Повна версія

Головна arrow Географія arrow Прогнозування і планування використання земельних ресурсів та об'єктів нерухомості

  • Увеличить шрифт
  • Уменьшить шрифт


<<   ЗМІСТ   >>

ВИБІР МЕТОДУ ПРОГНОЗУВАННЯ ТА ПЛАНУВАННЯ ВИКОРИСТАННЯ ЗЕМЕЛЬНИХ РЕСУРСІВ ТА ОБ'ЄКТІВ НЕРУХОМОСТІ

Одним з основних етапів планування і прогнозування використання земельних ділянок і об'єктів нерухомості є вибір методу. Від того, наскільки адекватним досліджуваного об'єкта буде метод, залежить, наскільки точним і достовірним вийде прогноз і план, наскільки наслідки управлінських рішень будуть очікуваними. Власне, сам етап складатиметься з двох підетапів: вибору виду методу і вибору конкретного методу планування і прогнозування використання земельних ресурсів та об'єктів нерухомості.

Вибір методу прогнозування та планування використання земельних ресурсів та об'єктів нерухомості є ключовим рішенням, яке, з одного боку, має забезпечити функціональну повноту, достовірність, надійність і точність прогнозування і планування, а з іншого - зменшити витрати часу і коштів на весь процес дослідження.

Актуальність розробки нових методів прогнозування і планування використання земельних ресурсів та об'єктів нерухомості пов'язана з наступними факторами.

По-перше, з різноманітністю і складністю практичних завдань. В даний час існує приблизно 300 методів прогнозування і планування. Тенденція до ускладнення завдань і умов планування і прогнозування дозволяє припустити, що кількість методів буде рости.

По-друге, постійно збільшується складність об'єктів планування і прогнозування. Чим складніше об'єкт дослідження, тим складніше повинні бути методи для вирішення поставлених завдань з планування та прогнозування.

По-третє, економічна криза, в якому знаходиться наша країна, вимагає пошуку і розробки нових методів прогнозування і планування. Динамічність ринкового середовища впливає на структуру і складність методів планування і прогнозування.

Експерт, який розробляє прогноз і становить план, повинен в результаті структурувати інформацію про об'єкт, проаналізувати її і прийняти рішення про те, який з методів в більшій мірі відповідає конкретним умовам. При цьому важливо на етапі підготовки рішення виділити не тільки ті методи, які можна застосовувати в умовах розв'язуваної задачі, а й ті, які застосовувати не можна. Такі методи повинні бути виключені з числа розглянутих.

Вибір методу планування і прогнозування залежить від наступних об'єктивних критеріїв:

  • - характеру об'єкта планування та прогнозування;
  • - цілі прогнозу;
  • - адміністративно-територіального рівня, для якого розробляється план і прогноз;
  • - періоду попередження.

Вибір методу планування і прогнозування не повинен залежати від суб'єктивних факторів, в тому числі від особистої зацікавленості експерта-фахівця.

Доцільно розглянути можливість застосування методів прогнозування для розробки деяких базових прогнозів.

При виборі методу для конкретного завдання управління земельними ресурсами та іншими об'єктами нерухомості необхідно відповісти на наступні питання:

  • 1. Хто буде використовувати прогноз?
  • 2. Які характеристики наявних даних?
  • 3. На який період слід робити прогноз, тобто яка величина періоду попередження?
  • 4. Яка необхідна точність прогнозу?
  • 5. Які вартість прогнозу і ефективність засобів, витрачених на його складання? 1

Для ефективного управління земельними ресурсами суб'єкту управління необхідно створити надійну і ефективну систему прогнозування показників, з різних сторін характеризують стан земельних ресурсів та ефективність їх управління. Вимоги до складу та структури показників формуються відповідно до видів суб'єкта і стоять перед ним завдань [1] [2] .

При управлінні земельними ресурсами необхідно окремо розглядати дві групи суб'єктів управління: органи державної і муніципальної влади і приватні юридичні та фізичні особи, які використовують земельні ділянки та іншу нерухомість в процесі своєї виробничої діяльності. Стосовно до цих двох груп постараємося послідовно відповісти на всі викладені вище питання.

