Повна версія

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

  • Увеличить шрифт
  • Уменьшить шрифт


<<   ЗМІСТ   >>

ЗАСТОСУВАННЯ РЕЗУЛЬТАТІВ ПРОГНОЗУВАННЯ І ПЛАНУВАННЯ ВИКОРИСТАННЯ ЗЕМЕЛЬНИХ РЕСУРСІВ ТА ОБ'ЄКТІВ НЕРУХОМОСТІ В СИСТЕМІ УПРАВЛІННЯ

Прогнозування і планування використання земель є найважливішими функціями системи управління земельними ресурсами, що визначають перспективи раціонального землекористування, що дозволяють здійснювати ефективну земельну політику і розвивати сталий землекористування в країні 1 .

При здійсненні прогнозування і планування використання земель слід також пам'ятати, що необхідно враховувати цільову установку держави на розвиток ринкового механізму користування земельними ресурсами, різноманіття форм власності на землю, обороту земель, раціонального використання земель, підвищення стійкості землекористування і т.п.

Прогнозування і планування використання земельних ресурсів в сучасних російських умовах має свої особливості, це:

  • - відсутність системи прогнозування і планування використання земель як в країні в цілому, так і в окремих регіонах;
  • - складний і трудомісткий процес узгодження документів прогнозування та планування з усіма зацікавленими сторонами;
  • - розбіжності документів прогнозування та планування використання земельних ресурсів з планами і програмами соціально-економічного розвитку територій та галузей економіки;
  • - розбіжності між державними, громадськими інтересами, з одного боку, та інтересами приватних землекористувачів - з іншого.

У той же час правильне і якісно виконане прогнозування і планування використання земельних ресурсів може стати одним з чинників економічного зростання, підвищення привабливості земельних ресурсів, зростання якості життя і поліпшення екологічної обстановки.

Далі ми наведемо кілька прикладів успішного застосування результатів прогнозування і планування використання земельних ресурсів в процесі управління.

Одним з ефективних напрямків є планування податкових надходжень від майнових податків, базою для яких служать результати державної кадастрової оцінки (ДКО) земель та інших об'єктів нерухомості Обумовлена в процесі ДКО кадастрова вартість фіксується на період до проведення нового туру оцінки. Федеральний закон від 3 липня 2016 р № 237-ФЗ «Про державну кадастрової оцінки» встановлює, що ДКО може проводитися не частіше ніж один раз протягом трьох років (в містах федерального значення не частіше ніж один раз протягом двох років) і не рідше ніж один раз протягом п'яти років. Вибір терміну проведення здійснюється регіональними властями в основному виходячи з наявності або відсутності бюджетних коштів на проведення оціночних робіт. При цьому подібний вибір не завжди є найефективнішим управлінським рішенням. В результаті невірно обраних термінів проведення ДКО можуть зменшитися податкові надходження до бюджетів.

Кадастрова вартість визначається шляхом статистичного аналізу сформованих ринкових цін, отже, аналіз існуючої ринкової інформації і прогноз тенденцій розвитку ринку оцінюваних об'єктів відіграють ключову роль в методиці визначення кадастрової вартості. Таким чином, на думку авторів, прийняття рішення про терміни проведення ДКО необхідно здійснювати з залученням результатів прогнозування ринку об'єктів оцінки.

Прогнозування ринку земельних ділянок здатне забезпечити органи влади оперативної і довгострокової інформацією про стан ринку, середньої вартості ціни на землю в сьогоденні і майбутньому. Виявлення чинників, завдяки яким вартість земельних ділянок зростає з року в рік, є найважливішою метою прогнозування ринкової вартості. Володіючи цією інформацією, можна скласти план по найбільш ефективним термінів проведення робіт по ДКО.

Методична послідовність вибору термінів проведення ДКО може бути представлена у вигляді наступних етапів [1] :

  • - аналіз ринку земельних ділянок;
  • - прогноз середнього рівня ринкових цін на земельні ділянки на три - п'ять років;
  • - прогноз очікуваного рівня кадастрової вартості земель на даний період;
  • - розрахунок витрат на проведення ДКО;
  • - визначення очікуваних грошових потоків для консолідованого бюджету;
  • - розрахунок ставки дисконтування;
  • - порівняння дисконтованих притоків і відтоків бюджетних коштів;
  • - висновок про найбільш ефективному термін проведення робіт по ДКО.

Логіка виконання цих етапів полягає в наступному: ефект

від проведення ДКО складається з комбінації різноспрямованих грошових потоків. Перший грошовий потік полягає в надходженні до бюджету земельного податку, визначеного на основі результатів попереднього туру кадастрової оцінки, від моменту аналізу до моменту проведення оціночних робіт.

Наступний приплив грошових коштів в бюджет буде складатися в земельний податок, розрахованому на основі нових результатів ДКО.

Негативним грошовим потоком, тобто витратами бюджету, будуть виступати грошові кошти, необхідні для проведення робіт з аналізу та прогнозування ринку, а також витрати безпосередньо на здійснення кадастрової роботи.

