Разработка геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков на основе анализа динамических характеристик пространственного фактора с применением алгоритмов кластеризации и прогнозирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Курлов Алексей Викторович

• Курлов Алексей Викторович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Курлов Алексей Викторович

ВВЕДЕНИЕ

1 АНАЛИЗ И ПОВЫШЕНИЕ ТОЧНОСТИ ЭКСПЕРТНЫХ СИСТЕМ ОЦЕНКИ РЫНОЧНОЙ И КАДАСТРОВОЙ СТОИМОСТИ ЗЕМЕЛЬНЫХ УЧАСТКОВ

1.1 Анализ существующих моделей оценки рыночной и кадастровой стоимости земельных участков

1.2 Анализ принципов построения экспертных систем оценки рыночной и кадастровой стоимости земельных участков

1.3 Недостатки существующих экспертных систем оценки рыночной и кадастровой стоимости земельных участков

1.4 Концепция повышения точности экспертных систем оценки рыночной и кадастровой стоимости земельных участков с помощью геоинформационного обеспечения

1.5 Выводы по главе

2 ПРИМЕНЕНИЕ ГЕОИНФОРМАЦИОННОГО ПОДХОДА К РЕШЕНИЮ ЗАДАЧИ ОЦЕНКИ РЫНОЧНОЙ СТОИМОСТИ ЗЕМЕЛЬНЫХ УЧАСТКОВ

2.1 Сбор данных и разработка алгоритма гармонизации и очистки данных

2.2 Разработка алгоритма поиска оптимального числа кластеров земельных участков

2.3 Определение классов земельных участков с учетом влияния характеристик пространственного фактора на их стоимость

2.4 Выводы по главе

3 РАЗРАБОТКА ГЕОИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ЭКСПЕРТНОЙ СИСТЕМЫ

3.1 Разработка алгоритма прогнозирования рыночной стоимости земельных участков

3.2 Разработка методики оценки и прогнозирования рыночной стоимости земельных участков с использованием геоинформационного обеспечения

3.3 Разработка геоинформационного обеспечения экспертной системы оценки стоимости земельных участков

3.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Фрагменты исходного кода разработанного геоинформационного обеспечения экспертной системы для оценки рыночной

стоимости земельных участков

ПРИЛОЖЕНИЕ Б Акты о внедрении результатов диссертационной работы

ПРИЛОЖЕНИЕ В Свидетельства о регистрации ЭВМ

Введение диссертации (часть автореферата) на тему «Разработка геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков на основе анализа динамических характеристик пространственного фактора с применением алгоритмов кластеризации и прогнозирования»

ВВЕДЕНИЕ

Актуальность темы исследования. В современных условиях экономического развития страны важным фактором является привлечение инвестиций в различные секторы экономики. Одним из таких секторов является земельный рынок, который представляет собой значительный потенциал для инвестирования. Стоимость земельного участка определяется большим количеством различных факторов, среди которых важную роль играет расположение участка относительно различных элементов инфраструктурной среды. Поэтому геоинформационные методы и модели, как инструмент для анализа и управления географической информацией, а также специальное геоинформационное обеспечение представляются значимым элементом экспертных систем, используемых для оценки рыночной стоимости земельных участков.

Необходимость разработки геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков заключается в том, что с его помощью может быть учтен пространственный фактор, позволяющий значительно повысить эффективность принимаемых решений и снизить риски для девелоперов, инвесторов и экспертов в области оценки земельных активов. Под пространственным фактором понимается комплекс взаимосвязанных частных характеристик, описываемых с помощью пространственных данных, зависящих от территориального местоположения земельного участка. Частными характеристиками пространственного фактора являются: близость к городским и административным центрам, транспортным магистралям, к парковым и лесным природным зонам, водным объектам, наличие объектов на участке, развитой инфраструктуры, в том числе электроснабжение, водоснабжение, социальные объекты. При проектировании геоинформационного обеспечения для оценки рыночной стоимости земельных участков необходимо учитывать все эти характеристики и предоставлять пользователям информацию об их значимости для конкретного участка. Эти характеристики могут быть

формализованы различными способами в зависимости от используемой модели оценки.

С учетом вышесказанного, актуальность диссертационного исследования объясняется важностью разработки геоинформационного обеспечения экспертных систем для оценки рыночной стоимости земельных участков, которое будет способствовать автоматизации процессов анализа и оценки земельных участков на основе учета пространственного фактора, содержащего в себе результаты обработки и анализа различных пространственно-временных данных, что, в конечном итоге, повысит эффективность процесса выбора наиболее подходящего земельного участка исходя из запросов покупателя.

Таким образом, анализ влияния пространственного фактора на оценку стоимости земельного участка является актуальной научной и практической задачей.

Степень разработанности темы. При работе над диссертацией были изучены труды зарубежных и российских авторов, касающиеся методов оценки земельных участков. Вопросы учета факторов, связанных с пространственными характеристиками как самого объекта оценки, так и окружающей его инфраструктуры исследовались в работах Л.Н. Ясницкого, В.Л. Ясницкого, У. Алонсо, Ф.Н. Морана, Г. Келеджана, И. Пруха, Д. Дарбина, С. Ку и Л.Ф. Ли, А.В. Матерухина, А.А. Майорова. Вопросы оценки стоимости земельных участков применением традиционных математических методов исследовались в работах А. Тезкана, К. Буюкташа, Х.М. Кодосеро Родас, Х.М. Наранхо Гомес, Р.А. Кастаньо, Л. Бреймана, Н. Майнсхаузена и др. Применение методов машинного обучения и искусственных нейронных сетей к задаче оценки стоимости земельных участков исследовались в работах М. Кордова, П. Карранса, М. Бальзарини и др. Вопросы решения проблемы пространственных корреляций в оценке исследовались в работах П. Бидансета, Дж. Ломбарда, Е. Антипова, Е. Покрышевской, А. Лисец, Б. Баят и др.

Целью исследования является повышение эффективности процесса оценки рыночной стоимости земельных участков путем модернизации

геоинформационного обеспечения экспертной системы для учета изменений пространственного фактора во времени.

Для достижения цели были поставлены следующие задачи:

- проанализировать существующие экспертные системы принятия решений оценки стоимости земельных участков;

- провести анализ влияния динамически изменяющихся геопространственных характеристик, связанных с местоположением участка, на его рыночную стоимость;

- разработать алгоритмы, позволяющие установить возможное изменение связи пространственного фактора и рыночной стоимости земельного участка во времени;

- разработать методику модернизации геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков с использованием разработанных алгоритмов;

- провести анализ эффективности процесса оценки рыночной стоимости земельных участков с использованием экспертной системы геоинформационное обеспечение, которой модернизировано с использованием разработанной методики.

Объектом исследования является процесс оценки рыночной стоимости земельных участков.

Предметом исследования является оценка влияния пространственного фактора на рыночную стоимость земельных участков.

Методология и методы диссертационного исследования включают в себя использование методов системного анализа геопространственных данных, методов математической статистики, геостатистики и машинного обучения.

Основная идея диссертации заключается в том, что геоинформационное обеспечение экспертной системы для оценки рыночной стоимости земельных участков может быть дополнено средствами, позволяющими установить возможное изменение связи пространственного фактора и рыночной стоимости земельного участка во времени. Гипотезой исследования является предположение, что такое

усовершенствование геоинформационного обеспечения позволит повысить эффективность процесса оценки рыночной стоимости земельных участков.

Научная новизна диссертационного исследования заключается в следующем:

- в результате проведенного эмпирического исследования выделены классы земельных участков, отличающиеся степенью влияния различных характеристик пространственного фактора на их стоимость, а в результате проведенного теоретического анализа создана содержательная интерпретация выделенных классов и предложена форма учета влияния характеристик пространственного фактора на рыночную стоимость земельных участков для каждого выделенного класса;

- разработан набор оригинальных алгоритмов, позволяющих установить изменение связи пространственного фактора и рыночной стоимости земельного участка во времени;

- разработана методика модернизации геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков с использованием разработанных алгоритмов, позволяющая осуществлять прогнозирование стоимости и динамики изменения ее связи с пространственным фактором с течением времени.

Теоретическая значимость работы заключается в расширении теоретической базы, описывающей влияние различных характеристик пространственного фактора, связанных с местоположением участка на его рыночную стоимость. Кроме того, полученные научные результаты образуют в совокупности расширенную методическую основу совершенствования геоинформационного обеспечения экспертной системы для повышения эффективности процесса оценки рыночной стоимости земельных участков, позволяющую учитывать динамически изменяющиеся геопространственные характеристики для различных классов земельных участков.

Практическая значимость работы обусловлена ее результатами, носящими прикладной характер, а именно - разработанные алгоритмы и методика позволяют

повысить эффективность процесса оценки стоимости земельных участков. Полученные результаты позволяют сократить время на оценку и прогноз изменения стоимости земельных участков, рационализировать трудозатраты на проведение оценки, за счет автоматизации процесса учета влияния пространственного фактора, определения специфики различных классов земельных участков, а также использования алгоритмов обработки пространственных данных.

Достоверность полученных результатов и выводов подтверждается высоким уровнем совпадений теоретических выводов и практических результатов. В рамках исследования проведена статистическая обработка данных, что позволило количественно оценить значимость различных факторов, влияющих на рыночную стоимость земельных участков, и снизить неопределенность оценки этой стоимости. При проведении исследования использовались актуальные данные о земельных участках, в том числе о их местоположении при учете различных характеристик пространственного фактора.

Научные положение, выносимые на защиту:

- определение взаимосвязей динамических характеристик пространственного фактора и рыночной стоимости земельного участка можно установить на основе применения алгоритмов поиска оптимального числа кластеров и кластерного анализа внутри каждого класса земельных участков;

- решение задачи классификации земельных участков необходимо осуществлять на основе анализа влияния множества динамических характеристик пространственного фактора на показатель рыночной стоимости земельного участка;

- повышение эффективности процесса оценки рыночной стоимости земельных участков осуществляется на основе разработанной методики, позволяющей реализовать процедуры модернизации геоинформационного обеспечения экспертной системы, базирующейся на учете специфических особенностей изменения динамических характеристик пространственного фактора.

Апробация работы. Основные научные положения и результаты диссертации были апробированы на заседаниях и научных семинарах кафедры информационно-измерительных систем ФГБОУ ВО «Московский государственный университет геодезии и картографии» (МИИГАиК) докладывались и обсуждались на 4 международных и научно-технических конференциях.

Публикации. Основные результаты диссертационной работы изложены в 18 научных трудах: 2 статьи опубликованы в журналах, индексируемых в Scopus; 5 статей опубликованы в журналах, рекомендованных ВАК; 3 главы опубликованы в различных монографиях; получено 3 авторских свидетельства о государственной регистрации программы для ЭВМ.

Соответствие паспорту специальности. Диссертация соответствует следующим пунктам паспорта специальности:

п.19. Большие данные в задачах геоинформационного и картографического моделирования. Разнородные, разномасштабные и разновременные пространственные данные, вопросы их интеграции и совместного использования. Применение искусственного интеллекта для обработки пространственных данных;

п.20. Базы знаний и экспертные геоинформационные системы для принятия решений в области проблем управления территориями.

