Репетитор оценщика
Готовые работы заочников
Тесты:
Задачи:
Примеры работ по оценке
Экспертная и репетиторская помощь по решению тестов, задач, практикумов и всех других видов работ. Сергей.admin@refmag.ru,
Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |
Букинистическая книга:
Список литературы по оценке недвижимости > К вопросу о моделях ценообразования и сегментации рынка жилой недвижимости
Харламов А.В., Захаров А.В. К вопросу о моделях ценообразования и сегментации рынка жилой недвижимости // Вестник Саратовского государственного социально-экономического университета. 2019. № 1 (75). С. 145-150.
Скачать оригинал статьи
Фрагмент работы на тему "К вопросу о моделях ценообразования и сегментации рынка жилой недвижимости"Aleksander Vladimirovich Kharlamov, PhD in Economics, associate professor of the department of fundamentals of mathematics and informatics, National Research Saratov State University Aleksander Vladimirovich Zakharov, PhD in Physics and Mathematics, expert, LLC "Ekspertiza RSN" Александр Владимирович Харламов, кандидат экономических наук, доцент кафедры основ математики и информатики, Саратовский национальный исследовательский государственный университет им. Н.Г. Чернышевского harlamovav@info.sgu.ru Александр Владимирович Захаров, кандидат физико-математических наук, эксперт, ООО «Экспертиза РСН» akm01@mail.ru УДК 330.4 К ВОПРОСУ О МОДЕЛЯХ ЦЕНООБРАЗОВАНИЯ И СЕГМЕНТАЦИИ РЫНКА ЖИЛОЙ НЕДВИЖИМОСТИ В статье рассматриваются проблемы оценки стоимости жилой недвижимости с помощью методов эконометриче- ского моделирования. В частности, проводится анализ рисков, возникающих при оценивании объектов недвижимости в долгосрочной перспективе. Для повышения качества прогноза модели ценообразования желательно строить по однородным данным. Сегментация рынка позволяет получить качественную однородность. В статье анализируются два сегмента на вторичном рынке жилья г. Саратова - сегмент однокомнатных квартир в пятиэтажных домах и сегмент однокомнатных квартир в девятиэтажных домах. Анализ проводится как во временном, так и в пространственном направлениях. Временное исследование сегментов подтвердило предположение об их разнонаправленном развитии. Можно заключить, что с 2008 г. в сегменте пятиэтажных домов имеется заметное снижение стоимости квартир, в то время как сегмент квартир в девятиэтажных домах проявил тенденцию к росту. Эконометрические модели ценообра- зования отразили динамику рынка в данных сегментах за анализируемый период и показали большее соответствие эмпирическим данным и, как следствие, более высокое качество прогноза, чем общие модели. В отличие от качествен- ной сегментации, пространственная сегментация также показала различия в тенденциях на выделенных простран- ственных сегментах, но модели ценообразования, построенные на этих сегментах, не позволили улучшить качество прогноза. Ключевые слова: модели ценообразования, массовая оценка жилья, сегментация рынка недвижимости, тенденции на рынке недвижимости, прогнозирование. 146 • Вестник СГСЭУ. 2019. № 1 (75) • OVERVIEW OF THE MODELS OF PRICING AND SEGMENTATION OF RESIDENTIAL REAL ESTATE MARKET The article deals with the problems of estimating the value of residential housing with the help of econometric methods. In particular, the authors analyze risks arising from estimating the value of real estate in the long term. To improve the quality of value forecasting it is recommended to build pricing models on homogeneous data. Market segmentation provides high-quality homogeneous data. The article analyzes two segments in the secondary housing market in Saratov: a segment of one-bedroom apartments in five-floor houses and a segment of one-bedroom apartments in nine-floor