Ввод новых качественных складских площадей делает актуальным вопрос формирования арендной ставки на рынке, так как при росте количества вакантных площадей у арендатора появляется выбор, а, следовательно, повышается конкуренция среди собственников. Склонить арендатора к выбору определенной площадки, если нет других важных условий, может, как раз, ставка аренды.

Одним из самых очевидных ценообразующих факторов является локация, и на данный момент в Санкт-Петербурге имеется тенденция к размещению производственно-складских площадок на юге (Таблица 2). Объяснением этому является транспортная доступность до главных магистралей - Московского, Киевского и Таллиннского шоссе. Однако, север города не менее перспективен в плане транспортной доступности, и открытие, например, ЗСД способствует увеличению привлекательности Выборгского и Приморского районов для арендаторов. Поэтому, по нашим предположениям, в ближайшие 5 лет мы будем наблюдать активные темпы увеличения новых складских площадей на севере города.

Таблица 2

Привязка объектов к районам Санкт-Петербурга. Таблица составленапо данным, собранным на практике в компании Bright Rich | CORFAC International.

Район	Общая площадь
Всеволожский	271759,6
Выборгский	160575
Выборгский	29520
Кировский	5192
Колпинский	27173
Красногвардейский	5000
Ломоносовский	119600
Московский	21927
Московский	91500
Невский	63870
Приморский	28600
Пушкинский	470455,58
Тосненский	14400
Общий итог	1309572,18

 

Рис.3. Привязка объектов к районам. График построен по данным, собранным на практике в компании Bright Rich | CORFAC International.

Для понимания того, как данное положение дел влияет на ставку аренды, необходимо проанализировать привязку средних ставок к районам города. Данная зависимость проиллюстрирована на рис. 3. Видно, что максимальная ставка (все включено) наблюдается в Пушкинском районе - 1390 р/кв.м. Самая низкая в Тосненском районе - 499 р/кв.м. Это объясняет привлекательность Пушкинского района для инвесторов.

Рис.4. Привязка арендных ставок к районам города. График построен по данным, собранным на практике в компании Bright Rich | CORFAC International.

Прогноз по введению новых складских площадей в 2014 году не предвещает изменения ситуации. Так общая площадь планируемых к вводу объектов на юге города составляет 142 568, 94 кв.м., что почти в 2 раза больше, чем на севере - 78 584 кв.м. и почти в 12 раз больше, чем в восточной части города - 12 528 кв.м

Таблица 3

Привязка новых площадей к районам города. Таблица составлена по данным, собранным на практике в компании Bright Rich | CORFAC International.

Значит можно говорить о том, что ценовая политика собственников в каждом из районов вряд ли резко изменится. В связи с тем, что спрос практически не изменился с конца 2013 года, арендные ставки в 1-ом квартале 2014 года (triple-net) не претерпевают сильных изменений. В 4-ом квартале 2013 года ставка аренды на склады класса «А» возросла на 2%, но важно заметить, что поднялась лишь нижняя граница диапазона (с 115-125 р до 120-125 р). В предыдущем квартале изменений вообще не было. Что касается класса «В», в 4-ом квартале 2013 года здесь наблюдается похожая ситуация - изменилась нижняя граница диапазона (с 100-120 р до 107-120 р), то есть на 2%, что также является не значительным, однако обозначает, что рынок до сих пор принадлежит арендодателям (спрос больше, чем предложение), что и дает возможность собственникам поднимать цены.

Помимо выводов о динамике цен, мы можем заметить, какая разница в ставках наблюдается для разных классов объектов, это нужно учесть при построении модели. Факт различия в ставках подтверждает наше предположение о значимости фактора класса склада при моделировании цены.

Стабильность спроса за последние 2 квартала делает приемлемым анализ ставок аренды в 2013 году для определения корректности результатов, которые мы получим в конце исследования. В таблице 4 мы представили данные по максимальным, минимальным и средним ставкам на рынке Санкт-Петербурга в 2013 году соответственно классам объектов. Причем, были рассмотрены, как ставки Triple-net, так и ставки «все включено».

Таблица 4

Ставки аренды за 2013 год. Таблица составлена по данным, собранным на практике в компании Bright Rich | CORFAC International.

Класс	Сумма по полю Всего вакантно	Максимум по полю Triple net	Минимум по полю Triple net2	Среднее по полю Triple net	Среднее по полю Ставка в рублях, все включено	Максимум по полю Ставка в рублях, все включено	Минимум по полю Ставка в рублях, все включено
А	54619,50	464,40	349,55	392,56	1009,85	1519,88	610,00
В	33293,00	352,88	289,43	314,94	721,77	1093,31	500,00
В+	13464,00	309,59	266,69	288,14	493,04	519,20	466,89
Общий итог	101376,50	464,40	266,69	352,40	837,32	1519,88	466,89



Рис.5. Ставки Triple-net. График построен по данным, собранным на практике в компании Bright Rich | CORFAC International.

Рис.6. Ставки «Все включено». График построен по данным, собранным на практике в компании Bright Rich | CORFAC International.

Теперь, построив модель и применив ее к реальным объектам, мы сможем оценить, насколько корректно дана оценка. Но не стоит забывать об общей тенденции выхода рынка из двухлетней стагнации, за время которой накопился спрос на площади, который будет удовлетворен, если все к вводу в 2014 году будут действительно доступны арендатору. Это важный момент, так как ситуация может стать выгодной для собственников, когда спрос будет превышать предложение, что приведет к дальнейшему подорожанию аренды. В ином случае спад экономики и снижение темпов производства, который наблюдается в последнее время в нашей стране, приведет к неспособности арендаторов платить высокую арендную плату и, в итоге, снижению спроса. При подтверждении данного предположения, на рынке возникнет ситуация превышения вакантных площадей над чистым поглощением. Данная ситуация проиллюстрирована на рис.6.

