УДК 528.44
Doi: 10.18384/2310-7189-2018-1-51-65
разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере мурманской области)
Ковязин В.Ф., Лепихина О.Ю., Зимин В.П.
Санкт-Петербургский горный университет
199026, Санкт-Петербург, 21-я линия Васильевского острова, д. 2,
Российская Федерация
Аннотация. Ценообразование на рынке недвижимости зависит от разнообразных факторов, но степень и характер их влияния во многом обусловлены местными особенностями. Объектом нашего исследования выбраны земельные участки моногородов Мурманской области, уникальных наличием градообразующих предприятий, деятельность которых существенно влияет на рыночную и кадастровую оценку недвижимости. Наличие такой связи позволяет прогнозировать цену недвижимости в зависимости от изменения показателей работы градообразующего производства. Эта цель достижима при построении и обосновании прогнозной модели, отражающей зависимость стоимости земель от экономических факторов. При расчете связи между оценкой земельных участков и выборкой значимых показателей обосновано преимущество нейросетевой модели, как обладающей лучшими прогнозными свойствами по сравнению с регрессионными моделями.
Ключевые слова: моногород, градообразующее предприятие, рынок недвижимости, регрессионный анализ, нейронная сеть, Мурманская область.
development of predictive models of land value of single-industry towns with allowance for the factors of activity of city-forming enterprises (on the example of the murmansk region)
Kovjazin V. F., Lepikhina O. Y., Zimin V. P.
Saint-Petersburg Mining University
21-liniya Vasil'evskogo ostrova 2,199026 Saint Petersburg, Russia
Abstract. The real estate market and features of real estate price formation depend on a large number of economical, social, political, natural, demographic and other factors. In each separately taken settlement, the degree of influence of each group of factors is different, which is largely determined by the features of the city. The object of the present research is the land plots of Murmansk region monotowns with their city-forming enterprises whose economic activity has a significant effect on the price formation of the real estate, its market and cadastral
© Ковязин В. Ф., Лепихина О. Ю., Зимин В. П., 2018.
value. The specified influence allows the price of the real estate to be predicted, depending on a change in indicators of the city-forming branch. The purpose of the paper is to construct and justify predictive models reflecting the dependence of Murmansk region monotowns land prices on economic factors of the city-forming branch. In evaluating the relationship between the assessment of land plots and the selection of significant indicators, the advantage of the neural network model is proved, as it has better predictive properties than regression models.
Key words: single-industry towns, city-forming sis, neuron network, Murmansk region.
Рынок недвижимости - неотъемлемая составляющая современного города, оказывающая влияние на множество его сфер. Ценообразование на рынке недвижимости формируется под воздействие большого количества факторов. Часть таких факторов отражает происходящие в стране политические, экономические, социальные и иные процессы. Это факторы государственного масштаба, предопределяющие состояние и развитие рынка недвижимости в целом по стране. Однако при анализе и прогнозе ситуации на рынке недвижимости отдельно взятого города, необходимо учитывать, наряду с отмеченными общими факторами, его локальные особенности, уникальность, связанную, к примеру, с преобладанием в экономике какой-ли-б о отрасли. Таковыми являются монопрофильные города. Монопрофильный город (моногород) - замкнутая система, обслуживающая градообразующую отрасль. Рынок недвижимости в моногородах имеет особенности, характерные исключительно для такого типа городских поселений [6; 7]. Оценка и прогноз стоимости недвижимости в этих населенных пунктах должны проводиться с учетом экономических факторов деятельности градообразующего предприятия.
Отмеченная тема была не раз затронута в научных публикациях. Так, подчеркивалась необходимость учета
enterprise, real estate market, regression analy-
уникальных особенностей земель при их оценке [3; 17; 18], важность анализа и прогноза перспективного состояния рынка недвижимости [13]. Также выходили труды, посвященные анализу методики определения стоимости земель [4; 14] и методов ее прогнозирования [9; 15; 16]. Однако среди многообразия существующей научной литературы по данной теме не обнаружено исследований зависимости ценообразования недвижимости в моногородах от экономических факторов деятельности градообразующих предприятий.
Это предопределило цель настоящего исследования, заключающуюся в анализе и прогнозе зависимости стоимости недвижимости (земельных участков) в моногородах от экономических факторов градообразующей отрасли на основе построения различного вида моделей и выявления наилучшей среди них. Итоговую модель следует использовать для решения вопросов, касающихся управления земельно-имущественным комплексом, а также задач, связанных с планированием деятельности градообразующих предприятий.
