Меню
Главная
Авторизация/Регистрация
 
Главная arrow География arrow ПРОГНОЗИРОВАНИЕ И ПЛАНИРОВАНИЕ ИСПОЛЬЗОВАНИЯ ЗЕМЕЛЬНЫХ РЕСУРСОВ И ОБЪЕКТОВ НЕДВИЖИМОСТИ
Посмотреть оригинал

Применение результатов прогнозирования и планирования использования земельных ресурсов и объектов недвижимости в системе управления

Прогнозирование и планирование использования земель являются важнейшими функциями системы управления земельными ресурсами, определяющими перспективы рационального землепользования, позволяющими осуществлять эффективную земельную политику и развивать устойчивое землепользование в стране1.

При осуществлении прогнозирования и планирования использования земель следует также помнить, что необходимо учитывать целевую установку государства на развитие рыночного механизма пользования земельными ресурсами, многообразия форм собственности на землю, оборота земель, рационального использования земель, повышения устойчивости землепользования и т.п.

Прогнозирование и планирование использования земельных ресурсов в современных российских условиях имеет свои особенности, это:

  • — отсутствие системы прогнозирования и планирования использования земель как в стране в целом, так и в отдельных регионах;
  • — сложный и трудоемкий процесс согласования документов прогнозирования и планирования со всеми заинтересованными сторонами;
  • — разногласия документов прогнозирования и планирования использования земельных ресурсов с планами и программами социально-экономического развития территорий и отраслей экономики;
  • — разногласия между государственными, общественными интересами, с одной стороны, и интересами частных землепользователей — с другой.

В то же время правильное и качественно выполненное прогнозирование и планирование использования земельных ресурсов может стать одним из факторов экономического роста, повышения привлекательности земельных ресурсов, роста качества жизни и улучшения экологической обстановки.

Далее мы приведем несколько примеров успешного применения результатов прогнозирования и планирования использования земельных ресурсов в процессе управления.

Одним из эффективных направлений является планирование налоговых поступлений от имущественных налогов, базой для которых служат результаты государственной кадастровой оценки (ГКО) земель и иных объектов недвижимости Определяемая в процессе ГКО кадастровая стоимость фиксируется на период до проведения нового тура оценки. Федеральный закон от 3 июля 2016 г. № 237-ФЗ «О государственной кадастровой оценке» устанавливает, что ГКО может проводиться не чаще чем один раз в течение трех лет (в городах федерального значения не чаще чем один раз в течение двух лет) и не реже чем один раз в течение пяти лет. Выбор срока проведения осуществляется региональными властями в основном исходя из наличия или отсутствия бюджетных средств на проведение оценочных работ. При этом подобный выбор не всегда является самым эффективным управленческим решением. В результате неверно выбранных сроков проведения ГКО могут уменьшиться налоговые поступления в бюджеты.

Кадастровая стоимость определяется путем статистического анализа сложившихся рыночных цен, следовательно, анализ существующей рыночной информации и прогноз тенденций развития рынка оцениваемых объектов играют ключевую роль в методике определения кадастровой стоимости. Таким образом, по мнению авторов, принятие решения о сроках проведения ГКО необходимо осуществлять с привлечением результатов прогнозирования рынка объектов оценки.

Прогнозирование рынка земельных участков способно обеспечить органы власти оперативной и долгосрочной информацией о состоянии рынка, средней стоимости цены на землю в настоящем и будущем. Выявление факторов, благодаря которым стоимость земельных участков растет из года в год, является важнейшей целью прогнозирования рыночной стоимости. Владея данной информацией, можно составить план по наиболее эффективным срокам проведения работ по ГКО.

Методическая последовательность выбора сроков проведения ГКО может быть представлена в виде следующих этапов[1]:

  • — анализ рынка земельных участков;
  • — прогноз среднего уровня рыночных цен на земельные участки на три — пять лет;
  • — прогноз ожидаемого уровня кадастровой стоимости земель на данный период;
  • — расчет затрат на проведение ГКО;
  • — определение ожидаемых денежных потоков для консолидированного бюджета;
  • — расчет ставки дисконтирования;
  • — сравнение дисконтированных притоков и оттоков бюджетных средств;
  • — вывод о наиболее эффективном сроке проведения работ по ГКО.

Логика выполнения этих этапов состоит в следующем: эффект

от проведения ГКО складывается из комбинации разнонаправленных денежных потоков. Первый денежный поток заключается в поступлении в бюджет земельного налога, определенного на основе результатов предыдущего тура кадастровой оценки, от момента анализа до момента проведения оценочных работ.

Следующий приток денежных средств в бюджет будет состоять в земельном налоге, рассчитанном на основе новых результатов ГКО.

