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

что для анализируемого массива данных следует считать вполне допустимым.

Для сравнения мы провели подобный ретроспективный анализ для этого же направления, но вместо принадлежности к оценочной зоне рассматривали совместное влияние переменных (электричество*газ). По обучающей выборке модель имела вид:

LNPRICE = 6.507445 + 0.42435012*GAS + 0.49137873*WC + 0.38356696*LNSQU - 0.50431807*LNMKAD + 0.17903063*EG

Для этой модели процентные отклонения были выше и составили 35-40%, что говорит о том, что включение оценочных зон более оправдано.


Общий вывод состоит в том, что несмотря на очевидную зависимость между ценой земельного участка и расстоянием от МКАД, получившиеся в процессе анализа модели обладают не очень высокой объяснительной силой, что обусловлено, по мнению автора, отсутствием реальных рыночных цен сделок на земельные участки.

Заключение.


Признавая, что земля является главным национальным богатством страны и должна находиться под особой охраной государства, которое обязуется гарантировать права собственности на землю, основной задачей государственной политики в сфере земли и иной недвижимости на 2000-2002 годы является обеспечение условий для ее эффективного и рационального использования в интересах удовлетворения потребностей общества и граждан.


В массовой оценке используются три основных метода - затратный, доходный метод (капитализации дохода) и метод сравнения продаж. Выбор метода определяется видом недвижимости, состоянием рынка и доступностью необходимой информации. Для анализа земельных участков под ИЖС в работе был использован метод сравнения продаж. Моделирование производилось методами множественного регрессионного анализа.


Относительно слабая объяснительная сила моделей говорит либо о недостоверности используемых данных, либо об отсутствии необходимых факторов для построения связей между переменными. С одной стороны современная кадастровая оценка земель включает большее количество факторов, которые в конечном счете, формируют рыночную цену. В исследуемой базе не учтены такие важные факторы как состояние почвенного покрова, близость или удаленность железной дороги, аэропорта, а ведь эти факторы могут объяснить столь высокую вариабельность цен. В базе данных нет информации о красоте пейзажа и экологической чистоте района. Многие рыночные факторы не учтены, предоставляя земельные участки под ИЖС, мы скорее всего, будем интересоваться, будет ли это дачный поселок или садоводческое товарищество, будет ли оно охраняться, когда будет подведен газ, свет. Анализирую базу данных иногда видно, что земельные участки, находящиеся в непосредственной близости друг от друга, обладают одинаковыми характеристиками, но совершенно разными ценами, это явно говорит о не учете каких-то других важных факторов. Цены предложения не способны отражать ситуацию в полной мере и несмотря на то, что статистические источники говорят, что они отличаются от рыночных в среднем на 10%, мы понимаем, что кому-то надо срочно продать участок, а кому-то нет, да и публикуемые цены часто зависят от первоначальных запросов продавца. Только учет реальных рыночных сделок поможет говорить о достоверности данных и строить модели, адекватно описывающие данные. Не случайно создание автоматизированной системы кадастра – государственная задача. Все налоги на недвижимость должны определяться по данным земельно - имущественного кадастра. Поэтому необходимо регулярно пересматривать кадастровые оценки недвижимости. В Швеции это выполняется через 6 лет, но каждый год оценка недвижимости корректируется с учетом инфляции. Аналогично, производится переоценка недвижимости в Англии, Италии.


Напрашивается также вывод, что существующие нормативные цены земли и ставки земельного налога противоречат нормальному рыночному развитию, должны быть скорректированы по рыночным ценам. Кроме того, требуется уточнение границ земельных зон, зон градостроительной ценности, так как внутри многих из них ценность территории сильно различается.


Следует признать, что наше исследование носило в какой-то мере «пионерный» характер, ведь подобные исследования велись только по городским землям и объектам недвижимости, а это все-таки другой сегмент рынка. Причем при исследовании, например, рынка квартир существует большое количество относительно простых моделей, которые хорошо описывают исследуемые данные.


