Segmentacja rynku nieruchomości gruntowych dla wybranych gmin miejsko-wiejskich powiatu krakowskiego

INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH INFRASTRUCTURE AND ECOLOGY OF RURAL AREAS Nr 4/2011, POLSKA AKADEMIA NAUK, Oddziaá w Krakowie, s. 163–172

Komisja Technicznej Infrastruktury Wsi

Mariusz Frukacz, ElĪbieta JasiĔska, Edward Preweda

SEGMENTACJA RYNKU NIERUCHOMOĝCI

GRUNTOWYCH DLA WYBRANYCH GMIN

MIEJSKO-WIEJSKICH POWIATU KRAKOWSKIEGO

____________

REAL ESTATE MARKET SEGMENTATION

FOR CHOSEN GROUND IMMOBILITY OF URBAN-RURAL

MUNICIPALITIES DISTRICT OF KRAKOW

Streszczenie

Próby analizowania rynków nieruchomoĞci klasycznymi metodami wymu-szają zawĊĪanie obszaru badaĔ oraz standaryzacjĊ zmiennych, co miĊdzy innymi ogranicza zasiĊg terytorialny. W artykule przedstawiono segmentacjĊ rynku nieru-chomoĞci poáoĪonych na terenach wybranych gmin miejsko-wiejskich, które ce-lowo tak dobrano, aby nie stanowiáy jednorodnego aglomeracji. W tym celu wy-brano model drzew regresyjnych (C&RT), który pozwala áączyü atrybuty jakoĞciowe i iloĞciowe, a co za tym idzie- wáączyü cechy dotychczas pomijane, bez koniecznoĞci przypisywania im wartoĞci liczbowych. W efekcie powstaá schemat, który pozwala oceniü wartoĞü ceny transakcyjnej nieruchomoĞci grunto-wej wáączając takiej atrybuty, jak: „Gmina”, czy „MiejscowoĞü”.

Sáowa kluczowe: Rynek nieruchomoĞci, cena transakcyjna, drzewa klasyfikacyj-ne, nieruchomoĞci gruntowe, gminy miejsko-wiejskie

Summary

Attempts to analyze real estate markets forcing classical methods, which narrow the area of research and standardization of variables, inter alia, limited territorial coverage. The paper presents a segmentation of the land immobility market at selected areas of urban-rural, that deliberately was chosen so, as not to create homogeneous cluster. To this end, the model regression trees (C&RT) was chosen, which allows you to combine qualitative and quantitative attributes, and thus-far overlooked features include, without assigning them values. The result

a scheme that allows to assess the value of real estate transaction price including attributes such as "Community" or "City" was prepared.

Key words: The real estate market, the transaction price, classification trees, the

real estate, urban-rural commune

WSTĉP

Analizując rynki nieruchomoĞci, duĪo uwagi poĞwiĊca siĊ terenom silnie zurbanizowanym, oczekując ich dalszej ekspansji. Niemniej jednak, taki rozwój nie spotyka siĊ z aprobatą wáadz jednostek terytorialnych. MoĪliwoĞü samo-dzielnego decydowania np. o sposobach rozdzielania Ğrodków finansowych, jest korzystniejsza od podporządkowania siĊ wáadzą miast, przez które tereny te miaáyby zostaü pocháoniĊte. Formą poĞrednią pomiĊdzy terenami rozwiniĊtymi gospodarczo, a terenami wiejskimi są gminy miejsko-wiejskie, czyli takie, na terenie których jedna z miejscowoĞci posiada status miasta (Rozporządzenie Rady Ministrów z dnia 15 grudnia 1998 r.). To wáaĞnie wokóá niego skupia siĊ aktywnoĞü mieszkaĔców gminy. W odróĪnieniu od duĪych aglomeracji, nie wyga to jednak migracji zarobkowej. Chcąc analizowaü preferencje nabywców nieruchomoĞci gruntowych w wybranych gminach, wykorzystując np. wspóá-czynniki korelacji, naleĪaáoby przypisaü wartoĞci liczbowe lub w inny sposób uszeregowaü przede wszystkim nazwy miejscowoĞci, co jest procesem trudnym oraz subiektywnym i tendencyjnym. Dlatego znacząca wiĊkszoĞü badaĔ pomija te cechy, których nie moĪna przeksztaáciü do skali liczbowej. W opracowaniu zaproponowano podziaá rynku nieruchomoĞci gruntowych wykonany przy po-mocy drzew regresyjnych (C&RT), które pozwalają poáączyü atrybuty jako-Ğciowe i ilojako-Ğciowe, a co za tym idzie - wáączyü cechĊ „MiejscowoĞü”, czy „Gmina”, bez przypisywania im wartoĞci liczbowych [JasiĔska2009]

