риложение 2

Глава 1. История возникновения земельного кадастра.

Почвенные ресурсы страны представляют собой огромное народное богатство. Правильное их использование немыслимо без строго научного количественного и качественного учета почв. Этой задаче служит составление и ведение земельного кадастра.

Первые попытки учета количества и качества земель проводились еще при первобытнообщинном способе производства. Однако тогда учет был весьма примитивный и проводился в интересах общины. С появлением частной собственности на средства производства возникла необходимость в более тщательном учете. Кроме частных собственников учет вело рабовладельческое государство. Оно учитывало доходы от обложения налогами, контрибуциями, расходы на содержание армии и т.п. Объектом учета постепенно становилась земля, которая уже в то время выступает как основное средство производства в сельском хозяйстве. Так в Египте, во времена первых фараонов (4 тыс. лет до н.э.) тщательно велись оценочные списки земель, подлежащих налогообложению. Оценку земель дважды в год проводили специальные таксаторы - чиновники фараона. Земельный кадастр Древнего Рима (4 в до н.э.) представлял собой описание земельной собственности. В специальные реестры вносили сведения о размере земельных участков, способе их обработки, качестве и доходности земель. На бронзовые таблицы наносили планы имений, их названия, границы и размеры землевладений. Там же приводили сведения о качестве земель и о самом хозяйстве. При рабовладельческом строе как специальное земельное учетное мероприятие зарождается земельный кадастр, который продолжает развиваться при феодализме и особенно при капитализме.

В эпоху феодализма дальнейшее развитие получил внутри хозяйственный учет, проводимый в целях управления и контроля за развитием помещичьего хозяйства.

Феодальное государство вело кадастр земли как средства производства для налогообложения. При феодализме в системе земельного кадастра возникает земельная регистрация, узаконивающая право частной собственности на землю.

Таким образом, изучение земельных ресурсов и проведение земельного кадастра стало необходимостью с образованием государства и развитием налогообложения. В древнейшей форме земельного обложения размер налога устанавливался по площади земли. На определенном этапе наряду с учетом количества начинают учитывать и качественное состояние земель, а впоследствии размер дохода, получаемого с земель различного качества.

Земельный кадастр России характеризуется длинной историей развития. Имея общую с западными кадастрами социальную природу, он отличается своими специфическими свойствами.

Первые описания земель в России появились еще в 9 веке. Они касались главным образом монастырских и церковных земель служили основанием для наделения духовенства недвижимым имуществом, в частности землей. Собирание данных о земле возникло также в связи с взиманием сборов и податей русскими князьями с покоренных ими племен. Существовавший в 11 веке качественный учет земель имел упрощенный характер. А первые переписи земель с характеристикой их количества и качества относятся к 12 веку. Старейшие кадастровые документы - описания земель периода татарского ига. Первая татарская перепись была проведена в 1245 г., а повсеместная перепись русских земель - в 1273 г. Наряду с татарскими переписями описания земель вели русские князья, и земельно - кадастровыми документами в этот период являлись “Писцовые книги”.

Деятельность первого централизованного российского органа по землеустройству, Поместного приказа (16 век), положила начало государственным землеустроительным и земельно-учетным работам, вошедшим в историю как Писцовые межевания. Спустя 200 лет при Сенате образуется Межевая Канцелярия, расположившаяся в Кремле, она быстро становится важнейшим правительственным органом России, который организовал и провел в жизнь Генеральное (1766 - 1861 годов) и Специальное (1806 - 1882 годов) межевания, позволившие навести порядок в использовании российских земель и существенно поправить финансовое положение Российской империи.

Пиком детализации правоотношений, складывающихся по поводу земли, является Аграрная реформа 1906г., ее идейным вдохновителем был П.А.Столыпин, а основой реформы его указ «О дополнении некоторых постановлений действующего закона, касающегося крестьянского землевладения и землепользования» от 9 ноября 1906г. Реализация столыпинских реформ 1906 - 1911 годов потребовала учреждения в России Комитета по землеустроительным делам, а также губернских и уездных землеустроительных комиссий, которые в губерниях возглавили губернаторы, а в уездах - предводители дворянства. Говоря о роли землеустройства в осуществлении аграрных преобразований, Председатель Совета Министров России П.А.Столыпин заявил в Государственной Думе: «Землеустроительные начинания правительства имеют не только экономическое, но и глубоко общественное и политическое значение».

В мае 1911г. был принят закон «О землеустройстве», подробно регламентирующий порядок землеустройства. Закон «О землеустройстве» фактически подвел черту первому этапу становления законодательства о земле в России в процессуальных формах его осуществления. Вторым этапом была Октябрьская революция 1917г. и ее законы. Одним из первых законов Советской власти был Декрет «О земле», написанный В.И.Лениным в ночь с 26 на 27 октября (с 8 на 9 ноября). По нему все помещичьи, царские, церковные и монастырские земли конфисковывались вместе с инвентарем и постройками и передавались крестьянским комитетам и Советам для распределения между крестьянами.

Деятельность органов землеустройства после 1917 года была направлена на обеспечение централизованного управления единым земельным фондом государства. Позже конституция РСФСР 1918г. закрепила исключительную государственную собственность на землю, оставив гражданам право пользования землей. Остальные конституции ничуть не изменили право государственной собственности на землю, а еще более упрочили его положение как «генерального» собственника всех ресурсов (земельных включительно).

Помимо конституций, имели место ряд реформ, произведенных советской властью в Средней Азии и Казахстане в 1921-22 и 1925-29г.г., они отражали положения Декрета «О земле». Среди нормативных актов чисто земельной направленности следует отметить Земельный кодекс РСФСР 1922 г., по нему всем гражданам предоставлялось право трудового землепользования. Гражданин имел право хозяйственно использовать землю, возводить и использовать на земле хозяйственные и жилищные постройки, не нарушающие интересы иных землепользователей. Но гражданин не имел право покупки, продажи, залога, завещания и дарения земли. А также Основы земельного законодательства СССР и союзных республик, принятых в 1968г., и соответствующие земельные кодексы союзных республик. Земельные кодексы подтверждали право собственности на землю за государством, наделяя граждан правом постоянного (бессрочного) пользования или временного пользования землей, регламентируя порядок наделения землей, устанавливали сроки наделения землей, процессуальный порядок, органы, полномочные на осуществление этой деятельности, порядок рассмотрения споров, связанных с землей. В целом, они детально регулировали порядок земельных правоотношений, складывающийся в условиях государственной собственности на землю, правда, при этом интересы государства зачастую ставились над интересами субъектов прав на землю.

История земельных реформ показывает чрезвычайную вариабельность прав на землю в России с точки зрения истории права в России вообще. То ограничиваясь, то расширяясь права на землю постоянно изменялись, но все же некоторые из них оставались, и остаются неизменными, и по сей день – это право пользования землей. Они оставались неизменными со времен Киевской Руси до наших дней, и даже СССР не смог отобрать его у граждан. На протяжении семидесяти с лишним лет стоимость любого объекта собственности устанавливалась раз и навсегда, но рыночные отношения коснулись и России, что привело к зарождению рынка недвижимости, что в свою очередь должно направить экономику Россию на путь законности и стабилизации.

Глава 2. Земельный кадастр в зарубежных странах.

Основы современного земельного кадастра в зарубежных странах заложены в 20 веке. Среди них наиболее совершенен французский земельный кадастр. Он представляет собой стройную систему учета количества и качества земель для целей налогообложения. Французское правительство, приступив в 1925г. к обновлению кадастра, ставило перед собой задачу осуществить работы по идентификации данных о каждом участке с целью выяснить его положение, размеры и имя владельца.

Основные работы по земельному кадастру были начаты в 1930г., практически закончены к началу 50-х годов. Начиная с 1953г., по всей стране проведено очередное обновление земельного кадастра в соответствии с современными требованиями. Работы по обновлению и переоценке земель осуществляются через каждые пять лет. Обновление и проверка земельного кадастра возлагаются на постоянную государственную службу земельной собственности, включающую центральное, региональное и департаментское ведомства.

Государственная служба земельного кадастра Франции обеспечивает выполнение технических, юридических и административных действий.

В качестве основной оценочной единицы во французском земельном кадастре выступает парцелла. На парцеллы делятся сельскохозяйственные угодья, а также земельные участки занятые постройками, промышленными и коммерческими предприятиями. Исключение составляют земли военного ведомства, скалы, болота, т.е. земли, которые не дают дохода.

Экспертная оценка земель начинается с классификации, при которой определяют количество классов земель по каждому землевладению. Всего на территории Франции выделено 13 классов земель. В пределах каждого класса выделяют две типичные парцеллы - одна из наилучших, другая из наихудших земель. На основе типичных парцелл устанавливают погектарные расценки чистого дохода по классам каждого вида землевладения. Заключительным этапом оценки является классификация парцелл, при которой они распределяются по классам. Итоговые данные земельного кадастра по всем парцеллам, с указанием доходов и выделением парцелл, подлежащих и не подлежащих налогообложению, размещаются в специальных таблицах-указателях, так называемых кадастровых матрицах. Изменения в правовом, природном и хозяйственном состоянии парцелл вносятся в кадастровые матрицы ежегодно.

В США изучение земель ведется специальной службой охраны почв в системе Министерства сельского хозяйства. Она состоит из центрального органа, филиалов в штатах и около 2400 районных ячеек по охране почв.

Основными единицами, подлежащими съемке при почвенных обследованиях, являются серии, внутри которых выделяют почвенные типы и фазы. Серии представляют собой почвы, однотипные по мощности и структуре горизонтов, по содержанию солей, органических веществ, а также по рельефу, степени эродированности, засоления и т.д. В пределах серий выделяют типы почв. Наиболее низкая классификационная единица - фаза. Критерием для ее выделения являются: изменение наклона поверхности, ограничивающее использование техники, степень подверженности эрозии, засоренности камнями, материнской породе и т.п.

Обобщить данные почвенного обследования для практических нужд позволяет классификация земель. В зависимости от поставленных целей в США применяют разные системы классификации земель. Например, почвы могут быть сгруппированы в классы по степени пригодности для сельскохозяйственного использования, продуктивности земель и т.д. Качественная оценка земель в США производится по продуктивности сельскохозяйственных угодий. Для выявления наиболее продуктивных земель в США проводится экономическая классификация земель. При этом наряду с природными факторами учитывают некоторые экономические показатели: размер хозяйства, структуру землепользования, уровень интенсификации, местоположение и доходность хозяйства на единицу площади, затраты труда и т.п. Земли однородные по возможности сельскохозяйственного использования и близкие по продуктивности, включают в один из семи классов экономической классификации. Так как при выделении классов земель учитывают не только особенности почв, но и целый ряд других природных и экономических факторов, то такой метод исследований называют комплексным.

Единая методика экономической оценки земель в США до сих пор не разработана. Наиболее распространенным является метод оценки земель по чистому доходу от реализации сельскохозяйственной продукции. Земли с наивысшим доходом оценивают в 100 баллов и с ними сравнивают доходность других земель.