Проаналізувавши всі ці грошові потоки до моменту прийняття рішення, отримаємо загальний ефект від проведення ДКО, який в разі оцінки через три роки можна представити у вигляді формули

де ДТ 0 - земельний податок, який обчислюється за результатами попереднього туру ДКО; ЗП, - - витрати на аналіз і прогноз ринкової вартості земельних ділянок в j -й рік; ДТ н - земельний податок, який обчислюється за результатами нового туру ДКО; З гк0 - витрати на проведення ДКО.

Якщо передбачається проведення оціночних робіт через п'ять років, то вищенаведена формула набуде вигляду

Аналогічним чином можна трансформувати формулу при проведенні ДКО через чотири роки.

Вибираючи з отриманих величин ефектів Е 3 , Е 4 і Е 5 максимальний, можна зробити висновок про те, в якому році проведення робіт по ГКО найбільш економічно доцільно.

приклад 9.3

Олександр Сорокін з м Самари повинен на основі свого прогнозу, описаного в параграфі 9.3, вибрати найбільш оптимальний термін проведення кадастрової оцінки в місті.

З усіх можливих варіантів поповнення бюджету міського округу м Самара плата за оренду земельної ділянки та земельний податок - одні з найбільш об'ємних. Обидві ці величини обчислюються щодо кадастрової вартості земельної ділянки. Прогнозуючи зміни ринкової вартості земельних ділянок, можна спрогнозувати зміни дохідної частини бюджету, пов'язаної з земельними платежами. Однак варто зазначити, що прогноз ринкової вартості є, по суті, прогнозом не конкретно кадастрової вартості, а ринкової інформації, яка використовується при її розрахунку.

Прогноз складений на п'ятирічний період. Наступну кадастрову оцінку потрібно провести також в цей період. Відповідно, інформація про прогнозування ринкової вартості земельних ділянок, які перебувають у нашому звіті, може використовуватися адміністрацією міста для прогнозування бюджету міста; планування періоду, в який найбільш вигідно провести кадастрову оцінку; визначення конкретних ставок земельного податку.

Щоб виробити рекомендації щодо термінів проведення ДКО земель населених пунктів, необхідно спрогнозувати надходження податкових потоків в бюджет і відняти витрати на проведення оцінки. Грунтуючись на матеріалах прогнозу ринкової вартості земельних ділянок, можна зробити висновок, що коли б не пройшла кадастрова оцінка земель населених пунктів, земельний податок збільшиться.

За підсумками останньої оцінки кадастрова вартість земель склала 733,8 млрд руб., А середнє значення ринкової вартості - 2204 руб / м 2 . Очікувана кадастрова вартість розрахована пропорційно передбаченого значенням ринкової вартості. Для порівнянності всіх грошових потоків (земельний податок та витрати на оцінку) вони були продісконті- рова до моменту аналізу. Результати представлені на рис. 9.2.

Ефект проведення державної кадастрової оцінки в різні терміни

Мал. 9.2. Ефект проведення державної кадастрової оцінки в різні терміни:

проведення ДКО в третьому році; - проведення ДКО в четвертому році; - проведення ДКО в п'ятому році

Як видно на рис. 9.2, виходячи з зробленого прогнозу ринку земельних ділянок максимальне надходження податкових платежів до бюджету слід очікувати при проведенні наступного туру оцінки в четвертому році. Саме цей варіант в середньому на 25% ефективніше інших розглянутих.

Один з найбільш явних прикладів використання результатів прогнозування органами державного і муніципального управління потреба в прогнозі ринку нерухомості може з'явитися при плануванні розвитку території регіону (муніципального освіти) та обґрунтування заходів, необхідних для втілення планів у життя, розробці схем територіального планування регіонів, складанні схем землеустрою регіону і адміністративного району для обґрунтування економічної ефективності розміщення на конкретних земельних учас ках окремих галузей, підприємств, а також при визначенні кращого і найбільш ефективного використання земельних ділянок і т.д.

Розглянемо приклад застосування результатів прогнозування в процесі визначення кращого і найбільш ефективного використання земельної ділянки. В даний час місцева влада багатьох великих міст в регіонах Росії стикаються з ситуацією, коли в центрі міста звільняються значні земельні масиви. Раніше ці території займалися великими промисловими підприємствами, які в даний час або припинили своє існування, або підлягають переведенню за межі міста.

Найчастіше ці ділянки розташовані в дуже привабливих місцях і мають великими площами, що змушують приймати рішення про поєднання на цих ділянках декількох видів використання [2] .

приклад 9.4

Консультант Тетяна єнотова отримала замовлення на визначення кращого і найбільш ефективного використання земельної ділянки і визначення найкращої структури забудови. Ділянка площею 53 га розташовувався в центрі міста практично на березі великої ріки і був привабливий з інвестиційної точки зору. У зв'язку зі значною площею земельної ділянки поставало питання про найбільш ефективну структуру забудови.