CHARAKTERYSTYKA MATERIAàU BADAWCZEGO I ZASTOSOWANEGO ALGORYTMU

Za materiaá badawczy posáuĪyáy informacje o transakcjach sprzedaĪy nie-ruchomoĞci gruntowych zawarte w Rejestrze Cen i WartoĞci, przeznaczonych na cele budownictwa jednorodzinnego dla wybranych gmin: Sáomniki, ĝwiątniki Górne, Skawina. Aby poszerzyü zebrane informacje przeprowadzono równieĪ wywiad terenowy. àącznie zgromadzono dane o 147 sprzedanych nieruchomo-Ğciach, które opisano wg kryteriów przedstawionych w tabeli 1. Zakres badaĔ obejmuje transakcje z okresu styczeĔ - wrzesieĔ 2010 r. Cechą wspólną zebra-nych dazebra-nych jest miejsko-wiejski charakter gmin, w których siĊ znajdują. Poáo-Īenie geograficznie Sáomnik pozwala podjąü próbĊ ustalenia cech uniwersalnych dla takiej struktury administracyjnej, bez obawy o wpáyw czynników charakte-rystycznych dla gmin poáudniowych, jakimi są ĝwiątniki Górne i Skawina.

Segmentacja tak opisanego zbioru nie moĪe zostaü wykonana klasycznymi metodami, poniewaĪ wymagają one przeksztaácenia skal porządkowych na wartoĞci liczbowe, co uniemoĪliwia wáączenie atrybutów takich jak: „Miejsco-woĞü” i „Gmina”, bez rozdzielenia analizowanej próby na mniejsze jednostki i powtórzenie badania w kaĪdej z nich.

Tabela 1. Opis charakterystyk zbioru danych nieruchomoĞci gruntowych Table 1. Description of the characteristics of a data set of land immobility

Cecha Kategoria/skala Opis Uwagi Gmina Sáomki, ĝwiątniki,_Skawina, PoáoĪenie w granicach administra-_{cyjnych jednej z gmin w skali jakoĞciowej}Cecha wyraĪona MiejscowoĞü 26 miejscowoĞci PoáoĪenie w granicach administra-_{cyjnych danej miejscowoĞci} Cecha wyraĪona w_{skali jakoĞciowej} Powierzchnia 38

÷

Cecha wyraĪona w skali iloĞciowej ciągáej PrzeciĊtne Modne Bardzo modne PoáoĪenie Najmodniejsze w okolicy

Lokalizacja dziaáki w odniesieniu do ulicy, osiedla, dzielnicy.

Cecha wyraĪona w skali porządkowej PrzeciĊtne Korzystne Otoczenie Bardzo Korzystne ZagĊszczenie budowy

i wpáyw otoczenia dziaáki w skali porządkowejCecha wyraĪona Niekorzystny

PrzeciĊtny Ksztaát

Korzystny

Ksztaát nieruchomoĞci pozwalający na posadowienie budynku mieszkalnego, wynikający z dáugoĞci

i szerokoĞci dziaáki Cecha wyraĪona w skali porządkowej Brak Sieü wodociągowa Jest

Posiadanie przyáącza sieci wodocią-gowej na dziaáce Cecha o charakterze binarnym Brak Sieü elektryczna Jest Posiadanie przyáącza sieci elektrycznej na dziaáce

Cecha o charakterze binarnym, poniewaĪ nie odnotowano

trans-akcji ją róĪnicującą, zostaáa pominiĊta

w analizach Brak

Sieü gazowa _Jest Posiadanie przyáącza sieci gazowej_{na dziaáce} Cecha o charakterze_binarnym Brak

Sieü

kanalizacyjna Jest

Posiadanie przyáącza sieci kanalizacyjnej na dziaáce

Cecha o charakterze binarnym Brak Droga Jest MoĪliwoĞü dojazdu do nieruchomoĞci drogą utwardzoną

