Аннотация

Оценка приносящей доход недвижимости, рассматриваемой как основная часть существующих активов, быстро возросла. Эффективная оценка рыночной стоимости такого рода недвижимости требует адекватного учета основных факторов риска местного рынка недвижимости для определения ставки капитализации при применении доходного подхода. Целью работы [1] является выявление наиболее значимых местных факторов риска в сфере недвижимости, связанных с рынком, арендатором и контекстом, влияющим на уровень капитализации жилой недвижимости. Предлагается разработка регрессивного методологического подхода, применяемого к жилому сектору города Рима (Италия). Полученные результаты показывают подверженность анализируемой ставки капитализации изменению местных факторов риска, связанных с недвижимостью, в частности, доходу на душу населения и изменению стоимости арендной платы, а также учитывают влияние внешних шоков и ожиданий инвесторов. Практическое значение работы заключается в возможности для оценщиков оценить вероятные изменения ставки капитализации в различных условиях проживания, если происходят изменения в наиболее влиятельных местных факторах риска, выявленных с помощью предложенной модели.

1. Введение

Национальная и международная политика поощряет мероприятия по обновлению существующих объектов недвижимости для достижения целей устойчивого городского развития. Большинство существующих объектов недвижимости состоят из приносящих доход объектов недвижимости, которые имеют свойство приносить доход (Tajani et al., 2018).

В Италии жилой сектор является одним из основных источников доходной недвижимости, во главе которого стоит столица страны Рим, где за последние 10 лет в среднем за год было построено около 2800 жилых единиц (www.idealista.it). При оценке приносящей доход недвижимости учитываются различные переменные, которые могут повлиять на рыночную стоимость. Фактически, доходный подход основан на трех различных методах: капитализации дохода, дисконтировании денежных потоков и различных моделях ценообразования опционов (IVS, 2022).

При таком подходе оценка наиболее вероятной рыночной стоимости строится на двух фундаментальных переменных для этих объектов недвижимости: чистом операционном доходе и ставке капитализации. Первая из них представляет собой доход, генерируемый объектами недвижимости, без учета расходов со стороны владельца.

Ставка капитализации — это неизвестная и не фиксированная переменная, которая не может быть получена непосредственно с рынка недвижимости. По этим причинам для ее определения было разработано несколько методов оценки (Austin, 2012; Pivo, 2010).

В области инвестиционного риска ставка капитализации, как правило, считается одной из наиболее важных переменных (Anelli & Tajani, 2023). Если произойдет небольшое отклонение от нее, это может повлиять на результат анализа риска инвестора. Это легко объясняется его алгебраическим определением: соотношение между чистым операционным доходом и рыночной стоимостью недвижимости. Можно заметить, что ставка капитализации может быть подвержена влиянию тех факторов, которые влияют как на определение чистого операционного дохода, так и на рыночную стоимость приносящей доход недвижимости.

В нескольких исследованиях было показано, как оценка рыночной стоимости доходной недвижимости определяет набор текущих рыночных условий и экономических тенденций или как, наоборот, на рынки недвижимости влияют экономика, интересы инвесторов и финансовые факторы (Roulac, 1996; d’Amato, 2010).

В этой связи наиболее важным вопросом является использование адекватной ставки капитализации, которая способна отразить все аспекты риска, влияющие на потоки арендного дохода и рыночную стоимость этих объектов недвижимости; таким образом, ставка капитализации включает в себя как макроэкономические, так и местные факторы риска (Manganelli et al., 2014; Gabrielli & French, 2020). Таким образом, она рассматривается как комплексная переменная, в которой сконцентрировано взаимодействие многочисленных факторов, действующих на имущественном и макроэкономическом уровнях (Chaney & Hoesli, 2012). Согласно данным Philips (1998), ставка капитализации объектов жилой недвижимости варьируется в разных мегаполисах и отражает множество факторов, таких как уровень инфляции, стоимость капитала, местные налоги и политика в разных регионах. Несмотря на важность оценки приносящей доход недвижимости в жилом секторе, международная научная панорама в большей степени сосредоточена на оценке коэффициента капитализации офисных помещений. Одной из основных причин является большая сложность поиска доступных данных для определения коэффициента капитализации.

