Анализ рынка недвижимости на примере г. Костромы

 

      На  основе данных полученных по таблице оценщик рассчитывает рыночную стоимость оцениваемого объекта. Так же в своих расчётах оценщик использует материалы независимых агентств предоставляющих стоимость застройки кв.м. если речь идёт о вторичном рынке жилья.

      Как небольшой вывод по данному пункту можно отметить, что при подсчёте рыночной стоимости и оценки объекта  жилой недвижимости разные эксперты используют свой набор факторов. 

1.3 Анализ динамики цен на рынке жилья в городе Кострома.

      Современная тенденция на рынке жилья показывает нам то, что рыночная стоимость квадратного метра жилья превосходит реальную его стоимость порой в 2-3 раз. Это можно объяснить тем, что в последнее время спрос на рынке жилья превышает предложение, что вызывает рост цен. Доходы населения увеличиваются, но это все же не является общей тенденцией. Доходы резко растут лишь у части населения, которая составляет 1-2%. Однако, на деле, в зависимости от удаленности средние цены изменяются в диапазоне от 1500 до 5000 тыс.руб.. Подобно ценам варьируется и качество жилья: на окраинах средняя общая площадь не превышает 35,5 кв.м., а в зоне средней удаленности от центра продаваемых квартир зашкаливает за 50 кв.м. Стоимость единицы площади  в выставленных на продажу квартирах из двух комнат берет отчет за значения 39.473 руб/кв.м. На окраинах средняя цена единицы  площади – уже 51.000 руб/кв.м. При среднестатистической общей площади в 49,3 кв.м. такая цена квадратного метра поднимает планку цен до уровня  2515 тыс.руб.

      Необходимо  отметить и тот факт, что квартиры в домах спроектированных мелкими застройщиками имеют надбавку за планировку. Именно такие квартиры очень заметно выделяются на общем фоне. Стоимость 1-комнатной квартиры в доме малкой строительной компании достигает, а порой и превышает стоимость 2-х комнатной квартиры, крупного застройщика.

      1.4 Обзор рынка первичного  жилья.

     Размещение  построенных и строящихся объектов строительства по административным округам выглядит следующим образом :

Таблица 1.1

Объекты жилищного  строительства в г. Кострома

      По  данной таблице мы видим, самый благоприятный по мнению застройщиков округ на данный момент является Заволжский. Именно там созданы благоприятные условия для строительства, такие как: возможность создания новых систем канализаций, создание отдельной инфоструктуры, отсутствие факторов замедляющих ход строительства.

     Средняя рыночная стоимость 1 кв. м. в новостройках по районам города сложилась сегодня на следующем уровне:

Таблица 1.2

Средняя стоимость  квартир на первичном рынке, тыс. руб. / м²

       

      Рыночная  стоимость прямо пропорциональна  объёмам застройки. А именно в  округе, где находится большее  число новостроек и стоимость  м² выше. Это объяснимо тем, что соседство с ветхим жилым фондом за частую влечёт за собой множество коммунальных проблем которые унаследуют новостройки за счёт общих коммуникаций. Именно по этому спрос выше на жильё не просто в новостройках, а тех что находятся в относительно молодых округах.  
 
 
 
 
 
 
 
 
 
 
 
 

Глава 2 Регрессионный анализ.

      2.1 Множественная регрессия

      Суть  регрессионного анализа: построение математической модели и определение ее статистической надежности.

      Вид множественной линейной модели регрессионного анализа:

      Y = b0 + b1x_i1 + ... + b_jx_ij + ... + bkx_ik + e_i

        где e_i - случайные ошибки наблюдения, независимые между собой, имеют нулевую среднюю и дисперсию s.

      Назначение  множественной регрессии: анализ связи  между несколькими независимыми переменными и зависимой переменной.

      Экономический смысл параметров множественной  регрессии 

      Коэффициент множественной регрессии b_j показывает, на какую величину в среднем изменится результативный признак Y, если переменную Xj увеличить на единицу измерения, т. е. является нормативным коэффициентом.

      Матричная запись множественной линейной модели регрессионного анализа:

      Y = Xb + e

        где Y - случайный вектор - столбец  размерности (n x 1) наблюдаемых значений результативного признака (y1, y2,..., yn);

      X - матрица размерности [n x (k+1)] наблюдаемых  значений аргументов;

      b - вектор - столбец размерности [(k+1) x 1] неизвестных, подлежащих оценке  параметров (коэффициентов регрессии) модели;

      e - случайный вектор - столбец размерности  (n x 1) ошибок наблюдений (остатков).

