в силу совсем скоро. Для оценки недвижимости утвержден отдельный стандарт — ФСО № 7 [8], который развивает, дополняет и конкретизирует требования и процедуры, установленные ФСО № 1, ФСО № 2, ФСО № 3, и является обязательным к применению при оценке недвижимости, в том числе коммерческой. Федеральные стандарты определяют несколько подходов к оценке объектов: доходный, затратный и сравнительный, каждый из которых имеет особенности применения. Доходный подход объединяет совокупность методов оценки стоимости объекта оценки, основанных на определении ожидаемых доходов от использования объекта оценки. Затратный подход основан на определении затрат, необходимых для воспроизводства либо замещения объекта оценки с учетом износа и устаревания. Сравнительный подход представляет собой совокупность методов оценки стоимости объекта, основанных на сравнении оцениваемого объекта с аналогичными объектами, в отношении которых имеется информация о ценах. Анализируя алгоритмы классических подходов и методов к оценке объектов недвижимости, мы пришли к выводу о возможности применения интеллектуальных сервисов оценки объектов нежилой недвижимости, в рамках сравнительного подхода при оценке стоимости одного квадратного метра недвижимости, выступающего

объектом сравнения и доходного подхода при определении рыночной стоимости одного квадратного метра стоимости аренды, позволяющих мгновенно по заданным параметрам получать вероятный диапазон удельной стоимости объекта. В рамках затратного подхода интеллектуальный анализ использовать нецелесообразно.

Алгоритмы, лежащие в основе предлагаемого к использованию интеллектуального сервиса оценки объектов нежилой недвижимости, относятся к методам искусственного интеллекта и машинного обучения. В качестве алгоритмов, на которых создавались модели оценки, были выбраны пять методов регрессии из библиотеки Scikit-learn, используемых для целей классификации и прогнозирования [9, 10]: Support Vector Machines, K-NearestNeighbors, Дерево принятия решений, RandomForest и CatBoost.

Метод опорных векторов (Support Vector Machine, SVM) — это метод машинного обучения, который применяется для решения задач классификации и регрессии [11].

Дерево принятия решений — это алгоритм поддержки принятия решений, использующийся в машинном обучении [12], анализе данных и статистике, цель которого — предсказать значение целевой переменной на основе нескольких переменных на входе.

«Случайный лес» (RandomForest) — это алгоритм машинного обучения, заключающийся в использовании комитета (ансамбля) решающих деревьев. Алгоритм применяется для задач классификации, регрессии и кластеризации [13]. Основная идея заключается в использовании большого ансамбля решающих деревьев, каждое из которых само по себе дает очень невысокое качество прогнозов, но за счет их большого количества результат получается хорошим.

40

Алгоритм CatBoost — это алгоритм бустинга на деревьях принятия решений, разработанный компанией «Яндекс» для построения моделей машинного обучения [14]. Суть метода заключается в последовательном построении композиции алгоритмов машинного обучения, когда каждый следующий алгоритм стремится компенсировать недостатки всех предыдущих алгоритмов [15].

В качестве исходных данных для построения моделей машинного обучения в оценке коммерческой недвижимости был использован сервис Realto, который предоставляет пользователям оперативную и актуальную информацию о спросе и предложении для московского рынка недвижимости [16]. На данный момент его база охватывает рынок продажи и аренды жилой недвижимости в Москве и Подмосковье, рынок продажи и аренды нежилой (коммерческой) недвижимости, рынок продажи и аренды загородной недвижимости.

