Применение современных программных средств, реализующих алгоритмы метода анализа иерархий и метода нейронных сетей в задачах индивидуальной и массовой оценки Текст научной статьи по специальности «Компьютерные и информационные науки»

Применение современных программных средств, реализующих алгоритмы метода анализа иерархий и метода нейронных сетей в задачах индивидуальной и массовой оценки

А.Г. Салтанов

эксперт по оценке бизнеса, ведущий специалист ЗАО «РОСЭКО», аспирант Международной академии оценки и консалтинга (г. Москва)

Артем Геннадьевич Салтанов, [email protected]

Постановка задачи и предмет анализа

В настоящее время применение современных математических и информационнокомпьютерных средств и подходов при решении задач индивидуальной и массовой оценки исключительно актуально. Наиболее продвинутые оценщики развивают и широко используют в практической работе вероятностные и статистические модели и методы, в частности методы оценки по малой выборке, методы анализа неоднородных данных, аппарат корреляционнорегрессионного анализа на основе линейных и нелинейных моделей, имитационное моделирование.

Базой для представленного в статье исследования послужил комплекс работ по оценке объектов недвижимого имущества, изымаемых в целях размещения олимпийских объектов федерального значения (г. Сочи), осуществлявшийся под руководством Е.И. Неймана (вице-президента Российского общества оценщиков, генерального директора ЗАО «РОСЭКО»), а также по созданию и разработке информационноаналитического обеспечения процессов индивидуальной и массовой оценки недвижимости (включая формирование портала оценщика и другие информационноаналитические комплексы и системы).

В статье рассматривается применение программных средств, реализующих алгоритмы метода анализа иерархий и метода нейронных сетей в задачах индивидуаль-

ной и массовой оценки на примере анализа стоимости объектов недвижимости, изымаемых в целях размещения олимпийских объектов федерального значения.

Сначала представим ключевые понятия: Индивидуальная оценка - оценка конкретного объекта недвижимости на конкретную дату [1].

Массовая оценка - систематическая оценка групп объектов недвижимости по состоянию на определенную дату, с использованием стандартных процедур и статистического анализа [1].

Массовая оценка имеет дело с оценкой большого количества объектов, которые различаются между собой, поэтому здесь необходимо применение стандартных методов к группам и классам объектов, что требует определенной работы по классификации и стратификации объектов. Разработка стандартных методов и приемов статистического анализа, описание правил их грамотного применения - это предмет массовой оценки как специальной отрасли теории оценки и прикладного анализа.

Предметом анализа при использовании и сопоставлении различных информационноаналитических подходов являлась стоимость объектов недвижимости для целей изъятия в городе Сочи.

Были выделены следующие входные данные, обусловленные нормативными методическими актами, регулирующими проведение оценки (см., например, [2]):

• множество объектов-аналогов;

• ценовые диапазоны для различных районов оценки;

• характеристики и стоимость уже оцененных объектов.

Перед проведением анализа были поставлены следующие задачи:

1) построение работающих моделей оценки;

2) проверка свойств различных информационно-аналитических методов;

3) проверка и подтверждение результатов, рассчитанных с помощью Методических рекомендаций Национального совета по оценочной деятельности [2];

4)анализ возможности применения в дальнейшей работе (в том числе при массовой оценке):

• подходов;

• методов;

• программных комплексов.

В процессе работы использовалось следующее разграничение понятий:

1) под понятием «подход» подразумевались преимущественно теоретическая сторона и общие основы принимавшихся решений;

2) под понятием «метод» подразумевалось их алгоритмическая реализация;

3) под понятием «программный комплекс» подразумевалась программная реализация.

Процесс массовой оценки -особенности и требования

Можно сформулировать следующие требования и особенности, характерные для процессов оценки, анализирующихся в статье.

Внешние требования к процессу:

• сопоставимость и воспроизводимость полученных результатов;

• возможность проверок и введения корректировок;

• прозрачность методологии расчетов (включая возможность разъяснения основных принципов и полученных результатов);

• обеспечение процедуры экспертизы результатов оценки;

• возможность обеспечения выполнения процедуры подачи апелляций, и,

соответственно, проведения индивидуальной оценки.

