Kształtowanie się cen m mieszkania we Wrocławiu w krótkim okresie
Transkrypt
Kształtowanie się cen m mieszkania we Wrocławiu w krótkim okresie
Kształtowanie się cen 2 m mieszkania we Wrocławiu w krótkim okresie Projekt prognostyczny ElŜbieta Bulak Piotr Olszewski Michał Tomanek Tomasz Witka IV ZI gr. 13. Wrocław 2007 I. Sformułowanie zadania prognostycznego: 1. Odbiorca prognozy – inwestor zagraniczny, pragnący zainwestować część swoich środków na polskim rynku nieruchomości. Inwestycja ta ma być krótkoterminowa, gdyŜ eksperci doradzający inwestorowi obawiają się pęknięcia „bańki” cenowej mieszkań w Polsce, bazując na doświadczeniach z rynków Hiszpanii i USA. Są przy tym pewni, Ŝe jeśli nawet ceny nie zaczną w dłuŜszej perspektywie gwałtownie spadać, to z pewnością osiągnięty zostanie górny pułap cenowy, pod którym to zwrot z inwestycji nie będzie juŜ dalej rósł w satysfakcjonujący sposób. 2. Obiekt prognozowany – wrocławski rynek mieszkaniowy. 3. Zjawisko prognozowane – kształtowanie się średniej ceny mieszkań we Wrocławiu. 4. Zmienna prognozowana – średnia cena metra kwadratowego [mkw.] mieszkania w granicach terytorialnych miasta Wrocław dla danego miesiąca. 5. Okres prognozy – kolejne dwa miesiące: marzec i kwiecień 2007 roku. 6. Cel prognozy – celem prognozy jest oszacowanie spodziewanego tempa wzrostu cen mieszkań wrocławskich w najbliŜszym czasie, co pozwoli inwestorowi określić, jak atrakcyjną lokatą kapitału jest wrocławski rynek mieszkań, po porównaniu z prognozami wykonanymi dla innych lokalizacji. 7. Wymagania co do jakości prognozy: dopuszczalność: niech wartość progowa względnego błędu ex ante będzie równa 8%. trafność: zakładamy próg względnego błędu ex post Ψ* = 5% II. Podanie przesłanek prognostycznych 1. Czynniki kształtujące badane zjawisko w przeszłości: poziom płac w sektorze budowniczym – stymulanta dla badanego zjawiska, zmiany tego czynnika w ostatnich latach w duŜej części generowane są przez emigrację zarobkową. stopa bezrobocia – jej spadek pociąga za sobą wzrost zdolności społeczeństwa do zaciągania kredytów, w tym mieszkaniowych, a więc umoŜliwia wzrost popytu na mieszkania. koszt materiałów budowlanych – rosnące koszty materiałów są tak jak koszty pracy elementem stymulujących ceny kosztów produkcji średnia cena (oprocentowanie) kredytu mieszkaniowego – stymuluje popyt w podobny sposób jak stopa bezrobocia, wpływając na zdolność kredytową kurs franka szwajcarskiego do złotego – odwrotnie proporcjonalny do atrakcyjności kredytów denominowanego we frankach dla polskich kredytobiorców, z których chętnie korzysta liczna, a przy tym szczególnie wraŜliwa na zmianę kosztów kredytu, grupa niezamoŜnych obywateli polskich 2. ZałoŜenia co do czynników kształtujących zjawisko w przyszłości. PoniewaŜ horyzont prognozy nie jest odległy, moŜemy z pewną dozą pewności załoŜyć, iŜ dotychczas wpływające na zjawisko czynniki nadal będą dla niego kluczowe, a sposób ich wpływu nie ulegnie istotnym zmianom. Eksperci rynkowi nie przewidują bowiem w najbliŜszym czasie istotnych zmian wskaźników makroekonomicznych takich jak stopy procentowe, emigracja czy kurs franka. 3. W związku z powyŜszym przyjmujemy postawę pasywną w prognozowaniu III. Zebranie danych: 1. Szereg czasowy zmiennej prognozowanej i potencjalnych zmiennych objaśniających Średnie ceny za metr kw. brutto z Stopa gruntem bezrobocia t m-c 1 lis, 2005 2 gru, 2005 3 sty, 2006 4 lut, 2006 5 mar, 2006 6 kwi, 2006 7 maj, 2006 8 cze, 2006 9 lip, 2006 10 sie, 2006 11 wrz, 2006 12 paź, 2006 13 lis, 2006 14 gru, 2006 15 sty, 2007 16 lut, 2007 Y Średnia stopa kredytów Koszty materiałów hipotecznych budowlanych x1 x2 Kurs franka szwajcarskiego Płace w budownictwie x4 x3 x5 3 720,00 17,3 6,3584 19,8 2,5703 3 813,00 17,6 6,2967 20,8 2,4909 