Структура и объем диссертации. Рукопись диссертационной работы, общим объемом 172 страницы, состоит из введения, трех глав основного текста, заключения, списка литературы, включающего 155 источников, и приложений.

1 АНАЛИЗ И ПОВЫШЕНИЕ ТОЧНОСТИ ЭКСПЕРТНЫХ СИСТЕМ ОЦЕНКИ РЫНОЧНОЙ И КАДАСТРОВОЙ СТОИМОСТИ ЗЕМЕЛЬНЫХ УЧАСТКОВ

1.1 Анализ существующих моделей оценки рыночной и кадастровой стоимости

земельных участков

Оценка рыночной и кадастровой стоимости земельных участков является одной из ключевых задач в области земельного кадастра и управления недвижимостью. Кадастровая стоимость представляет собой ключевую характеристику земельного участка. Процесс кадастровой оценки земель позволяет определить и официально закрепить эту стоимость. Данная процедура необходима для решения ряда задач:

а) на уровне государства — для формирования единой системы налогообложения земель, как находящихся в государственной, так и в частной собственности, что обеспечивает точность в расчете налогов, способствует пополнению бюджетов и позволяет составлять прогнозы по налоговым поступлениям.

б) на уровне субъектов Российской Федерации — для принятия обоснованных решений относительно рационального использования земельных участков, их приватизации, распределения и перераспределения, а также для выдачи разрешений на строительство, что в целом способствует эффективному управлению земельными ресурсами.

в) на уровне частных собственников — для обеспечения справедливого расчета налоговых обязательств, определения рыночной стоимости, осуществления сделок купли-продажи, передачи участков в аренду и инвестирования в земельные активы [2, 3].

Урбанизация, как процесс роста и расширения городов и городских территорий как в горизонтальном, так и в вертикальном измерении, часто ассоциируется со значительными социальными, экономическими и культурными сдвигами. Доступность земли и цена на землю являются одними

из основных компонентов, влияющих на процесс городского развития. В крупных городах, где городское планирование и оптимальное управление землепользованием являются слишком сложными процедурами, цена на землю существенно влияет на динамику спроса и предложения в отношении земельных ресурсов [4-8]. Кроме того, точная оценка земельных участков является важнейшей основой для разработки политики налогообложения недвижимости, необходимой для устойчивого городского и территориального развития [9, 10]. На рынке недвижимости цена земли также служит показателем уровня развития рынка земли, поэтому ее следует учитывать органам планирования при разработке политики в отношении жилищного сектора [5, 11]. Таким образом, разработка надежной и точной базы данных о ценах на землю в больших масштабах необходима для оптимального распределения земельных ресурсов, создания устойчивой системы налогообложения, справедливого и прозрачного управления рынком и принятия экономически обоснованных решений по планированию [12-14]. В последние годы с развитием технологий и увеличением объема доступных данных стало возможным использование методов машинного обучения для более точной и объективной оценки стоимости земельных участков.

Как гласит текущее законодательство РФ, оценка стоимости недвижимости — это профессиональная деятельность, направленная на установление различных типов стоимости объектов оценки, таких как рыночная, кадастровая, ликвидационная и инвестиционная, в соответствии с федеральными стандартами. Эта деятельность предполагает установление наиболее вероятной цены, по которой объект может быть реализован в условиях свободного рынка, а также анализ его стоимости в особых обстоятельствах, например, при срочной продаже или с учетом интересов конкретных инвесторов [15]. В понятие оценки стоимости входят установление стоимости права собственности или иных прав, например права аренды, права пользования и т.д. в отношении каких-либо объектов недвижимости [16]. Необходимость оценки объектов недвижимости также обусловлена законодательством Российской Федерации. В частности, налог

на имущество физических и юридических лиц рассчитывается на основе кадастровой стоимости [17].

Поскольку различные факторы из разных областей влияют на цены на землю через нелинейные отношения, автоматизация процесса оценки земли в больших масштабах является сложной задачей. Современные технологии в сфере анализа больших данных и искусственного интеллекта (AI) открывают перспективные возможности для извлечения полезной информации в подобных случаях. Существует множество методик и алгоритмов машинного обучения, применяемых для определения стоимости, каждая из которых имеет свои особенности. В данном литературном обзоре рассматриваются существующие подходы к оценке рыночной и кадастровой стоимости земельных участков с упором на использование методов машинного обучения. Рассмотрены основные алгоритмы, задействованные в данной области, а также их обучение на различных типах данных, что позволит не только проанализировать текущее состояние исследований в данной сфере, но и выявить перспективные направления для дальнейших изысканий и разработок.

В научной литературе внимание к проблемам оценки земельных участков остается относительно ограниченным по сравнению с исследованиями, посвященными объектам недвижимости [18]. Первоначальные попытки автоматизации оценки земельных участков в основном опирались на традиционные методы, такие как регрессия методом наименьших квадратов (Ordinary Least Squares regression — OLS) [19], метод гамильтоновой сетки частиц (Hamiltonian Particle-Mesh Method — HPM) [20, 21], многокритериальный анализ (Multi-criteria analysis — MCA) [22], географически взвешенная регрессия (Geographically Weighted Regression — GWR) [23, 24], методы кригинга [25] и анализ свободного денежного потока (Free Cash Flow — FCF) [26]. Однако возросший спрос на более продвинутые модели оценки земли, способные учитывать пространственную сложность

и нелинейные зависимости, способствовал проведению сравнительного анализа эффективности методов машинного обучения (Machine Learning — ML)

и искусственных нейронных сетей (Artificial Neural Networks — ANN) в сопоставлении с классическими моделями [27].

Компьютеризированная массовая оценка приобрела популярность как частично автоматизированная модель оценки [28, 29]. Данный тип моделей способен оценивать стоимость земельных участков, основываясь на анализе местоположения, рыночных условий и характеристик недвижимости, которые служат предикторами [30-32]. Модель линейной регрессии (Linear Regression — LR) является наиболее распространенной статистической моделью, используемой для разработки прогностического уравнения в контексте компьютеризованной массовой оценки [33, 34]. Классическая модель LR, связывающая стоимость недвижимости с несколькими специфическими для участка атрибутами, отличается простотой и ясностью интерпретации; однако ее высокая вычислительная эффективность снижается при работе с большими выборками пространственных данных. В то время как модель LR предполагает линейные связи между стоимостью объектов недвижимости и объясняющими переменными, фактические связи зачастую являются сложными и нелинейными.

В последние годы альтернативные подходы к массовой оценке с использованием машинного обучения стали более распространенными, поскольку они способны эффективно справляться с распределением отличающимся от нормального и нелинейностью в выборочных данных [35]. Одним из наиболее широко используемых методов машинного обучения в оценке земли является искусственная нейронная сеть [36]. Точность нейронной сети сопоставима, а иногда даже превосходит точность моделей моделей LR [37]. Контримас и Верикас [38] продемонстрировали, что ряд методов машинного обучения показывает лучшие результаты в назначении стоимости земли по сравнению с традиционными методами оценки. Используя алгоритмы машинного обучения, Антипов и Покрышевская [32], а также Чех и др. [39] достигли значительных улучшений в точности и адекватности результатов оценки земли. В рамках данной структуры регрессионные модели могут быть усовершенствованы с помощью алгоритма регрессии на основе дерева [40] или его

расширения для повышения качества прогнозирования с использованием повторной выборки, такой как случайный лес (Random Forest — RF) [41], а также квантильный случайный лес (Quantile Random Forest — QRF) [42]. Методы машинного обучения, основанные на повторной выборке, такие как RF или QRF, считаются более устойчивыми к переобучению и менее чувствительные к "шуму в данных по сравнению с традиционными моделями деревьев регрессии. Некоторые из моделей машинного обучения такого типа успешно применялись для массовой оценки жилой недвижимости [43]. Однако RF и QRF не учитывают пространственную структуру данных. Стоимость сельской недвижимости обычно распределена пространственно и демонстрирует выраженную положительную автокорреляцию [44]. Наличие положительной автокорреляции в стоимости сельской земли подразумевает, что цены на землю в близлежащих местах более схожи, чем в отдаленных. Поэтому применение пространственных моделей, которые учитывают пространственную корреляцию, является необходимым условием, так как они позволяют использовать дополнительную информацию о переменных окружающей среды, которая иначе могла бы быть исключена из анализа с применением моделей, предполагающих независимость данных.

В экономической литературе представлено множество подходов для решения проблемы пространственных корреляций. Примеры таких подходов включают пространственные эконометрические модели, такие как модель пространственного лага, модель пространственной ошибки, а также географически взвешенной регрессии [29, 45]. При прогнозировании интересующих значений на заданном участке традиционные методы машинного обучения зачастую не учитывают влияние пространственной автокорреляции, возникающей от соседних наблюдений. В последнее время была предложена модель дерева регрессии, в которой к прогнозу модели добавляются кригинговые остатки, расположенные в пространственной области [46]. Пространственно ограниченные древовидные регрессионные модели имеют много общего с широко используемым методом регрессионного кригинга (Regression-Kriging — RK), который применяется в геостатистике для обработки пространственных корреляций [47]. После

разработки прогностической модели на основе выборки, использованной для ее калибровки, возможно получить прогнозы, специфичные для участков, не входящих в исходную выборку. Таким образом, подобранная модель может быть использована для получения непрерывных значений стоимости земли, что имеет важное значение для цифровой экономики [48]. Очевидно, что каждый метод прогностического моделирования обладает своими преимуществами и недостатками, при этом точность прогнозирования считается ключевым компонентом; поэтому целесообразно измерять эффективность каждого метода с использованием стандартных показателей и сравнивать их с общей точностью прогнозирования [49].

Методы машинного обучения позволяют обрабатывать большие объемы данных и выявлять скрытые закономерности, что значительно повышает точность оценок по сравнению с традиционными подходами. Например, в своей работе Йилмазер и Коджаман [50] сравнивают традиционный метод линейного множественного регрессионного анализа (Multiple Regression Analysis — MRA), также известный как гедоническая ценовая модель (Hedonic Price Model — HPM), и еще одного автоматизированного подхода ML, RF, для массовой оценки в городском жилом районе Турции, где стоимость недвижимости разнообразна и репрезентативна. Пошаговый MRA требовал ручной корректировки окончательного набора параметров экспертом, тогда как RF полностью автоматически исключал неиспользуемые параметры и позволил учитывать взаимодействие между различными факторами, влияющими на стоимость земли. Эффективность метода оценивалась с использованием подмножества обучающих данных в качестве случайного теста. Согласно данным анализа точности, метод RF показывает незначительное преимущество по сравнению с MRA, для которого оптимальные параметры были определены экспертом. В исследовании Джафари и соавт. [51] проводится сопоставление характеристик четырех автоматизированных моделей оценки (Automated Valuation Model — AVM), основанных на алгоритмах машинного и глубокого обучения, принимающих во внимание физические, географические, социально-экономические,

экологические, правовые и планировочные факторы в мегаполисе Мельбурн, Австралия. В контексте массовой оценки недвижимости с применением AVM стоимость объектов имущества определяется как зависимая переменная с помощью математической модели, основанной на наборе множества независимых факторов, оказывающих влияние на стоимость [51]. Многие факторы из различных областей могут воздействовать на цены земельных участков, причем между этими факторами и стоимостью земли могут существовать нелинейные зависимости [52]. Кроме того, большинство факторов, влияющих на стоимость земли, обладают либо абсолютной пространственной природой, либо их пространственное распределение варьируется [53, 54]. В связи с этим такие аспекты, как пространственное распределение, пространственная зависимость и пространственная неоднородность, могут приводить к более сложным нелинейным взаимосвязям между факторами и активами недвижимости [55, 56]. Наиболее популярным методом массовой оценки активов недвижимости является MRA [57]. Однако с учетом указанных сложностей в отношении нелинейности, многие исследователи продемонстрировали высокую эффективность более современных методов, основанных на AI, таких как ANN и ML, в сравнении с гедоническими подходами. Это связано с тем, что указанные методы обладают большей способностью учитывать нелинейные связи между различными переменными и ценой на землю [58-60].