У органів державного і муніципального управління потреба в прогнозі використання земельних ресурсів може з'явитися:

  • - при плануванні розвитку регіону (муніципального освіти) та обґрунтування заходів, необхідних для втілення планів у життя;
  • - складанні бюджету і плануванні податкових надходжень від майна;
  • - розрахунку забезпеченості населення (як існуючого, так і прогнозованого) квартирами, індивідуальними будинками, земельними ділянками під індивідуальне житлове будівництво, особисте підсобне господарство і іншими видами нерухомості;
  • - складанні схем землеустрою регіону і адміністративного району для обґрунтування економічної ефективності розміщення на конкретних земельних ділянках окремих економічних галузей, підприємств і т.д.
  • - складанні планів соціального розвитку території для виявлення галузей, в яких буде вимагатися додаткові трудові ресурси, визначення місць докладання їх праці і т.д.

Відповідно, користувачами прогнозів будуть органи державного (муніципального) управління, зокрема конкретні виконавці, які займаються вирішенням окремих питань з перерахованих раніше. На твердження до вищих керівників потраплять тільки проекти рішень, складених з урахуванням прогнозного розвитку земельних ресурсів.

У приватних компаній, організацій, фізичних осіб і т.п. необхідність прогнозу використання земельних ресурсів виникає у випадках:

  • - обґрунтування вкладення коштів інституційних і приватних інвесторів в різні сегменти ринку нерухомості;
  • - диверсифікації інвестиційних портфелів, складених як цілком з об'єктів нерухомості, так і змішаного типу;
  • - проведення оцінки нерухомості;
  • - страхування угод з нерухомим майном;
  • - вироблення банківськими структурами своїх іпотечних програм;
  • - обґрунтування бізнес-планів тощо

Складати і використовувати прогноз будуть аналітичні служби компаній, відділи маркетингових досліджень, менеджмент середньої та вищої ланки.

В силу малої кількості рівнів часових рядів, що описують ринок нерухомості в Росії, аналітик не повинен нехтувати жодним з них, так як зниження тривалості ряду на одиницю може привести до значного зміни достовірності прогнозу.

При залученні даних про угоди з земельними ділянками дослідник повинен проаналізувати їх достовірність і віддати перевагу тим, які, наприклад, були отримані з організації, яка здійснювала супровід цих угод. Але в цьому випадку для підвищення достовірності слід зібрати дані з декількох подібних організацій і проводити розрахунки на основі вже узагальнених даних. Аналогічно при використанні аналітичних оглядів з різних джерел треба перед виконанням прогнозних розрахунків привести всі вихідні дані до «спільного знаменника» і лише потім приступати безпосередньо до прогнозування.

Відповідь на питання щодо необхідної точності прогнозу буде залежати від цілей, для яких потрібно прогноз, тобто від того, якого роду управлінські рішення будуть прийматися на основі цих результатів. Іншими словами, цілями прогнозування визначається інтервал прийнятної точності прогнозу, з яким потім порівнюються отримані результати. Точність прогнозу характеризується помилкою. Помилкою прогнозу називають різницю між дійсним значенням і його прогнозом.

Для будь-якого методу прогнозування існують чотири основні показники точності, що дозволяють оцінити результати прогнозування: середнє абсолютне відхилення, среднеквадратическая помилка, середня абсолютна помилка, середня процентна помилка.

Середнє абсолютне відхилення (САО) вимірює точність прогнозу, усредняя величини абсолютних значень кожної помилки. САО виражається формулою

де Y t - дійсне значення часового ряду в момент часу t; Y t - прогнозоване значення часового ряду в момент часу t; п - довжина часового ряду.

Среднеквадратическая помилка (СКО) грунтується на зведенні кожної помилки в квадрат. Таким чином, підкреслюються великі по модулю помилки. Формула для обчислення СКО має вигляд

Середня абсолютна процентна помилка у відсотках (Сапо) показує, наскільки велика помилка прогнозу в порівнянні з істинними значеннями ряду. Сапо обчислюється за допомогою наступного рівняння:

При розрахунку Сапо використовують абсолютні значення помилок, якщо ж використовувати величини помилок з урахуванням знака, то отримаємо середню процентну помилку (СПО). Найбільш адекватний і точний прогноз дає значення СПО близьке до нуля. Формула для обчислення СПО має вигляд

Значна частина процесу вибору відповідного методу прогнозування полягає у визначенні того, чи дає цей метод малі помилки. Природно очікувати, що правильно підібраний метод буде давати відносно малі помилки прогнозу.

