Теоретические и методические основы разработки и внедрения инноваций GIS- технологий при визуализации и геопространственном моделировании базы данных объектов недвижимости

Ахметгалиев Т.А.1
1 Казанский государственный архитектурно-строительный университет, Россия, Казань

Статья в журнале

Жилищные стратегии (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 9, Номер 1 (Январь-март 2022)

Цитировать:
Ахметгалиев Т.А. Теоретические и методические основы разработки и внедрения инноваций GIS- технологий при визуализации и геопространственном моделировании базы данных объектов недвижимости // Жилищные стратегии. – 2022. – Том 9. – № 1. – С. 59-88. – doi: 10.18334/zhs.9.1.114152.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=48397388

Аннотация:
Актуальность исследования геоинформационных систем является наиболее важной темой для экспертов и профессионалов в оценочной области, где основным приоритетом является наличие качественной и достаточной информации. Целью данного исследования является анализ использования ГИС технологий при визуализации и геопространственном моделировании данных объектов недвижимости. Основными методами исследования являются анализ информационных баз данных и моделирование локальной базы данных за счет накопленных материалов исследования. В данной статье проанализирован опыт использования ГИС технологий зарубежных ученых при оценке объектов недвижимости, показаны взаимосвязи ценообразующих факторов при моделировании информационных карт на основании выявленных данных. Рассмотрены современные информационные технологии ГИС, а также практика использования при визуализации и анализе данных, использование которых позволит анализировать базы объектов недвижимости с учетом требований профессиональных экспертов в данной области. Предложены инструменты и возможности ГИС для анализа и обработки данных объектов недвижимости, что позволит визуализировать информацию, а также автоматизировать процесс оценки, задано направление в разработке необходимого программного обеспечения для реализации заданных целей.

Ключевые слова: управление объектами недвижимости, информационные базы, ГИС, внедрение инноваций, разработка методологии инновационных программ, формирование кадастра городских территорий

JEL-классификация: O31, R12, R30



Введение

Современные информационные системы и базы данных представляют собой определенный набор информации, которую необходимо обрабатывать в соответствии с заданными целями. На сегодняшний день в сфере IT-технологий имеется достаточное количество инструментов для обработки данных, в том числе и для обработки баз данных объектов недвижимости, от простой таблицы MS Exсel до сложных и больших информационных баз, как Avito, Cian, и других агрегаторов рынка. По данным исследований, одним из наиболее удобных инструментов обработки данных по объектам недвижимости являются геоинформационные системы (далее – ГИС), где в зависимости от выбранного сегмента рынка имеется возможность посмотреть на карте местоположение, а также выбрать и проанализировать другие необходимые данные при необходимости. Однако ввиду проанализированных агрегаторов рынка объектов недвижимости и информационных баз данных технологический функционал ГИС-систем используется лишь частично, а при использовании части информации является как малоинформативным, так и вовсе неэффективным. Особенно это важно для экспертов и профессионалов в оценочной области, где основным приоритетом является наличие качественной и достаточной информации.

Геопорталы – мощный инструмент управления имущественным комплексом. Одним из самых дорогостоящих элементов геопортала является формирование и обновление картографического контента. Современные геоинформационные системы позволяют решать широкий круг задач по работе с пространственными данными, в том числе задачи, связанные с разработкой структуры, содержания и макета электронных карт для опубликования на геопорталах [2] (Ershov, 2018). Первым шагом к проекту ГИС является создание базы данных. В базе данных содержатся пространственные и описательные географические сведения. Каждый объект на цифровой карте, представленной в векторной ГИС, может быть описан большим числом атрибутивных данных, содержащих, в частности, имя, тип, длину, количество, форму представления и т. п. [10] (Tindova, 2005).

Технология сбора и анализа информации является применяемой в геоинформационных системах – «растровый» метод представления информации, при котором вся изучаемая геоповерхность покрывается регулярной сетью равнозначных ячеек, в каждой из которых определяется среднее значение некоторого показателя, в частности рыночной стоимости (к другим показателям могут относиться количество предложений, сроки экспозиций и т. д.). Приняв предположение о том, что чем ближе территориально расположены объекты, различающиеся только местоположением, тем менее разница в их рыночных показателях, можно, основываясь на результатах обработки статистическими методами совокупности рыночных данных, собранных по некоторой территории, рассчитать характеристики, определяющие как средние показатели, так и их погрешность, то есть степень достоверности результата оценки при условии выборки объектов аналогов в границах территории. Недостатком этой технологии, как, впрочем, и всех иных, связанных со сбором рыночной информации об объектах недвижимости, является естественное ограничение количества объектов, включаемых в расчет. Чем меньше территориальный охват, чем больше градация по ценообразующим факторам, тем меньшее количество объектов включается в выборку [11] (Shtan, 2016).

Для разработки ГИС-проектов существует возможность использования готовых картографических данных из различных веб-источников. Например, в проект ArcGIS можно добавить базовые карты Open Street Map, карты National Geografic и другие. ArcGIS OnLine предоставляет пользователям, в частности, физическую карту мира, карты административного деления. Если обратиться к картографическим ресурсам Росреестра через подключение ГИС-сервера, то в проект можно добавить слои кадастрового деления РФ, тематические слои территориального зонирования, дополненные данные о кадастровой стоимости объектов недвижимости, и пр. [8] (Petkova, 2017). Развитие концептуальных основ создания веб-сервисов по визуализации результатов кадастровой оценки и данных рынка недвижимости является перспективным и востребованным со стороны органов государственной власти и местного самоуправления [3] (Zhigulina, Vorobev, Meretsky, 2020).