4 027,00 18 6,2393 22,9 2,4678 4 366,00 18 6,3306 19,4 2,4696 4 558,00 17,8 6,1089 19,9 2,4886 4 594,00 17,2 5,9344 21,2 2,4886 4 731,00 16,5 5,8644 22,0 2,501 4 814,00 16 5,8149 24,9 2,5742 5 250,00 15,7 5,7864 28,3 2,5482 5 489,00 15,5 5,78 27,4 2,4725 6 211,00 15,2 5,76 27,0 2,5062 6 198,00 14,9 5,75 29,1 2,4547 6 640,00 14,8 5,73 31,6 2,4055 6 648,00 14,9 5,7 31,9 2,3874 7 206,00 15,1 5,67 29,9 2,4015 7 189,00 14,9 5,75 31,3 2,4018 Źródła danych: rednetconsulting.com, Główny Urząd Statystyczny, NBP 2. Wykresy i analizy szeregów czasowych. a) Zmienna objaśniana cena w zł Średnia cena mkw. 8 000,00 7 000,00 6 000,00 5 000,00 4 000,00 3 000,00 2 000,00 1 000,00 0,00 1 2 3 4 5 6 7 8 9 okres 10 11 12 13 14 15 16 2325,8 2432,4 2318 2318,7 2373,8 2407,2 2412,5 2492,5 2501,1 2566,3 2676,4 2683,3 2758,6 2981,6 2573,9 2593,8 Wstępna wzrokowa analiza wykresu pozwala stwierdzić, Ŝe w przypadku kolejnych obserwacji zmiennej objaśnianej mamy do czynienia ze składową systematyczną w postaci rosnącego trendu liniowego oraz wahaniami przypadkowymi. b) Potencjalne zmienne objaśniające: • Stopa bezrobocia – X1 20 18 16 14 12 10 8 6 4 2 0 y = -0,2426x + 18,275 R2 = 0,8585 bezrobocie Liniowy (bezrobocie) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Szereg czasowy dla stopy bezrobocia charakteryzuje się składową systematyczną w postaci liniowego trendu malejącego i wahaniami przypadkowymi. • Średnia stopa kredytów hipotecznych – X2 6,6 6,4 6,2 śr. stopa kredytów hipotecznych 6 5,8 Liniowy (śr. stopa kredytów hipotecznych) 5,6 5,4 5,2 y = -0,0475x + 6,3331 2 R = 0,8317 5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Występuje składowa systematyczna – trend liniowy malejący i wahania przypadkowe. • Procent firm budowlanych, których kierownictwo uwaŜa, Ŝe poziom cen materiałów budowlanych stanowi przeszkodę w prowadzeniu przez nie działalności i ogranicza rozwój. – X3 35,0 30,0 25,0 20,0 ilość firm - ceny materiałów 15,0 Liniowy (ilość firm - ceny materiałów) 10,0 y = 0,9009x + 17,805 R2 = 0,8655 5,0 0,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Trend rosnący o liniowym charakterze(składowa systematyczna) oraz wahania przypadkowe. • Kurs franka szwajcarskiego względem złotego – X4 2,6500 2,6000 2,5500 2,5000 2,4500 2,4000 2,3500 2,3000 przypadkowymi. postaci tendencji malejącej z wyraźnymi kwi, 2007 mar, 2007 lut, 2007 sty, 2007 gru, 2006 lis, 2006 paź, 2006 wrz, 2006 sie, 2006 lip, 2006 cze, 2006 kwi, 2006 w mar, 2006 lut, 2006 Składowa gru, 2005 systematyczna lis, 2005 sty, 2006 2,2000 maj, 2006 2,2500 wahaniami • Średni poziom płac w budownictwie – X5 3500 3000 2500 płace w budownictwie 2000 1500 y = 29,314x + 2313 R2 = 0,5218 1000 Liniowy (płace w budownictwie) 500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Na podstawie wzrokowej oceny wyróŜnić moŜemy składową systematyczną (rosnący trend) a takŜe składową przypadkową. IV. Wybór metod prognozowania Uprzednie przyjęcie postawy pasywnej oraz fakt, Ŝe w szeregu czasowy zmiennej objaśnianej wyodrębnić moŜna składową systematyczna w postaci liniowego trendu pozwala nam na zastosowanie dwóch metod prognozowania: modelu analitycznego oraz modelu ekonometrycznego. 1.MODEL ANALITYCZNY Prognozowanie przy uŜyciu tego modelu polega na ekstrapolacji funkcji trendu, wyznaczonej wcześniej tak, aby jak najlepiej dopasowana była do wszystkich obserwacji (minimalizowała współczynnik determinacji). Zmienną objaśniającą stanowią tu kolejne numery okresów czasu. a) oszacowanie parametrów modelu: W przypadku obranej zmiennej objaśnianej, jako najlepsze dopasowanie oszacowana została funkcja postaci: Yt=246,64t + 3244,43 gdzie: Yt – zmienna prognozowana t - zmienna czasowa Na podstawie modelu moŜemy stwierdzić, Ŝe co miesiąc średnia cena mkw. mieszkania we Wrocławiu rośnie przeciętnie o 246zł 64gr. Do oceny dopasowania funkcji trendu do danych empirycznych współczynnikiem determinacji R2, którego wartość wyniosła: 0,9723 posłuŜono się Oznacza to, Ŝe oszacowany model w 97,23% wyjaśnia zmienność ceny mkw. mieszkania we Wrocławiu. 