Особенности процесса:

• большие объемы данных;

• «плохие» выборки аналогов;

• условия, накладываемые на результат;

• ограничения во времени.

Требования к подходу(методу) оценки:

• быстрый;

• точный;

• легкий;

• надежный;

• прозрачный.

Сформулированные в краткой форме требования к подходу и методу оценки могут быть интерпретированы следующим образом:

• легкий - простой и удобный для пользователя;

• быстрый - не требующий большого количества шагов (желательно не требующий итераций);

• точный - максимально полно учитывающий особенности объекта оценки и закономерности, связывающие факторы стоимости с ценой;

• надежный - обеспечивающий стабильность и воспроизводимость полученных результатов;

• прозрачный - прозрачные и верифицируемые методология и процесс расчета.

Методы и подходы

В процессе анализа рассматривались и сравнивались следующие основные методы и подходы:

1) метод анализа иерархий (МАИ) (экспертный метод). Используемый при применении этого метода подход базируется на анализе и сопоставлении экспертных суждений о качественных характеристиках оцениваемых объектов (подробно рассмотрен и формулирован в работах Т. Саати; см., например, [3]). В качестве среды реализации этого метода был использован программный комплекс ЕхрегЮИоюе;

2) нейросетевой анализ (нейросетевой метод). Используемый при применении это-

го метода подход базируется на формировании и обучении искусственных нейронных сетей для обработки статистической информации о количественных и в некоторых случаях качественных характеристиках оцениваемых объектов (подробно описывается в работе [4]). В качестве среды реализации этого метода был использован программный комплекс Alyuda NeuroIntelligence;

3) корреляционно-регрессионный анализ (КРА) (статистический метод). Метод базируется на статистическом анализе количественных характеристик оцениваемых объектов (подробно рассматривается, например, в работе [5]). Этот метод был выбран для проверки и сопоставления с уже названными методами как один из наиболее часто применяющихся и отработанных методов статистического анализа. В качестве среды реализации метода был использован программный комплекс Microsoft Excel 2003, включающий пакет регрессионного анализа;

4) метод корректировок (экспертностатистический метод). Этот метод официально одобрен и рекомендован к использованию для оценки объектов для целей изъятия (см. [2], где этот метод подробно описан), он рассматривался как контрольный для проверки и сопоставления с результатом применения первых двух методов. В качестве среды реализации этого метода был использован программный комплекс Microsoft Excel 2003, включающий надстройку Oracle Crystal Ball.

Из указанных методов для двух последних (корреляционно-регрессионный анализ и метод корректировок) в учебной и методической литературе достаточно подробно описаны построение моделей оценки и применение программных комплексов (см., например, [5, 2]). По этой причине, а также из-за ограничения на объем текста в настоящей статье более подробно рассматриваются построение моделей и применение программно-аналитических комплексов для первых двух методов (метод анализа иерархий и нейросетевой анализ). Тем не менее последовательное применение указанных методов и построенных на их базе моделей на одной и той же совокупности

объектов дало возможность сравнить их эффективность и выделить их слабые и сильные стороны (в том числе и для двух последних методов, использовавшихся в процессе работы для проверки и сопоставления с результатами применения двух первых методов).

Применение метода анализа иерархий Формирование модели оценки

Этап 1. Определение влияющих факторов, выбор наиболее значимых, разделение на экспертно и не экспертно учитываемые Первоначально был проведен анализ факторов, определяющих стоимость объекта оценки, и в целях подготовки к анализу методами экспертной оценки проведено разделение факторов на экспертно и не экспертно учитываемые факторы по признаку обоснованности применения к ним экспертного анализа, основанного на измерении качественных характеристик. Были выделены следующие не экспертно учитываемые факторы:

• правовой статус;

• условия финансирования;

• тип сделки;

• дата сделки (предложения).