Оценка преимуществ географического анализа по сравнению с его стоимостью навсегда изменилась в пользу проведения географического анализа. Технологические достижения в индустрии персональных компьютеров, включая ускоренную обработку вычислений и появление высококонкурентной отрасли по географическим и демографическим данным, значительно облегчили применение данных знаний для практических нужд. Следующий этап развития ГИС-технологий – это прогнозирование не только стоимости недвижимости, но и моделирование развития рынка в целом. Задействованы будут искусственный интеллект, машинное обучение и технологии дополненной реальности [1] (Gareev, 2018).

Основная проблема заключается в том, что при наличии достаточно развитого программного обеспечения ГИС данные системы практически не используются для анализа данных объектов недвижимости, отображения информации на карте с учетом возможности свободного использования (создания авторских баз данных или карт) как слоев ГИС систем, так и визуализации данных. Отсутствует возможность визуализации данных по различным ценообразующим факторам не только на сегодняшний день, но за определенных период времени в выбранном сегменте рынка объекта недвижимости.

Таким образом, для повышения социально-экономической эффективности от использования объектов недвижимости на текущий день в России необходимо расширение границ использования ГИС-технологий при визуализации и геопространственном моделировании объектов недвижимости, что и является целью данного исследования. Для достижения цели определены следующие задачи:

- проанализировать опыт зарубежных ученых в использовании ГИС-технологий при оценке объектов недвижимости, в т.ч. показать взаимосвязи ценообразующих факторов при моделировании информационных карт на основании выявленных данных;

- рассмотреть современные информационные ГИС-технологии, а также практику использования при визуализации и анализе данных, использование которых позволит анализировать данные базы объектов недвижимости с учетом требований профессиональных экспертов в данной области;

- предложить инструменты и возможности ГИС для анализа и обработки данных объектов недвижимости, что позволит визуализировать информацию, а также автоматизировать процесс оценки;

- сформулировать направление и основы технического задания для разработки программного обеспечения в рамках цели исследования.

Методика исследования

Информационной базой для исследования являются действующие геоинформационные системы: Яндекс.Карты, Google Карты, 2GIS, кадастровая карта Росреестра.

Исходя из поставленных экономических задач, нами проведено моделирование новой базы данных.

Архитектура предлагаемой ГИС предполагает интеграцию информационных слоев ГИС и локальной базы данных. Выбранное для моделирования направление реализует возможности наиболее развитых программных продуктов, а также дает начало новой системе цифровизации данных об объектах недвижимости. В нашем случае это обеспечит автоматизацию оценки собственности.

В результате сбора и анализа информации по базе земельных участков промышленного назначения в г. Казани за период с 2012 года по 2019 год была смоделирована модель отображения информации с использованием GIS и отображением различных слоев карты.

Результаты исследования

Сравнительная характеристика информационных баз данных

Проведенное польскими учеными исследование показало, что данные в Росреестре о земельных участках в основном являются ненадежными, а также устаревшими, что с годами приводит к значительным налоговым потерям в бюджетах органов местного самоуправления. Между тем современная геодезия и фотограмметрические инструменты могут позволить их регулярную проверку, обеспечивая основу для их обновления и, следовательно, влияя на будущее экономические выгоды (повышение кадастровой стоимости и пополняемости бюджета) [16] (Cienciała, Sobolewska-Mikulska, Sobura, 2020).

Канадские исследователи для обработки и визуализации данных использовали платформу RETSManager. Данная платформа может использоваться для построения синхронизированных и актуальных данных об объектах недвижимости. Эта платформа была разработана на основе Canadian Real Estate структурой полезной нагрузки средств распределения данных ассоциации (CREA) (DDF). Данную платформу можно использовать без любых модификаций для создания данных и проведения исследований на основе информации канадского рынка жилья. Эта платформа предоставляет комплексное решение для извлечения и синхронизации RETSх данных с серверов MLS в структурированную базу данных. Более того, можно легко разработать собственное веб-приложение для визуализации данных или любых аналитических результатов, используя предоставленные шаблоны веб-приложения [18] (Hammad, El-Sankary, Hornibrook, 2019).

Рисунок 1. Интеграция данных RETS-Manager с картами Google

Источник: данные исследования статьи [18] (Hammad, El-Sankary, Hornibrook, 2019).

В США имеется возможность проводить оценку для небольших географических субъектов, таких как округа или населенные пункты (например, Денвер, Колорадо, рис. 2). Наиболее развитые районы имеют самую высокую стоимость земли и цену на акр (PPA) [21] (Wentland, Ancona, Bagstad , Boyd, Hass, Gindelsky, Moulton, 2020).

Рисунок 2. Кадастровая карта-2011 (A), карта градостроительного регламента-2010 (B) и стоимость земли 2007–2011 (C) (тепловая карта) для Денвера, Колорадо и его западных пригородов

Источник: данные исследования статьи [21] (Wentland, Ancona, Bagstad , Boyd, Hass, Gindelsky, Moulton, 2020).