Итак, в результате анализа рынка, мы предполагаем, что цена аренды напрямую зависит от класса объекта, а также частично зависит от его местоположения. Данный вывод поможет нам при формировании списка факторов для создания регрессионной модели. Также мы обозначили две возможные ситуации на рынке в 2014 году, при которых динамика ставки аренды имеет противоположных характер. Кроме этого, мы отметили положительную тенденцию ввода новых площадей за последние два года и увидели ее сохранение в 2014 году.

Резюмируя проведенный анализ необходимо выделить такую особенность исследуемого рынка, как разделение объектов на классы. Класс для индустриально-складской недвижимости является одним из основных ценообразующих факторов. Причем, как мы можем видеть, средняя арендная ставка на объектах разных классов отличается значительно (между классами «А» и «В» на 77,62 руб. за кв.м.). Следовательно, мы делаем вывод, что в нашей работе учет фактора распределения по классам будет играть важную роль, и его упущение неприемлемо.

2.2 Отбор ценообразующих характеристик и анализ возможных спецификаций модели

После практики в компании Bright Rich, занимающей лидирующие позиции на рынке индустриально-складской недвижимости Петербурга, а также на основе проведенного выше анализа рынка, мы смогли сформировать понимание о политике формирования арендных ставок в реальности. Нам стали очевидны характеристики объектов, которые являются наиболее значимыми. Пользуясь полученными знаниями, мы составили перечень факторов, по которому будет проведен сбор информации. Ими стали:

*Метоположение (город/область);

*Класс здания;

*Площадь;

*Наличие вентиляции;

*Отапливаемость;

*Мульттемпературность (возможность регулировки температурного режима);

*Расстояние между доками в метрах;

*Наличие пандуса;

*Транспортная доступность, удаленность от КАД в метрах;

*Наличие коммуникаций;

*Нагрузка на пол в тоннах;

*Высота потолков в метрах;

*Наличие ж/д ветки на территории;

*Покрытие пола;

*Наличие стеллажей;

*Наличие пожарной сигнализации и системы пожаротушения;

*Наличие системы видеонаблюдения;

*Контрольно-пропускной режим;

*Существование офисных блоков на территории комплекса.

Перед применением данных, мы должны их изучить, убрать очевидные выбросы и понять, применимы ли они для работы. Необходимо проанализировать все переменные (качественные и количественные), поэтому для качественных переменных мы будем использовать обозначения 1 (присутствие) и 0 (отсутствие) или назначать каждой индивидуальной характеристике свое числовое значение.

Только после удаления выбросов и анализа нормальности распределения количественных переменных, мы сможем приступить к построению регрессии. Критерием нормальности распределения является P-value, который должен быть больше 0,05, чтобы переменные были распределены нормально на 5% уровне значимости. Также возможна проверка нормальности на 1% уровне значимости, P-value>0,01. Проверка на мультиколлинерность, по нашему мнению, покажет зависимость многих факторов и класса объекта (на рынке коммерческой недвижимость класс имеет большое значение). При наличии такой корреляции мы рискуем получить несостоятельные оценки из-за зависимости коэффициентов и случайной ошибки. Поэтому мы рассмотрим не только стандартную регрессионную модель, но также вложенную модель с учетом зависимости некоторых характеристик от класса объекта.

Для построения искомой модели формирования арендной ставки нами будет использован многомерный регрессионный анализ полученных данных. После чего в результате оценки регрессии мы построим уравнение зависимости арендной ставки от различных характеристик объекта.

Моделирование ценообразования при помощи данного метода подразумевает оценку регрессии цены недвижимости на качественные и количественные характеристики помещения.

Такое уравнение имеет следующий вид (пример для двух характеристик): Коссова Е.В. и Шегоян В.А., «Моделирование ставки аренды офисной недвижимости»//Экономический журнал ВШЭ, №1 - 2008

где :

Y - стоимость аренды квадратного метра;

x1 и x2 - характеристики объекта.

Таким образом, в результате оценки, строится модель и определяется функция стоимости аренды от параметров складского комплекса, близко описывающая рыночную ситуацию. В этом и выражается суть массовой оценки недвижимости.

Также в исследовании возможно рассмотрение спецификации с логарифмом арендной ставки: Коссова Е.В. и Шегоян В.А., «Моделирование ставки аренды офисной недвижимости»//Экономический журнал ВШЭ, №1- 2008

Такой вид модели дает возможность оценить относительное влияние факторов на ставку аренды, то есть определить, на сколько % меняется ставка при изменении значения фактора на одну единицу. Модели, в которых стоимость определяется в виде логарифма удобно использовать для получения процентных корректировок стоимости, а также для оценки влияния нововведений на объекте на цену.

Гедоническая модель позволяет исследовать рынок очень глубоко, однако было бы идеально использование панельных данных. Здесь мы встречаемся с ограничением, выраженным в недостатке информации. Крайне редко можно собрать данные об арендных ставках и др. факторах за предыдущие периоды (года). Поэтому мы будем использовать данные только на сегодняшний день.

В тематической литературе существуют различные мнения по поводу того, как необходимо строить модель ценообразования, используя регрессию. Так, например, Коссова Е.В. и Шегоян В.А. в статье «Моделирование ставки аренды офисной недвижимости» пишут о недостатках гедонической модели и предлагают строить модели ценообразования коммерческой недвижимости с учетом класса объекта.

Разделяя мнение авторов о зависимости цен объектов коммерческой недвижимости от соответствующих классов, а также сильной корреляции между некоторыми факторами, которыми обладает здание и его классом, мы решили рассмотреть предлагаемую ими систему: Коссова Е.В. и Шегоян В.А., «Моделирование ставки аренды офисной недвижимости»//Экономический журнал ВШЭ, №1- 2008

Где Y1*- латентная переменная, характеризующая качество объекта, которая линейно зависит от характеристик объекта и случайной величины u1.