Экспертно учитываемые факторы:

• район расположения;

• удаленность от береговой линии;

• площадь земельного участка;

• наличие коммуникаций.

Способы учета не экспертно учитываемых факторов - кластеризация, индексация, корректировка. Эти факторы были учтены на этапе подготовки массива объектов (аналоги + оцениваемый объект) для экспертной оценки.

Этап 2. Анализ сравнительной значимости экспертно учитываемых факторов Анализ сравнительной значимости факторов был проведен на массиве уже оцененных объектов и объектов-аналогов, использовавшихся для их оценки.

Общий объем выборки, на базе которой проводился анализ, составил 154 единицы (127 аналогов и 27 объектов оценки), принадлежащих к 9 различным ценовым зонам.

В качестве количественной меры принадлежности к ценовой зоне было выбрано среднее значение коэффициента ценности территории (для функционального использования под индивидуальное жилищное строительство (далее - ИЖС) по состоянию на 1 июля 2010 года), в качестве количественной меры наличия коммуникаций -

стоимость их установки в рублях.

Регрессионный анализ, проведенный средствами Microsoft Excel, показал хорошую согласованность выборки (коэффициент R-квадрат составил 0,6234). Проведенный средствами Microsoft Excel корреляционный анализ показал следующие значения (см. табл. 1).

Таблица 1

Корреляционный анализ факторов, влияющих на стоимость

Фактор, влияющий на стоимость Удаленность от моря, м Наличие коммуникаций Ценовая зона Площадь участка, кв. м

Коэффициент корреляции между фактором и стоимостью участка -0,595823302 -0,023331024 0,791453658 -0,260153081

Коэффициент корреляции между фактором и стоимостью участка (абсолютное значение) 0,595823302 0,023331024 0,791453658 0,260153081

Сравнительная значимость фактора (нормализованное значение коэффициента корреляции), % 35,66 1,40 47,37 15,57

Нейросетевой анализ выборки в среде лены параметры сравнительной значи-А!уиЬа Ыеиго^еШдепсе 2.2 показал близ- мости экспертно учитываемых факторов кие значения. В результате были установ- (см. табл. 2).

Таблица 2

Параметры сравнительной значимости экспертно учитываемых факторов

№ п/п Критерий Сравнительная значимость, %

1 Район расположения 47

2 Удаленность от береговой линии 36

3 Площадь земельного участка 15

4 Наличие коммуникаций 2

Этап 3. Определение методов измерения экспертно учитываемых факторов, формирование шкал измерения Способы измерения - парные сравнения, шкала рейтинга, шаговая функция, прямой ввод данных.

1. Район расположения.

Основание для выбора метода измерения - ранжированные ценовые зоны с установленными значениями коэффициентов ценности (см. табл. 3).

Метод измерения в среде ЕхрегїСИоісе -шкала рейтинга.

2. Удаленность от береговой линии.

Основание для выбора метода измерения - ранжированное в соответствии с Методическими рекомендациями [2] изменение стоимости объекта с удалением от береговой линии. Количественное отображение изменения стоимости земельных участков с удалением от моря представлено в таблице 4.

Таблица 3

Значения коэффициентов ценности территории для различных ценовых зон

Зона расположения Среднее значение коэффициента ценности территории по состоянию на 1 июля 2010 года