Для решения задачи предсказания цены объектов коммерческой недвижимости из сервиса объявлений Realto [16] был получен набор данных объявлений о продаже/ аренде коммерческой недвижимости размером более 600 000 рядов. Эти данные были очищены от рядов с пустыми значениями и предобработаны для целей анализа: дата публикации объявления была преобразована в числовое значение (UNIX Timestamp), категориальные признаки закодированы числами с помощью LabelEncoding, адрес объекта был преобразован в географические координаты с помощью API Геокодера Яндекс.Карт (широта/долгота) [17]. На основе Directions API OpenStreetMaps [18] было вычислено время пешего похода от объекта до метро, при обработке данных адреса был получен район города Москвы, где расположен

объект и класс расположения объекта относительно дорог города [19]. Анализ комментариев об объекте из сервиса объявлений, которые дают представление об удобствах и дополнительных условиях, влияющих на стоимость объекта (парковка, охрана, интернет, мебель и др.), проводился на основе построения облака слов, их фильтрации и перевода в двоичную систему для целей моделирования.

В итоге из полученных исходных данных был составлен набор данных о коммерческой недвижимости в городе Москве, состоящий из следующих признаков (ценообразую-щих факторов): дата публикации объявления (дата dd/mm/ YYYY), тип объекта (категориальный), класс помещения (категориальный ABCD), этаж (числовой), этажность (числовое значение), широта (числовое значение); долгота (числовое значение); цена (число, за 1 кв. м, руб.); комментарий (категориальный); район города (категориальный); ближайшая цена объекта-аналога, время пешего похода до ближайшей станции метро (числовое значение), расположение объекта относительно дорог города (категориальный).

Выборка составила более 26 000 объектов коммерческой недвижимости торгово-офисного назначения. Другие виды объектов коммерческой недвижимости и участки земли были исключены. Числовые признаки были проанализированы и очищены от выбросов в данных методом IOR.

Далее был проведен корреляционный анализ набора данных, с целью выявления взаимосвязи между признаками и признаками и целевой переменной (цена за 1 кв. м), представленный в виде корреляционной матрицы на рис. 1.

В матрице не обнаружено значений больше 0,7 (что соответствует высокому уровню корреляции), это говорит о том, что интеркорреляции между признаками не выявлено.

42

Корреляционный вектор всех признаков с целевой переменной — цена за 1 кв. м представлен на рис. 2. Признак «Операция» показал высокий коэффициент (г > 0,7) корреляции, что вполне объяснимо, поскольку эта переменная разделяет объявления продажи и аренды. Цена аренды всегда ниже цены продажи.

0.17 QQ -0.06 -

-0.06Щ-0.04

I 0.06 -0.04 -0.09 -0.01 ( 0.05 -0.16 0.23 -0.04 ( I -0.03 0.02 -0.03 0.04 ( ' -0.04 0.20 -0.40 0.05 I -0.03 0.07 0.03 -0.01 (

Ь-0.09 0.30 -0.06 ( -0.17 0.03 0.04 ( I -0.17 QQ -0.07 -0.00 -i 0.03 -0.07 -0.09 -i i 0.04 -0.00 -0.09 (

0.04 -0.12 -0.03 0.13 | -0.05 0.05 0.32 0.12 0.02 -0.02 0.12 0.06 -i -0.02 -0.06 0.06 0.12 ( I -0.04 0.05 0.06 0.03 -i ' 0.05 0.02 -0.06 0.10 ( I 0.02 -0.00 -0.26 0.05 ( ! 0.03 -0.08 -0.42 0.07 (

0.00 0.08

г I i 2

Рисунок 1. Корреляционная матрица между признаками набора данных

Признаки «Класс помещения», «Этажность», «Долгота», «До_метро» (время пешего похода до ближайшей станции метро), «pos» (расположение относительно дорог города) «Ближ_цена» (цена в радиусе 1 километра), «Интернет» и «Район» показали среднюю взаимосвязь (0,2 > r > 0,7). Остальные признаки показали слабую корреляцию с ценой.

На следующем этапе проводилось обучение моделей и подбор параметров оценки. Модели обучались на представленных выше подготовленных и очищенных данных.

Рисунок 2. Вектор корреляций признаков и целевой переменной

Выбранные модели были разделены на 2 группы: арендная и стоимостная подвыборки по столбцу «Операция», для целей оценки арендной ставки коммерческой недвижимости и цены 1 кв. м объекта оценки. Для того чтобы оценить влияние признаков на качество моделей, в каждую новую модель добавлялись новые группы признаков поэтапно. Все варианты моделей представлены в табл. 1.