Ученые из Турции провели геоинформационное исследование на небольшой части территории в Стамбуле (рис. 3). Район исследования – старый поселок, земельные участки и улучшения. Он охватывает 59 улиц с 4293 участками и 2040 зданиями. Набор данных, полученный из фотограмметрической базовой карты, включает характеристики, связанные со зданиями, такие как количество этажей и площадь, а также муниципальные данные, такие как адрес, возраст здания и материал стен и др.

Рисунок 3. Выбранный район исследования, район Фатих, Стамбул

Источник: данные исследования статьи [19] (Kara, Çagdas, Isikdag, Oosterom, Lemmen, Stubkjaer, 2021).

На рисунке 4 показаны здания, окрашенные в соответствии со значениями кадастровой стоимости на 2020 г., которая варьируется от 134 000 и 48,988,000 турецких лир, а 99% кадастровой стоимости составляют от 200,000 и 16 000 000 турецких лир. На рисунке 4 здание, отмеченное зеленым кружком, содержит данные с самой высокой кадастровой стоимостью в исследуемой области [19] (Kara, Çagdas, Isikdag, Oosterom, Lemmen, Stubkjaer, 2021).

Рисунок 4. Здания, окрашенные в соответствии с налоговой стоимостью улучшенных объектов недвижимости 2020 года

Источник: данные исследования статьи [19] (Kara, Çagdas, Isikdag, Oosterom, Lemmen, Stubkjaer, 2021).

В Японии авторы уже разработали компьютерную систему, позволяющую создавать точные ценовые карты земельных участков на основе данных о ценах на землю под жилищное строительство в крупных городах Японии. Данная система был применена к Токио и создала несколько ценовых карт на землю с использованием официально опубликованных данных о сделках с землей, предоставленных правительством Японии.

В левой части рисунка 5 показано распределение проанализированных цен на землю. Эти цифры соответствуют тем же ценовым диапазонам, которые использовались в карте цен на жилую землю за 2006 год, по данным корпорации Tokyu Land (правая часть рисунка 5). По данным исследователей, используемая модель оценки сильно завышала цены на загородные участки. Тому может быть несколько причин: например, участки расположены более редко в пригородных районах, чем в центре города, а в пригородных районах могут быть горы и леса, которые также были оценены как жилая земля [20] (Tsutsumi, Shimada, Murakami, 2011).

Рисунок 5. Карты цен на землю: созданные системой (слева) и выпущенные Tokyu Land Corporation (справа; автор раскрасил карту заново)

Источник: данные исследования статьи [20] (Tsutsumi, Shimada, Murakami, 2011).

Итальянские ученые провели исследование зависимости цены объектов недвижимости в промышленных городах от экологической обстановки и окружающей среды. В качестве объекта исследования был выбран г. Таранто – прибрежный город на юге Италии. В Таранто развиты сталелитейные и чугунолитейные заводы, нефтеперерабатывающие заводы, химическая промышленность заводов, несколько верфей для постройки военных кораблей и пищевых предприятий. Его территория составляет 209,64 км2, а в 1991 году министерство окружающей среды Италии объявило Таранто зоной повышенного экологического риска. Вследствие выбросов загрязняющих веществ в атмосферу заводами в этом районе (в первую очередь ILVA сталелитейный завод, филиал Gruppo Riva) Таранто – самый загрязненный город Италии и Западной Европы. Только 7% загрязнений Таранто связано с жителями: 93% связано с заводами. Европейский регистр выбросов загрязняющих веществ (EPER) показал, что в 2004 г. предполагаемые выбросы диоксинов от завода ILVA составляли 83% всех общих зарегистрированных выбросов в Италии.

Работа, описанная в этой статье, определяет роль качества окружающей среды с учетом цен на недвижимость. Предложенные модели были оценены с использованием данных, собранных в агломерации города Таранто. Предполагаемые модели были полезны для выявления того, как различные транспортные характеристики, а также качество окружающей среды влияют на цены на недвижимость [15] (Chiarazzo, DellOlio, Ibeas, Ottomanelli, 2014).

Рисунок 6. Пространственное распределение средних цен предложения, агрегированных по зонированию в исследуемой территории (Италия)

Источник: данные исследования статьи [15] (Chiarazzo, DellOlio, Ibeas, Ottomanelli, 2014).

В Индонезии объектом исследования стал ресторан быстрого питания (г. Джакарта). Пространственные данные, использованные в исследовании, были получены из различных источников.

Рисунок 7. (a) распределение 5 ресторанов быстрого питания мировых брендов в Индонезии; (b) распределение сети быстрого питания

Источник: данные исследования статьи [22] (Widaningrum, Surjandari, Arymurthy, 2017).

Рисунок 8. (a) оценка плотности ядра ресторана быстрого питания в Джакарте; (b) эллипс стандартного отклонения ресторана быстрого питания в Джакарте

Источник: данные исследования статьи [22] (Widaningrum, Surjandari, Arymurthy, 2017).

Расположение ресторанов быстрого питания в Джакарте имеет тенденцию к определенному направлению, как это видно на рисунке 8.