houses. The analysis is carried out both with the help of time-series methods and spatial methods. Time-series analysis of the segments confirmed the assumption of their opposite dynamics. It can be concluded that since 2008 there has been a noticeable decrease in the price of apartments in the segment of five-floor houses, while the segment of apartments in nine-floor houses has shown a tendency to increase. Econometric pricing models predicted the dynamics of the market in these segments for the analyzed period and showed greater consistency with the empirical data and, as a result, they produced a higher forecast quality than general models. In contrast to qualitative segmentation, spatial segmentation also revealed different trends in the selected spatial segments but pricing models built on these segments did not improve the quality of the forecast. Keywords: pricing models, valuation of housing, segmentation of the real estate market, trends in the real estate market; forecasting. Рынок жилой недвижимости находится под значительным влиянием факторов, определяющих социально-экономическое развитие как страны в целом, так и отдельных регионов. Сложные при- чинно-следственные взаимосвязи между факторами (государственное регулирование, макро- и микро- экономические состояния, социальное положение и природные условия в регионе), воздействующими на рынок недвижимости, определяют его состояние и конъюнктуру. А сам рынок, в свою очередь, яв- ляется отражением этих сложных взаимосвязанных процессов. Поэтому оценка товара на этом рынке представляет собой нетривиальную задачу. Наи- более актуальной является оценка жилой недвижи- мости, потому что в большей степени затрагивает интересы рядовых граждан. На рынке недвижимости могут использоваться различные подходы и методы оценки объектов. Можно выделить три основных подхода: доходный, затратный и сравнительный. Доходный подход по- зволяет оценить стоимость недвижимости на дату оценки как текущую стоимость будущих денежных потоков. Затратный подход, как правило, применя- ется к новым или недавно построенным объектам. Одним из эффективных способов оценки не- движимости является сравнительный подход, ос- нованный на информации о недавних сделках с аналогичными объектами на рынке. Наибольшего эффекта этот метод достигает на развитом рынке недвижимости, когда можно использовать методы статистического и эконометрического моделиро- вания, в частности строить трендовые и регресси- онные модели, которые позволяют выявлять фак- торы, обусловливающие и объясняющие изменение стоимости объектов недвижимости на рынке. Построение эконометрических моделей можно рассматривать как элемент цифровой экономики, позволяющий субъективные подходы оценщиков заменить технологией оценки, основанной на объ- ективных рыночных показателях. Использование эконометрических моделей по- зволяет выявлять силу и вектор влияния различных факторов на рыночные процессы и явления, опре- делять благоприятные и неблагоприятные условия инвестирования, принимать оправданные решения по минимизации рисков, характерных как для от- дельных граждан, так и для региона [1-3]. Специфи- ческие риски возникают при необходимости оце- нивания объектов недвижимости в долгосрочной перспективе. Отдельно нужно рассматривать риски определения кадастровой стоимости, связанной с налогообложением недвижимого имущества на- селения [5; 8]. Эконометрические модели, верифицированные с использованием массовых данных рынка недви- жимости, позволяют строить ценовые прогнозы, наиболее приближенные к реальным (рыночным). Но и здесь существует ряд проблем качества вери- фикации, связанных, например, с неоднородностью рынка недвижимости. Пространственная неоднородность