Геннадий Стерник
сертификация
курсы
статьи
конкурсы
о компании
библиотека
мониторинг
конференции
об авторе, новости сайта, анонсы
ссылки
e-mail
e-mail
Интернет-агентство СТЕРНО.РУ
designed by NIKE
Стерник Г.М., Стерник С.Г. Методика массовой оценки ставок аренды коммерческой недвижимости на узких рынках
(Опубликовано в Международном теоретическом и научно-практическом журнале "Вестник Финансового университета" №5, 2015. Стр. 73-79.)

Опубликовано в Международном теоретическом и научно-практическом журнале "Вестник Финансового университета" №5, 2015. Стр. 73-79.

Методика массовой оценки ставок аренды коммерческой недвижимости на узких рынках

СТЕРНИК  ГЕННАДИЙ  МОИСЕЕВИЧ,

кандидат технических наук, профессор кафедры управления проектами и программами, РЭУ им. Г.В.Плеханова, Москва, Россия

E-mail: gm_sternik@sterno.ru

СТЕРНИК СЕРГЕЙ ГЕННАДЬЕВИЧ,

доктор экономических  наук,  профессор,  профессор кафедры оценки и управления  собственностью, Финансовый университет, Москва, Россия

E-mail:  sgs728@mail.ru

АННОТАЦИЯ

Узкие рынки аренды коммерческой недвижимости  в малых населенных пунктах, где предложение на рынке содержит единичные помещения, не поддаются статистическому анализу. Особо обостряется данная проблема при необходимости  охвата  широкого перечня населенных пунктов России. Кроме того, возникает проблема несоответствия между ожидаемыми трудозатратами на сбор и обработку данных и достигаемыми результатами. В связи с этим актуальна задача разработки методики определения ставок аренды коммерческой недвижимости на узких рынках при отсутствующем или минимальном предложении. Идея методики состоит в поиске экономически обоснованной и статистически подтвержденной связи средних по городу ставок аренды с фактором, определение которого не вызывает затруднений, что и показано в данной статье.

Ключевые слова: узкие рынки; ставки аренды; вторичные рынки; коммерческая недвижимость; модели рынка; корреляция цен.

В монографии «Анализ рынка недвижимости для профессионалов» и в последующих публикациях авторами настоящей работы было показано, что методология массовой оценки ставок аренды объектов коммерческой недвижимости на основе построения статистических кластерных (дискретных) пространственно-параметрических моделей рынка (ДППМ)[1] корректно реализуется на относительно развитых рынках, к которым можно отнести:

•  вторичные и первичные рынки жилой недвижимости крупных и средних городов;

• вторичные  рынки купли-продажи и аренды жилой недвижимости малых населенных пунктов, а также загородной недвижимости, с достаточным объемом предложения помещений;

• вторичные рынки купли-продажи и аренды коммерческой недвижимости в крупных и средних городах.

В то же время узкие рынки аренды коммерческой недвижимости  в малых населенных пунктах, где предложение на рынке содержит единичные помещения, не поддаются статистическому анализу.

Особо обостряется данная проблема в случае необходимости охвата широкого  перечня населенных пунктов России. Кроме названного затруднения, здесь возникает проблема несоответствия между ожидаемыми трудозатратами на сбор и обработку данных и достигаемыми результатами.

В связи с  этим актуальна задача разработки методики определения ставок аренды коммерческой недвижимости на узких рынках при отсутствующем или минимальном предложении. Идея методики состоит в поиске экономически обоснованной и статистически подтвержденной связи средних по городу ставок аренды с фактором, определение которого не вызывает затруднений. В качестве такого фактора выбрана средняя по городу удельная цена предложения на продажу жилой недвижимости.

В качестве исходных данных о ставках аренды помещений коммерческой недвижимости использовались базы предложения помещений в аренду в апреле 2015 г., включая офисные, торговые, производственно-складские помещения и гаражи. Всего были собраны базы по 14 крупнейшим городам-миллионникам РФ (за исключением Волгограда), с общим количеством помещений, предлагаемых в аренду, 32 130 шт. (табл. 1).

Таблица 1. Объем данных о предложении коммерческой недвижимости в аренду по 14 городам-миллионникам, апрель 2015 г.

Город

Количество предложений

Город

Количество предложений

Москва

34 116

Нижний Новгород

13 484

Санкт-Петербург

24 489

Самара

7 328

Екатеринбург

6 400

Новосибирск

6 346

Казань

4 098

Пермь

4 483

Уфа

6 993

Воронеж

2 455

Ростов-на-Дону

8 134

Омск

3 584

Красноярск

3 459

Челябинск

4 549

ВСЕГО

129 918

Фрагмент исследуемой базы данных приведен в табл. 2.

