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.
[email protected], ,

Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |




Букинистическая книга:

Список литературы по оценке недвижимости > Оценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дороги

Оценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дороги

Ласкин М.Б., Талавиря А.Ю. Оценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дороги // Статистика и Экономика. 2019. Т. 16. № 5. С. 57-69.

Скачать оригинал статьи

Фрагмент работы на тему "Оценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дороги"

Economic statistics Statistics and Economics ??V. 16. № 5. 2019 57 УДК 339.13.017 DOI: http://dx.doi.org/10.21686/2500-3925-2019-5-57-69 Оценка изменений рыночной стоимости жилой недвижимости в зоне введенной в эксплуатацию транспортной развязки внутригородской платной автомобильной дороги Целью исследования является оценка влияния введенной в эксплуатацию платной автомобильной дороги, проходящей по жилым кварталам города, на рыночную стоимость жилой недвижимости. Приведен обзор нетрадиционных методов оценки стоимости недвижимости, в основном, в зарубежных публикациях. В качестве платной автомобильной дороги выбран наиболее значимый транспортно-инфраструктурный проект текущего десятилетия для г. Санкт-Петербурга – Западный Скоростной Диаметр (ЗСД). Для анализа выбрана наиболее труднодоступная (до ввода в эксплуатацию ЗСД в 2016 году) часть города на Васильевском острове, для которой рассмот- рены изменения в стоимости недвижимости на вторичном рынке в период с августа 2015 года по декабрь 2017 года, т.е. после ввода в эксплуатацию новой транспортной развязки ЗСД в западной части острова. Для исследования были использованы данные Бюллетеня недви- жимости г. Санкт-Петербурга на конец 2015 и 2017 гг., данные кадастровой оценки жилой недвижимости г. Санкт-Петербур- га на 01.01.2015 и 01.01.2018 г. Основным методом исследо- вания является изучение двумерных и условных распределений случайных величин цен предложений и кадастровых стоимостей, что позволяет получать оценки рыночной стоимости недвижи- мости, прошедшей кадастровый учет, и оценки темпов роста. Примененное в статье сравнение цен предложений с кадастровы- ми стоимостями, при простом и естественном предположении о логарифмически нормальном распределении, позволяет предло- жить метод оценки рыночной стоимости для любого объекта недвижимости, даже если информация о нем отсутствует в рыночных данных. Полученные численные результаты показали удорожание значительной части масс-маркета за исследуемый период до 18% без учета скидки на торг, и до 9% с учетом скидки на торг, что несколько выше общего изменения цен предложений, которые можно встретить в рекламных изданиях. Значительное изменение (от 50%до 73%) выявлено у объектов недвижимости бизнес-класса, находящихся в зоне с значительно изменившими- ся видовыми характеристиками и улучшенной транспортной доступностью, в непосредственной близости от съезда с ЗСД. Полученные результаты, указывающие на рост рыночной стоимости позволили сделать общий вывод об изменениях при- влекательности данного района для различных слоев населения города: как для мобильного среднего класса, ориентированного на масс-маркет, так и на покупателей премиум-сегмента, имеющим повышенные требования к недвижимости. Авторы полагают, что рост рыночной стоимости недвижимости в зоне транспортных развязок современных инфраструктурных проектов мог бы быть выше в других макроэкономических ус- ловиях, в настоящее время платежеспособный спрос населения явно не достаточен. Ключевые слова: платные дороги, транспортная инфраструк- тура, кадастровая и рыночная стоимость, логарифмически нормальный закон распределения цен The purpose of this research is to assess the impact of the commissioned toll road running through the city’s residential areas on the market value of residential real estate. The article presents a review of nontraditional methods for assessing real estate value, mainly in foreign publications. The Western High-Speed Diameter (WHSD) is the most significant transport and infrastructure project of the current decade for St. Petersburg. The most inaccessible part of the city on Vasilievsky Island was analyzed, as the example of new and secondary real estate value changes, were examined from August 2015 to December 2017, by the time when the new transport interchange of WHSD in the western part of the island was constructed and put into commission. For the study, the authors used the data of the Real Estate Bulletin of St. Petersburg at the end of 2015 and 2017, the data of the cadastral assessment of residential real estate of St. Petersburg of 01.01.2015 and 01.01.2018. Main research method is the study of two-dimensional and conditional distributions of random values of bid prices and cadastral values, which allows obtaining estimates of the market value of the real estate that has passed cadastral registration, and estimates of growth rates. The comparison of prices of offers with cadastral values applied in the article, with a simple and natural speculation of logarithmically normal distribution, allows us to propose a method of assessing the market М.Б. Ласкин1, А.Ю. Талавиря2 1 Санкт-Петербургский институт информатики и автоматизации Российской Академии Наук (СПИИРАН), Санкт-Петербург, Россия 2 Национальный Исследовательский Университет Высшая Школа Экономики (НИУ ВШЭ), Санкт-Петербург, Россия Assessment of changes in the market value of residential real estate in the area of the commissioned transport interchange of the urban toll road Mikhail B. Laskin1, Aleksander U. Talavirya2 1 St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, St. Petersburg, Russia 2 Higher School of Economics, St. Petersburg, Russia Экономическая статистика 58 Статистика и экономика ??Т. 16. № 5. 