Hybrid predictions of the homogenous properties’ market value with the use of ann

• Autorzy: Anysz Hubert , Podwórna Monika , Ibadov Nabi , Lennerts Kunibert , Dikarev Kostiantyn

Identyfikatory

DOI

10.24425/ace.2021.136474

Warianty tytułu

PL

Prognozowanie wartości rynkowej jednorodnych nieruchomości hybrydowym modelem z wykorzystaniem sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The homogenous properties – as flats are – have the set of key features that characterizes them. The area of a flat, the number of rooms and storey number where it is located, the technical state of a building, and the state of the vicinity of the blocks of flats assessed. The database comprises 222 flats with their transaction prices on the secondary estate market. The analysed flats are located in a certain quarter of Wrocław city in Poland. The database is large enough to apply machine learning for successful price predictions. Their close locations significantly lower the influence of clients’ assessments of the attractiveness of the location on the flat’s price. The hybrid approach is applied, where classifying precedes the solution of the regression problem. Dependently on the class of flats, the mean absolute percentage error achieved through the calculations presented in the article varies from 4,4 % to 7,8 %. In the classes of flats where the number of cases doesn’t allow for machine predicting, multivariate linear regression is applied. The reliable use of machine learning tools has proved that the automated valuation of homogenous types of properties can produce price predictions with the error low enough for real applications.

PL

Wycena nieruchomości jest złożonym procesem. Rzeczoznawca majątkowy musi być biegły zarówno w naukach ekonomicznych, prawnych, jak i technicznych. W praktyce często zdarzają się przypadki, w których konieczne jest poznanie zakresu wartości nieruchomości w krótkim czasie. Zautomatyzowane modele wyceny (AVM) są kwestionowane przez praktyków, ale nie oznacza to, że nie należy szukać nowych metod wyceny, innych niż te określone w Rozporządzeniu Rady Ministrów z dnia 21 września 2004 r. w sprawie wyceny nieruchomości i sporządzania operatu szacunkowego. Do określenia wartości rynkowej nieruchomości zdefiniowanej w Ustawie z dnia 21 sierpnia 1997 r o gospodarce nieruchomościami, jako „szacunkowa kwota, jaką w dniu wyceny można uzyskać za nieruchomość w transakcji sprzedaży zawieranej na warunkach rynkowych pomiędzy kupującym a sprzedającym, którzy mają stanowczy zamiar zawarcia umowy, działają z rozeznaniem i postępują rozważnie oraz nie znajdują się w sytuacji przymusowej”, najczęściej stosowaną metodą wyceny jest podejście porównawcze polegające na szacowaniu wartości na podstawie ostatnich danych sprzedaży innych podobnych nieruchomości na rynku lokalnym. Takie podejście wymaga aktywnego, rozwiniętego oraz w miarę stabilnego rynku. Rzeczoznawca majątkowy analizuje ceny transakcyjne nieruchomości, które w wystarczającym stopniu są podobne do nieruchomości wycenianej. Analiza atrybutów nieruchomości polega na badaniu nieruchomości pod względem trwałych cech, które mają znaczący wpływ na wartość, w szczególności lokalizację obiektu, jego powierzchnię, położenie w budynku, stan techniczny. W pracy przenalizowano próbkę 222 nieruchomości lokalowych, które były przedmiotem obrotu na wrocławskim rynku wtórnym. Lokalny rynek nieruchomości przyjęto jako nieruchomości lokalowe o powierzchni użytkowej z przedziału od 15 do 95 m2, w budynkach o stanie dobry lub średnim, z obrębu Grabiszyn dzielnicy Fabryczna miasta Wrocław. W pracy przyjęto dwuletni okres analizy, ze względu na w miarę stabilny rynek w okresie 2013-2014 nie uwzględniono czynnika czasu - przyjęto zerowy trend czasowy dla transakcji wolnorynkowych.

