Xreferat.com » Рефераты по экономической теории » Моделирование формирования цен на земельные участки Московской области. Кадастровая оценка земель

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

на земельном рынке. Ограничен рынок по продаже земель, находящихся в муниципальной и государственной собственности.

Можно выделить следующие основные этапы формирования цен на земельные участки. Окончание стабильного роста цен к рубежу 1995/1996гг., период стабилизации и некоторого отката цен в период президентских выборов 1996г. Тенденция роста цен в предкризисное первое полугодие 1998г. Летом 1998г. были достигнуты максимальные цены на исследуемом рынке. В 1999-2000 году в Московской области для земельного рынка (сегмент земельные участки для граждан) характерно превышение предложения на земельные участки над спросом, что привело к некоторому снижению цен на земельные участки по сравнению с предыдущим годом (Приложение 1 и 2). В районах, прилегающих к Москве, сохраняется платежеспособный спрос на земельные участки.

Исследуемые в данной работе земельные участки предназначаются для строительства дач и коттеджей. В связи с этим дадим краткую характеристику рынка частных домов и коттеджей. Этот рынок до сих пор является самым "темным" среди прочих рынков недвижимости. Действительно, на фоне таких рынков как квартирный, рынок аренды нежилых помещений, он малоизучен и характеризуется, в целом, невысокой активностью. Характерно скептическое отношение риэлторов средних и малых городов к частным домам, связанное с низкой ликвидностью таких объектов при их невысокой стоимости.

В то же время в развитых странах мира рынок одно-, двухсемейных домов является одним из самых динамичных и высокоразвитых. Это связано с тенденцией семей в этих странах жить в спокойной, просторной обстановке, быть окруженными чистым воздухом и зеленью. В России, напротив, парадигма мышления требует проживания именно в городской квартире, несмотря на значительные просторы и невысокую стоимость земли за пределами городской черты, а также на то, что приобретение автомобиля для семьи давно перестало быть проблемой.

У этого рынка существует одна важная особенность, что делает привлекательным его для анализа, а именно - возможность прямого расчета стоимости земельных участков. Фактически, мы получаем в этом случае стоимостную оценку привлекательности участка с точки зрения проживания на нем.

В отличие от квартиры, частный дом представляет собой классический объект недвижимости - участок плюс улучшения на нем в виде здания, хоз.построек, сооружений. При этом для России можно выделить следующие характерные моменты:

  • Существует два вида использования частных домов - для постоянного проживания и для временного (как правило - отдыха).

  • Практически единственный способ для физического лица иметь землю в собственности - это обладать частным домом (либо сооружениями) с участком.

  • Характерна зонная застройка частных домов как внутри города ("частный сектор"), так и за его пределами (коттеджные поселки).

  • Невысокая обеспеченность частных домов современными коммуникациями.

  • Престижность обладания коттеджем для проживания и престижность расположения его в элитных местах.

  • Существование особой формы обмена жилья - частный дом на квартиру.

    Помимо этого, уже первые исследования рынка частных домов выделили четыре сегмента (субрынка), каждый из которых подчиняется своим несколько различающимся законам. Первый из них - это свободные и освоенные участки под застройку, включая участки с домами, предназначенными на снос. Второй - "деревяшки", т.е. деревянные дома старой постройки, которые, тем не менее, используются для постоянного жилья, несмотря на низкую обеспеченность коммуникациями. Третий - дома постройки 70-90-х годов, каменные либо высококачественные деревянные с развитой инфраструктурой и не уступающие по условиям проживания обычным квартирам. И, наконец, последний - коттеджи, благоустроенные элитные дома последнего десятилетия, различных материалов и технологий постройки. В данной работе рассматривается и анализируется первый сегмент рынка частных домов.

    Различие законов этих субрынков - несомненно. Самый простой пример - отношение к размеру участка. Для обычной семьи, использующей частный дом для проживания в наше время, существует характерная площадь земли 6-10 соток, которую эта семья может обрабатывать (как известно, огородничество стало для многих семей в Россией основным источником продуктов питания в связи с общим низким уровнем заработков). В увеличении этого участка сверх нужды собственник мало заинтересован, однако стоимость приращения участка в указанных пределах довольно высока. В то же время владелец коттеджа в престижном месте скорее готов вкладывать деньги в здание или постройки, чем в увеличение участка. Как известно, большая стоимость земли в элитных районах вызывает высокую плотность застройки коттеджных поселков, и понятно, что такие небольшие участки пока (!) удовлетворяют владельцев. Для этих групп также различно и отношение к коммуникациям, локальному окружению и прочим факторам.