2019 value for any property, even if the information about it is not available in the market data. The obtained numerical results showed a rise in the cost of a significant part of the mass-market for the study period up to 18% without discount on the auction, and up to 9% taking into account the discount on the auction. It turned out to be slightly higher than the general change in the prices of proposals that can be found in advertising publications. A significant change (from 50% to 73%) was found in business-class properties, located in the area with significantly changed species characteristics and improved transport accessibility, in the immediate vicinity of the exit from WHSD. The results, indicating the growth of market value, allowed us to make a general conclusion about the changes in the attractiveness of the area for different segments of the population of the city: both for the mobile middle class, focused on the mass-market, and for buyers of the premium segment, having increased requirements for the real estate. The authors believe that the growth of the market value of real estate in the area of transport interchanges of modern infrastructure projects could be higher in other macroeconomic conditions. At present, the effective demand of the population is obviously not sufficient. Keywords: toll road, transport infrastructure, cadastral and market value, lognormal distribution of prices Введение Строительство объектов транспортной ин- фраструктуры города неразрывно связано с социально-экономическим аспектом его раз- вития, и может оказывать на него как положи- тельное, так и отрицательное влияние. В част- ности, речь идет о сфере жилой недвижимости. В настоящей статье не будет рассматриваться отрицательное влияние автомобильных трасс на недвижимость, как, например, возможность отчуждения частных территорий при прокладке участков дороги, ухудшение качества жилья из- за зашумленности, изменения экологической обстановки и т.д., однако, такие риски объек- тивно существуют. Прежде всего, нас интересу- ет вопрос, влияет ли введение в эксплуатацию платной автомобильной дороги на рыночную стоимость недвижимости вследствие изменив- шейся транспортной доступности жилых объ- ектов? В современных условиях, при наличии боль- шого объема рыночных данных и данных ка- дастрового учета, анализ изменений рыночной стоимости недвижимости, требует применения статистических методов исследования больших данных по территориям, на которых уже состо- ялись такие изменения. Также стоит добавить, что предмет изучения актуален в первую очередь для платных дорог. Любую новую скоростную автомагистраль слож- но разместить внутри городской инфраструк- туры. Стоимость такого проекта значительно выше типовой дороги улично-дорожной сети, так как, ввиду плотности существующей за- стройки, она размещается либо на верхних (мо- стовые конструкции, эстакады), либо нижних (тоннели) уровнях по отношению к существу- ющей инфраструктуре, и, зачастую, реализуется с участием негосударственных инвестиционных организаций, которые осуществляют возврат инвестиций за счет сбора платы в течении опре- деленного срока. По сравнению с бесплатными городскими дорогами-дублерами, такие трассы имеют передовое технологическое оснащение, лучшее качество покрытия дорожного полотна, и обеспечивают наибольшую скорость при пе- ремещении в черте города. Пример Западного скоростного Диаметра в г. Санкт-Петербурге (далее – ЗСД) показывает, что проезд по дороге на платной основе перестал быть источником негативного отношения со стороны жителей го- рода, и стал достаточно эффективным инстру- ментом транспортной инфраструктуры для мо- бильной категории населения. Гипотезу исследования, освещаемого в рам- ках данной статьи, можно сформулировать следующим образом: на стадиях завершения строительства и ввода платной автомобильной дороги в эксплуатацию, в зоне действующей транспортной развязки происходит изменение стоимости жилой недвижимости. Отметим, что традиционные методы оценки стоимости недвижимости не подходят для ре- шения данной задачи, так как они в наиболь- шей степени направлены на анализ малых вы- борок и учет ценообразующих факторов. Для рассмотрения описанной задачи наиболее це- лесообразным будет являться работа с масси- вами «больших» данными (Bigdata), позволяю- щих получить достоверный и полный взгляд на выявленные закономерности. Применимыми в данной статье методами обработки «больших» данных для оценки масштаба изменений рас- сматриваемого рынка будут являться статисти- ческие методы. Следует обратить внимание, что применение нетрадиционных подходов к изучению анали- тической информации рынка недвижимости получает все большое распространение в по- следнее время. В первую очередь, это связано с появлением возможности работы с значи- тельными объемамии многообразием структу- рированных и неструктурированных «больших» данных, а также появлением соответствующих программных инструментов. Подтверждением этому является наличие ряда отечественных и зарубежных статей, выпущенных оценочным сообществом в конце 2000-х годов, и посвящен- ных данной тематике. Наряду с классическими подходами к оцен- ке стоимости недвижимости, которых придер- живается отечественное оценочное сообщество, многие зарубежные авторы предлагают подходы к оценке, отличающиеся от стандартных. На- пример, основная идея метода гедонистического ценообразования состоит в выявлении статисти- ческой связи между средней или медианной сто- Economic statistics Statistics and Economics ??V. 16. № 5. 2019 59 имостью жилья, внутренними ценообразующими факторами (площадь помещения, тип дома, этаж- ность и т.д.) и внешними факторами (расстояние до центра города, наличие метро, близость пар- ка, уровень шума и т.д.). Статистическая зави- симость, как правило, оценивается через модели линейной, логарифмической или частично-лога- рифмической зависимости. См. работы [1–6]. По нашему мнению, эта же идеология поло- жена в основу отчета о кадастровой стоимости [30],выполненного Санкт-Петербургским ГУ «Кадастровая оценка» в 2018 г. В ряде работ используются нерегрессионные модели оценки объектов жилой недвижимости. В [7–8] для прогнозирования стоимости жилых объектов используются нейронные сети, в неко- торых работах используются методы машинно- го обучения: случайный лес [9], метод опорных векторов [10], сравниваются результаты при- менения таких методов как деревья решений, наивный байесовский классификатор, adaboost и другие [11]. Такие методы требуют использо- вания больших выборок данных. Другим подходом является использование ин- дексов цен. Например, в работах [12] рассматри- вается индекс цен на жилье Case-Shiller. В работах [13–15] исследуется индекс повторной продажи, который прогнозирует изменение стоимости пе- репроданного объекта из разницы во времени и изменения его атрибутов между первоначальной продажей и последующей перепродажей. При этом в ряде исследований рассматривают гибридный метод, сочетающий гедонистический подход и ме- тод повторной продажи, например работы [16–19]. Все рассматриваемые индексы являются «медиан- ными», т.