На самом деле, можно выделить несколько пробелов:

1. недостаточное количество исследований, направленных на определение наиболее влиятельных факторов риска в сфере недвижимости, влияющих на уровень капитализации жилого сектора Италии, особенно в городе Риме;
2. отсутствие анализа, касающегося субмуниципального территориального масштаба;
3. отсутствие исследований, изучающих взаимосвязь между конкретными местными факторами риска и ставкой капитализации.

Целью настоящей работы является анализ влияния конкретных местных факторов риска на коэффициент капитализации жилья. Определение вероятных изменений ставки капитализации путем рассмотрения значимости определенных факторов риска с использованием регрессионной модели может быть полезным для поддержки профессиональной практики в целях устранения выявленных пробелов.

2. Цель работы

Целью работы является выявление местных факторов риска в сфере недвижимости, которые в наибольшей степени влияют на уровень капитализации жилого сектора. Цели исследования достигаются путем разработки методологического подхода, основанного на регрессии, который состоит из 4 этапов:

1. изучение справочной литературы для определения 12 факторов риска в сфере недвижимости, которые должны быть проанализированы для объектов жилой недвижимости, приносящих доход;
2. определение переменных, которые могут представлять каждый фактор риска, выбранный при анализе ставки капитализации жилой недвижимости,
3. сбор данных и построение аналитической выборки;
4. применение модели пошаговой регрессии для выявления наиболее значимых переменных факторов риска и определения взаимосвязей между выбранными переменными и ставкой капитализации.

Предложенный методологический подход применен к городу Риму (Италия), и анализ проведен в субмуниципальном территориальном масштабе по 213 однородным районам рынка недвижимости, выявленным Обсерваторией рынка недвижимости Итальянского налогового агентства.

Новое качество, которое этот методологический подход привносит на международный и национальный уровень, заключается в возможности оказания поддержки оценщикам в определении ставки капитализации жилого сектора: знание того, что происходит изменение факторов риска недвижимости, выбранных моделью как наиболее влиятельных, в соответствии с взаимосвязями, определенными с помощью этой модели можно было бы легко оценить ставку капитализации. Более того, модель прозрачным и строгим образом описывает определение ставки капитализации для жилой недвижимости на субмуниципальном уровне. Наконец, еще одним практическим результатом анализа является возможность классифицировать инвестиционный риск в других городах Италии, Европы и мира в соответствии с основными факторами, выбранными с помощью различных моделей, созданных на основе применяемой методологии. Стандарты оценки подчеркивают роль ставки капитализации как показателя предполагаемого инвестиционного риска на рынке недвижимости (IVS, 2022).

Остальная часть статьи структурирована следующим образом: в разделе 3 представлен обзор литературы по аналогичным темам; в разделе 4 описаны данные и методология; в разделе 5 показаны результаты и их соответствие эмпирическим данным; в разделе 6 сформулированы выводы работы и рассмотрены будущие разработки.

3. Обзор литературы

Возможно разделить риски недвижимости на две основные группы:

1. первая — так называемые макроэкономические, связанные с глобальной динамикой рынка,
2. вторая — так называемые местные, которые касаются структур местного рынка недвижимости, которые характеризуют контекст окружающих объектов.

Значимость, которую обе группы факторов риска в сфере недвижимости могут оказывать на потоки доходов, также признается в практике профессиональной оценки и стандартах оценки (IVS, 2022), а также в Европейских стандартах оценки (2020), опубликованных Европейской группой ассоциаций оценщиков (TEGoVA).

3.1 Факторы риска, влияющие на ставку капитализации объектов недвижимости, приносящих доход

Ставка капитализации приносящей доход недвижимости рассматривается как экономическая переменная из-за ее чувствительности к глобальной окружающей среде и макроэкономическим факторам, таким как процентные ставки, инфляция, доступность капитала, динамика цен на жилье и т.д. (Peyton, 2009; Chuangdumrongsomsuk & Fuerst, 2017; Napoli et al., 2017; Letdin et al., 2022).