      На  практике рекомендуется, чтобы n превышало k не менее, чем в три раза.

      Задачи  регрессионного анализа :

      Основная  задача регрессионного анализа заключается  в нахождении по выборке объемом n оценки неизвестных коэффициентов регрессии b0, b1,..., bk. Задачи регрессионного анализа состоят в том, чтобы по имеющимся статистическим данным для переменных X_i и Y:

      получить  наилучшие оценки неизвестных параметров b0, b1,..., bk;

      проверить статистические гипотезы о параметрах модели;

      проверить, достаточно ли хорошо модель согласуется  со статистическими данными (адекватность модели данным наблюдений).

      Построение  моделей множественной регрессии  состоит из следующих этапов:

      выбор формы связи (уравнения регрессии);

      определение параметров выбранного уравнения;

      анализ  качества уравнения и поверка  адекватности уравнения эмпирическим данным, совершенствование уравнения.[7]

       

      2.2 Алгоритм составления  множественной регрессии  на примере Excel

      Чтобы найти параметры множественной  регресии средствами Excel, используется функция ЛИНЕЙН(Y;X;0;1),

      где Y - массив для значений Y

      где X - массив для значений X (указывается  как единый массив для всех значений Хi)

      Проверка  статистической значимости коэффициентов уравнения множественной регрессии

      Как и в случае множественной регрессии, статистическая значимость коэффициентовмножественной регрессии с m объясняющими переменными  проверяется на основе t-статистики:

      имеющей в данном случае распределение Стьюдента с числом степеней свободы v = n- m-1. При требуемом уровне значимости наблюдаемое значение t-статистики сравнивается с критической точной  распределения Стьюдента.

      В случае, если  , то статистическая значимость соответствующего коэффициента множественной регрессии подтверждается. Это означает, что фактор Xj линейно связан с зависимой переменной Y. Если же установлен факт незначимости коэффициента bj, то рекомендуется исключить из уравнения переменную Xj. Это не приведет к существенной потере качества модели, но сделает ее более конкретной.

      Проверка  общего качества уравнения множественной  регрессии

      Для этой цели, как и в случае множественной  регрессии, используется коэффициентдетерминации R2:

      Справедливо соотношение 0<=R2<=1. Чем ближе этот коэффициент к единице, тем больше уравнение множественной регрессии объясняет поведение Y.

      Длямножественной  регрессии коэффициент детерминации является неубывающей функциейчисла  объясняющих переменных. Добавление новой объясняющей переменной никогда  не уменьшает значение R2, так как каждая последующая переменная может лишь дополнить, но никак не сократить информацию, объясняющую поведение зависимой переменной.

      Иногда  при расчете коэффициента детерминации для получения несмещенных оценок в числителе и знаменателе вычитаемой из единицы дроби делается поправка на число степеней свободы, т.е. вводится так называемый скорректированный (исправленный) коэффициент детерминации:

      Соотношение может быть представлено вследующем виде:

        для m>1. С ростом значения m скорректированный коэффициент детерминации растет медленнее, чем обычный.Очевидно, что только при R2 = 1.  может принимать отрицательные значения.

      Доказано, что  увеличивается при добавлении новой объясняющей переменной тогда  и только тогда, когда t-статистика для этой переменной по модулю больше единицы. Поэтому добавление в модель новых объясняющих переменных осуществляется до тех пор, пока растет скорректированный коэффициент детерминации.

      Рекомендуется после проверки общего качества уравнения  регрессии провести анализ его статистической значимости. Для этого используется F-статистика:

      Показатели F и R2 равны или не равен нулю одновременно. Если F=0, то R2=0, следовательно, величина Y линейно не зависит от X1,X2,…,Xm..Расчетное  значение F сравнивается с критическим Fкр. Fкр, исходя из требуемого уровня значимости α и чисел степеней свободы v1 = m и v2 = n - m - 1, определяется на основе распределения Фишера. Если F>Fкр, то R2 статистически значим.[8] 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

      Глава 3 Модель множественной регрессии

      3.1 Отбор информации (факторов), составление модели.

      За  результативный признак Y в моей модели я взял стоимость квартир в новостройках по разным округам (районам) г.Костромы. Информацию я брал из прессы, так как в настоящее время СМИ являются достаточно подробным источником информации для того, что бы составить общую картину положения вещей на рынке жилья.