За результатами огляду в натурі і проведення аналізу місця розташування ділянки було вьмвлено, що дана ділянка має сприятливе розташування для передбачуваного будівництва, що знаходиться в межах зони зосередження міської інфраструктури. Іншими словами, сприятливе поєднання мезогеографіческого положення території, в межах якої знаходиться досліджувану ділянку, з особливостями характеристик самого ділянки робить його в значній мірі придатним як для будівництва торгового центру, так і для зведення офісних і готельних об'єктів, а також для житлової забудови. Для обґрунтування структури забудови був проведений аналіз і зроблено прогноз даних сегментів ринку.

Ринок житлової нерухомості міста за показником «пропозиція» знаходиться в фазі росту, при цьому збільшення житлового фонду відбувається в основному за рахунок введення цегляних будинків. Протягом останніх двох років намітилася тенденція до збільшення будівництва монолітного і комбінованого житла. При цьому останні п'ять років зберігалася тенденція до зменшення середнього розміру квартири, до періоду попередження даний показник склав 75,6 м 2 .

Незважаючи на значну кількість об'єктів, що позиціонуються в класі «бізнес», більшість з них не відповідають такому за якісними критеріями. Як про найбільш активно розвивається сегменті житла можна говорити про житло економічного і середнього класу, а це передбачає наявність упорядкованої прибудинкової території, паркування, сучасних інженерних систем і комунікації.

Прогнозування квартирного ринку здійснювалося двома способами: методом кореляційного аналізу і подальшої побудови регресійної прогнозної моделі, а також методом нейронних мереж. Побудова регресійної прогнозної моделі здійснювалося в кілька етапів: спочатку прогнозувалася середня ціна 1 м 2 на первинному ринку міста, потім обсяги продажів на квартирному ринку.

Соціально-економічними чинниками, що впливають на середню ціну, з точки зору авторів, виступають обсяги інвестицій в основний капітал, оборот роздрібної торгівлі, валовий регіональний продукт, середня заробітна плата, чисельність населення, індекс споживчих цін, чисельність безробітних, обсяг промислового виробництва, середньодушовий дохід, середньомісячні витрати населення, середня вартість будівництва житла, загальна площа житлового фонду, загальна кількість квартир і загальне число квартир в приватній власності. Обгрунтованість такого припущення і вибір найбільш значущих чинників здійснювався за допомогою коефіцієнта парної кореляції між реальним значенням кожного з факторів, що впливають і досліджуваним показником (табл. 9.6).

Таблиця 9.6

Значення коефіцієнта парної кореляції між ціною квартир на первинному ринку і показниками соціально-економічного розвитку міста

показник

Коефіцієнт парної кореляції із середньою ціною 1 м 2 квартир на первинному ринку

інвестиції в основний капітал

0,98

Оборот роздрібної торгівлі

0,92

Валовий регіональний продукт

0,91

Середня заробітна плата

0,98

Чисельність населення

-0,88

Індекс споживчих цін (ІСЦ)

-0,24

чисельність безробітних

-0,46

Обсяг промислового виробництва

-0,71

середньодушовий дохід

0,92

Середньомісячні витрати населення

0,93

Середня вартість будівництва житла

0,90

Загальна площа житлового фонду

0,93

Загальна кількість квартир

0,95

Загальна кількість квартир в приватній власності

0,96

Всі наведені в табл. 9.6 соціально-економічні фактори, крім ІСЦ і рівня безробіття, знаходяться в тісному зв'язку з прогнозованим і придатні до включення в регресійну модель. Але дані показники мають високі коефіцієнти кореляції не тільки з кількістю підприємств і організацій, а й один з одним. Для усунення мультиколінеарності слід залишити тільки фактор, який має найвищий t-критерій. Таким фактором є розмір середньомісячної заробітної плати. В результаті статечна регресійна модель має наступний вигляд:

Дана теоретична функція достовірно описує 86% практичних значень модельованої величини, середня абсолютна помилка моделювання становить 13,10%, середня процентна помилка - 0,98%. Близькість цього критерію до нуля підтверджує збалансованість моделі, а знак плюс свідчить про пессимистичности модельних значень.

Підставляючи в регресійну модель прогнозовані значення середньої заробітної плати, визначені в офіційному прогнозі соціально-економічного розвитку міста на п'ятирічний період, отримуємо песимістичний і оптимістичний варіанти прогнозу розвитку цінової ситуації на квартирному ринку (табл. 9.7).

Таблиця 9.7

Прогноз середньої ціни 1 м 2 квартир на первинному ринку міста, руб.

