Прогнозирование в системе управления земельно-имущественным комплексом

Термин «прогнозирование» имеет множество разных значений, кроме общетеоретического: прогноз есть одна из форм предвидения, имеющая большую четкость и определенность.

Философский энциклопедический словарь определяет прогнозирование как специальное научное исследование перспектив развития какого-либо явления, преимущественно с количественными оценками и с указанием более или менее определенных сроков изменения этого явления [4]. В свою очередь, экономическое прогнозирование – это научное исследование возможных направлений будущего изменения экономики и отдельных ее сфер для оценки перспектив развития с точки зрения эффективного помещения капитала, для военно-стратегических и политических целей [1].

Из научных работ, посвященных вопросам управления земельными ресурсами, известно, что прогнозирование является неотъемлемым этапом процесса управления независимо от его уровня. Так, А.А. Варламов выделяет три уровня управления: государственный, муниципальный и внутрихозяйственный [2]. По нашему мнению, прогнозирование различных показателей необходимо для каждого из этих уровней, отличие же будет в том, какие показатели приобретают большую важность на конкретном уровне управления. Формулируя потребности в прогнозировании разнообразных социально-экономических показателей на каждом из указанных уровней для целей управления, рассмотрим их подробнее. Так, например, для обоснования финансирования работ по созданию Государственного кадастра недвижимости (далее – ГКН) и оценки эффективности последствий принятых или разрабатываемых решений на общефедеральном уровне интересна динамика не только и не столько конкретных показателей. Наиболее значимыми для прогнозирования на государственном уровне управления, на наш взгляд, являются следующие показатели: структура земельного фонда, структура земельных платежей, структура правообладателей, структура затрат на создание и ведение ГКН и т. п. [3]. По результатам анализа динамики изменения структуры земельного фонда в разрезе категорий земель или угодий с последующим прогнозом можно заранее определить, не произойдут ли «перекосы» в структуре государственного земельного фонда.

Своевременное выявление негативной тенденции поможет обдуманному и тщательно проработанному принятию нормативных правовых актов, предотвращающих дальнейшее развитие неблагоприятного тренда.

На уровне конкретного землевладения (землепользования) чрезвычайно важны динамика и прогноз значений результатов хозяйственной деятельности на земельном участке. С течением времени, с развитием хозяйственной деятельности на участке может происходить изменение и удельного веса показателей. Своевременное прогнозирование таких изменений позволяет определить, какие мероприятия по корректировке деятельности субъекта, для целей которого выполняется прогноз, необходимы и какие изменения в запланированные действия или уже принятые решения следует внести.

Отдельно необходимо сказать о прогнозировании показателей, характеризующих ситуацию на рынке недвижимости муниципального образования, региона или страны в целом, среди которых следует выделить такой результирующий показатель рынка недвижимости, как цена (стоимость). Причем значение имеют как расчет этого показателя применительно к конкретным объектам недвижимости, так и расчет его средних значений на анализируемой территории. Имея точный и обоснованный прогноз развития рынка недвижимости, органы власти смогут составить правильное представление о процессах, происходящих на нем, и учитывать налоговые поступления. Они также получат возможность принять меры по предупреждению падения рынка, а в случае если это все же произошло, смягчить негативные последствия. Рынок недвижимости России обладает определенными особенностями, оказывающими влияние на выбор метода прогнозирования и возможность осуществления достоверного прогнозирования на долгосрочный период. Несмотря на это, результаты прогноза различных сегментов интересны для субъектов и государственного, и муниципального, и внутрихозяйственного управления.

В случае когда субъектом управления является государство или муниципальное образование, для успешного управления земельными ресурсами ему необходим прогноз земельно-кадастровых показателей, а также данных о рынке земли и иной недвижимости. Прогнозирование рынка необходимо органам власти:

• •    для понимания процессов и тенденций, происходящих и сложившихся на рынке, с целью принятия мер, способных либо предотвратить появление кризисов на рынке недвижимости, либо значительно смягчить их последствия;

• •    для обоснованного расчета будущих налоговых поступлений;

• •    для выработки экономических и правовых механизмов регулирования рынка;

• •    для проведения модернизации нормативной законодательной базы;

• •    для формирования благоприятного инвестиционного климата на подведомственной территории.

В этом случае пользователями прогнозов будут являться органы государственного (муниципального) управления, в частности конкретные исполнители, занимающиеся решением некоторых из перечисленных вопросов. На утверждение к высшим руководителям поступят только проекты решений, составленных с учетом прогнозного развития рынка недвижимости. Коммерческие участники рынка также нуждаются в достоверных прогнозах для успешного решения вопросов, связанных с ведением бизнеса в сфере недвижимости.

История развития и функционирования рынка в развитых странах, которая насчитывает уже порядка ста лет, показывает, что зачастую одной из главных причин крупных кризисов на рынках недвижимости является неправильное понимание ситуации, сложившейся на рынке, или неправильная трактовка тенденций. В этих случаях составлять и использовать прогноз будут аналитические службы компаний, отделы маркетинговых исследований, менеджмент среднего и высшего звена.

Одним из наиболее явных примеров использования результатов прогнозирования органами государственного и муниципального управления, на взгляд автора, является потребность в прогнозе рынка недвижимости, возникающая при планировании развития территории региона (муниципального образования), а также потребность в обосновании мер, необходимых для претворения планов в жизнь, в разработке схем территориального планирования регионов, составлении схем землеустройства региона и административного района для обоснования экономической эффективности размещения на конкретных земельных участках отдельных отраслей, предприятий, определении лучшего и наиболее эффективного использования земельных участков и т. д.

Пример применения результатов прогнозирования в процессе определения лучшего и наиболее эффективного использования земельного участка

Сегодня местные власти многих крупных российских городов сталкиваются с ситуацией, когда в центре города освобождаются значительные земельные массивы. Ранее на этих территориях были расположены крупные промышленные предприятия, которые в настоящее время либо прекратили свое существование, либо подлежат переводу за пределы городской черты. Зачастую такие участки находятся в весьма привлекательных местах и имеют большие площади, что обусловливает необходимость принятия решения о сочетании на этих участках нескольких видов использования.

Так, некоторое время назад в одном из крупных российских городов Поволжья возник вопрос об определении лучшего и наиболее эффективного использования земельного участка и наилучшей структуры застройки. Участок площадью 53 гектара располагался в центре города, практически на берегу большой реки и был привлекателен с инвестиционной точки зрения. Поскольку площадь земельного участка была значительной, требовалось решить вопрос о наиболее эффективной структуре застройки.

Улица, по которой проходит граница рассматриваемого участка, является одной из основных транспортных магистралей города с интенсивным двухсторонним движением, обеспечивающая отличный доступ к участку с обеих сторон движения из любой части города. В непосредственной близости от участка находятся остановка общественного транспорта и станция метро. Участок имеет сложную форму, но к нему подведены все необходимые инженерные коммуникации.

По результатам осмотра в натуре и проведения анализа местоположения участка было выявлено, что он имеет благоприятное месторасположение для предполагаемого строительства, находящегося в пределах зоны сосредоточения городской инфраструктуры. Иными словами, благоприятное сочетание мезогеографического положения территории, в пределах которой находится рассматриваемый участок, и особенностей характеристик самог о участка делает его одинаково пригодным и для строительства торгового центра, и для возведения офисного и гостиничного объектов, и для жилой застройки. Для обоснования структуры застройки был проведен анализ, по результатам которого был составлен прогноз данных сегментов рынка в городе.

Таким образом, было установлено, что по показателю «предложение» рынок жилой недвижимости города находится в фазе роста, при этом увеличение жилищного фонда происходит в основном за счет ввода кирпичных домов, в течение последних двух лет наметилась тенденция к увеличению строительства монолитного и комбинированного жилья. В течение последнего пятилетнего периода сохранялась тенденция к уменьшению среднего размера квартиры, к периоду упреждения этот показатель составил 75,6 квадратных метра. На начало 2007 года доля ветхого и аварийного жилья в городе в целом составляла 2,45 процента, при этом средние темпы сокращения за ретроспективный период составили 0,075 процента в год. В собственности физических лиц находилось до 72 процентов общей площади жилых помещений.

Несмотря на значительное количество объектов, позиционирующихся в классе «бизнес», большинство из них не соответствуют таковому по качественным критериям, поэтому как о наиболее активно развивающемся можно говорить о сегменте жилья экономического и среднего классов, предусматривающем наличие благоустроенной придомовой территории, парковки, а также современные инженерные системы и коммуникации.

Прогнозирование квартирного рынка осуществлялось двумя способами: методом корреляционного анализа и последующего построения регрессионной прогнозной модели, а также методом нейронных сетей. Построение регрессионной прогнозной модели проводилось в несколько этапов: сначала прогнозировалась средняя цена 1 квадратного метра на первичном рынке города, затем – объемы продаж на квартирном рынке.

Социально-экономическими факторами, оказывающими влияние на среднюю цену, с точки зрения автора выступают объемы инвестиций в основной капитал, оборот розничной торговли, валовой региональный продукт, средняя заработная плата, численность населения, индекс потребительских цен, численность безработных, объем промышленного производства, среднедушевой доход, среднемесячные расходы населения, средняя стои- мость строительства жилья, общая площадь жилищного фонда, общее число квартир и число квартир в частной собственности. Обоснование такого предположения и выбор наиболее значимых факторов осуществлялись с помощью коэффициента парной корреляции между реальным значением каждого из влияющих факторов и исследуемым показателем (см. табл. 1).

Таблица 1

Значения коэффициента парной корреляции цены квартир на первичном рынке и показателей социально-экономического развития города

Показатель	Коэффициент парной корреляции
Инвестиции в основной капитал	0,98
Оборот розничной торговли	0,92
Валовой региональный продукт	0,91
Средняя заработная плата	0,98
Численность населения	-0,88
Индекс потребительских цен	-0,24
Численность безработных	-0,46
Объем промышленного производства	-0,71
Среднедушевой доход	0,92
Среднемесячные расходы населения	0,93
Средняя стоимость строительства жилья	0,90
Общая площадь жилищного фонда	0,93
Общее число квартир	0,95
Число квартир в частной собственности	0,96

Из таблицы 1 видно, что все приведенные социально-экономические факторы, кроме индекса потребительских цен и уровня безработицы, находятся в тесной связи с прогнозируемыми ценами и пригодны к включению в регрессионную модель. Но представленные показатели имеют высокие коэффициенты корреляции не только с количеством предприятий и организаций, но и друг с другом. Для устранения мультиколлинеарности следует оставить только фактор, имеющий наивысший t -критерий. Таким фактором является размер среднемесячной заработной платы. В результате степенн а́ я регрессионная модель имеет следующий вид:

Средняя цена = -44 220 + 12,3 х размер заработной платы . (1)

Эта теоретическая функция достоверно описывает 86 процентов практических значений моделируемой величины, средняя абсолютная ошибка моделирования составляет 13,10 процента, средняя ошибка – 0,98 процента. Близость этого критерия к нулю подтверждает сбалансированность модели, а знак плюс свидетельствует о пессимистичности модельных значений. Подставляя прогнозируемые значения средней заработной платы, установленные в официальном прогнозе социально-экономического развития города на пятилетний период, получаем пессимистичный и оптимистичный прогнозы развития ценовой ситуации на квартирном рынке, в дальнейшем называемые вариантами 1 и 2 соответственно (см. табл. 2).

Входящими факторами нейронной сети при прогнозировании с помощью построения прогнозной модели на основе нейронных сетей выступали социально-экономические фак-

Таблица 2

Прогноз средней цены 1 квадратного метра квартир на первичном рынке города, р./м2

Год текущий момент 1-й 2-й 3-й 4-й 5-й Средняя цена 1 квадратного метра квартиры на первичном рынке (вариант 1) 45 504 56 228 62 704 69 261 79 385 88 543 Средняя цена 1 квадратного метра квартиры на первичном рынке (вариант 2) 45 504 57 713 65 545 73 218 84 941 95 968 торы, перечисленные в таблице 1. После проведения нейросетевого анализа и обучения нелинейной нейронной сети получены результаты, свидетельствующие о том, что наиболее значимыми из влияющих факторов являются объем инвестиций в основной капитал, средняя заработная плата и численность населения. При этом их значимость для модели является примерно одинаковой. Они и были отобраны для включения модель.

Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с тремя нейронами, среднюю абсолютную ошибку моделирования 8,13 процента, среднюю процентную ошибку – -3,14 процента. Знак минус свидетельствует об излишней оптимистичности модельных оценок. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Подставляя прогнозируемые значения входящих факторов, значения которых указаны в официальном прогнозе социально-экономического развития города на пятилетний период, с помощью нейросетевого моделирования мы получили прогноз средней цены 1 квадратного метра квартиры на первичном рынке города (см. табл. 3).

Таблица 3

Прогноз средней цены 1 квадратного метра квартиры на первичном рынке города, р./м2

Год	текущий момент	1-й	2-й	3-й	4-й	5-й
Средняя цена 1 квадратного метра квартиры на первичном рынке (вариант 1)	45 504	35 675	43 878	50 146	57 067	61 132
Средняя цена 1 квадратного метра квартиры на первичном рынке (вариант 2)	45 504	35 780	44 378	50 480	57 287	61 366

Из таблицы 2 видно, что по нейросетевому прогнозу рост цен на квартиры менее высокий, чем по результатам корреляционно-регрессионного анализа. Учитывая сравнимый уровень достоверности регрессионной модели и нейронной сети, в качестве итогового прогнозного уровня стоимости 1 квадратного метра площади на первичном рынке жилья целесообразно принять средневзвешенное значение цены по уровню средней абсолютной ошибки моделирования (см. рис. 1).

Таким образом, можно предполагать увеличение уровня цен до 76–82 тысяч рублей за 1 квадратный метр к концу прогнозируемого периода. Заметим, что значение уровня цен, рассчитанного по фактическим данным, на момент прогнозирования не выбивается из прогнозных значений, что также выступает фактом, подтверждающим достоверность моделирования.

На основе прогноза среднего уровня цены и данных о динамике цен в разрезе классов (коэффициент корреляции этих показателей более 98 процентов) можно определить примерный уровень цен на готовое элитное жилье, жилье бизнес-класса и эконом-класса (см. табл. 4).

—■— пессимистический прогноз       оптимистический прогноз

Рис. 1. Итоговый прогноз ценовой ситуации на первичном рынке квартир в городе (в действующих ценах соответствующего года)

Таблица 4

Прогноз средней цены 1 квадратного метра квартиры на первичном рынке в разрезе классов жилья (в действующих ценах соответствующего года), тыс. р./м2

Класс жилья	Год
	текущий момент	1-й	2-й	3-й	4-й	5-й
Элитное жилье	100 000	125 000	127 520	14 1447	151 348	166 369
Жилье бизнес-класса	78 500	90 000	98 989	110 080	119 219	132 672
Жилье эконом-класса	48 000	58 500	62 334	70 034	78 076	84 789

При сохранении существующих тенденций можно ожидать, что к концу периода упреждения уровень цен на элитное жилье достигнет 160–170 тысяч рублей за 1 квадратный метр, жилье бизнес-класса подорожает до 125–135 тысяч рублей за 1 квадратный метр, готовое жилье эконом-класса будет предлагаться по цене до 85 тысяч рублей за 1 квадратный метр.

Прогнозирование активности квартирного рынка города осуществлялось теми же методами, что и прогнозирование ценовой ситуации. В этом случае также сначала был применен корреляционный метод, но после расчета коэффициентов парной корреляции каждого из влияющих факторов и числа проданных квартир выяснилось, что ни один из коэффициентов не превышает значения 0,4 по модулю. Исходя из этого можно сделать вывод, что ни один из рассматриваемых социально-экономических показателей развития города не имеет тесной линейной связи с количеством сделок. Следовательно, построение регрессионной модели не представляется возможным.

В состав нейросетевой модели для прогнозирования количества сделок после обучения сети были включены оборот розничной торговли, валовой региональный продукт, численность безработных, расходы населения и средняя цена квартиры. Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с шестью нейронами (см. рис. 2), среднюю абсолютную ошибку моделирования 19,51 процента, среднюю процент- ную ошибку -19,10 процента. Знак минус свидетельствует об излишней оптимистичности модельных оценок. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Рис. 2. Нейросетевая модель количества сделок на первичном рынке квартир города

Подставляя прогнозируемые значения входящих факторов, мы получили прогноз количества сделок на рынке квартир города (см. рис. 3).

момент прогноз количества сделок (вариант 1)

прогноз количества сделок (вариант 2)

Рис. 3. Нейросетевой прогноз количества сделок на первичном рынке жилья города

Согласно нейросетевому прогнозу (рис. 3) после небольшого роста активности на рынке в первые годы ожидается небольшое снижение в дальнейшем.

В основу составления прогноза офисного рынка города легли описанные ранее методы. По результатам анализа рынка офисных помещений российских городов была выявлена прямо пропорциональная зависимость офисного рынка от количества предприятий и организаций, действующих в городе, поэтому в качестве прогнозируемой величины был выбран последний показатель.

Социально-экономическими факторами, оказывающими влияние на исследуемый по- казатель, с нашей точки зрения выступают объемы инвестиций в основной капитал, суммарная прибыль предприятий и организаций, оборот розничной торговли и валовой региональный продукт. Обоснованность этого предположения подтверждается значениями коэффициента парной корреляции каждого из влияющих факторов и численности предприятий и организаций (см. табл. 5).

Таблица 5

Значения коэффициента парной корреляции количества предприятий и организаций и показателей социально-экономического развития города

Показатель	Коэффициент парной корреляции
Инвестиции в основной капитал	0,97
Прибыль предприятий и организаций	0,92
Оборот розничной торговли	0,94
Валовой региональный продукт	0,94

Из таблицы 5 видно, что все приведенные социально-экономические факторы находятся в тесной связи с прогнозируемым количеством организаций и предприятий и пригодны к включению в регрессионную модель. После устранения мультиколлинеарности фактором, влияющим на количество организаций в городе, является объем инвестиций в основной капитал. В результате степенн а́ я регрессионная модель имеет вид:

Количество предприятий и организаций = 1 270 х объем инвестиций в основной капитал ^0,38.

Примечание : Параметры 1 270 и 0,38 получены методом наименьших квадратов в процессе построения регрессионной модели в программе Statistica.

Эта теоретическая функция достоверно описывает 94 процента практических значений моделируемой величины, средняя абсолютная ошибка моделирования составляет 2,47 процента, средняя процентная ошибка равна -0,02 процента. Близость этого критерия к нулю подтверждает сбалансированность модели, а знак минус свидетельствует о небольшой пессимистичности модельных значений. С помощью полученной функции был составлен прогноз численности предприятий и организаций города (см. табл. 6).

Таблица 6

Прогноз численности предприятий и организаций города

Год	текущий момент	1-й	2-й	3-й	4-й	5-й
Количество предприятий и организаций (вариант 1)	60 807	63 129	67 967	71 037	77 175	79 473
Количество предприятий и организаций (вариант 2)	60 807	64 040	70 084	73 912	79 655	82 098

На основании полученного прогноза и выявленной зависимости, о которой уже упоминалось, получен прогноз количества офисных площадей, составляющих свободную нишу. С помощью метода нейронных сетей сначала также осуществлялось прогнозирование численности организаций, а затем был получен прогноз свободной ниши офисных площадей. При прогнозировании входящими факторами сети выступали социально-экономические факторы, оказывающие влияние на исследуемый показатель. Таковыми с нашей точки зрения являются объемы инвестиций в основной капитал, суммарная прибыль предприятий и организаций, оборот розничной торговли и валовой региональный продукт. После проведения нейросетевого анализа и обучения нелинейной нейронной сети получены результаты, свидетельствующие о том, что наиболее значимыми из влияющих факторов являются объем инвестиций в основной капитал и прибыль предприятий и организаций (см. рис. 4). Они и были отобраны для включения в модель.

Рис. 4. Значимость входящих факторов нейронной сети

Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с одним нейроном (рис. 5), среднюю абсолютную ошибку моделирования 2,89 процента, среднюю процентную ошибку -0,03 процента. Близость этого критерия к нулю подтверждает сбалансированность модели. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Рис. 5. Нейросетевая модель численности предприятий и организаций города

Подставляя прогнозируемые значения инвестиций в основной капитал, мы получили прогноз численности предприятий и организаций (см. табл. 7).

Таблица 7

Прогноз численности предприятий и организаций города

Год	2007	2008	2009	2010	2011	2012
Количество предприятий и организаций (вариант 1)	60 807	64 421	69 835	72 810,65	77 363,53	78 588,47
Количество предприятий и организаций (вариант 2)	60 807	65 361	71 738,7	74 980,14	78 526,76	79 545,8

На основании полученных прогнозов и выявленной зависимости, о которой уже упоминалось, получен прогноз количества офисных площадей, составляющих свободную нишу (см. рис. 6).

• □регресионный прогноз (вариант 1) в регресионный прогноз (вариант 2)

• □нейросетевой прогноз (вариант 1) □ нейросетевой прогноз (вариант 2)

Рис. 6. Прогноз количества офисных площадей, составляющих свободную нишу, м2

Как видно из диаграммы, представленной на рисунке 6, на протяжении всего периода упреждения прогнозируется увеличение количества офисных площадей, которые можно вывести на рынок без негативных для него последствий. В итоге к концу периода упреждения свободная ниша офисных площадей города составит от 56 до 73 тысяч квадратных метров.

Таким образом, на основании изложенного можно резюмировать, что условия, складывающиеся в среднесрочной перспективе на рынке офисных центров города, характеризующиеся фазой рецессии, можно расценивать как неблагоприятные для реализации новых проектов.

В настоящее время рынок торговых центров города постепенно насыщается. В течение среднесрочного периода рынок в целом достигнет точки насыщения, однако негативные тенденции отразятся в основном на объектах с недостаточно профессиональной концепцией. Наряду с этим при сохранении существующих тенденций будет ощущаться дефицит профессионального качественного предложения, одним из основных трендов развития рынка станет постепенная эволюция форматов торговли.

Условия, характеризующие рынок торговых центров города в среднесрочной прогнозной перспективе, могут оцениваться как благоприятные с точки зрения выхода нового проекта.

Применительно к прикладным целям исследования нужно отметить, что наиболее успешные перспективы развития с точки зрения рыночной ситуации, с учетом местоположения и характеристик участка будет иметь объект значительных форматов (торговые центры форматов «большие» и «крупные»), ориентированный на максимальную комплексность предоставляемых услуг.

Учитывая динамику развития рынка и основной рыночный тренд качественной эволюции применительно к местоположению и характеристикам существующего участка, наибо- лее благоприятные перспективы развития будет иметь проект торгово-развлекательного центра крупного формата. Объект нужно ориентировать на максимальную комплексность услуг, включая размещение развитой составляющей сегмента отдыха и развлечений, специализированной мебельной составляющей.

После проведения анализа и составления прогноза на основе полученных результатов задача разработки оптимальной концепции освоения участка сводится к определению такой структуры застройки имеющегося земельного участка, которая обеспечила бы максимизацию доходности инвестора. В качестве минимального уровня доходности следует принять отдачу от продажи земельного участка без проведения работ по его улучшению. Результаты анализа и прогнозирование рынка позволяют сделать вывод о том, что целесообразен ввод следующих видов объектов: гостиница «3 звезды», многоэтажная жилая застройка классов «премиум», «бизнес» и «эконом» и торгово-развлекательный центр. Строительство офисных объектов представляется нецелесообразным из-за неблагоприятных условий, складывающихся на рынке города в среднесрочной перспективе.

Оптимальная концепция определяется поэтапно:

• 1)    расчет основных критериев эффективности использования земельного участка отдельно под каждый из обозначенных видов использования – чистой приведенной стоимости ( ЧПС ) и коэффициента доходности ( PI ). Расчет осуществляется по укрупненным прогнозным показателям с целью определения потенциального уровня дохода, который возможно получить;

• 2)    построение экономико-математической модели с целью нахождения сочетания трех видов застройки, обеспечивающего максимизацию прибыли от проекта;

• 3)    определение итоговых объемов каждого вида застройки.

Для построения экономико-математической модели зависимости доходности проекта от структуры застройки необходимо получить данные о возможной примерной доходности исходя из предположения об использовании земельного участка целиком под каждый из предполагаемых видов использования. В качестве параметров эффективности использовалась чистая приведенная стоимость. Расчет проводился по среднерыночным показателям доходов и затрат при максимально возможных объемах застройки. В качестве ограничения «сверху» при расчете максимальных объемов использовались либо физические ограничения земельного участка, либо максимальный возможный объем вывода на рынок.

Основные параметры предполагаемого использования, принятые в расчетах, приведены в таблице 8.

Таблица 8

Укрупненные прогнозируемые показатели дохода и затрат

Вид объекта	й 5 s $ E О. 9- I 6 ” 41 p С р Т S ° R 5 R 41 Ф R E Ф I § S ф О R Ф <3-^0.	Ф is ^ti ф b о 3 is ф Q. О	O' £ 8? g. 8 $ H CO CQ	Минимальный объем строительства		Максимальный объем строительства		Sb8-$. 8^S s 2 s §<о Q.” § ° S 2 ф S о о 1 l I л P ? q P g |Ь§§ 3 P | CT о t 5 5^2 9-§ о
				о R 9 VO О	о R 03 c	о § R Ф 9 VO О	9 о 5 R CD I CD Ф 5 c
Торговоразвлекательный центр	13,3*	2,4	69,6	57 150	40 000	151 400	106 000	290 000

Гостиница	3,8**	10,4	119,3	2 000	1 000	14 420	7 200	4 390
Многоэтажный жилой дом	107,8***	–	59,9	–	–	270 043	240 000	530 000