Методы исследования
Нами исследована зависимость рыночной стоимости земель моногородов от ряда общих показателей, а также факторов экономической деятельности градообразующей отрасли.
В дальнейшем наиболее значимые показатели были использованы для построения прогнозной модели (табл. 1).
Общие показатели могут быть применимы ко всем населенным пунктам вне зависимости от их типа. В качестве таких показателей выбраны следующие: численность населения, удаленность города от центра субъекта, индекс загрязнения атмосферы в городе, суммарный показатель загрязнения почвы в городе.
Экономические факторы градообразующей отрасли целесообразно представить в виде совокупности основных показателей градообразующего предприятия: количество рабочих мест, чистая прибыль, мощность производства, средняя заработная плата, производительность труда, прибыль на одного человека.
В качестве объектов исследования выбрана группа монопрофильных городов, расположенных в Мурманской области: Кировск, Мончегорск, Олене-горск, Ковдор, Никель, пгт. Ревда. Приведенные населенные пункты схожи между собой по таким важнейшим показателям, как численность населения, удаленность от регионального центра, уровень социально-экономического
Перечень
развития, класс опасности предприятия. Однородность населенных пунктов установлена согласно классификации моногородов Северо-Западного федерального округа [8], по которой вышеупомянутые отнесены к группе «города с наиболее сложным социально-экономическим положением либо рисками его развития с опасным производством».
Моделирование осуществлялось на примере земель, предназначенных для размещения индивидуальной жилой застройки (далее - ИЖС). Для целей построения моделей кадастровой стоимости земель моногородов выбраны методы регрессионного и нейросетево-го моделирования. Выбор обусловлен в первую очередь тем, что данные методы позволяют строить многофакторные модели. К положительным сторонам регрессионного анализа можно отнести также наглядность и достаточно легкую интерпретируемость результатов. Хотя нейросетевые модели исключают возможность анализа полученной зависимости, они в то же время позволяют эффективно строить нелинейные функции, более точно описывающие исследуемые параметры [12].
Таблица 1
мых показателей
Наименование группы показателя Наименование показателя Единицы измерения Источник сбора данных
Общие показатели населенных пунктов Численность населения человек Официальные сайты администраций населенных пунктов
Удаленность моногорода от центра субъекта км
Индекс загрязнения атмосферы в моногороде - Доклад о состоянии и об охране окружающей среды Мурманской области в 2014 году [5]
Суммарный показатель загрязнения почвы в моногороде -
Окончание таблицы 1
Наименование группы показателя Наименование показателя Единицы измерения Источник сбора данных
Показатели экономической деятельности градообразующих предприятий моногородов Количество рабочих мест на градообразующем предприятии человек Комплексные инвестиционные планы развития моногородов [10]
Чистая прибыль градообразующего предприятия млн. руб.
Мощность производства градообразующего предприятия млн. т
Средняя заработная плата на градообразующем предприятии руб.
Производительность труда на градообразующем предприятии тыс. т в год/ человек
Прибыль на одного чел на градообразующем предприятии тыс. руб./ человек
Показатель рынка недвижимости населенных пунктов Средняя по моногороду рыночная стоимость земель под ИЖС руб. Данные Росреестра
После формирования выборки значений указанных показателей был проведен анализ, устанавливающий корреляционную связь между ними и средней по моногороду рыночной стоимостью 1 кв м земель, предназначенных под ИЖС. При этом значимыми приняты показатели с коэффициентом корреляции более 0,31. Далее выявленные показатели исследовались на мультиколлинеарность.
Известно, что в случае возникновения сильной связи между факторами (когда коэффициент парной кор-
1 См.: Приказ Роснедвижимости от 29.06.2007 г. № П/0152 (ред. от 14.08.2008 г.) «Об утверждении Технических рекомендаций по государственной кадастровой оценке земель населенных пунктов».
реляции превышает 0,7), один из них исключается из дальнейшего анализа [11]. В итоге определились показатели для построения моделей. В процессе работы над моделями их качество контролировалось по критерию Фишера, также при формировании зависимости учитывался параметр «Р-значение». В случае, если для каких-либо из факторов величина «Р-значение» превышала 0,05, такие показатели исключались из модели и рассматривались как незначимые [1]. Таким образом, на этом этапе построены следующие регрессионные модели: линейная регрессия, регрессия второго порядка, регрессия третьего порядка, логарифмическая регрессия.