Данные изучения земельных ресурсов, обработанные с помощью ЭВМ, являются основой для планирования использования земель в отдельных районах, штатах и стране в целом.

Ведением земельного кадастра в Канаде занимается Служба инвентаризации земель. Она обеспечивает изучение земель по единой для всей страны программе, главная цель которой - предоставление в распоряжение федеральных и провинциальных органов точных и полных данных о потенциальной продуктивности земельных ресурсов страны. Поскольку сельскохозяйственное использование территории тесно связано с другими видами использования, осуществляют четыре типа оценки земли: для сельского хозяйства, лесного хозяйства, для рекреационных целей и воспроизводства фауны.

Для изучения земель и обработки полученной информации в Канаде разработана информационно-географическая система, которая строит свою работу на базе ЭВМ.

Экономическая оценка земель в Канаде проводится по урожайности сельскохозяйственных культур. Экономическая оценка земель в стоимостном выражении не производится.

Современная система изучения земель в Великобритании включает два основных этапа: физическую и экономическую классификацию земель.

При физической классификации все земли страны в зависимости от степени влияния физических факторов, ограничивающих их использование в сельскохозяйственном производстве, объединяют в пять классов землепригодности. Экономическая классификация земель основана на определении стоимости стандартной чистой продукции каждого класса земель. Экономическая классификация земель предполагает объективную оценку производственных возможностей каждого земельного участка. Такую оценку можно произвести после накопления достаточной информации для установления пределов колебания средней статистически чистой продукции на акр каждого физического класса земель.

Сложность установления показателей оценки объясняется значительными колебаниями размеров стандартной чистой продукции с единицы площади неодинаковых физических классов земли в хозяйствах различной специализации. Англичане считают, что со временем будут установлены пределы колебания стандартной чистой продукции на землях всех классов землепригодности при всех возможных типах специализации. На основании этих данных можно будет определить тесноту связи между физической и экономической классификациями земель.

При проведении классификации земель учитываются только те ограничивающие факторы, которые невозможно устранить на современном уровне развития сельскохозяйственной науки и техники. Поэтому факторы, ранее считавшиеся не преодолимыми препятствиями, в дальнейшем могут перейти в легкоустранимые, в результате чего земли переводятся в более высокий класс. Поэтому через каждые пять лет проводится корректировка данных классификации земель с учетом получения информации об использовании земель, развития научных исследований и технических возможностей улучшения земель.

В развивающихся странах широко применяют классификацию земель, разработанную службой охраны почв министерства сельского хозяйства США. Однако применение такой классификации ограничивается отсутствием материалов почвенного обследования. Поэтому во многих странах американская система классификации земель применяется в упрощенном виде.

Сравнительная сопоставимость качественного состояния мировых земельных ресурсов возможна на основе единой системы классификации земель. Поэтому большой интерес представляет классификация земель, разработанная Продовольственной и сельскохозяйственной организацией (ФАО) ООН совместно с французским бюро научных и технических исследований заморских территорий и успешно применяемая ФАО в тропических развивающихся странах. Классификация выделяет пять классов земли в зависимости от современной или потенциальной продуктивности почв. Классы землепригодности группируют на основе оценки физических и химических свойств почвы. Для каждого диагностического признака в классификации ФАО разработана специальная стобалльная шкала. В зависимости от влияния этого признака на общую продуктивность почв его оценивают определенным количеством баллов.

Данные оценки земельных ресурсов по классификации ФАО используются при планировании развития сельского хозяйства тропических стран, а также при прогнозировании использования земель.

Зарубежные специалисты не всегда понимают сложившуюся ситуацию в России в вопросах создания земельно-имущественного кадастра. Объясняется это просто. В странах с рыночной экономикой вся земля давно поделена на земельные участки и давно сформированы права на объекты недвижимости - в начале на земельные участки, а затем на здания и постройки. Поэтому кадастры в странах с развитой рыночной экономикой земельные, а здания входят в состав комплекса недвижимости земельного участка. Там право на земельный участок первично и предполагает право на все постройки земельного участка, а в ряде стран - и на полезные ископаемые. В этих странах земельный кадастр развивался для информационной поддержки рынка недвижимости. Для этой же цели создана система регистрации прав на недвижимость.

В России для создания информационной поддержки рынка недвижимости необходимо в первую очередь на все объекты недвижимости (земельные участки в том числе) создать кадастровые дела и юридически оформить права на объекты недвижимости. Только после выполнения этой программы работ на основе современных информационных технологий можно будет создать Государственную автоматизированную систему ведения земельно-имущественного кадастра.

Государственная автоматизированная система ведения земельно-имущественного кадастра является такой же важной государственной инфраструктурой, как транспорт, связь и т.д. Эта система обеспечивает:

- информационное обеспечение рынка недвижимости;

- создание базы налогообложения;

- основу создания различных геоинформационных систем, в том числе для управления развитием городов, отдельных регионов.

В настоящее время за рубежом документы на бумажных носителях о правах на недвижимость играют малую роль. Важно то, что записано в базе данных земельно-имущественного кадастра.

Все сделки с недвижимостью в развитых странах осуществляются только над базой данных земельно-имущественного кадастра! Это объективная необходимость и российский земельный кадастр должен иметь такие же процедуры.

Глава 3. Современные тенденции развития земельного кадастра в России.

Как уникальное природное тело Земля является пространственным базисом социально-экономического развития, главным средством производства в сельском и лесном хозяйствах, естественной кладовой минерально-сырьевых ресурсов, средой обитания животного мира. Невосполнимость и ограниченность земельных ресурсов ставят в большинстве случаев земельные вопросы во главу угла государственной политики страны. Наряду с этим, земельные участки являются также и объектом гражданских прав.

Земельно-ресурсный потенциал нашего государства - это 1 709,8 млн. гектаров земли, что составляет 12,5% территории суши земного шара. Это - 420 млн. гектаров континентального шельфа, и эта цифра может быть значительно увеличена. На территории России сосредоточено 55% черноземных почв мира, 50% запасов пресной воды, 60% запасов древесины хвойных пород, 30% разведанных мировых запасов энергоносителей. Обеспеченность России земельными ресурсами - важнейший экономический и политический фактор развития страны.

3.1. Результаты земельных преобразований 1990-2000гг.

Переход России в конце XX века к рыночной экономике потребовал создания нового земельного строя. В целях обеспечения равноправного развития всех форм собственности и хозяйствования на земле, формирования многоукладной экономики, рационального использования и охраны земель в 1990 году был создан Государственный комитет РСФСР по земельной реформе (Госкомзем России).

С 1990г. земельные преобразования привели к созданию нового земельного строя в России, который характеризуется: многообразием форм собственности на землю; ликвидацией государственной монополии на землю и перераспределением земель в пользу граждан; платностью землепользования; наличием частной собственности на значительную часть сельскохозяйственных земель и сформированным слоем крестьянских (фермерских) хозяйств.

Рассмотрим более подробно главные результаты земельной реформы:

1. Ликвидирована государственная монополия на землю, осуществлен переход к многообразию форм земельной собственности, проведено бесплатное перераспределение земель в пользу граждан (на сегодняшний день в России более 43 миллионов собственников, владельцев и пользователей земельных участков, в частную собственность передано около 130 миллионов гектаров).

2. Обеспечена регистрация прав на земельные участки: всем собственникам изготовлены и выданы документы, удостоверяющие право собственности на землю.

3. Осуществлен переход к платному землепользованию - сбор всех видов земельных платежей в 1999 году составил более 18 миллиардов рублей, а их доля в федеральных налоговых доходах от использования природных ресурсов составляет более 50%.

4. Создаются условия для гражданского оборота земли: так, в 1999 году осуществлено более 5 миллионов сделок с земельными участками общей площадью более 72 миллионов гектаров. Из всех видов сделок более 90% приходится на аренду государственных и муниципальных земель. В 1998 году совершено 235 тысяч сделок купли-продажи земли на общей площади 40,9 тыс.га, в 1999 году гражданами и юридическими лицами осуществлено 292 тысячи таких сделок с земельными участками, площадь которых составила 45 тыс.га.

5. Сформирован слой крестьянских (фермерских) хозяйств: по состоянию на 1 января 2000 года функционировало около 265 тысяч крестьянских (фермерских) хозяйств на площади более 14 миллионов гектаров.

6. В результате приватизации земли в ходе реорганизации колхозов и совхозов осуществлена передача земли в собственность крестьян по варианту раздела земли между членами сельскохозяйственных предприятий на условные земельные доли. В итоге этих преобразований земельные доли получили почти 12 миллионов селян, а общая площадь этих долей составила более 117 миллионов гектаров.

7. Правоудостоверяющие документы оформлены почти 11 миллионам собственников этих долей (то есть 92 процентам), из которых около двух третей сегодня уже распорядились правами на свои земельные доли.

8. Сформирован целевой земельный фонд для расселения беженцев и вынужденных переселенцев: по состоянию на 1 января 2000 года 69 тысяч семей получили 48 тысяч гектаров земель для индивидуального жилищного строительства и других целей.

9. Создан целевой земельный фонд для обеспечения гарантированного выделения участков уволенным в запас военнослужащим (по состоянию на 1 января 2000 года земельные участки предоставлены почти 30 тысячам семей военнослужащих, общая площадь этих земельных участков - более 48 тысяч гектаров).

10. Заложена правовая основа для обеспечения казачьих обществ земельными участками: проведены землеустроительные работы по созданию целевого земельного фонда для казачьих обществ на территории 27 субъектов Российской Федерации на площади 244 тысяч гектаров.

11. Для целей индивидуального жилищного строительства предоставлены земельные участки шести с половиной миллионам граждан, общая площадь участков составила 638 тысяч гектаров.

12. Осуществляются работы по делимитации и демаркации государственной границы России с Украиной, Казахстаном, Грузией и Азербайджаном.

13. Создан качественный планово-картографический материал на территорию в 240 миллионов гектаров.

14. Система государственного контроля земельной службы России за использованием и охраной земель ежегодно проводится около 500 тысяч проверок: только в 1999 году выявлено более 200 тысяч нарушений законодательства по использованию и охране земель. По итогам проверок вовлечено в сельскохозяйственный оборот около 2 миллионов гектаров заброшенной пашни.

Начиная с 1996 года, реализуется Федеральная целевая программа «Создание автоматизированной системы ведения государственного земельного кадастра». Эта система, совместно с системой государственной регистрации прав на недвижимое имущество и судебной системой, призвана практически обеспечить декларированные Конституцией Российской Федерации гарантии прав на землю и недвижимость, стабильность и сохранение единого экономического пространства России. Одновременно система государственного земельного кадастра (ГЗК) играет значительную роль в обеспечении фискальной политики государства. Наконец, эта система призвана аккумулировать информацию о ресурсной составляющей земли в целях организации эффективного планирования и управления земельными ресурсами.

В этой сфере к настоящему времени: в соответствии с Федеральным законом «О государственном земельном кадастре» утвержден и введен в действие Единый государственный реестр земель, содержащий точные сведения о границах земельных участков, их налоговой базе, обременениях, о наличии на них объектов недвижимости.

