Диссертация на тему: «Анализ инвестиционной привлекательности регионов Российской Федерации для размещения объектов жилой и коммерческой непроизводственной недвижимости»
Скачать 0.55 Mb.
|
| Глава 3. Практическая часть 3.1 Результаты расчётов по методам, рассмотренных в главе 2 Следует отметить, что в таблицах года называются «1 год» и «2 год», поскольку не все показатели взяты с одного года. То есть для примера, большинство показателей взято за 2011/2012 и 2012/2013 года, но некоторые по которым отсутствует информация по последним годам, взята информация в более ранние года, и принята как наиболее актуальная. Так как некорректно было бы присвоить какой-то конкретный год, года были названы «1 год» и «2 год». Полученный первым методом (метод 20% групп) для жилой недвижимости рейтинг представлен в таблице 1 (приложение 1). Первым методом (20% групп) для коммерческой непроизводственной недвижимости результат представлен в таблице 2 (приложение 1). Вторым методом (метод медиан) для жилой недвижимости –таблица 3 (приложение 1). Вторым методом (метод медиан) для коммерческой непроизводственной недвижимости – таблица 4 (приложение 1). Третьим методом (метод частных индексов) для жилой недвижимости – таблица 5 (приложение 1). Третьим методом (метод частных индексов) для коммерческой непроизводственной недвижимости – таблица 6 (приложение 1). Четвёртым методом (метод Сазыкина В.Л.) для жилой недвижимости – таблица 7 (приложение 1). Четвёртым методом (метод Сазыкина В.Л.) для коммерческой непроизводственной недвижимости – таблица 8(приложение 1). 3.2 Сравнение результатов применённых методов с показателями, прямо характеризующими инвестиционную привлекательность Для сравнения полученных результатов возьмём данные из базы Госкомстата, по которым можно «напрямую» судить об инвестиционной привлекательности. Для жилой недвижимости воспользуемся показателем «ввод в действие общей площади жилых домов» в тысячах квадратных метрах. Для коммерческой недвижимости возьмём показатель «инвестиции в нежилые здания и сооружения» в миллионах рублей. Также для жилой недвижимости используем показатель введённых квадратных метров в год на 1000 человек к количеству квадратных метров на душу населения. Для жилой недвижимости и показателя «ввод в действие общей площади жилых домов» в тысячах квадратных метрах полученный рейтинг представлен в таблице 1 (приложение 2). Для показателя «введённых квадратных метров жилья на 1000 человек в год» полученный рейтинг представлен в таблице 2 (приложение 2). И наконец, для коммерческой недвижимости, используя показатель «инвестиции в нежилые здания и сооружения» в миллионах рублей получаем рейтинг в таблице 3 (приложение 2). Полученные рейтинги примем за эталон и сравним с ними рейтинги, полученные в результате применения четырёх методов факторного анализа. По итогам сравнения с показателем «ввод квадратных метров в год на 1000 человек» имеем (столбцы без названия показывают разницу в позиции эталонного и сравниваемого рейтингов, измеряется в количестве позиций; все остальные столбцы показывают номер в соответствующем рейтинге; также рассчитаны сумма отклонений и среднее отклонение, последние две строчки таблиц) (таблица 2): Таблица 2. Сравнение результатов рейтингов для жилой недвижимости с рейтингом, полученным, используя показатель «ввод квадратных метров в год на 1000 человек» При сравнении с показателем «всего введено метров жилья в год» для жилой недвижимости получаем (таблица 3): Таблица 3. Сравнение результатов рейтингов для жилой недвижимости с рейтингом, полученным, используя показатель «ввод метров жилья в год» Для коммерческой недвижимости используем показатель «инвестиции в нежилые здания и сооружения», получаем (таблица 4): Таблица 4. Сравнение результатов рейтингов для коммерческой непроизводственной недвижимости с рейтингом, полученным, используя показатель «инвестиции в нежилые сооружения и постройки» По результатам сравнения можно сделать выводы, что из четырёх методов более точную оценку даёт метод Сазыкина В.