нашла свое решение в ряде новых подходов построения моде- лей, использующих методы анализа геокодирован- ных данных [1; 4]. Качественная неоднородность позволила сразу сегментировать рынок, например, на жилую и не- жилую недвижимость. В рынке жилой недвижимо- сти можно выделить сегмент многоквартирных домов, который, в свою очередь, можно разделить на рынок однокомнатных и многокомнатных квар- тир. Из практики продаж известно, что рынок одно- комнатных квартир является наиболее динамич- ным, объекты продаж имеют меньшую экспозицию, и в этом плане данный рынок представляет наи- больший интерес, как зеркало экономических ре- гиональных процессов. Временной анализ регионального рынка не- движимости [8-7] позволил выявить динамику как в процессе ценообразования на рынке недвижимо- сти, так и в соответствующих эконометрических моделях. А также позволил сделать предположение о наличии сегментов, имеющих разнонаправлен- ные тренды. Такое неоднородное развитие рынка во времени может создавать дополнительные риски и должно учитываться всеми заинтересованными сторонами в случаях, когда оценка осуществляет- ся на перспективу, например в целях налогообло- жения, определения залоговой стоимости, для ISSN 1994-5094 • 147 • инвестирования или сохранении средств и в ряде других случаев. Сделанное предположение нашло свое под- тверждение при сегментно-временном анализе рынка вторичного жилья однокомнатных квартир г. Саратова. Считается, что рынок новостроек и рынок вто- ричного жилья имеют существенные различия. Если развитие первого в основном определяется строительной политикой властей в регионе, воз- можностями и проектами девелоперов, то вторич- ный рынок отражает сложившуюся ситуацию в экономике региона и в большей степени определя- ется экономическими возможностями участников рынка. Нельзя не отметить существенного влияния первичного рынка на вторичный в случае массовой застройки, когда новое жилье практически сразу выходит на вторичный рынок и диктует на нем свои законы, особенно в отдельных сегментах, воздей- ствуя на тенденции, сложившиеся на вторичном рынке. Так, достаточно продолжительное время сегмент малоэтажного жилья был представлен старым жилым фондом с дешевыми объектами, но в последние годы на рынок вышло большое коли- чество таунхаусов, которые резко поменяли тен- денции в этом сегменте. С учетом данной ситуации для исследования были выбраны два сегмента вторичного рынка однокомнатных квартир г. Саратова. Это пятиэтаж- ные дома, менее всего подверженные воздействию рынка новостроек, и девятиэтажные дома. Исход- ные данные с 1998 по 2018 г. были получены из объявлений о продажах квартир, представленных в открытых источниках - газетах и сайтах о недви- жимости. Применение дескриптивной статистики позво- лило провести анализ динамики средней стоимости квадратного метра и динамики средней стоимости квартир в сегментах пятиэтажных и девятиэтажных домов. Средняя стоимость квадратного метра статисти- чески не различалась только в 1998 г., в начале ста- новления рынка. Все последующие годы стоимость квадратного метра в девятиэтажном доме превыша- ла стоимость квадратного метра в пятиэтажном доме (табл. 1), что также нашло свое отражение в соот- ветствующих эконометрических моделях [1]. Анализ динамики средних цен за квадратный метр позволяет проследить тенденции развития этих сегментов и отметить, что максимум был достигнут в предкризисном 2008 г., затем было проседание цены, но в 2018 г. в сегменте девятиэтажек наметил- ся рост, а сегмент пятиэтажек продолжил свое сни- жение. Если принять во внимание, что стоимость метра однокомнатных квартир превосходит стои- мость метра двухкомнатных и трехкомнатных, то можно заключить, что сегмент пятиэтажек