Hogyan modellezzük az ingatlanárak változását? – Avagy az ingatlanárindex számítás négy módszere5 perc olvasás

Miért szükséges?

Az Airbnb terjedésével egyre növekvő ingatlanpiaci lufi, a csillagászatira nőtt ingatlan vagy albérlet árak folyamatosan lázban tartják Magyarországot. Ez kiváltképpen igaz július végén, az egyetemi ponthatárok kihirdetése előtt, amikor sok fiatal keres magának lakáshatást Budapesten és a többi egyetemvárosban. Vajon az ország mely részein a legaggasztóbb az áremelkedés a tavalyi helyzet óta? A cikkemben egy modellt mutatok be, amely városok szintjén képes megmondani, hogy mekkora volt a tényleges ingatlanár változás egy év alatt. Szemléltetésként közlöm a 2016 és 2017 közti árindexemet, amelyet a miskolci piacra készítettem.

Felmerül a kérdés: biztosan lehetne ezt egyszerűbben is? Nem, az ingatlanárindexek használata szükséges, ha csak összevetnénk a két időszak átlagos árait, akkor nem a valós helyzetet kapnánk. Ezeket az eredményeket nagyban befolyásolja, az összetétel hatás, vagyis hogy a vizsgált időszakokban milyen jellemzőkkel rendelkező ingatlanok kerülnek a piacra. Ha az első időszakban a kisebb, felújítandó panellakások dominálnak, míg a másodikban a nagy, újépítésű családi házak, akkor rendkívül magas áremelkedést tapasztalunk, ami teljesen független lesz a tényleges piaci folyamatoktól. Speciális, nehezen összegyűjthető adatbázison, alkalmazható ez a módszer, de a valóságban sokkal költségesebb a megvalósítása (lsd. Repeated Sales method). A hedonikus árindex készítéséhez egy bővebb, de kevésbé speciális adatbázisra van szükség, ezekből számítható ki a négyféle ingatlanárindex. Ennek a tulajdonságának köszönheti az egyre növekvő népszerűségét a módszer az elmúlt 100 évben.

Hogyan néz ki a modell?

Tehát a hedonikus modell fő célja, hogy a minőségváltozás kiszűrése után határozza meg az árváltozás nagyságát. Ezt regresszióval, majd a megfelelő eredményekből képzett indexek segítségével éri el. A modell alapja egy adatbázis, amely minimum 100-100 (de minél több) különböző ingatlan eladási árát és ugyanazon paramétereit tartalmazza mindkét évre vonatkozóan. Fontos, hogy az adatbázis egyaránt tartalmazzon alapterületre, felszereltségre, minőségre vonatkozó paramétereket, nagy előnyt jelent egy szűkebb lokáció (pl. kerület, városrész) meghatározása is, de ez a nyilvános adatforrások szűkössége miatt nehezen elérhető. Az adatokra időszakonként külön épített, legalább 5%-os szignifikanciaszintű, jól illeszkedő regresszióból indul a modell. Az én adatbázisomra a következő modellt készítettem:

Az i. időszaki modellben, a dummy változók minőségi változókat jelentenek: 1. az ugyanolyan többi paraméterrel rendelkező újszerű állapotú ingatlant jelöli a felújítandóhoz képest, a 2. az átlagos állapotút a felújítandóhoz képest, a 3. a családi házakat a panellakásokhoz képest, a 4. a téglalakásokat a panellakásokhoz képest. A többi változó sorrendben, az alapterület nagyságára, korszerű fűtés, légkondicionáló, 1-nél több mellékhelyiség meglétére vonatkozik. Vagyis a modell jó leír egy átlagos ingatlant, mert tartalmaz a nagyságára, állapotára és felszereltségére vonatkozó változókat, melyeknek függvénye az ár.

A különböző árindexeket a regressziós modell segítségével lehet meghatározni. Az általam bemutatott négy verziót először Párniczky Gábor alkalmazta Magyarországon, az újépítésű panellakások felmérésére 1982-ben. A verziók egymáshoz közeli, de eltérő eredményeket adnak a regressziós egyenletek eredményeinek különböző súlyozása miatt. A gyakorlatban a Fisher-index alkalmazása a célszerű, a másik két súlyozású index torzulása miatt.

Hogyan néz ki ez a gyakorlatban?

Ahogyan fentebb bemutattam, az alábbi számításokat elvégeztem 2016 és 2017 között évenkénti és negyedévenkénti összehasonlításban is a miskolci piacon, egy összesen 8500 elemű adatbázison, a fenti modell paramétereit szerepeltetve a regressziós egyenletben. A gyakorlati alkalmazást nehezítette adatok megszerzése, egy ingatlanközvetítő céghez befutó hirdetésekből állítottam össze az adatbázisomat, ami így a kínálati árakat modellezi. Az eredményeim az alábbi ábrán láthatók, összehasonlítás képpen szerepeltetem az MNB és a KSH által számított országos átlagos ingatlanárindexeket.

Az eredményeim azt mutatták, hogy 2016 és 2017 között 14%-os volt a tiszta ingatlanárváltozás a miskolci piacon. Ez azt jelenti, hogyha 2016-ban eladtak egy lakást a városban, a következő évben már 14%-al többet kaptak volna egy hasonló lakásért. Ez az eredmény pedig magasabb, mint az MNB, vagy a KSH országos szinten (főváros, városok, községek) számított indexe, és jóval magasabb, mint az MNB észak-magyarországi felmérésének eredménye, így elmondható, hogy a vizsgált időszakban az átlagosnál jobban nőttek az ingatlanárak Miskolcon.

Remélem, a cikkem segített abban, hogy közelebb kerülj a lakáspiaci statisztikák értelmezéséhez.

Leave a Reply

Your email address will not be published. Required fields are marked *