Теоретически, как утверждают Simons et al., (2011), ставку капитализации можно рассматривать как линейную комбинацию следующих экономических переменных: реальная ставка по ипотечным кредитам, местное налогообложение, статус обслуживания и ожидаемый прирост капитала.

Другие факторы включают уровень инфляции и колебания цен на жилье. В литературе есть несколько исследований, в которых изучалось влияние макроэкономической среды и факторов на показатели капитализации; некоторые важные результаты можно найти в:

• Kim et al. (2018) отметили, что ставки капитализации коммерческих секторов снижаются, если ликвидность на шести азиатских финансовых рынках увеличивается;
• Chen et al. (2009) (2004), исследуя взаимодействие между рынками капитала и чистым операционным доходом, показывают, что ставка капитализации является связующей переменной между ними;
• Clayton et al. (2009) указали, что ставки капитализации могут рассматриваться как функция площади недвижимости и фундаментальных показателей рынка капитала, определяют ожидаемый рост арендной платы, премии за риск акционерного капитала, доходность T-bond и корректировки долгосрочного равновесия с запаздыванием в качестве основных факторов, определяющих ставки капитализации;
• Chervachidze and Wheaton (2013) осознают, насколько важны три макроэкономические переменные, а именно реальная ставка казначейства, премия за риск по облигациям и увеличение темпов роста долга по отношению к ВВП (общая рыночная ликвидность).
• Chichernea et al. (2008) утверждают, что рост спроса на жилье, контракты на поставку и кризис ликвидности оказывают значительное влияние на уровень капитализации.

Полученные данные позволяют утверждать, что макроэкономические факторы риска в сфере недвижимости могут по-разному влиять на уровень капитализации приносящих доход объектов недвижимости, основываясь на трех переменных:

1. периоде времени;
2. секторе недвижимости и
3. территориальном масштабе (Devaney et al., 2019).

Thibodeau and Peng (2012) рассматривают ставку капитализации в рамках гипотезы о ценообразовании дивидендов (Dividend Pricing Hypothesis, DPH) как один из двух компонентов риска инвестиций в жилье. Согласно этой теории, на эффективном рынке жилья, где существует неарбитражное равновесие, которое уравнивает общую доходность жилья с поправкой на риск на разных рынках, существует компромисс между ставкой капитализации и будущей ставкой повышения стоимости.

В спецификации, используемой Feng (Feng, 2015) для оценки ставки капитализации путем тестирования DPH на рынках разных городов, ставки капитализации является функцией вектора, представляющего характеристики жилья.

Geltner et al. (2007) утверждают, что на ставку капитализации влияют затраты альтернативных активов, ожидания инвесторов относительно повышения цен/арендной платы и риск.

Между тем, Tian (2013) предполагает, что уровень капитализации жилой недвижимости в основном связан с процентными ставками и ожидаемой ценой.

В рамках моделей дисконтирования дивидендов D’Amato (2015) переопределяет циклические модели капитализации как модель доходного подхода, учитывающую циклы на рынке недвижимости.

Предлагаемые модели относятся к более широкой группе методик оценки, основанных на интеграции доходного подхода с анализом регулярных и нерегулярных циклов рынка недвижимости. Эти модели могут быть особенно полезны, когда в процессе оценки приносящей доход недвижимости происходят частые периоды подъема и спада рыночных циклов. В местном масштабе можно найти меньше исследований, но некоторые из них заслуживают внимания из-за значимости достигнутых результатов, соответствующих целям данного исследования.