Для Модели 5 отбор дополнительных признаков проводился по значимости их коэффициентов корреляции и представлен в табл. 2.

В ходе анализа p-value для модели оценки цены 1 кв. м были исключены из выборки признаки «Цена ближайшего объекта» и «Цена ближайшего аналога», для модели оценки стоимости аренды 1 кв. м — признаки «Дата», «Наличие

44

Таблица 1

Варианты моделей оценки коммерческой недвижимости в зависимости от исходных признаков

Вариант Общие Добавленные

исходные группы

модели данные

(признаки) признаков

Модель 1. Признаки транспортной доступности:

1 Время пешего похода до ближайшей станции метро; Расположение относительно дорог города

Модель Дата 1. Признаки транспортной доступности:

2 публикации Время пешего похода до ближайшей

объявления; станции метро;

Тип объекта; Расположение относительно дорог города.

Класс 2. Признаки из комментариев:

помещения; Наличие парковки;

Этаж; Наличие охраны;

Этажность; Наличие интернета;

Широта; Наличие телефонов;

Долгота; Наличие пропускной системы;

Район города; Наличие мебели;

Цена за кв. м Наличие столовой

Модель 1. Признаки транспортной доступности:

3 Время пешего похода до ближайшей станции метро; Расположение относительно дорог города. 2. Признаки из комментариев: Наличие парковки; Наличие охраны; Наличие интернета; Наличие телефонов; Наличие пропускной системы; Наличие мебели; Наличие столовой. 3. Средняя цена в радиусе 1 км

Вариант модели Общие исходные данные (признаки) Добавленные группы признаков

Модель 4 Дата публикации объявления; Тип объекта; Класс помещения; Этаж; Этажность; Широта; Долгота; Район города; Цена за кв. м 1. Признаки транспортной доступности: Время пешего похода до ближайшей станции метро; Расположение относительно дорог города. 2. Признаки из комментариев: Наличие парковки; Наличие охраны; Наличие интернета; Наличие телефонов; Наличие пропускной системы; Наличие мебели; Наличие столовой. 3. Средняя цена в радиусе 1 км. 4. Цена объекта-аналога

Модель 5 Отбор признаков по значимости их коэффициентов корреляции

Та бл и ца 2

Отбор признаков для Модели 5 по значимости коэффициентов корреляции

Признак Модель оценки цены 1 кв. м Модель оценки арендной ставки 1 кв. м

р^а1ие (0 — числа меньше 10Л10) Включаем в модель? (р^а1ие < 0,05) р^а1ие (0 — числа меньше 10Л10) Включаем в модель? (р^а1ие < 0,05)

Дата 0.0365 Да 0,971 Нет

Тип объекта 0.0030 Да 0,0086 Да

Класс помещения 0 Да 0 Да

Этаж 0.002018 Да 0,005 Да

Этажность 0 Да 0 Да

Признак .. Модель оценки Модель оценки . арендной ставки цены 1 кв. м „ 1 кв. м

р-уа1ие (0 — числа меньше 10Л10) Включаем в модель? (р-уа1ие < 0,05) р-уа1ие (0 — числа меньше 10Л10) Включаем в модель? (р-уа1ие < 0,05)

Широта 0 Да 0 Да

Долгота 0 Да 0 Да

До метро 0 Да 0 Да

Расположение относительно дорог 0 Да 0 Да

Наличие парковки 0 Да 0 Да

Наличие охраны 0,000998 Да 0 Да

Наличие интернета 0 Да 0 Да

Наличие телефона 0 Да 0,807 Нет

Наличие пропускной системы 0,07 Да 0,000006 Да

Наличие мебели 0,000025 Да 0 Да

Наличие столовой 0,000163 Да 0 Да

Средняя цена объектов в радиусе 1 км 0.136 Нет 0 Да

Район 0 Да 0 Да

Цена ближайшего аналога 0.28 Нет 0,149 Нет

Таблица 3

Результаты обучения для моделей на данных о цене 1 кв. м

недвижимости

Модель 1 Модель 2 Модель 3 Модель 4 Модель 5

R2 на тестовой выборке Средняя абсолютная ошибка R2 на тестовой выборке Средняя абсолютная ошибка R2 на тестовой выборке Средняя абсолютная ошибка R2 на тестовой выборке Средняя абсолютная ошибка R2 на тестовой выборке Средняя абсолютная ошибка

