Актуальные проблемы теории и практики массовой оценки недвижимости для целей налогообложения Текст научной статьи по специальности «Экономика и бизнес»

Актуальные проблемы теории и практики массовой оценки недвижимости для целей налогообложения*

Г.М. Стерник

профессор кафедры экономики и управления городским строительством Российской экономической академии им. Г.В. Плеханова, главный аналитик Российской Гильдии риэлторов1, кандидат технических наук (г. Москва)

С.Г. Стерник

профессор кафедры антикризисного, государственного и муниципального управления Всероссийской государственной налоговой академии Министерства финансов Российской Федерации, доктор экономических наук (г. Москва)

Геннадий Моисеевич Стерник, gm_sternik@sterno.ru

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.

* Статья подготовлена по материалам доклада на III Поволжской научно-практической конференции «Статистические методы массовой оценки», проходившей 10-11 марта 2010 года в городе Нижнем Новгороде.

1 Слово «риелтор» дано в орфографии, принятой Российской Гильдией риэлторов.

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

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) Бинарный признак

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:

*=±.25

'у1Ы- 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 й (СКО).

При наличии данных об объеме генеральной совокупности Ng случайная погрешность

может быть скорректирована на множитель ^1 - NN. Ориентировочно можно принять следующие 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 V:

X*maX - *min) ^ mi

I D. >.

V, = — И const

.' x .

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:

3 ^2

Х»1 + у > X + у ПРИ ХрЛ < Х.2-

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 (б), $/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 11S 367 368 1 167 в 294 1 3D2 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» 224 4 013 4 464 6 294 4 597 502 59,4 (1,3)

« ХРУЩЕВКИ», ПАНЕЛЬ

Всего в Центральном административном округе, 130 778 1 226 2 500 1 287 336 52,6/4,1

в том числе: Арбат 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, 615 674 1 103 2 273 1 156 227 18,7/1,6

в том числе: Внуково 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, $/м2 Погрешность (б), $/м2 (%)

минимум, $/м2 медиана, $/м2 максимум, $/м2 средняя, $/м2

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 Коли- чество 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 двухтрех 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 У = 901х°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 * 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%.

2 См. Стерник Г. М., Черных Е. В. Исследование пространственно-параметрической модели рынка жилья Московской области // Имущественные отношения в Российской Федерации. 2004. № 3. С. 89-101.

0 20 40 60 ВО 100 120

удаленность от МКАД, км

Рис. 1. Статистическая связь «цена - расстояние» на квартирном рынке городов Московской области по мере удаления города от Московской кольцевой

автомобильной дороги (МКАД)

офисы

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 У 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 1Т, 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.

ЛИТЕРАТУРА И ИНФОРМАЦИОННЫЕ ИСТОЧНИКИ

1. Анисимова И. Н, Баринов Н. П., Гоибовский С. В. О требованиях к количеству сопоставимых объектов при оценке недвижимости сравнительным подходом // Вопросы оценки. 2003. № 1

2. Бондарчук С. Л. Тестирование системы массовой оценки недвижимости в субъектах Российской Федерации : доклад на семинаре в Институте недвижимости Высшей школы экономики 16 октября 2009 года. URL: http://conf.hse.ru/2010/prog_sections

3. Гоибовский С. В. Оценка стоимости недвижимости : учебное пособие. М. : Маросейка, 2009.

4. Грибовский С. В., Сивец С. А. Математические методы оценки стоимости недвижимого имущества. М. : Финансы и статистика, 2009.

5. Грибовский С. В., Федотова М. А., Стерник Г. М., Житков Д. Б. Методология массовой оценки квартир для налогообложения // Бюллетень финансовой информации. 2005. № 1(116).

6. Грибовский С. В., Федотова М. А., Стерник Г. М., Житков Д. Б. Экономико-математические модели оценки недвижимости // Финансы и кредит. 2005. № 3(171).

7. Стерник С. Г. Применение числовых дискретных пространственно-параметрических моделей как дополнительная альтернатива регрессионно-корреляционному моделированию в индивидуальной оценке рыночным подходом : доклад на II Поволжской научнопрактической конференции «Методы оценки имущества, основанные на современных технологиях анализа статистических данных», проходившей в городе Нижнем Новгороде в сентябре 2007 года. URL: www.realtymarket.ru

8. Стерник С. Г. Развитие оценки недвижимости сравнительным подходом на основе методологии дискретного пространственно-параметрического анализа и моделирования рынка // Аудит и финансовый анализ. 2009. № 3.

9. Стерник Г. М., Черных Е. В. Исследование пространственно-параметрической модели рынка жилья Московской области // Имущественные отношения в Российской Федерации. 2004. № 3.