УДК 004

Использование искусственного интеллекта при оценке объектов недвижимости

Научный руководитель Кожевникова Маргарита Карповна – доктор экономических наук, профессор кафедры ценообразования в строительстве и промышленности Уральского федерального университета имени первого Президента России Б. Н. Ельцина.

Филиппов Валерий Сергеевич – студент Уральского федерального университета имени первого Президента России Б. Н. Ельцина.

Бычин Владимир Андреевич – студент Уральского федерального университета имени первого Президента России Б. Н. Ельцина.

Аннотация: В статье анализируются исследования последних лет в области оценки стоимости недвижимости с использованием искусственного интеллекта (ИИ). Было выявлено, что на сегодняшний день существует значительный потенциал различных методов ИИ для улучшения точности и эффективности оценочных процессов. Рассматриваются такие инструменты как нейронные сети, нечеткая логика, экспертные системы, и генетические. Определяется перспективность использования ИИ в будущем

Ключевые слова: искусственный интеллект, объекты недвижимости, нейросети, экспертные системы.

В современном мире рынок недвижимости является одним из ключевых сегментов экономики, влияющих на общественное и индивидуальное благосостояние. Эффективное функционирование этого рынка невозможно без точной оценки стоимости его объектов. Оценка недвижимости играет важную роль в различных сферах: от кредитования и страхования до налогообложения и инвестиционного планирования. В связи с этим особо важным фактором является точность и объективность таких оценок, так как они оказывают влияние на финансовые решения как частных лиц, так и крупных организаций.

Традиционные методы оценки недвижимости, как правило, требуют значительных временных затрат и глубокого понимания рынка от специалистов. К ним можно отнести сравнительный анализ рыночных сделок, доходный подход или затратный подход, тем не менее, даже при наличии опытных специалистов вероятность субъективной оценки и человеческой ошибки остается высокой.

В последние годы активно развиваются технологии искусственного интеллекта (ИИ), которые предлагают новые возможности для улучшения точности и эффективности процессов оценки недвижимости. В настоящее время широкое применении получили следующие методы: регрессионный анализ, гедонистическая модель, нейронная сеть, экспертные системы, рассуждения на основе прецедентов и правил, нечеткая логика, генетический алгоритм прогнозирования.

Регрессионный анализ – статистический метод, который широко используется в машинном обучении. Благодаря регрессионным моделям можно прогнозировать непрерывные значения (например, стоимость недвижимости) на основе одного или нескольких предикторов, а также использовать их оценки взаимосвязей между переменными.

Гедонистическая модель (Hedonic pricing model) – подход в основе которого лежит регрессионный анализ для оценки влияния факторов на цену продукта. Каждой характеристике или группе характеристик присваивается вектор атрибутов, который может быть фиктивной или панельной переменной. Гедонистические модели могут учитывать нелинейность, взаимодействие переменных и другие сложные ситуации оценки.

Нейронные сети – основополагающий элементом глубокого обучения, подраздела машинного обучения. Они способны обучаться распознаванию закономерностей и выполнять сложные задачи, благодаря своей способности обрабатывать большие объемы данных.

Экспертные системы – особая форма ИИ, которая имитирует решения и задачи, которые обычно требуют человеческого эксперта. Они работают на основе заданных правил для анализа информации и принятия решений.

Рассуждения на основе прецедентов и правил – формы экспертных систем, где ИИ производит анализ ранее решенных случаев (прецедентов) или следует определенным правилам для вывода новых заключений. Часто находит применение для анализа и сравнения объектов недвижимости.

Нечеткая логика – метод, на основе которого ИИ может обрабатывать неопределенность и имитировать человеческое мышление более точно при помощи использования степени истины вместо жесткого «да/нет». Используется для оценки недвижимости в тех случаях, когда многие факторы не всегда четко определены.

Генетический алгоритм – это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путем случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. В оценке недвижимости могут применяться для автоматизации и улучшения процессов прогнозирования в различных областях, в особенности при оценке недвижимости.