Y1 - качественная порядковая переменная класса объекта, принимающая значения:

«1» - в случае, если объект соответствует классу «B-»,

«2» - в случае, если объект соответствует классу «B»,

«3» - в случае, если объект соответствует классу «A»;

x1i - вектор значений качественных характеристик, участвующих в определении класса, соответствующих наблюдению i;

Y2 - реальная ставка аренды;

x2i - вектор значений факторов (наблюдения i), влияющих на арендную ставку.

В модели предполагается, что веса (коэффициенты) характеристик объекта в2 являются случайными и зависят от класса помещения.

Такая модель является простой для применения и облегчает процесс расчета, однако мы не станем ее использовать, потому что, к сожалению, сегодня объекты одного класса часто не обладают одинаковыми характеристиками, и, следовательно, имеют разные ставки аренды. Как мы уже утверждали, это происходит из-за отсутствия какой-либо законодательной базы, регламентирующей отнесение объектов индустриально-складской недвижимости к определенным классам.

Резюмируя данный параграф, можно сказать о том, что оптимальной является методика построения регрессии без преобразования переменных. Такая модель будет максимально приближена к реальному положению дел и позволит рассчитывать арендную ставку в таком виде, как мы привыкли ее видеть. Для анализа данных и создания такой модели мы будем использовать программу Stata, которая позволит не только построить, но и протестировать модель, что даст основания говорить о ее применимости на практике.

2.3 Описание и анализ данных

На сегодняшний день рынок качественной (класс А, В+, В) индустриально-складской недвижимости Санкт-Петербурга включает в себя небольшое количество объектов, это приводит к тому, что для построения модели у нас есть всего 33 наблюдения. Их оценка будет проводиться по 24 характеристикам, которые отражают всю картину об объекте. Данные характеристики были выбраны нами в результате анализа рынка и объектов, как наиболее значимые. [Приложение 1]

Сбор данных был проведен по состоянию на конец 2013 года. Очевидно, что каждый складской комплекс уникален, поэтому для анализа были выбраны лишь те характеристики, данные по которым есть для каждого объекта. По этому признаку было исключено 6 объектов. Исключенные комплексы являются полностью арендованными на данный момент, поэтому на рынке нет информации о ценах предложения и сделках на данных складах. То есть в исследовании будут участвовать 33 объекта. Из 24 характеристик, мы исключили из анализа 3 (наличие парковки, охраны и телефона), так как их наличие наблюдалось у абсолютно всех объектов, а следовательно они никак не влияют на цену.

По итогу выбранных для анализа ценообразующих характеристик, получились различные переменные, как количественные, так и качественные, вследствие этого они имеют разную интерпретацию и обозначения.

Таблица 5.

Расшифровка данных

Name	Название
town/province	город/область
город	1
область	0
District	Район
Выборгский	1
Пушкинский	2
Невский	3
Ломоносовский	4
Колпинский	5
Московский	6
Всеволожский	7
Кировский	8
Приморский	9
Красногвардейский	10
Тосненский	11
Class	Класс
А	1
В+	2
В	3
С	4
price	цена р/кв.м.
KAD	расстояние по модулю в метрах
S	общая площадь, кв.м.
Heating	наличие системы отопления
Ventilation	наличие вентиляции
dock_per_m	1 док на сколько метров
hight	высота потолков, м
floor_load_capacity	нагрузка на пол, тонн/кв.м.
ramp	наличие пандуса
railway	наличие ж/д ветки на территории
shelves	установлены стеллажи
fire_alarm_system	наличие пожарной сигнализации
fire_extinguishing_system	наличие системы пожаротушения
Floor_coating	Покрытие пола
антипылевое	1
ровный пол/бетон	2
parking	наличие парковки для легкового и грузового транспорта
security	Наличие круглосуточной охраны
tel	наличие телефона и интернета
cctv	видеонаблюдение
offices	офисы встроенные или на территории СК
control_system_emp	система контроля доступа сотрудников
Termal_regime	система контроля температурного режима

Для того чтобы корректно давать комментарии и оценивать полученные результаты, необходимо хорошо ориентироваться в данных и понимать не только то, что они отражают, но и диапазон значений (количественные переменные). Такая информация необходима для заключения выводов после проведения диагностики регрессии.

Из таблицы ниже мы можем понять, что ставки аренды варьируются от 350 до 1600 руб/кв.м., причем средняя ставка равна 592,7 руб/кв.м. Ставка 1600 руб является выбросом, так как почти на 1000 руб больше предыдущей по величине. Это обязательно повлияет на модель, поэтому данное наблюдение будет выбросом (исключим его сразу). Удаленность объектов от КАД начинается с 150 м и заканчивается 22,7 км, среднее расстояние равно 4,5 км. Минимальная общая площадь склада равна 2818 кв.м., а максимальная - 209 255 кв.м. Мы предполагаем, что площадь не будет иметь влияние на ставку аренды, так как такая разница площадей давала бы видимые отличия в ставках аренды даже без глубокого анализа, чего не наблюдается. Расстояние от дока до дока начинается от 400 м и заканчивается 1500 м, среднее значение - 845,6 м. Средняя высота потолков равна 10,5 метрам, минимальная - 5 м, максимальная - 14,5 м. Скорее всего 14, 5 метров будет выбросом, так как сильно отличается от остальных значений, однако без анализа данного показателя мы \не поймем насколько сильно высота потолка влияет на цену и после какого уровня отдача от каждого следующего метра сокращается. Нагрузка на пол варьируется от 4 до 9 тон на кв.м., чаще всего встречается допустимая нагрузка - 6 тонн. Проведенный анализ помог нам сразу выявить выброс и поможет при дальнейшей интерпретации модели.

Рис.7. Исследование данных

После исключения явного выброса проводим анализ количественных переменных на нормальность распределения.

Рис.8. Нормальность распределения арендной ставки

Как мы видим, p-value>0,05, что говорит от нормальности распределения цены на 5% уровне значимости. Это подтверждается и визуальным тестом (график близок к нормальному).