Отрицательным денежным потоком, т.е. затратами бюджета, будут выступать денежные средства, необходимые для проведения работ по анализу и прогнозированию рынка, а также затраты непосредственно на осуществление кадастровой работы.

Проанализировав все эти денежные потоки к моменту принятия решения, получим общий эффект от проведения ГКО, который в случае оценки через три года можно представить в виде формулы

где ЗН0 — земельный налог, исчисляемый по результатам предыдущего тура ГКО; ЗП,- — затраты на анализ и прогноз рыночной стоимости земельных участков в j-й год; ЗНн — земельный налог, исчисляемый по результатам нового тура ГКО; Згк0 — затраты на проведение ГКО.

Если предполагается проведение оценочных работ через пять лет, то вышеприведенная формула примет вид

Аналогичным образом можно трансформировать формулу при проведении ГКО через четыре года.

Выбирая из полученных величин эффектов Э3, Э4 и Э5 максимальный, можно сделать вывод о том, в каком году проведение работ по ГКО наиболее экономически целесообразно.

Пример 9.3

Александр Сорокин из г. Самары должен на основе своего прогноза, описанного в параграфе 9.3, выбрать наиболее оптимальный срок проведения кадастровой оценки в городе.

Из всех возможных вариантов пополнения бюджета городского округа г. Самара плата за аренду земельного участка и земельный налог — одни из самых объемных. Обе эти величины вычисляются относительно кадастровой стоимости земельного участка. Прогнозируя изменения рыночной стоимости земельных участков, можно спрогнозировать изменения доходной части бюджета, связанной с земельными платежами. Однако стоит отметить, что прогноз рыночной стоимости является, по сути, прогнозом не конкретно кадастровой стоимости, а рыночной информации, которая используется при ее расчете.

Прогноз составлен на пятилетний период. Следующую кадастровую оценку нужно провести также в этот период. Соответственно, информация о прогнозировании рыночной стоимости земельных участков, находящаяся в нашем отчете, может использоваться администрацией города для прогнозирования бюджета города; планирования периода, в который наиболее выгодно провести кадастровую оценку; определения конкретных ставок земельного налога.

Чтобы выработать рекомендации по срокам проведения ГКО земель населенных пунктов, необходимо спрогнозировать поступления налоговых потоков в бюджет и вычесть затраты на проведение оценки. Основываясь на материалах прогноза рыночной стоимости земельных участков, можно сделать вывод, что когда бы ни прошла кадастровая оценка земель населенных пунктов, земельный налог увеличится.

По итогам последней оценки кадастровая стоимость земель составила 733,8 млрд руб., а среднее значение рыночной стоимости — 2204 руб/м2. Ожидаемая кадастровая стоимость рассчитана пропорционально предсказанному значению рыночной стоимости. Для сопоставимости всех денежных потоков (земельный налог и затраты на оценку) они были продисконти- рованы к моменту анализа. Результаты представлены на рис. 9.2.

Эффект проведения государственной кадастровой оценки в разные сроки

Рис. 9.2. Эффект проведения государственной кадастровой оценки в разные сроки:

проведение ГКО в третьем году; — проведение ГКО в четвертом году; — проведение ГКО в пятом году

Как видно на рис. 9.2, исходя из сделанного прогноза рынка земельных участков максимальное поступление налоговых платежей в бюджет следует ожидать при проведении следующего тура оценки в четвертом году. Именно этот вариант в среднем на 25% эффективнее прочих рассматриваемых.

Один из наиболее явных примеров использования результатов прогнозирования органами государственного и муниципального управления потребность в прогнозе рынка недвижимости может появиться при планировании развития территории региона (муниципального образования) и обосновании мер, необходимых для претворения планов в жизнь, разработке схем территориального планирования регионов, составлении схем землеустройства региона и административного района для обоснования экономической эффективности размещения на конкретных земельных участках отдельных отраслей, предприятий, а также при определении лучшего и наиболее эффективного использования земельных участков и т.д.

Рассмотрим пример применения результатов прогнозирования в процессе определения лучшего и наиболее эффективного использования земельного участка. В настоящее время местные власти многих крупных городов в регионах России сталкиваются с ситуацией, когда в центре города освобождаются значительные земельные массивы. Ранее эти территории занимались крупными промышленными предприятиями, которые в настоящее время либо прекратили свое существование, либо подлежат переводу за пределы городской черты.

Зачастую эти участки расположены в весьма привлекательных местах и обладают большими площадями, заставляющими принимать решения о сочетании на этих участках нескольких видов использования[2].

Пример 9.4

Консультант Татьяна Енотова получила заказ на определение лучшего и наиболее эффективного использования земельного участка и определение наилучшей структуры застройки. Участок площадью 53 га располагался в центре города практически на берегу большой реки и был привлекателен с инвестиционной точки зрения. В связи со значительной площадью земельного участка вставал вопрос о наиболее эффективной структуре застройки.

