RefMag.ru - Оценка. Помощь в решении задач, тестов, практикумов, курсовых, аттеста­ционных

RefMag.ru - Помощь в решении в учебе
Заказать:
- заказать решение тестов и задач
- заказать помощь по курсовой
- заказать помощь по диплому
- заказать помощь по реферату

Репетитор оценщика

Готовые работы заочников

Тесты:

Задачи:

Примеры работ по оценке

Примеры курсовых работ
Примеры аттест­ационных работ
Учебные дисциплины
Литература
Заказ работ:




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 > Применение методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка

Применение методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка

Бурова И.В., Паничкина М.В. Применение методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка // Международный журнал прикладных и фундаментальных исследований. 2016. № 10-3. С. 458-462.

Скачать оригинал статьи

Фрагмент работы на тему "Применение методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка"

INTERNATIONAL JOURNAL OF APPLIED AND FUNDAMENTAL RESEARCH № 10, 2016 458 ? ECONOMIC SCIENCES ? УДК 330.4: 519.25 ПРИМЕНЕНИЕ МЕТОДОВ ЭКОНОМЕТРИЧЕСКОГО АНАЛИЗА ДЛЯ ОЦЕНКИ ОБЪЕКТОВ НЕДВИЖИМОСТИ В?УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ РЫНКА 1 Бурова И.В., 2Паничкина М.В. 1 Крымский федеральный университет, Симферополь, e-mail: ira.vasilevna.59@mail.ru; 2 Южный федеральный университет, Институт управления в экономических, экологических и социальных системах, Таганрог, e-mail: panichkina@inbox.ru Предметом данной статьи является оценка объектов жилой недвижимости в кризисных условиях с по- мощью методов корреляционного и регрессионного анализа. Информационной базой для анализа и по- строения модели стоимости объектов рынка жилой недвижимости послужила выборка компании «ЦИАН ГРУПП» г. Ростова-на-Дону, на основании данных которой были рассчитаны таблицы корреляции перемен- ных и коэффициенты множественной линейной регрессии, как для построения общей модели регрессии, так и для построения модели по группам для 1, 2, 3, 4-х комнатных квартир. Проведена оценка моделей с помо- щью расчетов коэффициентов детерминации, стандартной ошибки оценки, скорректированного коэффици- ента детерминации и F-статистики. Выявлено, что модели, построенные отдельно для групп по количеству комнат более эффективны и наиболее точно отражают рыночную стоимость объекта жилой недвижимости в условиях неопределенности рынка. Ключевые слова: оценка объектов недвижимости, рынок жилой недвижимости, эконометрический анализ, модель стоимости, кризис THE USE OF METHODS OF ECONOMETRIC ANALYSIS FOR THE VALUATION OF REAL ESTATE IN CONDITIONS OF MARKET UNCERTAINTY 1 Burova I.V., 2Panichkina M.V. 1 Crimean Federal University, Simferopol, e-mail: ira.vasilevna.59@mail.ru; 2 Southern Federal University, Institute of management in economic, ecological and social systems, Taganrog, e-mail: panichkina@inbox.ru The subject of this article is to assess the residential real estate in crisis conditions using the methods of correlation and regression analysis. The information base for analysis and model building of cost of objects of the real estate market was the selection of the «CYANOGEN GROUPS» of Rostov-on-don, on the basis of which was calculated table of correlation of the variables and coefficients of multiple linear regression, how to construct the General model of regression and model-building groups for 1, 2, 3, 4 bedroom apartments. The estimation of the models using calculations of coefficients of determination, standard error estimates, the adjusted coefficient of determination and F-statistics. Found that models constructed separately for groups by number of rooms more effectively and most accurately reflect the market value of residential property in the conditions of market uncertainty. Keywords: valuation of real estate, the housing market, econometric analysis, value model, crisis Современные условия на рынке недви- жимости формируются под воздействием таких взаимосвязанных кризисных компо- нентов, как: финансовая, инвестиционная и потребительская. Финансовая компонента кризиса, обусловленная финансовой блока- дой нашей страны и недополучением бюд- жетом доходов от