Метод опорных векторов

0,601 0,14 0,65 0,13 0,61 0,13 0,51 0,14 0,6 0,13

Дерево принятия решений

0,712 0,098 0,66 0,089 0,67 0,087 0,63 0,09 0,71 0,091

Случайный лес

0,795 0,084 0,81 0,07 0,82 0,08 0,77 0,086 0,81 0,083

K-ближайших соседей

0,754 0,091 0,69 0,1 0,78 0,095 0,58 0,13 0,72 0,093

CatBoost

0,802 0,073 0,77 0,09 0,82 0,069 0,79 0,09 0,79 0,086

телефона» и «Цена ближайшего аналога», т.к. p-value коэффициентов корреляции признаков меньше 0,05.

Итак, для обучения моделей оценки использовались 5 методов регрессии из библиотеки Scikit-Leam: Support Vector Machines, K-NearestNeighbors, Дерево принятия решений, RandomForest и CatBoost. Подбор параметров при обучении моделей осуществлялся автоматически с помощью жадного поиска при каждом новом варианте модели. Для проверки моделей была использована средняя абсолютная ошибка (mae), равная 0,26. Результаты обучения представлены в таблицах 3 и 4 отдельно для данных о цене за 1 кв. м и стоимости аренды.

Таблица 4

Результаты обучения для моделей на данных об арендной ставке за 1 кв. м

Модель 1 Модель 2 Модель 3 Модель 4 Модель 5

1*2 на тестовой выборке Средняя абсолютная ошибка 1*2 на тестовой выборке Средняя абсолютная ошибка 1*2 на тестовой выборке Средняя абсолютная ошибка 1*2 на тестовой выборке Средняя абсолютная ошибка 1*2 на тестовой выборке Средняя абсолютная ошибка

Метод опорных векторов

0,7 0,099 0,66 0,13 0,71 0,12 0,59 0,15 0,7 0,13

Дерево принятия решений

0,71 0,097 0,68 0,09 0,69 0,09 0,62 0,11 0,72 0,08

Случайный лес

0,82 0,075 0,83 0,07 0,82 0,084 0,73 0,11 0,8 0,08

К-ближайших соседей

0,764 0,091 0,74 0,1 0,76 0,09 0,65 0,13 0,76 0,09

CatBoost

0,81 0,071 0,82 0,07 0,83 0,073 0,73 0,11 0,81 0,08

Если анализировать результаты обучения, то все модели перешли порог базового уровня и могут быть применены для предсказания цен. Однако модели на основе алгоритмов «Случайный лес» и CatBoost дают наилучшие результаты, поскольку имеют высокие коэффициенты детерминации. Детальный анализ показывает, что при оценке стоимости одного квадратного метра коммерческой недвижимости лучшей будет Модель 3 на основе метода CatBoost, а при прогнозировании арендной ставки — Модель 2 на основе алгоритма «Случайный лес».

Результаты

В результате проведенного моделирования были рассмотрены и выявлены лучшие из нескольких вариантов

моделей оценки коммерческой недвижимости на основе методов машинного обучения. Однако важно понимать, соответствуют ли выбранные модели критерию успешности. Для этого был определен фактический интервал стоимости объекта и проведена проверка, попадает ли в него спрогнозированная стоимость объекта. В качестве фактического объекта для оценки стоимости и арендной ставки случайным образом были выбраны объекты из тестовой выборки. Объекты являются коммерческой недвижимостью малого масштаба (общая площадь: 180 и 38,9 кв. м соответственно). Если принять, что развитость рынка недвижимости г. Москвы является высокой, а в отношении достаточности информации принять значение — 1, то погрешность фактического интервала будет соответствовать ±5% х 1 = 5%.