По результатам осмотра в натуре и проведения анализа местоположения участка было вьмвлено, что данный участок имеет благоприятное месторасположение для предполагаемого строительства, находящегося в пределах зоны сосредоточения городской инфраструктуры. Иными словами, благоприятное сочетание мезогеографического положения территории, в пределах которой находится исследуемый участок, с особенностями характеристик самого участка делает его в значительной степени пригодным как для строительства торгового центра, так и для возведения офисных и гостиничных объектов, а также для жилой застройки. Для обоснования структуры застройки был проведен анализ и сделан прогноз данных сегментов рынка.

Рынок жилой недвижимости города по показателю «предложение» находится в фазе роста, при этом увеличение жилого фонда происходит в основном за счет ввода кирпичных домов. В течение последних двух лет наметилась тенденция к увеличению строительства монолитного и комбинированного жилья. При этом последние пять лет сохранялась тенденция к уменьшению среднего размера квартиры, к периоду упреждения данный показатель составил 75,6 м2.

Несмотря на значительное количество объектов, позиционирующихся в классе «бизнес», большинство из них не соответствуют таковому по качественным критериям. Как о наиболее активно развивающемся сегменте жилья можно говорить о жилье экономического и среднего класса, а это предусматривает наличие благоустроенной придомовой территории, парковки, современных инженерных систем и коммуникации.

Прогнозирование квартирного рынка осуществлялось двумя способами: методом корреляционного анализа и последующего построения регрессионной прогнозной модели, а также методом нейронных сетей. Построение регрессионной прогнозной модели осуществлялось в несколько этапов: сначала прогнозировалась средняя цена 1 м2 на первичном рынке города, затем объемы продаж на квартирном рынке.

Социально-экономическими факторами, оказывающими влияние на среднюю цену, с точки зрения авторов, выступают объемы инвестиций в основной капитал, оборот розничной торговли, валовой региональный продукт, средняя заработная плата, численность населения, индекс потребительских цен, численность безработных, объем промышленного производства, среднедушевой доход, среднемесячные расходы населения, средняя стоимость строительства жилья, общая площадь жилого фонда, общее число квартир и общее число квартир в частной собственности. Обоснованность данного предположения и выбор наиболее значимых факторов осуществлялся с помощью коэффициента парной корреляции между реальным значением каждого из влияющих факторов и исследуемым показателем (табл. 9.6).

Таблица 9.6

Значения коэффициента парной корреляции между ценой квартир на первичном рынке и показателями социально-экономического развития города

Показатель

Коэффициент парной корреляции со средней ценой 1 м2 квартир на первичном рынке

Инвестиции в основной капитал

0,98

Оборот розничной торговли

0,92

Валовой региональный продукт

0,91

Средняя заработная плата

0,98

Численность населения

-0,88

Индекс потребительских цен (ИПЦ)

-0,24

Численность безработных

-0,46

Объем промышленного производства

-0,71

Среднедушевой доход

0,92

Среднемесячные расходы населения

0,93

Средняя стоимость строительства жилья

0,90

Общая площадь жилого фонда

0,93

Общее число квартир

0,95

Общее число квартир в частной собственности

0,96

Все приведенные в табл. 9.6 социально-экономические факторы, кроме ИПЦ и уровня безработицы, находятся в тесной связи с прогнозируемым и пригодны к включению в регрессионную модель. Но данные показатели имеют высокие коэффициенты корреляции не только с количеством предприятий и организаций, но и друг с другом. Для устранения мультиколлинеарности следует оставить только фактор, имеющий наивысший t-критерий. Таким фактором является размер среднемесячной заработной платы. В результате степенная регрессионная модель имеет следующий вид:

Данная теоретическая функция достоверно описывает 86% практических значений моделируемой величины, средняя абсолютная ошибка моделирования составляет 13,10%, средняя процентная ошибка — 0,98%. Близость данного критерия к нулю подтверждает сбалансированность модели, а знак плюс свидетельствует о пессимистичности модельных значений.

Подставляя в регрессионную модель прогнозируемые значения средней заработной платы, определенные в официальном прогнозе социально-экономического развития города на пятилетний период, получаем пессимистичный и оптимистичный варианты прогноза развития ценовой ситуации на квартирном рынке (табл. 9.7).

Таблица 9.7

Прогноз средней цены 1 м2 квартир на первичном рынке города, руб.