экспорта нефти в связи с падением ее стоимости на мировых рын- ках, и выражается, в том числе, в недостатке оборотных средств в строительной отрасли. Инвестиционная компонента также связана с экономическими санкциями, введенными против России, сворачиванием или «замо- раживанием» многих инвестиционных про- ектов в строительной отрасли, с разумной осторожностью инвесторов, отсутствием бюджетных резервов. Потребительская ком- понента кризиса сопряжена с сокращением реальных денежных доходов населения, что повлекло резкое снижение потребительского спроса, в том числе в сфере недвижимости. Однако, вследствие низкой эластичности предложения на рынке недвижимости при изменении спроса, до недавнего времени со- хранялась положительная динамика объемов ввода объектов недвижимости [1]. С учетом наличия в той или иной степе- ни всех перечисленных компонент в насто- ящее время, а также в условиях минималь- ного платежеспособного спроса на фоне имеющегося значительного предложения объектов недвижимости, особенно первич- ного рынка, а также роста конкуренции, обеспечить приемлемые темпы реализа- ции объектов жилой недвижимости можно исключительно с помощью ценового ре- гулирования, что в свою очередь требует применения адекватных методик расчета рыночной стоимости объектов недвижимо- МЕЖДУНАРОДНЫЙ ЖУРНАЛ ПРИКЛАДНЫХ И ФУНДАМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ № 10, 2016 ? ЭКОНОМИЧЕСКИЕ НАУКИ ? 459 сти, не имеющих существенных искажений в кризисных условиях. Целью настоящего исследования явля- ется проверка адекватности применения методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка и построение на их основе модели стоимости. В связи с тем, что вторичный рынок не- движимости более соответствует рыночным принципам формирования цен на основе спроса и предложения, в отличие от регу- лируемых цен коммерческой реализации на первичном рынке, а операции сжилой недви- жимостью составляют наибольший удель- ный вес всех сделок купли/продажи, опре- деление рыночной стоимости, как наиболее вероятной цены продажи объекта недвижи- мости, целесообразно провести на примере объектов недвижимости вторичного рынка жилья с помощью множественного регрес- сионного анализа. Так как моделирование стоимости для различных категорий жилых помещений будет различаться количеством и качеством независимых переменных, включаемых в модель, в работе рассматри- валась категория квартир в многоэтажных домах, так как жилье этого вида составляет наибольшее количество продаж в общем ко- личестве сделок с недвижимостью. На основе данных по объектам жилой недвижимости г. Ростова-на-Дону компа- нии «ЦИАН ГРУПП» была сформирована выборка, включающая в себя информацию о 842 продажах квартир за период декабрь 2015 г. – февраль 2016 г. В выборке представ- лены 1 комнатные (230 квартир), 2-х комнат- ные квартиры (270 квартир), 3-х комнатные квартиры (180 квартир), 4-х комнатные квар- тиры (120), их характеристики и цена. Со- став характеристик описан в табл. 1. Выборка была задана в виде таблицы в пакете STATISTICA 10. Моделирование проводилось в несколько этапов [2]. На основании данных выборки была рас- считана таблица корреляции переменных модели. Уровень статистической значимости корреляции был выбран на уровне р ? 0,05 (значимая корреляция). В первой строке та- блицы отражены коэффициенты корреляции между переменной Цена (Price) и независи- мыми переменными. Из таблицы можно так- же узнать об уровне коррелированности неза- висимых переменных между собой (табл. 2). Таблица 1 Характеристика квартир из выборки № п/п Показатель Примечание Обозначение переменных, включаемых в модель 1 Количество комнат Изменяется от 1 до 4 Room 2 Общая площадь квартиры, м.кв. Totsq 3 Характеристика стен (бинарная) кирпич – 1, панели – 0 Brik 4 Балкон (бинарная) есть – 1, нет – 0 Balkon 5 Этаж (бинарная) В модели используется одна переменная «этаж» = 0, если квартира на первом или по- следнем этаже, и = 1 – в остальных случаях Etag 6 Район (1-8) Районы были отсортированы по средней цене за кв.м. (по возрастанию). Далее каждому району был присвоен индекс по возрастанию ср.цены за 1кв.м. Region 7 Цена, руб. Price Таблица 2 Корреляция переменных общей модели регрессии Цена Кол– во комнат Балкон Этаж Стены Район Площадь кв.