Построение нейросетевых моделей зависимости стоимости 1 кв.м. земель (У) от исследуемых показателей (Х) осуществлялось с использованием программного продукта ЗТАТКТЖА 10.0 [2]. Первоначально задавались значения постоянных переменных (Х) и зависимой переменной (У). После этого производилось обучение заданного количества нейронных сетей с различной архитектурой. В итоге получены нейронные сети, отличающиеся друг от друга по своим параметрам и, соответственно, значениям предсказанной величины стоимости земель (У). После ввода значений исследуемых показателей в алгоритм программного продукта обученная нейронная сеть определяет прогнозную величину кадастровой стоимости земель.
Далее нами осуществлялось сравнение построенных моделей по следующим показателям [1]:
сумме квадратов регрессионных остатков (при этом наименьшее его значение соответствует зависимости, наилучшим образом объясняющей исследуемую величину);
коэффициенту детерминации, который для регрессионных моделей определен из отчетов регрессии, а для нейросетевых моделей с использованием прогнозных и фактических значений стоимости городских земель (параметр показывает долю вариации зависимого параметра, обусловленную влиянием на него факторов, учитываемых при построении модели, и чем ближе значение этого показателя к единице, тем выше качество модели);
средней относительной погрешности (чем ниже данный показатель,
тем лучше модель описывает выборку исходных данных, а качество модели считается хорошим, если погрешность менее 5-6%, и удовлетворительным -если погрешность имеет значение от 5-6, до 12%).
В итоге зависимость, обладающая наилучшими показателями, должна быть принята за искомую прогнозную модель кадастровой стоимости городских земель по исследуемым показателям.
Результаты исследования
На начальном этапе исследования осуществлен сбор значений исследуемых показателей, а также значений средней по моногороду стоимости 1 м2 земель, предназначенных под ИЖС за период с 2006 по 2014 гг. для выбранной группы монопрофильных городов. Общий объем выборки составляет 29 объектов, ниже (табл. 2), представлена часть (фрагмент) этой выборки.
Проведенный корреляционный анализ позволил выявить показатели, в наибольшей степени связанные со стоимостью земель моногородов (в скобках приведено значение коэффициента значимости):
- численность населения (0,74);
- мощность производства градообразующего предприятия (0,74);
- количество рабочих мест на градообразующем предприятии (0,69);
- чистая прибыль градообразующего предприятия (0,49);
- средняя заработная плата на градообразующем предприятии (0,46);
- удаленность моногорода от центра субъекта (0,38);
- производительность труда на градообразующем предприятии (0,31).
Таблица 2
Значения исследуемых показателей
Общие показатели населенных пунктов Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов
Моногород Год Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. Чистая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб.
<ч И СО и И 1Л И VO и IN И оо И о\ X о >н
2014 27686 о (N 0,70 0 о 6403 2381,30 26,00 45096 4,06 371,90 448,70
г. Кировск 2013 28074 О (N 0,76 - 8252 9802,09 24,70 42578 2,99 1187,84 436,90
2012 28250 О (N 0,84 1,23 11348 5870,93 23,00 40150 2,03 517,35 420,50
2011 28590 О (N 0,96 1,34 11637 3220,94 20,00 37800 1,72 276,78 415,20
Продолжение таблицы 2
Общие показатели населенных Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов
пунктов
Моногород Год Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. стая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб.
и сг
<ч И т И И 1Л И VO и IN И оо И о\ X о >н
2012 44643 5 5,04 5,10 5769 2818,01 7,50 36212 0 т 488,47 440,58
и о Л о м 2011 45253 5 5,30 5,30 5211 2423,32 8,10 32628 5 LH 465,04 413,95
я о 2010 45361 ш 5,55 5,40 5178 8942,21 8,30 28938 1,60 1726,96 368,78
2009 48062 5 5,00 5,66 5080 10226,09 0 о 7, 25706 1,56 2013,01 340,50
Окончание таблицы 2
Общие показатели населенных Показатели экономической деятельности градообразующих предприятий Показатель рынка недвижимости населенных пунктов
пунктов
Моногород Год Численность населения, чел. Удаленность моногорода от центра субъекта, км Индекс загрязнения атмосферы в моногороде Суммарный показатель загрязнения почвы в моногороде Количество рабочих мест на градообразующем предприятии, чел. стая прибыль градообразующего предприятия, млн. руб. Мощность производства градообразующего предприятия, млн. тонн Средняя заработная плата на градообразующем предприятии, руб. Производительность труда на градообразующем предприятии, тыс. тонн в год/чел. Прибыль на одного чел на градообразующем предприятии, тыс. руб./чел. Средняя рыночная стоимость 1 кв. м. земель под ИЖС в моногороде, руб.