Cecha o charakterze binarnym Cena

jednostkowa 0,67

÷

Cecha o charakterze iloĞciowym ciągáym

ħródáo: Opracowanie wáasne. Source: Own calculations

Metoda C&RT (Classification and Regression Tree) umoĪliwia wáączenie cech jakoĞciowych do badaĔ, co w tym przypadku ogranicza siĊ do predykto-rów, które pozostawiono w postaci skali porządkowej, bez przypisywania im wartoĞci liczbowych. Budowa drzewa wymaga rekurencyjnego podziaáu zbioru obserwacji na rozáączne podzbiory, przy czym poziom pomiaru zmiennej zaleĪ-nej (wartoĞci nieruchomoĞci) jest co najmniej przedziaáowy, a jej wariancja w wĊzáach koĔcowych zmierza do zera. Wspomniany proces polega na rekuren-cyjnym podziale obiektów na dwa podzbiory, przy czy kaĪdy z nich opiera siĊ na wartoĞciach jednej zmiennej [Hand i in, 2001]. Istotą tej metody jest dokona-nie takich podziaáów, które pozwolą uzyskaü najwiĊksze polepszedokona-nie predykcji, dlatego zbiór danych w sposób jednoznaczny rozdzielany jest na kolejne pod-zbiory, co przedstawione jest na diagramie w postaci ĞcieĪki od korzenia do liĞcia. Znalezienie kompromisu pomiĊdzy wielkoĞcią drzewa, a moĪliwie najmniejszym przyroĞcie báĊdu predykcji w drzewach regresyjnych, jest moĪli-we dziĊki zasadzie jednego odchylenia standardomoĪli-wego (1 SE rule). Autorzy al-gorytmu C&RT proponują, aby jako drzewo wáaĞciwej wielkoĞci wybraü to, którego koszty sprawdzianu krzyĪowego nie przekraczają minimalnych kosztów sprawdzianu krzyĪowego powiĊkszonych o wartoĞü odchylenia standardowego tych kosztów. W konsekwencji tworzenia modelu usystematyzowaniu podlegają wszystkie predykatory charakteryzujące badane zjawisko, uwzglĊdniając moc predykcyjną wzglĊdem zmiennej zaleĪnej. WaĪnoĞü predyktorów wyraĪa siĊ w skali 0-1 (przeskalowana tak, aby jej maksimum wynosiáo 1), co stanowiü moĪe analogiĊ do wspóáczynników korelacji, jednak w rankingu waĪnoĞci nie moĪna ustaliü czy cecha korzystnie, czy negatywnie wpáywa na wartoĞü zmien-nej objaĞniazmien-nej. Kontrowersje moĪe budziü fakt, Īe zmienna, która nie wystąpiáa, jako kryterium ostatecznego podziaáu drzewa, mimo to uzyska wysoką lokatĊ w rankingu. MoĪliwe jest to, gdy dany atrybut podczas wiĊkszoĞci podziaáów, byá drugim, co do moĪliwoĞci zmniejszania wariancji w wĊzáach-potomkach [JasiĔska E., 2009]. Pomimo, Īe ostatecznie nie zostaá umieszczony na grafie, jego zdolnoĞü predykcyjna jest wyĪsza od takiego atrybutu, który „wykorzystaá moc predykcyjną” w pierwszych podziaáach drzewa, a nastĊpnie nie byá istotny dla dalszej segmentacji.

OTRZYMANE WYNIKI

Pierwszym etapem badaĔ byáo utworzenie drzewa maksymalnych wymia-rów, które skáadaáo siĊ z 20 wĊzáów dzielonych, przy 21 koĔcowych. Taki schemat powala dokáadnie opisaü wzajemne relacje pomiĊdzy cechami opisują-cymi sprzedane nieruchomoĞci, jednak jest zbyt szczegóáowy. Dlatego w celu wyáonienia najlepszego schematu posáuĪono siĊ sekwencją kosztów zastąpienia (resubstytucji) i kosztów sprawdzianu krzyĪowego, co przedstawiono na rys. 1. Wykres ten pozwala porównaü ze sobą koszt sprawdzianu krzyĪowego (SK)

oraz koszt resubstytucji dla kaĪdego z utworzonych modeli. Koszt zastąpienia roĞnie wraz z przycinaniem drzewa, natomiast wartoĞü kosztu SK wyraĨnie przemawia za wybranym modelem.

0 1 2 3 4 5 6 7 8 9 10 11 1 2 13 14 1 5 16 Num er drze wa 30 0 40 0 50 0 60 0 70 0 80 0 90 0 100 0 Ko sz t Koszt resub st. Koszt S K Wybra ne drzewo

ħródáo: Opracowanie wáasne Source: Own calculations

Rysunek 1. Sekwencja kosztów drzew regresyjnych Figure 1. Sequence of the cost of regression trees

Wybrane drzewo nr 11 speánia zasadĊ 1 SE (autorzy algorytmu C&RT proponują, aby jako drzewo wáaĞciwej wielkoĞci wybraü to, którego koszty sprawdzianu krzyĪowego nie przekraczają minimalnych kosztów sprawdzianu krzyĪowego powiĊkszonych o wartoĞü odchylenia standardowego tych kosz-tów).