Fisher et al., (2020) показывают, что объекты недвижимости, расположенные в районах с высокой плотностью застройки, демонстрируют более высокий рост чистого операционного дохода, получают более высокую доходность с поправкой на риск и подвергаются более высокому систематическому риску, чем их аналоги, расположенные в районах с низкой плотностью застройки.  Авторы подчеркивают, что факторы риска, связанные с недвижимостью, которые отражают особенности городского контекста, являются существенными факторами, влияющими на уровень капитализации, и могут играть важную роль в различиях в распределении ставок капитализации на субмуниципальном уровне.

Учитывая растущее внимание, уделяемое воздействию зданий на окружающую среду, McGrath (McGrath, 2013) исследует, можно ли количественно определить такие характеристики в показателях капитализации офисов, сертифицированных по экологическим стандартам. Его исследование показывает, что здания с экологическими характеристиками имеют более низкие ставки капитализации, чем те, которые не обладают такими характеристиками.

В исследовании, проведенном Prasetyanto and Sasana (2020), такие факторы, как участок и размер здания, местоположение и возраст здания, используются в качестве независимых переменных, чтобы увидеть влияние и корреляции с уровнем капитализации в качестве зависимой переменной. Выбранные переменные, по-видимому, являются статистически значимыми для объяснения коэффициентов капитализации выборки из 5 жилых объектов, расположенных в Индонезии. Еще одним важным фактором риска, характеризующим местный рынок недвижимости и связанную с ним динамику, является преимущество, получаемое за счет доступности.

Pivo and Fisher (Pivo and Fisher, 2011) пришли к выводу, что объекты, расположенные в городских и пригородных центрах с высокой плотностью населения и в пределах благоприятной близости (пешеходной доступности), должны иметь более низкие показатели капитализации по сравнению с объектами, расположенными в малонаселенных зонах, поэтому инвесторы готовы платить надбавки к цене за объекты с высокой “проходимостью”.

Chaney and Hoesli (Chaney and Hoesli, 2015) выделяют несколько переменных и категорий переменных, которые объясняют ставки капитализации. К ним относятся риски, связанные с недвижимостью (такие как влияние на земельный участок, влияние на собственника, риск реконструкции и риск неликвидности, качество строительства, состояние здания), а также категории рисков на микроуровне, такие как диверсификация арендаторов, риск арендаторов, риск регулирования.

Elliehausen and Nichols (2012) проанализировали более 8000 выборок показателей капитализации офисов в период с 2001 по 2009 год в базе данных Real Capital Analytics (RCA). Регрессионная модель с переменными, связанными с макроэкономическими показателями, характеристиками уровня собственности, типом покупателей, типом продавцов и местными рыночными условиями, показывает, что особенности местного рынка объясняют большую часть изменений в ставках капитализации.

Исследование Sivitanidou and Sivitanides (1999) демонстрирует важную роль, которую местные рыночные условия играют в определении различий в показателях капитализации как в крупных городах, так и во времени.

Несмотря на признанную муниципальными районами сегментацию рынков недвижимости, очень немногие исследования были посвящены конкретным показателям капитализации субмуниципальных зон.

3.2 Применение пошаговой регрессии для анализа ставки капитализации

Одними из наиболее распространенных статистических алгоритмов и алгоритмов машинного обучения являются модели линейной регрессии. Их основные характеристики заключаются в том, что они позволяют находить линейные зависимости между одной (простая линейная регрессия) или несколькими (многомерная линейная регрессия) переменными (Larriva, 2022).

В многочисленных исследованиях используются модели линейной регрессии для изучения ставки капитализации рынка недвижимости.

Например, Letdin et al., (2022) используют обычную регрессионную модель метода наименьших квадратов (МНК) с коэффициентом капитализации в качестве зависимой переменной и включают макроэкономические факторы, характеристики недвижимости, местоположения и арендатора, контроль на уровне сделок и условия аренды. Полученные результаты подчеркивают существенное влияние характеристик арендатора.

Unbehaun, Fuerst (Unbehaun, Fuerst, 2018) оценивают влияние местоположения на ставки капитализации и премии за риск, рассматривая временные, пространственные и экономические переменные центральных деловых районов с помощью модели гедонической регрессии. Их результаты подтверждают важность местных факторов риска, связанных с недвижимостью, особенно тех, которые связаны с городским контекстом.

