Актуальные проблемы теории и практики массовой оценки недвижимости для целей налогообложения

Автор: Стерник Геннадий Моисеевич, Стерник С.Г.

Журнал: Имущественные отношения в Российской Федерации @iovrf

Рубрика: Оценка всех видов собственности - практический опыт

Статья в выпуске: 10 (109), 2010 года.

Бесплатный доступ

Авторами статьи проведен сравнительный анализ перспектив развития индивидуальной и массовой оценки недвижимости в целях налогообложения с использованием сравнительного подхода по методологии дис- кретного пространственно-параметрического моделирования рынка недвижимости (ДППМ) и методологии оценки на основе корреляционно-регрессионного моделирования рынка (КРМ). Приведены соответствую- щие примеры. Предложены возможные пути решения проблем, препятствующих достижению приемлемых результатов массовой оценки недвижимости в целях налогообложения.

Рынок недвижимости, оценка недвижимости, сравнительный подход, налогообложение, моделирование, дппм, корреляция, регрессия, крм, дискретный анализ, статистика

Короткий адрес: https://sciup.org/170151979

IDR: 170151979

Текст научной статьи Актуальные проблемы теории и практики массовой оценки недвижимости для целей налогообложения

Более 15 лет в Российской Федерации идут эксперименты по разработке и апробации методики массовой оценки недвижимости для целей налогообложения. Пока результаты неудовлетворительны (см. [2]). И это сдерживает столь необходимый переход к налогообложению по рыночной (кадастровой) стоимости земельных участков, жилой и нежилой недвижимости. В статье проанализированы проблемы, препятствующие решению этой важной задачи, и предложены возможные пути их решения.

Проблема № 1. Монопольная методология

Все эксперименты массовой оценки недвижимости для целей налогообложения проводились по общепринятой в мировой практике методологии корреляционнорегрессионного моделирования (КРМ). Она успешно применяется на развитых, широких, информационно открытых рынках стран с давними рыночными традициями, но «буксует» в условиях развивающихся рынков стран с транзитивной экономикой. В то же время в нашей стране разработана и получила широкое применение альтернативная методология дискретного пространственно-параметрического моделирования рынка (ДППМ), специально адаптированная к условиям России. Методология ДППМ получила признание в научных кругах [6], на государственном уровне (например, заказ Министерства экономического развития и торговли Российской Федерации на выполнение научно-исследовательских работ в 2004 году) и активно применяется (для анализа рынка недвижимости) в 25 регионах России, а также в странах Центральной и Восточной Европы и Центральной Азии. Целесообразно провести апробацию и сопоставление этой методологии с методологией КРМ для массовой оценки недвижимости в целях налогообложения. Сущность методологии мониторинга рынка недвижимости состоит в сборе документированной информации об объектах рынка, разделении объектов на однородные группы (выборки) по качеству, местоположению, размерам и другим признакам, определении статистических характеристик каждой выборки и исследовании полученных числовых пространственно-параметрических моделей с дискретным шагом.

* с татья подготовлена по материалам доклада на iii п оволжской научно-практической конференции «Статистические методы массовой оценки», проходившей 10–11 марта 2010 года в городе Нижнем Новгороде.

Проблема № 2. Ограничения по объему и качеству исходных данных

Считается, что минимальный объем данных для КРМ равен числу исследуемых факторов, умноженных на 3–5. На самом деле критическим является объем данных по факторам, присущим наиболее дорогим (и наиболее интересным для налогообложения) объектам, доля которых в выборке обычно невелика. В результате при исходном числе факторов (например по квартирам) более 30 значимыми в регрессионных моделях признаются 5 (в лучшем случае 6–7), и целый класс объектов с их параметрами просто выпадает из анализа. Более того, класс элитных (повышенной комфортности) объектов выпадает из рассмотрения в регрессионной модели также вследствие необходимого «отсечения» правой ветви распределения при принудительном приведении его к нормальному (гаусовскому) виду. В методологии ДППМ такое ограничение отсутствует, приведение к нормальному виду не требуется, все факторы включаются в анализ, и только итоговая погрешность моделирования меняется в зависимости от объема выборки. В таблице 1 приведен перечень значимых факторов квартирного рынка города Москвы, учитываемых при использовании ДППМ.