имеет тенденцию к снижению стоимости. Данная тенден- ция еще более четко прослеживается на динамике средней стоимости квартир (табл. 2). При этом в секторе высотного (читай - нового) жилья прослеживается слабый, но рост. Для анализа влияния пространственной состав- ляющей на данные сегменты были рассчитаны средние показатели стоимости квадратного метра для каждого административного района города. С учетом территориального фактора выявились следующие тенденции в средних показателях для пятиэтажных домов (табл. 3). Если в четырех центральных районах (Фрунзен- ский, Кировский, Октябрьский, Волжский) имеет- ся тенденция к повышению цены квадратного ме- тра, то в двух удаленных районах (Ленинский и Заводской) цена имеет тенденцию к уменьшению. Причем высокие средние цены статистически не- различимы, и для разных лет максимум средней цены перемещается из района в район. Средние цены квадратного метра для двух удаленных рай- онов статистически различимы, что говорит о не- которых различиях тенденций для этих районов. Таблиц а 1 Средняя цена квадратного метра в однокомнатных квартирах в пяти- и девятиэтажных домах, тыс. руб. Этажность Год 1998 1999 2000 2001 2002 2003 2008 2013 2018 Пять 3,1 4,1 4,6 6,4 9,9 11,6 41,2 37,9 38,6 Девять 3,3 4,7 5,3 6,9 10,2 12,5 43,5 40,6 43,0 Таблиц а 2 Средняя цена однокомнатной квартиры в пяти- и девятиэтажных домах, тыс. руб. Этажность Год 1998 1999 2000 2001 2002 2003 2008 2013 2018 Пять 59 131 147 203 315 371 1338 1222 1202 Девять 112 153 176 231 345 432 1560 1382 1448 148 Вестник СГСЭУ. 2019. № 1 (75) • Таблиц а 2 Средняя цена квадратного метра в пятиэтажных домах по районам города, тыс. руб. Год Район Фрунзенский Кировский Ленинский Октябрьский Волжский Заводской 1999 5,6 4,5 3,8 4,9 5,1 3,3 2000 5,9 5,2 4,3 5,1 5,8 3,9 2001 7,2 7,0 5,8 7,3 8,3 5,2 2002 13,0 11,6 9,3 11,6 11,7 8,2 2003 14,1 13,1 10,4 13,3 14,3 9,4 2008 48,7 43,4 38,6 47,4 47,8 36,4 2013 44,2 39,4 35,4 43,1 43,9 33,6 2018 46,7 42,9 35,6 47,0 44,8 33,1 Таблиц а 4 Средняя цена квадратного метра в девятиэтажных домах по районам города, тыс. руб. Год Район Фрунзенский Кировский Ленинский Октябрьский Волжский Заводской 1999 5,4 5,0 3,8 5,2 5,3 3,7 2000 5,9 5,9 4,5 6,3 5,8 4,5 2001 8,6 7,6 6,0 7,9 8,0 5,7 2002 11,7 11,6 9,2 11,8 10,9 8,8 2003 14,2 13,9 10,6 14,6 15,2 10,1 2008 51,4 47,9 38,2 53,7 50,1 36,6 2013 42,5 43,7 36,8 46,1 47,4 35,8 2018 54,5 45,9 38,1 50,1 50,7 36,4 Динамика изменения цены квадратного метра для девятиэтажного сегмента представлены в табл. 4. Тенденции изменения цен по районам в данном сегменте в основном совпадают: заметен слабый рост, но в то же время аномально сильный рост во Фрунзенском районе, практически на 30%. Это еще одна иллюстрация влияния первичного рынка на вторичный. Анализ представленных данных подтверждает предположение, что не только временной фактор, но и пространственный оказывают влияние на раз- витие рынка жилой недвижимости. Это необходи- мо учитывать при прогнозировании развития уже самих районов. Для расчета прогноза по цене квартиры на вторичном рынке можно применять эконометри- ческие модели. Достаточно эффективным инстру- ментом прогноза себя зарекомендовали классиче- ские модели множественной линейной регрессии, которые позволяют построить прогноз, наиболее соответствующий рынку на данном этапе и для данного сегмента. Параметры моделей представ- лены в табл. 5. Таблиц а 5 Используемые параметры моделей Обозначение Описание y цена квартиры, тыс. р. x 1 жилая площадь квартиры, м 2 x 2 площадь кухни, м 2 x 3 дополнительная площадь, м 2 x 4 квартира расположена на первом этаже x 5 квартира расположена на последнем этаже x 6 квартира в хорошем состоянии x 7 имеется балкон x 8 раздельный санузел x 9 