Netzell (Netzell, 2009) применил регрессионный анализ к ставкам капитализации, рассматривая характеристики недвижимости и получаемый доход, чтобы зафиксировать изменение показателей капитализации во временных рядах. Его результаты показывают, что по большей части оценки не отклоняются от ожидаемого и не проявляют иррациональности.

Среди нескольких типологий существующих регрессионных моделей пошаговый регрессионный анализ широко используется при оценке и изучении рынка недвижимости, особенно для понимания того, как изменяется объясняемая дисперсия, путем добавления (или удаления) каждого предиктора в модель по очереди (Cui, 2020).

Согласно данным Desboulets, 2018, пошаговая регрессия имеет прочную основу и является наиболее известным и распространенным методом выбора переменных в регрессивной модели.

Ranjan and Mishra (2021) проводят анализ факторов риска для прогнозирования цен на недвижимость с использованием многомерной линейной регрессии, пошаговой регрессии и регрессии с опорными векторами.

Yilmazer and Kocaman (2020) сравнивают пошаговую линейную многомерную регрессию и метод случайного леса для массовой оценки в городских жилых районах, в то время как Jafari and Akhavian (2019) включают пошаговую регрессию в четырехэтапную структуру для определения ключевых характеристик, определяющих цены на жилье в США.

Несмотря на полезность, было проведено очень мало исследований ставок капитализации, большинство из которых были проведены много лет назад.

Bleich (Bleich, 2003) использует пошаговую регрессионную модель для оценки влияния землетрясения на ставку капитализации многоквартирных домов.

Rosen, Vandayke (Rosen, Vandayke, 2001) используют модель пошаговой регрессии для определения объясняющих переменных, которые имеют наибольшую статистическую значимость для объяснения зависимой переменной или ставки капитализации офиса.

Froland  (1987), используя метод пошаговой регрессии, объясняет примерно 86-95% изменений в ставках капитализации ставкой по ипотечным кредитам, спредом между восьмиквартальными облигациями и векселями и соотношением цены и прибыли.

4. Материалы и методы

4.1 Пошаговая регрессионная модель

Для выявления наиболее влиятельных местных факторов риска в сфере недвижимости, влияющих на уровень капитализации жилого сектора, и определения существующих взаимосвязей между ними и уровнем капитализации жилой недвижимости в Риме, была разработана пошаговая модель многомерной регрессии.

Пошаговая регрессия — это пошаговое итеративное построение регрессионной модели, которая включает в себя выбор предикторов (объясняющих переменных), которые будут использоваться в конечной модели, объясняющей взаимосвязи между зависимой переменной и независимыми переменными.

Применение пошаговой регрессии полезно в тех случаях, когда необходимо выбрать “оптимальное” подмножество переменных из числа первоначально рассмотренных, как в настоящем исследовании.

Модель пошаговой регрессии определяет наилучшую комбинацию объясняющих переменных, которые имеют наименьший t-критерий и p-значение менее 0,05.

Используемая модель пошаговой регрессии — это “прямой отбор”, который,

1. начинается только с постоянного члена в модели, но без предикторов,
2. проверяет каждый предиктор в соответствии с заданным критерием соответствия, в данном случае F-тестом, для добавления в модель, а затем,
3. сохраняет те, которые считаются наиболее статистически значимыми, повторяя процесс до тех пор, пока все результаты не станут статистически значимыми.

Каждый из предикторов является кандидатом для ввода в пошаговую регрессионную модель: на каждом шаге в пошаговую модель добавляется предиктор с наименьшим t-критерием и p-значением.

С другой стороны, если предиктор имеет значение p, превышающее значение 0,05, он удаляется из пошаговой модели.

Пошаговая регрессия автоматически прекращает выполнение, когда все предикторы в модели имеют p-значения меньше установленного значения α (0,05), а все предикторы, отсутствующие в модели, имеют p-значение выше этого значения.