Интервал оценки строится как статистический доверительный интервал прогноза [20-23] по формуле (1):

С ±Z_score*о,

где: С — цена, предсказанная моделью; ^соге — количество стандартных отклонений от Гауссова распределения (1,96 для интервала с уровнем значимости 95%);

о — стандартное отклонение предсказанного распределения.

В табл. 5 представлены примеры фактического интервала оценки согласно классическим инструментам расчета и прогнозируемым значениям стоимости объектов.

Можно отметить, что в обоих случаях прогнозная стоимость продажи и аренды попала в фактический интервал цен. Если анализировать границы доверительных интерва-

0

Таблица 5

Фактический интервал и прогнозное значение стоимости объектов

Объект Операция Фактическая цена объекта, руб. за кв. м Фактический интервал оценки, руб. за кв. м Оценка модели и ее доверительный интервал, руб. за кв. м

ул. Бутлерова, д. 17 Продажа 185 623 [176 341.9; 194 904.2] [139 101.76, (190 492.03), 241 882.31]

Краснобогатырская ул., д. 6, с. 2 Аренда 25 000 [23 750; 26 250] [11 330,44, (25 966.52), 40 602.61]

лов, то для стоимостной модели интервал получился шире фактического на 84218,25 руб., для арендной модели — на 26772,17 руб.

Поскольку прогнозная стоимость 1 кв. м и стоимость аренды попали в фактический интервал оценки, то мы можем утверждать, что модели могут быть применимы для решения задач оценки коммерческой недвижимости. Однако большой интервал погрешности говорит о том, что в таком виде модели можно использовать для приближенной оценки объектов коммерческой недвижимости.

Выводы

Проведенный анализ ценообразующих факторов коммерческой недвижимости и апробация моделей оценки стоимости на основе методов машинного обучения показали, что их использование является оправданным и может быть рекомендовано для решения задач оценки стоимости коммерческой недвижимости при применении сравнительного подхода в оценке стоимости одного

квадратного метра объекта и оценки стоимости аренды в доходном подходе. Наличие погрешности предсказаний может быть связано с малым объемом данных для обучения моделей, сравнительно небольшим набором используемых признаков, качеством исходных данных. Обучение представленных моделей на наборе данных большего размера, включение в модель более качественных (структурированных) признаков потенциально может увеличить точность оценки. В связи с этим дальнейшее развитие и возможность использования методов машинного обучения в оценочной деятельности можно рассматривать как перспективное направление исследования в этой области и распространять указанный опыт апробации для оценки не только объектов коммерческой недвижимости офисного назначения, но и других категорий: торговой, индустриальной, социальной, апартаментов, свободного назначения и на других территориальных локациях.

Библиографический список

1. Федеральный закон от 29.07.1998 № 135-Ф3 «Об оценочной деятельности в Российской Федерации» // КонсультантПлюс. URL: http://www.consultant.ru/document/cons_doc_LAW_19586/ (дата обращения: 07.05.2022).

2. Приказ Минэкономразвития России от 20.05.2015 № 297 «Об утверждении Федерального стандарта оценки „Общие понятия оценки, подходы и требования к проведению оценки (ФСО № 1)"» КонсультантПлюс. URL: http://www.consultant.ru/ document/cons_doc_LAW_180064/ (дата обращения: 07.05.2022).

3. Приказ Минэкономразвития России от 20.05.2015 № 298 «Об утверждении Федерального стандарта оценки „Цель оценки и виды стоимости (ФСО № 2)"» КонсультантПлюс. URL: http://

2

www.consultant.ru/document/cons_doc_LAW_180061/ (дата обращения: 07.05.2022).