планировка «гостинка» x 1 0 логарифм расстояния до центра города в м x 1 1 кирпичный дом x 1 2 имеется лоджия x 1 3 индивидуальная планировка x 1 4 планировка «студия» ISSN 1994-5094 149 • • Таблиц а 6 Модели ценообразования для однокомнатных квартир в пятиэтажных домах Год R 2 Модель 1998 0,91 y=349-32,4x10 1999 0,80 y=244+2,9x1+3,3x+1,2x3-12,2x5+8,6x7-24,3x10 2000 0,72 y=262+2,4x, +6,4x+1,3x+6,6x +10,3x +14,7x 26,4x, 2001 0,75 y=412+3,0x+7,2x+5,9x3-12,4x4-12,0x5 -41,9x10 2002 0,61 y=714+3,4x,+6,8x+4,7x-11,8x+13,5x+25,5x-20,5x,n 1 2 3 5 7 8 10 2003 0,69 y=760+7,0x, +7,5x+3,0x-12,0x-16,7x+26,5x+12,7x-71,8x, J 7 n 1 7 2 7 3 ' 4 ' 5 ' 6 ' 7 '1 0 2008 0,68 y=2254+25,7x,+22,8x+11,0x-98,2x-65,7x+233,0x-195,1x, J n '1'2'3'4' 5 ' 6 '1 0 2013 0,70 y=2438+19,3x.+21,0x.+7,6x J 3-104,0x.-85,5x-+132,9x6-459,6x9-205,1x.n ' 1 ' 2 ' 3 ' 4 ' 5 ' 6 ' 9 '1 0 2018 0,58 y=2257+22,7x1+34,1x2+27,7x3-127,4x4-50,2x5+226,4x6-259,9x9-216,1x10 Таблиц а 7 Модели ценообразования для однокомнатных квартир в девятиэтажных домах Год R 2 Модель 1998 0,76 y=256+1,9x1-22,1x10 1999 0,72 y=209+4,3x,+5,2x+1,9x-10,0x-13,7x +15,6x +6,1x 7,9x 24,5x +4,8x ]+10,3x1, J 7 1 7 2 7 3 ' 4 ' 5 7 6 7 7 7 9 '1 0 '1 1 '1 2 2000 0,82 y=318+4,3x,+4,7x+3,8x, -13,9x-6,8x+21,6x+4,5x-13,2x-24,5x,n 1 2 3 4 5 6 7 8 10 2001 0,76 y=440+3,5x,+5,9x+3,2x-11,0x-19,6x+17,7x-20,3x-42,0x,+6,6x,, J 7 1 7 2 7 3 ' 4 ' 5 ' 6 ' 9 '1 0 '1 1 2002 0,63 y=593+6,1x,+7,3x+5,1x-16,1x-11,4x+16,7x-29,3x-48,5x, J 7 n 1 7 2 7 3 ' 4 ' 5 ' 6 ' 9 '1 0 2003 0,72 y=777+10,1x1+5,6x2+4,7x3-21,5x4-17,9x5+23,5x6+18,4x7-32,6x9-76,9x10+ 24,8x12 2008 0,68 y=2758+26,3x,+54,9x+22,0x-107,2x-80,2x+368,1x-288,6x,+85,0x,, J '1'2' 3 7 4 7 5 ' 6 '1 0 '1 1 2013 0,70 y=1892+33,3x J 1+24,2x.+13,0x3-108,7x4-66,8x_+107,4x6+80,3x7-139,3x9-180,4x1n+42,3x11+89,2x1. ' 1 ' 2 ' 3 ' 4 ' 5 ' 6 ' 7 ' 9 '1 0 '1 1 '1 2 2018 0,69 y=2533+31,6x1+64,2x2+27,0x3-120,0x4-216,1x10+40,6x11+157,3x13+ 272,9x14 В табл. 5 представлены статистически значи- мые показатели, включенные в эконометрические модели. Как правило, в объявлениях содержится гораздо больше информации. С развитием рынка недвижимости и увеличением объема предложе- ний растет число характеристик объектов продаж, которые, по мнению продавцов, должны положи- тельно влиять на цену и/или увеличивать привле- кательность соответствующего предложения. Но реально на цену влияет ограниченное число фак- торов, степень влияния которых может меняться во времени, что нашло свое отражение в соответ- ствующих моделях ценообразования (табл. 6 и 7). Также отметим, что в ходе развития рынка неко- торые характеристики качества квартир претер- певают изменения. Поэтому часть показателей, положительно влияющих на цену предложения, пришлось приводить к единой характеристике. Например, все качественные улучшения квартиры (хороший ремонт, отличное состояние, повышен- ная комфортность и некоторые другие) нашли отражение в показателе «квартира в хорошем состоянии». Модели ценообразования, построенные для каждого рассмотренного года для сегмента пятиэ- тажных домов, представлены в табл. 6. Рассмотрим полученные результаты. Коэффи- циент детерминации (R2), характеризующий каче- ство модели, оказался самым большим в 1998 г. Данная ситуация говорит сама за себя: при нераз- витом рынке и дефиците предложения на цену оказывает влияние исключительно удаленность расположения квартиры от центра города. С ростом рынка на цену оказывает влияние все большее число разнообразных характеристик, но качество подгонки моделей при этом не улучшается. В сегменте девятиэтажных домов наблюдается большее разнообразие в ценообразующих факто- рах, прослеживается их эволюция во времени. Также можно отметить, что качество подгонки моделей колеблется от года к году, не выказывая явной тенденции. Но в обоих случаях модели, по- 150 • Вестник СГСЭУ. 