В условиях высокой урбанизации процесс оценки земельных участков с использованием AVM представляет собой более сложную задачу по сравнению с автоматической оценкой построенных объектов недвижимости. Это объясняется тем, что сбор данных о транзакциях незастроенных земель, не имеющих каких-либо улучшений или развития, оказывается затруднительным [19]. Более того, взаимосвязи между потенциальными определяющими факторами и стоимостью земли характеризуются большей сложностью по сравнению с взаимосвязями, влияющими на стоимость построенных объектов [5]. В результате уровень неопределенности при массовой оценке земельных участков может значительно вырасти. Например, такие параметры, как год постройки, количество спален,

Список литературы диссертационного исследования кандидат наук Курлов Алексей Викторович, 2025 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Курлов, А. В. Интеллектуализация процессов функционирования сложных транспортных систем / Монография [Текст]/ А. В. Курлов, А. А. Бурыкин, В. В. Горькова [и др.]. - СПб.: Издательско-полиграфическая ассоциация высших учебных, 2024. - 198 с. - ISBN 978-5-91155-306-7

2. "Земельный кодекс Российской Федерации" от 25.10.2001 N 136-Ф3 (ред. от 14.02.2024) (с изм. и доп., вступ. в силу с 01.04.2024) URL: https://www.consultant.ru/document/cons doc LAW 33773/368cb949273de5fecb cf2586fbf84ef05bd1a781/

3. Кадастровая оценка земли: порядок проведения и методы расчета стоимости земельных участков Опубликовано 13.10.2017

Ы^://^иуй.т/кадастровая-оценка-земли-порядок-про/

4. Diachkova, I. An Assessment of the Impact of the Protection Zone Regime for Cultural Heritage Sites on the Value of Land for Individual Housing Construction in the Context of a Low-Activity Market [Text] / I. Diachkova [and others] // Heritage. - 2024. - Vol. 7. - N.6 - P. 2682-2708. - DOI: 10.3390/heritage7060128.

5. Hu, S. Spatially non-stationary relationships between urban residential land price and impact factors in Wuhan city, China [Text] / S. Hu [and others] // Applied Geography. - 2016. - Vol. 68. - P. 48-56. - DOI: 10.1016/j.apgeog.2016.01.006 URL: https://www.sciencedirect.com/science/article/abs/pii/S0143622816300066

6. Sampathkumar, V. Forecasting the land price using statistical and neural network software [Text] / V. Sampathkumar, M.H. Santhi, J. Vanjinathan // Procedia Computer Science. - 2015. - Vol. 57. - P. 112-121. -D0I:10.1016/j.procs.2015.07.377 URL: https://www.researchgate.net/publication/283185838 Forecasting the Land Price

Using Statistical and Neural Network Software

7. Zhang, P. Modeling fine-scale residential land price distribution: An experimental study using open data and machine learning [Text] / P. Zhang

[and others] // Applied Geography. - 2021. - Vol. 129. - N. 102442. - DOI: 10.1016/j .apgeog.2021.102442

8. Zhang, H. Describe the house and I will tell you the price: House price prediction with textual description data [Text] / H. Zhang, Y. Li, P. Branco // Natural Language Engineering. - 2023. - P. 1-35. - DOI: 10.1017/S1351324923000360 URL: https://www.cambridge.org/core/iournals/natural-language-engineering/article/describe-the-house-and-i-will-tell-you-the-price-house-price-prediction-with-textual-description-data/807584C6B9D76F555DA61E220BF39F9B

9. Курлов, А. В. Научные и нормативные аспекты реализации устойчивого развития в России и за рубежом / А.В. Курлов, В. В. Горькова, Д. А. Юрченко [и др.] // Экономика и безопасность. - 2024. - № 4. - С. 12-18.

10. Codosero Rodas, J.M. Land valuation sustainable model of urban planning development: A case study in Badajoz, Spain [Text] / J.M. Codosero Rodas [and others] // Sustainability. 2018. - Vol. 10. - P. 1450-1468. - DOI: 0.3390/su10051450 URL: https://www.mdpi.com/2071-1050/10/5/1450

11. Ma J. Analyzing driving factors of land values in urban scale based on big data and non-linear machine learning techniques [Text] / J. Ma [and others] // Land Use Policy. - 2020. - Vol. 94. - N. 104537. - DOI: 10.1016/j.landusepol.2020.104537 URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837719306507

12. Курлов, А. В. Формирование базы пространственных данных для обучения предсказательной модели анализа инвестиционной привлекательности земельных участков / А.В. Курлов [электронный ресурс] // International agricultural journal. - 2023. - № 4. С. 1293-1305. DOI:10.55186/25876740_2023_7_4_18. Режим доступа: https://iacj. eu/index.php/iacj / article/view/ 881

13. Inusah, F. Developing an Expert System to Assist Businesses in Financial Decision Making to Enhance Efficiency [Text] / F. Inusah, A.A. Amponsah // International Journal of Computer Applications. - 2018. - Vol. 181. - N. 7 - P. 3239. - DOI: 10.5120/ijca2018917592 URL:

https://www.researchgate.net/publication/327225054 Developing an Expert Syst em to Assist Businesses in Financial Decision Making to Enhance Efficiency

14. Wang, W. Rethinking local government perceptions of Land Value Capture in land marketization: The lens of dominant consideration(s) in interest-balancing acts [Text] / W. Wang // Cities. - 2022. - Vol. 122. - N. 103528. - DOI: 10.1016/j .cities.2021.103528 URL: https://www.sciencedirect.com/science/article/pii/S0264275121004273

15. Федеральный закон "О государственной кадастровой оценке" от 03.07.2016 N 237-Ф3 [Электронный ресурс]. - URL: https://www.consultant.ru/document/cons doc LAW 200504/

16. Скатов, М. А. Эволюция института кадастровой и рыночной стоимости объектов недвижимости в России [Текст] / М.А. Скатов // Финансовые рынки и банки. - 2022. - №5. - С.133-139. - URL: https://cyberleninka.ru/article/n/evolyutsiya-instituta-kadastrovoy-i-rynochnoy-stoimosti-obektov-nedvizhimosti-v-rossii/viewer https://www.nalog.gov.ru/rn77/taxation/taxes/nnifz/

17. Соколова, Т. А. Корректирование результатов государственной кадастровой оценки земель населенных пунктов / Т. А. Соколова, В. Н. Москвин // Вестник СГУГиТ. - 2020. - Т. 25. - № 4. - С. 193-204. - DOI 10.33764/2411-1759-2020-25-4-193-204. - EDN KQTTJL. https://elibrary.ru/download/elibrary 44326915 78916909.pdf

18. Kiselev, V. A. Working-Out of the Geostatistical Model of Mass Cadastral Valuation of Urban Lands Evidence from the City Vsevolozhsk [Text] / V. A. Kiselev, A. M. Rybkina, P. M. Demidova // International Journal of Applied Engineering Research. - 2016. - Vol. 11. - N. 24. - P. 11631-11638. (дата обращения: 17. 02. 2023)

19. Kim, J. Machine-learning-based prediction of land prices in Seoul, South Korea [Text] / J. Kim [and others] // Sustainability. - 2021. - Vol. 13. - P. 13088 -13102. - DOI: 10.3390/su132313088 URL: https://www.mdpi.com/2071 -1050/13/23/13088

20. Demetriou, D. The assessment of land valuation in land consolidation schemes: The need for a new land valuation framework [Text] / D. Demetriou // Land Use Policy. - 2016. - Vol. 54. - P. 487-498. - DOI: 10.1016/j.landusepol.2016.03.008 URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837716301934

21. Yalpir, S. Use of spatial analysis methods in land appraisal [Text] / S. Yalpir, F.B. Unel // Konya example 5th International Symposium on Innovative Technologies in Engineering and Science (ISITES2017). - 2017. - P. 1573-1582

URL:

https://isites.info/PastConferences/ISITES2017/ISITES2017/papers/C3-ISITES2017ID307.pdf

22. Tezcan, A. A multi-criteria model for land valuation in the land consolidation [Text] / A. Tezcan, K. Buyukta§, §.T. Akkaya Aslan // Land Use Policy. - 2020. - Vol. 95, N 104572. - DOI: 10.1016/j.landusepol.2020.104572 URL: https://www.sciencedirect.com/science/article/abs/pii/S026483771932037X

23. Demirci, O. (2021). Automated Valuation Models (AVMs): Machine Learning, namely Mass (Advanced) Valuation Methods and Algorithms. 10.13140/RG.2.2.12649.42080.

https://www.researchgate.net/publication/349346021 Automated Valuation Mode ls AVMs Machine Learning namely Mass Advanced Valuation Methods and Algorithms?enrichId=rgreq-ab8d9d642a7e984b1be0c88c055a1d10-XXX&enrichSource=Y292ZXJQYWdlQzM00TM0NiAyMTtBUzo50TE4NTM5 NiA3ODU5MiJAMTYxMzQ4NzgyMDUxOA%3D%3D&el=1 x 3& esc=public ationCoverPdf

24. Hu, Z. A survey of forex and stock Price prediction using deep learning [Text] / Z. Hu, Y. Zhao, M. Khushi // Applied System Innovation. - 2021. - Vol. 4. -N. 1. - P. 9-39 - DOI: 10.3390/asi4010009 URL: https://www.mdpi.com/2571 -5577/4/1/9

25. Inoue, R. Visualization of spatial distribution and temporal change of land prices for residential use in Tokyo 23 wards using spatio-temporal kriging [Text] /

R. Inoue, N. Kigoshi, E. Shimizu // Proceedings of 10th International Conference on Computers in Urban Planning and Urban Management. - 2007. - Vol. 63. - P. 1-11. -URL:

https://www.researchgate.net/publication/255615750 Visualization of spatial dist ribution and temporal change of land prices for residential use in tokyo 23 wards using spatio-temporal kriging

26. Córdoba, M. A spatially based quantile regression forest model for mapping rural land values [Text] / M. Córdoba [and others] // Journal of Environmental Management. - 2021. - Vol. 289. - DOI: 10.1016/j.jenvman.2021.112509 URL: https://www.sciencedirect.com/science/article/abs/pii/S0301479721005715

27. Kashnitskiy, Yu. S. History of development of ensemble classification methods in machine learning / Yu. S. Kashnitskiy. - 4-6s, [Electronic resource]. -Access mode: https://www. researchgate.

net/publication/278019662_Istoria_razvitia_ansamblevyh_metodov_klassifikacii_ v_masinnom_obucenii (accessed: 01. 03. 2023)

28. Carranza, J.P. Mass appraisal as affordable public policy: Open data and machine learning for mapping urban land values [Text] / J.P. Carranza [and others] // Land Use Policy. - 2022. - Vol. 119. - Art. 106211 - DOI: 10.1016/j .landusepol.2022.106211 URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837722002381

29. Zhang, R. An improved spatial error model for the mass appraisal of commercial real estate based on spatial analysis: Shenzhen as a case study [Text] / Zhang R. [and others] // Habitat International. - 2015. - Vol. 46 - P. 196-205. - DOI: 10.1016/j.habitatint.2014.12.001 URL: https://www.sciencedirect.com/science/article/abs/pii/S0197397514002069

30. Susskind, R. E. Expert systems in law: a jurisprudential approach to artificial intelligence and legal reasoning / R. E. Susskind // The Modern Law Review. - 1986. - 49(2). - 168-194. - doi:10.1111/j.1468-2230. 1986. tb01683.x https://sci-hub.ru/https://doi.org/10.1111/j.1468-2230.1986.tb01683.x

31. Монин, А.А. Местоположение как ключевой фактор формирования стоимости объекта недвижимости/А.А. Монин, А.Р. Плоткина // Вестник Хабаровского государственного университета экономики и права. - 2018. - №6.