Показатель

Текущий

момент

1-й

год

2-й

год

3-й

год

4-й

год

5-й

год

Средняя цена 1 м2 квартир на первичном рынке (пессимистичный вариант)

45 504

56 228

62 704

69 261

79 385

88 543

Средняя цена 1 м2 квартир на первичном рынке (оптимистичный вариант)

45 504

57 713

65 545

73 218

84 941

95 968

Входящими факторами нейронной сети при прогнозировании с помощью построения прогнозной модели на основе нейронных сетей выступали социально-экономические факторы, перечисленные ранее. После проведения ней- росетевого анализа и обучения нелинейной нейронной сети получены результаты, свидетельствующие о том, что наиболее значимыми из влияющих факторов являются объем инвестиций в основной капитал, средняя заработная плата и численность населения. При этом их значимость для модели является примерно одинаковой. Они и оказались отобранными для включения в модель.

Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с тремя нейронами, среднюю абсолютную ошибку моделирования в размере 8,13%, среднюю процентную ошибку--3,14%. Знак минус свидетельствует об излишней оптимистичности модельных оценок. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Подставляя в нейросетевую модель прогнозируемые значения входящих факторов, значения которых указаны в официальном прогнозе социально- экономического развития города на пятилетний период, получаем прогноз средней цены 1 м2 квартир на первичном рынке города с помощью нейросе- тевого моделирования (табл. 9.8).

Таблица 9.8

Прогноз средней цены 1 м2 квартир на первичном рынке города, руб.

Показатель

Текущий

момент

1-й

год

2-й

год

3-й

год

4-й

год

5-й

год

Средняя цена 1 м2 квартир на первичном рынке (пессимистичный вариант)

45 504

35 675

43 878

50 146

57 067

61 132

Средняя цена 1 м2 квартир на первичном рынке (оптимистичный вариант)

45 504

35 780

44 378

50 480

57 287

61 366

Как видно, нейросетевой прогноз дает менее высокий рост цен на квартиры по сравнению с результатами корреляционно-регрессионного анализа. Учитывая сравнимый уровень достоверности регрессионной модели и нейронной сети, в качестве итогового прогнозного уровня стоимости 1 м2 на первичном рынке жилья целесообразно принять средневзвешенное значение цены по уровню средней абсолютной ошибки моделирования (рис. 9.3).

Итоговый прогноз ценовой ситуации на первичном рынке квартир в городе в действующих ценах соответствующего года

Рис. 9.3. Итоговый прогноз ценовой ситуации на первичном рынке квартир в городе в действующих ценах соответствующего года:

оптимистичный сценарий; пессимистичный сценарий

Таким образом, можно предполагать к концу прогнозируемого периода увеличение уровня цен до 76 000—82 000 руб/м2. Заметим, что значение уровня цен, рассчитанного по фактическим данным на момент прогнозирования, не выбивается из прогнозных значений, что также выступает фактом, подтверждающим достоверность моделирования.

На основе прогноза среднего уровня цены и данных по динамике цен в разрезе классов (коэффициент корреляции данных показателей составляет более 98%) можно оценить примерный уровень цен на готовое элитное жилье, жилье бизнес-класса и экономкласса (табл. 9.9).

Таблица 9.9

Прогноз средней цены 1 м2 квартир на первичном рынке города в разрезе классов жилья, руб/м2 (в действующих ценах соответствующего года)

Класс жилья

Текущий

момент

1-й год

2-й год

3-й год

4-й год

5-й год

Элитное жилье

100 000

125 000

127 520

141 447

151 348

166 369

Жилье

бизнес-класса

78 500

90 000

98 989

110 080

119 219

132 672

Жилье

экономкласса

48 000

58 500

62 334

70 034

78 076

84 789

Таким образом, при сохранении существующих тенденций можно ожидать, что к концу периода упреждения уровень цен на элитное жилье достигнет 160 000—170 000 руб/м2, бизнес-класс подорожает до 125 000— 135 000 руб/м2, готовое жилье экономкласса будет предлагаться на уровне 85 000 руб/м2.

Прогнозирование активности квартирного рынка города осуществлялось теми же методами, что и прогнозирование ценовой ситуации.

Как и в предыдущем случае, работы были начаты с корреляционного метода, но после расчета коэффициентов парной корреляции между каждым из влияющих факторов и числом проданных квартир выяснилось, что ни один из них не превышает значения 0,4 по модулю. Таким образом, можно сделать вывод, что ни один из рассматриваемых социально-экономических показателей развития города не имеет тесной линейной связи с количеством сделок. Следовательно, построение регрессионной модели не представляется возможным.

В состав нейросетевой модели для прогнозирования количества сделок после обучения сети были включены оборот розничной торговли, валовый региональный продукт, численность безработных, расходы населения и средняя цена квартиры.

Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с шестью нейронами (рис. 9.4), среднюю абсолютную ошибку моделирования в размере 19,51%, среднюю процентную ошибку--19,10%. Знак

минус свидетельствует об излишней оптимистичности модельных оценок. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Подставляя в нейронную модель прогнозируемые значения входящих факторов, получаем прогноз количества сделок на рынке квартир города (рис. 9.5).