Учитывая опыт данной работы, автор советует не только обратить внимание на качественный сбор данных, но и рекомендовал бы использовать современные алгоритмы, основанные на идеях нейроинформатики, такие как многослойные искусственные нейросети и нечеткая логика, которые относятся к «мягким вычислениям».

Список использованной литературы.


Монографии

Д.Фридман, Н.Ордуэй. Анализ и оценка приносящей доход недвижимости. Академия народного хозяйства при Правительстве РФ. Москва, Дело, 1997, 480 с.

Организация оценки и налогообложения недвижимости в 2-х томах. Под общей редакцией Джозефа К. Эккерта. Москва, Российское общество оценщиков, Академия оценки, Стар Интер, 1997, том 1 – 382 с., том 2 – 442с.


Учебники и учебные пособия

С.А.Айвазян, В.С.Мхитарян. Прикладная статистика и основы эконометрики. Учебник для вузов. Москва, ЮНИТИ, 1998, 1022 с.

Я.Р.Магнус, П.К.Катышев, А.А.Пересецкий. Эконометрика. Начальный курс. Учебное пособие. Москва, Дело, 1998, 248 с.


Источники из Интернет

appraiser/ - виртуальный клуб оценщиков

newcity/main.php?p=31&start=40&query=&order= - агентство недвижимости “Новый город”

goscomzem/public.htm – Росземкадастр, федеральная служба земельного кадастра России

crea/newcrea/ - центр анализа рынков недвижимости (компания ЦАРН)


ПРИЛОЖЕНИЯ



П
риложение 1

79


Приложение 3


81


Приложение 4

Оценивание мультипликативной модели МРА, учитывающей влияние фактора принадлежности к оценочной зоне, для всех направлений.


Белорусское направление


Ln(PRICE) = -0.0057827652*EL + 0.13916627*WAT + 0.36901874*GAS + 0.2087365*WC - 0.060767054*TEL + 0.052102827*ROAD - 0.075337328*FOREST - 0.0055189078*RIVER + 0.10331805*ln(SQU) + 0.99534932*ln(MKAD) + 5.2547275*Z1 + 3.5440688*Z2 + 2.0637135*Z3 + 1.2373478*Z4 + 0.67460416*Z5


LS // Dependent Variable is ln(PRICE)

Included observations: 256 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

EL -0.005783 0.141197 -0.040955 0.9674

WAT 0.139166 0.127701 1.089785 0.2769

GAS 0.369019 0.167293 2.205818 0.0283

WC 0.208736 0.235547 0.886178 0.3764

TEL -0.060767 0.231723 -0.262240 0.7934

ROAD 0.052103 0.117192 0.444595 0.6570

FOREST -0.075337 0.118295 -0.636861 0.5248

RIVER -0.005519 0.123836 -0.044566 0.9645

Ln(SQU) 0.103318 0.103426 0.998960 0.3188

Ln(MKAD) 0.995349 0.061144 16.27887 0.0000

Z1 5.254728 0.301141 17.44938 0.0000

Z2 3.544069 0.200701 17.65841 0.0000

Z3 2.063713 0.156938 13.14985 0.0000

Z4 1.237348 0.160135 7.726916 0.0000

Z5 0.674604 0.214143 3.150251 0.0018

R-squared 0.476066 Mean dependent var 5.856869

Adjusted R-squared 0.445630 S.D. dependent var 1.080715

S.E. of regression 0.804657 Akaike info criterion -0.377870

Sum squared resid 156.0411 Schwarz criterion -0.170145

Log likelihood -299.8809 F-statistic 15.64154

Durbin-Watson stat 1.700676 Prob(F-statistic) 0.000000


Ярославское направление


LN(PRICE) = 6.1436502 + 0.001955343*EL + 0.085133641*WAT + 0.44572002*GAS - 0.21492366*WC + 0.85278469*TEL + 0.14799338*ROAD - 0.10178491*FOREST - 0.013373748*RIVER - 0.19580008*LN(SQU) - 0.22451889*LN(MKAD) + 1.274168*Z1 + 1.58818*Z2 + 1.0262341*Z3 + 0.72269108*Z4 - 0.53163349*Z5