Л. Также следует отметить, что результаты оценки инвестиционной привлекательности коммерческой недвижимости более точны, чем результаты оценки жилой недвижимости. Таким образом, признаем метод Сазыкина В.Л. наиболее объективным из четырёх предложенных, и дальнейшее исследование будем проводить, основываясь на результатах данного метода. В качестве эталонного рейтинга для жилой недвижимости лучший результат даёт показатель «всего введено метров жилья в год». 3.3 Итоговый рейтинг и визуализация результатов Рассчитаем итоговый рейтинг регионов Российской Федерации для размещения объектов жилой недвижимости методом Сазыкина В.Л.(таблица 2). Для этого посчитаем среднее арифметическое за два исследуемых года. Динамика улучшения или ухудшения рейтинга для каждого региона отмечена либо зелёной (1), либо красной (0) ячейкой соответственно (таблица 5). Таблица 5. Итоговый рейтинг регионов Российской Федерации для размещения объектов жилой недвижимости методом Сазыкина В.Л. Далее аналогично рассчитаем рейтинг регионов Российской Федерации для размещения объектов коммерческой непроизводственной недвижимости (таблица 6). Таблица 6. Итоговый рейтинг регионов Российской Федерации для размещения объектов коммерческой непроизводственной недвижимости методом Сазыкина В.Л. Аналогично рассчитаем значения эталонных рейтингов, основанных на «вводе метров жилой недвижимости в год» для жилой недвижимости (таблица 7) и «инвестициях в нежилые сооружения и постройки» для коммерческой непроизводственной недвижимости (таблица 8). Таблица 7. Рейтинг регионов Российской Федерации для размещения объектов жилой недвижимости на основании введённых метров жилой недвижимости в год Таблица 8. Рейтинг регионов Российской Федерации для размещения объектов коммерческой непроизводственной недвижимости на основании инвестиций в нежилые сооружения и постройки Далее построим распределения результатов для жилой и коммерческой непроизводственной недвижимости по отношению к эталонным рейтингам, чтобы оценить, насколько они совпадают. Для жилой недвижимости получаем график (рисунок 5). Рисунок 5. Сравнение результатов рейтингов для жилой недвижимости Для коммерческой непроизводственной недвижимости получаем график (рисунок 6). Рисунок 6. Сравнение результатов рейтингов для коммерческой непроизводственной недвижимости Исходя из того, что идеальным случаем был бы тренд, проходящий под углом 45 градусов и скопление точек около этого тренда, можно сделать вывод, что результаты оценки и итоговый рейтинг для коммерческой недвижимости получился намного более точным, нежели рейтинг для жилой недвижимости. Такие результаты можно объяснить рядом причин. Во-первых, для коммерческой непроизводственной недвижимости показатель, используемый для составления сравнительного рейтинга, то есть «инвестиции в нежилые сооружения и постройки», является намного более точным, нежели показатель «ввод метров жилой недвижимости в год» для жилой недвижимости, который не всегда может отражать реальные инвестиции. Во-вторых, причиной могут быть локальные факторы, к которым инвестиционная привлекательность региона для размещения жилой недвижимость определённо более чувствительна, нежели для размещения коммерческой непроизводственной недвижимости. В-третьих, причиной могут быть более точно отобранные показатели для модели инвестиционной привлекательности регионов Российской Федерации для размещения объектов коммерческой непроизводственной недвижимости, чем для модели инвестиционной привлекательности регионов Российской Федерации для размещения объектов жилой недвижимости. Для этого проверим гипотезу о значимости выбранных факторов. 