Как видно из рис. 9.5, согласно нейросетевому прогнозу после небольшого роста в первые годы в дальнейшем ожидается небольшое снижение активности на рынке.

Те же методы — корреляционного анализа и последующего построения регрессионной прогнозной модели и метод нейронных сетей — легли и в основу составления прогноза офисного рынка города. На основании анализа рынка офисных помещений российских городов была выявлена прямо пропорциональная зависимость офисного рынка от количества предприятий и организаций, действующих в городе. Поэтому в качестве прогнозируемой величины был выбран последний показатель.

Нейросетевая модель количества сделок на первичном рынке квартир города

Рис. 9.4. Нейросетевая модель количества сделок на первичном рынке квартир города

Нейросетевой прогноз количества сделок на первичном рынке жилья города

Рис. 9.5. Нейросетевой прогноз количества сделок на первичном рынке жилья города:

прогноз численности сделок (пессимистичный вариант); прогноз численности сделок (оптимистичный вариант)

Социально-экономическими факторами, оказывающими влияние на исследуемый показатель, с нашей точки зрения, выступают объемы инвестиций в основной капитал, суммарная прибыль предприятий и организаций, оборот розничной торговли и валовой региональный продукт. Обоснованность данного предположения подтверждается значениями коэффициента парной корреляции между каждым из влияющих факторов и численностью предприятий и организаций. После устранения мультиколлинеарности фактором, влияющим на количество организаций в городе, является объем инвестиций в основной капитал. В результате степенная регрессионная модель имеет следующий вид:

Данная теоретическая функция достоверно описывает 94% практических значений моделируемой величины, средняя абсолютная ошибка моделирования составляет 2,47%, средняя процентная ошибка--0,02%. Близость данного критерия к нулю подтверждает сбалансированность модели, а знак минус свидетельствует о небольшой пессимистичности модельных значений. С помощью полученной функции был составлен прогноз численности предприятий и организаций города (табл. 9.10)

Прогноз численности предприятий и организаций города

Таблица 9.10

Показатель

Текущий

момент

1-й

год

2-й

год

3-й

год

4-й

год

5-й

год

Количество предприятий и организаций (пессимистичный вариант

60 807

63 129

67 967

71 037

77 175

79 473

Количество предприятий и организаций (оптимистичный вариант)

60 807

64 040

70 084

73 912

79 655

82 098

На основании полученного прогноза и выявленной зависимости, о которой уже упоминалось, получен прогноз количества офисных площадей, составляющих свободную нишу.

С помощью метода нейронных сетей также сначала осуществлялось прогнозирование численности организаций, а затем уже был получен прогноз свободной ниши офисных площадей.

При прогнозировании входящими факторами сети выступали социально- экономические факторы, оказывающие влияние на исследуемый показатель: объемы инвестиций в основной капитал, суммарная прибыль предприятий и организаций, оборот розничной торговли и валовой региональный продукт. После проведения нейросетевого анализа и обучения нелинейной нейронной сети получены результаты, свидетельствующие о том, что наиболее значимыми из влияющих факторов являются объем инвестиций в основной капитал и прибыль предприятий и организаций (рис. 9.6). Они и оказались отобранными для включения модель.

Наилучшая из построенных нейросетевых моделей имеет один внутренний слой с одним нейроном (рис. 9.7), среднюю абсолютную ошибку моделирования в размере 2,89%, среднюю процентную ошибку--0,03%. Близость данного критерия к нулю подтверждает сбалансированность модели. Ряд, составленный из ошибок модели, имеет невысокий коэффициент автокорреляции, что подтверждает адекватность модели.

Подставляя прогнозируемые значения инвестиций в основной капитал, получаем прогноз численности предприятий и организаций (табл. 9.11).

Значимость входящих факторов нейронной сети

Рис. 9.6. Значимость входящих факторов нейронной сети

Нейросетевая модель численности предприятий и организаций города

Рис. 9.7. Нейросетевая модель численности предприятий и организаций города

Прогноз численности предприятий и организаций города

Таблица 9. 7 7

Показатель

Текущий

момент

1-Й

ГОД

2-й

год

3-й

год

4-й

год

5-й

год

Количество предприятий и организаций (пессимистичный вариант)

60 807

64 421

69 835

72 811

77 364

78 588

Количество предприятий и организаций (оптимистичный вариант)

60 807

65 361

71 739

74 980

78 527

79 546

На основании полученных прогнозов и выявленной зависимости, о которой уже упоминалось, получен прогноз количества офисных площадей, составляющих свободную нишу (рис. 9.8).