Сложность проблемы определения местоположения для развития бизнеса требует комплексной системы поддержки принятия решений, использующей соответствующие данные и соответствующие технологии, чтобы она могла разнообразить форматы данных и информации. Географическая информационная система доказала свою способность поддерживать эту необходимость. В этом исследовании ГИС использовалась для сбора различных данных, а также для анализа данных. Рестораны быстрого питания в Джакарте как объект исследования имеют существенные различия со случайной закономерностью. Местоположения 5 ресторанов быстрого питания мировых брендов в Джакарте было объединено в кластеры. Также было обнаружено, что плотность ресторанов быстрого питания (на основе данных 5 брендов) была в центральной области. Статистически доказано, что распределение торговой точки имеет определенное направление, т. е. северо-восток – юго-запад [22] (Widaningrum, Surjandari, Arymurthy, 2017).

Среди отечественных инновационных продуктов ГИС можно выделить «Портал Бизнес-навигатора малого среднего бизнеса» (https://smbn.ru/), где возможно рассчитать потенциал выбранного сегмента на карте [1] (Gareev, 2018).

Рисунок 9. Расчет потенциала выбранного сегмента на карте «Портал Бизнес-навигатора малого среднего бизнеса»

Источник: данные с сайта smbn.ru.

Возможности обработки данных научных вычислительных инструментов для Python и возможности визуализации и анализа геопространственных данных ArcGIS могут использоваться для построения модели, которая генерирует короткий список домов, соответствующих потребностям и желаниям потенциальных покупателей. Построение пространственно-включенного DataFrame с визуализацией тепловой карты показывает наличие горячих точек. ArcGIS API для Python поставляется с набором сложных средств, которые помогают визуализировать пространственные изменения в столбцах, такие как «Цена», «Название», «Возраст здания» или «Площадь». Объединение карт со статистическими графиками дает более глубокое понимание и исследует общие предположения (рис. 10).

Рисунок 10. Построение пространственно-включенного кадра данных с визуализацией тепловой карты показывает наличие горячих точек

Источник: данные исследования статьи [9] (Stepanova, Maksimchenko, Petrov, Nevmyvaycheko, Kuklev, Kohan, Gabrielyan, 2020).

В этом тематическом исследовании входной набор данных был пространственно обогащен информацией о доступе к различным средствам. Это может быть расширено за счет разработки социально-экономических функций, таких как возраст, доход, уровень образования и множество других параметров, с помощью модуля геообогащения ArcGIS API для Python. Авторитетные данные, которыми обмениваются местные органы власти в рамках инициативы открытых данных, также могут быть включены на местном уровне [9] (Stepanova, Maksimchenko, Petrov, Nevmyvaycheko, Kuklev, Kohan, Gabrielyan, 2020).

На картах 2ГИС в 10 российских городах появились тепловые карты со стоимостью квадратного метра жилья для аренды и покупки. Они помогут выбрать район с подходящей стоимостью квартир. Тепловые карты с ценами на жилье появились в 2ГИС в Москве, Санкт-Петербурге, Новосибирске, Екатеринбурге, Красноярске, Омске, Челябинске, Кемерово, Тюмени и Краснодаре.

На карте 2ГИС сегодня представлены два типа хитмапов – «Цена продажи»‎ и «Цена аренды»‎. В зависимости от цен цвет зон варьируется от темно-зеленого с доступным жильем до темно-красного с наиболее дорогими в городе предложениями.

Для визуализации данных на карте разработчики 2ГИС использовали медианную стоимость квадратного метра жилья за последние три месяца. Тепловые карты учитывают цены в объявлениях об аренде и продаже жилья, опубликованных на сайтах партнеров – сервисов «ДомКлик» и «Циан». Визуализация цен на подробных картах городов стала частью сервиса с объявлениями о продаже и аренде недвижимости, который появился в 2ГИС в начале марта 2021 года.

Поиск квартир по условиям дополнен возможностью подробно изучить инфраструктуру: в 2ГИС можно оценить район и плотность застройки, посмотреть ближайшие магазины, школы, количество парковок у дома, почитать отзывы об управляющих компаниях и качестве жилья от застройщика.

Сейчас больше всего объявлений о продаже и аренде недвижимости – в 30 крупнейших городах страны. В среднем у каждого третьего многоквартирного жилого дома есть хотя бы одно объявление в 2ГИС.Объявления о продаже и аренде недвижимости доступны в онлайн-версии 2ГИС (рис. 11). Аналогичная функция имеется у портала «Яндекс. Недвижимость» (рис. 12).

Рисунок 11. Интерфейс тепловой карты цен на жилую недвижимость 2ГИС [12]

Источник: данные с сайта 2gis.ru.

Рисунок 12. Интерфейс тепловой карты цен на жилую недвижимость «Яндекс. Недвижимость» [13]

Источник: данные с сайта realty.yandex.ru

В качестве примеров использования больших данных можно отметить совместный анализ рынка жилой недвижимости г. Казани, проведенный агрегатором «АВИТО» и консалтинговой компанией PricewaterhouseCoopers. Консалтинговой компанией разработана методика исследования и структурированы данные, что в результате дало возможность представить качественный результат. В частности, в данном исследовании применены алгоритмы машинного обучения для прогнозирования спроса и выявления факторов влияния, проанализированы геоданные и соответствующее изменение спроса с привязкой к конкретной локации (рис. 13–15).

Рисунок 13. Тепловая карта распределения спроса на жилую недвижимость в г. Казани [14]

Источник: данные маркетингового исследования AVITO, PricewaterhouseCoopers.