Рис.9. Графическая интерпретация

В отличии от ставки аренды, распределение расстояния от КАД не является нормальным (p-value<0,05), скорее всего это вызвано слишком сильной разницей минимального и максимального значения при наличии малого количества наблюдений. Причем существует сильная разница между минимальным и следующим по величине значением, также как между максимальным и предыдущим.

Рис.10. Нормальность распределения расстояния от КАД.

Подтверждает наши выводы и графический тест.

Рис.11. Графическая интерпретация.

Отсутствие нормального распределения оказалось также присуще переменной «Общая площадь объекта», однако, как и в случае с расстоянием от КАД, по смыслу это абсолютно нормально, так как эти значения сильно различаются для каждого объекта, а разницы между значениями могут быть минимальны или наоборот очень велики. Такое распределение не способно исказить влияние данных факторов на стоимость аренды.

Рис.12. Нормальность распределения общей площади.

Рис.13. Графическая интерпретация.

Остальные количественные переменные - «расстояние от дока до дока», «высота потолков», «нагрузка на пол» - имеют нормальное распределение. Об этом свидетельствуют графический и числовой тесты. P-value во всех случая сильно больше 0,05.

Рис.14. Нормальность распределения расстояния от дока до дока.

Рис.15. Графическая интерпретация.

Рис.16. Графическая интерпретация.

Рис.17. Графическая интерпретация.

Из проведенных нами тестов, можно сделать вывод о том, что большинство переменных распределено нормально, это положительно характеризует собранные нами данные. Также можно заметить, что анализ минимальных, средних и максимальных значений помог сориентироваться в реальном положении дел на рынке и заметить объект явно отличающийся от остальных. Скорее всего завышенная арендная ставка на одном из складских комплексов вызвана слишком маленькой конкуренций на рынке. Таких объектов просто нет, а подобных единицы. Нам необходимо запомнить этот вывод, так как при интерпретации модели нужно учесть, что основанием для такой большой арендной платы стало наличие регулируемого температурного режима. Следовательно, если коэффициент перед наличием данной характеристики получится не положительным, мы должны задуматься о верности ее экономического смысла.

Выводы по главе

После изучения теоретических основ, мы выявили 3 основных этапа для построения модели, описали, как они будут выполняться и коснулись вопросов выбранной нами методологии для построения зависимости цены от характеристик. Для проведения корректного анализа, основываясь на полученных знаниях о рынке, мы составили список характеристик, которые, по нашему мнению, могут повлиять на арендную ставку. Нами был заключен вывод, что без анализа данных по рынку и исследования собранной информации, мы можем неверно проинтерпретировать результат, поэтому данная глава включает в себя подробный анализ рынка и данных.

В результате исследования рынка индустриально-складской недвижимости, мы предполагаем, что цена аренды напрямую зависит от класса объекта (это видно из приведенных графиков и цифр), а также частично зависит от его местоположения. Также мы увидели возможность возникновения двух ситуаций на рынке в 2014 году, при которых динамика ставки аренды имеет противоположных характер. И, наконец, мы отметили положительную тенденцию ввода новых площадей за последние два года и увидели ее сохранение в 2014 году. Все это говорит о большой актуальности вопроса формирования арендных ставок в свете повышения конкуренции среди объектов и риску снижения спроса арендаторов в 2014 году.

После анализа данных по характеристикам складских комплексов, мы выявили явный выброс (один из складов), ставка аренды на котором составляет 1600 руб./кв.м. в месяц. Это обязательно повлияет на модель, поэтому мы сразу исключили данное наблюдение. Также мы увидели, что количественные переменные в большинстве случаев имеют нормальное распределение, что говорит о возможности достижения результата максимально приближенного к действительности.

Также необходимо отметить, что во второй главе мы рассмотрели предлагаемую московскими исследователями систему уравнений, в которой предполагается оценивать арендную ставку только по классу объекта и местоположению, и решили, что для нашего сектора рынка коммерческой недвижимости это неприемлемо. Поэтому для моделирования арендной ставки мы будем строить стандартную регрессию, показывающую зависимость аренды не только от класса и местоположения, но и от многих других факторов.



ГЛАВА 3. ПОСТРОЕНИЕ И АПРОБАЦИЯ МОДЕЛИ цЕНООБРАЗОВАНИЯ АРЕНДНОЙ СТАВКИ НА РЫНКЕ ИНДУСТРИАЛЬНО-СКЛАДСКОЙ НЕДВИЖИМОСТИ

После обработки полученных данных мы можем приступить непосредственно к построению модели зависимости арендной ставки от выбранных характеристик складов. Также мы протестируем полученную модель с помощью нескольких эконометрических тестов, чтобы понять, насколько она точна, и применим полученную в итоге регрессию для расчета арендной ставки на реальном объекте. Именно этому посвящена третья глава нашей работы.

3.1 Отбор значимых для модели характеристик объектов и построение модели зависимости арендной ставки от них

Начать стоит с построения регрессии по абсолютно всем характеристикам, для понимания того, насколько они значимы.



Рис.18. Модель со всеми характеристиками.

Как мы и предполагали, составляя методологию построения модели, полученные результаты заставляют задуматься о том, что существует зависимость между переменными. Происходит это из-за отсутствия сильной зависимости цены от каких-либо характеристик, что по смыслу просто не возможно. То есть модель зависимости от всех факторов сразу не дает нам ничего. Также есть риск наличия ошибки спецификации, это нам предстоит проверить.

Обратив внимание на экономический смысл нашей модели, мы провели анализ зависимостей переменных друг от друга (тест на наличие мультиколлинеарности). Данный анализ является актуальным, так как в реальности класс назначается за наличие определенных характеристик, однако чаще всего мы наблюдаем ситуацию неполного соответствия объекта заявленному классу. Собственники имеют возможность назначить себе класс «А» и поднять при этом цену без соблюдения необходимых условий.

Рис.19. Тест на коллинеарность.

Рис.20. Тест VIF.