Госкомзем заложил основу учета земли в виде государственного земельного кадастра и теперь, используя его в качестве инструмента, переходит к решению новой важной задачи - государственной кадастровой оценке земель.

Среди основных целей государственной кадастровой оценке земель можно выделить следующие:

1. Эффективное налогообложение.

2. Поддержка земельного рынка и повышение на этой основе эффективности использования земель земельными органами.

Несмотря на ряд положительных моментов первого этапа земельной реформы, следует признать, что процессы реформирования протекали иногда непоследовательно и бессистемно. Положение усугубляется отсутствием стройной системы земельного законодательства, наличием большого количества разнообразных актов, законов, указов, инструкций и постановлений, как на федеральном, так и на уровне субъектов федерации и даже на местном. На местах четко проглядывалась несогласованность действий органов, осуществляющих контроль за использованием земельных ресурсов.

Наиболее характерными иллюстрациями трудности проводимых реформ является то, что до сего времени не принят новый Земельной кодекс Российской Федерации; один из важнейших законов - Федеральный закон «О государственном земельном кадастре» - был принят лишь через 10 лет после начала земельной реформы.

3.2. Задачи земельной политики 2000-2002гг.

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 долгосрочном плане в земельной реформе выделяются четыре ключевых направления:

1. Завершение реформирования отношений собственности на землю.

2. Современная организация учета земли и иной недвижимости, кадастровой оценки земли, землеустройства.

3. Совершенствование управления земельными ресурсами страны как национальным достоянием, пространственным базисом народного хозяйства, главным средством производства в сельском и лесном хозяйстве.

4. Сбережение земельно-ресурсного потенциала для будущих поколений народов России.

Главной приоритетной задачей земельной реформы на 2000-2002гг. является создание единой системы государственного кадастрового учета земли и иной недвижимости. Создание государственного земельного кадастра, обеспечивающего эффективный государственный кадастровый учет земель и другой недвижимости, является в настоящее время ключом к совершенствованию системы управления земельными и иными, связанными с землей, ресурсами страны. Деятельность Росземкадастра в области осуществления государственной земельной политики в области оценки земель направлена на установление единого для всех субъектов Российской Федерации порядка проведения территориального оценочного зонирования с целью определения нормативной цены земли, используемой для исчисления земельного налога и иных земельных платежей, а также определения выкупной цены земельных участков, передаваемых гражданам и юридическим лицам государственными и муниципальными органами на платной основе.

Наиболее важными целями, которые стоят перед Росземкадастром в области оценки земель на данный момент, являются следующие:

1. Создание государственной системы оценки земли для целей налогообложения.

2. Определение правового статуса оценщиков земли и их взаимоотношений с государственными органами и заинтересованными лицами.

3. Включение в сферу регулирования федеральным законодательством процедуры установления показателей государственной кадастровой оценки земельных участков.

4. Закрепление принципов оценочного зонирования с целью последующего определения показателей оценки земель по зонам.

Основным правовым документом, регламентирующим деятельность Росземкадастра в данной сфере, является принятое в августе 1999 года постановление Правительства Российской Федерации "О государственной кадастровой оценке земель".

Важнейшим инструментом выявления объективной рыночной стоимости земель является использование торгов при продаже прав на земельные участки. Для оказания помощи устроителям таких мероприятий Росземкадастр разработал рекомендации по проведению торгов (аукционов, конкурсов) по продаже земельных участков и направил их на места.

Президент Российской Федерации В.В.Путин на заседании Государственного совета Российской Федерации 21 февраля 2001 года дал поручение Правительству Российской Федерации завершить в апреле 2001 года работу над проектом Земельного кодекса Российской Федерации и до 1 мая 2001 года внести его в Государственную Думу.

Правительству Российской Федерации поручено: в 2001-2002 годах завершить работы по инвентаризации земель всех форм собственности и провести их кадастровую оценку; в 2001 году осуществить организационные меры по созданию государственного земельного кадастра как единой системы государственного учета недвижимости; провести разграничение государственной собственности на землю на собственность Российской Федерации (федеральная собственность), собственность субъектов Российской Федерации, собственность муниципальных образований (муниципальная собственность). Ответственным за выполнение поручений Президента Российской Федерации определен Председатель Правительства Российской Федерации Касьянов М.М.

Во исполнение поручения Президента Российской Федерации В.В. Путина Председатель Правительства Российской Федерации Касьянов М.М. 29 марта 2001 года поручил:

1. Минэкономразвития России совместно с заинтересованными органами исполнительной власти Российской Федерации завершить работу над проектом Земельного кодекса Российской Федерации и представить необходимые материалы для его рассмотрения на заседании Правительства Российской Федерации 19 апреля 2001г.

2. Минсельхозу России, Минэкономразвития России, Минимуществу России, Росземкадастру и Минюсту России поручено совместно с заинтересованными органами исполнительной власти Российской Федерации разработать и до 25 мая 2001 года представить в Правительство Российской Федерации концепцию федерального закона, регулирующего оборот земельных участков сельскохозяйственного назначения.

3. Росземкадастру и Минимуществу России поручено в течение 2001-2002 г.г. завершить работы по инвентаризации земель всех форм собственности и провести кадастровую оценку земель.
   В 2001 году указанные ведомства обязаны осуществить организационные меры по созданию государственного земельного кадастра как единой системы государственного учета недвижимости. Ввиду особой важности указанных работ Росземкадастр и Минимущество России должны докладывать о результатах их выполнения в Правительство Российской Федерации ежеквартально.

4. Минимуществу России, Росземкадастру, Госстрою России и Минюсту России поручено в соответствии с пунктом 117 Плана действий Правительства Российской Федерации в области социальной политики и модернизации экономики на 2000-2001 годы, утвержденного распоряжением Правительства Российской Федерации от 26 июня 2000 г. № 1072-р, в целях создания государственного земельного кадастра как единой системы государственного учета недвижимости представить в марте 2001 г. законопроект "О внесении изменений и дополнений в Федеральный закон "О государственном земельном кадастре".

5. Минимуществу России и Росземкадастру поручено принять необходимые меры по завершению в возможно короткие сроки работы над Федеральным законом "О разграничении государственной собственности на землю" и провести работу по разграничению государственной собственности на землю на собственность Российской Федерации (федеральная собственность), собственность субъектов Российской Федерации, собственность муниципальных образований (муниципальная собственность).

К июню 2001 года мы можем подвести первые итоги реализации указанной программы: наиболее значимым на наш взгляд является принятие Правительством в указанные президентом сроки Земельного кодекса, первый вариант которого был написан в 1991 году. За прошедшее десятилетие его переписывали, клали под сукно, накладывали вето и снова переписывали. В 2000 году был написан новый, компромиссный вариант, Земельного кодекса, из которого, правда, выброшена главная тема - купля-продажа земель сельхозназначения. Этот документ и был принят 19 апреля 2001 года кабинетом министров. По словам Германа Грефа, новый кодекс регулирует оборот всех остальных земель. Это означает, что теперь все граждане РФ, у которых есть земельные участки, могут наконец, оформить их в собственность. Несмотря на то, что и без Земельного кодекса любой гражданин мог купить или продать участок земли, можно утверждать, что этот шаг – шаг вперед. Важно то, что Земельный кодекс наконец-то появился и то, что он приведен в соответствие с действующим Гражданским кодексом.

Таким образом, Правительство выполнило поручение президента, приняв Земельный кодекс и внеся его на рассмотрение в Государственную Думу в намеченные ранее сроки.

Госдума в свою очередь приняла 23 мая 2001 года во втором чтении проект закона "О землеустройстве", который устанавливает правовые основы проведения землеустройства в целях обеспечения рационального использования земель и их охраны, создания благоприятной окружающей среды и улучшения ландшафтов. Принятый законопроект содержит положения, связанные с оценкой качества земель, инвентаризации земель, изучением состояния земель. Обсуждение Земельного кодекса продолжается, многочисленные споры еще раз подтверждают важность этого документа, надеемся, что в ближайшее время он будет принят Госдумой.

Реализация программы государственной оценки земель находится под контролем Правительства и администрации регионов. Одним из последних примеров реализации программы является создание 23 мая 2001 года комиссии по государственной кадастровой оценке земель в Хабаровском крае. Целью комиссии является рассмотрение хода выполнения работ и результатов государственной кадастровой оценки земель, координация деятельности краевых ведомств и органов местного самоуправления в этом вопросе. Комиссия осуществляет анализ применения утвержденных показателей государственной кадастровой оценки земель для налогообложения и иных установленных законодательством целей, готовит к рассмотрению проекты нормативных правовых актов органов государственной власти Хабаровского края по этим вопросам. В соответствии с постановлением "О государственной кадастровой оценке земель Хабаровского края" органам местного самоуправления муниципальных образований городов и районов края предписано организовать в 2001 году производство работ по государственной кадастровой оценке земель поселений. Таким образом, можно утверждать, что кадастровая оценка земель действительно приняла государственный масштаб.

Правительство в начале 2001г. приняло решение о разработке федеральной целевой программы «Создание автоматизированной системы ведения государственного земельного кадастра и государственного учета объектов недвижимости» на 2002-2007 годы. Эта программа является продолжением программы, начатой в 1996г. Ниже приведены комментарии С.И.Сая - руководителя Федеральной службы земельного кадастра России данные им в интервью обозревателю газеты «Сегодня».

«Наша программа до 2001 года входила в число целевых, но она по срокам заканчивается. Курс остается прежним, но полномочия службы расширятся. Правительство принципиально изменило подход к понятию «кадастр». Были времена, когда он воспринимался как учетная система, существующая для целей сельхозпланирования. Потом в него включили все земли. Сейчас понятие еще углубляется и речь теперь идет об учете всего, что касается самих земельных участков, и того, что находится над и под землей… Моя позиция - земля и недвижимость - стратегический ресурс государства. Должна существовать государственная учетная система и кадастр недвижимости. Президент и правительство поставили перед нами соответствующие задачи. Это однозначная идентификация объектов с целью регистрации и защиты прав (в нынешней судебной и арбитражной практики спор чаще всего возникает потому, что непонятно, что за объект имелся в виду). Уточнение площадных характеристик, знание которых даст нам возможность обеспечить фискальный учет. Вся информация будет использоваться для принятия управленческих решений…Что касается учета, то достаточно по каждому населенному пункту составить план, где каждому объекту будет присвоен кадастровый номер. Когда система будет построена, достаточно будет выписки из кадастра, чтобы зарегистрировать право собственности на любой объект. Технологии отработаны, вопрос в том, насколько они автоматизированы. Именно построением автоматизированной системы и наполнением базы данных по объектам недвижимости мы и будем заниматься в рамках целевой программы… Структура у нас есть: в России 2,5 тыс. поселений, в каждом есть государственный комитет по землеустройству, и служащий, который его возглавляет, непосредственно подчиняется мне. До конца 2007 года мы планируем закончить инвентаризацию объектов недвижимости, 70% земель - федеральные. Если взять историю Парижа, то в сложной экономической ситуации муниципалитет продавал земли, ситуация менялась – переходили на арендные отношения. Думаю, должно быть многообразие форм собственности, отвечающее поставленным задачам.