Район Мамайка 0,638

Район Северная часть Центрального Сочи 0,669

Район Новый Сочи 0,784

Центральный Сочи 0,959

Хостинский район 0,603

Район Молдовка 0,415

Село Черешня 0,245

Микрорайон Адлер (центр) 0,763

Адлерское кольцо 0,64

Нижнешиловское 0,472

Западная часть Имеретинской низменности 0,643

Северная часть Имеретинской низменности 0,499

Южная часть Имеретинской низменности 0,799

Восточная часть Имеретинской низменности 0,799

Поселок Красная Поляна 0,699

Село Эсто-Садок 0,673

Средняя часть совмещенной а/д и ж/д 0,346

Село Ахштырь 0,346

Село Монастырь 0,346

Лазаревский район 0,551

Центр Сочи 1

Таблица 4 Изменение стоимости земельных участков с удалением от моря

Расстояние от объекта до моря, м Коэффициент изменения стоимости

от до

0 99 1

100 199 0,95

200 299 0,9

300 399 0,85

400 499 0,8

500 599 0,75

600 699 0,7

700 799 0,65

800 899 0,6

900 999 0,55

1 000 1 199 0,5

1 200 1 399 0,45

1 400 1 599 0,4

1 600 1 799 0,35

1 800 1 999 0,3

2 000 2 199 0,25

2 200 2 499 0,2

2 500 более 2 500 0,15

Таблица 5

Зависимость изменения стоимости от различия в площади участков

Различие в площади участка, % Изменение стоимости, %

> 50 +10

> 30-50 +5

> 0-30 +0

< 0-30 -0

< 30-50 -5

< 50 -10

Метод измерения в среде ЕхреПСИоюе -шаговая функция.

3. Площадь земельного участка.

Основание для выбора метода измерения - оценка влияния на стоимость относительной разницы площади земельных участков (см. табл. 5).

Таблица 6

Фиксированный набор коммуникаций и их стоимость

Наличие коммуникаций Стоимость коммуникации, р.

Отсутствуют 0

Электроснабжение 50 000

Водоснабжение 105 000

Электроснабжение, водоснабжение 155 000

Электроснабжение, водоснабжение, канализация 230 000

Электроснабжение, водоснабжение, газоснабжение 330 000

Электроснабжение, газоснабжение, водоснабжение, канализация 400 000

Метод измерения в среде ExpertChoice -парные сравнения.

4. Наличие коммуникаций.

Основание для выбора метода измерения - фиксированный набор вариантов коммуникаций и их стоимость (см. табл. 6).

Метод измерения в среде ExpertChoice -шкала рейтинга.

Работа в среде Expert Choice

В качестве модельных примеров были отобраны реальные объекты оценки из различных ценовых зон. Моделирование в среде Expert Choice включало следующие этапы.

Этап 1. Создание нового проекта

На этом этапе в среде Expert Choice был создан, назван и описан новый проект с возможностью удаленной работы с ним через Internet.

Этап 2. Ввод критериев (факторов стоимости)

На этом этапе в программе были определены критерии - факторы, влияющие на стоимость.

Этап 3. Ввод альтернатив (объекты-

аналоги + объект оценки)

На этом этапе в программе создавались отдельные объекты-альтернативы, в качестве которых были взяты объекты-аналоги и объект оценки.

Этап 4. Настройка методов измерений

На этапе 4 были определены методы измерения экспертно учитываемых факторов и сформированы шкалы измерения.

Этап 5. Сбор данных

На этом этапе осуществлялся непосредственный ввод числовых значений факторов стоимости по каждому объекту (альтернативе). В программном комплексе Expert Choice пересчет итоговых значений производится непосредственно после ввода новых значений (при условии достаточно полно сформированных методов измерений).

Этап 6. Просмотр результатов

На этапе 6 может быть осуществлен просмотр как итоговых результатов, так и модели в целом (включая динамическое моделирование итоговых результатов в зависимости от изменения входных значений).

Этап 7. Экспорт данных

После экспорта в Microsoft Excel проведен окончательный анализ стоимости объекта оценки.

Проведение расчетов методом анализа иерархий в среде Expert Choice показало следующие его сильные стороны:

• возможность удаленной работы с одним проектом различных пользователей с разграничением прав доступа;

• гибкая настройка методов измерения;

• возможность адекватного анализа сложных случаев (наличие «плохих аналогов»);

• возможность сохранения и многократного использования созданной и настроенной модели оценки.

В то же время были выявлены и определенные минусы, а именно:

• значительная продолжительность ввода данных;

• в определенных случаях чувствительность к свойствам объектов-аналогов: дорогостоящий объект-аналог с нетипичной зависимостью между характеристиками объекта и ценой мог внести существенные искажения в ценовую модель.

