УДК 332.6
ОЦЕНКА СТАВОК АРЕНДЫ КОММЕРЧЕСКОЙ НЕДВИЖИМОСТИ НА УЗКИХ РЫНКАХ
СТЕРНИК ГЕННАДИЙ МОИСЕЕВИЧ,
кандидат технических наук, профессор кафедры управления проектами и программами, РЭУ им. Г. В. Плеханова, Москва, Россия E-mail: [email protected] СТЕРНИК СЕРГЕЙ ГЕННАДЬЕВИЧ,
доктор экономических наук, профессор, профессор кафедры «Оценка и управления собственностью», Финансовый университет, Москва, Россия E-mail: [email protected]
АННОТАЦИЯ
Узкие рынки аренды коммерческой недвижимости в малых населенных пунктах, где предложение на рынке содержит единичные помещения, не поддаются статистическому анализу. Особо обостряется данная проблема при необходимости охвата широкого перечня населенных пунктов России. Кроме того, возникает проблема несоответствия между ожидаемыми трудозатратами на сбор и обработку данных и достигаемыми результатами. В связи с этим актуальна задача разработки методики определения ставок аренды коммерческой недвижимости на узких рынках при отсутствующем или минимальном предложении. Идея методики состоит в поиске экономически обоснованной и статистически подтвержденной связи средних по городу ставок аренды с фактором, определение которого не вызывает затруднений, что и показано в данной статье. Ключевые слова: узкие рынки; ставки аренды; вторичные рынки; коммерческая недвижимость; модели рынка; корреляция цен.
METHODS OF MASS APPRAISAL OF COMMERCIAL REAL ESTATE RENTAL RATES IN THE NARROW MARKETS
GENNADY M. STERNIK,
PhD (Engeneering), Professor of the Project and Program Management Chair, the Plekhanov Economic University, Moscow, Russia E-mail: [email protected] SERGEI G. STERNIK,
ScD (Economics), Professor, of the Property Evaluation and Management Chair, Financial University, Moscow, Russia E-mail: [email protected]
ABSTRACT
The narrow markets in small settlements where the commercial real estate supply is scarce cannot be analyzed statistically. The problem becomes extremely complex when the research should take into consideration a wide range of Russian settlements. Moreover, there is a mismatch between the expected labor costs for data collecting and processing and achieved results.
In this context, the task of developing a methodology for determining the rental rates for commercial real estate in the narrow markets in conditions of zero or minimum supply is highly relevant. The article shows that the main problem is to find correlation between economically reasonable and statistically proven average rental rates and a straightforward factor which can be easily determined.
Keywords: narrow markets; rental rates; secondary markets; commercial real estate; market model; correlation of prices.
В монографии «Анализ рынка недвижимости для профессионалов» и в последующих публикациях авторами настоящей работы было показано, что методология массовой оценки ставок аренды объектов коммерческой недвижимости на основе построения статистических кластерных (дискретных) пространственно-параметрических моделей рынка (ДППМ)1 кор -ректно реализуется на относительно развитых рынках, к которым можно отнести:
• вторичные и первичные рынки жилой недвижимости крупных и средних городов;
• вторичные рынки купли-продажи и аренды жилой недвижимости малых населенных пунктов, а также загородной недвижимости, с достаточным объемом предложения помещений;
• вторичные рынки купли-продажи и аренды коммерческой недвижимости в крупных и средних городах.
В то же время узкие рынки аренды коммерческой недвижимости в малых населенных пунктах, где предложение на рынке содержит единичные помещения, не поддаются статистическому анализу.
Особо обостряется данная проблема в случае необходимости охвата широкого перечня населенных пунктов России. Кроме названного затруднения, здесь возникает проблема несоответствия между ожидаемыми трудозатратами на сбор и обработку данных и достигаемыми результатами.
В связи с этим актуальна задача разработки методики определения ставок аренды коммерческой недвижимости на узких рынках при отсутствующем или минимальном предложении. Идея методики состоит в поиске экономически обоснованной и статистически подтвержденной связи средних по городу ставок аренды с фактором, определение которого не вызывает затруднений.