Включение в модель зависимости от дополнительных предикторов исследуется с помощью дополнительного теста суммы квадратов, применяемого индивидуально для каждого из рассматриваемых предикторов.

Переменная, которая уже была введена ранее, может оказаться избыточной в силу введения новых переменных. Как только будет определена окончательная статистически значимая модель, проводится проверка гипотез по отдельным параметрам, чтобы определить, вносит ли каждый предиктор существенный вклад в модель.

4.2 Особенности выборки для тематического исследования

Модель пошаговой регрессии применена к выборке, которая относится к 213 однородным зонам рынка недвижимости, предоставленным подразделением Обсерватории рынка недвижимости (REMO) Итальянского налогового агентства во втором полугодии 2020 года для города Рим (Италия).

Ключевой процесс деятельности Обсерватории определяется определением зон REMO, то есть однородных областей рынка, в пределах которых собираются исторические данные о приобретенных и арендованных объектах недвижимости. В частности, район REMO определяется как непрерывная часть территории, отражающая однородный сегмент местного рынка недвижимости, на котором существует единообразная оценка экономических и социально-экологических условий. Таким образом, основная гипотеза заключается в том, что «позиционный фактор» является наиболее важным фактором, объясняющим различия в стоимости между различными районами, в частности теми, которые предназначены для жилого использования. Для каждого из однородных районов рассчитывается зависимая переменная, или коэффициент капитализации жилого фонда, и 12 выбранных независимых переменных. Факторы, влияющие на ставку капитализации, основаны на литературе — на аргументах, теории и предварительных наблюдениях, чтобы выявить все аспекты, влияющие на ставку капитализации на рынке.

В частности, переменные, выбранные для анализа, согласуются с исследованиями Fisher et al., (2020), Pivo and Fisher (2011), Chaney and Hoesli (2015) and Elliehausen and Nichols (2012). Более подробную информацию смотрите в подпункте 3.2.

Однако важно отметить, что даже если эти 12 переменных непосредственно связаны с локальным масштабом, их изменения также могут быть коррелированы с динамикой макроэкономических факторов риска на глобальных рынках. Список рассматриваемых переменных и связанные с ними описание, аббревиатуры, источники и справочные данные приведены в Таблице 1.

Таблица 1. Список переменных с их описанием, аббревиатурами и источником/данными. Источник: собственное исследование.