е. рассматривают усредненные цены. Ряд работ в области анализа цен объектов не- движимости посвящено исследованию цен-пу- зырей. В литературе предлагается определять пузырь как ситуацию, при которой рыночная цена актива существенно отклоняется от его фундаментальной стоимости из-за спекулятив- ной торговой деятельности [20]. Основным под- ходом здесь является использование разных ва- риаций методов авторегрессии, примененных к усредненным ценам, например работы [21–24]. Для решения описанной задачи будет ис- пользован подход, предложенный в недавно вы- шедшей статье [25], предлагающий производить отслеживание рыночных цен на недвижимость через сравнение рыночных данных с кадастро- вой стоимостью. Сначала мы проведем сравнительный анализ цен предложений до и после запуска платной автомобильной дороги (ЗСД), имеющей съезд в ранее труднодоступную часть Васильевского острова г. Санкт-Петербурга. Затем посмотрим, как изменилась кадастровая стоимость в этой части города с 2015 г. (до запуска ЗСД, который состоялся в 2016 г.) по 2018 г. Анализ по рыночным данным цен предложений Модель. Рассмотрим двумерную случайную величину (Vкс, Vцп) (Vкс – кадастровая стоимость, Vцп – цена предложения). ПустьVкс, Vцп имеют логарифмически нормальные распределения, с параметрами µ1, ?1 (для цен предложений) и µ2, ?2 (для кадастровой стоимости) соответственно. Справедливо следующее утверждение, ранее до- казанное (получается записыванием известных формул для соответствующих переменных) в статьях [26–27]: Утверждение 1. Если случайные величины Vкс иVцп имеют совместное логарифмически нор- мальное распределение, то при фиксированном Vкс = v наиболее вероятная цена Vрс (рыночная стоимость) равна: ( ) ( ( ) ) ( ) 1 2 2 1 2 1 2 exp ln 1 , V Mode V V v pcцп кс v ? µ? µ ? ? ? = = = ? ? = + ?? ? ? ? ? ? (1) где ? – коэффициент корреляции. Формула (1) дает возможность при имею- щемся массиве данных по ценам предложений (рыночная информация) оценить рыночную стоимость для любого объекта недвижимости из соответствующего кластера (приблизительно одинаковой локации), даже если его не было в листингах объявленных продаж. Такая возмож- ность появилась совсем недавно после заверше- ния кадастрового учета и присвоения объектам недвижимости кадастровых стоимостей. Из формулы (1) легко увидеть, что зависи- мость рыночной стоимости (далее – РС) от ка- дастровой имеет вид степенной функции. Т.к., несмотря на определение РС, данное в ФЗ-135, продолжаются попытки оценки РС через сред- ние арифметические или средние геометриче- ские, следует отметить, что даже в этих случаях сохранится характер степенной функции, т.к. оценка РС как среднего арифметического даст формулу ( ( )) 1 2 2 2 1 exp 1 V Av pc ? ? ? = ? ? ? , как среднего геометрического ( ) 1 2 2 2 1 2 exp 1 3 V Av pc ? ? ? ? ? ? ? = ?? ? ? ? ? . Тогда: ( ) 1 2 , V M pc цп кс ode V V v Av ? ? ? = = = где ( ( ) ) ( ) 2 1 2 1 2 1 2 A v exp ln 1 ? µ? µ ? ? ? ? ? = ? ?? ? ? ? ? ? (2) Заметим, что формула (2) имеет «точку рав- новесия» – v0, удовлетворяющую следующему соотношению 1 2 0 0 v Av ? ? ? = . В ней кадастровая стоимость будет равняться рыночной стоимости. Экономическая статистика 60 Статистика и экономика ??Т. 16. № 5. 2019 Пусть Vцп2015 – цена предложения в 2015 г., а Vцп2017 – цена предложения в 2017 г. Тогда оцен- ка рыночной стоимости для 2015 г. и 2017 г. может быть получена формуле (1): ( ) ( ) ( ) ( ) 2015 2015 2 1 2 1 2 1 2 exp ln 1 V M pc цп кс ode V V v v ? µ ? µ ? ? ? = = = ? ? = + ? ? ? ? ? ? ? ( ) ( ) ( ) ( ) 2017 2017 2 1 2 1 2 1 2 exp ln 1 V M pc цп кс ode V V v v ? µ ? µ ? ? ? = = = ? ? = + ? ? ? ? ? ? ? где индекс 1 используется для параметров рас- пределения кадастровых стоимостей, индекс 2 для рыночных цен предложения, или (2): ( ) 2015 2015 2015 2015 B V M pc цп кс = = ode V V v = A v (3) ( ) 2017 2017 2017 2017 B V M pc цп кс = = ode V V v = A v , где коэффициенты A2015, A2017, рассчитываются по формуле ( ) 2 1 2 1 21 2 A exp 1 ? µ? µ? ? ? ? ? = ? ?? ? ? ? ? , коэффициенты каждый B2015, B2017, рассчиты- ваются по формулам 1 2015 2 B ? ? ? = 1 2017 2 B ? ? ? = , каждый со своими параметрами ?1, ?1, ?2, ?2, ?. Формулы (3) являются оценками рыночной стоимости в 2015 и 2017 гг., полученными по соответствующим условным распределениям при заданной кадастровой стоимости. Таким образом, для любого объекта недвижимости, прошедшего кадастровый учет, может быть по- лучена не только оценка его рыночной стои- мости в соответствующем периоде, но оценен темп роста, т.е. формула 2017 2015 2017 2017 2017 2015 = B B рс рс V V A A (4) дает оценку зависимости рыночной стоимости 2017 г. от рыночной стоимости 2015 г., а фор- мула 2017 2015 2017 2017 2017 2015 1 = B B рс рс V K A V A (5) дает оценку коэффициента изменения рыноч- ной стоимости с 2015 по 2017 г. Рассмотрим пример. Пример Выбор исследуемой локации. Для анализа и расчетов определены следующие условия. В ка- честве объекта транспортной инфраструктуры была выбрана эксплуатируемая платная дорога ЗСД. Следует подчеркнуть, что данная автома- гистраль играет большое влияние на транспорт- ную инфраструктуру Санкт-Петербурга, соеди- няя Южную, Северную и Центральную части города, и значительно сокращая время дви- жения легкового и грузового автомобильного транспорта. В виду того, что строительство ЗСД было значительно разнесено во времени (стро- ительство было начато в 2005 г.) и противопо- ложным районам города (Южный участок – 1 и 2 очереди строительства; Северный участок – 3 и 5 очереди строительства; Центральный уча- сток – 4 и 5 очереди строительства), для ис- следования был рассмотрен проект на этапе его полного завершения, т.е. в момент запуска Центрального участка, полностью обеспечи- вающего транспортные-логистические задачи автомобильной дороги для внутригородской транспортной инфраструктуры. На Центральном участке находятся две транс- портные развязки, расположенные на набереж- ной р. Екатеринофки на Гутуевском острове, и наб. Макарова на Васильевском острове. Для оценки был выбран наиболее труднодоступный (до открытия ЗСД) район центральной части го- рода – Васильевский остров (рис. 1). Организо- ванная в данном районе транспортная развязка обеспечила съезд и въезд на автомагистраль как в Южном, так и Северном направлении города. Для анализа выбран временной отрезок дли- ной немногим более 2 лет, с августа 2015 г. по декабрь 2017 г. В августе 2015 г. Центральный участок ЗСД находился в активной стадии стро- ительства и еще не влиял на стоимость жилой недвижимости в центральных района города. На стадии завершения строительства участка и момент его открытия 4 декабря 2016 г., на ло- кальном рынке недвижимости происходили из- менения. На конец 2017 г. изменения на рын- Рис. 1. Карта исследуемой области г. Санкт-Петербурга. Красным отмечены области, в которых производится анализ изменения цен предложений стоимости жилой недвижимости, синим обозначено расположение транспортной развязки ЗСД Economic statistics Statistics and Economics ??V. 16. № 5. 