Как видно на рис. 9.8, на протяжении всего периода упреждения прогнозируется повышение количества офисных площадей, которое возможно вывести на рынок без негативных последствий для последнего. В итоге к концу периода упреждения свободная ниша офисных площадей города составит от 56 000 до 73 000 м2.

Прогноз свободной ниши офисных площадей города

Рис. 9.8. Прогноз свободной ниши офисных площадей города:

регрессионный прогноз (пессимистичный вариант); регрессионный прогноз (оптимистичный вариант); нейросетевой прогноз (пессимистичный вариант); I нейросетевой прогноз (оптимистичный вариант)

Таким образом, на основании всего сказанного можно резюмировать, что условия, складывающиеся в среднесрочной перспективе на рынке офисных центров города, характеризующиеся фазой рецессии, можно расценивать как неблагоприятные для реализации новых проектов.

В настоящее время рынок торговых центров города характеризуется постепенным насыщением. В течение среднесрочного периода рынок в целом достигнет точки насыщения, однако негативные тенденции данного состояния отразятся в основном на объектах с недостаточно профессиональной концепцией. Наряду с этим, при сохранении существующих тенденций будет ощущается дефицит профессионального качественного предложения. Одним из основных трендов развития рынка станет постепенная эволюция форматов торговли.

Условия, характеризующие рынок торговых центров города, в среднесрочной прогнозной перспективе могут оцениваться как благоприятные с точки зрения выхода нового проекта.

Применительно к прикладным целям исследования нужно отметить, что наиболее успешными перспективами развития с точки зрения рыночной ситуации с учетом местоположения и характеристик участка будет обладать объект значительных форматов (торговые центры форматов «большие» и «крупные»), ориентированный на максимальную комплексность предоставляемых услуг.

Учитывая динамику развития рынка, основной рыночный тренд качественной эволюции применительно к местоположению и характеристикам существующего участка, наиболее благоприятными перспективами развития будет обладать проект торгово-развлекательного центра крупного формата. Объект нужно ориентировать на максимальную комплексность услуг, включая размещение развитой составляющей сегмента отдыха и развлечений, специализированной мебельной составляющей.

После анализа и прогноза на основе полученных результатов задача разработки оптимальной концепции освоения участка сводится к определению такой структуры застройки имеющегося земельного участка, которая бы обеспечила максимизацию доходности инвестора. Согласно выводам, полученным по результатам выполнения работ по анализу и прогнозированию рынка, целесообразен ввод следующих видов объектов: гостиница «три звезды», многоэтажная жилая застройка классов «премиум», «бизнес» и «эконом» и торгово-развлекательный центр. Строительство офисных объектов представляется на данном этапе нецелесообразным с учетом неблагоприятных условий, складывающихся в среднесрочной перспективе на рынке города.

Определение оптимальной концепции складывается из следующих подэтапов:

  • 1) расчет основных критериев эффективности использования земельного участка отдельно под каждый из обозначенных видов использования (чистой приведенной стоимости и коэффициента доходности (индекса прибыльности)). Расчет осуществляется по укрупненным прогнозным показателям с целью определения потенциального уровня дохода, который возможно получить;
  • 2) построение экономико-математической модели с целью нахождения сочетания трех видов застройки, обеспечивающего максимизацию прибыли от проекта;
  • 3) определение итоговых объемов каждого из видов застройки.

Для построения экономико-математической модели зависимости доходности проекта от структуры застройки необходимо получить данные о возможной примерной доходности, исходя из предположения об использовании земельного участка целиком под каждый из предполагаемых видов использования. В качестве параметров эффективности была взята чистая приведенная стоимость. Расчет производился по среднерыночным показателям доходов и затрат при максимально возможных объемах застройки. В качестве ограничения сверху при расчете максимальных объемов применяли либо физические ограничения земельного участка, либо максимальный возможный объем вывода на рынок.

Основные расчетные параметры приведены в табл. 9.12.

На основе представленных данных по укрупненным показателям был произведен расчет чистой приведенной стоимости (ЧПС) и индекса прибыльности (ИП). Результаты расчетов обобщенного проекта представлены в табл. 9.13.

Определение оптимальной концепции застройки участка осуществлялось алгоритмом линейного программирования, носящим название симплекс-метода. Как известно, в условии задачи, решаемой симплекс-методом, должна существовать целевая функция, которая подлежит максимизации или минимизации.

В нашем случае критерием оптимальности при моделировании выступает чистый приведенный доход со всего участка в целом. В этом случае целевая функция будет иметь следующий вид:

где УЧПСТРц, УЧПСгост , УЧПСЖИЛ — удельный показатель чистой приведенной стоимости торгово-развлекательного центра, гостиницы и жилых домов соответственно; SXPq — площадь земельного участка под торгово-развлекательный центр, гостиницу, жилые дома.

