Моделирование формирования цен на земельные участки Московской области. Кадастровая оценка земель

исследуемых данных по каждому направлению.

Таблица 1.

|Направление |Количество земельных участков |

|Белорусское |259 |

|Ярославское |176 |

|Казанское |123 |

|Киевское |309 |

|Курское |152 |

|Ленинградское |174 |

|Горьковское |158 |

|Павелецкое |160 |

|Рижское |267 |

|Рязанское |164 |

|Савеловское |170 |

Процедура оценки – это процесс решения проблем, в котором различные

физические, экономические и социальные факторы анализируются по отношению к

оцениваемому объекту.

Прежде чем приступить непосредственно к анализу формирования цен на

земельные участки следует уделить внимание существовавшей на период

исследования нормативной цене на земельные участки. Согласно Постановлению

Правительства Московской области №31/11 от 05.04.99 «О нормативной цене

земли в Московской области в 1999 году» на территории Московской области

устанавливается нормативная цена земли для земель следующего целевого

использования:

- земли промышленности, транспорта и прочих;

- земли жилищного фонда, а также предоставленных для садоводства,

огородничества, животноводства, для ведения личного подсобного и

дачного хозяйства, под гаражи и стоянки;

- сельскохозяйственных земель сельскохозяйственных организаций,

крестьянских (фермерских) хозяйств, огородных товариществ.

Всего на территории Московской области выделяют 6 оценочных зон, так,

например, для 3-ей оценочной зоны для земель, предоставленных для ИЖС,

установлена нормативная цена земли в размере 25 руб за кв.м. Таким образом

1 сотка земли будет стоить 2500руб (~90USD). Как будет видно далее

нормативная цена значительно меньше рыночной цены, по сообщению РИА

«Новости» нормативная цена земли составляла 14-18% от рыночной. Следует

отметить, что Правительство Московской области, понимая это, повысило

нормативную цену на землю в самом конце 2000 года, которая действовала чуть

больше месяца, но затем в 2001 году руководство согласилось с тем, что она

должна быть такой же, как в 1999 году. Об этом заявил министр экологии и

природопользования Александр Красиков. В своем интервью он заметил, что

«практика показала, что цена земли в Московской области оказалась слишком

завышенной, в результате снизились показатели продажи и предоставления

участков гражданам, упала активность на вторичном рынке земли, замедлился

процесс выкупа земли юридическими лицами для размещения предприятий».

Остается загадкой, как за столь короткий период ноября 2000 года

руководство пришло к такому выводу.

В исследуемой базе содержится информация о ценах предложения на земельные

участки, указаны местоположение, направление, оценочная зона, расстояние от

Московской кольцевой автодороги (МКАД), наличие леса, водоема, площадь

земельного участка, инженерное обеспечение (электричество, водопровод,

магистральный газ, канализация, телефон), наличие подъездной дороги с

твердым покрытием. Пример представления информации в базе данных приведен в

таблице 2.

Таблица 2.

Пример представления информации в базе данных.