3. MODEL EKONOMETRYCZNY W modelu tym równieŜ szacowana jest funkcja jak najlepiej dopasowana do danych empirycznych (przez minimalizację kwadratów reszt), z tym, Ŝe za zmienne objaśniane słuŜą tutaj czynniki wpływające na poziom zmiennej, inne niŜ czas. Kandydatami na zmienne objaśniające będą więc wspomniane czynniki wpływające na zmienną objaśnianą. Zanim jednak zakwalifikujemy je do modelu, naleŜy upewnić się, czy są one (kaŜda osobno) dobrze skorelowane ze zmienną objaśniającą, a jednocześnie nie za mocno skorelowane między sobą. Istotna będzie teŜ weryfikacja merytorycznej zgodności współczynników korelacji z realiami prognozowanej dziedziny. Y Y x1 x2 x3 x4 x5 x1 1,00 -0,90 -0,85 0,92 -0,70 0,80 x2 1,00 0,91 -0,94 0,44 -0,85 x4 x3 1,00 -0,85 0,40 -0,76 1,00 -0,60 0,86 x5 1,00 -0,58 1,00 Analiza powyŜszej macierzy korelacji doprowadza do wniosku, Ŝe w modelu nie powinny znaleźć się zmienne x1 i x2, jako powtarzającymi zbyt wiele informacji niesionej przez inne zmienne, lepiej skorelowane ze zmienną objaśniającą. Po wykonaniu oszacowania parametrów wstępnego modelu otrzymano funkcję postaci: Yt = -0,07x5t – 4925x4t + 201,78x3t + 12570,76 Po ocenieniu istotności parametrów modelu testami F i Studenta... x5 x4 x3 t 0,05119 1,8561629 3,8078677 t*= 1,78 F F* 28,254252 0,8353059 ...uznano za nieistotny wpływ zmiennej X5 na zmienną objaśnianą. Tak więc ostatecznie w modelu znajdą się zmienne: X3 – koszty materiałów budowlanych, X4 – kurs franka szwajcarskiego. Po oszacowaniu ich parametrów stwierdzamy, Ŝe model jest postaci: Yt =– 4903x4t + 199,65x3t + 12401,176 Wg modelu wzrost kursu franka szwajcarskiego o 10 groszy powoduje spadek ceny metra kwadratowego mieszkania we Wrocławiu o 490,3zł. Z kolei wzrost kosztów materiałów o złotówkę powoduje w rezultacie wzrost ceny metra mieszkania o 199zł 65gr. Na podstawie współczynnika determinacji, wynoszącego R2 = 0,88, stwierdzamy, Ŝe model jest dobrze dopasowany do danych. Z kolei testowanie istotności parametrów... t x4 x3 -1,9487686 6,3197402 t*= 1,7709334 F F* 28,24721 2,7631674 ...pozwala stwierdzić, Ŝe wybrane do modelu zmienne mają istotny wpływ na zmienną objaśnianą. V. WYZNACZENIE PROGNOZY: y*17 – marzec 2007 y*18 – kwiecień 2007 1. METODĄ ANALITYCZNĄ: y*17 = 7511,00 y*18 = 7774,00 2. MODELEM EKONOMETRYCZNYM y*17 = 7257,2926 y*18 = 7456,9738 Stosując do prognozowania średnich cen m2 mieszkań na rynku wrocławskim model analityczny, przewidujemy wzrost cen do poziomu 7511,00 PLN w marcu oraz 7774,00 PLN w kwietniu 2007 roku. Odchylenie standardowe w tym przypadku wynosi 204,9826. W przypadku uŜycia modelu ekonometrycznego do prognozy cen mieszkań w tych samych okresach stwierdzamy, Ŝe zmienna osiągnie wartość 7257,29 PLN w marcu 2007 roku oraz 7456,97 PLN w kwietniu 2007 przy odchyleniu standardowym równym 468,8573382. VI. OCENA DOPUSZCZALNOŚCI PROGNOZY (błędy ex ante) 1.MODEL ANALITYCZNY: η17 [%] = 0,031121312 η18 [%] =0,030122374 2.MODEL EKONOMETRYCZNY η17 [%] = 6,97% η18 [%] = - 6,90% Wszystkie wartości są mniejsze od wartości krytycznej równej 8%. Oznacza to, Ŝe prognoza zawiera się w przedziale dopuszczalności, czyli model moŜe być uŜyty do prognozowania. VII. OCENA TRAFNOŚCI (błędy ex post): 1. Model analityczny Ψ17=0,009814938 % Ψ18=0,011587342 % 2. Model ekonometryczny Ψ17=-0,03 % Ψ18= -0,04 % Prognoza okazała się trafna dla przy uŜyciu obydwu modeli. Względny błąd ex post okazał się mniejszy od z góry ustalonego co oznacza, Ŝe obie prognozy moŜemy uznać za trafne.