LS // Dependent Variable is LN(PRICE)

Included observations: 173 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.143650 0.735122 8.357322 0.0000

EL 0.001955 0.143042 0.013670 0.9891

WAT 0.085134 0.117218 0.726286 0.4687

GAS 0.445720 0.137652 3.238027 0.0015

WC -0.214924 0.415879 -0.516794 0.6060

TEL 0.852785 0.310867 2.743246 0.0068

ROAD 0.147993 0.121000 1.223087 0.2231

FOREST -0.101785 0.118445 -0.859345 0.3915

RIVER -0.013374 0.115716 -0.115574 0.9081

LN(SQU) -0.195800 0.115434 -1.696203 0.0918

LN(MKAD) -0.224519 0.147786 -1.519217 0.1307

Z1 1.274168 0.432226 2.947921 0.0037

Z2 1.588180 0.322526 4.924191 0.0000

Z3 1.026234 0.247162 4.152076 0.0001

Z4 0.722691 0.195322 3.699990 0.0003

Z5 -0.531633 0.687414 -0.773382 0.4405

R-squared 0.602023 Mean dependent var 6.099806

Adjusted R-squared 0.564000 S.D. dependent var 0.992992

S.E. of regression 0.655676 Akaike info criterion -0.756252

Sum squared resid 67.49603 Schwarz criterion -0.464618

Log likelihood -164.0606 F-statistic 15.83301

Durbin-Watson stat 2.245641 Prob(F-statistic) 0.000000


Казанское направление


LN(PRICE) = 6.9040789 + 0.34526888*EL + 0.12405055*WAT + 0.18869291*GAS - 0.60746533*WC - 0.81654511*TEL - 0.036112493*ROAD - 0.090087358*FOREST + 0.16458687*RIVER + 0.39180948*LN(SQU) - 0.73456461*LN(MKAD) - 0.23197312*Z1 - 0.083669*Z2 - 0.64306212*Z3 + 0.14476455*Z4 - 0.2004949*Z5


LS // Dependent Variable is LN(PRICE)

Included observations: 118

Variable Coefficient Std. Error t-Statistic Prob.

C 6.904079 1.259503 5.481589 0.0000

EL 0.345269 0.202017 1.709111 0.0905

WAT 0.124051 0.161872 0.766347 0.4452

GAS 0.188693 0.201739 0.935332 0.3518

WC -0.607465 0.607755 -0.999523 0.3199

TEL -0.816545 0.474930 -1.719296 0.0886

ROAD -0.036112 0.180892 -0.199636 0.8422

FOREST -0.090087 0.177843 -0.506556 0.6136

RIVER 0.164587 0.174485 0.943272 0.3478

LN(SQU) 0.391809 0.169016 2.318177 0.0224

LN(MKAD) -0.734565 0.261145 -2.812861 0.0059

Z1 -0.231973 1.021114 -0.227177 0.8207

Z2 -0.083669 0.658563 -0.127048 0.8992

Z3 -0.643062 0.639217 -1.006016 0.3168

Z4 0.144765 0.348880 0.414941 0.6791

Z5 -0.200495 0.289912 -0.691573 0.4908

R-squared 0.513905 Mean dependent var 5.418579

Adjusted R-squared 0.442421 S.D. dependent var 1.041129

S.E. of regression 0.777424 Akaike info criterion -0.378064

Sum squared resid 61.64757 Schwarz criterion -0.002378

Log likelihood -129.1289 F-statistic 7.189038

Durbin-Watson stat 2.065796 Prob(F-statistic) 0.000000


Киевское направление


LN(PRICE) = 6.2950012 + 0.00059839431*EL + 0.092929326*WAT + 0.4016492*GAS + 0.42332728*WC - 0.010431107*TEL - 0.10458877*ROAD + 0.014841448*FOREST - 0.25781806*RIVER + 0.23004302*LN(SQU) - 0.43769331*LN(MKAD) - 0.072444234*Z1 + 0.53095758*Z2 + 0.79909599*Z3 + 0.38701369*Z4 + 0.5933079*Z5