Основним недоліком оцінки точності прогнозу за допомогою зазначених величин є їх незмінність. Среднеквадратическая помилка буде однаковою і при прогнозуванні на короткостроковий період, і при прогнозуванні на сверхдолгосрочний, що суперечить логіці, тому що ймовірність помилки буде зростати прямо пропорційно збільшенню періоду попередження. Щоб врахувати цю особливість, використовують довірчий інтервал прогнозування.

Довірчий інтервал прогнозування являє собою сукупність значень, які буде приймати прогнозована величина із заданою вірогідністю. У загальному вигляді формула довірчого інтервалу набуває вигляду

де Y n + j - прогноз на момент часу п + j; п - довжина вихідного часового ряду, на основі якого виконується прогнозування; j - довжина періоду попередження; t - значення критерію Стьюдента.

Поставляючи вираз в формули різних методів прогнозування, можна отримати вирази для їх довірчих інтервалів. Так, наприклад, формула довірчого інтервалу лінійної прогнозної моделі матиме вигляд

де j cp - порядковий номер періоду, що стоїть в середині періоду попередження.

Для прогнозу, виконаного за допомогою квадратичної функції, довірчий інтервал можна описати формулою

Як видно з останнього виразу, чим вище рівень прогнозної моделі, тим складніше вираз для визначення довірчого інтервалу. Тому автори не будуть приводити їх формули в даному підручнику, залишивши можливість читачеві зробити це самостійно.

приклад 9.1

Дослідник Олександр Сорокін прогнозує вартість земельних ділянок в м Самарі. Він застосував методи простого експоненціального згладжування, метод Хольта і метод ковзних середніх.

Фінальним етапом його роботи став розрахунок середніх значень помилок, таких як САО, СКО, Сапо, СПО. Результати аналізу помилок дані в табл. 9.1.

Таблиця 9.1

Результати обчислення помилок прогнозування за трьома методам

метод прогнозування

САО,

руб.

СКО, руб.

Сапо,

%

СПО,

%

Просте експоненціальне згладжування

478,71

308 018,33

16,17

-1,39

Метод ковзних середніх

194,12

46 749,28

7,80

0,22

метод Хольта

863,27

1 298 680,34

27,86

-2,02

Крім помилок для визначення найбільш підходящих методів для конкретних термінів попередження був розрахований довірчий інтервал для кожного методу.

Виходячи з даних табл. 9.1, можна зробити висновок, що найбільш точних методів прогнозування виявився метод ковзних середніх. Найменш точним - метод Хольта. Простий прогноз методом експоненти виявився точнішим за методу Хольта, але менш точним, ніж метод ковзних середніх.

Визначення довірчого інтервалу було проведено за формулою. Значення довірчих інтервалів за трьома методам прогнозування наведені в табл. 9.2.

Значення довірчих інтервалів для трьох методів прогнозування

Таблиця 9.2

прогнозний

метод експонен-

метод

метод

рік

ціального

ковзної

експоненціального

наближення

середніх

згладжування Хольта

2017

± 1758,91

± 499,27

± 3277,59

2018

± 1816,59

± 515,64

± 3385,08

2019

± 1979,58

± 561,91

± 3688,80

2020

± 2224,86

± 631,53

± 4145,85

Виходячи з величини середніх помилок і довірчих інтервалів, найкращим з методів прогнозування для розглянутого випадку є метод ковзних середніх. І найкраще його результати, які представлені в табл. 9.3, брати для подальшого використання.

Таблиця 9.3

Результати прогнозування ринкової вартості земельних ділянок в м Самарі

прогнозний рік

Прогнозне середнє значення ринкової вартості, руб / м 2

довірчий

інтервал

Прогнозне значення по максимальному інтервалу

Прогнозне значення за мінімальним інтервалом

2017

10 209,91

± 499,27

10 709,18

9710,64

2018

12 478,61

± 515,64

12 994,25

11 962,97

2019

17 243,67

± 561,91

17 805,58

16 681,76

2020

20 607,73

± 631,53

21 239,26

19 976,20

Графічно результати являють собою основний графік прогнозного значення ринкової вартості, а також побічні графіки по верхньому і нижньому значенню довірчого інтервалу. Візуально результат представлений на рис.9.1.