и
<ч И т И И 1Л И VO и IN И оо И И о Я >н
2013 21736 о 9 5,70 2200 1281,00 4,70 52760 2,14 582,27 342,60
а о о. о м о 2012 22405 о 1,85 2,71 2300 2696,00 4,60 44429 2,00 1172,17 321,40
я о « О 2011 22986 о 1,98 2,80 2154 4826,00 4,40 39800 2,04 2240,48 301,68
2010 2 7 о 3 2 о 2,00 2,81 2065 2883,00 4,30 35252 2,08 1396,13 292,58
Далее полученные значимые факторы были проверены на наличие мульти-коллинеарности (табл. 3).
vssy
Таблица 3
Результаты анализа наиболее значимых показателей на мультиколлинеарность*
Показатель Численность населения Удаленность моногорода от центра субъекта Количество рабочих мест на градообразующем предприятии Чистая прибыль градообразующего предприятия Мощность производства градообразующего предприятия Средняя заработная плата на градообразующем предприятии Производительность труда на градообразующем предприятии
XI X2 X5 X6 X7 X8 X9
Численность населения X1 - 0,00 0,56 0,71 0,45 0,22 0,19
Удаленность моногорода от центра субъекта X2 0,00 - 0,77 0,17 0,69 -0,11 -0,01
Количество рабочих мест на градообразующем предприятии X5 0,56 0,77 - 0,54 0,77 0,12 0,11
Чистая прибыль градообразующего предприятия X6 0,71 0,17 0,54 - 0,52 0,18 0,30
Мощность производства градообразующего предприятия X7 0,45 0,69 0,77 0,52 - 0,44 0,57
Средняя заработная плата на градообразующем предприятии X8 0,22 -0,11 0,12 0,18 0,44 - 0,76
Производительность труда на градообразующем предприятии X9 0,19 -0,01 0,11 0,30 0,57 0,76 -
* Исключенные из дальнейшего анализа показатели выделены курсивом, значения коэффициентов парной корреляции, превышающие допустимое значение отмечены заливкой серого цвета
Таким образом, были выявлены четыре показателя, по которым далее строились прогнозные модели их влияния на среднюю по моногороду рыночную стоимость 1 м2 земель, предназначенных под ИЖС (У): численность населения (Х); удаленность моногорода от центра субъекта (Х2); мощность производства градообразующего предприятия (Х7); средняя заработная плата на градообразующем предприятии (XV
По результатам сформированной линейной регрессии было выявлено, что зависимость является пригодной к использованию по критерию Фишера, но фактор «мощность производства градообразующего предприятия» незначим, так как «Р-значение» для него превышает 0,05. Следовательно, такую зависимость нецелесообразно принимать за прогнозную модель, поэтому осуществлялся второй этап построения модели, на котором ис-
ключались незначимые факторы. В результате была получена зависимость (1), удовлетворительная по критериям качества и пригодная для проведения дальнейших исследований:
Y=106,05+0,629X. +0,002Xa
(1)
Аналогичным образом осуществлялось формирование нелинейных моделей. Полученные зависимости имеют вид: - регрессия второго порядка У=206,82 + 5,87*10-8Х12+0,002Х22
- регрессия третьего порядка
У= 242,106+1,25* 10-12Х13+1,04*10-5 Х23+7,95*10-13Х83 (3);
- логарифмическая регрессия
У= -2437,9+101,53Ьи(Х1)+109,9Ьи (Х2) -13,95Ьи(Х7)+120,32Ьи(Х8) (4).
Альтернативно велось создание нейронных сетей. По исследуемой выборке объектов обучено 20 нейронных сетей, обладающих различными параметрами (табл. 4).
+4,1*10-8X
(2);
Таблица 4
Результаты формирования нейросетевых моделей
N Архитектура Производительность обуч. Контр. Производительность. тест. Производительность. Ошибка обучения Контрольная ошибка тестовая ошибка алгоритм обучения Функция ошибки Ф-я актив, скрытых нейр. Ф-я актив, выходных нейр.