2019 61 ке завершились, сделав объекты Васильевского острова недвижимостью с высокой транспорт- ной доступностью. Подготовка данных. Для исследования были использованы: Приложение № 1 к при- казу № 59-п от 27.08.2015 КИО г. Санкт-Пе- тербурга [28], содержащее информацию об адресах, кадастровых номерах и кадастровых стоимостях о 79 954 объектах жилого фонда Василеостровского района г. Санкт-Петербур- га. Номер № 1701 от 09.11.2015, и номер № 1809 от 11.12.2017 Бюллетеня Недвижимости с ценами предложений жилой недвижимости по Василеостровскому району г. Санкт-Пе- тербурга с объемом выборок 823 и 765 наблю- дений. Получены параметры распределений: µ2 = 4,7085, ?2 = 0,1448 (для кадастровой сто- имости), µ1 = 4,7365, ?1 = 0,2546, ? = 0,65 в 2015 г., µ1 = 4,7987, ?1 =0,2402, ? = 0,45 в 2017 г. На рис. 2 и 3 приведены облака рассеивания рассматриваемых массивов данных. Характерный эллиптический вид облаков рас- сеяния на правых диаграммах рис. 1 и 2 является основанием для статистической гипотезы о со- вместной нормальности логарифмов случайных величин кадастровая стоимость – цена предло- жения (2015 и 2017 г.). Гипотеза проверена кру- говым тестом Колмогорова-Смирнова, который был впервые показан в работах по определению скидки на торг по статистическим данным[26] и корректировки рыночной стоимости по ценоо- бразующему фактору «площадь объекта» [27]. Результаты представлены на рис. 4. Значения p-value при поворотах логариф- мической плоскости от 0 до ? не опускается ниже критического уровня в 5%. На 5% уров- не значимости оснований отвергнуть гипотезу о совместном нормальном распределении лога- рифмов кадастровых стоимостей и цен предло- жений нет. На рис. 5 представлено визуальное соответ- ствие эмпирических наблюдений и модельных логарифмически нормальных распределений в 2015 и в 2017 гг. Можно применить формулы (3), (4), (5): ( ) 2015 0, 2546 2 2 exp 4,7365 0,65 4,7085 0, 2546 1 0,65 0,1448 0,5055 = ? ? = ? ? ? = ? ? ? ? = A ( ) 2017 0, 2402 2 2 exp 4,7987 0,55 4,7085 0, 2402 1 0,55 0,1448 1,5582 = ? ? = ? ? ? = ? ? ? ? = A Рис. 2. Облака рассеяния для пары кадастровая стоимость, цена предложения 2015 г. Слева в натуральных значениях в тыс. руб./кв. м., справа для логарифмов кадастровой стоимости и цен предложений Рис. 3. Облака рассеяния для пары кадастровая стоимость, цена предложения 2017 г. Слева в натуральных значениях в тыс. руб./кв. м., справа для логарифмов кадастровой стоимости и цен предложений Экономическая статистика 62 Статистика и экономика ??Т. 16. № 5. 2019 2015 0, 2546 0,65 1,1429 0,1448 B = = , 2017 0, 2402 0,55 0,9123 0,1448 B = = 0,9123 1,1429 2017 0,7982 2017 2017 1,5582 2,7379 0,5055 = = ? рс рс рс V V V , 0,2018 2015 2,7379 ? K V = ? рс и получить зависимости рыночной стоимости 2017 г. от рыночной стоимости 2015 г. и коэф- фициент удорожания К. Результат представлен на рис. 6. Из формулы (1) легко увидеть, что зависи- мость рыночной стоимости (далее – РС) от ка- дастровой имеет вид степенной функции. На рис. 6 хорошо видно, что удорожание по Василеостровскому району в диапазоне цен предложений 2015 г. достигает ~ 17% для недо- рогого сегмента рынка, с ростом рыночной сто- Рис. 4. Результаты кругового КС-теста. Слева для 2015 г., справа для 2017 г. Рис. 5. Облака рассеяния пар кадастровая стоимость, цена предложения (слева для 2015 г., справа для 2017 г., тыс. руб./кв. м.) имости 2015 г. коэффициент удорожания умень- шается. Полученная зависимость не учиьывает скидку на торг и получена по ценам предложе- ний и данным кадастровой оценки 2015 г. Теперь сравним кадастровые стоимости 2015 и 2018 гг. жилой недвижимости на Васильев- ском острове в сегменте масс-маркет (т.е. в диа- Рис. 6.Зависимость коэффициента удорожания на конец 2017 г. для различных значений рыночной стоимости 2015 г. Economic statistics Statistics and Economics ??V. 16. № 5. 2019 63 пазоне установленных в 2015 г. кадастровых стоимостей от 70 до 150 тыс. руб. за 1 кв. м.). Результаты кадастровой оценки 2015 и 2018 гг. взяты из опубликованных отчетов ГУП ГУИОН г. Санкт-Петербурга в 2015 г. [28] и Санкт-Петер- бургским ГУ «Кадастровая оценка» в 2018 г. [30]. Датой оценки 2018 г. будет являться 01.01.2018 г., т.е. будут использованы предшествующие ры- ночные данные, по этой причине мы полагаем, что при сравнении результатов полученных по рыночным данным от 11.12.2017 г. с результа- тами кадастровой оценки 2018 г. корректировка на время не нужна (отличие в этих результатах заключается в учете скидки на торг в данных ка- дастровой оценки). Сравнение кадастровых баз удобно, прежде всего, потому, что для каждого объекта существует уникальный идентификатор (кадастровый номер), и, следовательно, пара кадастровых стоимостей 2015 и 2018 гг. может рассматриваться как двумерная случайная ве- личина. Конечно, такая «выборка» не является рандомизированной, т.к. она результат обработ- ки больших рыночных данных группой профес- сиональных оценщиков. В то же время, очевид- но, что другая группа оценщиков получила бы результаты, не обязанные совпадать с данными отчетов. Т.е. выборка была бы другой. Высокое качество отчетов 2015 и 2018 г. по г. Санкт-Пе- тербургу позволяют не принимать во внимание возможную тенденциозность оценки, которая могла бы быть при других обстоятельствах. Ана- логичное сравнение для рыночных стоимостей имеет очевидное препятствие: в рыночных базах данных нет кадастрового номера. Его, как было показано выше, можно обойти путем сравнения рыночных данных с кадастровыми базами. Проводя сравнение кадастровых стоимостей мы опираемся на следующие принципы, зало- женные Санкт-Петербургским ГУ «Кадастровая оценка» в модель расчета кадастровой стоимо- сти в 2018 г.: – кадастровая стоимость определялась как рыночная; – применялся только сравнительный подход по рыночным данным, скидка на торг уже учте- на в результатах оценки; – применялась мультипликативная модель (линейная регрессия для логарифмов рыночных цен) с учетом ряда ценообразующих факторов. Подробно эти принципы изложены в отчете об оценке [30]. На рис. 7 представлены облака рассеяния двумерных случайных величин (КС 2015, КС 