4. Приказ Минэкономразвития России от 20.05.2015 № 299 (ред. от 06.12.2016) «Об утверждении Федерального стандарта оценки „Требования к отчету об оценке (ФСО № 3)"» Консуль-тантПлюс. URL: http://www.consultant.ru/document/cons_doc_ LAW_180059/ (дата обращения: 07.05.2022).

5. Астраханцева И.А., Баландина Е.В. Методология оценки прав (требования) по кредитным договорам „коммерческих банков. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2017. № 3 (33). С. 3-9.

6. Смирнова Н.В. Технологии интеллектуального анализа данных как инструмент поддержки принятия решений в оценочной деятельности // Современные наукоемкие технологии. Региональное приложение. Иваново. — 2019. — № 4. — С. 61-71.

7. Смирнова Н.В., Рындина А.А. Возможности нейросетей в реализации сравнительного подхода в оценочной деятельности // Сборник научных трудов вузов России «Проблемы экономики, финансов и управления производством» / Иван. Гос. Хим-технол. Ун-т. — Иваново. — 2020. — № 46 — С. 73-78.

8. Приказ Минэкономразвития России от 25.09.2014 № 611 «Об утверждении Федерального стандарта оценки „Оценка недвижимости (ФСО № 7)"» // КонсультантПлюс. URL: http://www.consultant.ru/ document/cons_doc_LAW_160678/ (дата обращения: 07.05.2022).

9. User guide: contents scikit-learn 0.24.2 documentation. URL: https://scikit-learn.org/stable/user_guide.html (дата обращения: 09.02.2021).

10. Машинное обучение // Coursera. URL: https://www.coursera.org/ learn/machine-learning (дата обращения: 10.02.2021).

11. Support Vector Machine — Introduction to Machine Learning Algorithms | by Rohith Gandhi | Towards Data Science. URL: https://

towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47 (дата обращения: 15.02.2021).

12. Деревья принятия решений — Математический институт РАН. URL: https://logic.pdmi.ras.ru/~sergey/oldsite/teaching/ml/ notes-01-dectrees.pdf (дата обращения: 21.02.2021).

13. Adele Cutler «Random Forests for Regression and Classification». URL: https://math.usu.edu/~adele/RandomForests/Ovronnaz.pdf (дата обращения: 23.02.2021).

14. Overview of CatBoost — CatBoost. Documentation URL: https:// catboost.ai/docs (дата обращения: 23.02.2021).

15. Zixuan Zhang BoostingAlgorithms Explained. Theory, Implementation, and... // Towards Data Science URL: https://towardsdatascience.com/ boosting-algorithms-explained-d38f56ef3f30 (дата обращения: 23.02.2021).

16. Realto.ru — база недвижимости в Москве и Подмосковье. URL: http://www.realto.ru/ (дата обращения: 03.03.2021).

17. API Яндекс.Карт — Технологии Яндекса. URL: https://yandex.ru/ dev/maps/?p=realty (дата обращения: 10.03.2021).

18. Dashboard V2 Directions // ORS. URL: https://openrouteservice.org/ dev/#/api-docs/v2/directions (дата обращения: 12.03.2021).

19. Mizgirev, L., Galiaskarov, E., Astrakhantseva, I., Bobkov, S., Astrakhantsev, R. Transfer learning for road-based location classification of non-residential property. CEUR Workshop Proceedings, 2021, 2843.

20. Ильин М.О., Лебединский В.И. Практические рекомендации поопределениювозможныхграницинтервала итоговойстоимости// Ассоциация «Саморегулируемая организация оценщиков „Экспертный совет"». URL: https://srosovet.ru/content/editor/Vozmozhnye-granicy-intervala-itogovoj-stoimosti_statya.pdf (дата обращения: 04.01.2021).

54

21. Астраханцева И.А. Методология финансового анализа в рамках экономических экспертиз / И.А. Астраханцева. — Иваново: Ивановский государственный химико-технологический университет, 2021. — 236 с. — ISBN 978-5-9616-0568-6. — EDN VAKVUL.