На основании исследования лучшего зарубежного опыта в качестве такого фактора выбрана средняя по городу удельная цена предложения на продажу жилой недвижимости. В частности, в 2010 г. исследовательской группой Федеральной резервной системы
1 Стерник Г.М., Стерник С. Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009. 606 с.
США2 на основании статистического анализа данных консалтинговой компании CoStar Group, Inc. продемонстрирован однонаправленный характер движения цен на жилую и коммерческую недвижимость в 23 городских агломерациях за период c середины 1990-х гг. по конец 2009 г. (рис. 1).
Соответственно постановка задачи в настоящей работе сводилась к необходимости проверки гипотезы о наличии аналогичной устойчивой корреляции цен на жилье и ставок аренды коммерческой недвижимости на российском рынке.
В качестве исходных данных о ставках аренды помещений коммерческой недвижимости использовались базы предложения помещений в аренду в апреле 2015 г., включая офисные, торговые, производственно-складские помещения и гаражи. Всего были собраны базы по 14 крупнейшим городам-миллион-никам РФ (за исключением Волгограда), с общим количеством помещений, предлагаемых в аренду, 32 130 шт. (табл. 1).
Фрагмент исследуемой базы данных приведен в табл. 2.
В качестве исходных данных о ценах жилых помещений использовались базы предложения жилых помещений на продажу в апреле 2015 г. Были собраны базы по тем же 14 городам с общим количеством предложений 139,6 тыс. шт. (табл. 3).
Обработка данных включала в себя стандартные процедуры верификации:
• очистку от артефактов (пропусков и ошибок);
• очистку от повторов и дублей;
• предварительную статистическую обработку выборок и исключение «выскакивающих» значений по модифицированному правилу трех сигм [значение считается «выскакивающим», если оно выходит за пределы диапазона (-2) ... (+4) стандартных отклонения];
• расчет погрешности в оценке математического ожидания цены (ставки) по средне-выборочному значению по формуле +/- 5 = = 2 ^ / V (n — 1), где ^ — среднеквадратиче-
2 Joseph B. Nichols, Stephen D. Oliner, and Michael R. Mulhall. Commercial and Residential Land PricesAcross the United States //Finance andEconomicsDiscussionSeriesDivisionsofResearch&Statistics and Monetary Affairs. Federal Reserve Board, Washington, D. C., 2010.
Property Type Indexes
Commercial/Industrial Residential
Index, 2002:H2 = 100
250
200
150
100
50
_I_I_I_I_I_I_I_I_I_I_I_I_I_I_I_ 0
1995 1997 1999 2001 20Ü3 2005 2007 2009
HI -
Sduit®. Authors' analysis of data from the GoStar Group, Inc.
Рис. 1. Корреляция цен на жилье и коммерческую недвижимость в США
Таблица 1
Объем данных о предложении коммерческой недвижимости в аренду по 14 городам-миллионникам, апрель 2015 г.
Город Количество предложений Город Количество предложений
Москва 34 116 Нижний Новгород 13 484
Санкт-Петербург 24 489 Самара 7 328
Екатеринбург 6 400 Новосибирск 6 346
Казань 4 098 Пермь 4 483
Уфа 6 993 Воронеж 2 455
Ростов-на-Дону 8 134 Омск 3 584
Красноярск 3 459 Челябинск 4 549
ВСЕГО 129 918
ское (стандартное) отклонение; п — объем выборки;
• оценку допустимости величины погрешности (принят предел допустимой погрешности 10% от среднего) и пополнение при необходимости базы предложений;
• окончательную статистическую обработку выборки для получения средневзвешенной
арендной ставки по формуле Лср = (ЕЛ. х Sl) / ЕS ., где Л. и S . — арендная ставка и площадь г-го помещения (суммирование по всем п помещениям) и средневзвешенной удельной цене предложения помещений на продажу Цср = ЕЦ ./ ^ где Ц. и S . — удельная цена и площадь каждого помещения (суммирование также по всему объему выборки).
Таблица 2
Фрагмент базы данных предложения коммерческой недвижимости в аренду
в г. Пермь, апрель 2015 г.