2018) и их логарифмов. На представленной диаграмме можно увидеть, что объекты жилой недвижимости, имевшие в 2015 г. кадастровую стоимость в диапазоне от 70 до 150 тыс. руб. за 1 кв. м., после кадастровой оценки 2018 г. рас- пались на два кластера: объекты (большинство) с незначительно увеличившейся кадастровой стоимостью, и объекты, для которых кадастро- вая стоимость значительно выросла. Адресный анализ второго кластера показывает, что в нем оказались объекты современного строительства, с подземными паркингами, обладающие хоро- шей транспортной доступностью со стороны ЗСД и объекты, из окон которых открывается вид на вантовый мост ЗСД через Петровский фарватер, стадион «Газпром Арена», строя- щийся деловой комплекс «Лахта Центр». Так как Санкт-Петербургским ГУ «Кадастровая оценка» использовалась мультипликативная модель (линейная регрессия в показателе экс- поненты), то линейный тренд, показывающий динамику изменения кадастровых стоимостей для каждого кластера следует построить для об- лака рассеяния в логарифмической плоскости (рис. 7, правая диаграмма). Коэффициенты ли- нейного тренда можно получить двумя спосо- бами. Методами регрессионного анализа (метод наименьших квадратов) и выдвигая гипотезу о совместном логарифмически нормальном рас- пределении кадастровых стоимостей. В первом случае, однако, необходимо проверять ком- плекс условий теоремы Гаусса-Маркова, т.к. регрессионный анализ разработан для случаев, когда о виде закона распределения ничего не известно. Одним из этих условий (но не един- ственным) является нормальность остатков с нулевым средним. При выдвижении статисти- ческой гипотезы о совместной нормальности логарифмов аналогично необходимо прове- Рис. 7. Облака рассеяния кадастровых стоимостей 2015 и 2018 гг. жилой недвижимости на Васильевском острове (слева в натуральных значениях в руб. за 1 кв. м., справа в логарифмах от тыс. руб. за 1 кв. м.) Экономическая статистика 64 Статистика и экономика ??Т. 16. № 5. 2019 рить гипотезу о нормальности логарифмов (отличие заключается в ненулевом среднем, оно легко устраняется центрированием). При- нятие гипотезы о совместной нормальности логарифмов означает, что линейной регресси- ей будет уравнение линии главной оси эллип- сов рассеяния, для большего кластера (рис. 7) мы используем именно этот подход. Проверка статистических гипотез для больших выборок является проблемой, прежде всего потому, что распространенные тесты (Колмогорова-Смир- нова, Шапиро-Уилка и многие другие) су- щественно зависят от объема выборки и при объемах выше 2000 элементов почти никогда не дают убедительных результатов, даже при идеальном визуальном соответствии эмпири- ческого и модельного распределений. В случае с кадастровыми базами объемы выборок могут превышать десятки и сотни тысяч элементов, общая база по жилой недвижимости превы- шает в Санкт-Петербурге 2 000 000. В этих ус- ловиях приходится прибегать к методам типа бутстреп-анализа. В табл. 1 приведены все параметры выборок, необходимые для определения коэффициентов линейной регрессии. Уравнение линейного тренда вида: ln ( y aln x b ) = + ( ) при обратном переходе от логарифмов к «нату- ральным» значениям примет вид: = a y Bx , где = b B e . Применительно к рассматриваемой задаче сравнения кадастровой стоимости 1 кв. м. для логарифмов будем искать линейный тренд: ln(V aln V b 2018 ) = + ( 2015 ) , (6) а для натуральных значений кадастровой стои- мости тренд в виде степенной функции: 2018 2015 = a V BV (7) При принятии в качестве рабочей гипотезы о совместном нормальном распределении лога- рифмов кадастровых стоимостей 1 кв. м. урав- нение линии главной оси эллипсов рассеяния и есть линейная регрессия для логарифмов ка- дастровых стоимостей. Необходимые формулы легко получаются записыванием хорошо из- вестных соотношений совместного нормально- го закона распределения для обозначений теку- щей задачи. Пусть V2015 распределено логарифмически нормально, с параметрами ?2015, ?2015, а V2018 распределено логарифмически нормально с па- раметрами ?2018, ?2018, коэффициент корреля- ции – ?. Тогда уравнение главной оси эллипсов рассеяния принимает вид: ( ) ( ) 2018 2018 2015 2015 2018 2018 2015 2018 ln ? ? ? ? ? ? =? ? + + ? ?? V ln V µ µ (8) уравнение степенного тренда в натуральных значениях (для кадастровых стоимостей): 2018 2018 2018 2015 2015 2015 2018 2015 ? ? ? ? ? ? ? ? ? ? = µ µV e V , т.е. в приведенных выше обозначениях: 2018 2015 ? ? ? a = ? , 2018 2018 2015 2018 ? ? ? bµ µ = ? ?? , = b B e (9) В случае если о двумерном распределении ни- чего не известно, формула (8) остается уравне- нием линейной регрессии полученной по МНК. Для нижнего кластера проведено тестирова- ние на совместную нормальность логарифмов в следующей последовательности: – удалены крайние значения, всего около 4% (в двумерном случае мы удаляем крайние значе- ния вдоль любой прямой проходящей через центр эллипса рассеяния). Результат показан на рис. 8. – для оставшегося множества: объем выбор- ки (47 725) даже после отсечения 4% крайних значений остается настолько большим, что при- менение обычных тестов не возможно. Случай- ным образом выбирались подвыборки по 100 элементов, которые тестировались круговым (см. например [26]) тестом Колмогорова-Смир- нова. Результат показан на рис. 9. Рис. 8. Нижний кластер (всего 47 725 точек). Граница эллипса рассеяния, отсекающая 4% крайних значений Рис. 9. Результат тестирования выборок по 100 элементов тестом Колмогорова Смирнова. По горизонтали угол поворота облака рассеяния, по вертикали значение p-value. Economic statistics Statistics and Economics ??V. 16. № 5. 2019 65 На рис. 9 показан результат 100 кратного повторения теста для подвыборок по 100 эле- ментов. Каждая линия должна быть выше кри- тического уровня 5% (показан пунктиром). Оче- видно, что показанный на рис. 9 результат для логарифма кадастровой стоимости 2018 г. (от 0 до ?), показывает и результат для логарифма кадастровой стоимости 2015 г. (от –?/2 до ?