показник

Поточний

момент

1-й

рік

2-й

рік

3-й

рік

4-й

рік

5-й

рік

Середня ціна 1 м 2 квартир на первинному ринку (песимістичний варіант)

45 504

56 228

62 704

69 261

79 385

88 543

Середня ціна 1 м 2 квартир на первинному ринку (оптимістичний варіант)

45 504

57 713

65 545

73 218

84 941

95 968

Входять факторами нейронної мережі при прогнозуванні за допомогою побудови прогнозної моделі на основі нейронних мереж виступали соціально-економічні чинники, перераховані раніше. Після проведення нею-росетевого аналізу і навчання нелінійної нейронної мережі отримані результати, що свідчать про те, що найбільш значущими з факторів, що впливають є обсяг інвестицій в основний капітал, середня заробітна плата і чисельність населення. При цьому їх значимість для моделі є приблизно однаковою. Вони і опинилися відібраними для включення в модель.

Найкраща з побудованих нейромережевих моделей має один внутрішній шар з трьома нейронами, середню абсолютну помилку моделювання в розмірі 8,13%, середню процентну помилку - 3,14%. Знак мінус свідчить про зайву оптимістичність модельних оцінок. Ряд, складений з помилок моделі, має невисокий коефіцієнт автокореляції, що підтверджує адекватність моделі.

Підставляючи в нейромережевому модель прогнозовані значення входять факторів, значення яких вказані в офіційному прогнозі соціально-економічного розвитку міста на п'ятирічний період, отримуємо прогноз середньої ціни 1 м 2 квартир на первинному ринку міста за допомогою нейросе- тевого моделювання (табл. 9.8).

Таблиця 9.8

Прогноз середньої ціни 1 м 2 квартир на первинному ринку міста, руб.

показник

Поточний

момент

1-й

рік

2-й

рік

3-й

рік

4-й

рік

5-й

рік

Середня ціна 1 м 2 квартир на первинному ринку (песимістичний варіант)

45 504

35 675

43 878

50 146

57 067

61 132

Середня ціна 1 м 2 квартир на первинному ринку (оптимістичний варіант)

45 504

35 780

44 378

50 480

57 287

61 366

Як видно, нейросетевой прогноз дає менш високе зростання цін на квартири в порівнянні з результатами кореляційно-регресійного аналізу. З огляду на який можна порівняти рівень достовірності регресійній моделі і нейронної мережі, в якості підсумкового прогнозного рівня вартості 1 м 2 на первинному ринку житла доцільно прийняти середньозважене значення ціни за рівнем середньої абсолютної помилки моделювання (рис. 9.3).

Підсумковий прогноз цінової ситуації на первинному ринку квартир в місті в діючих цінах відповідного року

Мал. 9.3. Підсумковий прогноз цінової ситуації на первинному ринку квартир в місті в діючих цінах відповідного року:

оптимістичний сценарій; песимістичний сценарій

Таким чином, можна припускати до кінця прогнозованого періоду збільшення рівня цін до 76 000-82 000 руб / м 2 . Зауважимо, що значення рівня цін, розрахованого за фактичними даними на момент прогнозування, не вибивається із прогнозних значень, що також виступає фактом, що підтверджує достовірність моделювання.

На основі прогнозу середнього рівня ціни і даних по динаміці цін в розрізі класів (коефіцієнт кореляції даних показників становить понад 98%) можна оцінити приблизний рівень цін на готову елітне житло, житло бізнес-класу і економ-класу (табл. 9.9).

Таблиця 9.9

Прогноз середньої ціни 1 м 2 квартир на первинному ринку міста в розрізі класів житла, руб / м 2 (в діючих цінах відповідного року)

клас житла

Поточний

момент

1-й рік

2-й рік

3-й рік

4-й рік

5-й рік

елітне житло

100 000

125 000

127 520

141 447

151 348

166 369

житло

бізнес-класу

78 500

90 000

98 989

110 080

119 219

132 672

житло

економ-класу

48 000

58 500

62 334

70 034

78 076

84 789

Таким чином, при збереженні існуючих тенденцій можна очікувати, що до кінця періоду попередження рівень цін на елітне житло досягне 160 000-170 000 руб / м 2 , бізнес-клас подорожчає до 125 000-: 135 000 руб / м 2 , готове житло економ-класу буде пропонуватися на рівні 85 000 руб / м 2 .

Прогнозування активності квартирного ринку міста здійснювалося тими ж методами, що і прогнозування цінової ситуації.

Як і в попередньому випадку, роботи були розпочаті з кореляційного методу, але після розрахунку коефіцієнтів парної кореляції між кожним з факторів, що впливають і числом проданих квартир з'ясувалося, що жоден з них не перевищує значення 0,4 по модулю. Таким чином, можна зробити висновок, що жоден з розглянутих соціально-економічних показників розвитку міста не має тісного лінійного зв'язку з кількістю угод. Отже, побудова регресійної моделі не представляється можливим.

До складу нейросетевой моделі для прогнозування кількості угод після навчання мережі були включені оборот роздрібної торгівлі, валовий регіональний продукт, чисельність безробітних, витрати населення і середня ціна квартири.

Найкраща з побудованих нейромережевих моделей має один внутрішній шар з шістьма нейронами (рис. 9.4), середню абсолютну помилку моделювання в розмірі 19,51%, середню процентну помилку - 19,10%. знак

мінус свідчить про зайву оптимістичність модельних оцінок. Ряд, складений з помилок моделі, має невисокий коефіцієнт автокореляції, що підтверджує адекватність моделі.