1 MLP 4-3-1 0,99291 0,92593 0,99433 30,46120 214,60990 38,42240 BFGS 159 Сум. квадр. Экспонента Экспонента
2 MLP 4-3-1 0,99870 0,99529 0,98821 5,57390 21,31040 15,73880 BFGS215 Сум. квадр. Экспонента Гиперболическая
3 MLP 4-7-1 0,99854 0,99390 0,95094 6,29050 26,04660 96,32090 BFGS 96 Сум. квадр. Гиперболическая Экспонента
4 MLP 44-1 0,93572 0,90644 0,80698 272,06160 210,06990 243,25830 BFGS8 Сум. квадр. Тождественная Экспонента
5 MLP 4-5-1 0,91591 0,87175 0,83062 352,52990 291,02630 307,90280 BFGS 9 Сум. квадр. Тождественная Тождественная
6 MLP 4-6-1 0,99709 0,99723 0,98951 12,45550 14,96400 27,15890 BFGS 66 Сум. квадр. Гиперболическая Экспонента
7 MLP 4-7-1 0,99839 0,99915 0,98752 6,99660 8,10310 17,06490 BFGS 117 Сум. квадр. Экспонента Логистическая
8 MLP 4-3-1 0,99667 0,98199 0,95577 14,62320 39,77920 75,14070 BFGS 66 Сум. квадр. Гиперболическая Экспонента
9 MLP 4-3-1 0,99684 0,99915 0,99061 13,63010 128,14190 15,92430 BFGS 99 Сум. квадр. Экспонента Гиперболическая
10 MLP 4-10-1 0,99820 0,98882 0,98023 7,83260 31,15760 39,47790 BFGS 107 Сум. квадр. Логистическая Логистическая
11 MLP 4-5-1 0,99683 0,99211 0,96087 13,60920 32,95330 54,89190 BFGS 45 Сум. квадр. Гиперболическая Логистическая
12 MLP 44-1 0,99867 0,99688 0,98560 5,72680 24,88830 19,97850 BFGS 240 Сум. квадр. Экспонента Гиперболическая
13 MLP 4-5-1 0,92652 0,88026 0,89570 306,08490 239,69310 276,59910 BFGS 7 Сум. квадр. Тождественная Логистическая
14 MLP 4-9-1 0,99843 0,98791 0,99294 6,78430 36,55530 15,44110 BFGS 92 Сум. квадр. Логистическая Тождественная
15 MLP 4-3-1 0,99747 0,98948 0,99203 10,85720 67,19430 13,27470 BFGS 98 Сум. квадр. Логистическая Гиперболическая
16 MLP 4-9-1 0,99879 0,99319 0,99692 5,20100 22,93110 4,01880 BFGS 122 Сум. квадр. Гиперболическая Тождественная
17 MLP 4-9-1 0,99820 0,99845 0,98968 7,88290 13,21150 16,06710 BFGS 111 Сум. квадр. Экспонента Логистическая
18 MLP 44-1 0,89767 0,83536 0,86118 421,66490 364,03730 289,24200 BFGS 8 Сум. квадр. Тождественная Гиперболическая
19 MLP 4-9-1 0,95777 0,92125 0,87627 197,95330 202,43730 249,19660 BFGS 9 Сум. квадр. Тождественная Экспонента
20 MLP 4-3-1 0,99701 0,99192 0,98926 12,91250 55,54380 17,92200 BFGS 74 Сум. квадр. Логистическая Логистическая
По всем нейронным сетям формировались выборки предсказанных значений стоимости городских земель, с использованием которых полученные модели были проанализированы по
ранее отмеченным показателям качества.
В результате анализа выявлена нейронная сеть, обладающая наилучшими параметрами (табл. 5).
Таблица 5
Параметры нейросетевой модели наилучшего качества
№ Архитектура Производитель ность обуч. Контр. Производительность. Тест. Производительность. Ошибка обучения Контрольная ошибка Тестовая ошибка Алгоритм обучения Функция ошибки Ф-яактив, скрытых нейр. Ф-я актив, выходных нейр.
16 MLP 4-9-1 0,99879 0,99319 0,99692 5,20100 22,93110 4,01880 BFGS 122 Сум. квадр. Гиперболическая Тождественная
В заключение было осуществлено сравнение итоговой нейронной сети с полученными ранее регрессионны-
ми моделями по критериям качества (табл. 6).