22. Астраханцева И.А. Методология нелинейного динамического управления стоимостью компании / И.А. Астраханцева; И.А. Астраханцева; М-во образования и науки Российской Федерации, Гос. образовательное учреждение высш. проф. образования «Ивановский гос. энергетический ун-т им. В.И. Ленина». — Иваново: ИГЭУ, 2011. — 171 с. — ISBN 978-5-89482-775-9. — EDN OUSMWL.

23. Астраханцева И.А. Интеллектуальные методы обработки данных при прогнозировании оборота наличных денежных средств в банкоматах коммерческих банков / И.А. Астраханцева, А.С. Кутузова, Р.Г. Астраханцев // Научные труды Вольного экономического общества России. — 2019. — Т. 218. — № 4. — С. 481488. — EDN EOCSUO.

References

1. Federal'nyj zakon ot 29.07.1998 №135-FZ "Ob ocenochnoj dejatel'nosti v Rossijskoj Federacii" // Konsul'tantPljus. URL: http://www. consultant.ru/document/cons_doc_LAW_19586/ (data obrashhenija 07.05.2022).

2. Prikaz Minjekonomrazvitija Rossii ot 20.05.2015 № 297 "Ob utverzhdenii Federal'nogo standarta ocenki "Obshhie ponjatija ocenki, podhody i trebovanija k provedeniju ocenki (FSO № 1)" Konsul'tantPljus. URL: http://www.consultant.ru/document/cons_ doc_LAW_180064/ (data obrashhenija 07.05.2022).

3. Prikaz Minjekonomrazvitija Rossii ot 20.05.2015 № 298 "Ob utverzhdenii Federal'nogo standarta ocenki "Cel' ocenki i vidy stoimosti (FSO № 2)" Konsul'tantPljus. URL:http://www.consultant. ru/document/cons_doc_LAW_180061/ (data obrashhenija 07.05.2022).

4. Prikaz Minjekonomrazvitija Rossii ot 20.05.2015 № 299 (red. ot 06.12.2016) "Ob utverzhdenii Federal'nogo standarta ocenki "Trebo-vanija k otchetu ob ocenke (FSO № 3)" Konsul'tantPljus. URL:http:// www.consultant.ru/document/cons_doc_LAW_180059/ (data obrash-henija 07.05.2022).

5. Astrahanceva I.A., Balandina E.V. Metodologija ocenki prav (trebo-vanija) po kreditnym dogovoram kommercheskih bankov. Izvestija vysshih uchebnyh zavedenij. Serija: Jekonomika, finansy i upravlenie proizvodstvom, 2017, № 3 (33), S. 3-9.

6. Smirnova N.V. Tehnologii intellektual'nogo analiza dannyh kak instrument podderzhki prinjatija reshenij v ocenochnoj dejatel'nosti// Sovremennye naukoemkie tehnologii. Regional'noe prilozhenie. Ivanovo. - 2019. - № 4. - S. 61-71.

7. Smirnova N.V., Ryndina A.A. Vozmozhnosti nejrosetej v realizacii srav-nitel'nogo podhoda v ocenochnoj dejatel'nosti// «Sbornik nauchnyh trudov vuzov Rossii «Problemy jekonomiki, finansov i upravlenija proizvodstvom» / Ivan. Gos. Him-tehnol. Un-t. — Ivanovo. — 2020. — № 46 — S.73-78.

8. Prikaz Minjekonomrazvitija Rossii ot 25.09.2014 № 611 "Ob utverzhdenii Federal'nogo standarta ocenki "Ocenka nedvizhi-mosti (FSO № 7) // Konsul'tantPljus. URL: http://www.consultant.ru/ document/cons_doc_LAW_160678/ (data obrashhenija 07.05.2022).

9. User guide: contents scikit-learn 0.24.2 documentation. URL: https://scikit-learn.org/stable/user_guide.html (data obrash-henija 09.02.2021).