Важно понять главное: пока земля и недвижимость не превратятся в реальные активы, говорить серьезно о стабилизации экономики преждевременно. Землю можно и нужно рассматривать как госактив. Для этого нужно только знать, сколько она реально стоит…»

Общепринятая практика стран с рыночной экономикой всего мира - информация земельно-имущественного кадастра открыта для населения. Любой за установленную плату может получить интересующую его информацию. Для выбора сделки с недвижимостью необходимая информация предоставляется бесплатно. Тот же самый принцип заложен в федеральном законе "Об информации..." Статья 13.

Трудности создания земельно-имущественного кадастра объективны и обусловлены тем, что информация земельно-имущественного кадастра должна отражать (моделировать) характеристики объектов недвижимости на текущий день с высокой степенью точности и достоверности. Для решения этой проблемы необходимо перестроить всю существующую систему информационного обеспечения решений органов исполнительной и представительной власти.

Для этого необходимо, чтобы все протокольные отделы органов исполнительной власти работали как терминалы земельно-имущественного кадастра, чтобы все операции с недвижимостью выполнялись бы только над базой данных земельно-имущественного кадастра (в том числе и нотариальные конторы, которые оформляют сделки с недвижимостью).

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.

Только при условии, что ввод информации в базу данных земельно-имущественного кадастра будет производится в момент государственной или нотариальной регистрации документа, кадастр будет отражать реальное состояние недвижимости.

Глава 4. Методы оценки объектов недвижимости.

4.1. Оценка массовая и индивидуальная.

Индивидуальная оценка - оценка конкретного объекта недвижимости на конкретную дату. Рассмотрим, чем отличается массовая оценка от индивидуальной, какое между ними сходство, и каковы области применения различных методик оценки недвижимости.

В фундаментальном учебнике Международной Ассоциации налоговых оценщиков “Организация оценки и налогообложения недвижимости” под общей редакцией Дж.К.Эккерта дается следующее определение: Массовая оценка - это систематическая оценка групп объектов недвижимости по состоянию на определенную дату, с использованием стандартных процедур и статистического анализа.

Массовая оценка имеет дело с оценкой большого количества объектов, которые, естественно, различаются между собой, поэтому вынужденным инструментом ее является применение стандартных методов к группам и классам объектов, что требует определенной работы по классификации и стратификации объектов. Разработка стандартных методов и приемов статистического анализа, описание правил их грамотного применения - это предмет массовой оценки как специальной отрасли теории оценки и прикладного анализа.

Обе методики оценки - массовая и индивидуальная, - имеют в своей основе систематические методы сбора, анализа и обработки информации для получения хорошо обоснованных результатов. В процессе массовой оценки, оценщику приходится осуществлять те же действия, что и при индивидуальной оценке, отличия в основном связаны с разницей в масштабе проведения работ, и методах контроля качества оценки.

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. Модели массовой оценки для трех методов рассматриваются ниже.

Построение модели основывается на анализе собранной информации и теории оценки. Конечным результатом является математическая формула в левой части которой располагается рыночная стоимость объекта на конкретный момент времени, в правой – выражение включающее в себя факторы определяющие эту стоимость. Содержание самой формулы определяется, в большей степени, методом оценки.

Таким образом, на первом этапе, основываясь на анализе рынка и объеме и характере информации, выбирается метод оценки и общий вид модели (аддитивная, мультипликативная или гибридная). Следующим этапом является формирование первичных переменных модели на основе ценообразующих факторов (т.е. производится кодирование в цифровом виде качественных факторов и т.п.).

На основе регрессионного анализа выясняется значимость первичных переменных, вводятся дополнительные комплексные переменные.

Наконец, на заключительном этапе, когда определена структура модели какие факторы и каким образом они в модель входят, производится калибровка (идентификация) коэффициентов модели, определяющая непосредственное влияние конкретных факторов на рыночную стоимость.

Методы оценки объектов недвижимости базируются в основном на трех подходах:

1. Подход с точки зрения сравнимых продаж;

2. Подход с точки зрения капитализации дохода;

3. Подход на основе затрат.

4.2. Метод сравнения продаж.

Метод оценки по сравнимым продажам наиболее приемлем и широко используется в странах с развитым земельным рынком. Он основан на сравнении и сопоставлении соответствующих данных по уже проданным аналогичным земельным участкам на момент проведения оценки. При этом наилучшим образом отражает рыночные условия цена текущих продаж аналогичных участков, хотя можно проводить оценку и с учетом анализа рыночных цен спроса и предложения. Важно также учитывать и любые необычайные воздействия на цены сопоставимых сделок: угроза изъятия залога при невыполнении условий кредитного договора, потребность в быстрой купле или продаже, изменение местных правил.

Обычно также выделяют и цены, выплачиваемые федеральными или местными органами власти при отчуждении участка земли для соответствующих нужд, поскольку они могут содержать элементы принуждения.

Для определения сопоставимости земельных участков обычно используются следующие шесть элементов сравнения:

- финансовые условия (условия финансирования сделки),

- условия продажи,

- рыночные условия (время сделки),

- местоположение,

- физические характеристики,

- показатели доходности.

После получения оценки обычно проводится ее коррекция на основе тщательного анализа каждого из факторов.

В качестве единицы сравнения обычно используются соответствующие коэффициенты эластичности, т.е. процент повышения или понижения рыночной цены при изменении анализируемого фактора на один процент. Коррекция цены проводится в стандартизованной последовательности с нарастающим итогом в абсолютном выражении.

Финансовые условия при продаже сопоставимого участка могут оказать существенное влияние на его цену. Например, если продажа сопоставимого участка сопровождалась 100% кредитованием или иными специальными условиями контракта, существенно отличающими данную продажу от обычных условий финансирования подобных сделок, то при сопоставлении в цену продажи необходимо ввести определенную коррекцию. Аналогично необходимо проанализировать каждую сделку по продаже сопоставимых участков и внести коррекции.

Условия продажи анализировать наиболее сложно, поскольку трудно получить достоверную рыночную информацию об обстоятельствах, которые вынуждали покупателя или продавца совершить данную сделку (например, угроза банкротства), и даже при ее наличии очень сложно дать на ее основе количественные оценки. Многие оценщики при существенном отличии условий продажи просто исключают такие сделки из сопоставления.

Рыночные условия с течением времени изменяются. При анализе изменения рыночных условий сопоставимых продаж к моменту оценки наиболее важным фактором являются не долговременные тенденции рынка (например, средний рост или спад за последний год), а кратковременные изменения конъюнктуры рынка. В частности, если сопоставимый участок продавался на рынке, сходном с доминирующими условиями рынка на момент оценки, то поправку делать не обязательно.

При сопоставлении местоположения участков анализируется влияние окружения на конкурентоспособность участков на рынке по физическим, социальным, экономическим и политическим факторам. Если сопоставимый участок находится в том же районе, что и оцениваемый, то поправка на местоположение вносится довольно редко, за исключением случаев его расположения на границе района с иными условиями.

Физические характеристики. При сопоставлении выявляются и рассматриваются только крупные физические сходства и различия. Как правило, используется метод сопоставимых пар. В качестве основных элементов сопоставления учитывают параметры почвы, достаточность площади избыточных земель для возведения каких-либо улучшений, конфигурацию участка, уклон, внутреннее или угловое расположение, наличие дренажа и других улучшений.

Показатели доходности обычно применяют для сопоставления продаж на существенно отличающихся рынках (различных городов, стран) при отсутствии необходимой базы сравнения на одном рынке.

Для метода сравнения продаж модель оценки имеет следующий общий вид: P = f (X₁,X₂,...,X_n), где P - оценка рыночной стоимости едигицы площади, (X₁...X_n) - характеристики объекта недвижимости (например - площадь участка, наличие электричества и т.д.)

Существует более традиционная форма представления модели метода сравнения продаж, которая с помощью приемов массовой оценки может быть автоматизирована и откалибрована на данных рынка:

P = S_c + ADJ_c, где P - оценка рыночной стоимости, S_c - цена объекта сравнения, ADJ_c - суммарная поправка с учетом различий между объектом сравнения и оцениваемым объектом.

Для проведения компьютерного анализа предполагается существование представительной базы данных, число записей которой должно превосходить приблизительно на порядок число значимых факторов. В принципе, первоначально информация собирается по максимальному числу параметров объекта. В дальнейшем отбираются те параметры, по которым выборка достаточно представительна и которые являются значимыми в модели. После формирования базы данных и создания переменных из значимых факторов выбирается вид модели (на нем мы остановимся ниже). Следующим этапом является калибровка (идентификация) модели, здесь используются несколько приемов:

1. Парный анализ продаж.

2. Множественный регрессионный анализ.

3. Метод адаптивной оценки (процедура обратной связи).

Важной составной частью метода сравнения продаж является определение поправок, которые в целом можно сгруппировать (без учета оценки земли) на три вида:

• поправки на характеристики здания (сюда включен и износ)

• поправки на местоположение

• поправки на условия сделки (важнейшей из которых является поправка на время).

  На этом этапе получаем математическое выражение стоимости объекта в зависимости от ряда факторов (представленных набором переменных). Результат не является априорным (особенно в части количественных значений поправок) и требует критического подхода.

  
  

  4.3. Доходный метод.

  При использовании метода капитализации дохода (земельной ренты) оценивается текущая стоимость будущих доходов от владения имуществом. Потоки доходов и выручка от перепродажи (реверсия) капитализируются в текущую общую стоимость. Соответствующие расчеты проводятся по следующим формулам:

  Доход : Норма капитализации = Стоимость.

  Доход х Фактор = Стоимость.

  Использование данного метода также требует проведения широких исследований для определения адекватных значений нормы капитализации и факторов. Прежде всего, производится анализ следующих специфических данных:

• ожидаемый валовой доход от объекта недвижимости,

• ожидаемое сокращение валового дохода из-за неполного использования объекта (убытки от недобора арендной платы),

• ожидаемые эксплуатационные расходы,

• характер и продолжительность потока доходов от владения недвижимостью,

• предполагаемый доход от последующей перепродажи,

• иные доходы от уступки части имущественных прав.

  После тщательного установления доходов и расходов, потоки доходов и расходов дают возможность определить величину чистого операционного дохода, которая в процессе капитализации преобразуется в текущую стоимость земельного участка.

  Норму или фактор капитализации, используемые при расчетах методом капитализации доходов, определяют на основе исследования приемлемых ставок дохода от эксплуатации аналогичных объектов недвижимости с учетом анализа факторов риска и дисконта.

  После завершения оценок по всем перечисленным методам (используется не менее двух методов) проводится сопоставительный анализ полученных результатов на основании экспертных оценок, вносятся соответствующие коррекции, в том числе с учетом назначения оценки, и определяется итоговая оценочная рыночная стоимость данного земельного участка.

  По результатам работы оформляется письменный отчет с описанием и обоснованием используемых методов и ссылками на источники использованной информации.