V6V
Таблица 6
Значения показателей качества прогнозных моделей
Критерии качества Линейная регрессия Регрессия второго порядка Регрессия третьего порядка Логарифмическая регрессия Нейросетевая модель
Сумма квадратов регрессионных 18858,15 15871,19 16832,85 18155,07 434,07
остатков
Средняя относительная 5,83 4,97 4,98 5,61 0,85
погрешность
Коэффициент детерминации 0,82 0,85 0,84 0,83 0,99
По результатам анализа значений критериев видно, что наилучшим качеством обладает нейронная сеть. Так, сумма квадратов регрессионных остатков для данной модели в 36,5 раз ниже, чем, к примеру, у регрессии второго порядка, а коэффициент детерминации выше на 14%.
Выводы
В ходе исследования было установлено, что на кадастровую стоимость земель моногородов, наряду с общими для всех типов городов факторами, оказывают влияние экономические факторы деятельности градообразующих предприятий. Это подтверждает проведенный корреляционный анализ между показателями факторов и средними рыночными стоимостями земель. В наибольшей степени значимыми оказались следующие показатели: численность населения в моногороде, удаленность моногорода от центра субъекта, мощность производства градообразующего предприятия, средняя заработная плата на градообразующем предприятии.
С учетом отмеченных показателей градообразующих предприятий нами
построено пять прогнозных моделей кадастровой стоимости земель моногородов. Для каждой модели определены такие показатели качества, как сумма квадратов регрессионных остатков, средняя относительная погрешность, коэффициент детерминации. Установлено, что для целей прогнозирования кадастровой стоимости земель моногородов по исследуемым показателям целесообразно использовать нейро-сетевую модель, так как она обладает лучшими показателями качества.
Ввиду того, что кадастровая стоимость устанавливается на основе рынка недвижимости оцениваемого объекта и тесно связана с ним, то полученная нейросетевая модель может примениться для прогнозирования как рыночной, так и кадастровой стоимости земель моногородов. В связи с высокими темпами изменения показателей экономической деятельности градообразующих предприятий, установленная при исследованиях зависимость определяет краткосрочный прогноз (до 5 лет) рынка недвижимости моногородов. Также следует отметить, что по предложенной авторами методике можно построить аналогичную
прогнозную модель кадастровой сто- ного федерального округа Российской
имости земель монопрофильных го- Федерации.
родов других регионов Северо-Запад-
Статья поступила в редакцию 08.12.2017 г.
ЛИТЕРАТУРА
1. Айвазян С.А., Мхитарян В.С. Прикладная статистика в задачах и упражнениях: учебник для вузов. М.: ЮНИТИ-ДАНА, 2001. 270 с.
2. Буреева Н.Н. Многомерный статистический анализ с использованием ППП «STATISTICA»: учебно-методический материал по программе повышения квалификации «Применение программных средств в научных исследованиях и преподавании математики и механики». Нижний Новгород: ННГУ, 2007. 112 с.
3. Ванданимаева О.М. Оценка стоимости земельных участков. М.: Московская финансово-промышленная академия, 2005. 119 с.
4. Грибовский С.В, Сивец С.А. Математические методы оценки стоимости недвижимого имущества: учебное пособие. М.: Финансы и кредит, 2008. 368 с.
5. Доклад о состоянии и об охране окружающей среды Мурманской области в 2014 году. Мурманск: Министерство природных ресурсов и экологии Мурманской области, 2015. 177 с.
6. Иваньковский С.Л., Былинская А.А., Иваньковская Н.А. Моногорода в народном хозяйстве страны: развитие, проблемы, перспективы // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 5-2. С. 91-97.
7. Каючкина М.А. Моногород: риск снижения поступлений доходов в бюджет // Экономические науки. 2010. № 11. С. 221-225.
8. Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. Группировка земель монопрофильных городов при их кадастровой оценке // Известия высших учебных заведений. Поволжский регион. «Естественные науки». 2016. № 4. С. 97-108.
9. Комаров С.И. Прогнозирование в системе управления земельно-имущественным комплексом // Имущественные отношения в Российской Федерации. 2010. № 5. С. 84-100.
10. Комплексные инвестиционные планы развития моногородов // Министерство экономического развития Мурманской области [официальный сайт]. URL: http://minec. gov-murman.ru/activities/devel_city/sub06/sub04/ (дата обращения: 14.01.2018).
11. Методика расчета кадастровой стоимости объектов оценки на основе статистического моделирования // Экономические науки. 2009. № 12. С. 352-358.