|Стоимость 1 сотки в долл.США (цены предложений) в 1999 г. |

|Белорусское направление| | | | | | | | |

|№|Населен|Ориентир и |Рас|Зо|Пло|Нали|Рекре|Стои|Сто|Примеча|

| |ный |расположение|сто|на|щад|чие |ация |мост|имо|ние и |

| |пункт |до |яни| |ь |сете| |ь в |сть|источни|

| | |локального |е | |уча|й | |долл|1 |к |

| | |центра, |от | |стк| | |. |сот|информа|

| | |новый или |МКА| |а | | | |ки |ции |

| | |сложившийся |Д, | |(со| | | | | |

| | | |км | |тки| | | | | |

| | | | | |) | | | | | |

|2|д. |Белорусское |6 |2 |16 |Э, |лес, |1700|106|593-48-|

|3|Лайково|н. | | | |Г, Д|Москв|0 |3 |73 |

| | | | | | | |а-рек| | | |

| | | | | | | |а | | | |

|2|д.Глухо|Ильинское ш.|7 |2 |12 |Э, |нет |3500|291|971-76-|

|4|во | | | | |Г, В| |0 |7 |73 |

Предварительный анализ данных был сделан с помощью статистического пакета

SPSS v.10.0.5 (1999). На рисунке 3 представлены медиана, 25% и 75% квантили

цен предложения 1999 года на земельные участки по 11 направлениям. В

таблице 3 указаны основные характеристики: максимальное и минимальное

значения, среднее, стандартное отклонение, дисперсия. Из этих данных можно

сделать общий вывод о более высоких в среднем ценах на земельные участки

Белорусского, Ярославского, Киевского и Рижского направлений, что

согласуется с общепринятыми предпочтениями о престижности местоположения

участка. Несколько занижены на наш взгляд цены на земельные участки

Ленинградского направления. Цены предложения 1999 года оценивались в

долларах США / 100м2.

Таблица 3.

Основные статистические характеристики исследуемой выборки (по

направлениям).

|

|

|

|

|

|

|

|

|

|

|

|[pic] Рисунок 3. Графическое представление основных статистических

характеристик (максимум, минимум, 25% и 75% квантили, медиана).

Первый этап построения модели, или спецификация модели, заключается в

создании структуры модели на основе экономической теории и теории оценки, а

также рыночного анализа. Второй этап – калибровка (идентификация) –

представляет собой процесс определения коэффициентов в модели массовой

оценки.

Данные можно подразделить на два типа: качественные и количественные.

Особой разновидностью качественных параметров являются так называемые

бинарные переменные, которые могут принимать значения «1» или «0» в

зависимости от того, присуща данная характеристика рассматриваемому объекту

или нет. Наличие леса, водоема, площадь земельного участка, инженерное

обеспечение (электричество, водопровод, магистральный газ, канализация,

телефон), наличие подъездной дороги с твердым покрытием характеризовалось

значением «1», отсутствие – «0».

Для калибровки (идентификации) модели нами был применен множественный

регрессионный анализ (МРА), который представляет собой статистический

способ определения неизвестных данных на основе известной и доступной

информации. В массовой оценке неизвестными данными являются значения

рыночной стоимости. К известным и доступным данным относятся цены продажи

(в нашем случае предложения) и характеристики объектов недвижимости. Модели

МРА могут быть аддитивными, мультипликативными или гибридными. Мы начали

наш анализ с аддитивной модели типа:

P = A0 + A1X1 + ... + AnXn, где (Х1 ... Хn) - характеристики объекта

недвижимости, An - численные коэффициенты при переменных характеристиках

объекта, показывающие вклад соответствующих характеристик в стоимость.

Как правило, МРА хорошо работает в тех случаях, когда число продаж

достаточно велико, а характеристики объектов недвижимости установлены с

достаточной точностью. Мы решили проверить достоверность данного

утверждения, построив общую модель для всех участков и по каждому

направлению в отдельности. На протяжении всего анализа мы пользовались

следующими обозначениями (см. Таблица 4).

Расчеты проводились в программе Econometric Views v.2.0 (1996).

Аддитивная модель МРА для всех участков Московской области.

PRICE = 710.83323 - 44.818357*EL + 79.385828*WAT + 296.74527*GAS +

454.45536*WC + 91.857548*TEL - 15.247174*ROAD - 27.754058*FOREST -

27.700678*RIVER - 0.31711615*SQU - 5.8964922*MKAD

Результаты оценивания приведены ниже в таблице 5.

Таблица 5

Оценивание аддитивной модели МРА для всех участков Московской области.

LS // Dependent Variable is PRICE

Sample (adjusted): 1 2112

Variable Coefficient Std. Error t-Statistic Prob.

C 710.8332 30.21771 23.52373 0.0000

EL -44.81836 28.61944 -1.566011 0.1175

WAT 79.38583 24.94676 3.182210 0.0015

GAS 296.7453 28.46552 10.42473 0.0000

WC 454.4554 66.94943 6.788039 0.0000

TEL 91.85755 70.81840 1.297086 0.1947

ROAD -15.24717 24.73701 -0.616371 0.5377

FOREST -27.75406 24.92862 -1.113341 0.2657

RIVER -27.70068 25.01999 -1.107142 0.2684

SQU -0.317116 0.175097 -1.811088 0.0703

MKAD -5.896492 0.360831 -16.34143 0.0000

R-squared 0.290822 Mean dependent var

524.5421

Adjusted R2 0.287447 S.D. dependent var

591.0800

S.E. of regression 498.9476 Akaike info criterion

12.43020

Sum squared resid 5.23E+08 Schwarz criterion

12.45965

Log likelihood -16112.09 F-statistic

86.15859

Durbin-Watson stat 1.538076 Prob(F-statistic) 0.000000

Таблица 4

Условные обозначения, используемые в работе.