Переменная и акроним	Метод измерения	Источник / Данные
Зависимые переменные
Ставка капитализации жилого сектора (CP)	Средняя ставка капитализации, определенная для сектора аренды жилья в однородной зоне рынка недвижимости.	Котировки Налогового агентства по обзору рынка недвижимости – второе полугодие 2021 года
Изменение стоимости продажи жилья (VRS)	Стандартное отклонение стоимости продаж жилой недвижимости за последние 5 лет в однородной зоне рынка недвижимости. Стандартное отклонение может выражать волатильность стоимостей продаж.	Котировки Налогового агентства по обзору рынка недвижимости – с первого полугодия 2015 года по второе полугодие 2020 года
Средние сроки продажи жилья (ARTS)	Среднее количество месяцев, которое проходит между датой появления объявления о продаже недвижимости и его удалением, чтобы оценить уровень динамичности местного рынка недвижимости. Количество месяцев часто используется для анализа времени нахождения объектов на рынке	База данных Immobiliare.it – с первого полугодия 2015 года по второе полугодие 2020 года
Изменение рентной стоимости жилья (VRR)	Стандартное отклонение стоимостей арендной платы за жилье за последние 5 лет в однородной зоне рынка недвижимости для определения их изменения. Стандартное отклонение может выражать волатильность значений продаж.	Котировки Налогового агентства по обзору рынка недвижимости – с первого полугодия 2015 года по второе полугодие 2020 года
Средний срок аренды жилья (ARRT)	Среднее количество месяцев, прошедших с момента появления объявления о сдаче недвижимости в аренду до его удаления, для оценки уровня динамичности местного рынка арендуемой недвижимости. Количество месяцев часто используется для анализа времени, в течение которого недвижимость была выставлена на продажу.	База данных Immobiliare.it – с первого полугодия 2015 года по второе полугодие 2020 года
Объясняющие переменные
Уровень привлекательности (AL)	Отражает уровень привлекательности городского контекста в пределах однородной зоны рынка с точки зрения среднего количества людей, проходящих через зону с 8:00 утра до 20:00 вечера. Косвенный показатель использования территории.	База данных Urbistat Geosoftware – 1 января 2021 года
Расходы на содержание недвижимости (MC)	Показатель средних расходов на содержание недвижимости на душу населения, которые домохозяйства несут при проведении обычных ремонтных работ. Используется для оценки условий содержания имущества.	База данных Urbistat Geosoftware – 1 января 2021 года
Пустые объекты (EP)	Показатель количества заброшенных или неиспользуемых объектов недвижимости в однородной зоне рынка в процентах от количества существующих объектов. Используется как показатель уровня качества городской среды.	База данных Urbistat Geosoftware – 1 января 2021 года
Доход на душу населения (PCI)	Показатель дохода на душу населения в год — показатель финансовой стабильности арендаторов.	База данных Urbistat Geosoftware – 1 января 2021 года
Домохозяйства, проживающие в принадлежащей им квартире (PA)	Процент домохозяйств, проживающих в квартирах, находящихся в собственности. Используется для определения титула на жильё.	База данных Urbistat Geosoftware – 1 января 2021 года
Домохозяйства, проживающие в арендованной квартире (RA)	Процент домохозяйств, проживающих в арендуемых квартирах, для измерения финансовой нестабильности арендаторов. Используется для определения титула на жильё.	База данных Urbistat Geosoftware – 1 января 2021 года
Уровень безработицы (UR)	Процентная доля неработающих от общей численности постоянного населения трудоспособного возраста. Показатель риска для арендаторов.	База данных Urbistat Geosoftware – 1 января 2021 года
Плотность населения (PD)	Показатель количества жителей на кв. км. Отражает потенциальный спрос на однородной зоне рынка.	База данных Urbistat Geosoftware – 1 января 2021 года

Источники данных, используемые для сбора всех 13 переменных, относятся к трем различным базам данных:

1. первая — это Налоговое агентство, которое является основным национальным источником для получения обновленных предложений по недвижимости жилого, коммерческого, третичного и производственного секторов, используемых как учеными, так и частнопрактикующими специалистами;
2. вторая — это Immobiliare.it, который является самым популярным и многочисленным сайтом объявлений о недвижимости в итальянском контексте;
3. последним является Urbistat Geosoftware, представляющее собой частную базу данных, которая собирает данные из различных источников, таких как Национальный статистический институт.

Среди 12 объясняющих переменных, отобранных для исследования, есть некоторые различия в зависимости от их способности отражать конкретные аспекты местных факторов риска в сфере недвижимости.

В частности, “Изменение стоимости продажи жилья” (VRS), “Среднее время продажи жилья” (ARST), “Изменение стоимости аренды жилья” (VRR) и “Среднее время аренды жилья” (ARRT) являются 4-мя независимыми переменными, которые представляют собой основные факторы, влияющие на процесс формирования рисков рынка.

Фактически, первая переменная (VRS) указывает на стабильность или нестабильность стоимости продаваемого жилья, учитывая период времени в 12 полугодий за последние 5 лет (с первого полугодия 2015 года по второе полугодие 2020 года), чтобы определить, путем определения стандартного отклонения, изменение рыночной стоимости продажи.

Второй (ARST) может дать информацию об уровне динамичности местного рынка недвижимости, поскольку большое значение придается количеству месяцев, в течение которых объявления о продаже недвижимости остаются опубликованными на сайтах объявлений о недвижимости. Переменная ARST относится к периоду, который совпадает с периодом переменной VRS, следовательно, с первого полугодия 2015 года по второе полугодие 2020 года.