м(общ.) Цена 1,000000 0,828014 0,121348 0,132646 0,199413 0,071631 0,931982 Кол– во комнат 0,828014 1,000000 – 0,052466 – 0,014665 0,043189 – 0,083108 0,857440 Балкон 0,121348 – 0,052466 1,000000 0,275435 0,167184 0,005799 0,063922 Этаж 0,132646 – 0,014665 0,275435 1,000000 0,126525 – 0,016149 0,080969 Стены 0,199413 0,043189 0,167184 0,126525 1,000000 – 0,142348 0,182323 Район 0,071631 – 0,083108 0,005799 – 0,016149 – 0,142348 1,000000 – 0,088950 Площадь кв.м (общ.) 0,931982 0,857440 0,063922 0,080969 0,182323 – 0,088950 1,000000 INTERNATIONAL JOURNAL OF APPLIED AND FUNDAMENTAL RESEARCH № 10, 2016 460 ? ECONOMIC SCIENCES ? Из табл. 2 видно, что все независимые пе- ременные положительно коррелируют с пере- менной цена, имея уровень статистической значимости 5% (значимая корреляция). Классифицируя корреляционные свя- зи переменных для общей модели (табл. 3) можно выделить: сильную связь показате- ля «цена» с показателем «кол-во комнат», а также с показателем «общ. площадь квар- тиры» (больше 0,70); слабая связь пока- зателя «цена» с типом стен; очень слабую корреляцию «цены» с «этажом» а также «районом», где находится квартира. Общая модель имеет вид: Price = b0 + b1 room + b2totsq + b3brik + + b4balkon + b5etag + b6region Подставив в формулу значения бета ко- эффициентов (b) из табл. 2 получим общую модель для 1, 2, 3 и 4-х комнатных квартир: Price = – 137119 + 307710room + + 206566balkon + 199464etag + + 294875brik + 129585region + 42381totsq Интерпретируя значения, бета коэф- фициентов можно утверждать, что в соот- ветствии с полученным уравнением, каж- дая дополнительная комната увеличивает цену квартиры на 307 т.руб., каждый до- полнительный метр общей площади стоит 42 т. руб., наличие балкона увеличивает цену на 206 т. руб, цены на средние этажи на 199 т. руб. больше чем первый или послед- ний этаж, увеличение индекса района на 1 увеличивает стоимость жилья на 129 т. руб. Все эти выводы справедливы только для данной конкретной модели. Для оценки модели были рассчитаны коэффициент детерминации, стандартная ошибка оценки, скорректированный ко- эффициент детерминации и F-статистика (табл. 4). В соответствии с полученными оцен- ками (R2 adj = 0,9064, а Fкрит = 1215,89 для 5%-ного уровня значимости, стандартная ошибка оценки = 540527), скорректирован- ный коэффициент детерминации показыва- ет, что изменение цены квартир, в среднем, на 90,6% объясняется вариацией факторов, включенных в модель. Следовательно, по- лученное уравнение регрессии является до- статочно эффективным. С целью уточнения и проверки адекват- ности модели средней цены квартир вто- ричного рынка недвижимости г. Ростова- на-Дону кризисным условиям, в работе были построены модели для каждого типа квартир, сгруппированных по количеству комнат. Основной причиной группировки квартир по количеству комнат послужило то, что независимая переменная «кол-во комнат» сильно коррелирует с независи- мой переменной «площадь кв.м. (общ.)» (коэффициент корреляции для этой пары переменных равен 0,857440 см. табл. 2), что может ухудшить качество модели, поэтому переменная «кол-во комнат» была исключе- на из модели, так как она стала группиро- вочным признаком. Для построения модели множествен- ной регрессии для 1-комнатных квартир была определена корреляция переменных модели, которая выявила среднюю связь показателя «цена» с показателями «район» и «общ. площадь» квартиры, а также уме- ренную, с показателями «этаж», «стены» и «балкон». На основании рассчитанных коэффициентов множественной линейной регрессии для 1-комнатных квартир, была представлена модель их стоимости в виде: Таблица 3 Коэффициенты множественной линейной регрессии для общей модели b* Std.Err. – of b* b Std.Err. – of b t(800) p– value Intercept – 137119 78516,08 – 1,74638 0,081157 Кол– во комнат 0,177292 0,022739 307710 39465,37 7,79697 0,000000 Балкон 0,056037 0,011854 206566 43695,45 4,72741 0,000003 Этаж 0,052322 0,011719 199464 44675,42 4,46474 0,000009 Стены 0,057604 0,011845 204875 42128,57 4,86308 0,000001 Район 0,164133 0,011305 129585 8925,11 14,51915 0,000000 Площадь кв.