- C. 80-87. URL: https://cyberleninka. ru/article/n/mestopolozhenie-kak-klyuchevoy-faktor-formirovaniya-stoimosti-obekta-nedvizhimosti (дата обращения: 17.02. 2023).

32. Монин, А. А. Анализ и оценка факторов, влияющих на стоимость имущества предприятий, находящихся в процедуре банкротства / А. А. Монин // Финансовые аспекты структурных преобразований экономики: Материалы Всероссийской науч.-практической конференции. Иркутск: ИГУПС, 2011. - С. 270-274.

33. Demetriou, D. Automating the land valuation process carried out in land consolidation schemes [Text] / D. Demetriou // Land Use Policy. - 2018. - Vol. 75 -P. 21-32. - DOI: 10.1016/j.landusepol.2018.02.049 URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837717304465

34. Майоров, А. А. Геоинформационный подход к задаче разработки инструментальных средств массовой оценки недвижимости/А.А. Майоров, А.В. Матерухин//Известия высших учебных заведений. Геодезия и аэрофотосъёмка. - 2011. - № 4. - С. 92-97

35. Crosby, H. Road distance and travel time for an improved house price kriging predictor [Text] / H. Crosby [and others] // Geo-spatial Information Science.

- 2018. - Vol. 21. - P. 185-194 - DOI: 10.1080/10095020.2018.1503775 URL:

32. Antipov, E.A. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics [Text] / E. A. Antipov, E. B. Pokryshevskaya // Expert Systems with Applications. -2012. - Vol. 39. - No. 2. - P. 1772-1778. - DOI: 10.1016/j.eswa.2011.08.077 URL: https://www.sciencedirect.com/science/article/abs/pii/S0957417411011894

37. Demetriou, D. A spatially based artificial neural network mass valuation model for land consolidation [Text] / D. Demetriou // Environment and Planning B:

Urban Analytics and City Science. - 2017. - Vol. 44. - N. 5. - P. 864-883. - DOI: 10.1177/0265813516652115

38. Kontrimas, V. The mass appraisal of the real estate by computational intelligence [Text] / V. Kontrimas, A. Verikas // Applied Soft Computing. - 2011. -Vol. 11. - N. 1. - P. 443-448. - DOI: 10.1016/j.asoc.2009.12.003 URL: https://www.sciencedirect.com/science/article/abs/pii/S1568494609002579

39. Ceh, M. Estimating the performance of random forest versus multiple regression for predicting prices of the apartments [Text] / M. Ceh, M. Kilibarda, A. Lisec, B. Bajat // ISPRS International Journal of Geo-Information. - 2018. - Vol. 7. - N. 5. - P. 168-184. - DOI: 10.3390/ijgi7050168 URL: https://www.mdpi.com/2220-9964/7/5/168

40. Classification and Regression Trees [Text] / L. Breiman [and others]. -1st. ed. - NY: Chapman and Hall/CRC, 2017. - 368 p. - DOI: 0.1201/9781315139470

41. Breiman, L. Random Forests [Text] / L. Breiman // Machine Learning. -2001. - Vol. 45. - N. 1. - P. 5-32. - DOI: 10.1023/A:1010933404324

42. Meinshausen, N. Quantile Regression Forests [Text] / N. Meinshausen // Journal of Machine Learning Research. - 2006. - Vol. 7. - N. 6. - P. 983-999. URL: http://jmlr.csail.mit.edu/papers/v7/

43. Daikun, W. Mass Appraisal Models of Real Estate in the 21st Century: A Systematic Literature Review [Text] / W. Daikun, J. Li // Sustainability. - 2019. -Vol. 11. - N. 7006. - DOI: 10.3390/su11247006. URL: https://www.researchgate.net/publication/337837361 Mass Appraisal Models of

Real Estate in the 21st Century A Systematic Literature Review

44. Uberti, M. S. Mass appraisal of farmland using classical econometrics and spatial modeling [Text] / M.S. Uberti [and others] // Land Use Policy. - 2018. -Vol. 72. - P. 161-170. - DOI: 10.1016/j.landusepol.2017.12.044. URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837716311498

45. Bidanset, P. E. Evaluating spatial model accuracy in mass real estate appraisal: A comparison of geographically weighted regression and the spatial lag

model [Text] / P.E. Bidanset, J.R. Lombard // Cityscape: A Journal of Policy Development and Research. - 2014. - Vol. 16. - No. 3. - P. 169-182.

46. Guo, P. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach [Text] / P. Guo [and others] // Geoderma. - 2015. - Vol. 237-238. - P. 49-59. - DOI: 10.1016/j.geoderma.2014.08.009

47. Hengl, T. About regression-kriging: From equations to case studies [Text] / T. Hengl, G. B.M. Heuvelink, D. G. Rossiter // Computers & Geosciences. - 2007. - Vol. 33. - N. 10. - P. 1301-1315. - DOI: 10.1016/j.cageo.2007.05.001 URL: https://www.sciencedirect.com/science/article/abs/pii/S0098300407001008

48. Cornwell, B. (2015). Linkage Criteria for Agglomerative Hierarchical Clustering. Social Sequence Analysis / B. Cornwell, 270-274

49. André, F. T. From Softmax to Sparsemax: A Sparse Model of Attention and Multi-Label Classification/F. T. Andre, R. F. A. Martins. -https://arxiv.org/abs/1602.02068v2

50. Yilmazer, S. A mass appraisal assessment study using machine learning based on multiple regression and random forest [Text] / S. Yilmazer, S. Kocaman // Land Use Policy. - 2020. - Vol. 99. - DOI: 10.1016/j.landusepol.2020.104889. URL: https://www.sciencedirect.com/science/article/abs/pii/S0264837719316540

51. Jafary, P. Automating property valuation at the macro scale of suburban level: A multi-step method based on spatial imputation techniques, machine learning and deep learning [Text] / P. Jafary [and others] // Habitat International. - 2024. -Vol.148. - Art. - 103075 - DOI: 10.1016/j.habitatint.2024.103075 https://www.sciencedirect.com/science/article/pii/S0197397524000754

52. Hou, A. Land price assesment based on deep neural network [Text] / A. Hou [and others] // IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. - 2019. - P. 3053-3056 - DOI: 10.1109/IGARSS.2019.8898811 URL: https://ieeexplore.ieee.org/document/8898811

53. Namangale, D. Adoption of Automated Valuation Models in Malawi; Valuers' Perception. / D. Namangale, E. Chimalizeni // Journal of African Real Estate

Research. - 2022. - N. 6. - 51-61. - 10.15641/ jarer.v6i2.1008. https://www.researchgate.net/publication/363267484 Adoption of Automated Va luation Models in Malawi Valuers%27 Perception? sg=V9QCmk0i10oXuYmM LiKYr-

7xOw1KJAg9k4JqpCsZgCza6u5APOs9GyLicGoDriHU6SwKLvW9Hz76aa4& t p=eyJib250ZXh0Iip7ImZpcnN0UGFnZSI6Il9kaXJlY3QiLCJwYWdlIioiX2Rpcm VidCJ9fQ

54. Calculation of the weight coefficients of the criteria of the spatial factor and their interrelations with the investment obiectives of the purchase of land plots / A. Kurlov, A. Dozmarov, V. Gorkova // E3S Web of Conferences. 411. 10.1051/e3sconf/202341102027

55. Tsutsumi, M. Land price maps of Tokyo Metropolitan Area [Text] / M. Tsutsumi, A. Shimada, D. Murakami // Procedia - Social and Behavioral Sciences. -2011. - Vol. 21. - P. 193-202. - DOI: 10.1016/).sbspro.2011.07.046

URL:

https://www.sciencedirect.com/science/article/pii/S1877042811013693

56. Jiao, L. Analyzing the spatial autocorrelation of regional urban datum land price [Text] / L. Jiao, Y. Liu // Geo-spatial Information Science. - 2012. - Vol. 15. -P. 263-269 - DOI: 10.1080/10095020.2012.714103 URL: https://www.tandfonline.com/doi/full/10.1080/10095020.2012.714103

57. Dagenais, M. G. Parameter estimation in regression models with errors in the variables and autocorrelated disturbances / M. G. Dagenais // Journal of Econometrics. - 1994. - Vol. 64. - 145-1

58. Jafary, P. Automated land valuation models: A comparative study of four machine learning and deep learning methods based on a comprehensive range of influential factors [Text] / P. Jafary [and others] // Cities. - 2024. - Vol. 151 - P. 19. -DOI: 10.1016/).cities.2024.105115 URL: https://www.sciencedirect.com/science/article/pii/S0264275124003299

59. Goundar, S. Property valuation using linear regression and random Forest algorithm [Text] / S. Goundar et al. // International Journal of System Dynamics

Applications. - 2021. - Vol. 10. - P. 1-16. - DOI: 10.4018/IJSDA. 20211001. oa13 URL:

https://www.researchgate.net/publication/353444085 Property Valuation Using Linear Regression and Random Forest Algorithm

60. Hong, J. A house price valuation based on the random forest approach: The mass appraisal of residential property in South Korea [Text] / J. Hong, H.H. Choi, W.-S. Kim // International Journal of Strategic Property Management. - 2020. - Vol. 24. - P. 140-152 - DOI: 10.3846/ijspm.2020.11544 URL: https://www.researchgate.net/publication/339023723 A house price valuation ba sed on the random forest approach the mass appraisal of residential property

in South Korea

61. Kok, N. Land use regulations and the value of land and housing: An intra-metropolitan analysis [Text] / N. Kok, P. Monkkonen, J.M. Quigley // Journal of Urban Economics. - 2014. - Vol. 81. - P. 136-148. - DOI: 10.1016/j.jue.2014.03.004

URL:

https://www.sciencedirect.com/science/article/abs/pii/S0094119014000278

62. Derdouri, A. A comparative study of land price estimation and mapping using regression kriging and machine learning algorithms across Fukushima prefecture, Japan [Text] / A. Derdouri, Y. Murayama // Journal of Geographical Sciences. - 2020. - Vol. 30. - P. 794-822 - D0I:10.1007/s11442-020-1756-1 URL: https://www.researchgate.net/publication/341028338 A comparative study of la nd price estimation and mapping using regression kriging and machine learni ng algorithms across Fukushima prefecture Japan