Таблица 1

Перечень значимых факторов квартирного рынка города Москвы

Характеристика объекта

Способ описания

Период строительства дома

Диапазон значений

Состояние дома (после реконструкции, капитального ремонта)

Качественный признак

Этажность дома

Целое число

Количество квартир в доме

Количество машино-мест в подземной (наземной) парковке

Количества лифтов в подъезде

Этаж расположения квартиры

Количество квартир на площадке

Площадь квартиры

Число

Количество комнат

Целое число

Количество санузлов

Количество балконов

Площадь кухни

Число

Высота потолка

Материал несущих конструкций

Качественный признак

Материал наружных и внутренних ограждений и перегородок

Тип санузла

Тип планировки

Ориентация окон: во двор или на проезжую часть

Наличие придомовой территории

Бинарный признак

Площадь придомовой территории

Число

Наличие ограждения и охраны территории

Бинарный признак

Наличие благоустройства территории

Наличие телефона/Интернета (выделенной линии) в квартире

Наличие консьержа в подъезде

Удобство подъезда к дому

Бинарный признак

Наличие элитной планировки (двухуровневые квартиры, обогрев полов, деревянные стеклопакеты, центральное кондиционирование, эксклюзивные инфраструктура и отделка, индивидуальные лифты, зимний сад, каминный зал, система климат-контроля, очистка воды на входе в дом, автономное отопление)

Наличие элитной инфраструктуры и сервиса (спортивно-оздоровительный комплекс (тренажерные залы, сауна, турецкая баня, бассейн, крытый теннисный корт), бойлерная, уборка квартир, современные телекоммуникации, управляющая компания)

Проблема № 3. Трудности при априорной оценке погрешности моделирования как средства управления настройкой модели

Несмотря на глубокую теоретическую проработку этого вопроса применительно к КРМ (см. [3]), сложность инструментария приводит к тому, что его не используют на практике. В методологии ДППМ существует достаточно простая методика, являющаяся одним из ключевых составляющих моделирования рынка и настройки (оптимизации) модели по критерию минимальной априорной погрешности.

Приближенная оценка погрешности в определении математического ожидания случайной величины по данным репрезентативной выборки ее случайных значений при доверительной вероятности 0,95 равна:

5 = ± ^s

^ N -1

Из формулы следует, что погрешность в определении среднего обратно пропорциональна корню квадратному из объема выборки N и пропорциональна ее собственному разбросу, выражаемому величиной стандартного (среднеквадратического) отклонения s (СКО).

При наличии данных об объеме генеральной совокупности Ng случайная погрешность может быть скорректирована на множитель

N

1 - N . Ориентировочно можно принять сле-

дующие значения поправочного множителя в зависимости от доли выборки в объеме генеральной совокупности (табл. 2).

Таблица 2

Значения поправочного множителя в зависимости от доли выборки в объеме генеральной совокупности

Доля выборки, %

< 10

25–30

40–60

70–80

> 95

Поправочный множитель

1,00

0,8

0,7

0,5

0

Настройка (оптимизация) ДППМ производится путем дополнительного расчленения или слияния выборок по критерию минимума погрешности в определении средних.

Оптимизация модели начинается с проверки размаха выборок и их дисперсий. Условие оптимизации – минимизация размаха каждой выборки при ориентировочном равенстве коэффициентов варьирования ν :

' ( x max - x mn ) ^ mn

* const

Уменьшение размаха выборки можно получить за счет ее разделения на две путем введения дополнительного признака или разбиения диапазона какого-либо признака. Например, если выборка квартир в пятиэтажных панельных домах имеет слишком большой размах варьирования (значительно отличающийся от выборок квартир других типов), то рекомендуется разделить ее на два подтипа, включающие квартиры на первом (последнем) и средних этажах. Другой пример: разделение совокупности квартир в пятиэтажных панельных домах одного района на квартиры в сериях домов, объявленных к сносу (что может повысить их привлекательность и цену), и в несносимых сериях. Аналогично могут быть разбиты выборки по признаку местоположения: в заданных границах района выделяются 2–3 зоны с отличающимся уровнем цен, и вместо одной образуется 2–3 выборки квартир одного типа с изменившимися средним и уменьшившимся размахом варьирования.

Следующая процедура оптимизации модели имеет обратный характер – она осуществляется для проверки целесообразности объединения выборок. Для этого производится попарная проверка значимости различия выборок по типам, размерам, смежным районам, которая включает проверку различия дисперсий (по критерию Фишера Fp ) и средних (по критерию Стьюдента tp ) при заданных критериальных значениях уровня значимости р , выбираемых исследователем. Эта процедура соответствует аналогичной процедуре проверки значимости факторов в терминах регрессионного моделирования.

По результатам проверки выборки с незначимыми различиями объединяются, и значения параметров объединенных выборок пересчитываются. На практике возможно применение более простого условия объединения выборок 1 и 2:

δδ xcpi + 2^ > Xcp2 + -^ при xcpi < xcp2 ■

Такое преобразование по смыслу соответствует понижению размерности регрессионной модели, исключению незначимых факторов качества, местоположения и размера.

В таблицах 3 и 4 представлены фрагменты исходной и оптимизированной модели рынка квартир города Москвы по состоянию на 2003 год.

Таблица 3

Исходная пространственно-параметрическая модель рынка жилья города Москвы по состоянию на 2003 год

Тип жилья, местоположение

Количество объектов, шт.

Цена квартиры

СКО, $ / м2

Погрешность (δ), $ / м2 (%)

минимум, $/м2

медиана, $/м2

максимум, $/м2

средняя, $/м2

1

2

3

4

5

6

7

8

Все типы жилья в Москве, в том числе:

«хрущевки», панель

115 367

368

1 167

6 294

1 302

488

2,9 (0,2)

5 591

597

1 059

2 500

1 103

214

6,0 (0,6)

панель с малой кухней

18 557

625

1 076

3 222

1 130

229

3,5 (0,3)

типовая панель

20 277

570

1 083

3 553

1 142

260

3,7 (0,3)

1

2

3

4

5

6

7

8

современная панель

24 767

457

1 149

4 351

1 203

294

3,8 (0,4)

«хрущевки», кирпич

7 112

403

1 109

4 048

1 191

340

8,2 (0,7)

кирпич с малой кухней

6 589

628

1 304

4 359

1 417

454

11,3 (0,8)

«сталинский» кирпич

16 024

452

1 467

5 140

1 609

641

10,0 (0,6)

кирпичные башни

4 709

368

1 450

5 938

1 643

697

20,9 (1,3)

монолит

10 097

390

1 296

2 500

1 364

432

8,9 (0,9)

повышенной комфортности

1 420

2 501

3 167

4 000

3 184

433

22,4 (0,7)

«элита»

Всего в Центральном административном округе, в том числе:

Арбат

224

«

130

4 013 ХРУЩЕВК

778

4 464

И», ПАНЕЛ

1 226

6 294

Ь

2 500

4 597

1 287

502

336

59,4 (1,3)