/2). Из 100 линий только 4 коснулись критической линии уровня, поэтому мы сохраняем гипотезу о совместной нормальности логарифмов када- стровых стоимостей как рабочую. Для верхнего кластера построено уравнение линейной регрессии по МНК, с помощью стан- дартной функции “lm” статистического паке- та R. Полученные параметры a и b, разумеет- ся, совпадают с параметрами, полученными по формуле (9). Коэффициент детерминации R2 = 0,66, медиана ошибок – 0,004, минимальная и максимальная ошибки -0,1/+0,09, стандартная ошибка отклонений 0,03. Дополнительное ис- следование распределения ошибок показало: стандартная функция “fitdistr” пакета R наилуч- шим приближением распределения стьюден- тизированных ошибок предлагает стандартное нормальное распределение N(0,1) (Следует от- метить, что даже верхний кластер является вы- боркой большого объема – 3205 точек, для ко- торых обычные статистические тесты работают плохо из-за зависимости от объема выборки). Для приведенной на рис. 7 выборки (распа- дающейся как минимум на два кластера) полу- чены следующие параметры (табл. 1). Таблица 1 Параметры выборок для расчета коэффициентов линейной регрессии по формулам (8) и по методу наименьших квадратов ?2015 ?2018 ?2015 ?2018 ? параметр а параметр b B Верхний кластер 4,76 5,23 0,08 0,06 0,81 0,61 2,33 10,24 Нижний кластер 4,67 4,70 0,09 0,09 0,92 0,91 0,47 1,61 На рис. 10 показаны 2 степенные функции, являющиеся регрессионными моделями, пока- зывающими степенные тренды зависимости ка- дастровой стоимости 2018 г. от кадастровой сто- имости 2015 г. (которые с учетом принципов, заложенных в отчеты [28], [30] можно считать оценками рыночных стоимостей). По трендам, изображенным на рис. 10 не легко увидеть относительное удорожание, по- этому рассмотрим двумерное рассеяние пары: кадастровая стоимость 2015 г. и удорожание (отношение кадастровой стоимости 2018 г. к кадастровой стоимости 2015 г.). Рис. 10. Линии регрессий (в виде степенных функций) для верхнего и нижнего кластеров, показанных на рис. 7. По горизонтали кадастровая стоимость 1 кв. м. в 2015 г., по вертикали кадастровая стоимость 1 кв. м. в 2018 г. Рис. 11. Изменение кадастровой стоимости. По горизонтали кадастровая стоимость 1 кв. м. в 2015 г. в руб. за 1 кв. м. По вертикали отношение кадастровой стоимости 2018 г. к кадастровой стоимости 2015 г. На рис. 11 хорошо виден нелинейный характер зависимости изменения кадастровой стоимости за 3 года, что хорошо укладывается в концепцию совместного нормального распределения лога- рифмов кадастровых стоимостей. Из формулы (7) 2018 2015 = a V BV , следует, что коэффициент удорожания равен 1 2018 2015 2015 1 ? = = a K V BV V (коэффициенты a и B показаны в табл. 1). На рис. 12 показаны соответствующие линии трен- дов. Из представленной на рис. 12 диаграммы видно, что различие между нижней и средней линией существует за счет учета скидки на торг в отчетах о кадастровой оценке. В представлен- ных выше расчетах по рыночным данным мы скидку на торг не учитывали. Скидка на торг для таких объектов (фактически масс-маркета) в 2017 г. (кадастровая оценка на 01.01.2018 г.) составляет ~ 9% для объектов с кадастровой стоимостью в 2015 г. 70 тыс. руб. за 1 кв. м., по мере роста кадастровой стоимости скидка на торг падает до нуля (разницу в 1% в диапазо- Экономическая статистика 66 Статистика и экономика ??Т. 16. № 5. 2019 не кадастровой стоимости 2015 г. от 125 до 150 тыс. руб. за 1 кв. м. мы относим на погрешно- сти вычислений). Таким образом, удорожание в значительной части масс-маркета за три года (годовую ставку роста несложно рассчитать по формуле сложных процентов) находится в ди- апазоне от 18% до 0% без учета скидки на торг и от 10% до 0% с учетом скидки на торг. Иная картина для отдельной категории объектов не- движимости, имеющих собственные подземные паркинги, находящихся в зоне значительно из- менившейся доступности (в непосредственной близости от съезда с ЗСД), а также с изменив- шиеся видовыми характеристиками. В этом кластере удорожание за 3 года составило 73% у объектов с кадастровой стоимостью 2015 г. 95 тыс. руб. за 1 кв. м. (стало 164,35 тыс. руб. за 1 кв. м.), с ростом кадастровой стоимости 2015 г. относительное удорожание снижается до 47% у объектов с кадастровой стоимостью 2015 г. 145 тыс. руб. за 1 кв. м. (стало ~ 217,5 тыс. руб. за 1 кв. м.). Выводы Полученные результаты указывают на изме- нения рынка недвижимости в связи с введени- ем в эксплуатацию платной автомоюбильной дороги. Изменившаяся транспортная доступ- ностьповлияла на привлекательность района для среднего класса населения с высокой сте- пенью мобильности, имеющего потребность в постоянном перемещении внутри города. По данным портала«Бюллетень Недвижимо- сти», за анализируемый период в Санкт-Петер- бурге [29] не наблюдалось активного повыше- ния стоимости предложения на жилые объекты. Динамика цен да период с августа 2015 по ян- варь 2018 г. представлена на рис. 13. Указанные индексы являются индикаторами среднего уровня цен предложения в целом на рынке жилой недвижимости Санкт-Петербурга, и указывают на отсутствие изменений (+0,56%) на рынке строящегося жилья итенденцию не- значительного увеличения цен предложений (+4,35%) на вторичном рынке недвижимости. Сравнение с полученными выше результатами без учета скидки на торг (до 18%) может го- ворить о прямомвлиянии введенного в эксплу- атацию ЗСД. Однако это влияние, по нашему мнению, в другой макроэкономической среде могло быть больше – в настоящее время недо- статочен платежеспособный спрос. По нашему мнению, на это указывает результат по объек- там,имеющим собственныеподземныепаркинги и непосредственную близость к развязкеЗСД (или значительно изменившиеся видовые ха- рактеристики) – рост кадастровой стоимости (фактически оцененной как рыночной) от 47% до 73%. Отсуствие общей динамики роста цен городского жилья за обозначенный период (рис. 13, меньше 5%) дает основания полагать, что рост кадастровой стоимости (расчитана как ры- ночная) объектов недвижимости, находящихся в Василеостровском районе,в первую очередь связаны с повышением инфраструктурной до- ступности и появлением транспортной развязки платной дороги в Западной части отстрова. В заключении стоит отметить, что резуль- таты, полученные на основе анализа большого массива данных, имеют высокую степень досто- верности, и позволяют производить не только ретроспективный анализ поведения рынка не- движимости при различных изменениях город- ской инфраструктуры, но также прогнозировать дальнейшее поведение рынка. Рис. 12. Линии степенных трендов для пар кадастровая стоимость – коэффициент удорожания. По горизонтали кадастровая стоимость 1 кв. м. в 2015 г. (в тыс. руб. за 1 кв. м.). По вертикали – коэффициент удорожания (изменения). Верхняя линия – тренд для «верхнего» кластера на рис. 7 (значительно подорожавшие объекты). Нижняя линия – тренд для «нижнего» кластера на рис. 7 (не значительно подорожавшие объекты). Средняя линия – тренд изменения рыночной стоимости без учета скидки на торг, полученный по рыночным данным (ранее показан на рис. 6) Рис. 13. Динамика изменений цены на недвижимость в Санкт-Петербурге за период с 01.08.2015 по 01.01.2018 Economic statistics Statistics and Economics ??V. 16. № 5. 