1

Результати прогнозування середнього значення ринкової вартості в графічному форматі

Мал. 9.1. Результати прогнозування середнього значення ринкової вартості в графічному форматі:

прогнозне середнє значення ринкової вартості; прогнозне

значення по верхньому значенню інтервалу; прогнозне значення

по нижньому значенню інтервалу адекватності побудованих моделей. Йому необхідно перевірити три гіпотези.

1. Динамічний ряд, складений із залишків, є випадковим. Для перевірки цієї гіпотези побудуємо гістограми розподілу залишків кожної побудованої моделі і порівняємо їх з графіком нормального розподілу. Розглянемо гістограми розподілу залишків, отриманих при моделюванні цін на земельні ділянки в середньому по Московській області.

У додатку на рис. П1 - П9 представлені гістограми розподілу залишків. Як видно з малюнків додатки, розподіл залишків змінного середнього і експоненційного згладжування в цілому схоже на нормальне, але в першому випадку зрушено злегка вліво, а в другому - існують спостереження, які не потрапляють в довірчий інтервал.

Розподіл залишків подвійного змінного, кривої зростання, моделей Боксу - Дженкінса, Хольта і Уінтерса набагато менш схоже на нормальне. У додатку на рис. П9 можна побачити, що залишки, отримані при нейромережевому моделюванні, розподіляються згідно із законом, найбільш близького до нормального.

Таким чином, розглянута гіпотеза для середніх цін по Московській області виконується для нейромережевої моделі та моделі змінного середнього.

Аналогічно аналізуючи гістограми розподілу залишків моделей, Міхрюткін зробив відповідні висновки окремо для кожного з аналізованих напрямків.

Таким чином, відзначимо, що метод нейромережевого аналізу при використанні на всіх аналізованих рядах дав позитивні результати: динамічний ряд, складений із залишків, є випадковим, тобто гіпотеза підтверджується.

2. Розподіл залишків відповідає нормальному закону з математичним очікуванням, рівним нулю. Перевірку цієї гіпотези проведемо за допомогою розрахунку асиметрії і ексцесу рядів, складених із залишків, і порівняння їх з нулем.

У табл. 9.4 представлені значення даних параметрів для розглянутих методів прогнозування та відомості про те, виконується чи ні система нерівностей.

З даних табл. 9.4 видно, що вихідна гіпотеза про нормальність з математичним очікуванням, рівним нулю, підтверджується для цінової ситуації:

  • - по Рубльово-Успенському напрямку - для моделей, створених за допомогою подвійної ковзної середньої, кривої зростання, регресійній і нейросетевой моделей;
  • - Каширському напрямку - для кривої зростання і нейромережі;
  • - Нижегородському напрямку - для кривої зростання;
  • - області в цілому - для кривої зростання, моделі Уінтера і регресійній моделі.

Перевірка гіпотези про нормальність розподілу залишків з нульовим математичним очікуванням

Таблиця 9.4

251

метод прогнозування

Рублево-Успенське

напрямок

Каширське напрямок

Нижегородське

напрямок

Московська область

асиметрія

ексцес

Чи виконується перша система нерівностей?

Чи підтверджується вихідна гіпотеза?

асиметрія

ексцес

Чи виконується перша система нерівностей?

Чи підтверджується вихідна гіпотеза?

асиметрія

ексцес

Чи виконується перша система нерівностей?

Чи підтверджується вихідна гіпотеза?

асиметрія

ексцес

Чи виконується перша система нерівностей?

Чи підтверджується вихідна гіпотеза?