Мы видим, что мультиколлинеарности нет, так как vif<5. Полученные результаты еще раз подтверждают, что нет таких характеристик, которые на 100% присущи классу, что сразу вызывает подозрение, ведь по логике все должно быть иначе. Отталкиваясь от данного факта, за наличие связи мы будем считать не значение больше 0.8 (те значения, которые могут подозреваться), а значения большие 0.5. Так сразу видно, что при понижении класса реже встречается наличие вентиляции, наибольшая зависимость есть между высотой потолков и классом объекта (чем ниже класс, тем ниже потолки), то же самое и с нагрузкой на пол, наличием системы пожаротушения, видеонаблюдения и контрольно-пропускной системы. То есть данные характеристики чаще всего присущи классу А и классу В+, что дает возможность исключить их из регрессии, подразумевая, что они влияют на цену через класс объекта.

Небольшая обратная связь наблюдается с наличием пандуса - его наличие присуще классу В. Также покрытие пола не антипылевое, а просто ровное наблюдается только у класса В (единственное наблюдение).

Выводы сделаны, как по полученным данным, так и с учетом смысла и реального положения дел, поэтому мы можем составить новый список характеристик, которые включим в регрессию. Основываться мы будем не только на коллинеарности, но и на реальном опыте. В список оцениваемых характеристик войдут:

· Расположение в черте города или в области,

· Район,

· Расстояние от КАД,

· Класс,

· Отопление,

· Расстояние от дока до дока,

· Наличие ж/д путей на территории,

· Наличие стеллажей,

· Наличие пожарной сигнализации,

· Температурный режим.

Причем первые три характеристики можно объединить в одну - местоположение, но пока мы этого делать не будем. Мы исключили характеристики общая площадь и отопление по смыслу, так как площадь может расти (склады строят в несколько очередей), а отопление отсутствует лишь на одном рассматриваемом нами объекте. Наличие офисов было исключено при построении прошлой регрессии программой, поэтому также не исследуем зависимость от этого фактора.

Рис.21. Модель с использованием независимых характеристик.

Теперь мы видим четкую зависимость цены аренды от класса объекта, а также менее сильную от нахождения в области или в черте города. Остальные переменные оказались незначимыми. Однако мы не можем исключить их всех из регрессии, так как при столь небольшом количестве наблюдений почти каждая характеристика имеет большое значение. Также небольшое количество объектов объясняет, почему получилась маленькая t-статистика, и дает возможность говорить о применимости модели на практике. В нашу регрессию мы включим наиболее значимые коэффициенты, чтобы не усложнять расчет на практике и сделать модель простой для применения в реальных ситуациях. И, что важно заметить, мы не будем включать регрессор shelves, так как знак его коэффициента получился отрицательным из-за того, что на данный момент стеллажи предлагаются на более дешевых объектах, но если бы их не было, они бы были еще дешевле. Рассуждая логично, стеллажи просто не могут отрицательно влиять на цену аренды, поэтому данный коэффициент мы не будем учитывать.

Итак, в результате проведенного анализа, мы получили следующую модель ценообразования арендной ставки на рынке индустриально-складской недвижимости Санкт-Петербурга:

Price=691,9+38,03*town/province-120,41*class+36,8*railway+ 7,14*fire_alarm_system+ 13,56*termal_regime, (12)

Перед тем, как использовать данную модель на реальном объекте, необходимо провести эконометрические тесты, чтобы проверить модель на выбросы, нормальность распределения остатков, наличие гетероскедантичности, а также проверить верность выбранной спецификации.

3.2 Диагностика построенной модели для определения ее применимости на практике

В первую очередь, нами был проведен тест на наличие выбросов. Для этого мы оцениваем регрессию без robust, создаем cooksd и ищем те наблюдения, где cooksd>4/26.

Рис.22. Тест на наличие выбросов.

Полученный результат говорит о том, что выбросами могут оказаться 4 наблюдения. Но, заметим, что в свете уникальности каждого из объектов на пока малоразвитом рынке, выбросом может стать любой склад, так как они все имеют разные характеристики. Такой вывод говорит о том, что выбросов, кроме того, что мы исключили в начале нашего исследования, нет.

Для проведения диагностики модели на нормальность распределения остатков была создана переменная e со значениями остатков (predict e, residual). После этого построены гистограмма остатков и эмпирическая плотность распределения.

Распределение остатков не влияет на эффективность, несмещенность и состоятельность МНК-оценок, однако она нужна для корректного тестирования гипотез с помощью t и F статистик. И хотя нормальность наблюдается редко, к ней нужно стремиться. Этого возможно достичь путем преобразования объясняющих и зависимой переменных.

Гистограмма:

Рис.23. Гистограмма распределения остатков.

Эмпирическая плотность распределения:

Рис.24. Плотность распределения остатков.

Графическая диагностика говорит о нормальности распределения остатков, однако необходимо убедиться в этом с помощью дополнительного теста:

Рис.25. Нормальность распределения остатков.

Мы можем видеть, что графики и анализ таблиц (P-value значительно больше 0.05) говорят о том, что мы принимаем гипотезу о нормальности распределения остатков, что положительно характеризует нашу модель. Другими словами, наша модель имеет и экономический и математический смысл, такого положения вещей бывает трудно добиться.

Значит, построенная нами модель не только показывает зависимость ставки аренды от характеристик склада, основываясь на логике, но также является правильной с математической точки зрения и дает максимально реальный результат.

Затем нам было необходимо выявить наличие гетероскедастичности, это нужно, чтобы понять меняется ли разброс остатков при изменении предсказанных значений. Итак, мы построили график:

Рис.26. Разброс остатков.

Он показывает, что с ростом арендной ставки мы наблюдаем больший разброс характеристик. Это логично, так как большая цена подразумевает наличие большего количества факторов. Но в идеале при одинаковом классе должны быть одинаковые характеристики, что совершенно не соблюдено в реальности и подтверждается данным графиком.

Кроме графического теста, который не позволяет точно определить наличие гетероскедастичности, а только подводит к мысли о ее отсутствии или наличии, мы провели тест Бреуша-Пагана и тест Уайта:

Рис.27. Тест Бреуша-Пагана

Рис.28. Тест Бреуша-Пагана2.

Рис.29. Тест Уайта.

Несмотря на то, что на графике можно увидеть зависимость разброса остатков от предсказанных значений, во всех проведенных тестах p-value>0,05, что говорит о постоянстве дисперсии остатков, опять же характеризуя модель с положительной стороны.

Итак, данный параграф позволил нам убедиться в том, что модель является хорошей не только с точки зрения логики, но и с точки зрения расчетов. Все проведенные эконометрические тесты говорят о правильности построенной модели и дают возможность считать ее применимой на практике. Иными словами, мы построили верную зависимость арендной ставки от характеристик складов.

Но, как исследователи, мы считаем необходимым изучить выбранный нами сегмент рынка досконально и взглянуть на нашу модель со всех сторон. Для этого мы решили рассмотреть еще одну спецификацию модели - логлинейную. То есть, зависимой переменной станет не сама арендная ставка, а ее логарифм.

3.3 Спецификация модели

Как мы уже сказали, мы считаем необходимым рассмотреть еще одну спецификацию модели ценообразования арендной ставки, хотя ни один тест не указал на ошибку выбранной нами ранее. Причем, здесь уместна не любая спецификация, а именно такая, при которой зависимой переменной будет логарифм арендной ставки. Мы решили проверить данный вид регрессии, так как по логике такая оценка арендной ставки будет интересна собственникам: можно будет отслеживать процентное изменение арендной ставки в зависимости от изменения той или иной характеристики. То есть собственник сможет управлять арендной ставкой, руководствуясь своими интересами.

Еще раз проверим построенную базовую модель на наличие ошибки спецификации с помощью linktest:

Рис.30. Тест на спецификацию модели

Рис.31. Тест спецификации

Как мы видим, коэффициент перед квадратом предсказанного значения цены в linktest незначим, следовательно, тест не выявил ошибки спецификации. То есть, даже если мы построим хорошую вторую модель, то она будет применима на равных с базовой, только будет давать ответы на другие вопросы. Также и Ramsey test не выявил ошибки.

Мы сгенерировали новую переменную, равную логарифму цены и построили регрессию, отражающую ее зависимость от тех же характеристик, что были использованы в базовой модели:

Рис.32. Логлинейная модель

При переменной kad мы получили коэффициент, который неприменим в реальности, однако, данный коэффциент незначим, и , как и в базовой модели, он не будет включен в регрессию. Для понимания того, насколько удачна эта модель проведем тесты, как и для базовой:

Рис.33. Тесты новой спецификации

Как мы можем видеть, ошибки спецификации тесты не выявили. А на основе сравнения R²-adj и вовсе можно сказать, что данная спецификация удачней базовой. Однако, еще раз напомним, что она является скорее дополнением к модели ценообразования арендной ставки, так как с помощью нее мы можем выяснить лишь изменение арендной ставки, но не ее саму.

Новая модель имеет следующий вид:

Ln_price=6,5 +0,07*town/province-0,24*class+0,07*railway+ 0,02*fire_alarm_system+ 0,03*termal_regime , (13)

Проинтерпретируем полученную модель, так как применять ее на практике мы не будем, однако считаем полезным понимать то, как ее можно использовать.

1. При размещении складского комплекса в городе, а не в пригороде цена аренды увеличится на 7%.

2. Увеличение класса объекта, например, от В к В+ или от В+ к А принесет увеличение цены на 24%.

3. Наличие ж/д путей на территории комплекса позволят поднять ставку на 7%.

4. Наличие противопожарной сигнализации обеспечит рост арендной ставки на 2%.

5. А предоставление возможности регулировки температурного режима на складе будут основанием поднять ставку на 3%.

Как можно заметить, такая спецификация модели очень полезна для собственников, ищущих возможности поднять арендную плату. Но она не дает ответа на вопрос, какую ставку обозначить, когда только ввел склад в эксплуатацию и готов выйти с предложением на рынок. Ответ даст наша базовая модель. Проверим, даст ли она правильную оценку, относительно имеющихся ставок.

3.4 Практическая реализация модели

В предыдущем пункте мы указали на то, что именно базовая модель призвана оценивать арендную ставку того или иного объекта. Напомним, что в первой главе мы рассматривали существующие модели оценок и заметили, что характеристики, используемые для анализа арендных ставок, не соответствуют тем, которые действительно значимы на рынке индустриально-складской недвижимости.

Построенная нами модель учитывает именно те факторы, которые действительно влияют на цену и позволяет очень близко и реально оценить арендную ставку. Далее мы проверим эту гипотезу на примере, подставив значения характеристик существующего объекта и оценив применимость полученной оценки.

Перед тем, как применить модель для расчета арендной ставки на реальном объекта, необходимо интерпретировать полученные коэффициенты.

Price=691,9+38,03*town/province-120,41*class+36,8*railway+ 7,14*fire_alarm_system+ 13,56*termal_regime, (12)

1. При локации складского комплекса в черте города арендная ставка будет выше на 38,03 руб.

2. При увеличении класса от худшего к лучшему собственник прибавляет к стоимости аренды 120,41 руб.

3. Наличие ж/д путей на территории поднимет ставку на 36,8 руб.

4. Установка пожарной сигнализации даст преимущество в 7,14 руб за метр квадратный в месяц.

5. А возможность регулировать температурный режим делает склад дороже на 13,56 руб за кв.м. в месяц.

На сегодняшний день в Санкт-Петербурге происходит активное развитие рынка складской недвижимости, это можно заметить из данных анализа рынка (ввод в эксплуатацию планируется выше, чем ранее). Поэтому мы возьмем один из строящихся объектов и оценим, какую арендную ставку должен установить собственник, пользуясь нашей моделью.

Наш выбор пал на складской комплекс А+Пулково, готовящийся к вводу в 2015 году. Данный объект уже предлагают на продажу, однако еще нет предложения по аренде. Для того чтобы понять, по какой ставке он может предлагаться на рынке в аренду, необходимо знать все характеристики, которые мы включили в модель.

1. Расположение в черте города - да=1.

2. Заявленный класс объекта - «А»=1.

3. Наличие ж/д путей - нет=0.

4. Наличие пожарной сигнализации - да=1.

5. Возможность регулировки температурного режима - нет=0.

Price=691,9+38,03*town/province-120,41*class+36,8*railway+ 7,14*fire_alarm_system+ 13,56*termal_regime = 691,9 + 38,03 - 120,41 + 7,14 = 616,66 руб./кв.м. в месяц.

Если мы посмотрим на данные в приложении 1 (данные по всем объектам в городе), то поймем, что такая ставка, даже округленная до 620 руб. является приемлемой и будет адекватно принята на рынке. Подобная ставка аренды заявлена, например, на СК «Осиновая Роща», что говорит о реальности полученной оценки.

Путем апробации модели, мы выяснили, что она применима на практике и дает верные оценки. Поэтому мы полагаем, что в ближайшее время, если не будет заметных изменений арендных ставок на рынке, любой собственник или арендатор может использовать построенную нами модель с имеющимися коэффициентами. Однако, как мы упоминали, рынок индустриально-складской недвижимости Санкт-Петербурга еще только в начале своего развития, и, следовательно, ситуация может в корне поменяться. Поэтому мы не просто предлагаем модель с готовыми коэффициентами, а разработали алгоритм действий для массовой оценки арендных ставок на исследуемом рынке с учетом действительно значимых коэффициентов.

Рис.34. Методология оценки.

То есть, как мы можем заметить, алгоритм действий не отличается от стандартного расчета арендной ставки массовым методом, однако, мы усовершенствовали данный метода и адаптировали его к искомому рынку путем определения ценообразующих характеристик. Если в первой главе мы рассматривали алгоритм, который включал учет в модели таких факторов, как, например, этаж и общая площадь объекта, которые по данным нашего исследования не влияют на ставку аренды складов, то наша модель включает только значимые факторы:*

1. Расположение объекта

2. Класс

3. Наличие ж/д ветки на территории

4. Наличие пожарной сигнализации

5. Регулировка температурного режима.

Предпосылками для применения такой модели могут желание арендатора оценить свои потери или преимущества при рассмотрении объекта для дальнейшей аренды или, например, оценка собственником арендной ставки для помещения, при которой он будет «в рынке». Также данная модель может быть применена в случаях оценки объекта налоговыми органами и другими заинтересованными лицами.

Стоит заметить, что, как и любая модель, опирающаяся на данные по рынку, она будет требовать модернизации с появлением новых технологий, которые значимо повлияют на арендную ставку. Такого рода модернизация должна была быть давно проведена для усовершенствования массового метода применимо для складской недвижимости, однако этого не произошло, вследствие чего сегодня нам предложены неподходящие характеристики.

Также, в силу того, что на рынке наблюдается конкуренция, полученная в результате расчетов ставка, может быть занижена или завышена собственником для получения своей выгоды. Однако, несмотря на это, применение модели массовой оценки с новыми коэффициентами даст возможность структурировать формирование арендной платы, а также помочь государству и оценщикам получать гораздо более достоверную информацию о рынке, чем раньше.

Выводы по главе

Резюмируя последнюю главу, начнем с того, что мы подтвердили, выдвинутую нами ране гипотезу о корреляции класса объекта с рядом его характеристик. Это позволило сократить число регрессоров и придти к учету наиболее значимых из них в итоговой модели. Заметим, что мы не получили 100% зависимость от класса ни для одной из характеристик, что также говорит о реальности наших данных (так как это объясняется с экономической точки зрения).

Далее стоит сказать, что помимо базовой модели, мы также исследовали логлинейную спецификацию, которая дает возможность оценить изменение арендной ставки в процентах при изменении характеристик объекта.

Такая модель полезна для работы над помещением, сдающимся в аренду, но не для расчета первоначально заявляемой на рынке ставки. Для моделирования арендной ставки на рынке индустриально-складской недвижимости Санкт-Петербурга мы построили регрессию следующего вида:

Price=691,9+38,03*town/province-120,41*class+36,8*railway+ 7,14*fire_alarm_system+ 13,56*termal_regime

Все проведенные для данной модели тесты охарактеризовали ее с положительной стороны и дали основания говорить о том, что построенная регрессия имеет не только экономический смысл, но и удачная с точки зрения эконометрики.

Однако лучшим тестом для любой модели является ее применение в реальной ситуации. Пользуясь нашим уравнением для расчета арендной ставки, мы рассчитали ее для строящегося на данный момент склада А+Пулково, планируемые характеристики которого нам известны. Полученная арендная ставка равна 616, 66 руб., что вполне приемлемо для данного объекта, если посмотреть по анализу рынка в целом (ставка больше минимального значения по классу, но немного меньше среднего). Следовательно, можно говорить об удачно проведенном исследовании и построении модели, которая будет полезна на рынке.

В итоге нами был разработан алгоритм (методика) расчета арендной ставки, с учетом ее зависимости от пяти значимых характеристик и возможного изменения данных по рынку.



Заключение

На сегодняшний день мы наблюдаем замедление темпов роста экономики России, такое положение вещей заставляет инвесторов задуматься о том, в какие проекты выгодно вкладывать деньги, а также о том, вложение в какие активы будут наименее рисковым. Недвижимость является наиболее ликвидным активом и в практически в любой экономической ситуации обеспечивает не только сохранение вложенного капитала, но и его преумножение в будущем. Сегодня активно развивается рынок коммерческой недвижимости и привлекает внимание все большего количества вкладчиков, так как подобные объекты являются востребованными на рынке и приносят высоки, а главное стабильный доход. Для проведения нашего исследования мы выбрали индустриально-складскую недвижимость Санкт-Петербурга, как наименее изученный, но быстро развивающийся сегмент рынка коммерческой недвижимости. Количество качественных индустриально-складских комплексов Санкт-Петербурга достаточно мало, потому для формирования арендной ставки на подобных объектах не разработано никакой специальной системы, а процесс определения аренды происходит исключительно из самостоятельного решения собственника объекта в зависимости от цен, заявленных конкурентами. Данное положение вещей не приемлемо, такая ценовая политика может привести к неоправданно завышенным ставкам аренды на рынке. Потому мы считаем необходимым применение модели ценообразования при установлении ставок аренды.