Таблица 9.12

Укрупненные прогнозируемые показатели уровня дохода и затрат

Вид объекта

Средняя ставка аренды (для жилья — средняя цена реализации), тыс. руб/м2/год

Средние операционные расходы, тыс. руб/м2

Затраты на строительство, включая инфраструктуру, руб/м2

Минимальный объем строительства

Максимальный объем строительства

Площадь земельного участка на максимальный объект данного вида, м2

Общая площадь, м2

Полезная площадь, м2

Общая площадь, м2

Полезная площадь, м2

Торгово-раз-

13,3*

2,4

69,6

57 150

40 000

151 400

106 000

290 000

влекательный

центр

Гостиница

3,8**

10,4

119,3

2000

1000

14 420

7200

4390

Многоэтажные

107,8***

59,9

270 043

240 000

530 000

жилые дома

*Данная величина является средневзвешенной по торговому плану, определенному на первом этапе работ. Непосредственно при расчете учитывались отдельно две средние величины: по торговой галерее и для якорных арендаторов.

**3а номер в сутки.

***Среднее арифметическое значение цены на жилье за ближайшие пять лет на перспективу. Рассчитано на основе прогноза цен на жилье, полученного по результатам анализа и прогнозирования рынка жилой недвижимости города.

Таблица 9.13

Укрупненные прогнозные показатели эффективности

Характеристика

Торгово-развлекательный

центр

Гостиница

Многоэтажные жилые дома

ЧПС, млрд руб.

1,048

0,157

9,107

ИП

1,22

1,28

1,15

После решения задачи симплекс-методом Татьяна Енотова выяснила, что максимальный чистый доход способна принести застройка участка, имеющая следующую структуру: 11,20 га (21%) торгово-развлекательного назначения, 41,64 га (78%) жилого назначения и 1606 м2 под гостиничный объект.

Данная структура застройки способна обеспечить чистую приведенную стоимость порядка 7,6 млрд руб.

Суммарные результаты проведенных изысканий приведены в табл. 9.14.

Оптимальная структура застройки земельного участка в разрезе функционального использования

Таблица 9.14

Функциональное

назначение

Площадь земельного участка, га

Общая

площадь,

м2

Арендопригодная (функциональная) площадь, м2

Многоэтажные жилые дома

41,64

212 128

188 558

Торгово-развлекательный центр

11,20

103 554

72 488

Гостиница

0,16

2000

1000

Итого

152

999

1307

Проведенные расчеты являются лишь первым этапом определения структуры использования земельного участка, отвечающего лучшему и наиболее эффективному варианту его использования. На втором этапе необходимо решить задачу разработки оптимальной концепции застройки той части земельного участка, которая предназначен для многоэтажного жилого строительства.

Согласно полученным выводам жилой застройке подлежат 41,64 га, но поскольку при возведении многоэтажных жилых домов необходимо предусмотреть строительство объектов социальной инфраструктуры, постольку данная площадь подлежит уточнению в сторону уменьшения, после чего она составит 38,99 га (73,6% от общей площади участка).

По результатам анализа, проведенного перед экономико-математическим моделированием и прогнозированием, определено, что целесообразен ввод многоэтажных жилых объектов классов «элит», «бизнес» и «эконом». В качестве параметров эффективности использовалась чистая приведенная стоимость. Расчет производился по среднерыночным показателям доходов и затрат при максимально возможных объемах застройки. В качестве ограничения сверху при расчете максимальных объемов использовались физические ограничения земельного участка и максимальные рыночные объемы поглощения.

Основные расчетные параметры приведены в табл. 9.15.

Укрупненные показатели уровня дохода и затрат

Таблица 9.15

Класс

жилой

застройки

Средняя цена реализации, руб/м2(вценах базового года)

Затраты на строительство, руб/м2

Максимальный

объем

строительства

Площадь земельного участка на максимальный объем данного вида, га

Полезная

площадь,

м2

Общая

площадь,

м2

Элит

212 874

74 800

583 680

649 374

38,99

Бизнес

189 075

38 000

912 912

1 065 586

38,99

Эконом

123 129

30 000

991 116

2 383 240

38,99

На основе представленных данных был произведен расчет ЧПС. Результаты расчетов представлены в табл. 9.16.

Таблица 9.16

Укрупненные показатели эффективности

Характеристика

Класс жилых домов

Элит

Бизнес

Эконом

ЧПС, млрд руб.

3,66

7,13

3,94

ИП

8,50

61,82

13,24

ЧПС на 1 га, млн руб.

327,42

574,47

352,19

ЧПС на 1 м2 квартир, руб

21 871

24 535

13 855

Среднегодовой чистый доход на 1 м2 квартир, руб.