ковзне

середнє

0,76

0,43

немає

-

0,93

0,13

немає

-

2,77

2,50

немає

немає

1,03

0,14

немає

-

Подвійне ковзне середнє

0,33

-0,90

Так

Так

0,58

0,82

немає

-

1,69

1,66

немає

немає

0,73

-0,50

немає

-

крива зростання

0,39

0,28

Так

Так

-0,44

-0,24

Так

Так

-0,51

-0,06

Так

Так

-0,46

-0,52

Так

Так

експоненціальне згладжування

3,63

19,27

немає

немає

-1,23

7,47

немає

немає

2,42

-0,06

немає

-

-3,04

16,21

немає

немає

метод Хольта

1,33

1,13

немає

-

0,79

3,27

немає

немає

4,54

24,18

немає

немає

0,43

-1,06

немає

немає

метод Уінтерса

0,94

0,42

немає

-

0,58

2,13

немає

немає

4,41

23,31

немає

немає

0,47

-0,87

Так

Так

регресія

0,31

0,71

Так

Так

0,25

-1,00

немає

немає

-0,22

-1Д4

немає

-

-0,21

-0,79

Так

Так

метод ARIMA

1,27

0,92

немає

-

1,44

4,15

немає

немає

4,96

27,26

немає

немає

1,99

4,26

немає

немає

Нейронна мережа

0,55

0,51

Так

Так

1,54

5,61

Так

Так

-2,42

10,80

немає

немає

0,50

1,85

немає

-

3. Рівні ряду залишків незалежні один від одного. Перевірка цієї гіпотези здійснюється за допомогою коефіцієнта автокореляції. Точно так же, як при графічному аналізі залишків, для прогнозів середніх цін на земельні ділянки в Московській області Іван Міхрюткін провів повний аналіз коефіцієнтів автокореляції і проілюстрував графічно висновки, зроблені на його основі. Для інших аналізованих рядів приведені тільки висновки.

У додатку дані автокореляційні функції залишків для всіх розглянутих методів прогнозування середніх цін в Московській області. На представлених в додатку рис. П11 - П17 можна побачити, що перші коефіцієнти автокореляції моделей змінного середнього і подвійного змінного середнього значимо відрізняються від нуля, а потім плавно зменшуються до нуля.

Крім того, значення тесту Льюінга - Боксу перевищує табличне значення ^ -розподіленого. Це означає, що залишки не випадкові, отже, в моделюванні присутній систематична помилка.

Той же висновок можна зробити при аналізі автокореляційних функцій залишків, отриманих при використанні методів Хольта і Уінтерса.

У залишків кривої зростання і регресійній моделі значимо від нуля відрізняється тільки коефіцієнт автокореляції першого порядку, але значення коефіцієнта Льюінга - Боксу перевищує табличне, отже, і в цих випадках не можна говорити про адекватність моделей.

Таким чином, після перевірки виконання третьої умови з'ясовується, що адекватними методами прогнозування середніх цін на земельні ділянки для індивідуального житлового будівництва в Московській області є експоненціальне згладжування і нейромережеве моделювання. У першому випадку максимальний коефіцієнт автокореляції становить 0,20, а в другому, незважаючи на те що коефіцієнт автокореляції першого порядку трохи вище (0,42), всі коефіцієнти потрапляють в довірчий інтервал, при цьому тест Льюнг - Боксу неможливо провести, так як дуже велике кількість оцінюваних параметрів, отже, не представляється можливим визначити кількість ступенів свободи.

Проаналізувавши інші напрямки, після розрахунку автокорреляции можна зробити наступні висновки:

  • - для Рублево-Успенського напрямки свою адекватність довели моделі, створені за допомогою методів експоненціального згладжування, Хольта і Уінтерса, методу Бокса - Дженкінса і методу нейронних мереж;
  • - Каширського напрямки - створені за допомогою методів експоненціального згладжування, методів Хольта і Боксу - Дженкінса, методу нейронних мереж;
  • - Нижегородського напрямку - створені за допомогою методів експоненціального згладжування, методів Хольта, Уінтерса, Боксу - Дженкінса і методу нейронних мереж.

Таким чином, нейромережева модель у всіх випадках моделювання різних сегментів підмосковного земельного ринку довела свою адекватність. Крім неї, відсутність систематичної помилки у всіх випадках довів метод експоненціального згладжування.

Підводячи фінальну риску під аналізом адекватності різних методів прогнозування ринку земельних ділянок, в табл. 9.5 Іван підсумував результати перевірки трьох гіпотез, а потім зробив остаточні висновки.