В последние годы проводились различные исследования в отношении тех или иных методов применения ИИ в рассматриваемой области. Так, Tay D. и Ho D. в своем исследовании использовали модель искусственной нейронной сети с обратным распространением при расчете цены продажи квартир и сравнили ее с традиционной моделью множественного регрессионного анализа для жилой многоквартирной недвижимости в Сингапуре. Исследование выявило абсолютную ошибку в 3,9% для модели НС и 7,5% для модели РА [8, c. 525].

Do A. и Grudnitski G. также использовали обе эти методики для прогнозирования стоимости жилья, при этом модель НС оказалась более точной, чем модель РА. Было замечено, что нейронная сеть надежна только при использовании специализированных методов обучения. Lai Pi- Ying использовал рекуррентную искусственную нейронную сеть для построения моделей цен на жилье в городе Гаосюн и показал, что модель MRA генерирует больше ошибок прогнозирования, чем модель нейронной сети [4, c. 40].

В исследовании Gonzalez M было проведено сравнение между методами нечеткой логики и множественного регрессионного анализа (МРА). Были получены результаты, резюмирующие, что нечеткая логика превосходит традиционные подходы благодаря своей способности более эффективно управлять неопределенностями, характерными для рынка недвижимости.

В отдельном исследовании Guan J. рассмотрел применение адаптивных нейро-нечетких инферентных систем (ANFIS) для оценки стоимости недвижимости. Автор указывает на эффективность в совмещении нейронных сетей и нечетких логик для точной настройки нечетких правил [4, c. 25].

Rossini P. В своем отчете указал, что экспертные системы и нейронные сети являются достаточно эффективным способом для прогнозирования в сфере недвижимости, обнаружив, в особенности для качественных прогнозов. Данный способ актуален для новых продуктов в условиях, где отсутствуют длительные исторические данные [7].

Wilson I.D. продемонстрировал методику, которая улучшает прогнозирование стоимости жилья, используя комбинацию гамма-теста и генетических алгоритмов для оптимизации выбора признаков и моделирования зависимостей между переменными. Так, в данном случае, гамма-тест помогает в определении степени взаимосвязи между наборами данных, то есть, производит оценку того, какие признаки имеют наибольшее значение для прогнозирования стоимости недвижимости, а какие, в свою очередь, являются не такими важными. Благодаря данной комбинации можно максимизировать точность прогноза стоимости [2, c 12].

В сравнительном исследовании Zurada J. были протестированы различные регрессионные и ИИ-методы для оценки недвижимости в Луисвилле, Кентукки. Автором было установлено, что нетрадиционные регрессионные методы превосходят в точности при анализе однородных данных, в то время как ИИ-методы показывают лучшие результаты при обработке более сложных, менее однородных наборов данных.

Также в исследовании было проведено сравнение методов нечеткой логики, нейронных сетей и рассуждений на основе прецедентов с традиционным МРА. Автор пришел к выводу, что ни один из ИИ-методов не гарантирует значительно лучшего прогноза по сравнению с МРА. То есть, успех применения конкретного метода зависит от множества факторов, а именно, от размера выборки и соответствие алгоритма к задаче. В то же время, способность нечеткой логики адекватно отражать неопределенность данных и возможности генетических алгоритмов в определении структуры и ключевых переменных нейронных сетей могут обеспечить значительные преимущества при работе с большими объемами информации [9, c. 350].

На основе этих исследований можно сделать выводы, что использование искусственного интеллекта для оценки недвижимости имеет широкий спектр методов, каждый из которых обладает уникальными преимуществами в зависимости от контекста задачи. Так, искусственные нейронные сети наиболее подходят для анализа сложных взаимосвязей между большим количеством переменных. Одно из их преимуществ – высокая точность в прогнозировании стоимости. Нечеткая логика и адаптивные нейро-нечеткие системы более подходят для работы с неопределенными и неточными данными, что характерно для рынка недвижимости. Если речь идет о качественных прогнозах и ситуациях с ограниченными данными, то наиболее актуальным способом является применение экспертных системы, в то время как гамма-тесты и генетические алгоритмы являются лучшим способом для оптимизации аналитических моделей.