Підставляючи в нейронну модель прогнозовані значення входять факторів, отримуємо прогноз кількості угод на ринку квартир міста (рис. 9.5).

Як видно з рис. 9.5, відповідно до нейромережевих прогнозом після невеликого зростання в перші роки в подальшому очікується невелике зниження активності на ринку.

Ті ж методи - кореляційного аналізу і подальшої побудови регресійної прогнозної моделі та метод нейронних мереж - лягли і в основу складання прогнозу офісного ринку міста. На підставі аналізу ринку офісних приміщень російських міст була виявлена прямо пропорційна залежність офісного ринку від кількості підприємств і організацій, що діють в місті. Тому в якості прогнозованої величини був обраний останній показник.

Нейросетевая модель кількості угод на первинному ринку квартир міста

Мал. 9.4. Нейросетевая модель кількості угод на первинному ринку квартир міста

Нейромережевий прогноз кількості угод на первинному ринку житла міста

Мал. 9.5. Нейромережевий прогноз кількості угод на первинному ринку житла міста:

прогноз чисельності угод (песимістичний варіант); прогноз чисельності угод (оптимістичний варіант)

Соціально-економічними чинниками, що впливають на досліджуваний показник, з нашої точки зору, виступають обсяги інвестицій в основний капітал, сумарний прибуток підприємств і організацій, оборот роздрібної торгівлі і валовий регіональний продукт. Обгрунтованість такого припущення підтверджується значеннями коефіцієнта парної кореляції між кожним з факторів, що впливають і чисельністю підприємств і організацій. Після усунення мультиколінеарності фактором, що впливає на кількість організацій в місті, є обсяг інвестицій в основний капітал. В результаті статечна регресійна модель має наступний вигляд:

Дана теоретична функція достовірно описує 94% практичних значень модельованої величини, середня абсолютна помилка моделювання становить 2,47%, середня процентна помилка - 0,02%. Близькість цього критерію до нуля підтверджує збалансованість моделі, а знак мінус свідчить про невелику пессимистичности модельних значень. За допомогою отриманої функції був складений прогноз чисельності підприємств і організацій міста (табл. 9.10)

Прогноз чисельності підприємств і організацій міста

Таблиця 9.10

показник

Поточний

момент

1-й

рік

2-й

рік

3-й

рік

4-й

рік

5-й

рік

Кількість підприємств та організацій (песимістичний варіант

60 807

63 129

67 967

71 037

77 175

79 473

Кількість підприємств та організацій (оптимістичний варіант)

60 807

64 040

70 084

73 912

79 655

82 098

На підставі отриманого прогнозу і виявленої залежності, про яку вже згадувалося, отриманий прогноз кількості офісних площ, що становлять вільну нішу.

За допомогою методу нейронних мереж також спочатку здійснювалося прогнозування чисельності організацій, а потім вже було отримано прогноз вільної ніші офісних площ.

При прогнозуванні входять факторами мережі виступали соціально-економічні фактори, що впливають на досліджуваний показник: обсяги інвестицій в основний капітал, сумарний прибуток підприємств і організацій, оборот роздрібної торгівлі і валовий регіональний продукт. Після проведення нейросетевого аналізу і навчання нелінійної нейронної мережі отримані результати, що свідчать про те, що найбільш значущими з факторів, що впливають є обсяг інвестицій в основний капітал і прибуток підприємств і організацій (рис. 9.6). Вони і опинилися відібраними для включення модель.

Найкраща з побудованих нейромережевих моделей має один внутрішній шар з одним нейроном (рис. 9.7), середню абсолютну помилку моделювання в розмірі 2,89%, середню процентну помилку - 0,03%. Близькість цього критерію до нуля підтверджує збалансованість моделі. Ряд, складений з помилок моделі, має невисокий коефіцієнт автокореляції, що підтверджує адекватність моделі.

Підставляючи прогнозовані значення інвестицій в основний капітал, отримуємо прогноз чисельності підприємств і організацій (табл. 9.11).

Значимість входять факторів нейронної мережі

Мал. 9.6. Значимість входять факторів нейронної мережі

Нейросетевая модель чисельності підприємств і організацій міста

Мал. 9.7. Нейросетевая модель чисельності підприємств і організацій міста

Прогноз чисельності підприємств і організацій міста

Таблиця 9. 7 7

показник

Поточний

момент

1-Й

РІК

2-й

рік

3-й

рік

4-й

рік

5-й

рік

Кількість підприємств та організацій (песимістичний варіант)

60 807

64 421

69 835

72 811

77 364

78 588

Кількість підприємств та організацій (оптимістичний варіант)

60 807

65 361

71 739

74 980

78 527

79 546

На підставі отриманих прогнозів і виявленої залежності, про яку вже згадувалося, отриманий прогноз кількості офісних площ, що становлять вільну нішу (рис. 9.8).

Як видно на рис. 9.8, протягом усього періоду попередження прогнозується підвищення кількості офісних площ, яке можливо вивести на ринок без негативних наслідків для останнього. В результаті до кінця періоду попередження вільна ніша офісних площ міста складе від 56 000 до 73 000 м 2 .

Прогноз вільної ніші офісних площ міста

Мал. 9.8. Прогноз вільної ніші офісних площ міста:

регресійний прогноз (песимістичний варіант); регресійний прогноз (оптимістичний варіант); нейросетевой прогноз (песимістичний варіант); I нейросетевой прогноз (оптимістичний варіант)

Таким чином, на підставі всього сказаного можна резюмувати, що умови, що складаються в середньостроковій перспективі на ринку офісних центрів міста, які характеризуються фазою рецесії, можна розцінювати як несприятливі для реалізації нових проектів.

В даний час ринок торгових центрів міста характеризується поступовим насиченням. Протягом середньострокового періоду ринок в цілому досягне точки насичення, проте негативні тенденції даного стану відіб'ються в основному на об'єктах з недостатньо професійною концепцією. Поряд з цим, при збереженні існуючих тенденцій буде відчувається дефіцит професійного якісного пропозиції. Одним з основних трендів розвитку ринку стане поступова еволюція форматів торгівлі.

Умови, що характеризують ринок торгових центрів міста, в середньостроковій прогнозної перспективі можуть оцінюватися як сприятливі з точки зору виходу нового проекту.

Стосовно до прикладних цілям дослідження потрібно відзначити, що найбільш успішними перспективами розвитку з точки зору ринкової ситуації з урахуванням місця розташування і характеристик ділянки буде мати об'єкт значних форматів (торгові центри форматів «великі» і «великі»), орієнтований на максимальну комплексність послуг, що надаються.

З огляду на динаміку розвитку ринку, основний ринковий тренд якісної еволюції стосовно до розташування та характеристикам існуючої ділянки, найбільш сприятливими перспективами розвитку буде мати проект торгово-розважального центру великого формату. Об'єкт потрібно орієнтувати на максимальну комплексність послуг, включаючи розміщення розвиненою складовою сегмента відпочинку та розваг, спеціалізованої меблевої складової.

Після аналізу і прогнозу на основі отриманих результатів завдання розробки оптимальної концепції освоєння ділянки зводиться до визначення такої структури забудови наявного земельної ділянки, яка б забезпечила максимізацію прибутковості інвестора. Згідно з висновками, отриманими за результатами виконання робіт з аналізу та прогнозування ринку, доцільний введення наступних видів об'єктів: готель «три зірки», багатоповерхова житлова забудова класів «преміум», «бізнес» і «економ» і торгово-розважальний центр. Будівництво офісних об'єктів представляється на даному етапі недоцільним з урахуванням несприятливих умов, що складаються в середньостроковій перспективі на ринку міста.

Визначення оптимальної концепції складається з наступних підетапів:

  • 1) розрахунок основних критеріїв ефективності використання земельної ділянки окремо під кожен з позначених видів використання (чистої приведеної вартості і коефіцієнта прибутковості (індексу прибутковості)). Розрахунок здійснюється за укрупненими прогнозними показниками з метою визначення потенційного рівня доходу, який можливо отримати;
  • 2) побудова економіко-математичної моделі з метою знаходження поєднання трьох видів забудови, що забезпечує максимізацію прибутку від проекту;
  • 3) визначення підсумкових обсягів кожного з видів забудови.

Для побудови економіко-математичної моделі залежності прибутковості проекту від структури забудови необхідно отримати дані про можливу приблизною прибутковості, виходячи з припущення про використання земельної ділянки цілком під кожен з передбачуваних видів використання. Як параметри ефективності була взята чиста приведена вартість. Розрахунок проводився за середньоринковими показниками доходів і витрат при максимально можливих обсягах забудови. Як обмеження зверху при розрахунку максимальних обсягів застосовували або фізичні обмеження земельної ділянки, або максимальний можливий обсяг виведення на ринок.

Основні розрахункові параметри наведені в табл. 9.12.

На основі представлених даних за укрупненими показниками був проведений розрахунок чистої приведеної вартості (ЧПС) і індексу прибутковості (ІП). Результати розрахунків узагальненого проекту представлені в табл. 9.13.

Визначення оптимальної концепції забудови ділянки здійснювалося алгоритмом лінійного програмування, що носить назву симплекс-методу. Як відомо, в умові завдання, розв'язуваної симплекс-методом, повинна існувати цільова функція, яка підлягає максимізації або мінімізації.

У нашому випадку критерієм оптимальності при моделюванні виступає чистий приведений дохід зі всієї ділянки в цілому. В цьому випадку цільова функція буде мати наступний вигляд:

де УЧПС ТР ц, УЧПС гост , УЧПС ЖИВ - питомий показник чистої приведеної вартості торгово-розважального центру, готелю та житлових будинків відповідно; S XP q - площа земельної ділянки під торгово-розважальний центр, готель, житлові будинки.