LS // Dependent Variable is LN(PRICE)

Included observations: 307 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.295001 0.479543 13.12709 0.0000

EL 0.000598 0.111878 0.005349 0.9957

WAT 0.092929 0.095806 0.969970 0.3329

GAS 0.401649 0.107840 3.724502 0.0002

WC 0.423327 0.297281 1.423996 0.1555

TEL -0.010431 0.731038 -0.014269 0.9886

ROAD -0.104589 0.095192 -1.098712 0.2728

FOREST 0.014841 0.097042 0.152939 0.8786

RIVER -0.257818 0.099483 -2.591569 0.0100

LN(SQU) 0.230043 0.096485 2.384240 0.0178

LN(MKAD) -0.437693 0.090877 -4.816322 0.0000

Z1 -0.072444 0.846314 -0.085600 0.9318

Z2 0.530958 0.335069 1.584622 0.1141

Z3 0.799096 0.275587 2.899614 0.0040

Z4 0.387014 0.245119 1.578881 0.1154

Z5 0.593308 0.394208 1.505062 0.1334

R-squared 0.483673 Mean dependent var 6.123477

Adjusted R-squared 0.457058 S.D. dependent var 0.966970

S.E. of regression 0.712508 Akaike info criterion -0.627219

Sum squared resid 147.7311 Schwarz criterion -0.432986

Log likelihood -323.3360 F-statistic 18.17308

Durbin-Watson stat 1.791071 Prob(F-statistic) 0.000000


Курское направление


LN(PRICE) = 7.2035055 - 0.012993828*EL + 0.39150869*WAT + 0.26305989*GAS - 0.066238123*WC + 0.99157395*TEL + 0.088108908*ROAD - 0.11821644*FOREST + 0.21614314*RIVER - 0.13547526*LN(SQU) - 0.43318913*LN(MKAD) - 0.29316653*Z1 - 0.818894*Z2 - 0.077742065*Z3 - 0.10771119*Z4 - 0.035958122*Z5


LS // Dependent Variable is LN(PRICE)

Included observations: 141 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 7.203505 1.344009 5.359717 0.0000

EL -0.012994 0.181480 -0.071599 0.9430

WAT 0.391509 0.154472 2.534493 0.0125

GAS 0.263060 0.185494 1.418161 0.1586

WC -0.066238 0.884732 -0.074868 0.9404

TEL 0.991574 0.777281 1.275696 0.2044

ROAD 0.088109 0.145403 0.605965 0.5456

FOREST -0.118216 0.163708 -0.722116 0.4716

RIVER 0.216143 0.168270 1.284499 0.2013

LN(SQU) -0.135475 0.105938 -1.278820 0.2033

LN(MKAD) -0.433189 0.301055 -1.438903 0.1527

Z1 -0.293167 1.374322 -0.213317 0.8314

Z2 -0.818894 0.977020 -0.838155 0.4035

Z3 -0.077742 0.578606 -0.134361 0.8933

Z4 -0.107711 0.257339 -0.418558 0.6763

Z5 -0.035958 0.225253 -0.159635 0.8734

R-squared 0.240081 Mean dependent var 5.530674

Adjusted R-squared 0.148891 S.D. dependent var 0.820699

S.E. of regression 0.757140 Akaike info criterion -0.449909

Sum squared resid 71.65770 Schwarz criterion -0.115298

Log likelihood -152.3517 F-statistic 2.632748

Durbin-Watson stat 2.097965 Prob(F-statistic) 0.001743


Ленинградское направление


LN(PRICE) = 7.9350745 + 0.24943039*EL + 0.10896672*WAT + 0.078894578*GAS + 0.91195044*WC - 0.20434372*TEL - 0.079129206*ROAD + 0.051493538*FOREST + 0.029083264*RIVER - 0.042469369*LN(SQU) - 0.65334765*LN(MKAD) + 0.20942511*Z1 - 0.24685898*Z2 + 0.030572545*Z3 + 0.12351687*Z4 - 0.33871248*Z5


LS // Dependent Variable is LN(PRICE)


Included observations: 167 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C

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: