inform@pcfko.ru
г.Нижний Новгород,
ул. Бетанкура, д. 3, пом. 9

Концепция исследования

С течением времени рынок недвижимости претерпевает различные метаморфозы, происходят изменения в сознании участников рынка относительно приоритетов и ценностей, связанных с недвижимым имуществом. Проявляются новые тренды, тенденции. Меняются представления участников рынка относительно будущего недвижимости. Это порождает необходимость регулярных исследований рынка недвижимости, которые бы учитывали новые реалии и новые тенденции на рынке.

С этой целью был начат проект по анализу рынка недвижимости 45 городов Российской Федерации, включающего в себя исследования изменения цен и величин арендной платы на вторичном рынке торговой, офисной и производственно-складской недвижимости.

Целью каждого из обзоров в рамках данного проекта является получение параметров, характеризующих рынок недвижимости по 45 городам Российской Федерации исходя из данных, полученных в ходе:

  • анализа статистической информации по ценам предложений и арендным ставкам на объекты коммерческой недвижимости (офисной, торговой, производственно-складской и объектов свободного назначения);
  • анализа экспертных мнений, полученных от профессиональных участников рынка недвижимости, оценщиков, экспертов и аналитиков недвижимости, а также
  • анализа и систематизации данных из открытых аналитических источников относительно динамики цен и общих тенденций на рынке коммерческой недвижимости в разрезе исследуемых городов России, сегментов и подсегментов недвижимости и анализируемого периода (периодов).

I. Источники релевантной информации относительно цен предложений и арендных ставок на объекты коммерческой недвижимости

Ниже приводится краткий анализ различных источников информации, использованных в исследовании.

  1. Статистическая информация о рынке недвижимости представлена материалами, содержащимися в текстах объявлений о продаже и аренде объектов недвижимости. В работе используются данные со многих сайтов, в том числе, база недвижимости Циан (cian.ru), доска объявлений Avito (avito.ru), портал недвижимости  Afy (afy.ru), недвижимость на Move.ru  (move.ru), портал «Из рук в руки» (irr.ru), Домофонд.ru (domofond.ru), мультилистинговая система Орион и другие. Всего данные о продаже и аренде около миллиона объектов.

  1. Данные экспертного опроса участников рынка недвижимости (оценщиков, риелторов, экспертов, аналитиков рынка недвижимости). Экспертный опрос осуществлялся путем анкетирования. В опросах, проводимых в прошлые периоды по конкретным сегментам недвижимости, участвовали около 200 экспертов, представляющие более 70 населенных пунктов, в т.ч. и 45 рассматриваемых городов. Данные анализировались и представлялись для общей обработки ведущими специалистами соответствующих городов.
  2. Результаты анализа открытых публикаций, отражающих аналитику рынков недвижимости, выполненных отдельными специалистами. Особо отметим публикации и материалы аналитических исследований, представленных на сайтах cre.ru, knightfrank.ru, domofond.ru, etagi.com, rosrealt.ru, rlt24.com, naydidom.com, а также публикации региональных аналитиков

Статистический анализ и обработка данных по ценам продаж (предложений), получаемых непосредственно с рынка, позволяет в какой-то степени увидеть, насколько экспертные оценки отражают реалии рынка. При этом не следует преувеличивать надежность статистических оценок, поскольку данные по ценам, извлеченные из объявлений в средствах массовой информации, обычно плохо структурированы и стандартизированы, предлагаемые объекты недостаточно полно описаны по параметрам сравнения и, кроме того, содержат много ошибок. Эти же данные, прошедшие через интеллектуальный фильтр специалиста в оценочной деятельности и представленные в виде его экспертного мнения, во многих случаях могут оказаться более надежными и полезными для определения реальных характеристик рынка. Поэтому мы сочли нецелесообразным отказываться от коллективных экспертных оценок, и использовали оба источника информации.

По аналогии с иерархией справедливой стоимости, установленной в Международном стандарте финансовой отчетности (IFRS) 13 «Оценка справедливой стоимости»[1], которая делит исходные данные для расчета справедливой стоимости на три уровня, в этом исследовании исходные данные делятся также на три уровня.

  • Первый уровень. Наибольший приоритет отдается данным о фактических ценах предложений и арендных ставках объектов различных сегментов (подсегментов) на рынке, которые в наибольшей степени объективно отражают реальное состояние рынка.
  • Второй уровень ассоциируется с данными анкетного опроса, которые, не смотря на их относительную субъективность, также используются в качестве дополнительных исходных данных для расчета средних ценовых значений.
  • Третий уровень. Наименьший приоритет отдается третьему уровню данных, которые содержатся в различных публикациях, не подтвержденных используемыми методами, и поэтому не могут рассматриваться как обоснованные. Поэтому используются в качестве индикативных.

II. Сегментация рынка недвижимости

Подробнее с сегментацией рынка недвижимости возможно ознакомиться на соответствующей странице

Перечень исследуемых территорий

Исследование было проведено на территории 45 городов Российской Федерации.

карта городов

Рис. 1. Перечень исследуемых городов

III.Базовые принципы, на которые опирается исследование

Подходы, реализуемые в данном исследовании, основаны на следующих принципах:

  1. Использование всей релевантной информации относительно рыночных процессов в различных сегментах рынка недвижимости, в том числе информации, представленной следующими источниками:
  • Статистические данные, относящиеся к историям продаж отдельных объектов недвижимости (несколько миллионов объектов).
  • Данные экспертных опросов, содержащие более двухсот мнений оценщиков недвижимости, работников банковских структур, риелтеров, аналитиков рынка.
  • Материалы исследований рынка недвижимости, опубликованные в открытом доступе, в том числе на специализированных сайтах.

Каждый из указанных источников информации обладает известными недостатками и достоинствами. Однако их совместное использование и применение специальных процедур обработки (байесовских методов и методов линейного объединения) позволяет в некоторой степени нивелировать недостатки каждого из них и эффективно использовать достоинства каждого из них.

  1. Применение современных технологий анализа данных, включающих технологии искусственного интеллекта, машинного обучения, больших данных. Для структурирования информации, содержащейся в текстах объявлений, используются специальные алгоритмы машинного обучения. Это позволяет объявления представить в виде электронных таблиц с заданной структурой для последующей автоматизированной обработки.  Для объединения существенно неоднородной информации (в том числе экспертной и статистической) используются байесовские методы и робастные процедуры, обеспечивающие получение устойчивых результатов в условиях многочисленных выбросов. Методы и технологии обработки неоднородных данных подробно описаны в публикациях авторов, в том числе в работах [1-11].
  2. Обеспечение неформального анализа первичной рыночной информации, экспертных мнений специалистов и результатов внешних исследований, который выполняют оценщики, имеющие большой практический опыт работы с рыночными данными.

IV. Общий план проведения работ по анализу и обработке данных с целью определения требуемых характеристик рынка

Анализ и обработка рыночных данных, полученных в результате мониторинга рынка недвижимости, осуществляемого по всем требуемым городам с разделением по соответствующим сегментам недвижимости. В качестве исходных данных принимались цены предложений и арендных ставок, при этом предварительно рассчитывались удельные показатели из расчета на 1 кв.м. (в случае аренды – из расчета на 1 кв.м в месяц). Исследование на данном этапе включает следующие шаги.

  1. Анализ и обработка рыночных данных, полученных в результате мониторинга рынка недвижимости, осуществляемого по всем требуемым городам с разделением по соответствующим сегментам недвижимости. В качестве исходных данных принимались цены предложений и арендных ставок, при этом предварительно рассчитывались удельные показатели из расчета на 1 кв.м. (в случае аренды – из расчета на 1 кв.м в месяц). Исследование на данном этапе включает следующие шаги.
  2. Анализ и структурирование текстовой информации, и представление ее в виде таблиц. Следует отметить, что собственники и риелтеры зачастую относят объекты к более высокому классу, чем следует. При этом текст объявления обычно более соответствует действительности. Анализ текстов объявлений с использованием технологий искусственного интеллекта позволяет более корректно идентифицировать объект.
  3. Статистический анализ структурированных данных и расчет статистических показателей выборок для каждого полугодия: среднего значения, медианы, минимума, максимума, а также границ диапазона среднерыночных цен предложений/сделок и среднерыночных ставок арендной платы. Следует отметить, что этот диапазон не следует рассматривать как интервал, в котором находятся цены, заявленные в предложениях на продажу объектов недвижимости. Здесь речь идет о диапазоне среднерыночных цен, которые по смыслу близки к значениям рыночной стоимости объектов недвижимости, вариабельность которых существенно меньше, чем вариабельность рыночных цен. Поэтому рассчитанные интервалы существенно уже, чем интервалы, которыми можно было бы ограничить цены, указанные в объявлениях. То же самое относится и к величинам арендной ставки. Отметим, что величины полуинтервалов были определены на основании данных экспертного опроса специалистов в оценочной области для каждого города и сегмента недвижимости.
  4. Согласование и уравновешивание параметров на основе выявления общих соотношений, характерных для однотипных объектов, находящихся в разных городах. В основе используемых технологий обработки больших массивов разнородных данных и определения рыночных ценовых характеристик в разрезе отдельных сегментов и классов недвижимости, с привязкой к конкретным городам (45 городов) и отдельным полугодиям (в данном случае за период 1 полугодия 2020 г.) лежат разработанные авторами или с их участием методы анализа неоднородных данных [1-11], обогащенные современными технологиями больших данных и машинного обучения.
  5. Выделение трендовой составляющей временного ряда, образованного средними ценами предложений (арендными ставками) объектов недвижимости, на основе которой определены индексы изменения среднерыночных цен и среднерыночных ставок арендной платы по сегментам (подсегментам) недвижимости (в разрезе потребительских классов).
  6. Оформление результатов в виде стандартизованных таблиц, содержащих средние значения цен предложений и арендных ставок, медианы, расширенные интервалы объектов для основных сегментов рынка с разделением их на отдельные файлы, отнесенные к городам исследования.

Список литературы

  1. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания: (Статистическая обработка неоднородных совокупностей). — М.: Статистика, 1980. — 208 с., ил. — (Мат. статистика для экономистов).
  2. Farid Bourennani. Heterogeneous Data Mining. P.: VDM Verlag Dr. Müller (January 30, 2011). ISBN-10: 3639325117. ISBN-13: 978-3639325119.
  3. Deepak P, A. Jurek-Loughrey (eds.), Linking and Mining Heterogeneous and Multi-view Data, Unsupervised and Semi-Supervised Learning. P.: Springer International Publishing. ISBN 978-3-030-01872-6.
  4. Грешилов А. А., Стакун В. А., Стакун А. А. Математические методы построения прогнозов. — М.: Радио и связь, 1997.- 112 с. — ISBN 5-256-01352-1.
  5. Лейфер Л. А. Методы использования релевантной информации в индивидуальной и массовой оценке (проблема малой выборки и неоднородности статистических данных) Сборник материалов XVIII международной конференции оценщиков. Уфа, 2010 г.
  6. Лейфер Л. А. Методы объединения неоднородной информации и их применение в задачах оценивания показателей надежности машин по результатам испытаний. М., Знание , 1982 г.
  7. Лейфер Л. А. Сбалансированное оценивание параметров на основе объединения двух выборок. Сборник «Надежность и эффективность в технике», т 4 под редакцией академика Мельникова В. А. Москва, машиностроение, 1987 г.
  8. Лейфер Л. А. Реккурентные алгоритмы для оценивания параметров на основе объединения к выборок. Сборник «Надежность и эффективность в технике», т 4 под редакцией академика Мельникова В. А. Москва, машиностроение, 1987 г.
  9. Leifer L. A. Balanced estimation of dependent parameters using separate measurement results/ Gorky,   IMEKO VIII, Moscow  1979.
  10. Лейфер Л. А. Неопределенные функции и их применение в задачах контроля и прогнозирования технического состояния. Пятая Международная Вильнюсская конференция по теории вероятностей и математической статистике. Вильнюс. 1989 г.
  11. Лейфер Л. А. , Сергеева З. А., Стерлин А. М. Оценивание параметров линейной регрессии при наличии мешающих параметров. Академия наук СССР. Вероятностно –статистические методы в экономико – математическом моделировании.
  12. Серия Справочников оценщика недвижимости 2011-2019 гг / Л.А. Лейфер, Т.В. Крайникова. – Нижний Новгород: Приволжский центр методического и информационного обеспечения оценки.

[1] Истоник: https://www.knightfrank.ru/research/classification

[2] Источник: http://g-logistic.ru/klassifikatsiya-skladov

[3]  Источник: http://www.gud-estate.ru

[4] Источник: http://www.ocenchik.ru/docs/163.html

[5] Источник: http://nedvizha.ru/glavnoye/классификация-производственно-склад/

[6] Источник: https://knkras.ru/sovety-ekspertov/trts-vs-strit-riteyl/

[7] Источник: http://realtymarket.ru/docs/met_13.htm

[8] https://roomfi.ru/stati/35001-who-is-street-retail/

[9] https://zdanie.info/2393/2466/news/12432

[10] К объектам классов А (B) относятся также и объекты промежуточных классов А+, А- (В+,В-) соответственно

[11] К объектам классов А (B) относятся также и объекты промежуточных классов А+, А- (В+,В-) соответственно

[12] К объектам классов А (B) относятся также и объекты промежуточных классов А+, А- (В+,В-) соответственно

[13] К объектам классов А (B) относятся также и объекты промежуточных классов А+, А- (В+,В-) соответственно