63. Saupin, G. Practical Gradient Boosting: An deep dive into Gradient Boosting in Python / G. Saupin, 2022

64. Natekin, A. Gradient boosting machines, a tutorial / A. Natekin, A. Knoll [Electronic resource]. - Access mode: https://www. researchgate. net/publication/259653472_Gradient_Boosting_Machines_A_Tutorial

65. Louati, A. Price forecasting for real estate using machine learning: A case study on Riyadh city [Text] / A. Louati [and others] // Concurrency and

Computation: Practice and Experience. - 2022. - Vol. 34. - N. 2. - Art.e6748 -D0I:10.1002/cpe.6748 URL:

https://www.researchgate.net/publication/356737243 Price forecasting for real e state using machine learning A case study on Riyadh city

66. Kochulem, E. Mass Valuation of Unimproved Land Value Case Study: Nairobi County [Text] / E. Kochulem, D. Mwaniki, F. Mutua // Journal of Geographic Information System. - 2023 - Vol. 15. - P. 122-139. - DOI: 10.4236/igis.2023.151008. URL: https://www.researchgate.net/publication/368868710 Mass Valuation of Unimpr oved Land Value Case Study Nairobi County

67. Zhou, X. Modeling housing rent in the Atlanta metropolitan area using textual information and deep learning [Text] / X. Zhou, W. Tong, D. Li // ISPRS International Journal of Geo-Information. - 2019. - Vol. 8. - N. 8. - P. 349-364. -DOI: 10.3390/iigi8080349 URL: https://www.mdpi.com/2220-9964/8/8/349

68. Zhan, C. Housing prices prediction with deep learning: an application for the real estate market in Taiwan [Text] / Zhan C. [and others] // IEEE 18th International Conference on Industrial Informatics (INDIN). - 2020. - P. 719-724. -DOI: 10.1109/INDIN45582.2020.9442244 URL: https://www.researchgate.net/publication/352235032 Housing prices prediction with deep learning an application for the real estate market in Taiwan

69. Chen, L. Deep learning in asset pricing [Text] / L. Chen, M. Pelger, J. Zhu // SSRN Electronic Journal. - 2019. - DOI:10.2139/ssrn.3350138 URL: https://www.researchgate.net/publication/331791794 Deep Learning in Asset Pr icing

70. Zhao, Y. A deep learning ensemble approach for crude oil price forecasting [Text] / Y. Zhao, J. Li, L. Yu // Energy Economics. - 2017. - Vol. 66. - P. 9-16. - DOI: 10.1016/).eneco.2017.05.023 URL: https://www.sciencedirect.com/science/article/abs/pii/S0140988317301871

71. Yu, L. Prediction on housing price based on deep learning [Text] / L. Yu [and others] // World Academy of Science, Engineering and Technology,

International Journal of Computer, Electrical, Automation, Control and Information Engineering. - 2018. - Vol. 12. - N. 2. - P. 90-99

72. Jiang, Z. Prediction of house Price based on The Back propagation neural network in The Keras deep learning framework [Text] / Z. Jiang, G. Shen // 6th international conference on systems and informatics (ICSAI) - 2019. - P. 1408-1412 - DOI: 10.1109/ICSAI48974.2019.9010071 URL: https://www.researchgate.net/publication/339555085 Prediction of House Price Based on The Back Propagation Neural Network in The Keras Deep Learni ng Framework

73. Li, H. Urban land price assessment based on GIS and deep learning [Text] / H. Li, X. Huang, X. Li // IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. - 2019. - P. 935-938 - DOI: 10.1109/IGARSS.2019.8900516 URL: https://ieeexplore.ieee.org/document/8900516

74. Ai, H. Urban residential land Price appraisal via quantifying impact factors based on deep belief networks [Text] / H. Ai [and others] // 12th international conference on machine learning and computing. - 2020. - P 29-33 -D0I:10.1145/3383972.3384017 URL: https://www.researchgate.net/publication/341665271 Urban Residential Land Pri ce Appraisal via Quantifying Impact Factors Based on Deep Belief Network shttps://www.researchgate.net/publication/341665271 Urban Residential Land P rice Appraisal via Quantifying Impact Factors Based on Deep Belief Networ ks

75. Yamada, S. Are satellite images effective for estimating land prices on deep neural network models? [Text] / S. Yamada [and others] // 21st IEEE International Conference on Mobile Data Management (MDM). - 2020. - P 304309. - DOI: 10.1109/MDM48529.2020.00068 URL: https://ieeexplore.ieee. org/document/9162208

76. Numan, J.A.A. Identifying the current status of real estate appraisal methods [Text] / J.A.A. Numan, I.M. Yusoff // Real Estate Management and

Valuation, [Ahead of print]. - 2024. - Vol. 32. - DOI: 10.2478/remav-2024-0032 URL: https://intapi.sciendo.com/pdf/10.2478/remav-2024-0032

77. Курлов, А. В. Проблематика оценки качества пространственно-временных данных применительно к задачам городского развития / А. В. Курлов, О. Н. Кораблева // Региональная информатика (РИ-2022): Юбилейная XVIII Санкт-Петербургская международная конференция. Материалы конференции, Санкт-Петербург, 26-28 октября 2022 года. - СПб.: Региональная общественная организация "Санкт-Петербургское Общество информатики, вычислительной техники, систем связи и управления", 2022. -С. 45-47.

78. Le Gallo, J. Measurement error in a spatial context. /J. Le Gallo, B. Fingieton // Regional Science and Urban Economics. - 2012. - Vol. 42. - P. 114125.

79. Gabrielli, L. Pricing to market: Property valuation methods-a practical review [Text] / L. Gabrielli, N. French // Journal of Property Investment & Finance. - 2021. - Vol. 39. - N. 5. - P.464-480. - DOI: 10.1108/JPIF-09-2020-0101

URL: https://proconferences.com/wp-content/uploads/Pricing-to-market.pdf

80. Galushkin, A. I. (2017). Neural networks: Fundamentals of theory /A. I. Galushkin. - Retrieved from https://asu.tusur.ru/learning/mag010400/d15a/m010400_d15a_book1. pdf

81. Rauch-Hindin, Wendy B. (1986) Fundamentals of expert systems/ Wendy B. Rauch-Hindin. - Bruce G. Buchanan & Reid Q. Smith https://stacks.stanford.edu/file/druid:gh880nv8408/gh880nv8408.pdf

82. Зайцев, А. Ф. Системный анализ, классификация и организация программных экспертных систем / А. Ф. Зайцев // Современные научные исследования: проблемы, тенденции, перспективы: Сборник научных трудов по материалам XXI Международной научно-практической конференции, Анапа, 17 ноября 2023 года. - Анапа: Общество с ограниченной ответственностью «Научно-исследовательский центр экономических и социальных процессов» в Южном Федеральном округе, 2023. - С. 60-75. -

EDN WFVJFW. https://www.elibrary.ru/download/ elibrary

54977204 76212899.pdf

83. Клейнер, Г. Б. Экономика. Моделирование. Математика. Избранные труды/ Г.Б. Клейнер. — М.: ЦЭМИ РАН, 2016. — 856 с.

84. Analysis of the application of expert systems /A. Sharipbay [and others] // Bulletin of the National Engineering Academy of the Republic of Kazakhstan. -89. - 128-138. 10.47533/2023.1606-146X.24. https://kb.osu.edu/server/api/core/bitstreams/98710464-d567-5dac-a77f-53e03a1a6ec9/content

85. Джексон, П. Введение в экспертные системы. / П. Джексон. - 3-е изд.

— М.: Вильямс, 2001. - 624 с. - ISBN 0-201-87686-8 https://coollib.in/b/521899-piter-dzhekson-vvedenie-v-ekspertnyie-sistemyi-3-izd/read

86. Представление знаний в экспертных системах: Учебное пособие / Сост. В.А. Морозова, В.И. Паутов. — Екатеринбург: Изд-во Урал. ун-та, 2017.

— 120 с. - ISBN 978-5-7996-2037-0https://elar.urfu.ru/bitstream/10995/46984/1/978-5-7996-2037-0_2017.pdf

87. Шумков, Е. А. Фреймовые экспертные системы с использованием нейронных сетей/ Е.А. Шумков // Научный журнал КубГАУ 2019. - №154. URL: https://cyberleninka.ru/article/n/freymovye-ekspertnye-sistemy-s-ispolzovaniem-neyronnyh-setey (дата обращения: 29.08.2024).

88. Сычова, Ю. А. Онтологический подход и его применение в экспертных системах/ Ю.А. Сычова // Дни науки студентов Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых: Сборник материалов научно-практических конференций, Владимир, 12 - 16 марта 2018 года. - Владимир: Владимирский государственный университет им. Александра Григорьевича и Николая Григорьевича Столетовых, 2018. - С. 207-213. - EDN UOEDNZ .https://www. elibrary.ru/ download/ elibrary_37251112_71483285.pdf

89. Загорулько, Ю. А. Онтологии и их практическое применение в системах, основанных на знаниях. /Ю.А. Загорулько, Г.Б. Загорулько //

Всероссийская конференция с международным участием «Знания - Онтологии

- Теории» (ЗОНТ-2011), Новосибирск, 3-5 октября 2011 г.

90. Курлов А. В. Прикладные аспекты информатики при исследовании сложных транспортных систем / А. В. Курлов, М. А. Арутюнян, А. А. Бурыкин [и др.]. - СПб.: Издательско-полиграфическая ассоциация высших учебных заведений, 2023. - 252 с. - ISBN 978-5-91155-258-9. -

https://kb.osu.edu/server/api/core/bitstreams/98710464-d567-5dac-a77f-53e03a1a6ec9/content

91. Gilmore, J. F. Military applications of expert systems/J.F. Gilmore // Future Generation Computer Systems. - 1985. - 1(6). - 403-410. doi:10.1016/0167-739x(85)90024-x https://sci-hub.ru/https://doi.org/10.1016/0167-739X(85)90024-X

92. An expert system for circular economy business modelling: advising manufacturing companies in decoupling value creation from resource consumption / P. P Marina [and others] //Sustainable Production and Consumption. - 2021. - Vol.

- P. 534-550, ISSN 2352-5509, https://doi.org/10.1016/j.spc.2021.01.023. https://www.sciencedirect.com/science/article/abs/pii/S2352550921000233

93. Al-Mafrji, A. A. M. Expert Systems in Banking: Artificial Intelligence Application in Supporting Banking Decision-Making [Text] / A.A.M. Al-Mafrji, A.M. Fakhrudeen, L. Chaari // Journal of Intelligent Systems and Applications in Engineering. - 2023. - Vol. 11. - N. 4s. - P. 61-69 URL: https://iiisae.org/index.php/IJISAE/article/view/2572/1154

94. Rayed, C.A. A Proposed Expert System for Evaluating the Partnership in Banks [Text] / C.A. Rayed, A.S. Embark // International Journal of Advance Robotics & Expert Systems. - 2020. - Vol. 1. - N. 2. - P. 1-12

URL: https://airccse.com/iares/papers/1217iares01.pdf

95. Vossos, G. An Example of Integrating Legal Case Based Reasoning with Object-Oriented Rule-Based Systems: IKBALS II [Text] / G. Vossos [and others] // 3rd international conference on Artificial intelligence and law. - 1991. - P. 31-41. -DOI: 10.1145/112646.112650

96. Курлов, А. В. Использование предиктивной геоинформационной модели для оценки рыночной стоимости земельных участков в экспертной системе [электронный ресурс] /А.В. Курлов // Вестник СГУГиТ. - 2023. - Т. 28. - № 5. - С. 103-112. DOI: 10.33764/2411-1759-2023-28-5-103-112.