Результати перевірки статистичних гіпотез в рамках аналізу адекватності різних методів прогнозування

Таблиця 9.5

метод прогнозування

Рублево-Успенське

напрямок

Каширське

напрямок

Нижегородське

напрямок

Московська область

Гіпотеза про випадковості коливань рівнів ряду залишків

Гіпотеза про відповідність розподілу залишків нормальному закону з математичним очікуванням, рівним нулю

Гіпотеза про незалежність значень рівнів ряду по відношенню один до одного

Гіпотеза про випадковості коливань рівнів ряду залишків

Гіпотеза про відповідність розподілу залишків нормальному закону з математичним очікуванням, рівним нулю

Гіпотеза про незалежність значень рівнів ряду по відношенню один до одного

Гіпотеза про випадковості коливань рівнів ряду залишків

Гіпотеза про відповідність розподілу залишків нормальному закону з математичним очікуванням, рівним нулю

Гіпотеза про незалежність значень рівнів ряду по відношенню один до одного

Гіпотеза про випадковості коливань рівнів ряду залишків

Гіпотеза про відповідність розподілу залишків нормальному закону з математичним очікуванням, рівним нулю

Гіпотеза про незалежність значень рівнів ряду по відношенню один до одного

Метод змінного середнього

+

?

-

-

?

-

-

-

-

4

?

-

Метод подвійного змінного середнього

-

+

-

-

?

-

-

-

-

-

?

-

Метод кривої зростання

-

4

-

-

4

-

+

4

-

-

?

-

Метод експоненціального згладжування

4

-

+

-

-

+

+

?

+

+

-

4

метод Хольта

+

?

4

4

-

+

+

-

+

-

-

-

метод Уінтерса

-

?

4

4

-

-

+

-

4

-

-

Метод регресійного аналізу

-

+

-

-

-

-

-

?

-

-

?

-

Метод Бокса - Дженкінса

-

?

4

4

-

+

-

-

4

-

-

-

Метод нейронних мереж

+

+

+

+

4

+

+

-

+

+

?

+

Примітка : знак «+» означає підтвердження гіпотези, «-» - спростування гіпотези, «?» - необхідність додаткової перевірки.

З наведених даних табл. 9.5 видно, що на основі перевірки адекватності трьома критеріями Іван зробив такі висновки:

  • - найменш адекватним є методи, засновані на використанні ковзної середньої і подвійний ковзної середньої;
  • - нейронні мережі, навпаки, довели свою максимальну адекватність;
  • - для ринку Рублево-Успенського напрямки адекватність була доведена для наступних методів прогнозування: експоненціального згладжування, методу Хольта, методу нейронних мереж;
  • - Каширського напрямки: методу Бокса - Дженкінса, нейронних мереж;
  • - Нижегородського напрямки: методу експоненціального згладжування, методу Хольта, Уінтерса, нейронних мереж;
  • - спільного ринку Московської області: методу експоненціального згладжування, нейронних мереж.

В сучасних умовах побудови ринкових відносин будь-яке управлінське дію, в тому числі і в галузі земельних ресурсів, має бути економічно вигідним. І кожен етап вироблення і прийняття управлінського рішення також повинен проходити перевірку на економічну ефективність.

Економічну ефективність можна оцінити за допомогою індексу прибутковості, що представляє собою відношення отриманих вигод до понесених витрат.

Витрати на створення прогнозу використання земельних ділянок і об'єктів нерухомості в сучасних вітчизняних умовах, на нашу думку, включають витрати:

  • - на проведення дослідження прогнозованого показника чи процесу, що має на меті забезпечити дослідника вихідною інформацією для прогнозування;
  • - купівлю засобів праці аналітика: комп'ютерної техніки та програмного забезпечення;
  • - заробітну плату аналітику ринку за його працю.

Вигоди, одержувані від вірно складеного прогнозу, полягають в додатково отриманих земельних платежах за рахунок своєчасного коректування орендної плати за земельні ділянки, що перебувають у державній (муніципальної) власності, непрямих податків і зборів за використання об'єктів нерухомості і т.п.

Якщо позначити витрати З пр , а додаткові доходи ДП зем , врахувати разновременность витрат і отримання доходів і підставити ці показники в стандартну формулу для індексу прибутковості, то отримаємо такий вираз:

де PI - індекс прибутковості; i - ставка дисконту; j і до - порядковий номер часового періоду.