Słowa kluczowe

EN

real estate valuation; artificial neural network; multilayer perceptron; comparative approach; machine learning; hybrid model

PL

wycena nieruchomości; sieć neuronowa sztuczna; perceptron wielowarstwowy; podejście porównawcze; uczenie maszynowe; model hybrydowy

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2021
• Tom: Vol. 67, nr 1
• Strony: 285--301
• Opis fizyczny: Bibliogr. 30 poz., il., tab.

Twórcy

autor

Anysz Hubert

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland

autor

Podwórna Monika

• Wrocław University of Science and Technology, Faculty of Civil Engineering , Wrocław, Poland

autor

Ibadov Nabi

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland

autor

Lennerts Kunibert

• Karlsruhe Institute of Technology, Institute of Technology and Management in Construction, Karlsruhe, Germany

autor

Dikarev Kostiantyn

• Prydniprovska State Academy of Civil Engineering and Architecture, Department of Construction Technology, Dnipro, Ukraine

Bibliografia

• 1. R. Gaca, “Parametric and non-parametric statistical methods in the assessment of the effect of property attributes on prices”, Real Estate Management And Valuation 2, 28, 9-15, 2018
• 2. R. Gaca, “Comparative appraisal models”, Rzeczoznawca majątkowy 2/2018, 8-13, 2018
• 3. International valuation standards (IVS) 2017
• 4. Ustawa z dnia 21 sierpnia 1998 r. o gospodarce nieruchomościami (Act of 21 August 1998 on real estate management).
• 5. TEGOVA European Valuation Standards, EVS 2016
• 6. E. Jahanshiri, T. Buyong, A.R.M. Shariff, “A Review of Property Mass Valuation Models”, Pertanika J. Sci. & Technol. 19, 23-30, 2011
• 7. S. Kokot, S. Gnat, Simulative verification of the possibility of using multiple regression models for real estate appraisal, Real Estate Management and Valuation, vol. 27, no. 3, pp. 109-123, 2019
• 8. M. Renigier-Biłozor, “Application of the rough set theory to mass appraisal of real estate on small markets”, Acta Scientiarum Polonorum. Administatio Locorum 7/3, 35-51, 2008
• 9. Rozporządzenie Rady Ministrów z dnia 21 września 2004 r. w sprawie wyceny nieruchomości i sporządzania operatu szacunkowego (Ordinance of the Council of Ministers of 21 September 2004 on the valuation of real estate and the preparation of an appraisal report).
• 10. M. Podwórna, W. Mironowicz, “Praktyczne aspekty oceny stopnia zużycia obiektów budowlanych, dla potrzeb wyceny nieruchomości”, Rzeczoznawca Majątkowy Nr 1/2017 (93) s. 8-13, 2017
• 11. M.T. Hagan, H.B. Demuth, M.H. Beale, O. De Jesús, Neural Network Design; Martin Hagan: Lexington, KY, USA, 2014.
• 12. M. Kaftanowicz, M. Krzemiński, Multiple-criteria Analysis of Plasterboard Systems, Procedia Engineering 111:364-370, 2015, doi: 10.1016/j.proeng.2015.07.102
• 13. H. Anysz, A. Zbiciak, N. Ibadov, The Influence of Input Data Standardization Method on Prediction Accuracy of Artificial Neural Networks, Procedia Engineering 153, 2016, doi: 10.1016/j.proeng.2016.08.08
• 14. I. Foryś, R. Gaca, Theoretical and practical aspects of qualitative variable descriptions of residential property valuation multiple regression models. In: Proceedings, Foundation of the Cracow University of Economics, Cracow, 978-83-65173-48-5, pp 36-44, 2016
• 15. W.J. McCluskey, R.A. Borst, The Theory and Practice of Comparable Selection in Real Estate Valuation. In: d'Amato M., Kauko T. (eds) Advances in Automated Valuation Modeling. Studies in Systems, Decision and Control, vol 86. Springer, 2017