97. Лосева, Е. Н. О применении искусственных нейронных сетей при государственной кадастровой оценке земельных участков/Е.Н. Лосева, Н.О. Митрофанова // Вестник СГУГиТ. - 2021. - №5. URL: https://cyberleninka.ru/article/n/o-primenenii-iskusstvennyh-neyronnyh-setey-pri-gosudarstvennoy-kadastrovoy-otsenke-zemelnyh-uchastkov (дата обращения: 23.10.2023).

98. Mete, M. O. Implementation of serverless cloud GIS platform for land valuation [Text] / M.O. Mete, T. Yomralioglu // International Journal of Digital Earth. - 2021. - Vol. 14. - P. 836-850. - DOI: 10.1080/17538947.2021.1889056

URL:

https://www.tandfonline.eom/doi/full/10.1080/17538947.2021.1889056#d1e130

99. Курлов, А. В. Возможность применения цифровых технологий для сохранения объектов городской среды / А. В. Курлов, В.В. Горькова, Д. А. Юрченко, А. Д. Белых // Малые города большой страны: Сб. науч. статей и материалов Второй Всероссийской научно-практической конференции, Иваново, 14-15 июня 2024 года. - Иваново: Ивановский государственный университет, 2024. - С. 317-323.

100. Rybkina, A. Working-out of the geostatistical model of mass cadastral valuation of urban lands evidence from the city Vsevolozhsk (Russia) [Text] / A. Rybkina // 55 Konferencija Studenckich Kol Naukowych Pionu Gorniczego. -Krakow: AGH, 2014. - P. 11. (дата обращения: 17. 02. 2023)

101. Silveira, P. A spatial interaction model with land use and land value [Text] / P. Silveira, T.P. Dentinho // Cities. - 2018. - Vol. 78. - P. 60-66. - DOI: 10.1016/j.cities.2017.08.023

URL:

https://www.sciencedirect.com/science/article/abs/pii/S0264275117306637

102. Курлов, А. В. Интеграция сквозных технологий с пространственными данными для эффективного управления городом / А. В. Курлов, П. В. Белова, П. Г. Егорова // Цифровые горизонты: наука и общество в эпоху технологической трансформации: Сб. науч. трудов по материалам Международной научно-практической конференции, Санкт-Петербург, 14 июня 2024 года. - СПб.: Печатный цех, 2024. - С. 130-138.

103. Sirait, H. A Basic Elements and Characteristics in Building an Expert System [Text] / H. Sirait // Journal Neosantara Hybrid Learning. - 2023. - Vol. 1. -N. 3 - P. 227-248. - DOI: 10.55849/jnhl.v1i3.337. URL: https://www.researchgate.net/publication/376727604 Basic Elements and Charac teristics in Building an Expert System

104. Peng, Roger D. The Art of Data Science. A Guide for Anyone Who Works with Data/ Roger Peng, E. Matsui [Electronic resource]. - Access mode: http://bedford-computing. co. uk/learning/wp-content/uploads/2016/09/artofdatascience. pdf

105. Росреестр. Федеральная служба государственной регистрации, кадастра и картографии. https://rosreestr.ru/site/

106. Федеральный закон от 29.07.1998 № 135-ФЗ (ред. от 14.02.2024) «Об оценочной деятельности в Российской Федерации» [Электронный ресурс] // СПС Консультант Плюс. - Режим доступа: https://www.consultant.ru/document/cons doc LAW 19586/

107. Стерник, С. Г. Разработка и апробация целевой дискретно-регрессионной модели массовой оценки рыночной стоимости земельных участков на узких рынках [Текст] / С.Г. Стерник, Д.В. Азаров // Имущественные отношения в РФ. - 2023. - №7 (262) - С. 32-44 https://cyberleninka.ru/article/n/razrabotka-i-aprobatsiya-tselevoy-diskretno-regressionnoy-modeli-massovoy-otsenki-rynochnoy-stoimosti-zemelnyh-uchastkov-na-uzkih (дата обращения: 13.08.2024).

108. Абакумов, Р. Г. Специфика ценообразования на рынке недвижимости и оценка влияния местоположения на стоимость недвижимости

в городе Белгороде/Р.Г. Абакумов, О.Н. Моргунова, Д.Д. Крылова // Инновационная экономика: перспективы развития и совершенствования. 2018. №3 (29). URL: https:^yberlenmka.m/artide/n/spetsifika-tsenoobrazovamya-na-rynke-nedvizMmosti-i-otsenka-vHyamya-mestopolozhemya-na-stoimost-nedvizhimosti-v-gorode-belgorode (дата обращения: 17.02.2023).

109. Лепихина, О. Ю. Вариативный учет ценообразующих факторов при кадастровой оценке земель / О.Ю. Лепихина, Е.А. Правдина // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2019. -Т. 330. - №2. - 65-74

110. Севостьянов, А. В. Методика оценки градостроительной ценности земель под жилую застройку [Текст] / А.В. Севостьянов, И.Х. Ишамятова // Имущественные отношения в РФ. - 2020. - №8 (227). - С. 90-101 https://cyberleninka.ru/article/n/metodika-otsenki-gradostroitelnoy-tsennosti-zemel-pod-zhiluyu-zastroyku (дата обращения: 20.08.2024).

111. Овсянников, А. С. Местоположение как один из факторов, определяющих инвестиционную привлекательность объектов коммерческой недвижимости / А.С. Овсянников, Т.А. Боева // Экономика в инвестиционно-строительном комплексе и ЖКХ. - 2019. - № 1 (16). - С. 78-83.

112. Курлов, А. В. Теоретические аспекты построения математических моделей геоинформационного анализа: Монография [Текст] / А.В. Курлов, С.В. Колесниченко, М.А. Арутюнян [и др.]. — СПб.: Издательско-полиграфическая ассоциация высших учебных заведений, 2023. - 208 с. -ISBN 978-5-91155-23

113. Александрова, О. В. Экономико-математические методы и моделирование кадастра объектов недвижимости: Учебно-методическое пособие для студентов направления подготовки 21.03.02 «Землеустройство и кадастры» / О.В. Александрова. - Макеевка: Донбасская академия строительства и архитектуры, 2020. - 121 с. https://www.researchgate.net/publication/354717451 Ekonomiko-

matematiceskie metody i modelirovanie kadastra obektov nedvizimosti ucebno -metodiceskoe posobie

114. Baur, K. Automated real estate valuation with machine learning models using property descriptions [Text] / K. Baur, M. Rosenfelder, B. Lutz // Expert Systems with Applications. - 2023. - Vol. 213. - Part C. - Art. 119147 - DOI: 10.1016/j.eswa.2022.119147.

https://www.sciencedirect.com/science/article/pii/S0957417422021650

115. Лейфер, Л. А. Модифицированный метод выделения. Проблемы точности индивидуальной оценки земельных участков [Текст] / Л.А. Лейфер, Т.В. Афанасьева (Крайникова), Л.М. Тимуркаева // Имущественные отношения в РФ. - 2021. - №1 (232) - С.27-38. - DOI: 10.24412/2072-4098-2021-10102

116. Камынина, Н. Р. Обзор проблемы учета пространственного фактора в математических моделях оценки рыночной стоимости земельных участков [Текст] / Камынина, Н.Р [и др]. // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2023. - Т. 67. - №4. - С. 76-89. -D0I:10.30533/GiA-2023-039.

117. Ясницкий, Л. Н. Методика создания комплексной экономико-математической модели массовой оценки стоимости объектов недвижимости на примере квартирного рынка города Перми [Текст] / Л.Н. Ясницкий, В.Л. Ясницкий // Вестник Пермского университета. Сер. «Экономика» - 2016. - № 2(29). - С. 54-69. - DOI: 10. 17072/1994-9960-2016-2-54-69

118. Доренко, А. В. Применение нейросетевых технологий для автоматизации оценки жилой недвижимости [Текст] / А.В. Доренко, Д.С. Костяев // Известия ТулГУ. Сер. Экономические и юридические науки. - 2017. - №3. -С.201-210.

119. Курлов, А. В. Обзор проблемы учета пространственного фактора в математических моделях оценки рыночной стоимости земельных участков / А.В. Курлов, Н.Р. Камынина, М.В. Литвиненко [и др.] [электронный ресурс] // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2023. - Т.

67. - № 4. - С. 76-89. D0I:10.30533/GiA-2023-039. Режим доступа: https://journalgeo.ru/current-issue

120. Курлов, А. В. Оценка рыночной стоимости земельных участков с помощью регрессионного анализа и данных о рыночной стоимости на основе изученных сделок / А.В. Курлов [электронный ресурс] // Информация и космос. - 2023. - Вып. 4(3). - C. 137-144. - - Режим доступа: https://www.infokosmo.ru/file/article/17215.pdf

121. Курлов, А. В. Анализ требований к качеству пространственно-временных данных в задачах территориального планирования [электронный ресурс] / А.В. Курлов, А.В. Матерухин // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2022. - Т. 66. - № 4. - С. 59-68. DOI 10.30533/0536-101X-2022-66-4-59-68. - Режим доступа: https://journalgeo.ru/current-issue

122. Kim, B. A study on estimation of land value using spatial statistics: Focusing on real transaction land prices in Korea [Text] / B. Kim, T. Kim // Sustainability. - 2016. - Vol. 8. - P. 203 - 217. - DOI: 10.3390/su8030203

URL: https://www.mdpi.com/2071-1050/8/3/203

123. Стешенко, Д. Ю. Влияние выбора земельного участка на инвестиционную привлекательность объекта недвижимости [Текст] / Д.Ю. Стешенко, М.А. Окорокова // StudArctic Forum. - 2017. - №5. - C. 77-87 - DOI: 10.15393/j 102.art.2017.1021

124. Губанова, Т. М. Анализ влияния фактора «Расстояние до реки Волга» на стоимость жилой недвижимости с применением математических методов (на примере города Чебоксары Чувашской Республики) [Текст] / Т.М. Губанова, И.В. Никонорова // Региональные геосистемы. - 2019. - Т.43. - №3. -С.254-262. - DOI: 10.18413/2075-4671 -2019-43-3-254-262.

125. Битюкова, В. Р. Экологическая ситуация как фактор дифференциации цен на жилье в г. Москве/ В.Р. Битюкова, А.Г. Махрова, Е.П. Соколова // Вестник Московского университета. - Серия 5. География. - 2006. - №6. - URL: https://cyberleninka. ru/article/n/ekologicheskaya-situatsiya-kak-faktor-differentsiatsii-tsen-na-zhilie-v-g-moskve (дата обращения: 26. 07. 2023).