У представленій формулі витрати на отримання прогнозу тим чи іншим методом відомі до моменту початку робіт, значення PI закладається завданням на виконання робіт. Таким чином, від прогнозованої ситуації залежить третя складова виразу АП зем . Орендна плата стягується, виходячи з ринкової вартості земельних ділянок. Податковою базою згідно НК РФ є кадастрова вартість земельних ділянок, що розраховується виходячи з аналізу сформованих ринкових цін на земельні ділянки.

Отже, ДП зем ^. можна виразити у вигляді

де П р ^. - земельні платежі, які плануються до збирання без виконання робіт по прогнозуванню; П пр ^ - прогнозовані земельні платежі.

У процесі індивідуальної (ринкової) оцінки об'єктів нерухомості прогнозування ринку і, як наслідок, величини майбутніх доходів займає центральне місце в методі дисконтування грошових потоків. Саме якісний і достовірний прогноз грошових потоків, очікуваних в майбутньому, дозволить розрахувати значення вартості, найбільш відповідає поточній ринковій ситуації.

В області оцінки інвестиційної привабливості земельних ділянок основним моментом, що викликає потребу в прогнозуванні, є спроба здійснити прогноз потоку доходів від об'єкта нерухомості, обгрунтувати доцільність і розрахувати ефективність інвестування в даний сегмент ринку нерухомості. Крім того, з нашої точки зору, за допомогою методики оцінки інвестиційних проектів доцільно оцінювати ефективність рішення про перспективний використанні земельних ділянок під той чи інший вид функціонального призначення.

Нехай прогноз ставки оренди (С,) об'єкта нерухомості в i-й момент часу дорівнює С, ± САО. Якщо в момент часу i значення середнього абсолютного відхилення позитивно, то це не матиме негативного впливу на показники ефективності проекту, тому пильна увага варто приділити нагоди, коли величина реальних ставок оренди виявиться менше прогнозованої.

Вводячи в формули для обчислення основних критеріїв ефективності інвестиційних проектів помилку прогнозу, отримаємо формули залежності величини зміни цих показників від середнього абсолютного відхилення методу прогнозування.

де W k - обсяг вкладень в к-й рік.

де І ср - середньорічний обсяг вкладень; ОС п - залишкова вартість майна на кінець аналізованого періоду.

У випадках періоду окупності і внутрішньої норми прибутку отримати однозначну залежність аналогічно наведеним вище виразами неможливо. У першому випадку тому, що період окупності обчислюється через ставку капіталізації і не залежить безпосередньо від доходу. У разі внутрішньої норми прибутку необхідно вирішити рівняння п-го порядку, але знайти коріння алгебраїчного рівняння вищих ступенів (п'ятої і вище) в загальному випадку неможливо [3] . Такі рівняння вирішуються наближеними методами шляхом підбору одного кореня і розкладання на рівняння нижчого порядку. Тому в кожному конкретному випадку необхідно будувати графік залежності і графічно визначати величину залежності.

При аналізі інвестиційного проекту ставка дисконту відома, як і термін інвестування (період попередження), тому в отриманих вище виразах множник в дужках при величині САО представляє собою константу. Таким чином, виходячи з положення і цілей конкретного інвестора, можна визначити величину допустимого люфту в величині чистої приведеної вартості, індексу прибутковості і коефіцієнті ефективності. Порівнюючи зміни чистої приведеної вартості, індексу прибутковості і коефіцієнта ефективності при використанні різних методів прогнозування з вартістю прогнозних робіт цими методами, можна знайти оптимальний метод прогнозування.

  • [1] ХанкДж. Е., Райт А. Дж., УічернД. У. Бізнес-прогнозування.
  • [2] Варламов А. А. Земельний кадастр. Т. 2. Управління земельними ресурсами.
  • [3] Бебеніна Г. Г., Скребушевскій Б. С., Соколов Г. А. Системи управління польотом космічних апаратів. М.: Машинобудування, 1978; Бронштейн И. Н., Семендяев К. А.Справочнік з математики для інженерів і учнів втузів. 13-е изд., Испр. М.: Наука, 1986.
 
<<   ЗМІСТ   >>