    К рассмотрению рынка частных домов можно подойти и с другой стороны, а именно - рассмотреть его по регионам. Понятно, что специфика региона оказывает на рынок доминирующее влияние. Так, основным регионом (по развитости этого рынка и ценам) является Москва и Московская область. Здесь подавляющая часть предложений - участки и коттеджи за пределами городской черты, разброс стоимости объектов может достигать сотни раз, в зависимости от местоположения и типа строения, что будет видно из исследуемой базы данных. Сходным рынком является и рынок С-Петербурга, но здесь свою специфику накладывает существование ряда исторических городов и поселков с большим числом частных домов и сформировавшейся системой ценности проживания в них. Средние и малые города России обладают несколько иным рынком, здесь преобладают в качестве предложений объекты внутри городской черты, при этом свободные земельные участки - редкость.

    Действительно, хорошая экологическая обстановка, обширные рекреационные ресурсы, развитость коммуникаций могут определить высочайшую цену земли в некоторых районах Подмосковья. По некоторым сведениям стоимость сотки земли в районе Барвихи, Раздоров достигала 20000$ на пике подъема стоимости недвижимости. Однако отметим, что такая фантастическая цена в большей степени создавалась фактом соседства сильных мира сего. Этот фактор чрезвычайно трудно учесть при анализе, фактически, он является точечным. При этом получить точную информацию о сделке такого рода практически невозможно. С другой стороны, этот рынок достаточно хорошо освещен как прессой, так и вниманием риэлторов.


    Глава 6.2. Результаты исследования.

    В настоящее время для определения кадастровой стоимости земли и других объектов недвижимости применяются методы массовой оценки на основе выборки данных о продажах земельных участков и других объектов недвижимости на всей оцениваемой территории. В данной работе цены на земельные участки являются ценами предложения, в этом их отличие от методов оценки рыночной стоимости, где в качестве базы для сравнения достаточно подборки данных о нескольких реальных продажах аналогичных объектов.

    В исследуемой базе данных содержалась информация о 2112 земельных участках Московской области, которые могут быть использованы для строительства дач и коттеджей.

    Следует отметить, что часть записей была исключена по причине неточности, нехватки или дуплицированности информации.

    Данные были собраны по 11 направлениям. В таблице 1 указано количество 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:

    1. земли промышленности, транспорта и прочих;

    2. земли жилищного фонда, а также предоставленных для садоводства, огородничества, животноводства, для ведения личного подсобного и дачного хозяйства, под гаражи и стоянки;

    3. 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









    №

    Населенный пункт

    Ориентир и расположение до локального центра, новый или сложившийся

    Расстояние от МКАД, км

    Зона

    Площадь участка (сотки)

    Наличие сетей

    Рекреация

    Стоимость в долл.

    Стоимость 1 сотки

    Примечание и источник информации

    23

    д. Лайково

    Белорусское н.

    6

    2

    16

    Э, Г, Д

    лес, Москва-река

    17000

    1063

    593-48-73

    24

    д.Глухово

    Ильинское ш.

    7

    2

    12

    Э, Г, В

    нет

    35000

    2917

    971-76-73


    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).


    Направле-ние

    Объем выборки

    Минимум

    Максимум

    Среднее

    Стандартное отклонение

    Дисперсия

    BEL

    259

    29.00

    4500.00

    647.1

    767.0

    588346.0

    YAR

    176

    40.00

    3000.00

    699.4

    592.2

    350737.2

    KAZ

    123

    25.00

    2330.00

    443.3

    544.8

    296817.6

    KIEV

    309

    19.00

    4000.00

    707.9

    668.7

    447272.4

    KUR

    152

    25.00

    3000.00

    408.2

    397.9

    158390.0

    LEN

    174

    33.00

    2333.00

    444.0

    394.5

    155680.3

    GOR

    158

    29.00

    5000.00

    430.9

    552.7

    305538.9

    PAV

    160

    25.00

    4167.00

    375.5

    390.8

    152726.5

    RIZH

    267

    17.00

    5000.00

    480.2

    596.1

    355352.0

    RYAZ

    164

    19.00

    2267.00

    369.2

    372.0

    138425.1

    SAV

    170

    22.00

    5000.00

    515.0

    675.4

    456248.4

    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

    Площадь участка

    Расстояние от МКАД

    Цена предложения

    Совместное влияние

    Направление

    Электричества

    Водопровода

    Магистрального газа

    Канализации

    Телефона

    Дороги с твердым покрытием

    Леса

    Водоема




    Электричество + водопровод

    Электричество +

    газ

    Электричество + водопровод +

    газ

    Электричество +

    водопровод +

    газ + дорога


    EL

    WAT

    GAS

    WC

    TEL

    ROAD

    FOREST

    RIVER

    SQU

    MKAD

    PRICE

    EW

    EG

    EWG

    EWGR

    Все данные

    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

    SER100

    SER101

    SER102

    SER103

    SER104

    SER105

    Горьковское (GOR)

    SER106

    SER107

    SER108

    SER109

    SER110

    SER111

    SER112

    SER113

    SER114

    SER115

    SER116

    SER117

    SER118

    SER119

    SER120

    Павелецкое (PAV)

    SER121

    SER122

    SER123

    SER124

    SER125

    SER126

    SER127

    SER128

    SER129

    SER130

    SER131

    SER132

    SER133

    SER134

    SER135

    Рижское (RIZH)