Таблица 2. Фрагмент базы данных предложения коммерческой недвижимости в аренду в г. Пермь,  апрель 2015 г.

ID предложения

Район

Класс качества

Общая площадь, кв. м

Арендная ставка, руб./ кв. м в год

1

Дзержинский

«C»

17,0

5 400

2

Дзержинский

«C»

54,0

7 800

3

Дзержинский

Автономные офисы

60,0

6 000

4

Дзержинский

Автономные офисы

143,0

7 805

5

Дзержинский

Автономные офисы

163,0

9 576

6

Дзержинский

Автономные офисы

160,0

9 600

7

Дзержинский

Автономные офисы

110,0

10 255

8

Ленинский

«A»

269,0

9 600

9

Ленинский

«A»

335,0

9 360

10

Ленинский

«A»

200,0

12 000

11

Ленинский

«A»

269,0

4 824

12

Ленинский

«A»

120,4

8 376

13

Ленинский

«B»

20,6

6 600

14

Ленинский

«B»

1458,4

12 000

15

Ленинский

«B»

57,7

7 380

16

Ленинский

«C»

37,0

9 000

17

Ленинский

«C»

125,0

3 840

18

Ленинский

«C»

115,0

5 424

19

Свердловский

«A»

134,0

8 424

20

Свердловский

«B»

40,8

7 200

21

Свердловский

«B»

350,0

8 400

22

Свердловский

«B»

700,0

8 400

23

Свердловский

«B»

140,0

10 200

24

Свердловский

«C»

70,0

5 400

25

Свердловский

«C»

55,0

6 000

26

Свердловский

«C»

60,0

6 000

27

Свердловский

«D»

15,0

8 004

28

Свердловский

«D»

30,0

8 004

И т. д.

В качестве исходных данных о ценах жилых помещений использовались базы предложения жилых помещений на продажу в апреле 2015 г. Были собраны базы по тем же 14 городам с общим количеством предложений 139,6 тыс. шт. (табл. 3).

Таблица 3. Объем  данных  о предложении квартир на продажу,  апрель 2015 г.

Город

Количество предложений

Город

Количество предложений

Москва

44 876

Нижний Новгород

5 344

Санкт-Петербург

15 700

Самара

6 896

Екатеринбург

11 099

Новосибирск

15 200

Казань

1 072

Пермь

2 560

Уфа

1 560

Воронеж

2 120

Ростов-на-Дону

1 042

Омск

13 500

Красноярск

15 800

Челябинск

2 800

ВСЕГО

139 569

Обработка данных включала в себя стандартные процедуры верификации:

• очистку от артефактов (пропусков и ошибок);

• очистку от повторов и дублей;

• предварительную статистическую обработку выборок и исключение «выскакивающих» значений по модифицированному правилу трех сигм [значение считается «выскакивающим», если оно выходит за пределы диапазона (-2)…(+4) стандартных отклонения];

• расчет погрешности в оценке математического ожидания цены (ставки) по средневыборочному значению по формуле +/- δ = 2 s / √ (n1), где s — среднеквадратическое (стандартное) отклонение; n — объем выборки;

• оценку допустимости величины погрешности (принят предел допустимой погрешности 10% от среднего) и пополнение при необходимости базы предложений;

• окончательную статистическую обработку выборки для получения средневзвешенной арендной ставки по формуле Аср. = (Ʃ Аi × Si) / Ʃ  Si , где Аi  и Si — арендная ставка и площадь i-го помещения (суммирование по всем n помещениям) и средневзвешенной удельной цене предложения помещений на продажу Цср. = Ʃ Цi / Ʃ  Si, где Цi  и Si — удельная цена и площадь каждого помещения (суммирование также по всему объему выборки).

Результаты обработки данных приведены в табл. 4.

Таблица 4. Средневзвешенные по площади удельные цены предложения жилья на продажу и средневзвешенные по площади удельные ставки предложения в аренду коммерческой недвижимости (КН),  апрель 2015 г.