3.4 Построение линейной регрессии для сравниваемых показателей Построим линейную регрессию, где в качестве зависимой переменой возьмём показатели, взятые для эталонных рейтингов, а зависимыми выступают показатели, взятые для моделей инвестиционной привлекательности. Тем самым, мы сможем отобрать значимые показатели. Рассмотрим сначала модель, где зависимой переменной выступает показатель «ввод квадратных метров жилья в год», а независимыми – отобранные показатели для жилой недвижимости. Строя линейную регрессию в программе Eviews, получаем: Таким образом, модель описывается данными показателями на 64%, а значимыми на уровне 5% можно считать показатели x5, x6, x10, x16, x22. Построим ещё раз линейную регрессию и получим: Модель описана данными показателями на 48%, а значимыми на уровне 5% являются показатели x5, x6, x10, x16. Последний раз строим линейную регрессию для оставшихся показателей: Модель описана на 46 %, и все показатели значимы. Таким образом, остались показатели x5, x6, x10, x16. x5 - Число семей, получивших жильё и улучшивших жилищные условия в отчётном году в % к состоящим на учёте в качестве нуждающихся в жилых помещениях x6 - Реальная среднемесячная начисленная заработная плата x10 - Миграционный прирост (убыль) на 10000 населения x16 - Денежные доходы на душу населения Ту же процедуру сделаем для коммерческой непроизводственной недвижимости: На первом шаге остаются показатели x1, x2, x3, x4, x5, x16. Модель определена на 96%.На втором шаге получаем: Таким образом, модель описана на 93% оставшимися показателями x1, x2, x3, x4, x5, x16. x1 –валовый региональный продукт x2 – валовый региональный продукт на душу населения x3 – доля инвестиций в основной капитал в валовом региональном продукте x4 – инвестиции в основной капитал за счёт всех источников финансирования x5 – инвестиции в основной капитал на душу населения x16 – оборот малых предприятий Таким образом, можно сделать выводы, что выбранными показателями модель для размещения объектов коммерческой непроизводственной недвижимости определяется очень хорошо (93%). Несмотря на это, знаки некоторых коэффициентов, полученных при построении линейной регрессии отличаются от тех, которые предполагались изначально. Это может быть объяснено отсутствием определённых статистических данных, показывающих правовые аспекты, политическое состояние в регионе и многое другое. Для жилой недвижимости результаты хуже. Значимых показателей четыре и они определяют модель на 46%. Именно с этим также связано сильное отличие при сравнении рейтингов для жилой недвижимости в 3.2. Это также можно объяснить тем, что выбранные показатели не описывают все аспекты, оказывающие влияние на инвестиционную привлекательность региона для инвестирования в жилую недвижимость. 3.5 Группировка регионов по инвестиционной привлекательности Регионы Российской Федерации для размещения объектов жилой недвижимости предлагаем сгруппировать следующим образом (таблица 9): Таблица 9. Группировка регионов Российской Федерации для размещения объектов жилой недвижимости (левый столбец) В первую группу (группа A) попали регионы, инвестиционная привлекательность которых для размещения объектов которых сильно выделяется на фоне других. То есть город Москва и Московская область, инвестиционная привлекательность которых более чем на 300% выше среднестатистической по Российской Федерации. Объяснить такие значения можно высокой стоимостью квадратного метра жилья в этих регионах и высокой заработной платой людей, а также столичным положением и концентрацией всех финансовых ресурсов, особенно государственных. Во вторую группу (группа B) попали регионы, инвестиционная привлекательность которых выше среднестатистической по Российской Федерации от 25 до 100%. В третью группу (группа C) попали регионы, инвестиционная привлекательность которых в диапазоне от -25 до 25 % ниже или выше среднестатистической по Российской Федерации. То есть колеблющиеся в среднем около 0. В четвёртую группу (группа D) попали регионы с инвестиционной привлекательностью ниже, чем среднестатистическая по Российская по Российской Федерации, и лежащая в диапазоне от -25 до -250%. Следует отметить, что почти у всех регионов с инвестиционной привлекательностью выше среднестатистической по Российской Федерации динамика положительная. Этот факт можно объяснить тем, что рынок жилой недвижимости достаточно инерционен и реагирует не сразу, ведь граждане не столь гибки как бизнес, и не могут отреагировать сразу. Для высокой покупательной способности населения необходима хорошая динамика. Далее сгруппируем регионы Российской Федерации по инвестиционной привлекательности для размещения объектов коммерческой непроизводственной недвижимости (таблица 10).