126. Бедин, Б. М. Факторы, влияющие на ценовую динамику рынка недвижимости/Б.М. Бедин, А.С. Гусак // Известия БГУ 2017. №2. URL: https://cyberleninka. m/article/n/faktory-vliyayuschie-na-tsenovuyu-dinamiku-rynka-nedvizhimost (дата обращения: 17. 05. 2023).

127. Бахарева, Н. А. Поддержка принятия решений при оценке земель [Текст] / Н.А. Бахарева // Economic Consultant. - 2015. - №1 (9) - С.50-56.

128. Alagappan, M. & Mariappan, Kumaran. (2013). Application of expert systems in fisheries sector/ M. Alagappan, K. Mariappan // Res. J. Animal Vet. Fishery Sci.. 19-30. https://www.researchgate.net/publication/288964151 Application of expert syste ms in fisheries sector? tp=eyJib250ZXh0Iip7ImZpcnN0UGFnZSI6Il9kaXJlY3Q iLCJwYWdlIioiX2RpcmVidCJ9fQ

129. Шулков, А. Л. Принципы создания экспертных систем [Текст] / А.Л. Шулков // Известия ЮФУ. Технические науки. - 1999. - №3. - С.45-47 https://cyberleninka.ru/article/n/printsipy-sozdaniya-ekspertnyh-sistem

130. Трухина, Н. И. Основы экономики недвижимости [Текст]: Учеб. пособие / Н.И. Трухина, В.Н. Баринов, И.И. Чернышихина; Воронежский ГАСУ. - Воронеж, 2014. - 185 с. - ISBN 978-5-89040-477-0 https:// studfile .net/preview/16568014/

131. Beron, K. J. Probit in a spatial context: A Monte Carlo approach [Text] / K.J. Beron, W.P. Vijverberg // In Advances in Spatial Econometrics: Methodology, Tools and Applications. - Berlin: Springer-Verlag. - 2004. - Chapter 8. - P. 169-195.

132. Flores-Lagunes, A. Estimation of sample selection models with spatial dependence [Text] / A. Flores-Lagunes, K. Schnier // Journal of Applied Econometrics. - 2012. - Vol. 27(2). - P. 173-204

133. Qu, X. LM tests for spatial correlation in spatial models with limited dependent variables [Text] / X. Qu, L.F. Lee // Regional Science and Urban Economics. - 2012. - Vol. 42. - N. 3. - P. 430-445.

134. Xu, X. Maximum likelihood estimation of a spatial autoregressive tobit model [Text] I X. Xu, L. Lee II Journal of Econometrics. - 2015. - Vol. 188. - N. 1.

- P. 264-280. - DOI: 10.1016lj.jeconom.2015.05

135. Жулькова, Ю. Н. Оценка стоимости земельных участков [Электронный ресурс]: Учебное пособие I Ю.Н. Жулькова, О.О. Орлова, Д.А. ^делина. - Нижний Новгород: ННГАСУ, 2016. - 101 с.: ил. 1 электрон. опт. диск (CD-R) ISBN 978-5-528-00129-6 https:llbibl.nngasu.ru/electronicresourcesluch-metodlland registryI867561.pdf

136. Программа для прогнозирования стоимости объектов недвижимости: Программа для ЭВМ [Текст] /В.А ^рлов, Д.А Юрченко; Заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский Государственный университет геодезии и картографии (МИИ^и^» - N 2023683241; заявл. 18.10.23; опубл. 03.11.23

137. ^рлов А.В. Организация индивидуализированного обучения в условиях цифровой трансформации вузов I А. Ю. Kондратьев, А. В. ^рлов II Материалы научно-методической конференции СЗИУ РАНХиГС. - 2022. - № 1. - С. 20-25. - EDN IYEJAX.

138. Власов, А. Д. Методологические основы определения рыночной и кадастровой стоимости застроенных земельных участков населенных пунктов/А.Д. Власов, В.Б. Жарников II Вестник СГУГиТ. - 2019. - Т. 24. - № 1.

- С. 158-173.

139. Дубровский, А. В. K вопросу совершенствования системы оценки недвижимого имущества на основе расчета показателя социальной комфортности/ А.В. Дубровский, Е.Д. Подрядчикова II Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2014. - № 4. - С. 153-157.

140. Дубровский, А. В. Особенности формирования рыночной стоимости жилой недвижимости в городах разных классификационных групп/ А.В. Дубровский, Е.А. Попп II Интерэкспо ГЕО-Сибирь. XIV Международный науч. конгресс: Международная науч. конференция «Экономическое развитие

Сибири и Дальнего Востока. Экономика природопользования, землеустройство, лесоустройство, управление недвижимостью»: Сб. материалов в 2 т. (Новосибирск, 23-27 апреля 2018 г.). - Новосибирск: СГУГиТ, 2018. - Т. 2. - С. 112-117.

141. Тригубец, О. А. О необходимости учета зон геодинамически активных разломов при кадастровой оценке земель населенных пунктов/ О.А. Тригубец, В.А. Киселев // Записки Горного института. - Т. 199. - СПб.: Санкт-Петербургский горный университет, 2012. - С. 320-324.

142. Федеральный закон "О государственной кадастровой оценке" от 03.07.2016 N 237-ФЗ [Электронный ресурс]. - URL: https://www.consultant.ru/document/cons doc LAW 200504/

143. Боровков, А. А. Математическая статистика: Учебник / А.А. Боровков 4-е изд., стер. - СПб.: Издательство Лань, 2010 - 704 с.

144. Шпигельхалтер, Д. Искусство статистики. Как находить ответы в данных/Д. Шпигельхалтер. - М.: Манн, Иванов и Фербер, 2020. - 134-155 с.

145. CatBoost: unbiased boosting with categorical features/ L. Prokhorenkova, G. Gusev, A. Vorobev [and others]. - URL: https://arxiv. org/abs/1706. 09516 URL: https://www.sciencedirect.com/science/article/abs/pii/S0169204612002708

146. Баюк, Д. А. Практическое применение методов кластеризации, классификации и аппроксимации: Монография/Д.А. Баюк, Д.В. Березин, В.А. Иванюк. - М.: Прометей, 2020. - 448 с. - ISBN: 978-5-00172-086-7

147. Назаров, К. С. Анализ соотношения кадастровой и рыночной стоимостей земельных участков Московской области / К. С. Назаров, Д. С. Валиев // Международный научно-исследовательский журнал. - 2016. - №6 (48). - URL: https://rese arch-journal

148. Cornwell, B. (2015). Linkage Criteria for Agglomerative Hierarchical Clustering. Social Sequence Analysis / B. Cornwell, 270-274

149. Rousseeuw, P. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis/ P. Rousseeuw // Journal of Computational and Applied Mathematics. - 1987, 20 November. - P. 53-65

150. Kurlov, A. Design of methodology for estimation of parcel investment attractiveness using spatially adjusted predictive modeling/ A. Kurlov [electronic resource] // E3S Web of Conferences: an open access publication series journal. -2023. - Vol. 431. - D01:10.1051/e3sconf/202343107033. Available at: https://www.e3s-

conferences.org/articles/e3sconf/abs/2023/68/e3sconf itse2023 07033/e3sconf its e2023 07033.html

151. André, F. T. From Softmax to Sparsemax: A Sparse Model of Attention and Multi-Label Classification/F. T. Andre, R. F. A. Martins. -https://arxiv.org/abs/1602.02068v2

152. Standard on Mass Appraisal of Real Property [Text] / Kansas City: International Association of Assessing Officers, 2019. - 17 p.

URL: https://www.iaao.org/media/standards/StandardOnMassAppraisal.pdf

153. Hu, S. Modeling land price distribution using multifractal IDW interpolation and fractal filtering method [Text] / S. Hu [and others] // Landscape and Urban Planning. - 2013. - Vol. 110. - P. 25-35. - DOI: 10.1016/j.landurbplan.2012.09.008

154. Ho, W.K.O. Predicting property prices with machine learning algorithms [Text] / W.K.O. Ho, B.-S. Tang, S.W. Wong // Journal of Property Research. - 2021. - Vol. 38. - P. 48-70. - DOI: 10.1080/09599916.2020.1832558 URL: https://www.tandfonline.com/doi/full/10.1080/09599916.2020.1832558

155. Deng, F. Uneven land reform and urban sprawl in China: The case of Beijing [Text] / F. Deng, Y. Huang // Progress in Planning. - 2004. - Vol. 61. - P. 211236. - DOI: 10.1016/j.progress.2003.10.004 URL: https://www.sciencedirect.com/science/article/abs/pii/S0305900603001004

156

ПРИЛОЖЕНИЕ А

Фрагменты исходного кода разработанного геоинформационного обеспечения экспертной системы для оценки рыночной стоимости земельных участков

Исходный код «Программа для выделения классов инвестиционной привлекательности земельных участков для коммерческого применения»:

import pandas as pd import numpy as np

import matplotlib.pyplot as plt from sklearn.cluster import DBSCAN

from sklearn.preprocessing import StandardScaler, LabelEncoder

import catboost as cb import seaborn as sns

import os, shutil, matplotlib from sklearn.cluster import KMeans

from sklearn.metrics import silhouette samples, silhouette score

from sklearn.model selection import train test split

from sklearn.metrics import mean squared error

from sklearn.metrics import r2 score

from sklearn.metrics import mean absolute error

from sklearn import preprocessing

from sklearn.inspection import permutation importance

import warnings

matplotlib. use('Agg')

pd.set option('display.max columns', None)

cfg type = 'parcels' df = parcels cfg clusters = 5

def Remove Outlier Indices(df merged): Q1 = df merged.quantile(0.25) Q3 = df merged.quantile(0.75) IQR = ' Q3 - Q1

trueList = ~((df merged < (Q1 -1.5 * IQR)) \(df merged > (Q3 + 1.5 * IQR))) return trueList

for x in ['area cost', 'cost']: nonOutlierList = Remove Outlier Indices(df[x]) df = df[nonOutlierList]

model = cb.CatBoostRegressor(loss function = 'MAE', eval metric='MAE', iterations=25000, early stopping rounds=1000, depth=8, verbose=1000, grow policy='Lossguide', max leaves=32, 12 leaf reg=1, min data in leaf=100) #depth=8, verbose=1000, iterations=10000, grow policy='Lossguide', max leaves=64, l2 leaf reg=3, early stopping rounds=2000

X, y = df.drop(columns=['h3 id', 'area cost', 'cost', 'longitude', 'latitude']), dff'area cost']

X train, X test, y train, y test = train test split(X, y, test size = 0.2, random state=999, shuffle=True)

train pool = cb.Pool(X train, y train) test pool = cb.Pool(X test, y test)

pred = model.fit(train pool, use best model=True, eval set=test pool) pred = model.predict(X test)

rmse = (np.sqrt(mean squared error(y test, pred)))

r2 = r2 score(y test, pred)

mae = mean absolute error(y test, pred)

print('Testing performance')

print('R2: {:. '.format(r2))

print('RMSE: {:. 2f} '.format(rmse))

print('MAE: {:. 2f} '.format(mae))

print('Average: {}'format(df['area cost'].mean()))

print('Median: {}'.format(df['area cost'].median()))

perm importance = permutation importance(model, X test, y test, n repeats=10, random state=1066)

sorted idx = perm importance.importances mean.argsort() fig = plt.figure(figsize=(12, 6))

plt.barh(range(len(sorted idx)), perm importance.importances mean[sorted idx], align='center')

plt.yticks(range(len(sorted idx)), np.array(X test.columns)[sorted idx]) plt.title('Важностъ признаков, земельные участки')

importances = model.feature importances feature names = model.feature names

importance indices = np.argsort(importances)[::-1] sorted importances = importances[importance indices] sorted feature names = feature names[importance indices]

top 5 feature names = sorted feature names[:5]