|Наличие |Площа|Расст|Цена |Совместное влияние |Направление |

| |дь |ояние|предл| | |

| |участ|от |ожени| | |

| |ка |МКАД |я | | |

|Элект|Водоп|Магис|Канал|Телеф|Дорог|Леса |Водое| | | |Элект|Элект|Элект|Элект| |

|ричес|ровод|траль|изаци|она |и с | |ма | | | |ричес|ричес|ричес|ричес| |

|тва |а |ного |и | |тверд| | | | | |тво +|тво +|тво +|тво +| |

| | |газа | | |ым | | | | | |водоп| |водоп| | |

| | | | | |покры| | | | | |ровод|газ |ровод|водоп| |

| | | | | |тием | | | | | | | |+ |ровод| |

| | | | | | | | | | | | | |газ |+ | |

| | | | | | | | | | | | | | |газ +| |

| | | | | | | | | | | | | | |дорог| |

| | | | | | | | | | | | | | |а | |

|EL |WAT |GAS |WC |TEL |ROAD |FORES|RIVER|SQU |MKAD |PRICE|EW |EG |EWG |EWGR |Все данные |

| | | | | | |T | | | | | | | | | |

|SER1 |SER2 |SER3 |SER4 |SER5 |SER6 |SER7 |SER8 |SER9 |SER10|SER11|SER12|SER13|SER14|SER15|Белорусское |

| | | | | | | | | | | | | | | |(BEL) |

|SER16|SER17|SER18|SER19|SER20|SER21|SER22|SER23|SER24|SER25|SER26|SER27|SER28|SER29|SER30|Ярославское |

| | | | | | | | | | | | | | | |(YAR) |

|SER31|SER32|SER33|SER34|SER35|SER36|SER37|SER38|SER39|SER40|SER41|SER42|SER43|SER44|SER45|Казанское |

| | | | | | | | | | | | | | | |(KAZ) |

|SER46|SER47|SER48|SER49|SER50|SER51|SER52|SER53|SER54|SER55|SER56|SER57|SER58|SER59|SER60|Киевское |

| | | | | | | | | | | | | | | |(KIEV) |

|SER61|SER62|SER63|SER64|SER65|SER66|SER67|SER68|SER69|SER70|SER71|SER72|SER73|SER74|SER75|Курское (KUR)|

|SER76|SER77|SER78|SER79|SER80|SER81|SER82|SER83|SER84|SER85|SER86|SER87|SER88|SER89|SER90|Ленинградское|