Однако в процессе работы были выявлены способы устранения этих недостатков и предложены методы их исправления, например модификация отбора аналогов и применение корреляционно-регрессионного анализа для отслеживания статистических выбросов в выборках, повышение степени интеграции с Microsoft Excel, матричный ввод данных и т. п.

Применение нейросетевого

моделирования

Разработка методики проведения сопоставительных расчетов должна:

• базироваться на данных учета основных фондов (на инвентарных описях), анализируемых на единую дату оценки;

• учитывать данные о фактическом состоянии оцениваемых объектов на основе мониторинга состояния объектов оценки;

• использовать современные информационно-компьютерные технологии и математические методы при проведении анализа.

При проведении сопоставительных расчетов анализировалось применение алгоритмов с использованием приложений искусственных нейронных сетей. При применении алгоритмов использовался программный пакет Neural Solutions версии 4.2 от NeuroDimension, Inc., включая его утилиту NeuroSolutions for Excel.

Для проведения анализа динамики стоимостных показателей объектов в зависимости от изменения их параметров должны были быть решены следующие задачи:

1) отбор объектов и параметров;

2) создание нейронной сети (НС);

3) обучение НС;

4) тестирование НС;

5) анализ чувствительности.

Приложениями искусственных нейронных сетей являются классы приложений, где обычные вычисления трудоемки или неадекватны. Свою силу нейронные сети черпают, во-первых, из распараллеливания обработки информации и, во-вторых, из способности самообучаться, то есть создавать обобщения.

В настоящее время в области применения нейронных сетей достигнут существенный прогресс, и во многих странах решение с их помощью, в частности (наиболее простых) статических задач, связанных с классификацией и многопараметрической регрессией, внедрено в широкую практику, включая оценку недвижимости.

Этап 1. Формирование выборки

При проведении расчетов использовалась выборка объектов, совпадающая с базой для проведения расчетов методом анализа иерархий.

Этап 2. Подготовка (нормализация) данных

На этом этапе была проведена предварительная обработка данных, то есть осуществлена модификация данных перед их подачей на вход нейронной сети. Предварительная обработка преобразовывает данные, чтобы сделать их подходящими для нейронной сети и включает, например, масштабирование числовых значений и преобразование текстовых (категорийных) переменных в числовые (логические).

Нейронные сети работают только с числовыми данными. Часто обработке и анализу подлежат дата и время, так же как и категории (текстовые данные, представленные конечным дискретным набором значений). По этой причине перед подачей таких данных к входу сети требуется их дополнительное преобразование (предварительная обработка).

Этап 3. Формирование нейронной сети

Для анализа была выбрана хорошо зарекомендовавшая себя топология сети «многослойный персептрон» с обратным распространением сигнала настройки. Такая сеть может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа элементов в них является важным при конструировании сети.

Этап 4. Выбор оптимальной архитектуры

сети

В данном случае архитектура сети была выбрана в результате автоматического прямого перебора различных вариантов средствами используемого программного обеспечения. Поиск проводился в следующих пределах, выбранных на основе анализа количества и типов входных данных:

• количество скрытых слоев - от 1 до 2;

• количество нейронов в первом слое -от 2 до 13;

• количество нейронов во втором слое -от 1 до 5.

Решение о выборе оптимальной сети принималось в соответствии со значениями информационного критерия Акаике (см. [4]).

В ходе перебора архитектур нейронных сетей программно вычисляются их различные характеристики, на основе которых можно внести коррективы, изменить диапазон поиска наилучшей архитектуры и выбрать наиболее подходящую топологию сети для последующей оптимизации.

Этап 5. Обучение (тренировка) нейронной сети

Самым важным свойством нейронных сетей является их способность обучаться на основе данных окружающей среды и в результате обучения повышать свою производительность. Повышение производительности происходит со временем в соответствии с определенными правилами. Обучение нейронной сети происходит посредством интерактивного процесса корректировки синаптических весов и порогов.

