Экономика недвижимости

Наиболее эффективное  использование определяется как  наиболее вероятное использование  имущества, являющееся физически возможным, разумно (экономически) оправданным, юридически законным, осуществимым с финансовой точки зрения в результате которого стоимость оцениваемого имущества  будет максимальной.

Наиболее эффективное  использование недвижимости определяется путем анализа соответствия потенциальных  вариантов ее использования следующим  критериям:

- законодательная разрешенность;

- физическая осуществимость;

- финансовая осуществимость;

- максимальная эффективность.

Законодательнаяразрешенность: рассмотрение тех способов использования, которые разрешены распоряжениями по зонообразованию, ограничениями  на частную инициативу, положениями  исторических зонных и экологическим  законодательством.

Физическая осуществимость: рассмотрение физически реальных в  данной местности способов использования.

Финансовая осуществимость: рассмотрение того, какое физически  осуществимое и разрешенное законом  использование будет давать приемлемый доход владельцу.

Максимальная эффективность: рассмотрение того, какое из финансово  осуществимых использований будет  приносить максимально чистый доход  или максимальную текущую стоимость.

Так, рассмотрев возможности  использования объекта оценщик  пришел к выводу, что наилучшим  использованием является использование  по назначению, то есть в качестве жилого объекта недвижимости.

 

2.12 ОПРЕДЕЛЕНИЕ СТОИМОСТИ ОБЪЕКТА НЕДВИЖИМОСТИ

 

2.12.1 СРАВНИТЕЛЬНЫЙ ПОДХОД

 

2.12.2 КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ МЕТОД

В данной работе для оценки рыночной стоимости используется метод  классической линейной регрессии, основанной на методе наименьших квадратов (МНК).

Пусть имеется выборка из n известных значений цен объектов-аналогов y₁, y₂,…, y_n. И пусть экспертом выделено k характеристик объекта недвижимости, влияющих на результирующее значение стоимости. Обозначим численные значения этих характеристик как x_i1, x_i2,…, x_ik, i=1,…,n для объектов-аналогов и x₀₁, x₀₂,…, x_ok  – для объекта оценки. В собственно линейной модели регрессионная связь ищется в виде:

,      i=1,…,n.

Значение  , вычисленные с помощью регрессионной зависимости (1) для i-того аналога, могут отличаться от значения стоимости y_i, известного на рынке: . МНК ищет коэффициенты системыуравнений, исходя из условия минимизации суммы квадратов отклонений: .

В результате коэффициенты могут быть найдены из уравнения A=(X^TX)^-1X^TY, где:

, , . 

Получив коэффициенты регрессионной  зависимости, можно вычислить значение стоимости  для объекта оценки, подставив в значения x₀₁, x₀₂,…, x_ok его характеристик. Нельзя, однако, ограничиться этой точечной оценкой. Необходимо оценить точность и надежность полученного результата. Для этих целей может быть использован ряд статистических критериев. Приведенные ниже  статистические оценки получены и справедливы в предположении нормальности распределения случайной величины y, а также независимости и нормальности распределения погрешностей e_i.

1) Стандартное отклонение (СКО)  результата  (или остаточное СКО):

, где  ,

используется для построения доверительного интервала полученного результата.

Вместо часто говорят о несмещенной оценке остаточной дисперсии , .

Рыночная стоимость оцениваемого объекта со статистической надежностью g попадет в доверительный интервал ,

где X₀ – столбец :

t_a – значениеt-распределения Стьюдента для уровня значимости a=1-g и числа степеней свободы (n-k-1),.

2) Коэффициент определенности       

позволяет судить о том, какой процент  дисперсии известных рыночных данных объясняется с помощью регрессионной  зависимости.

Коэффициент определенности наряду с  остаточным СКО служит показателем  качества регрессионной модели. Из двух регрессионных моделей предпочтение отдают той, которая характеризуется  меньшим остаточным СКО или большим  коэффициентом определенности.