X test['error'] = abs(y test - pred)

X, y = df.drop(columns=['area cost', 'cost']), df['area cost'] X train, X test 2, y train, y test = train test split(X, y, test size = 0.2, random state=999, shuffle=True)

X test['h3 id'] = X test 2['h3 id'] X_test['latitude'] = X_test_2['latitude']

X test['longitude'] = X test 2['longitude']

X test.to csv(cfg type + " with error. csv") cfg clusters = 10

for features in [top 5 feature names]:

path = "/content/" + cfg type + "/" + cfg type + " " + str(cfg clusters) + "/" + str(features) + "/" try:

shutil. rmtree(path) except Exception: pass

os.makedirs(os.path.dirname(path), exist ok=True)

warnings.filterwarnings("ignore", message="The default value of n inif will change from 10 to 'auto' in 1.4. Set the value of n inif explicitly to suppress the warning")

kmeans = KMeans(n clusters=cfg clusters, random state=42)

clusters = kmeans.fit predict(df[features])

silhouette avg = silhouette score(df[features], clusters)

print("Featuresset: " + str(features[1:]) + "\n" + "Score: " + str(silhouette avg))

df['cluster'] = clusters

df['cluster'] = df['cluster'] + 1

df.to csv(path + "clustered dataframe.csv")

unique labels, counts = np.unique(df['cluster'].values, return counts=True)

fig, ax = plt.subplots() fig.set size inches(15, 10) ax.bar(unique labels, counts) ax.set xticks(unique labels) ax.set xlabel('ClusterLabel') ax.set ylabel('Count')

рЬ.Ш1е("Распределение количества кластеров в кластеризации " + cfg type + "и " + "\n" + str(features)) '

plt.savefig(path + "distr count.png", dpi=fig.dpi)

labelz = ['area cost', features[1:][0], features[1:][1]]

colors = ['#DF2020', '#81DF20', '#2095DF', '#1195DF', '#299511'] kmeans = KMeans(n clusters=cfg clusters, random state=42) df['cluster'] = kmeans.fit predict(df[features]) fig = plt.figure(figsize=(20, 20), dpi=100) ax = fig.add subplot(131, projection='3d')

ax.scatter(df[labelz[0]], df[labelz[1]], df[labelz[2]], c=df.cluster, s=15) ax. set_xlabel(labelz[0])

ax.set ylabel(labelz[1]) ax.set zlabel(labelz[2])

рЬлШе("Резулътаты кластеризации при 10 кластерах") plt.savefig(path + "3dcluster.png", dpi=fig.dpi, bbox inches='tight')

for element in features:

data = df.groupby('cluster')[element].apply(list).tolist()

fig, ax = plt.subplots(figsize=(15, 7)) bp = ax.boxplot(data)

plt.title('Распределения признака ' + element + ' в зависимости от кластера')

plt.savefig(path + "boxplot" + element + ".png", dpi=fig.dpi)

Исходный код «Программа для экспертной системы прогнозирования стоимости перепродажи земельных участков»:

css:

html, body { margin: 0; padding: 0; height: 100%;

font-family: 'PTSans', sans-serif;

}

.row { display: flex; flex-wrap: wrap; margin: 0 -10px;

}

.columns { padding: 0 10px; box-sizing: border-box;

}

input {

margin-left: 5px; margin-right: 5px; box-sizing: border-box; width: 100%; padding: 10px; margin-bottom: 10px; border-radius: 5px; border: 1px solid #ccc;

}

label { display: block; margin-bottom: 5px; font-weight: bold;

}

#map-plot { height: 500px; max-height: 500px; margin-left: 10px; margin-right: 10px;

}

/* Style the main header */ hi {

text-align: center; font-size: 36px; margin-top: 20px;

}

/* Style the input fields */ input[type=number] { width: 100%; padding: 10px; border-radius: 5px; border: ipx solid #ccc; margin-bottom : 10px;

}

/* Style the submit button */ #submit-btn {

background-color: #4CAF50; color: white; border: none; border-radius: 5px; padding: 10px 20px; cursor: pointer; margin-top: 10px;

#submit-btn:hover {

background-color: #3e8e41;

}

#submit-b {

background-color: #4CAF50; color: white; border: none; border-radius: 5px; padding: 10px 20px; cursor: pointer; margin-top: 10px;

}

#submit-b:hover {

background-color: #3e8e41;

}

/* Style the map and price plots */ .plot-container { margin-top: 20px; border: 1px solid #ccc; border-radius: 5px; padding: 10px;

} }

/* Style the price plot */ #price-plot { height: 300px; margin-top: 20px;

}

/* Style the row containers */ .row {

display: flex; flex-wrap: wrap; margin: 0 -10px;

}

/* Style the column containers */ .columns { flex: 1;

padding: 0 10px;

}

python: import dash

import dashcorecomponents as dcc import dashhtmlcomponents as html import pandas as pd importplotly.express aspx

from dash.dependencies import Input, Output, State externalstylesheets = ['assets/stylesheet.css']

app = dash.Dash(_name_, external_stylesheets=external_stylesheets)

app.layout = html.Div([ htm l. Н1('НейроРиелтер'),

html.H2('npoaHaMU3upoeamb новый земельный объект', style={"margin": "20px"}), html.Div([

html.Button('Filters', id='filter-button', n_clicks=0), html.Button('AddObject', id='add-object-button', n_clicks=0), ], style={'display': 'inline-block', 'margin': '20px'}), html.Div([ html.Div([

html.Label('Price'),

dcc.Slider(id='price-slider', min=0, max=100, step=1, value=50), html.Br(),

html.Label('Land Category'), dcc.Dropdown(

id= 'land-category-dropdown', options=[

{'label': 'Option 1', 'value': 'optl'}, {'label': 'Option 2', 'value': 'opt2'}, {'label': 'Option 3', 'value': 'opt3'}

],

value='opt1'

),

html.Br(),

html.Label('Location'), html.Div([

dcc.Dropdown(

id= 'district-dropdown', options=[

{'label': 'District 1', 'value': 'd1'}, {'label': 'District 2', 'value': 'd2'}, {'label': 'District 3', 'value': 'd3'}

],

value='d1'

),

dcc.Dropdown(

id= 'metro-dropdown', options=[

{'label': 'Metro 1', 'value': 'ml'}, {'label': 'Metro 2', 'value': 'm2'}, {'label': 'Metro 3', 'value': 'm3'}

],

value='m1'

),

]),

], id=filter-menu', style={'display': 'none'}), html.Div([

html.Label('HoMep земельного объекта'), dcc.Input(id='number', type='number', value=None), html.Label('Широта'),

dcc.Input(id='latitude', type='number', value=None),

html.Label('Долгота'),

html.Div([

html.Iframe(src="https://studiofoursquare.com/public/a49f071c-f8e6-494a-8901-bd382dcf2341/embed", style={"display ": "inline-block",

"borderRadius": "15px", "width":"60%", "height":"500px", "marginRight": "30px", "float": "right", "frameborder":"0"}), html.Div([

html.Label('HoMep земельного объекта'), dcc.Input(id='number', type='number', value=None), html.Label('Широта'),

dcc.Input(id='latitude', type='number', value=None), html.Label('Долгота'),

dcc.Input(id='longitude', type='number', value=None), html.Br(),

html.Button('Добавить объект', id='submit-btn'), html.Br(),

html.Button('Bb^py3umb', id='submit-b', style={'align': 'right'}) ], style={'width': '30%', 'display': 'inline-block', 'margin': '20px'}), ], style={'width': '100%', 'margin': '0 auto, margin-left: "20px'})])

])

])

if_name_== '_main_':

app.run_server(debug=True)

Исходный код «Программа для прогнозирования стоимости объектов недвижимости»:

import catboost as cb import seaborn as sns #import shap

from sklearn.modelselection import train test split from sklearn.metrics import meansquarederror from sklearn.metrics import r2_score from sklearn.metrics import meanabsoluteerror from sklearn.inspection importpermutationimportance

dflearn = df

X, y = df_learn.drop(columns=['area_cost']), dfjearn['area_cost']

Xtrain, ytrain = df_learn.drop(columns = ['areacost']), dfjearn['area_cost']

Xtest, ytest = df_learn.drop(columns = ['area cost']), dfjearn['area_cost']

train_pool = cb.Pool(X_train, y train) test_pool = cb.Pool(X_test, y test)

X train, X test, y train, y test = train_test_split(X, y, random_state=999, shuffle=True)

badx, Xtest, bad_y, ytest = train_test_split(X, y, testsize = 0.2, random_state=999, shuffle=True)

train_pool = cb.Pool(X_train, y train) test_pool = cb.Pool(X_test, y test)

model = cb.CatBoostRegressor(loss_function = 'MAE', eval_metric='MAE', iterations=25000, early_stopping_rounds=1000, depth=6, verbose=1000, grow_policy='Lossguide', max_leaves=32, l2_leaf_reg=3, min_data_in_leaf=100)

pred = model.fit(train_pool, use_best_model=True, eval_set=test_pool) pred = model.predict(Xtest)

rmse = (np.sqrt(mean_squared_error(y_test, pred)))

r2 = r2_score(y_test, pred)

mae = mean_absolute_error(y_test, pred)

print('Testing performance') print('R2: {:. 2f}'.format(r2)) print('RMSE: {:. 2f} '.format(rmse)) print('MAE: {:.2f}'.format(mae))

ПРИЛОЖЕНИЕ Б

Акты о внедрении результатов диссертационной работы

АКТ о внедрении результатов диссертационной работы Курлова Алексея Викторовича на тему: «Разработка геоннформамионного обеспечения экспертной системы для оценки рыночной стоимости земельных участков на основе анализа динамических характеристик пространственного фактора с применением алгоритмов кластеризации и прогнозирования»

Настоящим подтверждается, что разработанные в диссертации алгоритмы были внедрены в деятельность ООО «Б5Г», специализирующегося на разработке и сопровождении геоинформационных систем, а также комплексной аналитике и картографическом моделировании. В рамках производственной деятельности ООО «Б5Г» была использована методика модернизации геоинформационного обеспечения экспергной системы для оценки рыночной стоимости земельных участков, позволяющая осуществлять обработку разнородных пространственных данных (кадастровая информация, спутниковые снимки, инфраструктурные слои), что позволило повысить точность территориального анатиза при подготовке картографических материалов и технической документации.

Внедрение результатов исследования обеспечило повышение эффективности аналитических процессов компании, сокращение времени подготовки экспертных заключений, а также расширение функциональности разрабатываемых геоинформационных решений за счёт интеллектуальных методов пространственного анализа и прогнозирования.

УТВЕРЖДАЮ Генеральный директор

ООО «Б5Г»

: Фетисов А.В. «21» марта 2025 г.

ООО «Б5Г»

Генеральный директор

/ Фегисов А.В. /

Рисунок Б.1 - Акт о внедрении ООО «Б5Г»