м(общ.) 0,776244 0,023090 42381 1260,64 33,61858 0,000000 Таблица 4 Оценка общей модели R R2 R 2adj Стандартная ошибка оценки F-статистика 0,9524 0,9072 0,9064 540527 1215,89 МЕЖДУНАРОДНЫЙ ЖУРНАЛ ПРИКЛАДНЫХ И ФУНДАМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ № 10, 2016 ? ЭКОНОМИЧЕСКИЕ НАУКИ ? 461 Price(1kom) = 355812,8 + + 213525,1balkon + 295229,7etag + + 315242,9brik + 148461,7region + 27978,3totsq Также в соответствии с получен- ными оценками модели (R2 adj = 0,7298, а Fкрит = 78,514 для 5%-ного уровня значимо- сти, стандартная ошибка оценки = 457800), скорректированный коэффициент детер- минации показывает, что изменение цены 1-комнатных квартир, в среднем на 72,98%, объясняется вариацией факторов, вклю- ченных в модель. Следовательно, можно утверждать, что полученное уравнение ре- грессии для 1-комнатных квартир является достаточно эффективным. Аналогично были построены модели множественной регрессии для 2-х комнат- ных, 3-х комнатных, 4-х комнатных квартир. При этом, было определено, что корреляци- онные связи переменных модели для 2-х комнатных квартир отличаются от корре- ляционных связей переменных модели для 1-комнатных по таким важным показателям как район и общая площадь квартиры. По сравнению с 1 и 2-х комнатными квартира- ми корреляционные связи переменных мо- дели для 3-х комнатных квартир по показа- телям балкон, этаж и стены ниже, чем у 1 и 2-х комнатных квартир. Корреляции цены с показателем район и общая площадь квар- тиры остается на том же уровне. Классифи- цируя корреляционные связи переменных для общей модели 4-х комнатных квартир можно выделить: сильную корреляцион- ную связь показателя «цена» с показателем «общ. площадь» квартиры, а также умерен- ную, с показателями «балкон», «стены», «этаж» и «район». Также следует отметить, что по сравнению с 1, 2, 3-х комнатными квартирами, зависимость «цены» от показа- теля «район» существенно меньше. С помощью рассчитанных коэффици- ентов множественной линейной регрессии были получены следующие модели: – для 2-х комнатных квартир: Price(2kom) = 854385,3 + 195316,3balkon + + 213852,3etag + 239422,2brik + + 142303,3region + 35065,1totsq – для 3-х комнатных квартир: Price(3kom) = 1022644 + 190190balkon + + 188120etag + 163288brik + + 139981region + 37182totsq – для 4-х комнатных квартир: Price(4kom) = 522981,2 + 236833,9balkon + + 289869tag + 231482brik + + 100779,8region + 53983totsq С учетом проведенных оценок моделей (табл. 5) для 5%-ного уровня значимости, можно сделать вывод, что полученные урав- нения регрессии являются эффективными. Однако, в сравнении с оценками для 1, 2, 3-х комнатных квартир, модель для 4-х ком- натных квартир является менее эффективной. Также следует отметить, что переменные мо- дели цены квартиры для 4-х комнатных квар- тир объясняют независимую переменную на 61,1%, что связано с небольшой величиной выборки для 4-х комнатных квартир (120 на- блюдений). Но все же, она является достаточ- ной для построения модели. Проведёние сравнительного анализа оценок полученных уравнений регрессии различной спецификации позволило сде- лать в работе следующие выводы: – исследованный рынок квартир доста- точно отчетливо делится на три сектора: рынок однокомнатных квартир, рынок квар- тир среднего размера (2-3 комнаты) и рынок больших квартир (4 и более комнат); – анализ коэффициента влияния общей площади квартиры на её стоимость под- тверждает предложенную сегментацию рын- ка: четырехкомнатные квартиры выделяются в отдельную группу, так как значительно отли- чаются от аналогичного коэффициента по дру- гим группам; для двух- и трехкомнатных квар- тир коэффициенты практически равны, а для однокомнатных квартир он значительно ниже; – анализ коэффициента влияния индек- са района города на стоимость квартиры выявил тенденцию снижения этого показа- теля при увеличении количества комнат; – влияние остальных переменных на стоимость квартиры (характеристика стен дома, наличие балкона, этаж) примерно одинаково для всех групп квартир. Таблица 5 Оценка моделей для 2, 3, 4-х комнатных квартир R R2 R 2adj Стандартная ошибка оценки F-статистика – для 1 – комнатных квартир 0,9524 0,9072 0,9064 540527 1215,89 – для 2-х комнатных квартир 0,8234 0,6780 0,6761 438000 79,48 – для 3-х комнатных квартир 0,8051 0,6483 0,6453 442100 71,59 – для 4-х комнатных квартир 0,7823 0,6121 0,6110 875600 68,11 INTERNATIONAL JOURNAL OF APPLIED AND FUNDAMENTAL RESEARCH № 10, 2016 462 ? ECONOMIC SCIENCES ? Необходимо отметить, что коэффи- циент детерминации для 3-х и 4-х ком- натных квартир меньше чем для 1 и 2-х комнатных квартир, что может быть об- условлено факторами, которые не при- сутствуют в выборке, например уровень комфорта жилого помещения (ремонт, от- делка стен), благоустроенность двора, на- личие лифта и и т.