Przedstawiony na rys. 2, wykres waĪnoĞci cech objaĞniających, umoĪli-wia uszeregowaü atrybuty wedáug ich moĪliwoĞci predykcyjnych. Cecha naj-trudniejsza do wyraĪenia w sposób iloĞciowy, staáa siĊ najistotniejszą w procesie segmentacji rynku, niezaleĪnie od gminy, w jakiej nieruchomoĞü siĊ znajduje. Kolejne pozycje zajĊáy: „Powierzchnia”, „Gmina” oraz „Ksztaát dziaáki”. Wyso-ka loWyso-kata przynaleĪnoĞci nieruchomoĞci do jednej z gmin, potwierdza sáusznoĞü

wybranej metody, skoro ta cecha jest istotna dla ksztaátowania siĊ Ğredniej jed-nostkowej ceny nieruchomoĞci, to pominiĊcie jej mogáoby przynieĞü zafaászo-wane wyniki. Kolejne pozycje w rankingowaniu predyktorów zajĊáy przyáącza sieci gazowej i wodociągowej, jako niezbĊdne dla gospodarstw domowych i co waĪne, ich doprowadzenie wymaga znaczących Ğrodków finansowych. Niska ranga pozostaáych cech sugeruje powszechnoĞü ich wystĊpowania.

P ow ie rz chn ia [m 2] Gm in a M ie jsco w oĞü Dr og a Po áo Īen ie Ks zt a át O toc ze ni e Si e ü wo d o ci ą go w a Si e ü ga zo w a Si e ü ka n a liz a cyj n a 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1

ħródáo: Opracowanie wáasne Source: Own calculations

Rysunek 2. Ranking predyktorów wykonany w oparciu o ich wpáywu na ksztaátowanie siĊ ceny 1 m2 _{nieruchomoĞci gruntowej}

Figure 2. Predictors ranking made on the basis of their impact on the price of 1 m2 _{of land}

Skoro juĪ moĪliwe jest usystematyzowanie wpáywu poszczególnych cech, kolejnym krokiem byáo wyznaczenie miejscowoĞci, które w badanym okresie byáy najatrakcyjniejsze dla nabywców oraz sprawdzenie wpáywu pozostaáych cech na ksztaátowanie siĊ Ğredniej ceny jednostkowej nieruchomoĞci gruntowej. W tym celu przedstawiono ukáad wybranego drzewa regresyjnego, które cechuje

najlepsza zdolnoĞü predykcyjna oraz najmniejsze wymiary, jego schemat przed-stawia rys 3. 1 2 4 6 5 10 12 15 13 18 3 22 25 8 9 7 14 16 17 20 21 19 11 24 26 27 23

ħródáo: Opracowanie wáasne. Source: Own calculations.

Rysunek 3. Ukáad utworzonego drzewa regresyjnego Figure 3. Diagram of created regression trees

Wadą uĪywanego modelu, jest fakt, Īe kaĪdy wĊzeá dzielony jest tylko na dwa podzbiory, co w efekcie wydáuĪa caáy diagram, dlatego omówione zostaną wybrane jego fragmenty. GaáąĨ zakoĔczona wĊzáami 8-9-7 pozwoliáa oddzieliü te nieruchomoĞci, dla których jedynym kryterium ksztaátowania siĊ ceny 1m2

byáo poáoĪenie geograficzne. Wykres przedstawiony na rys. 4 zapisaü moĪna by w postaci nastĊpujących zdaĔ warunkowych:

− jeĪeli nieruchomoĞü gruntowa poáoĪona jest w miejscowoĞciach: Grabie (gmina Skawina), Prandocin Iáy (gmina Sáomniki) lub NiedĨwiedĨ (gmina Sáomniki) to Ğrednia cena 1m2 _{takiej nieruchomoĞci wynosi 8,13 zá ± 4,39zá}

− jeĪeli nieruchomoĞü gruntowa poáoĪona jest w miejscowoĞciach: Faci-miech, JaĞkowice, Zelczyna (gm. Skawina), lub: Sáomniki, Zaborze (gm. Sáom-niki), to Ğrednia cena 1m2 _{takiej nieruchomoĞci wynosi 25,20 zá ± 12,31zá}

ħródáo: Opracowanie wáasne Source: Own calculations

Rysunek 4. Fragment utworzonego modelu, wĊzáy 7-8-9 Figure 4. Piece of formed model, nodes 7-8-9