• 16. M. Ciuna, M. De Ruggiero, B. Manganelli, F. Salvo, M. Simonotti, Automated Valuation Methods in Atypical Real Estate Markets Using the Mono-parametric Approach. In: Gervasi O. et al. (eds) Computational Science and Its Applications - ICCSA 2017. ICCSA 2017. Lecture Notes in Computer Science, vol 10406. Springer, 2017, doi: 10.1007/978-3-319-62398-6
• 17. F. Tajani, P. Morano, M. Locurcio, N. D’Addabbo, Property valuations in times of crisis: artificial neural networks and evolutionary algorithms in comparison. In: Gervasi, O., Murgante, B., Misra, S., Gavrilova, M.L., Rocha, A.M.A.C., Torre, C., Taniar, D., Apduhan, B.O. (eds.) ICCSA 2015. LNCS, vol. 9157, pp. 194-209. Springer, 2015. doi: 10.1007/978-3-319-21470-2
• 18. M. Rogalska, P. Wolski, Prognozowanie cen 1m2 mieszkania na rynku pierwotnym w Warszawie metodą uogólnionych modeli addywnych, Logistyka 6/2014, pp 9101-9110, 2014
• 19. M. Rogalska, Wycena nieruchomości z wykorzystaniem metody wieloczynnikowych modeli statystycznych, (chapter in:) Inżynieria Przedsięwzięć Budowlanych. Problemy Modele Metody, (edit. Sobotka A., Radziszewska-Zielina E.), KILiW PAN, 2018
• 20. N. Ibadov, H. Anysz, Ustalenie stopnia zużycia technicznego obiektów budowlanych w zarządzaniu nieruchomościami, Technika Transportu Szynowego. Koleje, Tramwaje, Metro 10/2013, pp. 49-56, 2013
• 21. B. Nowogońska, Diagnoses in the Aging Process of Residential Buildings Constructed Using Traditional Technology, Bulidings, 2019, doi: 10.3390/buildings9050126
• 22. B. Kutera, H. Anysz, The methodology of technical due diligence report preparation for an office, residential and industrial buildings, MATEC Web of Conferences 86:07009, 2016, doi: 10.1051/matecconf/20168607009
• 23. M. Juszczyk, A. Leśniak, Modelling construction site cost index based on neural network ensembles. Symmetry 11(3), 2019
• 24. M. Juszczyk, A. Leśniak, K. Zima, ANN Based Approach for Estimation of Construction Costs of Sports Fields, Complexity (1), 2018, doi: 10.1155/2018/7952434
• 25. M. Rogalska, Wieloczynnikowe modele w prognozowaniu czasu procesów budowlanych, Lublin University of Technology, Lublin 2016, ISBN: 978-83-7947-186-7
• 26. H. Anysz, N. Ibadov, Neuro-fuzzy predictions of construction site completion dates, Technical Transactions 6/2017, Civil Engineering, pp. 51-58, 2017, doi: 10.4467/2353737XCT.17.086.6562
• 27. H. Anysz, Wykorzystanie sztucznych sieci neuronowych do oceny możliwości wystąpienia opóźnień w realizacji kontraktów budowlanych, Oficyna Wydawnicza PW, Warsaw, 2017
• 28. L. Zajączkowski, Z. Waszczyszyn, A. Tomana, M. Jakubek, Sztuczne sieci neuronowe w wycenie działek budowlanych. (chapter in:) Konferencja Naukowa Komitetu Inżynierii Lądowej i Wodnej PAN i Komitetu Nauki PZITB (49:2003; Warszawa-Krynica), Problemy naukowo-badawcze budownictwa, ISBN 837207433X, Oficyna Wydawnicza PW, Warsaw, 2003
• 29. J. Morajda, Wykorzystanie perceptronowych sieci neuronowych w zagadnieniu wyceny nieruchomości. Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie, (7), 101-108, 2005
• 30. T. Jasiński, A. Bochenek, Prognozowanie cen nieruchomości lokalowych za pomocą sztucznych sieci neuronowych. Studia i Prace WNEiZ US, 45, 317-328, 2016, doi: 1018276/sip.2016.45/1-25

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).