3) Проверка значимости уравнения  регрессии с помощью F-критерия Фишера основана на вычислении статистики  , где .  Остаточная сумма квадратовQ_ост представляет собой показатель ошибки предсказания с помощью регрессии известных рыночных значений стоимости. Ее сравнение с регрессионной суммой квадратов Q_Rпоказывает, во сколько раз регрессионная зависимость предсказывает результат лучше, чем среднее . Значение коэффициента Фишера сравнивают с критическим значением F_кр, представляющее собой значение F-распределения (распределение Фишера-Снедекора) со степенями свободы (n-k-1), k и уровнем значимости a=1-g. Если неравенство F>F_кр выполнено, то регрессионная зависимость статистически значимо (с надежностью g) описывает известные рыночные данные.

Если регрессионная зависимость  незначима, то принимается гипотеза о равенстве нулю всех коэффициентов  регрессионной связи в генеральной  совокупности. В таком случае применение методов регрессионного анализа  применительно к выбранным влияющим факторам не имеет смысла, и следует  либо анализировать иные влияющие факторы,  либо прибегнуть к оценкам с помощью  среднего.

Расчеты производятся в два  этапа:

-на первом этапе в  цены предложения аналогов вносятся  известные корректировки;

-на втором этапе рассчитывается  стоимость объекта оценки регрессионным  анализом.

Необходимо учесть те же факторы, влияющие на стоимость объекта  оценки. В качестве корректировок, предваряющих регрессионный анализ, используются корректировки:

1. Корректировка на снижение цены в процессе торга. Поправка учитывает разность между ценой предложения и ценой реальной сделки, поскольку цена предложения отражает только позицию продавца. Поправка определена в размере 5% от цены продажи по данным опроса риэлтерских агентств.
2. Дата продажи. Корректировка учитывает фактор времени продажи (предложения) аналогов и объекта оценки. Корректировка делается, если с момента сопоставимых сделок в результате инфляционных или дефляционных процессов стоимость основных типов недвижимости существенно изменилась. Оптимальную корректировку на этот фактор можно получить из сделок перепродажи одного и того же объекта с постоянными физическими и  экономическими параметрами. В случае отсутствия подобных данных следует использовать сведения о продажах подобных объектов на одном и том же секторе рынка.
3. Корректировки на имущественные права.
4. Корректировки на условия финансирования.

Для построения регрессионной  модели в качестве независимых переменных определяются параметры которые  имеют изменчивость, например площадь  квартиры ( ), этаж ( ), местоположение ( ), состояние объекта ( ), санузел ( ) и балкон (лоджия) ( ). Остальные физические характеристики не используются, поскольку по ним оцениваемый объект и объекты- аналоги схожи. Пример исходной базы представлен ниже в таблице

 

Таблица10 – Исходная база для корреляционно-регрессионного анализа

Месторасположение	Характеристика объекта-аналога	Площадь, м2 Общая/	Цена предложения, руб.	Цена предложения в расчете  на 1 м2, руб	Источник информации
Город Сельцо	1-комнатная квартира,5-ый этаж	30/16/6	980 000	32666,6	www.bgr32.ru
Город Сельцо	1-комнатная квартира,2-ой этаж	170	5000000	29411,76	www.bgr32.ru
Город Сельцо	4-х комнатная квартира,4-ый этаж	74/56/10	1900000	25675,6	www.bgr32.ru
Город Сельцо	3-х комнатная квартира,1-ый этаж	154.7/130 /12	2 600 000	16806,7	www.bgr32.ru
Город Сельцо	1-комнатная квартира,1-ый этаж	28/19 /5	500 000	17857,14	www.bgr32.ru
Город Сельцо	1-комнатная квартира,1-ый этаж	72	1 600 000	22222,22	www.bgr32.ru
Город Сельцо	1-комнатная квартира,2-ой этаж	31/18/6.5	1 130 000	36451,6	www.bgr32.ru
Город Сельцо	3-х комнатная квартира,2-ой этаж	56/38.9/6.5	1 650 000	28571,42	www.bgr32.ru
Город Сельцо	3-х комнатная квартира,2-ой этаж	61/46.5/6.5	1 550 000	25409,83	www.bgr32.ru
Город Сельцо	1-комнатная квартира,1-ый этаж	60	650 000	10833	www.bgr32.ru
Город Сельцо	2-х комнатная квартира,2-ой этаж	180	3 500 000	19444,4	www.bgr32.ru
Город Сельцо	2-х комнатная квартира,2-ой этаж	44/32/6.5	1 230 000	27954,54	www.bgr32.ru
Город Сельцо	3-х комнатная квартира,1-ый этаж	59	900 000	15254,23	www.bgr32.ru
Город Сельцо	1-комнатная квартира,1-ый этаж	108	2 000 000	18518,51	www.bgr32.ru
Город Сельцо	3-х комнатная квартира,5-ый этаж	79/53/7.1	1 600 000	20253,16	www.bgr32.ru

 

Для использования выбранных  параметров в регрессионной модели присвоим значениям неколичественных признаков «этаж», «местоположение», «состояние», «санузел», «балкон (лоджия)»  числовые метки, пользуясь процедурой равномерной оцифровки и высказанным  гипотезам о влиянии признаков. Пример результата присвоения числовых меток признакам представлен  в таблице.

 

Таблица 11 – Числовые метки при равномерной оцифровке

Наименование признака	Наименование градаций	Числовые метки
Состояние	удовлетворительное	1
	хорошее	2
	отличное	3
Местоположение	хорошее	1
	отличное	2
Санузел	совмещенный	1
	раздельный	2
Балкон (лоджия)	балкон	2
	-	1

 

 

 

 

Таблица 12 – База для построения регрессионной модели

Цена предложения в  расчете на 1м2, руб	Площадь дома	Этаж	Местоположение	Состояние объекта	Санузел	Балкон
32666,6	52	2	1	2	1	1
29411,76	170	3	1	2	1	1
25675,6	140	2	2	2	1	2
16806,7	296,7	1	1	2	2	1
17857,14	52	1	2	2	1	2
22222,22	72	1	1	1	1	2
36451,6	55,5	2	1	2	2	2
28571,42	101,4	2	2	3	1	1
25409,83	114	3	1	2	2	2
10833	60	1	2	2	2	1
19444,4	180	2	1	3	1	2
27954,54	82,5	2	1	2	2	2
15254,23	59	1	1	1	2	2
18518,51	108	1	1	2	2	2
20253,16	139,1	3	1	3	2	2

 

Дальнейшие расчеты производим с помощью инструмента регрессия надстройки Excel «Анализ данных». Ниже приведена статистика, выданная инструментом регрессия.

 

 

 

 

 

 

 

 

 

 

 

Таблица 13 -Регрессионная статистика 

 

ВЫВОД ИТОГОВ
Регрессионная статистика
Множественный R	0,828437011
R-квадрат	0,686307882
Нормированный R-квадрат	0,451038793
Стандартная ошибка	5229,375047
Наблюдения	15
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	6	478635545	79772590,83	2,917118803	0,081874646
Остаток	8	218770907,1	27346363,38
Итого	14	697406452
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%	Нижние 95,0%	Верхние 95,0%
Y-пересечение	19176,73788	10969,26101	1,748225141	0,118552437	-6118,423346	44471,8991	-6118,4	44471,8991
Переменная X 1	-24,95811697	23,61077623	-1,057064652	0,321354482	-79,40466454	29,48843061	-79,405	29,48843061
Переменная X 2	4044,851777	2450,37878	1,650704703	0,137405302	-1605,731818	9695,435371	-1605,7	9695,435371
Переменная X 3	-5553,033122	4010,837612	-1,384507093	0,203593018	-14802,04123	3695,97499	-14802	3695,97499
Переменная X 4	6148,833675	3485,195698	1,764272141	0,115691534	-1888,04201	14185,70936	-1888	14185,70936
Переменная X 5	-4873,534303	3160,081695	-1,54221782	0,161592921	-12160,69575	2413,627147	-12161	2413,627147
Переменная X 6	1796,932377	3207,464734	0,560234493	0,590658359	-5599,494556	9193,35931	-5599,5	9193,35931