Таблиця 9.12

Укрупнені прогнозовані показники рівня доходу і витрат

вид об'єкту

Середня ставка оренди (для житла - середня ціна реалізації), тис. Руб / м 2 / рік

Середні операційні витрати, тис. Руб / м 2

Витрати на будівництво, включаючи інфраструктуру, руб / м 2

Мінімальний обсяг будівництва

Максимальний обсяг будівництва

Площа земельної ділянки на максимальний об'єкт даного виду, м 2

Загальна площа, м 2

Корисна площа, м 2

Загальна площа, м 2

Корисна площа, м 2

Торгово-раз-

13,3 *

2,4

69,6

57 150

40 000

151 400

106 000

290 000

влекательний

центр

Готель

3,8 **

10,4

119,3

2000

1000

14 420

7200

4390

багатоповерхові

107,8 ***

-

59,9

-

-

270 043

240 000

530 000

житлові будинки

* Дана величина є середньозваженої по торговому плану, визначеного на першому етапі робіт. Безпосередньо при розрахунку враховувалися окремо дві середні величини: по торгової галереї та для якірних орендарів.

** 3а номер на добу.

*** Середнє арифметичне значення ціни на житло за найближчі п'ять років на перспективу. Розраховано на основі прогнозу цін на житло, одержаного за наслідками аналізу і прогнозування ринку житлової нерухомості міста.

Таблиця 9.13

Укрупнені прогнозні показники ефективності

характеристика

Торгово-розважальний

центр

Готель

Багатоповерхові житлові будинки

ЧПС, млрд руб.

1,048

0,157

9,107

ІП

1,22

1,28

1,15

Після рішення задачі симплекс-методом Тетяна єнотова з'ясувала, що максимальний чистий дохід здатна принести забудова ділянки, що має наступну структуру: 11,20 га (21%) торгово-розважального призначення, 41,64 га (78%) житлового призначення та 1606 м 2 під готельний об'єкт.

Дана структура забудови здатна забезпечити чисту наведену вартість близько 7,6 млрд руб.

Сумарні результати проведених досліджень наведені в табл. 9.14.

Оптимальна структура забудови земельної ділянки в розрізі функціонального використання

Таблиця 9.14

функціональне

призначення

Площа земельної ділянки, га

Загальна

площа,

м 2

Арендопрігодная (функціональна) площа, м 2

Багатоповерхові житлові будинки

41,64

212 128

188 558

Торгово-розважальний центр

11,20

103 554

72 488

Готель

0,16

2000

1000

Разом

152

999

1307

Проведені розрахунки є лише першим етапом визначення структури використання земельної ділянки, що відповідає кращому і найбільш ефективному варіанту його використання. На другому етапі необхідно вирішити задачу розробки оптимальної концепції забудови тієї частини земельної ділянки, яка призначений для багатоповерхового житлового будівництва.

Згідно з отриманими висновками житловій забудові підлягають 41,64 га, але оскільки при зведенні багатоповерхових житлових будинків необхідно передбачити будівництво об'єктів соціальної інфраструктури, остільки дана площа підлягає уточненню в сторону зменшення, після чого вона складе 38,99 га (73,6% від загальної площі ділянки).

За результатами аналізу, проведеного перед економіко-математичним моделюванням і прогнозуванням, визначено, що доцільний введення багатоповерхових житлових об'єктів класів «еліт», «бізнес» і «економ». Як параметри ефективності використовувалася чиста приведена вартість. Розрахунок проводився за середньоринковими показниками доходів і витрат при максимально можливих обсягах забудови. Як обмеження зверху при розрахунку максимальних обсягів використовувалися фізичні обмеження земельної ділянки та максимальні ринкові обсяги поглинання.

Основні розрахункові параметри наведені в табл. 9.15.

Укрупнені показники рівня доходу і витрат

Таблиця 9.15

клас

житлової

забудови

Середня ціна реалізації, руб / м 2 (вценах базового року)

Витрати на будівництво, руб / м 2

Максимальний

Об `єм

будівництва

Площа земельної ділянки на максимальний обсяг даного виду, га

Корисна

площа,

м 2

Загальна

площа,

м 2

еліт

212 874

74 800

583 680

649 374

38,99

бізнес

189 075

38 000

912 912

1 065 586

38,99

Економ

123 129

30 000

991 116

2 383 240

38,99

На основі представлених даних був зроблений розрахунок ЧПС. Результати розрахунків представлені в табл. 9.16.

Таблиця 9.16

Укрупнені показники ефективності

характеристика

Клас житлових будинків

еліт

бізнес

Економ

ЧПС, млрд руб.

3,66

7,13

3,94

ІП

8,50

61,82

13,24

ЧПС на 1 га, млн руб.

327,42

574,47

352,19

ЧПС на 1 м 2 квартир, руб

21 871

24 535

13 855

Середньорічний чистий дохід на 1 м 2 квартир, руб.