  Доходный метод основан на допущении, что стоимость объекта напрямую зависит от размера, продолжительности и степени надежности дохода от эксплуатации объекта. В основе доходного метода лежит допущение о том, что будущие поступления стоят меньше, чем равная по величине денежная сумма, имеющаяся на руках в данный момент. Степень этой “временной предпочтительности” может рассматриваться как функция четырех факторов: предполагаемое снижение покупательной способности (инфляция), снижение ликвидности объекта, стоимость капитала или управления кредитом и риск. На основе анализа этих факторов устанавливается ставка капитализации.

  В массовой оценке для этого метода производится формирование базы данных с необходимой информацией по объектам недвижимости. Аналогично методу сравнения продаж выбирается вид модели и производится калибровка. Однако конечным результатом в зависимости от поставленной задачи может быть и ставка капитализации и стоимость объектов и их возможный доход.

  
  

  4.4. Затратный метод.

  Затратный метод применяется только к застроенным земельным участкам (или при наличии других улучшений). Сразу отметим, при этом подходе стоимость земли оценивается методом сравнения продаж. В основе затратного метода лежит принцип замещения, в соответствии с которым стоимость имущества равна стоимости приобретения имущества эквивалентной полезности. Земельный участок оценивается как свободный для застройки в соответствии с наиболее эффективным использованием. Далее, поскольку рыночная стоимость учитывает текущее состояние здания и другие условия, для ее определения из полной стоимости замещения (восстановительная стоимость) вычитается накопленный износ, выражающий потерю полезности оцениваемого объекта.

  Для расчета стоимости строительства собирается информация о фактических затратах на строительство здания и его текущем использовании, а также о текущих расценках на строительные материалы и производимые работы. Необходимы надежные сведения о накопленном износе. При массовой оценке стандартные величины допустимого износа приводятся в справочных таблицах, составленных на основе рыночных данных. Получение такой информации составляет основную трудность использования затратного метода при массовой оценке: необходимо отчетливо представлять себе не только степень физического износа, но и износов функционального и экономического (внешнего). А последние виды износа часто носят уникальный характер, с трудом поддаются измерению и типизации, особенно, если объекты сильно различаются по срокам постройки и расположены на неоднородной в градостроительном отношении территории (чередование жилых, общественных, производственных и рекреационных зон с различными качественными характеристиками). Эти условия требуют большой экспертной работы.

  Необходимо уделять особое внимание оценке земли, поскольку точные стоимостные характеристики земли составляют основу эффективной системы оценки недвижимости.

  Глава 5. Модели оценки земли.

  
  

  Оценку земли оптимально проводить методом сравнения продаж, хотя существуют и другие методы оценки земли в условиях недостатка данных по продажам.

  Предварительные этапы массовой оценки земли - стратификация объектов недвижимости по группам (стратам) и определение единицы измерения (сравнения).

  Стратификация может основываться на принципах разрешенного использования земельных участков (зонирование), местоположении или административно-территориальном делении, размере участка.

  Стратификация обеспечивает отбор сравнимых земельных участков по рыночным данным, относящимся к группам объектов, аналогичных оцениваемому объекту по действию факторов спроса и предложения. Для облегчения сравнительного анализа в рамках классификации объектов по использованию или категории зонирования, земельному участку должна быть присвоена соответствующая единица измерения.

  Единица измерения должна отражать способ, при помощи которого рынок (покупатели) анализирует стоимость земли. Если участки примерно равны по размеру, то сами участки могут служить единицей измерения (сравнения). Если же размеры участков различны, то единицей сравнения будет площадь, например, квадратный метр. Протяженность фронтальной границы также часто используется в качестве единицы сравнения.

  В массовой оценке стоимость земли обычно определяется тремя видами моделей.

  
  

  5.1. Виды моделей массовой оценки.

  Можно выделить три основных вида моделей массовой оценки, каждый из которых имеет свою специфику.

• Аддитивная модель имеет следующий вид:

  P = A₀ + A₁X₁ +...+ A_nX_n , где (Х_{1 ...} Х_n) - характеристики объекта недвижимости, A_n - численные коэффициенты при переменных характеристиках объекта, показывающие вклад соответствующих характеристик в стоимость.

  Математическая регрессия позволяет точно рассчитать оптимальные A_n для конкретной базы данных, однако заложенное допущение о линейности вклада каждой характеристики обычно не соответствует реалиям рынка. Аддитивная модель не учитывает взаимосвязи факторов друг с другом, неудовлетворительно описывает пограничные ситуации (к примеру объект с очень большой площадью). Тем не менее, на основе этой модели можно сделать выводы о значимости тех или иных переменных и погрешностях информации. Аддитивная модель обычно используется для предварительного анализа.

• Мультипликативная модель имеет вид:

  P = B₀ Х₁^B1 ... Х_n^Bn , где (Х_{1 ...} Х_n ) - характеристики объекта недвижимости, B_n - веса переменных характеристик объекта.

  Простая мультипликативная модель сводится к аддитивному виду путем логарифмирования, и обладает сходными недостатками. Однако она позволяет более гибко отразить зависимость (в том числе и нелинейную) стоимости от значений характеристики.

• Гибридная модель является комбинацией двух вышеперечисленных видов, например:

  P = Х₁^B1 ... Х_n^Bn (A₀+A₁Х₁+ ... +A_n Х_n), где где (Х_{1 ...} Х_n ) - характеристики объекта недвижимости, A, B - веса и коэффициенты при переменных характеристик объекта.

  Такой вид модели позволяет достаточно адекватно отображать основные тенденции рынка. Отсутствие строгой детерминации дает возможность принимать решение о способе включения (аддитивный или мультипликативный) в модель любой характеристики объекта, подбирая оптимальный с точки зрения точности прогноза. Однако такой вид модели значительно затрудняет калибровку коэффициентов. Обычно, здесь используются итеративные методы.

  Выбор того или другого вида модели определяется с точки зрения наиболее адекватного отражения реального рынка. Простые модели - аддитивная и мультипликативная могут применяться для описания слаборазвитого рынка, где нет каких либо нелинейных тенденций, они достаточно логичны по своей структуре и устойчивы в том смысле, что отсутствуют сильные выбросы в оценке для нестандартных объектов. Гибридная модель оптимальна для рынка с устоявшимися нелинейными тенденциями и сложными видами зависимости стоимости от факторов. К сожалению, анализировать конечную гибридную модель не так просто как две предыдущие, особенно, если задействованы сложные переменные, отражающие взаимовлияние характеристик. Другой проблемой гибридной модели является сильная зависимость конечного результата в процессе итеративной калибровки от начальных значений коэффициентов.

  Проблемы сложных гибридных моделей смыкаются с проблемами эвристического моделирования, пока еще слабо разработаны и требуют активного экспертного участия.

  
  

  5.2. Калибровка (идентификация) моделей массовой оценки.

  Калибровка модели позволяет определить непосредственное влияние факторов (выражаемых переменными модели) на стоимость, т.е. рассчитать конечные коэффициенты модели.

  Первым шагом является преобразование данных: качественные факторы кодируются и формируются линеаризованные значения, отражающие мультипликативный вклад в стоимость. Отдельно выделим бинарные переменные - да/нет (обычно это наличие или отсутствие какого-либо улучшения). Нередко количественные переменные также преобразуются к нелинейному виду.

  Множественная линейная регрессия однозначно рассчитывает коэффициенты аддитивной модели на основе минимизации квадратичного отклонения. Для уточнения прогноза первичные переменные могут быть заменены аппроксимирующими их функциями, в частности, переменная времени сделки обычно является нелинейной функцией (что связано, к примеру, с сезонными колебаниями). На этом этапе производится создание переменной отклика цен на местоположение, отражающей вклад местоположения в стоимость. Эта переменная создается с помощью нелинейной множественной регрессии на основе информации о центрах локального влияния (очагах притяжения и отталкивания). Нелинейная множественная регрессия может быть использована и для калибровки гибридной модели.

  При калибровке моделей необходимо принимать во внимание обеспечение их устойчивости по отношению как к характеристикам объектов, которые оцениваются, так и к базе данных по которой строилась модель.

  Устойчивость модели обеспечивается:

• адекватностью формулы (она должна быть не слишком упрощенной и не слишком сложной)

• надежностью базы данных (отбраковкой необъяснимых девиантных значений цены и проверкой сомнительных данных)

• тщательным анализом конечных значений коэффициентов.

  
  

  5.3. Контроль качества оценки.

  Любая модель - это лишь упрощенное представление реального рынка, которое не претендует на стопроцентное соответствие рыночным ценам. Существует два основных источника погрешности оценки. Это - качество информации, которая может включать как нерыночные сделки, так и не полностью описанные (может быть утрачена или откинута часть важной информации). Поэтому модель, хорошо работающая на исходной базе данных, может давать выбросы при оценке реальных объектов. Второй источник ошибок - неверные предположения, заложенные в структуру модели. Например, если в модель заложена линейная зависимость стоимости от площади магазина, то она будет переоценивать крупные универмаги и недооценивать небольшие киоски, поскольку спрос различает такие объекты. Подобные недостатки можно выявить при анализе коэффициентов отношений прогнозных значений к реальным ценам сделок из базы данных, но лишь при наличии объектов с такими параметрами в контрольной выборке.

  Качество модели по контрольной выборке определяется с помощью стандартных статистик. Значения этих статистик могут служить критерием при выборе окончательной структуры модели вместе с интерпретируемостью результатов (соответствие рынку). Анализ отклонений прогнозных значений от реальных дает возможность грамотной корректировки как вида модели, так и ее коэффициентов.

  Возможны случаи, когда статистические критерии подтверждают качество модели, а экспертная проверка показывает очевидные несоответствия. В этом случае причина кроется, скорее всего, в ненадежности исходной рыночной информации о сделках.

  Кроме того, проверка предполагает выезд на местность с осмотром и оценкой реальных объектов. Визуальный осмотр объекта и его местоположения позволяет нередко объяснить природу расхождения цены и прогноза. Полевое исследование, обычно завершающее работу по массовой оценке, имеет своей основной целью выявление дополнительных и неучтенных оценкой факторов, присутствующих, например, в описании объектов в городских реестрах недвижимости, но не использованных моделью, либо связанных со специфическим местоположением объектов.

  Модели массовой оценки разрабатываются для групп типичных объектов недвижимости с ограниченным количеством характеристик объектов. Это условие массовой оценки предполагает схожесть объектов по всем прочим характеристикам как физическим (техническим), так и по условиям их местоположения в рамках проведенного зонирования территории. Однако на практике может существовать много объектов, стоимость которых в значительной мере определяется неучтенными в моделях факторами (физический, экономический и функциональный износ). Этими факторами предположительно могут являться, например, характеристики их локального местоположения и специфического окружения.

  Такие характеристики могут в явном виде или косвенным образом присутствовать в реестре недвижимости или на карте области, но при этом остаться невостребованными при создании и корректировках модели.

  Результатом полевого исследования может стать более полное описание границ применения проведенной массовой оценки с аргументированными выводами по поводу нецелесообразности или невозможности дальнейшего совершенствования модели (в зависимости от целей работы и требований к оценке). При этом могут быть выделены уникальные объекты, оценивать которые нужно в индивидуальном порядке или с применением иных подходов. Одним из возможных результатов полевой проверки может стать разработка дополнительных экспертных поправок (коэффициентов), применимых к отдельным объектам или группам объектов.