10. Mashinnoe obuchenie // Coursera. URL: https://www.coursera.org/ learn/machine-learning (data obrashhenija 10.02.2021).

11. Support Vector Machine — Introduction to Machine Learning Algorithms | by Rohith Gandhi | Towards Data Science. URL: https://towardsdata-science.com/support-vector-machine-introduction-to-machine-learn-ing-algorithms-934a444fca47 (data obrashhenija 15.02.2021).

12. Derev'ja prinjatija reshenij — Matematicheskij institut RAN. URL: https://logic.pdmi.ras.ru/~sergey/oldsite/teaching/ml/ notes-01-dectrees.pdf (data obrashhenija 21.02.2021).

13. Adele Cutler «Random Forests for Regression and Classification». URL: https://math.usu.edu/~adele/RandomForests/Ovronnaz.pdf (data obrashhenija 23.02.2021).

14. Overview of CatBoost — CatBoost. Documentation URL: https://cat-boost.ai/docs (data obrashhenija 23.02.2021).

15. Zixuan Zhang Boosting Algorithms Explained. Theory, Implementation, and... // Towards Data Science URL: https://towardsdatascience. com/boosting-algorithms-explained-d38f56ef3f30 (data obrashhenija 23.02.2021).

16. Realto.ru — baza nedvizhimosti v Moskve i Podmoskov'e. URL: http:// www.realto.ru/ (data obrashhenija 03.03.2021).

17. API Jandeks.Kart — Tehnologii Jandeksa. URL: https://yandex.ru/dev/ maps/?p=realty (data obrashhenija 10.03.2021).

18. Dashboard V2 Directions // ORS. URL: https://openrouteservice.org/ dev/#/api-docs/v2/directions (data obrashhenija 12.03.2021).

19. Mizgirev, L., Galiaskarov, E., Astrakhantseva, I., Bobkov, S., Astra-khantsev, R. Transfer learning for road-based location classification of non-residential property. CEUR Workshop Proceedings, 2021, 2843.

20. Il'in M.O., Lebedinskij V.I. Prakticheskie rekomendacii po opredele-niju vozmozhnyh granic intervala itogovoj stoimosti. // Associacija «Samoreguliruemaja organizacija ocenshhikov «Jekspertnyj sovet». URL: https://srosovet.ru/content/editor/Vozmozhnye-granicy-inters vala-itogovoj-stoimosti_statya.pdf (data obrashhenija 04.01.2021).

21. Astrakhantseva I.A. Methodology of financial analysis within the framework of economic expertise / I.A. Astrakhantseva. — Ivanovo: Ivanovo State University of Chemistry and Technology, 2021. — 236 p. — ISBN 978-5-9616-0568-6. — EDN VAKVUL.

22. Astrakhantseva I.A. Methodology of nonlinear dynamic cost management of the company / I.A. Astrakhantseva; I.A. Astrakhantseva; Ministry of Education and Science of the Russian Federation, State Educational Institution of Higher Education. Prof. education "Ivanovo State Power University named after V.I. Lenin". — Ivanovo: ISPU, 2011. — 171 p. — ISBN 978-5-89482-775-9. — EDN QUSMWL.

23. Astrakhantseva I.A. Artificial intelligence methods in commercial banks atm cash turnover forecast / I.A. Astrakhantseva, A.S. Kutuzova, R.G. Astrakhantsev // Scientific works of the Free Economic Society of Russia. — 2019. — Т. 218. — № 4. — С. 481-488. — EDN EOCSUO.

Контактная информация / Contact information

ФГБОУ ВО «Ивановский государственный химико-технологический

университет», 153000, г. Иваново, пр. Шереметевский, 7

Ivanovo State University of Chemistry and Technology, 7, Sheremetevsky

Avenue, Ivanovo,153000, Russian Federation

Ирина Александровна Астраханцева / Irina A. Astrakhantseva

i.astrakhantseva@mail.ru

Наталия Владимировна Смирнова / Natalia V. Smirnova nataliasmirnova_@mail.ru