Город

Средневзве-шенная удельная цена предложения жилья, руб./кв. м

Средневзве-шенная удельная ставка предло- жения в аренду КН, руб./кв. м в год

Город

Средневзве-шенная удельная цена предложения жилья, руб./кв. м

Средневзвешенная удельная ставка предложения в аренду КН, руб./кв. м в год

Москва

236 025

26 743

Нижний Новгород

69 130

5 865

Санкт-Петербург

106 566

7 814

Самара

64 842

5 399

Екатеринбург

75 500

6 260

Новосибирск

65 107

5 130

Казань

70 300

5 501

Пермь

56 505

5 409

Уфа

68 220

6 374

Воронеж

51 937

7 649

Ростов-на-Дону

67 329

5 313

Омск

49 100

3 929

Красноярск

59 500

5 573

Челябинск

47 544

3 967

По данным табл. 4 проведен расчет коэффициента корреляции между арендными ставками и ценами квартир. Расчет показал высокую корреляцию между этими показателями (R = 0,9718). Это позволяет получить статистическую связь показателей (см. рисунок).

Уравнение параметрического прогнозирования для массовой оценки ставок аренды коммерческой недвижимости

Уравнение линейной  регрессии y = 0,099x c коэффициентом детерминации  R2 = 0,9156  демонстрирует достаточно высокую статистическую достоверность модели.

Вышеизложенное позволяет (по аналогии с использованием валового рентного мультипликатора, но без учета единиц измерения) применять в оценочной практике следующий приблизительный мультипликативный экспресс-расчет: рыночный уровень средневзвешенной по площади ставки аренды коммерческой  недвижимости равен 10% средневзвешенной по площади удельной цены предложения жилья (индивидуальные значения по городам легко рассчитать по табл.4).

Таким образом, полученное уравнение параметрического прогнозирования позволяет вычислить среднее значение  удельных арендных ставок коммерческой недвижимости локальных рынков по данным о средней удельной цене жилых помещений. Дальнейшее дифференцирование прогнозируемой ставки по отдельным сегментам коммерческой недвижимости осуществляется на основе поправочных мультипликаторов, рассчитанных на массиве 14 городов-миллионников РФ (см. табл. 5).

Вывод

Методика параметрического прогнозирования для массовой оценки ставок аренды коммерческой недвижимости по ценам предложения жилья на узких локальных рынках представляется нам обоснованной.

21.09.2015.


Город

Средневзвешенная удельная ставка аренды коммерческой недвижимости, руб. за 1 кв. м в год

Офисные помещения

Поправочный коэффициент сегмента «офисные»

Стрит-ритейл

Поправочный коэффициент сегмента «стрит-ритейл»

Производственно-складские помещения

Поправочный коэффициент сегмента «производственно-складские»

Гаражи

Поправочный коэффициент сегмента «гаражи»

Москва

26 743,00

27 207,00

1,02

27 905,00

1,04

5 329,00

0,20

4 940,00

0,18

Санкт-Петербург

7 813,68

10 974,29

1,40

18 903,39

2,42

6 447,62

0,83

2 601,54

0,33

Воронеж

7 649,36

7 243,05

0,95

11 885,26

1,55

2 501,55

0,33

2 129,13

0,28

Уфа

6 374,40

7 670,88

1,20

9 042,18

1,42

2 612,67

0,41

2 015,06

0,32

Екатеринбург

6 260,39

8 110,27

1,30

9 044,42

1,44

3 447,90

0,55

3 895,53

0,62

Нижний Новгород

5 865,26

7 509,71

1,28

9 366,98

1,60

3 005,19

0,51

2 471,19

0,42

Красноярск

5 573,27

7 935,26

1,42

7 190,30

1,29

2 696,44

0,48

1 870,49

0,34

Казань

5 501,86

7 096,38

1,29

8 369,55

1,52

2 818,09

0,51

2 584,44

0,47

Пермь

5 408,55

6 802,84

1,26

8 158,49

1,51

2 430,30

0,45

2 515,24

0,47

Самара

5 399,14

6 583,35

1,22

6 904,24

1,28

2 199,81

0,41

1 653,66

0,31

Ростов-на-Дону

5 313,00

5 264,01

0,99

8 019,60

1,51

2 691,10

0,51

2 110,98

0,40

Новосибирск

5 129,76

7 338,37

1,43

10 391,23

2,03

2 942,62

0,57

2 607,80

0,51

Челябинск

3 967,25

5 658,41

1,43

6 948,31

1,75

2 259,22

0,57

3 431,71

0,87

Омск

3 928,79

5 415,90

1,38

6 816,16

1,73

1 660,40

0,42

2 205,29

0,56

Средняя

   

1,25

 

1,57

 

0,48

 

0,43

Таблица 5. Дифференцирование прогнозируемой ставки по отдельным сегментам коммерческой недвижимости



[1]Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009.  606 с.

Rambler's Top100