В идеальном случае нейронная сеть получает знания об окружающей среде на каждой итерации процесса обучения.

С понятием обучения ассоциируется довольно много видов деятельности, поэтому сложно дать этому процессу однозначное определение. Более того, процесс обучения зависит от точки зрения на него. Именно это делает практически невозможным появление какого-либо точного определения этого понятия. Например, процесс обучения с точки зрения психолога в корне отличается от обучения с точки зрения школьного учителя. С позиций нейронной сети можно предложить следующее определение: обучение - это процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена. Тип обучения определяется способам подстройки этих параметров.

В качестве дополнительного этапа выбора оптимизированной сети (реализованного в используемом программном пакете Alyuda Neurointelligence) можно применять проверку последней на части априорных данных, которые изначально с этой целью исключаются из обучающего массива. Введение этого этапа помогает избежать потери общности аппроксимируемой функции в связи с избыточной настройкой (overtraining) нейронной сети, при которой сеть начинает реагировать на присутствующие в тренировочном массиве измерительные и иные погрешности. В качестве таких априорных данных были использованы данные об уже оцененных методом корректировок объектах.

Этап 6. Применение сформированной

нейросети

Использование нейросетей показало очень хорошее попадание рассчитанных для объектов оценки стоимостей в ценовые диапазоны даже для очень сложных в плане подбора аналогов объектов. В то же время слабыми сторонами этого метода являются его сравнительно малая прозрачность и большая чувствительность к структуре и параметрам сформированной для конкретного случая нейронной сети.

Результаты и выводы

Сравнительные результаты применения рассмотренных подходов можно представить в виде таблицы (см. табл. 7), в которой применены сформулированные в начале настоящей статьи критерии (включая корреляционно-регрессионный анализ и метод корректировок, характеристика которых основана на моделях и алгоритмах их использования, описанных в [2] и [5], применявшихся в ходе исследования).

Эти характеристики являются преимущественно качественными, однако на их основе можно сформулировать следующее заключение: применяя лишь один информационно-аналитический метод, невозможно априори решить любую конкретную задачу, которая может встретиться в практике индивидуальной и массовой оценки. Вот почему наиболее оправданным является их совместное использование на разных этапах и в различных случаях оценки. Это способно дать синергетический эффект.

Результаты проведения сравнительного анализа применения различных информационно-аналитических подходов следующие:

• проведено сравнение различных методов, реализующих сравнительный подход;

• построены работающие модели применения различных методов;

• проанализировано применение различных программных комплексов, в том числе в многопользовательском режиме;

• отмечены слабые и сильные стороны методов, а также оптимальные условия их применения;

• проанализированы перспективы и способы их применения в условиях проведения реальной массовой оценки.

Собранный в процессе работы материал оказался крайне интересным и многоплановым, однако уже сейчас можно сформулировать некоторые рекомендации по оптимальному использованию различных методов (как по отдельности, так и в качестве дополнительных этапов при совместном применении с другими методами (например с методом корректировок). Предлагаем некоторые рекомендации по оптимальному использованию следующих методов:

• анализа иерархий - применение оправдывается для экспертных моделей и на экспертных этапах; более полно учитывается информация о качественных параметрах аналогов в терминах «лучше - хуже» и при корректном использовании может хорошо работать на малых выборках;

• искусственных нейронных сетей -применение может быть оправданным для внутренних целей (например для быстрого получения сравнительно точной общей оценки, независимой проверки и т. п.);

• корреляционно-регрессионнного анализа - применение на статистических этапах (проверка качества выборок и т. п.).

Результаты разработок, проанализированных в настоящей статье, могут быть применены при реализации основных по-

Таблица 7

Сравнительный анализ методов

Метод Легкий Быстрый Точный Надежный Прозрачный

Метод анализа иерархий + - +/- +/- +/-

Корреляционно-регрессионный анализ + + +/- + +

Нейросетевое моделирование +/- + + - -

Метод корректировок +/- +/- +/- +/- +

ложений принятого Советом Национального совета по оценочной деятельности (НСОД) 12 октября 2010 года Федерального стандарта оценки (ФСО) № 4 «Определение кадастровой стоимости объектов недвижимости», при создании и формировании информационно-аналитического обеспечения процессов индивидуальной и массовой оценки недвижимости, включая формирование портала оценщика и других информационно-аналитических комплексов и систем.

