.

Оцінка вартості земельної ділянки, будівель, споруд. Визначення вартості машин і обладнання (контрольна)

Язык: украинский
Формат: контрольна
Тип документа: Word Doc
526 4113
Скачать документ

КОНТРОЛЬНА РОБОТА

на тему:

Оцінка вартості земельної ділянки,

будівель, споруд. Визначення вартості машин і обладнання

1. Оцінка вартості земельної ділянки,

будівель, споруд

Метою оцінки є визначення оціночної вартості ( вірогідної ціни, за яку
може бути продана земельна ділянка чи нерухомість (з врахуванням
існуючих умов та обмежень) на дату оцінки.

Розглянемо дану проблему через призму технології нейромереж, нечітких
множин та генетичних алгоритмів. Такі підходи є першою спробою
розв’язання проблеми у вітчизняному землекористуванні.

Теоретична база нейромережних технологій ( це галузь штучного інтелекту.
Її популярність пояснюється насамперед схожістю з роботою біологічних
нейронних систем, зокрема головного мозку людини. Доведено, що штучна
нейронна мережа здатна точно апроксимувати практично довільну функцію
змінних, в тому числі і сильно нелінійну. Будь-яку математичну модель
можна створювати, згідно із концепцією будови нейрона.

Для визначення реальної вартості земельної ділянки, будинку тощо за
допомогою нейромережних технологій необхідно передовсім скласти базу
даних тих продаж, які вже відбулися за певний проміжок часу. Очевидно, в
кожному конкретному випадку набір вхідних показників, що впливають на
вартість об’єкту, може бути різноманітним, залежно, наприклад, від
району, де відбувається оцінка. Опісля виконується первісне навчання
нейронної мережі, котра згідно з цими даними формує свої внутрішні
правила, які віддзеркалюють вплив кожного із вказаних чинників на
реальну ринкову вартість об’єкту. Надалі кількість вхідних параметрів
можна зменшити, якщо стає відомо, що деякі з них мало впливають на
вихідну вартість. Для цього в сучасних нейромережах передбачено
спеціальний аналітичний блок. Після цього відбувається остаточне
навчання нейромережі і, надалі, для того щоб оцінити будь-який із
об’єктів, достатньо подати на вхід навченої нейромережі його параметри і
тут же одержати на виході його вартість. Залежно від ринкових тенденцій
нейронну мережу можна “донавчати” на прикладах оцінної вартості
земельних ділянок, з метою адаптації системи до нових умов. Для цієї
цілі слід розробити нейромережний пакет, що реалізований, наприклад, у
вигляді ActiveX ( компоненти як надбудови до електронних таблиць
Microsoft Excel 97. Авторами роботи такий пакет створено. В ньому
реалізовано два високоефективні адаптивні алгоритми навчання
багатоверствої нейронної мережі ( Resilient Propagation i Scaled
Conjugate Gradient Method. У вказаній роботі розглянуто приклад, що
демонструє технологію оцінки нерухомості за допомогою розглянутого
пакета. З рекламної преси було вибрано 176 записів про продажні ціни на
житлову нерухомість в сукупності з її параметрами. Для створення
нейромережної моделі були вибрані наступні параметри для входів
нейромережі: кількість кімнат, загальна площа, житлова площа, площа
кухні, поверх, кількість поверхів у будинку, наявність телефону, ліфта,
тип санвузла (суміщений, роздільний). Виходом для заданої моделі є ціна.
Розглядалась нерухомість загальної площі до 100 кв.м. і ціною до 30000$.
Вихідні дані були розміщені на листі Excel і опісля нормалізовані. Для
відображення якісних характеристик квартир, таких як тип санвузла і
кількість кімнат, використались окремі дискретні входи із значеннями 0
або1. Навчання виконувалось за допомогою алгоритму Scaled Conjugate
Gradient і тривало біля трьох хвилин (Pentium ( 233? 48 Mb RAM, Windows
NT 4,0/SP4). Похибка нейромережі після навчання склала 2,315.( 10-3.
Згідно з цим прикладом точність оцінки в середньому коливається в межах
50-100$, що в багатьох практичних випадках цілком достатня. Для
вдосконалення цієї оцінної моделі необхідно додати у вихідну таблицю
інші, впливаючи на ціну чинники, такі як: тип району, тип будови, рік
будівництва тощо. Для врахування ринкових тенденцій необхідно подати на
входи значення коефіцієнтів інфляції за деякий минулий проміжок часу,
динаміку курсу долара та інші індикатори, що характеризують стан і
динаміку ринку нерухомості.

За відсутності чіткої бази знань слід використовувати моделі
апроксимації нелінійних об’єктів згідно з лінгвістичними
висловлюваннями.