2019 67 Интересным может оказаться и решение обратной задачи: оценка влияния развития новых строящихся районов и объектов повы- шенной социальной значимости на инвести- ционную привлекательность платных дорог. Так, создание нового делового района Мо- сквы «Москва-Сити» привело к реализации проекта Северного дублера Кутузовского проспекта, который направлен на обеспече- ние максимально быстрого подъезда к Мо- сковскому международному деловому центру от МКАД. Литература 1. Anselin L., Lozano-Gracia N.Errors in variables and spatial effects in hedonic house price models of ambient air quality. Empirical Economics. 2008. Vol. 34. Iss. 1. P. 5–34. 2. Benson E.D., Hansen J.L., Schwartz Jr. A.L., Smersh G.T. Pricing Residential Amenities: The Value of a View. The Journal of Real Estate Finance and Economics. 1998. Vol. 16. Iss. 1. P. 55–73. 3. Debrezion G., Pels E., Rietveld P. The impact of rail transport on real estate prices: an empirical analysis of the Dutch housing market. UrbanStud. 2011. Vol. 48 Iss. 5. P. 997–1015. 4. Jim C.Y., Chen, W.Y. Impacts of urban environmental elements on residential housing prices in Guangzhou (China). Landscape and Urban Planning. 2006. Vol. 78. Iss. 4. P. 422–434. 5. Rivas R., Patil D., Hristidis V., Barr J.R., Srinivasan N. The impact of colleges and hospitals to local real estate markets. Journal of Big Data. 2019. Vol. 6. Iss. 1. 6. Wena H., Zhanga Y., Zhang L. Assessing amenity effects of urban landscapes on housing price in Hangzhou, China. Urban Forestry & Urban Greening. 2015. Vol. 14. P. 1017–1026. 7. Peterson S., Flanagan A.B.Neural Network Hedonic Pricing Models in Mass Real Estate Appraisal. Journal of real estate research 2009. Vol. 31. Iss. 2. P. 147–164. 8. Rafiei M.H., Adeli H. Novel MachineLearning Model for Estimating Construction Costs Considering Economic Variables and Indexes. Journal of construction engineering and management. 2018. Vol. 144. Iss. 12. Article number 04018106. 9. Antipov E.A., Pokryshevskaya E.B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics.Expert Systems with Applications. 2012. Vol. 39. P.1772–1778. 10. Kontrimas V., Verikas A., The mass appraisal of the real estate by computational intelligence. Applied Soft Computing 11. 2011. P. 443–448. 11. Park B., Baem J.K. Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data. Expert Systems with Applications 42. 2015. P. 2928–2934. 12. Case K.E., Shiller R.J. PricesofSingleFamilyHomessince 1970: NewIndexesforFourCities. NewEnglandEconomicReview. 1987. P. 45-56. 13. Englund P., Quigley, J.M., Redfearn, C.L. The chiose of methodology for computing housing price indexes: comparison of temporal aggregation and sample definition. Journal of real estate finance and economics. 1999. Vol. 19. Iss. 2. P. 91–112. 14. Epley D. Assumptions and restrictions on the use of repeat sales to estimate residential price appreciation.Journal of Real Estate Literature. 2016. Volume 24, Issue 2, pp. 275–286. 15. Malpezzi S. Hedonic pricing models: A selective and applied review. In: O’Sullivan T, Gibb K, &editors. Housing economics and public policy: Essays in honor of Duncan Maclennan. Oxford. UK: Blackwell Science. 2002. P. 67–89. 16. Case B., Quigley J.M. The dynamics of real estate prices. The Review of Economics and Statistics. 1991. Vol. 73, Iss. 1. P. 50–58. 17. Englund P., Quigley J.M., Redfearn C.L. Improved price indexes for real estate: Measuring the course ofSwedish housing prices. Journal of Urban Economics. 1998. Vol. 44. Iss. 2. P. 171–196. 18. Jones C. House price measurement: The hybrid hedonic repeat-sales method. The Economic Record. 2010. Vol. 86. Iss. 272. P. 95–97. 19. Wang F., Zheng X. The comparison of the hedonic, repeat sales, and hybrid models: Evidence from the Chinese paintings. Cogent Economics & Finance. 2018. Vol. 6. P. 1–19. 20. Brunnermeier M.K. Bubbles. In The New Palgrave Dictionary of Economics. L.E. Blume and S.N. Durlauf, eds. New York: Palgrave Macmillan. 2009. 21. Fabozzi F. J., Xiao K. The Timeline Estimation of Bubbles: The Case of Real Estate. Real Estate Economics.2019. Vol. 47. Iss. 2. P. 564–594. 22. Fernandez-Kranz D., Hon M.T. A crosssection analysis of the income elasticity of housing demand in Spain: Is there a realestate bubble? Journal of real estate finance and economics. 2006. Vol. 32, Iss. 4. P. 449-470. 23. Phillips P.C.B., Shi S.P. Yu J. Testing for Multiple Bubbles: Historical Episodes of Exuberance. International Economic Review. 2015. Vol. 56. Iss. 4. P. 1043–1078. 24. Phillips P.C.B., Shi S.P., Yu J. Testing for Multiple Bubbles: Limit Theory of Real Time Detectors // International Economic Review. 2015. Vol. 56. Iss. 4. P. 1079– 1134. 25. Ласкин М.Б., Гадасина Л.В. Как опре- делить кадастровую стоимость // Имуществен- ные отношения в Российской Федерации. 2018. № 3. 42–53 c. 26. Русаков О.В., Ласкин М.Б., Джаксумбае- ва О.И., Стабровская К.Ю. Определение скидки Экономическая статистика 68 Статистика и экономика ??Т. 16. № 5. 2019 References 1. Anselin L., Lozano-Gracia N.Errors in variables and spatial effects in hedonic house price models of ambient air quality. Empirical Economics. 2008; 34; 1: 5–34. 2. Benson E. D., Hansen J.L., Schwartz Jr. A.L., Smersh G.T. Pricing Residential Amenities: The Value of a View. The Journal of Real Estate Finance and Economics. 1998; 16; 1: 55–73. 3. Debrezion G., Pels E., Rietveld P. The impact of rail transport on real estate prices: an empirical analysis of the Dutch housing market. UrbanStud. 2011; 48; 5: 997–1015. 4. Jim C.Y., Chen, W.Y. Impacts of urban environmental elements on residential housing prices in Guangzhou (China). Landscape and Urban Planning. 2006; 78; 4: 422–434. 5. Rivas R., Patil D., Hristidis V., Barr J.R., Srinivasan N. The impact of colleges and hospitals to local real estate markets. Journal of Big Data. 2019; 6; 1. 6. Wena H., Zhanga Y., Zhang L. Assessing amenity effects of urban landscapes on housing price in Hangzhou, China. Urban Forestry & Urban Greening. 2015; 14: 1017–1026. 7. Peterson S., Flanagan A.B.Neural Network Hedonic Pricing Models in Mass Real Estate Appraisal. Journal of real estate research 2009; 31; 2: 147–164. 8. Rafiei M. H., Adeli H. Novel MachineLearning Model for Estimating Construction Costs Considering Economic Variables and Indexes. Journal of construction engineering and management. 