28 002

22 895

12 954

Определение оптимальной концепции застройки части участка, отведенной под жилую застройку, осуществлялось по аналогичному алгоритму, указанному ранее, с помощью симплекс-метода. И снова в качестве критерия оптимальности был принят прогнозируемый среднегодовой чистый дисконтированный доход.

После решения задачи аналитик выяснил, что максимальный чистый доход способна принести застройка участка, имеющая следующую структуру: 185 000 м2 (23%) жилья класса «эконом»; 240 000 м2 (30%) жилья класса «премиум»; 367 000 м2 (47%) жилья класса «бизнес».

По результатам моделирования максимальный чистый доход способна принести застройка участка, имеющая следующую структуру: 16,0 га (41%) жилья класса «премиум»; 15,7 га (40%) жилья класса «бизнес»; 7,3 га (19%) жилья класса «эконом».

Суммарные данные о рекомендованной структуре застройки, способной принести 16,87 млрд руб. чистого дисконтированного дохода за 12 лет, приведены в табл. 9.17.

Оптимальная структура застройки земельного участка в разрезе функционального использования

Таблица 9.17

Функциональное назначение

Ежегодно

вводимая

площадь

квартир,

м2

Общая

площадь

квартир

Общая

площадь

зданий

Площадь

земельного

участка

м2

%

м2

%

га

%

Многоэтажные жилые дома класса «премиум»

16 009

240 137

30,32

267 165

23,43

16,04

41,14

Многоэтажные жилые дома класса «бизнес»

24 458

366 864

46,32

428 219

37,55

15,67

40,19

Функциональное назначение

Ежегодно

вводимая

площадь

квартир,

м2

Общая

площадь

квартир

Общая

площадь

зданий

Площадь

земельного

участка

м2

%

м2

%

га

%

Многоэтажные жилые дома класса «эконом»

27 894

185 060

23,36

444 996

39,02

7,28

18,67

Всего

68 361

792 062

100,00

1 140 380

100,00

38,99

100,00

Выполнив все указанные расчеты, Татьяна Енотова решила поставленную задачу, определила наиболее эффективную структуру использования городского участка, базируясь на результатах прогноза.

Итак, на практическом примере проекта, который был выполнен и в настоящее время реализуется, мы показали возможности применения результатов анализа и прогноза рынка недвижимости на муниципальном уровне при планировании территории и выборе наилучшего и наиболее эффективного способа использования земельного участка. На наш взгляд, привлечение большего внимания к аналитическим и прогнозным работам поможет снизить риски принятия необоснованных менеджерских решений и повысит эффективность управления земельно-имущественным комплексом.

Но результаты прогнозирования и планирования могут найти применение не только при определении лучшего и наиболее эффективного использования участка, но и при внутрихозяйственном управлении землепользованием.

Пример 9.5

К эксперту Ивану Михрюткину обратился фермер с просьбой проконсультировать в составлении оптимального проекта севооборота на своем участке. Проанализировав агрономические и рыночные факторы, Иван Михрюткин составил три варианта севооборота и спрогнозировал денежные потоки для фермера от каждого из них (рис. 9.9).

Для рассматриваемых вариантов сроки окупаемости оказались сопоставимыми и не превышают одного года. Чистая приведенная стоимость у второго варианта почти на 10 млн руб. проигрывает первому и третьему, у которых данный показатель примерно одинаков. Но ЧПС третьего севооборота все же на 2% больше, чем у второго, что позволяет сделать вывод, что для инвестора лучшим и наиболее эффективным использованием данного земельного участка будет выбор третьего варианта севооборота, при котором ЧПС составит 73,4 млн руб.

С точки зрения бюджетной эффективности рассматриваемые варианты использования участка соотносятся примерно так же: сумма дисконтированных налогов бюджетов всех уровней варьируется от 19,3 до 21,2 млн руб. в случаях реализации второго и третьего вариантов севооборота, соответственно.

При этом следует отметить, что количество создаваемых рабочих мест во всех вариантах отличается незначительно. Таким образом, можно резюмировать, что и для государства третий вариант представляется наилучшим.

Денежные потоки для инвестора при размещении различных вариантов севооборота

Рис. 9.9. Денежные потоки для инвестора при размещении различных вариантов севооборота:

первый вариант; второй вариант; третий вариант

Как следует из приведенных примеров, использование результатов прогнозирования в самых разных аспектах управления земельными ресурсами помогает повысить эффективность менеджерских действий.

  • [1] Комаров С. И., А. А. Сорокин. Экономическое обоснование выбора сроков проведения государственной кадастровой оценки земель // Имущественные отношения в Российской Федерации. 2017. № 2. С. 6—11.
  • [2] Комаров С. И. Прогнозирование в системе управления земельно-имущественнымкомплексом.
 
Посмотреть оригинал
< Предыдущая   СОДЕРЖАНИЕ   Следующая >
 

Популярные страницы