  
  

  5.4. Границы применения массовой оценки.

  Часто приходится слышать, что поскольку рынок недвижимости в России пока не развит, применение методов массовой оценки оправдано только при оценке жилья, тогда как по объектам производственного и коммерческого назначения правильнее применять затратный и доходный методы, так как сравнительных продаж мало или вообще нет. Это утверждение в корне неверно.

  Неразвитость рынка накладывает свои ограничения на точность оценки при индивидуальной не меньше, чем при массовой. А в доходном и затратном методах погрешностей не меньше, чем в методе сравнения продаж. В самом деле, если рынок по какому-то классу объектов не развит, - как определить поправку на функциональный и экономический износ при применении затратного метода? - какую ставку капитализации (дисконтирования) применить при оценке доходным методом? При ответе на эти вопросы в ситуации неразвитого рынка приходится делать сильные допущения, которые - если оказываются ошибочными, - многократно умножают погрешность результата оценки. Таким образом, развитость рынка недвижимости (отдельных его секторов) и его обороты в равной мере обусловливают точность и надежность оценки при применении как массовой, так и индивидуальной оценки, при использовании каждого из трех методов оценки. Если рынок развит, а информация открыта и не искажена, то шансов на аккуратную и точную оценку больше, вне зависимости от применяемых методов. При этом выбор метода оценки (затратный, доходный или сравнения) зависит от типа недвижимости и осуществляется оценщиком - как при индивидуальной оценке, так и при массовой.

  Массовая оценка имеет свои ограничения: иногда оказывается эффективнее (точнее с учетом затрат на оценку) произвести индивидуальную оценку, например, объекта специального назначения, чем пытаться определить стандартные правила его оценки. Однако это - редкие случаи, исключения по действительно небольшому кругу объектов.

  В целом, для грамотного проведения и для глубокого анализа тенденций рынка на относительно небольших выборках необходимо владеть навыками как массовой, так и индивидуальной оценки, а также обладать необходимыми знаниями об объектах недвижимости, их типологии и потребительских качествах.

  
  

  Глава 6. Состояние рынка земельных участков Московской области, предназначенных под индивидуальное жилищное строительство.

  
  

  6.1. Общая характеристика рынка.

  Состояние земельных участков в Московской области может быть оценено, как наиболее развитое в РФ, однако для него характерны все те негативные факторы, что и для всей экономики переходного периода. Отсутствует достоверная статистика о ценах продажи в государственных органах регистрации прав и учета по реальным сделкам 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.

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:

0. земли промышленности, транспорта и прочих;

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

2. 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.

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).

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 + ... + A_nX_n, где (Х_{1 ...} Х_n) - характеристики объекта недвижимости, A_n - 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.

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 А_j0 и, следовательно, X_j 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 Х_n / 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

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

a Dependent Variable: PRICE

Таблица 8

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

Coefficient Correlations

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* ... * X_n^An, где (Х_{1 ...} Х_n) - характеристики объекта недвижимости, A_n - 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)= ln(A₀)+A₁*ln(X₁)+…+A_n*ln(X_n).

Мультипликативные модели не требуют от разработчика заботиться о соблюдении условия аддитивности. Кроме того, когда цены продажи варьируют в широком диапазоне, логарифмирование позволяет нормализовать распределение, уравнивая, таким образом, веса, присваемые объектам. С другой стороны, мультипликативная структура модели делает невозможным введение в модель аддитивных соотношений.

Мультипликативная модель МРА для всех участков Московской области.

ln(PRICE) = 7.6643262 + 0.12213441*EL + 0.11659094*WAT + 0.35958211*GAS + 0.45370688*WC + 0.017970609*TEL - 0.020494465*ROAD + 0.0060355887*FOREST - 0.061245452*RIVER - 0.075985731*ln(SQU) - 0.56319586*ln(MKAD)

Модель можно привести к первоначальному виду, взяв экспоненту от обеих частей уравнения:

PRICE = 2131 * 1.13^EL * 1.12^WAT * 1.43^GAS * 1.57^WC * 1.02^TEL * 0.98^ROAD * 1.01^FOREST * 0.94^RIVER * SQU^-0.08 * MKAD^-0.56

Результаты представлены в таблице 9.

Таблица 9

Оценивание мультипликативной модели МРА для всех участков Московской области.

LS // Dependent Variable is ln(PRICE)

Sample(adjusted): 1 2112

Variable Coefficient Std. Error t-Statistic Prob.

C 7.664326 0.104975 73.01077 0.0000

EL 0.122134 0.044154 2.766099 0.0057

WAT 0.116591 0.038586 3.021593 0.0025

GAS 0.359582 0.046065 7.805986 0.0000

WC 0.453707 0.103441 4.386131 0.0000

TEL 0.017971 0.109060 0.164778 0.8691

ROAD -0.020494 0.038144 -0.537298 0.5911

FOREST 0.006036 0.038511 0.156725 0.8755

RIVER -0.061245 0.038488 -1.591274 0.1117

ln(SQU) -0.075986 0.032790 -2.317361 0.0206

ln(MKAD) -0.563196 0.019532 -28.83467 0.0000

R-squared 0.435339 Mean dependent var 5.765975

Adjusted R² 0.432651 S.D. dependent var 1.020056

S.E. of regression 0.768332 Akaike info criterion -0.521871

Sum squared resid 1240.293 Schwarz criterion -0.492416

Log likelihood -2434.702 F-statistic 161.9816

Durbin-Watson stat 1.701390 Prob(F-statistic) 0.000000

Качество этой модели выше, чем аддитивной, так как R² увеличился до 0.43, но все равно это очень низкое значение. Анализ t-статистик показывает значимость всех коэффициентов кроме наличия телефона, подъездной дороги, леса и водоема. Коэффициенты при переменных не поменяли знаки, кроме коэффициента наличия электричества, но это, конечно же, логично, наличие электричества на земельном участке должно увеличивать цену. Как и в случае с аддитивной моделью были построены регрессии для 11 направлений. R² этих моделей увеличился и колеблется в пределах 0.45-0.55. Как и прежде значимы коэффициенты расстояния от МКАД у всех направлений, в 6 из 11 регрессиях значим коэффициент наличия магистрального газа. По сравнению с аддитивной моделью более часто встречается значимость площади участка. Таким образом, значимыми факторами, влияющими на формирование цен являются наличие магистрального газа, площадь участка, расстояние от МКАД, остальные факторы значимы в единичных случаях. Рассмотрим эластичности цены земельного участка по этим значимым факторам у мультипликативной модели, построенной для всех участков. Коэффициент при MKAD равный –0.56, означает, что увеличение расстояния от Москвы на 1%, уменьшает цену на 0.56%, напомним, что в аддитивной модели эластичность цены участка по расстоянию от МКАД получилась равной –0.51, т.е. тенденция оказалась похожей. Коэффициент при площади участка равный –0.07, означает, что увеличение площади участка на 1% уменьшает цену на 0.07%. Положительный коэффициент при магистральном газе равный 0.36, означает, что земельный участок с магистральным газом стоит на 36% дороже аналогичного участка без магистрального газа. Для регрессии, характеризующей все участки Московской области значимыми оказались так же коэффициенты при электричестве, водопроводе и канализации, что, согласно модели, должно увеличивать стоимость аналогичных участков без этих характеристик на, соответственно, 12.2%, 11.7% и 45%.

На следующем этапе была сделана попытка определения совместного влияния факторов. При этом анализировались следующие бинарные переменные (1-есть, 0 – нет):

EW – электричество*водопровод;

EG – электричество*газ;

EWG – электричество*водопровод*газ;

EWGR - электричество*водопровод*газ*дорога;

GW – газ*канализация.

Остальные комбинации не имело смысл анализировать в связи с очень малыми объемами данных. Наилучшие результаты были получены для переменных EG, EWG и GW, используя эти переменные можно было получать регрессии с R²=0.40-0.55.

Кроме этого были сделаны попытки ввести в уравнение такие переменные как lnSQU*GAS и lnMKAD*GAS, но построенные регрессии обладали слабой объясняющей силой.

В качестве примера приведем следующую модель:

ln(PRICE) = 7.6649261 + 0.090223682*EL + 0.22148706*WAT + 0.54363961*GAS + 0.46655554*WC - 0.074224116*ln(SQU) - 0.57763383*ln(MKAD) - 0.31814015*EWG

Результаты оценивания приведены в таблице 10.

Таблица 10

Оценивание мультипликативной модели МРА, учитывающей совместное влияние факторов, для всех участков Московской области.

LS // Dependent Variable is ln(PRICE)

Sample(adjusted): 1 2112

Variable Coefficient Std. Error t-Statistic Prob.

C 7.664926 0.103959 73.73057 0.0000

EL 0.090224 0.043134 2.091697 0.0366

WAT 0.221487 0.044383 4.990385 0.0000

GAS 0.543640 0.062057 8.760311 0.0000

WC 0.466556 0.096483 4.835628 0.0000

ln(SQU) -0.074224 0.032571 -2.278865 0.0228

ln(MKAD) -0.577634 0.019395 -29.78319 0.0000

EWG -0.318140 0.074138 -4.291179 0.0000

R-squared 0.441442 Mean dependent var 5.765975

Adjusted R-squared 0.439584 S.D. dependent var 1.020056

S.E. of regression 0.763624 Akaike info criterion -0.535579

Sum squared resid 1226.888 Schwarz criterion -0.514157

Log likelihood -2423.227 F-statistic 237.5489

Durbin-Watson stat 1.697318 Prob(F-statistic) 0.000000

Исключив незначимые переменные, мы получили регрессия с такой же объяснительной силой R²=0.44. Коэффициент при EWG значим и отрицателен, что говорит от том, что наличие на участке электричества, водопровода и магистрального газа уменьшает его цену на 31.7%, что является абсурдным, наличие коммуникаций должно увеличивать цену, исключив факторы EL, WAT, GAS и оставив лишь их совместное влияние, получаем следующую зависимость:

ln(PRICE) = 7.8825006 + 0.54644853*WC - 0.036845384*ln(SQU) - 0.60703765*ln(MKAD) + 0.29540937*EWG

Результаты оценивания приведены в таблице 11.

Таблица 11

Оценивание мультипликативной модели МРА, учитывающей только совместное влияние факторов, для всех участков Московской области.

LS // Dependent Variable is ln(PRICE)

Sample(adjusted): 1 2112

Variable Coefficient Std. Error t-Statistic Prob.