52,6/4,1

2

1 943

2 075

2 075

2 009

66

93,3/5.3

Басманный

8

998

1 370

1 667

1 347

192

135,8/10,5

Замоскворечье

3

1 209

1 328

2 500

1 665

516

390,1/23,4

Красносельский

0

Мещанский

1

1 125

1 125

1 125

1 125

0,0

Пресненский

59

837

1 167

2 069

1 221

269

70,0/5,7

Таганский

27

778

1 095

1 724

1 148

230

88,5/7,7

Тверской

14

889

1 262

1 905

1 360

298

159,3/11,7

Хамовники

12

1 261

1 548

2 071

1 532

190

109,7/7,2

Якиманка

4

1 209

1 328

2 500

1 665

516

390,1/23,4

Всего в Западном административном округе, в том числе: Внуково

615

674

1 103

2 273

1 156

227

18,7/1,6

0

Дорогомилово

21

719

1 367

2 273

1 435

469

204,7/14,3

Крылатское

0

Кунцево

106

800

1 094

1 774

1 130

198

38,5/3,4

Можайский

94

755

1 063

1 625

1 117

202

41,7/3,7

Ново-Переделкино

0

Очаково-Матвеевское

45

804

1 032

1 667

1 121

220

65,6/5,9

Проспект

Вернадского

138

839

1 156

1 667

1 215

215

36,6/3,0

Раменки

5

898

930

1 500

1 052

228

203,9/19,4

Солнцево

36

764

1 048

1 400

1 078

176

58,7/5,4

Тропарево-Никулино

11

674

1 000

1 227

957

173

104,3/11,0

Филевский парк

69

933

1 125

1 606

1 154

151

36,4/3,2

Фили-Давыдково

90

828

1 091

1 742

1 115

192

40,5/3,6

Таблица 4

Оптимизированная пространственно-параметрическая модель рынка жилья («хрущевки», панель) по Центральному и Западному административным округам города Москвы по состоянию на 2003 год

Местоположение жилья

Количество объектов, шт.

Цена квартиры

СКО, $ / м 2

Погрешность (δ), $ / м 2 (%)

минимум, $/м 2

медиана, $/м 2

максимум, $/м 2

средняя, $/м 2

Всего в Центральном административном округе, в том числе: Хамовники, Арбат, Замоскворечье, Якиманка

130

778

1 226

2 500

1 287

336

52,6 (0,4)

21

1 209

1 328

2 500

1 670

316

190,0 (11,4)

Пресненский

59

837

1 167

2 069

1 221

269

70,0 (5,7)

Таганский

27

778

1 095

1 724

1 148

230

88,5 (7,7)

Тверской, Мещанский, Басманный

23

889

1 265

1 905

1 350

280

139,0 (10,3)

Всего в Западном административном округе,

в том числе:

Дорогомилово, Раменки, Филевский парк, проспект Вернадского

1 220

673

1 158

3 222

1 215

260

15,3 (1,6)

338

711

1 323

3 222

1 355

262

20,3 (1,5)

Крылатское

33

948

1 250

1 667

1 297

205

71,4 (5,5)

Кунцево

131

806

1 129

2 079

1 195

225

39,3 (3,4)

Можайский, Очаково-Матвеевское

325

734

1 071

1 857

1 114

146

30,2 (2,7)

Ново-Переделкино, Солнцево

52

753

1 063

1 370

964

138

48,3 (5,0)

Тропарево-Никулино

208

673

1 167

2 000

1 186

266

36,9 (11,0)

Фили-Давыдково

133

806

1 123

1 974

1 217

247

42,8 (3,6)

Проблема № 4. Определение апостериорной погрешности массовой оценки объектов недвижимости

Определить отклонение фактических данных от модельных оценок можно легко, используя обе альтернативные методологии, но почему-то такие результаты в работах по методологии КРМ нам практически не встречались (возможно, по причине слабой информационной базы либо неуверенности в качестве оценки). В таблице 5 приведен пример сопоставления модельных оценок, полученных при использовании ДППМ, с конкретными рыночными данными.

Таблица 5

Определение отклонения удельной цены предложения выборки объектов от средневыборочной

Адрес

Количество комнат

Этаж квартиры/ этажность дома

Площадь квартиры

Удельная цена, $/м2

Отклонение, %

общая, м2

жилая, м2

1

2

3

4

5

6

7

Аминьевское шоссе, д. 14

2

4/5

43

30

953

20

Аминьевское шоссе, д. 30

2

2/5

44

30

1 204

1

Беловежская ул., д. 37-1

1

4/5

32,1

18,2

1 299

9

Беловежская ул., д. 55

2

2/5

46,4

29,4

1 202

6

Беловежская ул., д. 89

2

3/5

49

31

1 142

-4

Веерная ул., д. 24

1

2/5

32

17,4

1 375

15

Гвардейская ул., д. 4

1

1/5

30,4

17,1

1 098

8

Гвардейская ул., д. 8

1

1/5

31

18

1 354

13

Истринская ул., д. 5

2

2/5

48,4

31,2

1 398

1

Истринская ул., д. 5-2

2

2/5

47,5

31,2

1 105

-18

Кастанаевская ул., д. 21-3

2

5/5

44

28,6

1 545

13

Кастанаевская ул., д. 23

3

2/5

55,5

37

1 504

11

Кастанаевская ул., д. 23-2

2

4/5

44

32

1 545

14

Кастанаевская ул., д. 27/3

2

4/5

43,7

29,1

1 148

-15

Кастанаевская ул., д. 27-2

2

5/5

43

27

1 651

22

Кастанаевская ул., д. 27-2

2

3/5

46

31,1

1 326

-2

Кастанаевская ул., д. 57

2

5/5

45

28

1 444

21

Кастанаевская ул., д. 57-2

2

5/5

45

28

1 333

12

Кастанаевская ул., д. 63

3

5/5

59,7

41,3

1 187

-1

Кастанаевская ул., д. 63-1

2

4/5

45,3

28,8

1 415

18

Кунцевская ул., д. 83

2

3/5

46,2

30,4

1 112

-7

Кутузовский просп., д. 84

2

4/5

42,8

27,7

1 074

-10

Кутузовский просп., д. 84

1

2/5

32

20

1 287

8

Малая Филевская ул., д.1 6

2

2/5

48,7

32,7

1 201

-13

Матвеевская ул., д. 20

2

3/5

46

28

913

-24

Матвеевская ул., д. 20-1

3

3/5

60

42

1 166

-2

Матвеевская ул., д. 26

2

1/5

45

31

1 200

1

Матвеевская ул., д. 26

1

4/5

31,4

17,4

1 180

-1

Матвеевская ул., д. 26

1

3/5

53

20

1 147

-4

Матвеевская ул., д. 28

1

3/5

32

18

1 375

15

Матвеевская ул., д. 28

3

2/5

60

42

1 200

1

Матвеевская ул., д. 30

1

2/5

38

17,2

947

-21

Матвеевская ул., д. 9-2

3

2/5

60

42

1 166

-2

Молодогвардейская ул., д.1-1

3

2/5

60

42

1 416

18

Молодогвардейская ул., д. 36

2

3/5

46

0

1 213

-14

Молодогвардейская ул., д. 36-4

1

3/5

32

20

1 387

1

1

2

3

4

5

6

7

Оршанская ул., д. 4

2

5/5

45

31

1 288

-5

Поклонная ул., д. 3

3

3/5

58,6

48,6

1 372

15

Поклонная ул., д. 8

2

4/5

45

27

1 333

12

Рублевское шоссе, д. 103

2

3/5

46,1

30

1 338

-1

Рублевское шоссе, д. 87

2

4/5

45

32

888

26

Славянский бул., д. 5

2

5/5

47

30

1 361

1

ул. Академика Павлова, д. 28

2

2/5

47

30

1 142

-16

ул. Академика Павлова, д. 30

2

3/5

47,7

32,5

1 612

19

ул. Академика Павлова, д. 33

2

2/5

47

30,8

1 385

2

ул. Академика Павлова, д. 34

1

3/5

31,5

18,2

1 279

-6

ул. Академика Павлова, д. 36

1

3/5

32

18,5

1 700

25

ул. Академика Павлова, д. 38

2

2/5

45

31

1 111

-18

ул. Академика Павлова, д. 40-1

2

5/5

47

32,5

1 636

21

ул. Артамонова, д. 3

3

2/5

67,1

46,5

1 098

-8

ул. Артамонова, д. 4

2

5/5

51

30

1 223

2

ул. Артамонова, д. 8

1

4/5

33

17

1 393

17

ул. Артамонова, д. 8

3

2/5

68

47

1 044

-13

ул. Герасима Курина, д. 12

2

1/5

44,5

28

1 508

11

ул. Герасима Курина, д. 12-2

2

1/5

44,3

28

1 514

12

ул. Герасима Курина, д. 36

2

5/5

47,1

31,1

1 458

8

ул. Герасима Курина, д. 4-4

2

3/5

45,7

29,5

1 266

-7

ул. Гришина, д. 12

2

4/5

40

27,6

1 375

15

ул. Клочкова, д. 2

1

4/5

32

17,5

1 531

28

ул. Красных Зорь, д. 29

2

1/5

45

29

1 244

4

ул. Красных Зорь, д. 33

2

5/5

46

28

1 239

4

ул. Олеко Дундича, д. 33

1

3/5

33

18

1 545

14

ул. Олеко Дундича, д. 33

1

1/5

30

18

1 500

11

ул. Олеко Дундича, д. 37

1

5/5

30,9

17,3

1 216

-10

ул. Пивченкова, д. 1

2

2/5

44,6

28,6

1 372

1

ул. Пивченкова, д. 10

2

2/5

44,1

29

1 353

0

ул. Пивченкова, д. 8

1

3/5

32,5

19,3

1 676

24

Ярцевская ул., д. 18

3

3/5

59,3

42,5

1 259

-7

Ярцевская ул., д. 34

3

3/5

60

42

1 533

13

Проблема № 5. Трудности сбора рыночных данных

Разработчики методик массовой оценки на основе методологии КРМ обычно не владеют данными о рынке и начинают их собирать одновременно с началом проведения эксперимента. В результате качество данных сомнительное, а затраты времени исчисляются месяцами. Применяющие методологию ДППМ аналитики рынка недвижимости, постоянно наращивают, актуализируют, очищают и обрабатывают свои базы данных, что позволяет их использовать без потерь времени и с гарантированным качеством (в пределах тех регионов и сегментов рынка, в которых эта работа налажена). В новых регионах (сегментах) потребуется 1–2 месяца для создания и первоначального наполнения баз данных.

Проблема № 6. Сложность разработки модели рынка и высокие требования к квалификации специалистов

Методология КРМ предъявляет высокие требования к квалификации специалистов, затраты времени на разработку модели одного сегмента рынка в одном городе исчисляются месяцами (даже при высокой автоматизации процесса), а группа высококвалифицированных специалистов работает в нескольких городах последовательно (см., например, [2]). Методология ДППМ доступна специалистам без специального образования, при наличии баз данных построение модели требует одну-две недели (даже без специальной автоматизации). В дальнейшем, по мере автоматизации расчетов, этот срок сокращается до двух-трех дней. Обучение новых специалистов (для регионов, в которых такая работа только начинается) потребует 4–5 дней лекционно-практических занятий и 1–2 месяцев методического сопровождения работы начинающих специалистов.

Проблема № 7. Трудности оценки на узких рынках

Обе методологии лучше работают на широких рынках. Тем не менее накопленный опыт сбора рыночной информации и применения методологии ДППМ рынка позволил выработать пути «обхода» этой трудности. Приведем примеры.

Методика и пример оценки объекта при отсутствии аналогов (метод регрессионной экстраполяции)

Судебный запрос на оценку стоимости квартиры в городе Зарайске Московской области в 2002 году поставил перед оценщиком нетривиальную задачу, поскольку необходимые данные отсутствовали. Для ее решения по имеющемуся архиву данных была построена дискретная пространственно-параметрическая модель рынка жилья Московской области, в которой рассчитано средневзвешенное значение цены предложения жилья в каждом из 45 населенных пунктов, вошедшем в выборку, и среднего по области (584 $/м2). Затем было проведено исследование модели2 – построены регрессионные уравнения зависимости средних удельных цен в населенных пунктах от основных ценообразующих факторов – численность населения, удаленность от Москвы, географическое направление.

Оказалось, что зависимость от численности населения незначима, а зависимость от удаленности имеет высокий коэффициент регрессии (0,87) и хорошо описывается уравнением Y = 901 x 0,22 (коэффициент детерминации равен 0,76, то есть 76 процентов факторов описывается этим уравнением). Подставив величину удаленности города Зарайска от Московской кольцевой автомобильной дороги (118 км) в уравнение, получаем оценку средней удельной цены квартир в нем – 345 $/м2 (см. рис. 1).

Второй значимый фактор – географическое направление. В связи с тем, что оцениваемый город находится на юго-востоке области, поправка на уровень цен в нем составила от среднего 528/584 = 0,90. Таким образом, окончательная оценка - 345 х 0,90 = 310 $/м2.

Методика и пример индивидуальной оценки объекта при отсутствии прямых аналогов (метод косвенных аналогов)

Приведем пример определения целесообразной ставки аренды ресторана, расположенного в Москве, вблизи станции метро «Проспект Вернадского» (за пределами Третьего транспортного кольца). Арендуемая площадь – 450 квадратных метров.

В связи с тем, что рынок аренды помещений под рестораны в локации объекта оценки достаточно узкий, при массовой оценке погрешность в определении средней составила ±18%.

Рис. 1. Статистическая связь «цена – расстояние» на квартирном рынке городов Московской области по мере удаления города от Московской кольцевой автомобильной дороги (МКАД)

Рис. 2. Статистическая связь арендных ставок для офисов и ресторанов, находящихся у соответствующих станций метро, $/м2 в год

Для уменьшения диапазона рекомендуемой ставки предложения исследуемого объекта в аренду необходимо обнаружить зависимость искомой величины от доступных для исследования факторов. Полученная зависимость должна учесть совокупную положительную поправку на главные конкурентные преимущества объекта – особенности местоположения и расположения (непосредственная близость от городской магистрали и выхода из метро в престижном районе с высокой разнообразной активностью и интенсивной проходимостью).

Однако в условиях поставленной задачи оказалось, что прямое определение поправок невозможно из-за недостаточности статистических данных. В связи с ограниченностью статистики по объектам, совпадающим по назначению (ресторан), были привлечены данные по группам объектов близкого назначения (офисные помещения). Затем было рассчитано регрессионное уравнение зависимости исследуемых величин – средней арендной ставки для объектов «ресторан» и «офис» вблизи аналогичных станций метро (см. рис. 2).

Далее, подставляя в значение аргумента Х среднее значение ставки предложения в аренду офисов вокруг станции метро «Проспект Вернадского» (473 $/м2 в год), получаем в качестве отклика Y искомую величину рекомендуемой ставки предложения в субаренду на открытом рынке ресторана у станции метро «Проспект Вернадского» – 554,31 $/м2 в год.

Проблема № 8. Организационно-административная

Случилось так, что саморегулируемые организации оценщиков, как и аналитические команды риелторских ассоциаций, отдали право решения проблемы массовой оценки недвижимости специалистам в области математических методов моделирования случайных процессов и IT, не являющихся экспертами в области рынка недвижимости. На наш взгляд, только объединение усилий всех названых категорий специалистов при ведущей роли оценочного сообщества позволит решить все проблемы и получить приемлемый результат.

Статья научная