PRIMENA VIŠEPARAMETARSKE REGRESIJE U PROCENI VREDNOSTI NEPOKRETNOSTI

1. XXVI Sabor geodeta Srbije PRIMENA VIŠEPARAMETARSKE REGRESIJE U PROCENI VREDNOSTI NEPOKRETNOSTI Prof.drBranko Božić, dipl.inž. geod. Dragana Milićević, master inž. geod. dr Marko Pejić, dipl.inž. geod. mr Stevan Marošan, dipl.inž. geod. Soko Banja, 31. maj – 2. jun 2013.

2. SADRŽAJ UVOD MASOVNA PROCENA VREDNOSTI NEPOKRETNOSTI VIŠEPARAMETARSKA REGRESIONA ANALIZA PRIMER ZAKLJUČAK

3. UVOD Značaj procene vrednosti nepokretnosti. Potreba za procenom vrednosti nepokretnosti. Modeli procene vrednosti nepokretnosti - masovna procena vrednosti nepokretnosti i - pojedinačna procena vrednosti nepokretnosti.

4. MASOVNA PROCENA VREDNOSTI NEPOKRETNOSTI Kako proceniti vrednost nepokretnosti na naučni način? Sistemi masovne procene vrednosti nepokretnosti su razvijani od 1970-ih godina. Inkorporirane su matematičke i statističke tehnike. Zakon o državnom premeru i katastru (“Sl. Glasnik RS”, broj 72/09). Razvoj modela masovne procene vrednosti nepokretnosti u Srbiji.

5. MASOVNA PROCENA VREDNOSTI NEPOKRETNOSTI Više definicija masovne procene vrednosti nepokretnosti: Kathmann (1993) definiše masovnu procenu vrednosti nepokretnosti kao “the process of valuing a group of properties for a given date, in a way that provides objectivity, equity and possibility for statistical testing” Smeltzer(1986), objašnjava da procena vrednosti nepokretnosti “process of estimation or giving opinion of property value at a specified date with the relevant data analysis support”

6. MASOVNA PROCENA VREDNOSTI NEPOKRETNOSTI Masovna procena vrednosti nepokretnosti sastoji se iz 2 koraka: 1. Specifikacija modela Specifikacija modela daje okvir za simulaciju ponude i potražnje. Kreatori modela prilikom njegove specifikacije moraju da uzmu u obzir promenljive, tj. karakteristike nepokretnosti i njihove međusobne odnose. 2. Kalibracija modela Kalibracija modela je postupak kojim se formule, tabele i koeficijenti prilagođavaju uslovima tržišta nepokretnosti.

7. VIŠEPARAMETARSKA REGRESIONA ANALIZA Fransis Galton, 1855. Matematički model višestruke regresije je: Y – zavisna promenljiva m – broj nezavisnih promenljivih Xi - nezavisne promenljive (i = 1, ..., m) a0, a1, a2 i a3 su nepoznati koeficijenti koje je neophodno odrediti minimizacijom sume kvadrata grešaka e je slučajna greška, koja je normalno distribuirana sa srednjom vrednošću 0 i nepoznatom standardnom devijacijom σ.

8. PRIMER Nezavisne promenljive uzete za objašnjenje kako se Višeparametarska regresiona analiza može koristiti prilikom procene vrednosti nepokretnosti su: LA – stambena površina GA – površina garaže i Age – starost nepokretnosti MV – zavisna promenljiva, tržišna vrednost nepokretnosti a0, a1, a2 i a3 su nepoznati parametri e je slučajna greška, koja je normalno distribuirana sa srednjom vrednošću 0 i nepoznatom standardnom devijacijom σ.

9. PRIMER Simulirani model za 10 stanova u ustom stambenom bloku kao i nepokretnost čija se vrednost procenjuje, pri čemu je usvojeno da je vrednost stambene površine 1300 €/m2, vrednost garaže 300 €/m2, a da sa starošću objekta vrednost opada 500 €/god.

10. PRIMER Regresiona statistika Očekivane vrednosti parametara

11. PRIMER MV = 137 801 € α = 0.01, f = 7 → t = 3.50

12. PRIMER Visok stepen korelacije Obratiti pažnju kod izbora težina u modelu

13. PRIMER Relativne težine između parametara u modelu pokazuju veliki uticaj prvog regresora (površina stambenog prostora) i visok nivo zavisnosti modela povezan sa druge dve promenljive.

14. ZAKLJUČAK Višestruka regresija omogućava ocenu koeficijenata i težina korišćenjem velikog uzorka (velikog broja realizovanih prodaja). Relevantne promenljive moraju biti međusobno nezavisne (neophodno je voditi računa da se iz modela izoluju visoko linearno zavisne promenljive). Očekivana vrednost greške e je 0. Greške moraju biti nekorelisane, normalno raspoređene i njihova varijansa mora biti konstantna.

15. HVALA NA PAŽNJI