C 7.882501 0.102565 76.85370 0.0000

WC 0.546449 0.098895 5.525531 0.0000

SQU -0.036845 0.032168 -1.145408 0.2522

MKAD -0.607038 0.019320 -31.41957 0.0000

EWG 0.295409 0.045849 6.443112 0.0000

R-squared 0.408438 Mean dependent var 5.765975

Adjusted R-squared 0.407315 S.D. dependent var 1.020056

S.E. of regression 0.785301 Akaike info criterion -0.481012

Sum squared resid 1299.382 Schwarz criterion -0.467623

Log likelihood -2483.850 F-statistic 363.6893

Durbin-Watson stat 1.673356 Prob(F-statistic) 0.000000

Исключив переменные, мы получили регрессия с меньшей объяснительной силой R²=0.41 и с незначимым коэффициентом при SQU. Коэффициент при EWG значим и теперь положителен, что говорит от том, что наличие на участке электричества, водопровода и магистрального газа увеличивают его цену на 29.5%, что является более логичным по сравнению с предыдущей моделью.

Для проверки полученных результатов, а также в целях дополнительного анализа была взята база данных одного их агентств недвижимости («Новый город» www.newcity.ru), всего были исследованы предложения по 50 участкам Московской области за период 2001г. Попытки построить вышеуказанные регрессии также не увенчались успехом: добиться повышения коэффициента R² выше 0,4-0,5 не удалось.

Была предпринята попытка построить регрессии по 6 оценочным зонам. Схема оценочного зонирования Московской области 1999 года приведена в Приложении 3. На рисунке 4 представлены медиана, 25% и 75% квантили цен предложения 1999 года на земельные участки по 6 оценочным зонам. В таблице 12 указаны основные характеристики: максимальное и минимальное значения, среднее, стандартное отклонение, дисперсия. Напомним, что цены предложения 1999 года оценивались в долларах США/100м².

Таблица 12

Основные статистические характеристики исследуемой выборки (по оценочным зонам).

Рисунок 3. Графическое представление основных статистических характеристик (максимум, минимум, 25% и 75% квантили, медиана).

Несмотря на хорошо просматриваемую зависимость - цены уменьшаются с увеличением зоны, а значит и с увеличением расстояния от МКАД, данную закономерность не удалось описать хорошей регрессионной моделью. Полученные R² были чрезвычайно малы (0,1-0,2), что в данном случае выглядит логичным: для каждой оценочной зоны назначается единая цена.

На последнем этапе анализа была предпринята попытка включить влияние принадлежности к оценочной зоне в модель мультипликативной регрессии, а также исключить выбросы при моделировании. Выбросами в МРА являются объекты с аномально большими отклонениями от основного «облака» исходных данных. Выбросы могут быть быть обусловлены по крайней мере тремя причинами. Во-первых, ошибка могла вкрасться при вводе данных. Если ошибки происходят часто, то это может привести не только к искажению информации по отдельным объектам, но и повлиять на модель в целом. Во-вторых, выбросы могут быть вызваны некорректностью отбора продаж. Такие продажи необходимо исключить или скорректировать. В-третьих, выброс может быть обусловлен нетипичными характеристиками конкретного объекта или нетипичной комбинацией характеристик. В целом, выбросы представляют собой обычное явление для любой модели.

Для определения влияния принадлежности к одной из 6 оценочных зон необходимо ввести 5 бинарных переменных:

z_i¹ =

z_i² =

z_i³ =

z_i⁴ =

z_i⁵ =

Таким образом, необходимо оценить следующую регрессию:

ln(P)_i= ln(A₀)+A₁*ln(X_i)⁽¹⁾ +…+A₁₀*ln(X_i)⁽¹⁾ + С₁Z⁽¹⁾_i+…+ C₅Z⁽⁵⁾_i , где P – цена предложения в долларах США/100 кв.м., А₀ – случайная величина, А₁, … , А₁₀ и С₁, …, С₅ – коэффициенты, соответственно, при Х₁, …, Х₁₀ – факторы от EL до MKAD и Z⁽¹⁾, …,Z⁽⁵⁾ – принадлежность к оценочной зоне.

Общая модель для всех участков Московской области:

ln(PRICE) = 6.4460467 + 0.12154927*EL + 0.11392791*WAT + 0.30749192*GAS + 0.44393784*WC + 0.045741459*TEL - 0.045319947*ROAD + 0.0045992639*FOREST - 0.07482143*RIVER - 0.10782937*ln(SQU) - 0.30903654*ln(MKAD) + 0.87181037*Z1 + 0.71476015*Z2 + 0.65921317*Z3 + 0.32907382*Z4 + 0.18905652*Z5

Результаты оценивания приведены в таблице 13.

Таблица 13

Оценивание мультипликативной модели МРА, учитывающей влияние фактора принадлежности к оценочной зоне, для всех участков Московской области.

LS // Dependent Variable is lnPRICE

Included observations: 2051 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.446047 0.193418 33.32695 0.0000

EL 0.121549 0.043228 2.811790 0.0050

WAT 0.113928 0.037977 2.999885 0.0027

GAS 0.307492 0.045772 6.717871 0.0000

WC 0.443938 0.102832 4.317103 0.0000

TEL 0.045741 0.108094 0.423162 0.6722

ROAD -0.045320 0.037414 -1.211311 0.2259

FOREST 0.004599 0.037861 0.121478 0.9033

RIVER -0.074821 0.037897 -1.974332 0.0485

lnSQU -0.107829 0.032432 -3.324789 0.0009

lnMKAD -0.309037 0.039653 -7.793558 0.0000

Z1 0.871810 0.146029 5.970126 0.0000

Z2 0.714760 0.106769 6.694425 0.0000

Z3 0.659213 0.074112 8.894778 0.0000

Z4 0.329074 0.056780 5.795573 0.0000

Z5 0.189057 0.066052 2.862228 0.0042

R-squared 0.450055 Mean dependent var 5.722011

Adjusted R-squared 0.446001 S.D. dependent var 0.998586

S.E. of regression 0.743259 Akaike info criterion -0.585651

Sum squared resid 1124.203 Schwarz criterion -0.541762

Log likelihood -2293.658 F-statistic 111.0245

Durbin-Watson stat 1.743132 Prob(F-statistic) 0.000000

Из анализа t-статистик видно, что все коэффициенты, кроме коэффициентов при TEL, ROAD, FOREST, RIVER, значимы на 95%-доверительном уровне. Таким образом включение принадлежности к оценочным зонам является, но мнению автора, оправданным. Несмотря на то, что R²-adj относительно невысокий, его значение, тем неменее, выше чем в аддитивной и мультипликативной моделях. Данная модель была проанализирована по 11 направлениям, результаты оценивания приведены в приложении 4.

Для одних направлений коэффициенты при Z были значимы и, соответственно, принадлежность к оценочной зоне статистически значимо влияет на структуру модели, для других такое влияние не подтверждалось.

Следует заметить, что исключая незначимые переменные, мы получаем регрессии, где влияние оценочной зоны значимо, приведем в качестве примера Рижское направление:

ln(PRICE) = 6.8224989 + 0.3557595*EL - 0.32047292*GAS + 1.4597214*WC - 0.26571279*ROAD - 0.48865192*ln(MKAD) + 1.1649838*Z1 + 0.71930167*Z2 + 0.49471159*Z3 + 0.28423361*Z4 + 0.37282147*Z5

Результаты оценивания приведены в таблице 14.

Таблица 14

Оценивание мультипликативной модели МРА, учитывающей влияние фактора принадлежности к оценочной зоне, для участков Рижского направления после исключения незначимых переменных.

LS // Dependent Variable is ln(PRICE)

Sample(adjusted): 1 258

Variable Coefficient Std. Error t-Statistic Prob.

C 6.822499 0.745170 9.155622 0.0000

EL 0.355759 0.104513 3.403969 0.0008

GAS -0.320473 0.109094 -2.937584 0.0036

WC 1.459721 0.270179 5.402790 0.0000

ROAD -0.265713 0.096314 -2.758817 0.0062

ln(MKAD) -0.488652 0.155022 -3.152148 0.0018

Z1 1.164984 0.438079 2.659301 0.0083

Z2 0.719302 0.326001 2.206438 0.0283

Z3 0.494712 0.232404 2.128668 0.0343

Z4 0.284234 0.185829 1.529547 0.1274

Z5 0.372821 0.172728 2.158433 0.0319

R-squared 0.560038 Mean dependent var 5.586555

Adjusted R-squared 0.542226 S.D. dependent var 1.004311

S.E. of regression 0.679507 Akaike info criterion -0.731075

Sum squared resid 114.0472 Schwarz criterion -0.579593

Log likelihood -260.7774 F-statistic 31.44123

Durbin-Watson stat 1.799863 Prob(F-statistic) 0.000000

Таким образом включение принадлежности к оценочной зоне является, по мнению автора, закономерным. В заключении был проведен анализ прогностической силы модели.

6.3. Анализ прогностической силы модели.

Для анализа было выбрано Киевское направление для которого были проведены дополнительные исследование с помощью обучающих и экзаменующих выборок. Суть этого исследования заключается в следующем: выборка разбивается случайным образом на две, по первой выборке (называемой обучающая) строится регрессия и оцениваются коэффициенты модели, после чего значения объясняющих переменных из второй «экзаменующей» выборки вставляются в модель и подсчитываются соответствующие значения цен, эти полученные значения сравниваются с «реальными» ценами предложенияю.

Пример регрессии построенной по обучающей выборке:

LNPRICE = 6.0346017 + 0.44641405*GAS + 0.2872918*LNSQU - 0.43797043*LNMKAD + 0.59934192*Z2 + 0.8536588*Z3 + 0.37767092*Z4 + 0.65143998*Z5

Результаты оценивания приведены в таблице 15

Таблица 15

Оценивание мультипликативной модели МРА, учитывающей влияние фактора принадлежности к оценочной зоне, для участков Киевского направления после исключения незначимых переменных по обучающей выборке.

LS // Dependent Variable is LNPRICE

Included observations: 287 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.034602 0.409133 14.74974 0.0000

GAS 0.446414 0.096348 4.633371 0.0000

LNSQU 0.287292 0.097273 2.953450 0.0034

LNMKAD -0.437970 0.079414 -5.515051 0.0000

Z2 0.599342 0.289824 2.067950 0.0396

Z3 0.853659 0.252508 3.380717 0.0008

Z4 0.377671 0.235036 1.606861 0.1092

Z5 0.651440 0.387115 1.682805 0.0935

R-squared 0.475083 Mean dependent var 6.119259

Adjusted R-squared 0.461913 S.D. dependent var 0.960069

S.E. of regression 0.704253 Akaike info criterion -0.673757

Sum squared resid 138.3761 Schwarz criterion -0.571751

Log likelihood -302.5512 F-statistic 36.07329

Durbin-Watson stat 1.695519 Prob(F-statistic) 0.000000

Результаты адекватности применения модели представляются в процентах:

*100%, где n – объем обучающей (или экзаменуюшей выборки), p_real – «реальные» значения цен, p_estim – цены, полученные в результате расчетов.