Розглядається об’єкт з одним входом (наприклад, це може бути грошова
оцінка землі) і n входами (бал бонітету ґрунту, кліматичні умови,
коефіцієнт місцеположення земельної ділянки відносно пунктів збуту
продукції, коефіцієнт місцеположення земельної ділянки в приміських
зонах великих міст, коефіцієнт місцеположення земельної ділянки відносно
інженерно-геологічних та санітарно-гігієнічних умов, коефіцієнт
місцеположення земельної ділянки відносно господарського двору, площа
земельної ділянки тощо). Він може бути визначений аналітично через
функцію

(1)

– вхідні змінні.

і у можуть бути як кількісними, так і якісними.

Приклади кількісних змінних: урожайність озимої пшениці = [10, 25] ц/га
та інші змінні, що легко вимірюється в прийнятих для них кількісних
шкалах.

– найвища урожайності.

Для кількісних змінних вважатимемо відомими області їх зміни:

(2)

відповідно нижнє (верхнє) значення вхідних та вихідної змінної.

задамося множиною всіх можливих значень:

(3)

– бальні оцінки, що відповідають найменшому (найбільшому) значенню
вхідних та вихідної змінних.

використовуватимемо якісні терми з наступних терм-множин:

– терм-множина змінної у;

– j-й лінгвістичний терм змінної у, а m – число входів змінної у.

відрізнятися одна від одної.

Наприклад,

Ґрунти західного регіону України: дерново-підзолисті, дерново-підзолисті
оглеєні, опідзолені, чорноземи типові, чорноземи і дернові грунти
щебенюваті, лугово-чорноземні, лугові, дернові.

і Y, що визначені співвідношеннями (2-3).

Повернемося знову до співвідношення (1). Тут передбачається, що вихід у
може бути:

– класи можливих значень вхідної змінної у.

Дискретизація неперервного виходу може відбуватися за правилом:

(4)

Тому для збору експертної інформації про об’єкти обох видів
використовується нечітка матриця знань.

Нечітка матриця знань

???????????????????????????????????????????????????????????????????????
?????????????????????????????

Цій матриці відповідає система висловлювань:

)

)…

),

тоді

(5)

– число з інтервалу [0,1], котре характеризує суб’єктивну міру
впевненості експерта в правилі з номером jp.

Тоді з використанням теорії нечітких множин та системи експертних
висловлювань (5) може бути отримана наступна модель нечіткої
апроксимації об’єкта (6):

(6)

.

Для формалізації нечітких термів, якими оцінюються входи об’єкта, можна,
наприклад, використовувати функції належності

(7)

, с – параметр стискання-розтягування.

, визначається згідно (6) так:

. (8)

Нечітка апроксимація об’єкта з неперевним входом здійснюється за
допомогою операції дефазифікації, яка перетворює результати нечіткого
логічного висновку (6) в чітке число:

. (9)

розбити на m рівних частин, тобто

то формула (9) спрощується і приймає вигляд, зручний для розрахунків

. (10)

Отже, за такої постановки питання, виникає задача знаходження як
параметрів w в (5), так і значень b та с функції (7). Така задача
відповідає етапу параметричної ідентифікації.

Модель об’єкта з неперервним виходом має вигляд:

(11)

– вектори параметрів функцій належності згідно з (7), N – загальне
число рядків в матриці знань, F – оператор “входи-вихід”, що
визначається (5-9). Навчальна вибірка визначається як М пар
експерементальних даних “вхід-вихід”:

. (12)

Згідно з методом найменших квадратів задача оптимальної настройки
нечіткої бази знань формулюється наступним чином: знайти такий вектор
(А,B,C), який задовольняє обмеженням

(13)

і забезпечує мінімум величині

. (14)

Модель об’єкта з дискретним входом – це вектор мір належності до кожного
класу:

(15)

який обчислюється згідно з співвідношеннями (6-7).

Навчальна вибірка визначається як L пар даних:

(16)

Задача оптимального настроювання нечіткої моделі об’єкта з дискретним
входом формулюється так: знайти такий вектор (А,В,С) який задовольняє
обмеження (13) і забезпечує мінімум величині

(17)

де

Для розв’язання задач (14) та (17), що належать до задач нелінійної
оптимізації, можуть бути використані різноманітні числові методи, серед
яких найбільш простим і універсальним є алгоритм найскорішого спуску. В
роботі [4] запропоновано застосування генетичних алгоритмів, які можуть
розглядатися як аналог випадкового пошуку, що ведеться паралельно з
різних початкових точок. Генетичний алгоритм використовує початкову
множину варіантів-рішень (батьків), що кодуються як хромосоми і
підлягають операціям схрещування і мутації. Операція схрещування
“народжує” нові варіанти рішення, а мутація забезпечує “перескоки” в
різні початкові точки.