2019. № 1 (75) • строенные на сегментах рынка, лучше соответству- ют эмпирическим данным (имеют больший коэф- фициент детерминации), чем соответствующие общие модели, а значит, могут давать более точный прогноз. Построение моделей по территориальным сег- ментам не позволило улучшить качество моделей (и здесь они не приводятся). Возможно, простран- ственное влияние необходимо учитывать более сложным образом. Например, с использованием геокодированных показателей [1; 4]. Также для выделения однородных групп объектов можно по- пытаться использовать пространственную класте- ризацию. По проведенному исследованию можно сделать следующие выводы. Чем в большей степени эко- нометрическая модель соответствует эмпириче- ским данным, тем более точный прогноз можно построить. Качество подгонки моделей напрямую зависит от однородности анализируемых данных, что встречается крайне редко в силу различных причин. Поэтому прогнозные модели должны в той или иной степени учитывать эту неоднородность. Один из вариантов преодоления неоднородности - выделение тех или иных сегментов. Так, уже раз- деляются, например, рынки первичного и вторич- ного жилья. Можно выделить еще сегменты по количеству комнат: однокомнатные и многоком- натные (последний, в свою очередь, можно также сегментировать). Рынок жилой недвижимости динамичен, но его сегменты могут развиваться разнонаправленно, что необходимо учитывать для минимизации рисков в перспективных оценках стоимости жилья для ин- вестиций, страхования или определения залога. 1. Балаш О.С., Харламов А.В. Эконометрическое моде- лирование пространственных данных (монография). Сара- тов: Научная книга, 2010. 2. Стебунова О.И. Моделирование стоимости жилья на вторичном рынке жилья // Вестник ОГУ. 2005. № 10. С. 179-182. 3. Стебунова О.И. К вопросу моделирования стоимости жилья на вторичном рынке // Научные школы и результаты в российской статистике: сб. мат. Междунар. науч.-практ. конф. Спб.: Знание, 2006. 4. Харламов А.В., Захаров А.В. Техника геокодирования в построении географически взвешенных регрессионных моделей при массовой оценке в условиях неопределенности и неоднородности исходных данных // Имущественные от- ношения в Российской Федерации. 2010. № 7 (106). С. 76-85. 5. Харламов А. В. Проблемы массовой оценки кадастро- вой стоимости недвижимости // Имущественные отношения в Российской Федерации. 2011. № 6 (117). С. 71-77. 6. Харламов А.В. Анализ динамики моделей ценообра- зования // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: мат. V Междунар. молодежной науч.-практ.конф. Саратов: Науч- ная книга, 2016. С. 113-117. 7. ХарламовА.В., ИвлиевА.Р. Динамика коэффициентов эконометрических моделей // Математическое и компью- терное моделирование в экономике, страховании и управ- лении рисками: мат. VI Междунар. молодежной науч.-практ. конф. Саратов: Научная книга, 2017. С. 93-98. 8. Харламов А.В. Проблемы оценки рыночной стоимости недвижимости // Страхование в эпоху цифровой экономики: проблемы и перспективы: сб. тр. XIX междунар. науч.-практ. конф.: в 2 т. Йошкар-Ола: Изд-во Марийского гос. ун-та 2018. Т. 2. Другие книги из этого разделаПроблемы оценки стоимости земли аграрных предприятий Свердловской области при процедурах банкротстваЭволюция понятия "недвижимое имущество" в истории законодательства России и зарубежных странО портфельных инвестициях в рынок недвижимости. Часть 1Проблемы оценки стоимости земли аграрных предприятий Свердловской области при процедурах банкротстваЭволюция понятия "недвижимое имущество" в истории законодательства России и зарубежных странО портфельных инвестициях в рынок недвижимости. Часть 1