Рисунок 14. Тепловая карта распределения стоимости руб. кв. м на жилую недвижимость в г. Казани [14]

Источник: данные маркетингового исследования AVITO, PricewaterhouseCoopers.

Рисунок 15. Тепловая карта распределения предложения на жилую недвижимость в г. Казани [14]

Источник: данные маркетингового исследования AVITO, PricewaterhouseCoopers.

Экспертами и учеными ООО «Информ-оценка» проведено исследование рынка недвижимости применительно к анализу цен и арендных ставок объектов по заказу Банка России. В качестве объектов исследования были выбраны 45 городов России, где представлено более 20 сегментов рынка коммерческой и жилой недвижимости. На представленном рисунке (рис. 16) показан анализ рынка в сегменте продаж производственно-складской недвижимости г. Казани за II квартал 2020 г. с визуализацией данных на карте (тепловая карта цен) по стоимости за руб./кв. м, а также (рис. 17) информационная таблица с индикаторами стоимости руб./кв. м в табличной форме. Отличающейся особенностью таблицы является то, что представлен анализ рынка в разрезе класса объекта недвижимости и площади, отображающий данную информацию на карте с привязкой к стоимости за кв. м [4].

К минусам данного информационного исследования можно отнести невозможность проверки данных исследования (объекты-аналоги, на основании которых проводилось исследование), отсутствует функционал передвижения (увеличения/уменьшения) на карте, а также ряд инструментов, которые могут смоделировать необходимые данные в зависимости от запроса пользователя.

Рисунок 16. Визуализация данных (тепловая карта цен) в сегменте продаж производственно-складской недвижимости г. Казани за II квартал 2020 г.

Источник: данные исследования ООО «Информ-оценка».

Рисунок 17. Информационная таблица с индикаторами стоимости руб./кв. м в табличной форме в выбранном сегменте рынка

Источник: данные исследования ООО «Информ-оценка».

Большой вклад внесли в анализ рынка объектов недвижимости Республики Татарстан сотрудники Министерства земельных и имущественных отношений Республики Татарстан и некоммерческого партнерства «Союз оценщиков Республики Татарстан». По данным исследования, мониторинг ведется с 01.01.2007 года (анализ проводится каждые 9 месяцев), дата последнего выпуска 01.03.2021 года, где в самом первом выпуске представлен анализ рынка объектов недвижимости в разрезе местоположения (по городам) и назначения объектов недвижимости (рис. 18), тыс. руб. кв. м [6, 7].

Рисунок 18. Данные мониторинга рынка недвижимости на 01.01.2007 г.

Источник: страница сборника «Мониторинг цен объектов недвижимости, земельных участков и арендных ставок по состоянию на 01.01.2007»

Рисунок 19. Данные мониторинга рынка недвижимости на 01.03.2021 г.

Источник: страница сборника «Мониторинг цен объектов недвижимости, земельных участков и арендных ставок по состоянию на 01.03.2021».

По данным последнего выпуска, мониторинг расширен в зависимости от местоположения объектов недвижимости (рис. 19), а также в более последних версиях представлено множество сегментов и подсегментов рынка объектов недвижимости в различных диапазонах стоимости. Однако данный сборник отсутствует в интерактивном виде и не отображает данные карты.

Организационное, информационное и функциональное обеспечение ГИС для целей визуализации данных, в том числе данных результатов Государственной кадастровой оценки, приведено на рисунке 20. Концептуально веб-сервис визуализации результатов кадастровой оценки и данных рынка недвижимости должен включать в себя следующую информацию (послойно):

1. Подсистема «Сведения Росреестра»:

– сведения ЕГРН;

– границы единиц кадастрового деления;

– границы ЗОУИТ;

– сведения из Комиссии по оспариванию кадастровой стоимости при Управлении Росреестра;

– другая информация.

2. Подсистема «Сведения ОМСУ, ОГВ»:

– согласованные виды разрешенного использования;

– адреса объектов оценки и объектов-аналогов;

– другая информация.

Рисунок 20. Организационное, информационное и функциональное обеспечение ГИС для целей визуализации результатов ГКО

Источник: данные исследования статьи [3] (Zhigulina, Vorobev, Meretsky, 2020).

3. Подсистема «Результаты кадастровой оценки»:

– кадастровая стоимость пообъектно (в руб./м2) в разрезе видов использования в квартале (в руб./м2) и др.;

– группировка и сегментация объектов оценки;

– оценочные зоны;

– значения семантических и графических ценообразующих факторов, использованных в оценке;

– построенные модели определения кадастровой стоимости.

4. Подсистема «Аналитика рынка недвижимости»:

– цены предложения и сделок на рынке недвижимости по сегментам и группам.

К настоящему времени веб-сервисы по визуализации результатов кадастровой оценки и данных рынка недвижимости уже созданы и функционируют в Омске, Республике Башкортостан (рис. 21, 22).

К основным недостаткам следует отнести слабую степень детализации информации, неполное покрытие оцениваемой территории, а также неисчерпывающее в информационном плане наполнение основных информационных разделов [3] (Zhigulina, Vorobev, Meretsky, 2020).

Рисунок 21. Веб-сервис по визуализации результатов кадастровой оценки и данных рынка недвижимости г. Омска

Источник: данные исследования статьи [3] (Zhigulina, Vorobev, Meretsky, 2020).

Рисунок 22. Веб-сервис по визуализации результатов кадастровой оценки и данных рынка недвижимости Республики Башкортостан

Источник: данные исследования статьи [3] (Zhigulina, Vorobev, Meretsky, 2020).

Моделирование информационной базы данных с использованием ГИС-инструментов

По результатам исследования было выявлено, что иностранные ученые активно разрабатывают ГИС системы и используют их для определения рыночной стоимости объектов недвижимости, в том числе для определения кадастровой стоимости, анализа бизнеса, а также визуализации данных на карте. Среди проанализированных источников наиболее выделяются ученые из США с возможностью структурировать данные кадастровой карты с выбранными данными в соответствующих сегментах рынка, а также визуализировать данные с несколькими информационными слоями. Авторы из Турции наиболее наглядно продемонстрировали отображение стоимости за единицу стоимости объектов недвижимости на карте с визуализацией тепловой карты в локально выбранной области. Итальянцы сделали основой упор на экологический фактор зависимости стоимости объектов недвижимости, продемонстрировав результаты своего исследования на тепловой карте цен Италии.

Среди российских сервисов ведутся разработки и исследования ГИС по объектам недвижимости крупными IT-компаниями, как «Яндекс. Недвижимость», агрегатор рынка «АВИТО» и 2ГИС, где представлены тепловые карты объектов жилой недвижимости по данным средних цен, в том числе тепловые карты спроса и предложения. Проведенное исследование экспертами и учеными ООО «Информ-оценка» наиболее наглядно отображает зависимость стоимости 1 кв. м от площади и класса в выбранном сегменте рынка. Наличие большой базы данных позволяет не только проводить прогноз стоимости объектов недвижимости, но и реализовать исследования по различным ценообразующим факторам. Особенно наличие ведения базы объектов недвижимости и публикации исследований с 2007 отличают Республику Татарстан не только наличием данной базы, но большим шагом на пути к открытым данным в целом для всей страны. В Республике Башкортостан и в г. Омске сервисы по визуализации данных объектов недвижимости и результатах определения кадастровой стоимости уже реализованы.

Среди вышеперечисленных исследований наиболее остро встает вопрос как проверки источников информации и наполнения базы данных для использования ГИС, так недостаточности визуализации базы данных и использования уже имеющихся инструментов. Значительный опыт в оценочной деятельности позволил провести масштабный поиск данных сервисов и тестирование на предмет использования как в профессиональной, так в пользовательской деятельности. Дополнительно были проанализированы другие ГИС сервисы для визуализации данных объектов недвижимости, не включенные в общий анализа по предмету некорректного отображения данных или отсутствия данного функционала вовсе. Основными недостатками вышеприведенных сервисов являются:

- отсутствие первичной базы данных, на основе которой был проведен анализ (закрытые данные);

- дефицитное отображение данных за определенный период (2ГИС и «Яндекс. Недвижимость») в разрезе по времени, стоимости за кв. м и сегменту рынка;

- ограниченность информационных слоев, сегментов рынка, временного периода;

- отсутствие инструментов для возможности использования интерактивной картой в части сервисов;

- не содержатся данные синхронизации информационной базы данных.

Для полноценного решения вышеприведенных недостатков мною разрабатывается сервис KVADU.RU. Данный сервис направлен не только на сбор и хранение информации объектов недвижимости, но и на отображение и визуализацию данных на карте с применением инструментов ГИС. В данной статье представлены основные планируемые инструменты в концепт-дизайне ГИС-сервиса KVADU.RU. В качестве примера для отображения визуализации базы данных был выбран соответствующий сегмент рынка, а именно земельные участки промышленного назначения в Приволжском районе г. Казани (рис. 23).

Рисунок 23. Концепт-дизайн выбранной зоны поиска ГИС сервиса KVADU.RU

Источник: составлено автором.

В меню поиска предполагается выбор базы данных, на основе которых будет произведен анализ. По моему мнению, пользователи не должны ограничиваться базами данных исключительных агрегаторов рынка или других баз данных, имеющихся в их распоряжении. Планируется возможность создавать базы данных путем выбора из перечня списка, а также загружать по средствам уже имеющейся базы данных объектов-аналогов у пользователя, по специальной форме сервиса с возможностью преобразовывания в читаемый программный код (рис. 24). В дальнейшем в зависимости от выбранных инструментов пользователей сервис будет отображать данные на карте.

В результате по имеющимся данным была смоделирована модель отображения информации в выбранном сегменте посредством загрузки данных в базу сервиса и отображения информации на карте (рис. 25) с использованием инструментов yandex.ru/map-constructor и Adobe Photoshop. Выбранными периодами являются следующие даты: 01.01.2012–01.01.2013 (объекты-аналоги № 1–18), 01.06.2013–31.12.2014 (объекты-аналоги № 19–26), 01.03.2015–31.12.2016 (объекты-аналоги № 27–30), 01.01.2017–31.12.2017 (объекты-аналоги № 31–38), 01.01.2018–31.12.2019 (объекты-аналоги № 39–45). Имеется возможность выбрать определенный период, а также удалить или объединить данные. Данные по объектам-аналогам синхронизируются, и отображается информация возможного изменения цены за определенный период во времени, по некоторым объектам присутствует информация о цене предложения и результате сделки (объект-аналог № 1 – фиолетовый цвет).

Рисунок 24. Концепт-дизайн меню поиска сервиса KVADU.RU Источник: составлено автором.