Для Киевского направления процентные отклонения составили 30-35%, 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

http://www.appraiser.ru/ - виртуальный клуб оценщиков

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

http://www.goscomzem.ru/public.htm – Росземкадастр, федеральная служба земельного кадастра России

http://www.crea.ru/newcrea/ - центр анализа рынков недвижимости (компания ЦАРН)

ПРИЛОЖЕНИЯ

П
риложение 1

Приложение 3

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 7.935074 0.801468 9.900680 0.0000

EL 0.249430 0.143234 1.741418 0.0836

WAT 0.108967 0.133612 0.815546 0.4160

GAS 0.078895 0.150746 0.523361 0.6015

WC 0.911950 0.364467 2.502146 0.0134

TEL -0.204344 0.429095 -0.476220 0.6346

ROAD -0.079129 0.117322 -0.674461 0.5010

FOREST 0.051494 0.119696 0.430202 0.6677

RIVER 0.029083 0.120607 0.241140 0.8098

LN(SQU) -0.042469 0.135182 -0.314165 0.7538

LN(MKAD) -0.653348 0.154423 -4.230895 0.0000

Z1 0.209425 0.695034 0.301316 0.7636

Z2 -0.246859 0.786942 -0.313694 0.7542

Z3 0.030573 0.246929 0.123811 0.9016

Z4 0.123517 0.219681 0.562256 0.5748

Z5 -0.338712 0.197757 -1.712769 0.0888

R-squared 0.437057 Mean dependent var 5.681078

Adjusted R-squared 0.381135 S.D. dependent var 0.855741

S.E. of regression 0.673194 Akaike info criterion -0.700540

Sum squared resid 68.43173 Schwarz criterion -0.401810

Log likelihood -162.4676 F-statistic 7.815542

Durbin-Watson stat 1.756217 Prob(F-statistic) 0.000000

Горьковское направление

LN(PRICE) = 7.2976855 + 0.19738607*EL + 0.12203915*WAT + 0.16193317*GAS + 1.0622297*WC - 1.2649169*TEL + 0.010250859*ROAD + 0.1420379*FOREST - 0.00048040952*RIVER - 0.11438465*LN(SQU) - 0.54339161*LN(MKAD) - 2.4357748*Z1 + 0.09279889*Z2 + 0.4656004*Z3 + 0.15282546*Z4 + 0.0097173295*Z5

LS // Dependent Variable is LN(PRICE)

Included observations: 147 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 7.297685 1.225366 5.955517 0.0000

EL 0.197386 0.144176 1.369067 0.1733

WAT 0.122039 0.133528 0.913959 0.3624

GAS 0.161933 0.185189 0.874420 0.3835

WC 1.062230 1.105137 0.961175 0.3382

TEL -1.264917 0.718158 -1.761335 0.0805

ROAD 0.010251 0.144360 0.071009 0.9435

FOREST 0.142038 0.150984 0.940750 0.3486

RIVER -0.000480 0.148962 -0.003225 0.9974

LN(SQU) -0.114385 0.122861 -0.931008 0.3536

LN(MKAD) -0.543392 0.265516 -2.046553 0.0427

Z1 -2.435775 1.375588 -1.770715 0.0789

Z2 0.092799 0.991448 0.093599 0.9256

Z3 0.465600 0.526827 0.883783 0.3784

Z4 0.152825 0.338940 0.450892 0.6528

Z5 0.009717 0.219800 0.044210 0.9648

R-squared 0.467753 Mean dependent var 5.483975

Adjusted R-squared 0.406809 S.D. dependent var 0.909893

S.E. of regression 0.700790 Akaike info criterion -0.608643

Sum squared resid 64.33493 Schwarz criterion -0.283154

Log likelihood -147.8487 F-statistic 7.675095

Durbin-Watson stat 1.903338 Prob(F-statistic) 0.000000

Павелецкое направление

LN(PRICE) = 6.6769836 + 0.10555016*EL + 0.040062897*WAT + 0.3035971*GAS + 0.14805449*WC + 0.57867799*TEL + 0.050667383*ROAD + 0.081297288*FOREST - 0.19807505*RIVER - 0.47775154*LN(SQU) - 0.18126861*LN(MKAD) - 0.010021124*Z1 + 0.79246309*Z2 + 0.57679141*Z3 + 0.56630294*Z4 + 0.55346155*Z5

LS // Dependent Variable is LN(PRICE)

Included observations: 157 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.676984 0.782536 8.532498 0.0000

EL 0.105550 0.132213 0.798335 0.4260

WAT 0.040063 0.119593 0.334994 0.7381

GAS 0.303597 0.147164 2.062979 0.0409

WC 0.148054 0.632404 0.234114 0.8152

TEL 0.578678 0.628164 0.921221 0.3585

ROAD 0.050667 0.124058 0.408418 0.6836

FOREST 0.081297 0.129352 0.628496 0.5307

RIVER -0.198075 0.134337 -1.474466 0.1426

LN(SQU) -0.477752 0.100443 -4.756428 0.0000

LN(MKAD) -0.181269 0.156166 -1.160743 0.2477

Z1 -0.010021 0.959986 -0.010439 0.9917

Z2 0.792463 0.494083 1.603908 0.1110

Z3 0.576791 0.335061 1.721453 0.0874

Z4 0.566303 0.238714 2.372305 0.0190

Z5 0.553462 0.202996 2.726472 0.0072

R-squared 0.521148 Mean dependent var 5.580578

Adjusted R-squared 0.470207 S.D. dependent var 0.834223

S.E. of regression 0.607205 Akaike info criterion -0.901442

Sum squared resid 51.98641 Schwarz criterion -0.589977

Log likelihood -136.0102 F-statistic 10.23029

Durbin-Watson stat 2.185368 Prob(F-statistic) 0.000000

Рижское направление

LN(PRICE) = 6.8339143 + 0.27465918*EL + 0.10224976*WAT - 0.26982427*GAS + 1.3867012*WC - 0.12616538*TEL - 0.26368434*ROAD + 0.1530851*FOREST - 0.092635649*RIVER - 0.10487202*LN(SQU) - 0.44897652*LN(MKAD) + 1.2689782*Z1 + 0.78347813*Z2 + 0.56006737*Z3 + 0.34313609*Z4 + 0.42048733*Z5

LS // Dependent Variable is LN(PRICE)

Included observations: 258 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 6.833914 0.771995 8.852277 0.0000

EL 0.274659 0.113736 2.414876 0.0165

WAT 0.102250 0.101090 1.011470 0.3128

GAS -0.269824 0.123725 -2.180837 0.0302

WC 1.386701 0.272211 5.094223 0.0000

TEL -0.126165 0.247928 -0.508879 0.6113

ROAD -0.263684 0.097433 -2.706307 0.0073

FOREST 0.153085 0.104817 1.460500 0.1454

RIVER -0.092636 0.106792 -0.867442 0.3866

LN(SQU) -0.104872 0.103249 -1.015717 0.3108

LN(MKAD) -0.448977 0.158011 -2.841426 0.0049

Z1 1.268978 0.444861 2.852530 0.0047

Z2 0.783478 0.329689 2.376418 0.0183

Z3 0.560067 0.236274 2.370418 0.0186

Z4 0.343136 0.189914 1.806797 0.0720

Z5 0.420487 0.174265 2.412920 0.0166

R-squared 0.569089 Mean dependent var 5.586555

Adjusted R-squared 0.542380 S.D. dependent var 1.004311

S.E. of regression 0.679393 Akaike info criterion -0.713102

Sum squared resid 111.7011 Schwarz criterion -0.492764

Log likelihood -258.0959 F-statistic 21.30673

Durbin-Watson stat 1.764218 Prob(F-statistic) 0.000000

Рязанское направление

LN(PRICE) = 7.1094811 + 0.16835579*EL + 0.36940587*WAT + 0.38951983*GAS + 0.025287291*WC - 0.43966663*TEL - 0.20887966*ROAD - 0.21255317*FOREST + 0.0072907488*RIVER - 0.34645315*LN(SQU) - 0.37529371*LN(MKAD) + 0.51058451*Z1 + 0.002210195*Z2 + 0.59625975*Z3 + 0.24562682*Z4 + 0.015898807*Z5

LS // Dependent Variable is LN(PRICE)

Included observations: 160 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 7.109481 1.387891 5.122507 0.0000

EL 0.168356 0.160979 1.045821 0.2974

WAT 0.369406 0.154677 2.388247 0.0182

GAS 0.389520 0.186274 2.091113 0.0383

WC 0.025287 0.409391 0.061768 0.9508

TEL -0.439667 0.725284 -0.606199 0.5453

ROAD -0.208880 0.146137 -1.429337 0.1551

FOREST -0.212553 0.140521 -1.512604 0.1326

RIVER 0.007291 0.142162 0.051285 0.9592

LN(SQU) -0.346453 0.130100 -2.662979 0.0086

LN(MKAD) -0.375294 0.278704 -1.346566 0.1802

Z1 0.510585 1.312182 0.389111 0.6978

Z2 0.002210 0.758709 0.002913 0.9977

Z3 0.596260 0.545427 1.093198 0.2761

Z4 0.245627 0.289006 0.849903 0.3968

Z5 0.015899 0.297245 0.053487 0.9574

R-squared 0.509948 Mean dependent var 5.404866

Adjusted R-squared 0.458900 S.D. dependent var 0.959028

S.E. of regression 0.705456 Akaike info criterion -0.603182

Sum squared resid 71.66426 Schwarz criterion -0.295664

Log likelihood -162.7756 F-statistic 9.989740

Durbin-Watson stat 2.056788 Prob(F-statistic) 0.000000

Савеловское направление

LN(PRICE) = 0.15833477*EL + 0.1518384*WAT + 0.62200473*GAS + 0.67237521*WC - 0.0365604*TEL - 0.071777355*ROAD + 0.00014905636*FOREST + 0.29555889*RIVER - 0.25845502*LN(SQU) + 1.1255825*LN(MKAD) + 5.416356*Z1 + 3.2842564*Z2 + 2.2102678*Z3 + 1.4237438*Z4 + 1.2809989*Z5

LS // Dependent Variable is LN(PRICE)

Included observations: 167 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

EL 0.158335 0.181054 0.874516 0.3832

WAT 0.151838 0.179730 0.844816 0.3995

GAS 0.622005 0.244504 2.543941 0.0120

WC 0.672375 0.430167 1.563055 0.1201

TEL -0.036560 0.423142 -0.086402 0.9313

ROAD -0.071777 0.163640 -0.438631 0.6616

FOREST 0.000149 0.150200 0.000992 0.9992

RIVER 0.295559 0.143980 2.052774 0.0418

LN(SQU) -0.258455 0.097592 -2.648329 0.0089

LN(MKAD) 1.125582 0.066058 17.03921 0.0000

Z1 5.416356 0.345376 15.68250 0.0000

Z2 3.284256 0.199313 16.47792 0.0000

Z3 2.210268 0.346324 6.382084 0.0000

Z4 1.423744 0.209714 6.788987 0.0000

Z5 1.280999 0.263239 4.866294 0.0000

R-squared 0.350319 Mean dependent var 5.658380

Adjusted R-squared 0.290480 S.D. dependent var 1.055624

S.E. of regression 0.889184 Akaike info criterion -0.149375

Sum squared resid 120.1785 Schwarz criterion 0.130684

Log likelihood -209.4899 F-statistic 5.854357

Durbin-Watson stat 1.367878 Prob(F-statistic) 0.000000