д. С использованием полученных уравне- ний были рассчитаны стоимость несколь- ких квартир, не входящих в выборку, по общей модели и отдельно по группам для 1,2,3,4-х комнатных квартир. Сравнение ре- зультатов представлено в табл. 6. Сравнение результатов приводит к сле- дующему заключению: совпадение сто- имости, рассчитанной по двум уравне- ниям – общему и для соответствующей группы – зависит от количества наблюде- ний по данным квартирам в выборке. Так наиболее близки результаты расчета по однокомнатным и двухкомнатным кварти- рам, которых в выборке большинство (230 и 270 наблюдений соответственно). Таким образом, для наиболее точного прогноза, в общем по рынку квартир необходима вы- борка с равным количеством наблюдений для каждой рассматриваемой группы. С целью оценки эффективности постро- енной модели, с помощью построенных уравнений регрессии рассчитаем цену квар- тир, рыночная цена которых уже известна и сравним рассчитанные результаты с ре- альными (табл. 7). На основании представленных данных можно утверждать, что модели, постро- енные отдельно для групп по количеству комнат, более эффективны и наиболее точ- но отражают рыночную стоимость объекта жилой недвижимости в кризисных услови- ях неопределенности. Таким образом, применение методов эко- нометрического анализа является эффектив- ным инструментом расчета рыночной стои- мости объектов недвижимости, не имеющих существенных искажений в кризисных усло- виях. Результаты моделирования могут быть использованы для установления предвари- тельной стоимости объекта недвижимости, прогнозирования стоимости или проведения текущей, а также ретроспективной оценки. Список литературы 1. Бурова И.В., Паничкина М.В. Оценка тенденций раз- вития рынка жилой недвижимости в условиях кризиса. // Материалы Международной научно-практической конфе- ренции «Наука сегодня: фундаментальные и прикладные ис- следования». – Вологда, 2016. 2. Паничкина М.В., Каплюк Е.В. Практикум по дисци- плине «Экономика недвижимости»: уч. метод. Пособие. – Таганрог, 2016. 3. Бердникова Ю., Харитонов Д. Влияние макроэко- номических факторов на состояние рынка недвижимости // Материалы международной научно-практической конфе- ренции студентов, аспирантов и молодых ученых Проблемы развития современной экономики в условиях глобальных вызовов и трансформации экономического пространства. – Изд-во ДГАУ, 2015 – Том 3. – С. 46-49. 4. Территориальный орган службы гос.статистики по Ростовской области. Электронный ресурс. Режим досту- па: http://rostov.gks.ru/wps/wcm/connect/rosstat_ts/rostov/ru/ statistics/indicators/ Таблица 6 Сравнение результатов расчетов стоимости квартир, не входящих в выборку Кол-во комнат в квартире Рассчитанная стоимости квартиры по общей модели Рассчитанная стоимость квартиры отдель- но по группам для 1, 2, 3, 4-х комнатных квартир Отклонение 1 2920436 руб. 2909929 руб. 10507 руб. 2 2796360 руб. 2915699 руб. – 119339 руб. 3 4804194 руб. 4675164 руб. 129030 руб. 4 7757501 руб. 8390647 руб. – 633146 руб. Таблица 7 Сравнение результатов расчетов стоимости квартир, рыночная цена которых уже известна Кол-во комнат в кварт. Рассчитанная цена стоимости квар- тиры по общей модели, руб. Рассчитанная стои- мость кварт.отдельно по группам для 1,2,3,4-х комн. кв.-р, руб. Рыночная цена квар- тиры Отклонение по сравнению с рыночной ценой с расчетным значением общей модели с расчетным зна- чением модели от- дельно по группам 1 2526797 2195600 2200000 – 326797 4400 2 4675776 4681212 4800000 124224 118788 3 4549908 4452072 4300000 – 249908 – 152072 4 7757501 6353666 6300000 – 1457501 – 53666

Другие книги из этого раздела





© 2002 - 2026 RefMag.ru