Таблица 10. Группировка регионов Российской Федерации по инвестиционной привлекательности для размещения объектов коммерческой непроизводственной недвижимости В первую группу (группа A) попали регионы с инвестиционной привлекательностью в диапазоне 80-500% выше среднестатистической по России. Это город Москва, город Санкт-Петербург, активные участники бизнеса, Московская область, а также богатые нефтью регионы Ненецкий автономный округ, Сахалинская и Тюменская области, республика Татарстан. Во вторую группу (группа B) попали регионы с инвестиционной привлекательностью в диапазоне 20-70% выше среднестатистической по Российской Федерации. Это также богатые природными ресурсами области, но уступающие группе A. В третью группу (группа C) попали регионы в диапазоне -25-20% ниже или выше среднестатистической по Российской Федерации. Это группа «середняков». В четвёртую группу (группа D) попали регионы с инвестиционной привлекательностью ниже среднестатистической по Российской Федерации (-25-75%). Это явные аутсайдеры. Республики Дагестан, Чеченская, Ингушетия можно охарактеризовать нестабильной политической ситуацией, что может плохо сказываться на инвестиционной привлекательности. Далее вернёмся к графикам сравнения результатов и попробуем найти причины несоответствия для наиболее «не совпавших» регионов. Для жилой недвижимости (рисунок 7): Рисунок 7. Наиболее отличающиеся результаты рейтингов регионов для жилой недвижимости Эти субъекты: город Москва, Тульская, Тверская, Псковская, Ивановская, Смоленская, Тюменская, Чувашская области, Ханты-Мансийский и Ненецкий автономные округи, республика Дагестан. Город Москва и следующие пять областей в реальности имеют менее низкую инвестиционную привлекательность, нежели показал метод Сазыкина В.Л. Возможно в таких крупных областях покупательная способность людей ниже из-за высоких цен на жильё, а платёжеспособное население предпочитает купить жильё либо в дорогих районах города, что не отражает общую статистику, либо вообще за границей. А богатые нефтью области, что попали в этот список, возможны были занижены в рейтинге как раз из-за не учёта фактора природных ресурсов в модели. Чувашская и республика Дагестан хорошо финансируются федеральным бюджетом, что возможно также не было учтено в модели. Далее вернёмся к графику для коммерческой непроизводственной недвижимости (рисунок 8): Рисунок 8. Наиболее отличающиеся результаты рейтингов регионов для коммерческой непроизводственной недвижимости Из входящих в отмеченные регионы: Калужская, Ульяновская, Кемеровская, Магаданская, Иркутская области, Чукотский автономный округ, Забайкальский край, Чеченская республика. Сложно найти какие-то причины в первых пяти областях. Чукотский автономный округ хоть и обладает большим количеством природных ресурсов, возможно, отпугивает инвесторов своим местоположением. Чеченская республика хорошо финансируется из федерального бюджета, что может быть не отражено в модели. |
Похожие:
 | ... |  | Оценка инвестиционной привлекательности российских интернет-стартапов 29 |
| По данным Комитета по инвестициям и стратегической политике Санкт-Петербурга1 объем инвестиций в 2010 году составил более 5 миллиардов... | | В ходе встречи обсуждались экономическое состояние и проблемы инвестиционной привлекательности района |
| Жилой дом №16, входящий в составе Многоэтажных жилых домов со встроенно-пристроенными нежилыми помещениями, объектами соцкультбыта... | | Жилой дом №19, входящий в составе Многоэтажных жилых домов со встроенно-пристроенными нежилыми помещениями, объектами соцкультбыта... |
| «Развитие института омбудсмена в Российской Федерации: политико-правовой анализ (Development of the Ombudsman’s institution in the... | | Ровой оценки объектов недвижимости учитываются индивидуальные характеристики каждого объекта оценки. Перечень объектов недвижимости,... |
| Ровой оценки объектов недвижимости учитываются индивидуальные характеристики каждого объекта оценки. Перечень объектов недвижимости,... | | Инвестиционная политика и повышение инвестиционной привлекательности республики 4 |