Analizując kolejne gaáĊzie moĪemy w jasny sposób ustaliü kryteria po-dziaáu , pozwalające na zmniejszenie wariacji w kolejnych podzbiorach. Taki model uwzglĊdnia zarówno cechy o charakterze nominalnym, jak porządko-wym, czy liniowym. Sama forma schematu drzewkowego jest bardziej klarowna niĪ konstruowanie kolejnych zdaĔ warunkowych. Na Rys. 5 przedstawiono ko-lejną gaáąĨ schematu, dla nieruchomoĞci gruntowych wyposaĪonych w przyáącze sieci wodociągowej, w miejscowoĞciach: Pozowice, Jurczyce,

Goáuchowice, Ochodza, Skawina, Radziszów oraz Rzeszotary, w zaleĪno-Ğci od powierzchni, ksztaátu oraz utwardzonej drogi dojazdowej, prowadzącej do nieruchomoĞci. WĞród nich znajdują siĊ dwa rodzaje nieruchomoĞci, warte do-datkowego komentarza:

− 5 nieruchomoĞci gruntowych, o powierzchni mniejszej niĪ 18 arów, do których nie prowadzi utwardzona droga dojazdowa ( co oznaczaü moĪe albo drogĊ gruntową, albo sáuĪebnoĞü przejazdu) - Ğrednia 1 m2 _{wynosiáa 22 zá ± 15zá,}

− 7 nieruchomoĞci, dla których cena transakcyjna 1m2 _{ksztaátuje siĊ na}

po-ziomie 44zá ± 20zá, pomimo niekorzystnego ksztaátu dziaáki.

Oba te przypadki zostaáy zgrupowane w osobnych wĊzáach, wiĊc nie zabu-rzają pozostaáych analiz.

ħródáo: Opracowanie wáasne Source: Own calculations

Rysunek 5. Fragment utworzonego modelu, wĊzáy od 10 do 21 Figure 5. Piece of formed model, nodes from 10 to 21

PODSUMOWANIE

Wykorzystywanie drzew regresyjnych w analizie rynku nieruchomoĞci przynosi wiele korzyĞci. UmoĪliwia wáączenie cech jakoĞciowych, takich jak „Gmina”, czy „MiejscowoĞü”, a przez to pozwala na porównywanie rynków geograficznie oddalonych od siebie, ale posiadających cechy wspólne, jak w analizowanym przypadku gmin miejsko-wiejskich. Wynikiem analizy są jasne, przejrzyste reguáy podziaáu próby, dziĊki którym moĪna wnioskowaü o ksztaá-towaniu siĊ cen transakcyjnych dla innych nieruchomoĞci, nieujĊtych w bada-nym zbiorze. W tym przypadku moĪliwe jest zaprezentowanie potencjalnemu kupującemu np. nieruchomoĞci poáoĪonych w innych obszarach, a jednoczeĞnie speániających wymogi, co do preferencji kupującego. Godnym zauwaĪenia jest fakt tworzenia skupisk áączących transakcje o wątpliwych relacjach wartoĞci atrybutów do ceny transakcyjnej, które jako obserwacje odstające mogáyby za-nieczyszczając pozostaáe wĊzáy, obniĪając zdolnoĞü predykcyjną caáego modelu.

BIBLIOGRAFIA

Hand D., Mannila H., Smyth P. Principles of Data Mining, MIT Press, 2001.

JasiĔska E. Ocena przydatnoĞci wybranych metod statystycznych w analizie rynku nieruchomoĞci. Rozprawa doktorska, AGH, Kraków, 2009.

Rozporządzenie rady ministrów z dnia 15 grudnia 1998 r. W sprawie szczegóáowych zasad pro-wadzenia, stosowania i udostĊpniania krajowego rejestru urzĊdowego podziaáu terytorial-nego kraju oraz związanych z tym obowiązków organów administracji rządowej i jedno-stek samorządu terytorialnego.

Artykuá powstaá w ramach badaĔ statutowych Katedry Geomatyki

Dr inĪ. Mariusz Frukacz Dr inĪ. ElĪbieta JasiĔska Dr hab. inĪ. Edward Preweda, prof. AGH Akademia Górniczo – Hutnicza im. St. Staszica w Krakowie Wydziaá Geodezji Górniczej i InĪynierii ĝrodowiska Katedra Geomatyki 30-059 Kraków, al. A. Mickiewicza 30, paw. C-4, pokój 406 e-mail: frukacz@agh.edu.pl jasinska@agh.edu.pl preweda@agh.edu.pl Recenzent: Prof. dr hab. inĪ. Urszula Litwin