    SER136

    SER137

    SER138

    SER139

    SER140

    SER141

    SER142

    SER143

    SER144

    SER145

    SER146

    SER147

    SER148

    SER149

    SER150

    Рязанское (RYAZ)

    SER151

    SER152

    SER153

    SER154

    SER155

    SER156

    SER157

    SER158

    SER159

    SER160

    SER161

    SER162

    SER163

    SER164

    SER165

    Савеловское (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 ) 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 Аj0 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 , где и – 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 переменная Х4. Далее проводится регрессионный анализ Х1 и Х4 в качестве независимых переменных. Осуществляется поиск переменной для нахождения наиболее сильно коррелирующего с остаточной ошибкой второй регрессии. Эта переменная, скажем, Х6, включается затем в третью регрессию. Процесс продолжается до тех пор, пока не будет исчерпан весь набор переменных. При этом не включенными останутся те переменные, t и F-статистики которых будут ниже некоторого заранее определенного уровня значимости. На каждом шаге алгоритм может либо добавить новую переменную, либо исключить переменную, которая оказывается ниже установленного уровня значимости. Алгоритм предотвращает усложнение модели сверх необходимости путем отсеивания избыточных и несущественных переменных. Переменные TEL, ROAD, RIVER, FOREST были исключены из анализа в связи с их явной незначимостью определенной в таблице 5. Полученные результаты приведены в таблице 6, 7, 8.

    Таблица 6

    Результаты оценивания при пошаговом МРА для всех участков Московской области.

    Model Summary


    Model


    R Square


    Adjusted R Square


    Std. Error of the Estimate

    Change Statistics



    Durbin-Watson





    R Square Change

    F Change


    1

    .198

    .198

    529.4785

    .198

    520.778


    2

    .261

    .260

    508.3659

    .063

    179.897


    3

    .283

    .282

    500.8367

    .022

    64.887


    4

    .286

    .285

    499.8362

    .003

    9.447

    1.522

    a Predictors: (Constant), MKAD

    b Predictors: (Constant), MKAD, GAS

    c Predictors: (Constant), MKAD, GAS, WC

    d Predictors: (Constant), MKAD, GAS, WC, WAT

    e Dependent Variable: PRICE


    Таблица 7


    Коэффициенты, полученные при пошаговом МРА для всех участков Московской области.

    Coefficients

    Model

    Independent

    Coefficients

    Std. Error

    t-статистика


    Variable




    1

    (Constant)

    886.466

    19.603

    45.222


    MKAD

    -8.007

    .351

    -22.821

    2

    (Constant)

    693.169

    23.705

    29.242


    MKAD

    -6.127

    .365

    -16.794


    GAS

    346.686

    25.848

    13.413

    3

    (Constant)

    678.709

    23.423

    28.976


    MKAD

    -5.930

    .360

    -16.458


    GAS

    311.421

    25.839

    12.053


    WC

    506.187

    62.839

    8.055

    4

    (Constant)

    655.821

    24.533

    26.732


    MKAD

    -5.978

    .360

    -16.610


    GAS

    287.669

    26.920

    10.686


    WC

    493.690

    62.845

    7.856


    WAT

    70.648

    22.985

    3.074

    a Dependent Variable: PRICE

    Таблица 8


    Корреляционная матрица, полученные при пошаговом МРА для всех участков Московской области.

    Coefficient Correlations

    Model


    MKAD

    GAS

    WC

    WAT

    1

    MKAD

    1.000




    2

    MKAD

    1.000

    .384




    GAS

    .384

    1.000



    3

    MKAD

    1.000

    .366

    .068



    GAS

    .366

    1.000

    -.169



    WC

    .068

    -.169

    1.000


    4

    MKAD

    1.000

    .363

    .071

    -.044


    GAS

    .363

    1.000

    -.143

    -.287


    WC

    .071

    -.143

    1.000

    -.065


    WAT

    -.044

    -.287

    -.065

    1.000

    a Dependent Variable: PRICE


    По результатам анализа лучшая из регрессий будет выглядеть следующим образом:

    PRICE = 655.8 - 5.98*MKAD + 287.7*GAS + 493.7*WC + 70.6*WAT

    Все коэффициенты значимы, но объяснительная сила модели все же невысока R2=0.29.


    На следующем этапе была предпринята попытка построить мультипликативную модель МРА. Эта модель имеет следующий вид:

    P = A0 * X1 A1* ... * XnAn, где (Х1 ... Хn) - характеристики объекта недвижимости, An - численные коэффициенты при переменных характеристиках объекта, показывающие вклад соответствующих характеристик в стоимость.

    Эту модель можно калибровать, взяв натуральный логарифм от обеих частей уравнения: ln(P)=

    Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
    Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

    Поможем написать работу на аналогичную тему

    Получить выполненную работу или консультацию специалиста по вашему учебному проекту
    Нужна помощь в написании работы?
    Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.
  • Похожие рефераты: