доцент кафедры информационных технологий и инструментальных методов в экономике, кандидат экономических наук, доцент
Студент (бакалавр) 4-го курса по направлению подготовки «Прикладная информатика»
Traditional valuation methods demonstrate limited effectiveness when dealing with complex, non-linear dependencies typical of the housing market in a large city, which necessitates the development of new approaches based on neural network technologies. The article aims to develop a neural network model based on a multilayer perceptron for the automated valuation of apartments on the secondary housing market in Nizhny Novgorod, ensuring improved forecasting accuracy through adaptation to regional market characteristics. A methodology for the neural network-based valuation of secondary housing is proposed. The methodology comprises five sequential stages: selection of the instrumental environment, formation and preparation of the dataset, design and training of alternative neural networks, selection of the optimal model, and testing on independent data. It was implemented in the Deductor Studio environment and tested on data from the secondary real estate market of Nizhny Novgorod. The developed methodology is adaptable to the conditions of other major cities. The results of the study can be successfully applied in real estate, insurance, and marketing activities for the automated valuation of market value, as well as in banking practices for the valuation of collateral assets. The use of the authors' methodology for determining apartment prices allows for increasing the efficiency and validity of managerial decisions, reducing the time spent on valuation, and minimizing the impact of human error.
Традиционные методы оценки демонстрируют ограниченную эффективность при работе со сложными нелинейными зависимостями, характерными для рынка жилья крупного города, что требует разработки новых подходов на основе нейросетевых технологий. Целью исследования стала разработка нейросетевой модели на основе многослойного персептрона для автоматизированной оценки стоимости квартир на вторичном рынке г. Нижнего Новгорода, обеспечивающей повышение точности прогнозирования за счёт адаптации к региональным рыночным особенностям. Предложена методика нейросетевой оценки стоимости вторичного жилья, включающая пять последовательных этапов: выбор инструментальной среды, формирование и подготовку датасета, проектирование и обучение альтернативных нейросетей, выбор оптимальной модели и тестирование на независимых данных. Она реализована в среде Deductor Studio и апробирована на данных вторичного рынка недвижимости г. Нижнего Новгорода. Разработанная методика адаптируется к условиям других крупных городов. Результаты исследования могут успешно использоваться в риелторской, страховой, маркетинговой деятельности для автоматизированной оценки рыночной стоимости, а также в банковской практике при оценке залогового имущества. Использование авторской методики определения цены квартиры позволяет повысить эффективность и обоснованность управленческих решений, уменьшая затраты времени на оценку и минимизируя влияние человеческой ошибки