28 002

22 895

12 954

Визначення оптимальної концепції забудови частини ділянки, відведеної під житлову забудову, здійснювалося за аналогічним алгоритмом, вказаним раніше, за допомогою симплекс-методу. І знову в якості критерію оптимальності був прийнятий прогнозований середньорічний чистий дисконтований дохід.

Після виконання завдання аналітик з'ясував, що максимальний чистий дохід здатна принести забудова ділянки, що має наступну структуру: 185 000 м 2 (23%) житла класу «економ»; 240 000 м 2 (30%) житла класу «преміум»; 367 000 м 2 (47%) житла класу «бізнес».

За результатами моделювання максимальний чистий дохід здатна принести забудова ділянки, що має наступну структуру: 16,0 га (41%) житла класу «преміум»; 15,7 га (40%) житла класу «бізнес»; 7,3 га (19%) житла класу «економ».

Сумарні дані про рекомендовану структурі забудови, здатної принести 16,87 млрд руб. чистого дисконтованого доходу за 12 років, наведені в табл. 9.17.

Оптимальна структура забудови земельної ділянки в розрізі функціонального використання

Таблиця 9.17

Функціональне призначення

щорічно

вводиться

площа

квартир,

м 2

Загальна

площа

квартир

Загальна

площа

будівель

Площа

земельного

ділянки

м 2

%

м 2

%

га

%

Багатоповерхові житлові будинки класу «преміум»

16 009

240 137

30,32

267 165

23,43

16,04

41,14

Багатоповерхові житлові будинки класу «бізнес»

24 458

366 864

46,32

428 219

37,55

15,67

40,19

Функціональне призначення

щорічно

вводиться

площа

квартир,

м 2

Загальна

площа

квартир

Загальна

площа

будівель

Площа

земельного

ділянки

м 2

%

м 2

%

га

%

Багатоповерхові житлові будинки класу «економ»

27 894

185 060

23,36

444 996

39,02

7,28

18,67

всього

68 361

792 062

100,00

1 140 380

100,00

38,99

100,00

Виконавши всі зазначені розрахунки, Тетяна єнотова вирішила поставлене завдання, визначила найбільш ефективну структуру використання міського ділянки, базуючись на результатах прогнозу.

Отже, на практичному прикладі проекту, який був виконаний і в даний час реалізується, ми показали можливості застосування результатів аналізу і прогнозу ринку нерухомості на муніципальному рівні при плануванні території та виборі найкращого і найбільш ефективного способу використання земельної ділянки. На наш погляд, залучення більшої уваги до аналітичних і прогнозних робіт допоможе знизити ризики прийняття необґрунтованих менеджерських рішень і підвищить ефективність управління земельно-майновим комплексом.

Але результати прогнозування і планування можуть знайти застосування не тільки при визначенні кращого і найбільш ефективного використання ділянки, а й при внутрішньогосподарському управлінні землекористуванням.

приклад 9.5

До експерту Івану Міхрюткіну звернувся фермер з проханням проконсультувати в складанні оптимального проекту сівозміни на своїй ділянці. Проаналізувавши агрономічні та ринкові чинники, Іван Міхрюткін склав три варіанти сівозміни та спрогнозував грошові потоки для фермера від кожного з них (рис. 9.9).

Для розглянутих варіантів терміни окупності виявилися порівнянними і не перевищують одного року. Чиста приведена вартість у другого варіанта майже на 10 млн руб. програє першому і третьому, у яких даний показник приблизно однаковий. Але ЧПС третього сівозміни все ж на 2% більше, ніж у другого, що дозволяє зробити висновок, що для інвестора кращим і найбільш ефективним використанням даної земельної ділянки буде вибір третього варіанту сівозміни, при якому ЧПС складе 73,4 млн руб.

З точки зору бюджетної ефективності розглянуті варіанти використання ділянки співвідносяться приблизно так само: сумадисконтованих податків бюджетів всіх рівнів варіюється від 19,3 до 21,2 млн руб. у випадках реалізації другого і третього варіантів сівозміни, відповідно.

При цьому слід зазначити, що кількість створюваних робочих місць в усіх варіантах відрізняється незначно. Таким чином, можна резюмувати, що і для держави третій варіант видається найкращим.

Грошові потоки для інвестора при розміщенні різних варіантів сівозміни

Мал. 9.9. Грошові потоки для інвестора при розміщенні різних варіантів сівозміни:

перший варіант; другий варіант; третій варіант

Як випливає з наведених прикладів, використання результатів прогнозування в самих різних аспектах управління земельними ресурсами допомагає підвищити ефективність менеджерських дій.

  • [1] Комаров С. І., А. А. Сорокін. Економічне обгрунтування вибору термінів проведення державної кадастрової оцінки земель // Майнові відносини в Російській Федерації. 2017. № 2. С. 6-11.
  • [2] Комаров С. І. Прогнозування в системі управління земельно-імущественнимкомплексом.
 
<<   ЗМІСТ   >>