Рисунок 25. Концепт-дизайн отображения базы данных ГИС-сервиса KVADU.RU (отображение данных по номерам выбранного сегмента на карте Яндекс.Картах)

Источник: составлено автором.

Рисунок 26. Концепт-дизайн отображения базы данных ГИС-сервиса KVADU.RU (отображение данных руб./кв. м выбранного сегмента на карте 2GIS)

Источник: составлено автором.

На рисунке 25 представлена возможность отображения более полных данных об объекте-аналоге, где зеленым цветом обозначено наличие наиболее полной информации об объекте-аналоге, в том числе кадастровый номер и информация об изменении кадастрового номера (планируется возможность получить выписку из ЕГРН в онлайн-режиме в карточке объекта-аналога). Объекты-аналоги, выделенные красным цветом, имеют меньшую степень доверия, так как по ним ограниченная информация в выбранной базе данных. Функционально имеется возможность отобразить стоимость руб./кв. м в зависимости от выбранного периода (рис. 26). Стоимость отображается в соответствии с местоположением объектов-аналогов, определенный цвет отображает выбранный период. Благодаря данному функционалу появится возможность визуализировать данные по слоям, в зависимости от необходимости и запросов пользователей с использованием инструментов ГИС различных сервисов. Среди отобранных основных инструментов и слоев в основном представлены данные карт Яндекса, Google, 2GIS, кадастровой карты Росреестра, карты зон градостроительного регламента, особо охраняемых зон, отображения пробок (движение транспорта), панорамы, вида со спутников. Дополнительно заложен слой визуализации данных космических снимков сервиса Google Earth Pro за выбранный период (рис. 27, 28).

Рисунок 27. Концепт-дизайн меню слоев ГИС сервиса KVADU.RU

Источник: составлено автором.

Рисунок 28. Концепт-дизайн отображения базы данных ГИС-сервиса KVADU.RU (кадастровая карта, снимки со спутника, карта градостроительного регламента и охранные зоны)

Источник: составлено автором.

Обсуждение результатов

В результате имеющихся инструментов и базы данных появится возможность не только самостоятельно визуализировать данные, но также проводить масштабные исследования по выбранным параметрам. Данные инструменты позволят максимально читать и наиболее эффективно быстро анализировать как крупные массивы данных, так и небольшие локально собранные источники.

Качественную оценку рыночной стоимости объектов недвижимости можно получить, если имеется интеграция экономической информации и информации о строительстве с пространственным анализом, поскольку ГИС может отобразить более точную и объективную информацию о характеристиках определенного участка. Использование ГИС поможет оценщику легко обосновать, как именно он оценил стоимость объектов недвижимости и какие факторы прямо и косвенно влияют на ее стоимость. А если эта информация объединена и интегрирована с экономическими, финансовыми и бухгалтерскими данными, то появится возможность автоматизировать некоторые элементы процесса оценки собственности, что позволит сократить процесс оценки и обеспечить более точную оценку рыночной стоимости [17] (Droj, Droj, 2015).

ГИС должна позволять производить расчет на основе базы данных оценки коэффициентов заданного уравнения регрессии, географически взвешенной регрессии с адаптивной шириной окна, расчет коэффициентов корреляции, статистики R2, F-статистики, t-статистики, а также осуществлять проверку данных на пространственную гетероскедаксичность и пространственную автокорреляцию. В этой ГИС должны быть реализованы методы пространственного анализа, кригинг и кокригинг. Система должна содержать подсистему, обеспечивающую интерфейс с внешним приложением, производящим интеллектуальный анализ данных, а также интерфейс ввода результатов обработки опросов [5] (Mayorov, Mater'ukhin, 2011).

Заключение

Проведенный анализ сервисов по визуализации и геопространственному моделированию данных объектов недвижимости в некоторых странах является развитым и используется при определении как массовой оценки собственности, так и рыночной стоимости точечной застройки выбранной области. ГИС и построение карт сводятся к наличию информационной базы данных по объектам недвижимости. Однако наличие информационной базы не гарантирует качественно построенной ГИС, так как необходимо задействование не только инструментов базы данных, но инструментов различных слоев карты, где имеется возможность показать ту или иную информацию. Объединение информационных слоев ГИС и локальной базы данных в вышеприведенном исследовании демонстрирует возможности наиболее развитых программных продуктов, а также дает начало новой системе цифровизации данных объектов недвижимости, что обеспечит автоматизацию оценки собственности. Дальнейшая интеграция данных с использованием экономических, финансовых, юридических ресурсов позволит следить за изменениями объектов недвижимости в режиме реального времени и получать ретроспективную информацию, в том числе получать наиболее полные данные при оценке или проведении других операций.