В нечіткій матриці знань слід також враховувати і питому вагу і-ого
ґрунту в j-ій ґрунтовій зоні.

Із сказаного видно доцільність і переваги представлених методів перед
класичними оптимізаційними методами та необхідність впровадження їх у
виробництво.

2. Визначення вартості машин і обладнання

Оцінка виробничо-майнового потенціалу завжди підпорядкована певній меті,
вирішенню якого-небудь конкретного завдання. Оцінювач має добре знати це
завдання, заради якого здійснюється оцінка, щоб правильно вибрати
потрібний методичний інструментарій.

Потреби в оцінці вартості всього майнового комплексу підприємства
виникають і випадках: купівлі-продажу акцій підприємства на ринку цінних
паперів; купівлі–продажі частки в статутному капіталі товариства з
обмеженою відповідальністю; продажі підприємства повністю на аукціоні
або конкурсі при процедурі банкрутства або при приватизації державного
підприємства; передачі всього підприємства в оренду; реорганізації або
ліквідації підприємства; здійснення інвестиційного проекту підприємства;
одержання кредиту під заклад всього майна підприємства.

Оцінка вартості нерухомого майна підприємства здійснюється з метою:
продажу якої-небудь частини нерухомості підприємства; одержання кредиту
під заклад якої-небудь частини нерухомості підприємства; страхування
нерухомого майна підприємства; визначення бази оподаткування для
нарахування податку на майно; переоцінки основних засобів; оформлення
будь-якої частини нерухомості підприємства як внеску в статутний капітал
іншого новостворюваного підприємства; оцінки вартості нерухомого майна
підприємства при розробці бізнес – плану по реалізації якого-небудь
інвестиційного проекту; оцінки вартості нерухомого майна підприємства як
проміжного етапу в загальній оцінці вартості підприємства при
використанні затратного підходу.

Рис.1. Структурна схема формування вартості виробничо-майнового
комплексу підприємства і його складових елементів.

р

Оцінка вартості машин і обладнання проводиться при: продажу деяких
машин, одиниць обладнання, приладів та остатків; оформленні закладу під
частину рухомого майна для одержання кредиту; страхуванні рухомого майна
підприємства; передачі машин і обладнання в оперативну оренду;
організації лізингу машин і обладнання; визначенні бази оподаткування
для основних засобів при нарахуванні податку на майно; оформленні
яких-небудь машин і агрегатів об’єднання як вклад в статутний капітал
іншого підприємства; при розробці бізнес-плану для реалізації
якого-небудь інвестиційного проекту; проміжному етапі в загальній оцінці
вартості підприємства.

Оцінка вартості нематеріальних активів необхідна: при їх придбанні
іншою фірмою; при визначенні збитку, нанесеною діловою репутацією
підприємства незаконними діями зі сторони інших підприємств; при
використанні їх як внеску в статутний капітал новостворюваного
товариства; при визначенні гудвіла для загальної оцінки вартості
підприємства.

Список літератури

Постанова Кабінету Міністрів України “Про методику грошової оцінки
земель несільськогосподарського призначення (крім земель населених
пунктів)” від 30 травня 1997р.

Постанова Кабінету Міністрів України “Про методику грошової оцінки
земель сільськогосподарського призначення та населених пунктів”
(тимчасова) (із змінами, внесеними згідно з Постановами КМ № 864 від
31.10.95; №525 від 30.05.97): від 23 березня 1995р.

Кузнецов Н.А., Воищев А.В. Нейронные сети и оценка стоимости земельных
участков и недвижимости //Вісн. Харків.держ.агр.у-ту.- 1999.-№5.-
С.230-234.

Ротштейн А.П. Интелектуальные технологии идентификации: нечеткие
множества, генетические алгоритмы, нейронные сети.( Винница: «Инверсум –
Винница», 1999.- 320с.

Сохнич А.Я. Оптимізація землекористування в умовах реформування
земельних відносин.- Львів: “Українські технології”, 2000.- 108с.

Сявавко М.С., Рибицька О.М. Математичне моделювання за умов
невизначеності.- Львів: НВФ “Українські технології”, 2000.- 320с.

Ресурси підприємства

Праця

Земля

Капітал

Не зайнята (с.г. призначення

Машини і обладнання

Будівлі і споруди

З поліпшенням

технологічна

Управлінський персонал

Фінансові результати

Вартість виробничо-майнового комплексу п-ства

Вартість “гудвілу”

Вартість земельних ділянок

Вартість машин і обладнання

Вартість будівель і споруд

Нашли опечатку? Выделите и нажмите CTRL+Enter

Похожие документы
Обсуждение

Ответить

Курсовые, Дипломы, Рефераты на заказ в кратчайшие сроки
Заказать реферат!
UkrReferat.com. Всі права захищені. 2000-2020