12. Рубаков С.В. Современные методы анализа данных // Наука. Инновации. Образование. 2008. Вып. 7. С. 165-176.
13. Рубинштейн Е.Д. Осипенко Н.С. Анализ рынка недвижимости и его прогнозирование // Теория и практика общественного развития. 2015. № 12. С. 140-143.
14. Сивец С.А. Статистические методы в оценке недвижимости и бизнеса: учебно-практическое пособие для оценщиков. Запорожье: Просвита, 2001. 320 с.
15. Стерник Г.М., Стерник С.Г., Свиридов А.В. Методология прогнозирования российского рынка недвижимости. Часть 3: Эволюция методов прогнозирования рынка жилья // Механизация строительства. 2014. № 2. С. 61-64.
16. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. Невин-номысск: Северо-Кавказский гос. тех. ун-т, 2006. 221 с.
17. Baumane V. Cadastral Valuation Models // Economic Science for Rural Development: proceedings of international scientific conference. 2010. no. 22. pp. 68-75.
18. Baumane V Evaluation of Indicators of Cadastral Assessment // 4th International Conference Civil Engineering'^. Proceedings: Part I «Land Management and Geodesy». Jelgava, 2013. pp. 299-304.
1. Aivazyan S.A., Mkhitaryan V.S. Prikladnaya statistika v zadachakh i uprazhneniyakh: uchebnik dlya vuzov [Applied statistics in problems and exercises: a textbook for high schools]. Moscow, YUNITI-DANA Publ., 2001. 270 p.
2. Bureeva N.N. Mnogomernyi statisticheskii analiz s ispol'zovaniem PPP "STATISTICA": uchebno-metodicheskii material po programme povysheniya kvalifikatsii "Primenenie programmnykh sredstv v nauchnykh issledovaniyakh i prepodavanii matematiki i mekhaniki" [Multivariate statistical analysis using the SPT STATISTICA: educational material for training program on "Application of software in scientific research and teaching of mathematics and mechanics"]. Nizhny Novgorod, NNGU Publ., 2007. 112 p.
3. Vandanimaeva O.M. Otsenka stoimosti zemel'nykh uchastkov [Assessment of the price of land plots]. Moscow, Moskovskaya finansovo-promyshlennaya akademiya Publ., 2005. 119 p.
4. Gribovskii S.V., Sivets S.A. Matematicheskie metody otsenki stoimosti nedvizhimogo imushchestva: uchebnoe posobie [Mathematical methods for assessing the value of a real estate: textbook]. Moscow, Finansy i kredit Publ., 2008. 368 p.
5. Doklad o sostoyanii i ob okhrane okruzhayushchei sredy Murmanskoi oblasti v 2014 godu [A report on the status and protection of the environment in Murmansk region in 2014]. Murmansk, Ministerstvo prirodnykh resursov i ekologii Murmanskoi oblasti Publ., 2015. 177 p.
6. Ivan'kovskii S.L., Bylinskaya A. A., Ivan'kovskaya N. A. Monogoroda v narodnom khozyaystve strany: razvitiye, problemy, perspektivy [Single-industry towns in the national economy: development, problems, prospects]. In: Vestnik Nizhegorodskogo universiteta im. N.I. Lobachevskogo [Bulletin of N.I. Lobachevsky Nizhny Novgorod University], 2011, no. 5-2, pp. 91-97.
7. Kayuchkina M.A. Monogorod: risk snizheniya postuplenii dokhodov v byudzhet [A monotown: the risk of reduction of revenues to the budget]. In: Ekonomicheskie nauki [Economic Scinces], 2010, no. 11, pp. 221-225.
8. Kovyazin V.F., Lepikhina O.YU., Zimin V.P. Gruppirovka zemel' monoprofil'nykh gorodov pri ikh kadastrovoi otsenke [The grouping of the lands of single-profile cities with their cadastral evaluation]. In: Izvestiya vysshikh uchebnykh zavedenii. Povolzhskii region. "Estestvennye nauki" [Izv. Vyssh. Ucheb. Zaved. The Volga region. "Natural Sciences"], 2016, no. 4, pp. 97-108.
9. Komarov S.I. Prognozirovanie v sisteme upravleniya zemel'no-imushchestvennym kompleksom [Forecasting in the management system of land and property complex]. In: Imushchestvennye otnosheniya v Rossiiskoi Federatsii [Property relations in the Russian Federation], 2010, no. 5, pp. 84-100.