Ю-предложения Район Класс качества Общая площадь, кв. м Арендная ставка, руб./ кв. м в год
1 Дзержинский «С» 17,0 5 400
2 Дзержинский «С» 54,0 7 800
3 Дзержинский Автономные офисы 60,0 6 000
4 Дзержинский Автономные офисы 143,0 7 805
5 Дзержинский Автономные офисы 163,0 9 576
6 Дзержинский Автономные офисы 160,0 9 600
7 Дзержинский Автономные офисы 110,0 10 255
8 Ленинский «А» 269,0 9 600
9 Ленинский «А» 335,0 9 360
10 Ленинский «А» 200,0 12 000
11 Ленинский «А» 269,0 4 824
12 Ленинский «А» 120,4 8 376
13 Ленинский «В» 20,6 6 600
14 Ленинский «В» 1458,4 12 000
15 Ленинский «В» 57,7 7 380
16 Ленинский «С» 37,0 9 000
17 Ленинский «С» 125,0 3 840
18 Ленинский «С» 115,0 5 424
19 Свердловский «А» 134,0 8 424
20 Свердловский «В» 40,8 7 200
21 Свердловский «В» 350,0 8 400
22 Свердловский «В» 700,0 8 400
23 Свердловский «В» 140,0 10 200
24 Свердловский «С» 70,0 5 400
25 Свердловский «С» 55,0 6 000
26 Свердловский «С» 60,0 6 000
27 Свердловский «э» 15,0 8 004
28 Свердловский «э» 30,0 8 004
И т. д.
Таблица 4
Средневзвешенные по площади удельные цены предложения жилья на продажу и средневзвешенные по площади удельные ставки предложения в аренду коммерческой недвижимости (КН), апрель 2015 г.
Таблица 3
Объем данных о предложении квартир на продажу, апрель 2015 г.
Город Количество предложений Город Количество предложений
Москва 44 876 Нижний Новгород 5 344
Санкт-Петербург 15 700 Самара 6 896
Екатеринбург 11 099 Новосибирск 15 200
Казань 1 072 Пермь 2 560
Уфа 1 560 Воронеж 2 120
Ростов-на-Дону 1 042 Омск 13 500
Красноярск 15 800 Челябинск 2 800
ВСЕГО 139 569
Город Средневзвешенная удельная цена предложения жилья, руб./кв. м Средневзвешенная удельная ставка предложения в аренду КН, руб./кв. м в год Город Средневзвешенная удельная цена предложения жилья, руб./кв. м Средневзвешенная удельная ставка предложения в аренду КН, руб./кв. м в год
Москва 236 025 26 743 Нижний Новгород 69 130 5 865
Санкт-Петербург 106 566 7 814 Самара 64 842 5 399
Екатеринбург 75 500 6 260 Новосибирск 65 107 5 130
Казань 70 300 5 501 Пермь 56 505 5 409
Уфа 68 220 6 374 Воронеж 51 937 7 649
Ростов-на-Дону 67 329 5 313 Омск 49 100 3 929
Красноярск 59 500 5 573 Челябинск 47 544 3 967
Результаты обработки данных приведены в табл. 4.
По данным табл. 4 проведен расчет коэф-фициента корреляции между арендными ставками и ценами квартир. Расчет показал высокую корреляцию между этими показателями (Я = 0,9718). Это позволяет получить статистическую связь показателей (см. рис. 2).
Уравнение линейной регрессии у = 0,099х с коэффициентом детерминации Я2 = 0,9156 демонстрирует достаточно высокую статис-
тическую достоверность модели. Вышеизложенное позволяет (по аналогии с использованием валового рентного мультипликатора, но без учета единиц измерения) применять в оценочной практике следующий приблизительный мультипликативный экспресс-расчет: рыночный уровень средневзвешенной по площади ставки аренды коммерческой недвижимости равен 10% средневзвешенной по площади удельной цены предложения жилья (индивидуальные значения по городам легко рассчитать по табл. 4).