Третья (VRR) и четвертая (ARRT) переменные направлены на объяснение тех же проблем, что и первые две переменные, то есть VRS и VRR, но в сегменте рынка аренды, а не продажи.

Для выражения факторов, влияющих на риск, связанный с особенностями городского контекста местного рынка недвижимости для каждой однородной зоны, рассматриваются объясняющие переменные “Уровень привлекательности” (AL), “Затраты на содержание недвижимости” (MC) и “Пустые объекты” (EP).

Фактически, из-за того, что территориальная единица анализа соответствует району, а не отдельному объекту недвижимости, особенности городского контекста, которые обычно рассматриваются для объяснения связанных с ними факторов риска при анализе рынка недвижимости (например,  уровень инфраструктуры, услуги, зеленые насаждения, доступность и т.д.) синтезируются с помощью этих трех переменных.

Первая переменная (AL) дает информацию о количестве людей, проходящих через однородную зону — независимо от того, работники они, местные жители, туристы и т.д. – между 8 часами утра и 8 часами вечера, таким образом, можно оценить потенциальный уровень привлекательности всей зоны пространственного рынка. Это не абсолютный способ выражения привлекательности, но он согласуется с целью работы и других исследований, рассмотренных в подпункте 3.2.

Вторая переменная (МС) может быть прокси поддержания состояния однородного экономического пространства, потому что, если расходы на душу населения высоки, это означает плохое техническое состояние или материал для строительства, в случае, если расходы на душу населения низкие, то это означает хорошее техническое состояние или оптимальные строительные материалы.

Вместо этого переменная EP используется для оценки наличия заброшенных или неиспользуемых зданий, которые могут негативно влиять на уровень городского качества, что также подтверждается несколькими исследованиями (Maghelal et al., 2014; Ferreira et al., 2018; Pinto et al., 2021).

Последние пять объясняющих переменных, или “Доход на душу населения” (PCI), “Домохозяйства, проживающие в собственных квартирах” (PA), “Домохозяйства, проживающие в арендуемых квартирах” (RA), “Уровень безработицы” (UR) и “Плотность населения” (PD), используются благодаря способности учитывать особенности потенциальных арендаторов жилой недвижимости, приносящей доход, и, следовательно, риски арендатора. Переменные PCI, PA, RA и UR, по сути, отражают финансовую стабильность арендаторов в однородной рыночной зоне, но в разных аспектах. 

PCI оценивает финансовую доступность и покупательную способность арендаторов, PA и RA выделяют их активы в сфере недвижимости, а UR, напротив, подчеркивает их финансовую нестабильность.

Объясняющая переменная PD может указывать на то, насколько обширным может быть спрос потенциальных арендаторов на приносящую доход недвижимость в рыночной зоне.  Описательная статистика по 12 объясняющим переменным представлена в Таблице 2.

---

[1] Manganelli, B., Anelli, D., Tajani, F. & Morano, P. (2024). Capitalization rate and real estate risk factors: an analysis of the relationships for the residential market in the city of Rome (Italy). Real Estate Management and Valuation, 32(3), https://sciendo.com/article/10.2478/remav-2024-0028 . Бенедетто Манганелли (Benedetto Manganelli) — Инженерный факультет Университета Базиликата, Виале-дель-Атенео-Лукано, Потенца, Италия; e-mail: benedetto.manganelli@unibas.it. Франческо Таяни (Francesco Tajani) — Факультет гражданского строительства, охраны окружающей среды, строительной инженерии и химии, Политехнический университет Бари, Бари, Италия; (DA) e-mail: debora.anelli@poliba.it, email: pierluigi.morano@poliba.it. Дебора Анелли (Debora Anelli) и Пьердулиджи Морано (Pierluigi Morano) — Факультет архитектуры и дизайна Римского университета Сапиенца; e-mail: francesco.tajani@uniroma1.it

Скачать полностью http://tmpo.su/wp-content/uploads/2025/06/Манганелли-и-др.-Ставки-Капитализации-в-Риме.pdf