| | | | | | | | | | | | | | | |(LEN) |

|SER91|SER92|SER93|SER94|SER95|SER96|SER97|SER98|SER99|SER10|SER10|SER10|SER10|SER10|SER10|Горьковское |

| | | | | | | | | |0 |1 |2 |3 |4 |5 |(GOR) |

|SER10|SER10|SER10|SER10|SER11|SER11|SER11|SER11|SER11|SER11|SER11|SER11|SER11|SER11|SER12|Павелецкое |

|6 |7 |8 |9 |0 |1 |2 |3 |4 |5 |6 |7 |8 |9 |0 |(PAV) |

|SER12|SER12|SER12|SER12|SER12|SER12|SER12|SER12|SER12|SER13|SER13|SER13|SER13|SER13|SER13|Рижское |

|1 |2 |3 |4 |5 |6 |7 |8 |9 |0 |1 |2 |3 |4 |5 |(RIZH) |

|SER13|SER13|SER13|SER13|SER14|SER14|SER14|SER14|SER14|SER14|SER14|SER14|SER14|SER14|SER15|Рязанское |

|6 |7 |8 |9 |0 |1 |2 |3 |4 |5 |6 |7 |8 |9 |0 |(RYAZ) |

|SER15|SER15|SER15|SER15|SER15|SER15|SER15|SER15|SER15|SER16|SER16|SER16|SER16|SER16|SER16|Савеловское |

|1 |2 |3 |4 |5 |6 |7 |8 |9 |0 |1 |2 |3 |4 |5 |(SAV) |

Коэффициент детерминации (R2) представляет собой процент дисперсии цен

предложения, объясняемый регрессионной моделью (R2=RSS/TSS). Использование

R2 имеет два недостатка. Во-первых, при добавлении в регрессионную модель

новых переменных R2 либо увеличивается, либо остается неизменным, что может

привести к завышению критерия согласия, если в уравнение введены

несущественные переменные или когда число переменных велико по сравнению с

количеством рассматриваемых продаж. R2 может принимать значения в интервале

от 0 до 1, чем ближе R2 к 1, тем лучше качество подгонки. Первый

недостаток можно учесть, скорректировав величину R2 по числу независимых

переменных, в результате получим величину приведенного R2 (Adjusted R2),

n – объем выборки, k – число регрессоров.

Второй недостаток R2 (присущий также приведенному R2) относится больше к

вопросу осторожности при интерпретации. R2 является мерой той части

дисперсии цен, которая объясняется регрессионной моделью. В массовой оценке

мы часто расслаиваем множество объектов недвижимости на однородные страты и

в рамках каждой страты рассчитываем отдельные уравнения. Поскольку эта

процедура уменьшает дисперсию цен внутри каждой страты, не следует ожидать,

что в этом случае МРА объяснит такой же большой процент отклонений, как и

при использовании единого уравнения для аппроксимации продаж во всей

юрисдикции. Например, значения R2=0,8, 0,85 и 0,9 для трех отдельных

направлений могут соответствовать регрессионным моделям с лучшей

предикативной способностью (что видно по величине [pic]) по сравнению с

единой моделью для трех направлений, для которой R2 может быть равен,

скажем, 0.95. В нашей регрессии R2=0.29, что говорит о слабой

объяснительной силе модели.

Критерий Стъюдента показывает меру значимости (или весомости) переменной

регрессии для объяснения различий в величине зависимой переменной. Она

вычисляется как отношение коэффициента регрессии к его среднеквадратичной

ошибке. При достаточно большом объеме выборки (не менее 50 объектов)

значения t-статистики, превышающие 1.98, указывают на то, что с

вероятностью 0.95 соответствующий коэффициент Аj[pic]0 и, следовательно, Xj

является значимой переменной при прогнозировании V. Из анализа t-статистик

видно, что коэффициенты при EL, TEL, ROAD, FOREST, RIVER, SQU незначимы на

95%-доверительном интервале. Таким образом, переменные, показывающие

наличие электричества, телефона, дороги, леса, водоема, а также площадь

участка являлись не существенными при прогнозе в этой модели.

Коэффициент при MKAD равный –5.9, означает, что увеличение расстояния от

Москвы на 1%, уменьшает цену на 0.51%. Иначе говоря, эластичность цены

земельного участка по расстоянию от МКАД равна –0.51. Это значение

вычисляется по следующей формуле [pic] , где [pic] и [pic] – выборочные

средние величины, соответственно, объясняющей переменной МKAD и

результирующего показателя PRICE.

Положительные коэффициенты при WAT, GAS, WC говорят о том, что цена

земельного участка возрастает при возможном наличии на территории участка

водопровода, магистрального газа и канализации.

Критерий Фишера (F-статистика) связан с критерием Стъюдента и также

используется для определения того, является ли та или иная переменная

регрессии значимой при прогнозировании зависимой переменной. F-статистика

вычисляется по отношению: Дополнительная дисперсия, обусловленная Хn /

Необъяснимая регрессия. Как и в случае критерия Стъюдента, критерий Фишера

является мерой предельной весомости отдельной переменной при определении

величины зависимой переменной, с учетом влияния и всех других переменных

(за счет включения их в уравнение регрессии). В общем, случае при

достаточно большом объеме выборки F-статистика, превышающая 4,0, указывает

на то, что переменная значима при прогнозировании P с достоверностью 95%. В

нашем примере значения F-статистики значительно превышают табличные, что

свидетельствует о существовании очевидной связи между PRICE и факторами,

влияющими на цену (EL, WAT, … , MKAD).