Дифференцирование прогнозируемой ставки по отдельным сегментам коммерческой недвижимости
Город Средневзвешенная удельная ставка аренды коммерческой недвижимости, руб. за 1 кв. м в год Офисные помещения Поправочный коэффициент сегмента «офисные» Стрит-ритейл Поправочный коэффициент сегмента «стрит-ритейл» Производственно-складские помещения Поправочный коэффициент сегмента «производственно-складские» Гаражи Поправочный коэффициент сегмента «гаражи»
Москва 26743,00 27207,00 1,02 27905,00 1,04 5 329,00 0,20 4940,00 0,18
Санкт-Петербург 7813,68 10974,29 1,40 18903,39 2,42 6447,62 0,83 2601,54 0,33
Воронеж 7649,36 7243,05 0,95 11885,26 1,55 2501,55 0,33 2129,13 0,28
Уфа 6 374,40 7670,88 1,20 9042,18 1,42 2612,67 0,41 2015,06 0,32
Екатеринбург 6260,39 8110,27 1,30 9044,42 1,44 3447,90 0,55 3895,53 0,62
Нижний Новгород 5 865,26 7509,71 1,28 9 366,98 1,60 3005,19 0,51 2471,19 0,42
Красноярск 5 573,27 7935,26 1,42 7190,30 1,29 2696,44 0,48 1870,49 0,34
Казань 5 501,86 7096,38 1,29 8 369,55 1,52 2818,09 0,51 2584,44 0,47
Пермь 5408,55 6802,84 1,26 8158,49 1,51 2430,30 0,45 2515,24 0,47
Самара 5 399,14 6583,35 1,22 6904,24 1,28 2199,81 0,41 1653,66 0,31
Ростов-на-Дону 5 313,00 5 264,01 0,99 8019,60 1,51 2691,10 0,51 2110,98 0,40
Новосибирск 5129,76 7338,37 1,43 10391,23 2,03 2942,62 0,57 2 607,80 0,51
Челябинск 3967,25 5 658,41 1,43 6948,31 1,75 2259,22 0,57 3431,71 0,87
Омск 3928,79 5415,90 1,38 6816,16 1,73 1660,40 0,42 2205,29 0,56
Средняя 1,25 1,57 0,48 0,43
Статистическая связь средней по городу ставки предложения аренды коммерческой недвижимости со средней удельной деной предложения
жилья
32 000
2 000 п 1 1 1 1
0 50 000 100 000 150 000 200 000 250 000
руб./кв. м
Рис. 2. Уравнение параметрического прогнозирования для массовой оценки ставок аренды коммерческой недвижимости
Таким образом, полученное уравнение параметрического прогнозирования позволяет вычислить среднее значение удельных арендных ставок коммерческой недвижимости локальных рынков по данным о средней удельной цене жилых помещений. Дальнейшее дифференцирование прогнозируемой ставки по отдельным сегментам коммерческой недвижимости осуществляется на основе поправочных
мультипликаторов, рассчитанных на массиве 14 городов-миллионников РФ (см. табл. 5).
ВЫВОД
Методика параметрического прогнозирования для массовой оценки ставок аренды коммерческой недвижимости по ценам предложения жилья на узких локальных рынках представляется нам обоснованной.
ВНЕСЕНЫ ИЗМЕНЕНИЯ В ЗАКОН ОБ ИПОТЕКЕ
Президент РФ В. В. Путин подписал Федеральный закон «О внесении изменений в статью 25 Федерального закона «Об ипотеке (залоге недвижимости)». Федеральный закон принят Государственной Думой 25 сентября 2015 г. и одобрен Советом Федерации 30 сентября 2015 г. Законом устанавливается порядок погашения регистрационной записи об ипотеке, возникшей в силу Федерального закона «Об ипотеке (залоге недвижимости)», в случае если жилое помещение приобретено или построено полностью либо частично с использованием накоплений для жилищного обеспечения военнослужащих, предоставленных по договору целевого жилищного займа в соответствии с Федеральным законом «О накопительно-ипотечной системе жилищного обеспечения военнослужащих».
Источник: ttp://www.kremlin.ru/acts/news/50451