2018; 144; 12. 9. Antipov E.A., Pokryshevskaya E.B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications. 2012; 39: 1772–1778. 10. Kontrimas V., Verikas A., The mass appraisal of the real estate by computational intelligence. Applied Soft Computing 11. 2011: 443–448. 11. Park B., Baem J.K. Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data. Expert Systems with Applications 42. 2015: 2928–2934. 12. Case K.E., Shiller R.J. Pricesof SingleFamily Homessince 1970: New Indexes for Four Cities. New England Economic Review; 1987: 45– 56. 13. Englund P., Quigley, J.M., Redfearn, C.L. The choise of methodology for computing housing price indexes: comparison of temporal aggregation and sample definition. Journal of real estate finance and economics. 1999; 19; 2: 91–112. 14. Epley D. Assumptions and restrictions on the use of repeat sales to estimate residential price appreciation. Journal of Real Estate Literature. 2016; 24; 2: 275–286. 15. Malpezzi S. Hedonic pricing models: A selective and applied review. In: O’Sullivan T, Gibb K, &editors. Housing economics and public policy: Essays in honor of Duncan Maclennan. Oxford. UK: Blackwell Science. 2002: 67–89. 16. Case B., Quigley J.M. The dynamics of real estate prices. The Review of Economics and Statistics. 1991; 73; 1: 50–58. 17. Englund P., Quigley J.M., Redfearn C.L. Improved price indexes for real estate: Measuring the course ofSwedish housing prices. Journal of Urban Economics. 1998; 44; 2: 171–196. 18. Jones C. House price measurement: The hybrid hedonic repeat-sales method. The Economic Record. 2010; 86; 272: 95–97. 19. Wang F., Zheng X. The comparison of the hedonic, repeat sales, and hybrid models: Evidence from the Chinese paintings. Cogent Economics & Finance. 2018; 6: 1–19. 20. Brunnermeier M.K. Bubbles. In The New Palgrave Dictionary of Economics. L.E. Blume and S.N. Durlauf, eds. New York: Palgrave Macmillan. 2009. 21. Fabozzi F.J., Xiao K. The Timeline Estimation of Bubbles: The Case of Real Estate. Real Estate Economics.2019; 47; 2: 564–594. 22. Fernandez-Kranz D., Hon M.T. A crosssection analysis of the income elasticity of housing на торг по статистическим данным // Вестник гражданских инженеров. 2016. № 2. C. 268–284. 27. Ласкин М.Б. Корректировка рыночной стоимости по ценообразующему фактору «пло- щадь объекта» // Имущественные отношения в Российской Федерации. 2017. № 8 (191). C. 86–99. 28. Официальный сайт Администрации Санкт-Петербурга [Электрон. ресурс]. Приказ Комитет имущественных отношений Санкт-Пе- тербурга от 27.08.2015 № 59-п «Об утверждении результатов определения кадастровой стоимо- сти помещений площадью менее 3000 кв. м на территории Санкт-Петербурга». Режим доступа: http://gov.spb.ru/gov/otrasl/kio/documents/inyedokumenty/4434/. (Дата обращения: 05.06.2019). 29. Портал про недвижимость в Петербур- ге [Электрон. ресурс]. Цены на недвижимость в Санкт-Петербурге. Запрос динамики цен от 07.06.2019, начальная дата: 01.08.2015, конечная дата: 01.01.2018. Режим доступа: https://www. bn.ru/graphs/index.php?singlgraph=main. (Дата обращения: 07.06.2019). 30. Санкт-Петербургское государственное бюджетное учреждение «Городское управление кадастровой оценки» [Электрон. ресурс]. Отчет об определении кадастровой стоимости объек- тов недвижимости на территории Санкт-Пе- тербурга № 1/2018, 2018. Режим доступа: http:// www.ko.spb.ru/interim-reports/. (Дата обращения: 05.06.2019). Economic statistics Statistics and Economics ??V. 16. № 5. 2019 69 Сведения об авторах Михаил Борисович Ласкин Старший научный сотрудник Санкт-Петербургский институт информатики и автоматизации, Российская Академия Наук (СПИИРАН), Санкт-Петербург, Россия Эл. почта: [email protected] Александр Юрьевич Талавиря Аспирант департамента логистики и управления цепями поставок в Санкт-Петербурге Национальный Исследовательский Университет Высшая Школа Экономики (НИУ ВШЭ), Санкт-Петербург, Россия Эл. почта: [email protected] Information about the authors Mikhail B. Laskin Senior Researcher St. Petersburg Institute for Informatics and Automation of the Russian Academy of Sciences, St.Petersburg, Russia E-mail: [email protected] Aleksander U. Talavirya Postgraduate student of the Department of Logistics and Supply Chain Management in St.Petersburg Higher School of Economics, St.Petersburg, Russia E-mail: [email protected] demand in Spain: Is there a realestate bubble? Journal of real estate finance and economics. 2006; 32; 4: 449-470. 23. Phillips P.C.B., Shi S.P. Yu J. Testing for Multiple Bubbles: Historical Episodes of Exuberance. International Economic Review. 2015; 56; 4: 1043–1078. 24. Phillips P.C.B., Shi S.P., Yu J. Testing for Multiple Bubbles: Limit Theory of Real Time Detectors. International Economic Review. 2015; 56; 4: 1079– 1134. 25. Laskin M.B., Gadasina L.V. How to determine the cadastral value. Imushchestvennyye otnosheniya v Rossiyskoy Federatsii = Property relations in the Russian Federation. 2018; 3: 42–53. (In Russ.) 26. Rusakov O.V., Laskin M.B., Dzhaksumbayeva O.I., Stabrovskaya K.YU. Determination of discounts for bargaining according to statistical data. Vestnik grazhdanskikh inzhenerov = Bulletin of civil engineers. 2016; 2: 268-284. (In Russ.) 27. Laskin M.B. Market value adjustment by the pricing factor “facility area”. Imushchestvennyye otnosheniya v Rossiyskoy Federatsii = Property Relations in the Russian Federation. 2017; 8 (191): 86–99. (In Russ.) 28. The official website of the Administration of St. Petersburg [Internet]. Order of the Committee for Property Relations of St. Petersburg dated August 27, 2015 No. 59-p «On approval of the results of determining the cadastral value of premises with an area of less than 3000 square meters in the territory of St. Petersburg». Available from: http://gov.spb.ru/ gov/otrasl/kio/documents/inye-dokumenty/4434/. (cited: 05.06.2019). (In Russ.) 29. Portal about real estate in St. Petersburg [Internet]. Real estate prices in St. Petersburg. Request for price dynamics on 07.06.2019, start date: 01.08.2015, end date: 01.01.2018. Available from: https://www.bn.ru/graphs/index. php?singlgraph=main. (cited: 07.06.2019). (In Russ.) 30. St. Petersburg State Budget Institution “City Department of Cadastral Valuation” [Internet]. Report on the determination of the cadastral value of real estate in St. Petersburg No. №1/2018, 2018. Available from: http://www.ko.spb.ru/interimreports/. (cited: 05.06.2019). (In Russ.)

Другие книги из этого раздела





© 2002 - 2024 RefMag.ru