Имеющаяся база данных была исследована по 11 вышеуказанным направлениям

для которых были построены такие же регрессии. R2 построенных регрессий

колеблется в пределах 0.3-0.4, что говорит о слабой объяснительной силе

построенных моделей. Аномально низкие значения R2 получены для Курского,

Ленинградского, Горьковского и Павелецкого направлений, интересно заметить,

что по этим направлениям были получены наиболее низкие величины стандартных

отклонений. Анализ t-статистик показал, что лишь одна переменная значима

для всех направлений – это расстояние от МКАД. В 6 регрессиях из 11

значимым было наличие магистрального газа, в 4 из 11 значимыми были площадь

участка и наличие канализации. Коэффициент при переменной площади участка

имел, как правило, положительный знак (хороший пример – Киевское и

Ярославское направления), что соответствует, в принципе, общей тенденции,

характерной для США (Д.Фридман, Н.Ордуэй, 1997): чем больше участок – тем

выше его цена единицы его площади (неслучайно покупка крупных земельных

владений происходит одним заинтересованным физическим лицом, используя

несколько юридических). Для России, вероятно, может наблюдаться и другая

тенденция: выгода от конкретной сделки важнее всего, поэтому желание

продать большой участок земли и быстрее получить денежное вознаграждение за

совершенную сделку пересиливает желание заработать больше за счет продажи

участка по частям. Кроме того, в России еще не так высок платежеспособный

спрос на крупные земельные участки, а оценка потенциальной стоимости земли

(даже для Московской области) еще достаточно низка у российских

покупателей: земли у нас в стране много, поэтому, зачем ее скупать,

вкладывать в нее деньги.

Рассмотрим влияние остальных факторов. Важность канализации в пределах

участка говорит видимо о нежелании российских покупателей рыть выгребные

ямы или о высоких ценах на биотуалеты. Интересно заметить, что незначимыми

почти для всех регрессий оказались такие на первый взгляд важные параметры

как наличие подъездной дороги, телефона, леса, водоема. Отсутствие

телефона, леса и водоема легко объяснить: стационарная телефонная связь

легко может быть заменена на мобильную (благо цены на рынке мобильной связи

постоянно снижаются, а издержки на установку стационарного телефона

достаточно велики); отсутствие влияния леса и водоема говорит либо о

неправильно установленном расстоянии при сборе информации (в базе данных

отсутствием считалось расстояние до леса или водоема порядка 1,5км), либо

способностью людей добраться до ближайшего леса или водоема пешком или на

автомобиле (большая часть людей, покупающих участки под ИЖС наверняка

обладают доходом выше среднего и имеют автомобили) без потери полезности.

Незначимость подъездной дороги объясняется скорее всего тем, что в

Московской области все-таки сложно найти место, где нельзя проехать на

автомобиле и наличие дороги с твердым покрытием – не такой уж важный

фактор. Незначимость электричества мы можем объяснить следующим образом:

при покупке участка, газ - наиболее важный фактор, ведь его наличие – это

тепло и возможность приготовления пищи, электричество нужно лишь для света.

Издержки на проведение газа гораздо выше при покупке земли по сравнению с

издержками на подведение электричества, поэтому покупатель интересуется в

первую очередь наличием газа и на обещание продавца провести электричество

в ближайшем будущем покупатель соглашается, если предлагать наоборот –

сделка скорее всего не состоится.

С целью улучшения качества модели автором был произведен пошаговый

регрессионный анализ данных. Одним из преимуществ пошагового МРА является

то, что он дает аналитику возможность сравнивать результаты, получаемые на

каждом шаге. В прямом пошаговом МРА первая вводимая переменная, например

Х1, является переменной, которая сильнее всего коррелирует с Р. Проводится

регрессионный анализ суммы наименьших квадратов Р по Х1. Затем

осуществляется поиск с целью нахождения переменной, корреляция которой с

остаточной ошибкой будет теперь максимальной. Предположим, что это

Страницы: 1, 2, 3, 4, 5, 6