Чтобы построить такую модель нами был проведен анализ теоретических аспектов функционирования рынка недвижимости и арендных отношений, а также были изучены модели оценки арендных ставок, предложенные в законодательных актах и налоговом кодексе РФ. По средствам анализа мы пришли к выводам, что, несмотря на то, что арендная ставка - важнейшая часть взаимоотношений между участниками рынка коммерческой недвижимости, она до сих пор не регламентируется законом, кроме случаев аренды муниципальной недвижимости. То есть в случаях необходимости расчета аренды оценщик или любое другое заинтересованное лицо обратится именно к методам, предложенным для оценки аренды муниципальных объектов. Подходящими для коммерческой недвижимости оказались метод массовой оценки, индивидуальной оценки и затратный метод. Однако важно заметить, что предполагается использование в первую очередь именно массового метода, так как он способен дать наиболее приближенные к реальным цифры. По экономическим соображениям метод массовой оценки также является наиболее удобным для применения на практике.

В связи с этим мы изучили модель массовой оценки нежилых помещений наиболее глубоко. Так, мы заметили, что характеристики, по которым предлагается оценивать коммерческой недвижимости совершенно не подходят к использованию их для расчетов на рынке производств и складов. Это стало предпосылкой к нашему дальнейшему исследованию

Для выяснения того, какие же характеристики действительно влияют на арендную ставку индустриально-складских объектов был проведен анлиз рынка, который не только подтвердил нашу гипотезу о том, что сегодня исследуемый нами сегмент рынка активно развивается (об этом свидетельствует рост объема вводимых площадей, который в 2014 году будет выше, чем в 2013, на 46,46%), но и показал зависимость арендных ставок от классов складов и их местоположения. Эти выводы стали крайне важны для составления списка характеристик, по которым оцениваются объекты.

Следующим шагом был сбор данных для исследования. Их анализ показал, что ставки аренды на рынке варьируются от 350 до 1600 руб/кв.м., причем средняя ставка равна 592,7 руб/кв.м. Это стало важно при оценке применимости нашей модели на практике.

Далее нами была построена базовая модель ценообразования арендной ставки. Первым этапом в ее построении была регрессия арендной ставки от всех характеристик, данные по которым мы собрали. Она показала, что вместе все эти факторы почти незначимы. Очевидно, что это было вызвано корреляцией характеристик склада с его классом. С помощью теста на мультиколлинеарность, мы выяснили, какие из характеристик наиболее зависимы от классов и исключили их из регрессии. Здесь важно заметить, что нет одинаковых объектов даже в одном классе, опять же из-за отсутствия законодательной базы, регламентирующей отнесение объекта к определенному классу.

Исключив незначимые факторы, нам удалось построить модель зависимости арендной ставки от характеристик склада, которая оказалась удачной не только по экономическим соображениям, но и по всем эконометрическим тестам. Она включила в себя пять регрессоров и константу. Перед тем, как проверить данную модель на практике, мы также показали, насколько полезна логлинейная спецификация нашей модели, она применима для расчета процента изменения арендной ставки в зависимости от факторов и может пригодиться для корректировки ценовой политики при модернизации складских комплексов.

Последним этапом нашего исследования стало применение полученной модели на практике. Мы оценили строящийся на сегодняшний день склад А+Пулково по характеристикам, участвующим в регрессии, вставили их в искомое уравнение и получили, что арендная ставка на данном объекте равна 616,66 руб/кв.м. в месяц, что совсем немного отличается от среднего по рынку значения и является вполне приемлемым на сегодняшний день. Такой анализ занял у нас совсем немного времени, это дает основание завить, что наша модель является не только эффективной для оценки арендной ставки, но и очень проста в применении. Следовательно, мы можем говорить о возможности ее внедрения на рынок. Коэффициенты в нашей модели со временем могут потерять актуальность, в отличии от самой методики их получения и модели в целом. Поэтому нами была представлена последовательность действий в том случае, если ситуация на рынке поменяется и появится необходимость проведения новой массовой оценки для корректировки коэффициентов.

В заключении необходимо сказать, что современная ситуация на рынке коммерческой недвижимости подразумевает некое структурирование процесса формирования арендной ставки и заставляет задуматься не только о применении построенной нами модели, но и о разработке критериев отнесения объектов к классам, обязательных для всех комплексов, расположенных в Санкт-Петербурге. Это может стать предметом наших следующих исследований и дать основания для усовершенствования системы функционирования рынка коммерческой недвижимости Санкт-Петербурга.



СПИСОК ИСТОЧНИКОВ

1. «Арендная плата» - ст. 614 ГК РФ

2. Гражданский кодекс Российской Федерации: Часть первая от 30.11.94г. №51-ФЗ (ред. от 27.12.2009г.).

3. Закон Санкт-Петербурга от 3 сентября 1997 года N 149-51 "О порядке определения арендной платы за нежилые помещения, арендодателем которых является Санкт-Петербург".

4. Закон Санкт-Петербурга от 2 июля 2007 года N 314-56 "О порядке определения арендной платы за нежилые помещения, арендодателем которых является Санкт-Петербург".

5. «О порядке расчета ставок арендной платы за нежилые помещения, находящиеся в государственной собственности г. Москвы» Постановление Правительства г. Москвы от 26. 02. 2002г. № 150-ПП

6. «Об утверждении Методики расчета арендной платы за пользование объектами нежилого фонда, находящимися в собственности города Москвы» постановление правительства Москвы № 861-ПП.

...