Источники:

1. Гареев И.Ф. Информационные системы и источники данных для проектов жилищного строительства // Жилищные стратегии. – 2018. – № 4. – c. 531-560. – doi: 10.18334/zhs.5.4.39715.
2. Ершов А.В. Автоматизация сбора данных об объектах недвижимости: контроль достоверности и информационное обеспечение кадастровой оценки // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). – 2018. – № 3. – c. 163-177.
3. Жигулина Т.Н., Воробев Д.А., Мерецкий В.А. Разработка концепции web-гис по визуализации результатов кадастровой оценки и аналитики рынка недвижимости // Регулирование земельно-имущественных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. – 2020. – c. 66-71. – doi: 10.33764/2687-041X-2020-1-66-71 .
4. Исследование рынка недвижимости применительно к анализу цен и арендных ставок объектов. Официальный сайт портала "Информ-оценка». [Электронный ресурс]. URL: https://irnr.ru/главная/цены-и-ставки/цены-и-ставки-казань (дата обращения: 21.10.2021).
5. Майоров А.А., Матерухин А.В. Геоинформационный подход к задаче разработки инструментальных средств массовой оценки недвижимости // Известия высших учебных заведений. Геодезия и аэрофотосъемка. – 2011. – № 4. – c. 92-97.
6. Министерство земельных и имущественных отношений Республики Татарстан. Мониторинг рынка. Официальный сайт министерства земельных и имущественных отношений Республики Татарстан. [Электронный ресурс]. URL: https://mzio.tatarstan.ru/monitorin (дата обращения: 21.10.2021).
7. Некоммерческое партнерство союз оценщиков Республики Татарстан Мониторинг рынка. Официальный сайт союза оценщиков Республики Татарстан. [Электронный ресурс]. URL: http://оценщики-рт.рф/результаты-мониторинг (дата обращения: 21.10.2021).
8. Петкова Н.В. Геопространственное моделирование ценовых поверхностей в анализе недвижимости // Электронный сетевой политематический журнал «Научные труды КубГТУ». – 2017. – № 4. – c. 274-284.
9. Степанова М.Р., Максимченко А.В., Петров К.С., Невмывайчеко Н.Ю., Куклев Е.А, Кохан М.И., Габриэлян А.А. ГИС-технологии - современный помощник в подборе недвижимости // Инженерный вестник Дона. – 2020. – № 1(61). – c. 22.
10. Тиндова М.Г. О возможности использования ГИС технологий в решениях задач оценки недвижимости // Экономический анализ: теория и практика. – 2005. – № 3(37). – c. 60-64.
11. Штань М.В. Применение методов ГИС в рамках сравнительного подхода к оценке недвижимости // Имущественные отношения в РФ. – 2016. – № 182(11). – c. 41-46.
12. Продажа и аренда недвижимости. Официальный сайт 2ГИС. [Электронный ресурс]. URL: https://2gis.ru/moscow/realty/sale/filters/tip_pomeshcheniya%3D1960994683134433681/geo/70030076126909339/37.689848%2C55.740626?m=37.69114%2C55.778107%2F10.4&sublayer=realtyPriceRent (дата обращения: 21.10.2021).
13. Яндекс. Недвижимость. [Электронный ресурс]. URL: https://realty.yandex.ru/moskva/kupit/kvartira/karta/?bottomLatitude=55.679973&layer=price-sell&leftLongitude=37.275064&rightLongitude=37.866231&topLatitude=55.794783&zoom=11.8 (дата обращения: 21.10.2021).
14. Маркетинговое исследование рынка жилой недвижимости (Казань). Подготовлено совместно с Avito. Pwc.ru. [Электронный ресурс]. URL: https://www.pwc.ru/ru/assets/avito/report-avito-kazan-28052018.pdf (дата обращения: 21.10.2021).
15. Chiarazzo V., Dell’Olio L., Ibeas A., Ottomanelli M. Modeling the Effects of Environmental Impacts and Accessibility on Real Estate Prices in Industrial Cities // Procedia - Social and Behavioral Sciences. – 2014. – p. 460-469. – doi: 10.1016/j.sbspro.2014.01.079.
16. Cienciała A., Sobolewska-Mikulska K., Sobura S. Credibility of the cadastral data on land use and the methodology for their verification and update // Land Use Policy. – 2020. – p. 1-12. – doi: 10.1016/j.landusepol.2020.105204.
17. Droj L., Droj G. Usage of Location Analysis Software in the Evaluation of Commercial Real Estate Properties // Procedia Economics and Finance. – 2015. – p. 826-832. – doi: 10.1016/s2212-5671(15)01525-7.
18. Hammad I., El-Sankary K., Hornibrook H. RETSManager: Real-estate database builder and synchronizer // SoftwareX. – 2019. – p. 1-5. – doi: 10.1016/j.softx.2019.100351.
19. Kara A., Çagdas V., Isikdag U., Peter van Oosterom, Lemmen C., Stubkjaer E. The LADM Valuation Information Model and its application to the Turkey case // Land Use Policy. – 2020. – p. 1-15. – doi: 10.1016/j.landusepol.2021.105307.
20. Tsutsumi M., Shimada A., Murakami D. Land price maps of Tokyo metropolitan area // Procedia - Social and Behavioral Sciences. – 2011. – p. 193-202. – doi: 10.1016/j.sbspro.2011.07.046.
21. Wentland S.A., Ancona Z.H., Bagstad K.J., Boyd J., Hass J.L., Gindelsky M., Moulton J.G. Accounting for land in the United States: Integrating physical land cover, land use, and monetary valuation // Ecosystem Services. – 2020. – p. 2-17. – doi: 10.1016/j.ecoser.2020.101178.
22. Widaningrum D.L., Surjandari I., Arymurthy A.M. Spatial data utilization for location pattern analysis // Procedia Computer Science. – 2017. – p. 69-76. – doi: 10.1016/j.procs.2017.12.131.

Страница обновлена: 03.10.2022 в 13:32:52