Тем не менее замечено то, что оптимальные модели ИИ зависят от конкретных наборов данных и задействованных переменных. Большой набор данных повышает эффективность модели. Кроме того, выбор переменных имеет первостепенное значение при разработке и использовании моделей ИИ в прогнозировании цен на недвижимость. Наличие нелинейной зависимости между независимыми переменными и стоимостью недвижимости из-за недостаточного объема выборки может быть причиной плохой работы любой модели ИИ. Причиной получения различных результатов в предыдущих исследованиях могут быть различные настройки параметров выбранной модели. Следовательно, колебания в производительности ИИ могут быть связаны с выбором параметров, которые играют важную роль в определении предсказательной силы модели. Оптимальная модель создается путем стратегии проб и ошибок при выборе параметров и при наличии достаточного количества входных переменных, которые полностью определяют реальный сценарий.

Но, так и или иначе возможности искусственного интеллекта в решении вопросов по оценке недвижимости сложно переоценить. К основным преимуществам можно отнести следующие:

увеличение точности и объективности оценок, что позволяет минимизировать человеческие ошибки и субъективные суждения, благодаря чему оценки становятся более точными и надежными;
сокращение времени на проведение оценочных работ – алгоритмы способны обрабатывать большие объемы информации за короткие промежутки времени;
возможность анализа больших объемов данных (исторические данные, текущие тенденции рынка, сравнительный анализ и другие), что позволяет делать более обоснованные и точные оценки.

По прогнозам экспертов в 2025 году более 50% пользователей уже будут осведомлены об ИИ в недвижимости. К 2030 году не использовать ИИ в принятии решений по недвижимости станет так же необычно, как сегодня ездить без навигатора. К тому времени качество рекомендаций и выводов ИИ будет либо на уровне топ-1% экспертов, либо даже превосходить их [1, c. 180].

На сегодняшний же день рынок недвижимости находится лишь в начале своей цифровизации, с менее чем 1% оцифрованных операций и аналитики. Все еще большая часть процессов и транзакций зависит от человеческих знаний и умений.

Список литературы

Арефьева, Е. А. Использование нейронных сетей для оценки рыночной стоимости недвижимости / Е. А. Арефьева, Д. С. Костяев // Известия Тульского государственного университета. Технические науки. – 2017. – № 10. – С. 177-185.
Суворов, В. А. Оценка стоимости недвижимости с использованием искусственного интеллекта / В. А. Суворов, О. В. Баюк // Science Time. – 2022. – № 10(106). – С. 12-15.
Do A., Grudnitski G. A Neural Network Approach to Residential Property Appraisal. The Real Estate Appraiser. December 1992. – P. 38-45.
Gonzalez M.A.S., Formoso C.T. Mass appraisal with genetic fuzzy rule-based systems. Property Management. 2006. – Vol. 24 No. 1. – P. 20-30.
Guan J., Zurada J., Levitan A.S. An adaptive neuro-fuzzy inference system based approach to real estate property assessment. JRER. 2008. – Vol. 30, No. 4.
Lai Pi-ying. Analysis of the Mass Appraisal Model by Using Artificial Neural Network in Kaohsiung City. Journal of Modern Accounting and Auditing. October 2011. – Vol. 7, No. 10. – P. 1080-1089.
Rossini P. Using Expert Systems and Artificial Intelligence For Real Estate Forecasting. Sixth Annual Pacific-Rim Real Estate Society Conference Sydney, Australia, 24-27 January 2000.
Tay D., Ho D. Artificial Intelligence and The Mass Appraisal of Residential Apartments. Journal of Property Valuation and Investment. 1991. – Vol. 10. – P. 525-539.
Zurada J., Levitan A.S., Guan J. A Comparison of Regression and Artificial Intelligence Methods in a Mass Appraisal Context. Journal of Real Estate Research. 2011. – Vol. 33. – P. 349-388.