10. Kompleksnye investitsionnye plany razvitiya monogorodov [Comprehensive investment development plans of monotowns]. The Ministry of economic development of Murmansk region [official website]. - URL: http://minec.gov-murman.ru/activities/devel_city/sub06/ sub04/ (request date 14.01.2018)
11. Metodika rascheta kadastrovoy stoimosti ob'ektov otsenki na osnove statisticheskogo modelirovaniya [The method of calculation of cadastral cost of objects of evaluation based on statistical modeling]. In: Ekonomicheskie nauki [Economic Sciences], 2009, no. 12, pp. 352-358.
references
12. Rubakov S.V. Sovremennye metody analiza dannykh [Modern methods of data analysis]. In: Nauka. Innovatsii. Obrazovanie [Science. Innovations. Education], 2008, no. 7, pp. 165-176.
13. Rubinshtein E.D., Osipenko N.S. Analiz rynka nedvizhimosti i ego prognozirovanie [The real estate market analysis and forecasting]. In: Teoriya i praktika obshchestvennogo razvitiya [Theory and practice of social development], 2015, no. 12, pp. 140-143.
14. Sivets S.A. Statisticheskie metody v otsenke nedvizhimosti i biznesa: uchebno-prakticheskoe posobie dlya otsenshchikov [Statistical methods in the evaluation of real estate and business: a training manual for appraisers]. Zaporozhye, Prosvita Publ., 2001. 320 p.
15. Sternik G.M., Sternik S.G., Sviridov A.V. Metodologiya prognozirovaniya rossiiskogo rynka nedvizhimosti. Chast' 3: Evolyutsiya metodov prognozirovaniya rynka zhil'ya [The methodology of forecasting of Russian real estate market. Part 3: Evolution of methods of forecasting of the housing market]. In: Mekhanizatsiya stroitel'stva [Mechanization of construction], 2014, no. 2, pp. 61-64.
16. Tikhonov E.E. Metody prognozirovaniya v usloviyakh rynka: uchebnoe posobie [Methods of forecasting in conditions of the market: a tutorial]. Nevinnomyssk, Severo-Kavkazskii gos. tekh. un-t Publ., 2006. 221 p.
17. Baumane V. Cadastral Valuation Models. In: Economic Science for Rural Development: proceedings of international scientific conference. 2010. no. 22. pp. 68-75.
18. Baumane V. Evaluation of Indicators of Cadastral Assessment. In: 4th International Conference Civil Engineering'^. Proceedings: Part I «Land Management and Geodesy». Jelgava, 2013. pp. 299-304.
информация об авторах
Ковязин Василий Федорович - доктор биологических наук, профессор кафедры инженерной геодезии Санкт-Петербургского горного университета; e-mail: vfkedr@mail.ru
Лепихина Ольга Юрьевна - кандидат технических наук, доцент кафедры инженерной геодезии Санкт-Петербургского горного университета; e-mail: 0lgalepikhina1984@gmail.com
Зимин Виктор Павлович - аспирант кафедры инженерной геодезии Санкт-Петербургского горного университета; e-mail: vic-zim@yandex.ru
INFORMATION ABOUT THE AUTHORs
Vasily F. Kovjazin - doctor of biological sciences, professor at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University, E-mail: vfkedr@mail.ru
Olga Y. Lepikhina - phD in technical sciences, associate professor at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University, E-mail: olgalepikhina1984@gmail.com
Viktor P. Zimin - postgraduate student at the Department of Engineering Geodesy of the Construction Faculty, Saint-Petersburg Mining University E-mail: vic-zim@yandex.ru
правильная ссылка на статью
Ковязин В.Ф., Лепихина О.Ю., Зимин В.П. Разработка прогнозной модели стоимости земель моногородов с учетом экономических факторов деятельности градообразующих предприятий (на примере Мурманской области) // Вестник Московского государственного областного университета. Серия: Естественные науки. 2018. № 1. С. 51-65 DOI: 10.18384/2310-7189-2018-1-51-65
FOR cITATION
Kovjazin V. F., Lepikhina O. Y., Zimin V.P. Development of predictive models of the land value of single-industry towns with allowance for the factors of activity of city-forming enterprises (on the example of the Murmansk region). In: Bulletin of Moscow Region State University. Series: Natural sciences, 2018, no. 1, pp. 51-65 DOI: 10.18384/2310-7189-2018-1-51-65