ЛИТЕРАТУРА

1. Эккерт Дж. К. Организация оценки и налогообложения недвижимости : в 2-х т. М. : Российское общество оценщиков ; Академия оценки ; Стар Интер, 1997.

2. Методические рекомендации по составлению, актуализации и экспертизе отчетов об оценке объектов недвижимого имущества, изымаемых в целях размещения олимпийских объектов федераль-

ного значения и (или) предоставляемых в рамках Федерального закона № 310-Ф3, включающих расчет платы за установление сервитута и (или) расчет размера убытков, подлежащих возмещению правообладателям объектов недвижимости в связи с их изъятием или в связи с установлением сервитута : утверждены решением Национального совета по оценочной деятельности : протокол от 23 декабря 2009 года № 5.

3. Саати Т. Л. Принятие решений при зависимостях и обратных связях: Аналитические сети / пер. с англ. М. : Книжный дом «Либроком», 2009.

4. Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. М. : Финансы и статистика, 2002.

5. Гоибовский С. В., Сивец С. А. Математические методы оценки стоимости недвижимого имущества. М. : Финансы и статистика, 2008.

РОССИЙСКАЯ АКАДЕМИЯ НАРОДНОГО ХОЗЯЙСТВА И ГОСУДАРСТВЕННОЙ СЛУЖБЫ ПРИ ПРЕЗИДЕНТЕ РОССИЙСКОЙ

ФЕДЕРАЦИИ (РАНХиГс)

МЕЖДУНАРОДНАЯ ШКОЛА УПРАВЛЕНИЯ «ИНТЕНСИВ»

Приглашают принять участие в практическом консультационном

семинаре 29-31 марта 2011 года, Москва ЗЕМЛИ СЕЛЬСКОХОЗЯЙСТВЕННОГО НАЗНАЧЕНИЯ: ПРИНУДИТЕЛЬНОЕ ИЗЪЯТИЕ, МЕЖЕВАНИЕ, КАДАСТРОВЫЙ УЧЕТ, РЕГИСТРАЦИЯ, АРЕНДА,

ОЦЕНКА ЗЕМЕЛЬНЫХ УЧАСТКОВ И ОБОРОТ ЗЕМЕЛЬНЫХ ДОЛЕЙ (ФЕДЕРАЛЬНЫЙ ЗАКОН ОТ 29 ДЕКАБРЯ 2010 ГОДА № 435-ФЗ)

• новое в законодательстве Российской Федерации о порядке использования и оборота земель сельскохозяйственного назначения. Кадастровая оценка земель сельскохозяйственного назначения

• новое в государственном кадастровом учете земельных участков из земель сельскохозяйственного назначения и государственной регистрации прав на них (с учетом положений Закона № 4Э5-ФЗ)

• новое в законодательстве Российской Федерации об оценочной деятельности

• совершенствование оборота земельных долей, полученных при инвентаризации сельскохозяйственных угодий до вступления в силу Федерального закона от 24.07.2002 № 101-ФЗ. Прекращение прав на невостребованные земельные доли

• основы агроклиматического оценочного зонирования территорий субъектов Российской Федерации для целей оценки земель

• новое в порядке формирования фонда перераспределения земель за счет земельных участков из земель сельскохозяйственного назначения

• определение кадастровой стоимости земель сельскохозяйственного назначения для целей перевода земель в другие категории. Полномочия органов местного самоуправления по управлению земельными участками из земель сельскохозяйственного назначения

ЗАЯВКИ НА УЧАСТИЕ И ПОДРОБНАЯ ИНФОРМАЦИЯ: по тел ./факс: (495) 436-05-21, 436-90-27, 436-03-25 по e-mail: [email protected], [email protected]