Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
Переход от цен оферт к ценам сделок жилой недвижимости на основе наблюдаемых рыночных данных с учётом особенностей конкретных источников данных
Чаще всего оценщики жилой недвижимости имеют дело с ценами оферт, размещённых на сайтах объявлений. При этом определению подлежит наиболее вероятная стоимость, по которой бы состоялась сделка с объектом. Отсутствие доступа к информации о ценах сделок заставляет использовать косвенные данные, позволяющие определить вероятный коэффициент перехода от цен оферт к ценам сделок. Распространённым названием схожей по смыслу метрики является «скидка на торг», что не совсем верно отражает природу рассматриваемого коэффициента, который имеет две составляющие: как собственно эффект снижения цены в ходе переговоров, так и эффект снижения цены по мере экспозиции объекта и отсутствия интереса к нему со стороны покупателей. Первый эффект в полной мере может быть определён как «скидка на торг», второй связан с понятием выживаемости и требует анализа динамики цен отдельных наблюдений совместно со сроками экспозиции. С практической точки зрения оценщикам чаще всего достаточно учесть общий эффект. При этом существуют как минимум два обстоятельства, затрудняющие точное определение
даже общего коэффициента. Первое обстоятельство заключается в том, что каждая наблюдаемая оферта находится на своём месте на типичной кривой выживаемости. Для определения этого места требуется анализ истории цены и срока экспозиции каждой оферты. Такие действия, во-первых, избыточно затратны с учётом сложившихся цен на услуги по оценке недвижимости, во-вторых, практика перевыставления объектов ставит под сомнение надёжность такого анализа. Второе обстоятельство заключается в неопределённости действий продавцов и покупателей, приходящих к разным соглашениям о величине собственно «скидки на торг». Таким образом, точное определение индивидуального коэффициента весьма затруднительно. Вместо этого оценщики могут использовать доступные средства анализа открытых данных, позволяющие получать обоснованные
значение общего коэффициента. Данная работа показывает один из возможных алгоритмов получения обоснованного коэффициента перехода от цен оферт к ценам сделок на основе наблюдаемых данных открытого рынка недвижимости с учётом особенностей конкретных источников сведений. Автор считает необходимым уведомить читателей, что при подготовке данного материала, использовались Большие Языковые Модели (LLM) в части
подготовки рисунков. Данное обстоятельство является демонстрацией практического запуска проекта разработки Цифрового Помощника Оценщика, осуществляемого Русским Обществом Оценщиков.
1. Финанс и МСФО: теория и практика. МСФО IFRS 13: объяснение положений стандарта об измерении справедливой стоимости. [В Интернете] [Цитировано: 05 07 2025 г.] http://msfo-dipifr.ru/msfo-ifrs-13/
2. ACCA (The Association of Chartered Certified Accountants). МСФО (IFRS) 13 – Оценка справедливой стоимости. [В Интернете] https://www.accaglobal.com/cis/ru/student/exam-support-resources/dipifr-learning-resources/technical-articles/IFRS13_fair_value_measurement.html
3. International Valuation Standards Council. International Valuation Standards 2025. 2024 г.
4. Современный механизм регулирования оценочной деятельности в российской федерации: проблемы и перспективы развития в условиях цифровизации экономики. И. В. Крюкова, А.П. Лактюшина. 2021 г., E-Scio
5. Информационное обеспечение оценочной деятельности в условиях всеобщей цифровизации (вызовы и перспективы). Жуковский, В. В. Материалы XVII Поволжской научно-практической конференции «Информационно-методическое обеспечение оценки и стоимостной экспертизы. Автоматизированные методы и технологии искусственного интеллекта как инструменты повышения достоверности и обоснованности
6. РБК Санкт-Петербург. Новые земли. Как развивается знаковый проект в центре Петербурга. [В Интернете] 2022 г. https://spbspecials.rbc.ru/morskoy-fasad
7. Агентство Недвижимости "Невский Простор". Будущее недвижимости на Васильевском острове: перспективы и тенденции. [В Интернете] 2024 г. https://www.spb-estate.com/news_realty/the-future-of-real-estate-on-vasilyevsky-island-prospects-and-trends/
8. Сбериндекс. Сбериндекс Статистика. [В Интернете] 2025 г. https://sberindex.ru/ru/dashboards?partition=7
9. Логарифмически нормальное распределение цен на объекты недвижимости. М. Б. Ласкин, С. В. Пупенцова. 5, 2014 г., Имущественные отношения в Российской Федерации, Т. 152, стр. 52-59
10. О распределении цен на рынках недвижимости и «Смещённых» оценках рыночной стоимости. Н. П. Баринов, С. В. Грибовский. 6, 2016 г., Имущественные отношения в Российской Федерации, Т. 177, стр. 69-74
11. Домклик. Аналитики Домклик: средняя величина скидки на вторичке. [В Интернете] 2025 г. https://blog.domclick.ru/novosti/post/analitiki-domklik-srednyaya-velichina-skidki-na-vtorichke-po-rossii-sostavlyaet-6?utm_referrer=https%3A%2F%2Fyandex.ru%2F
12. Athanasopoulos, Rob J Hyndman & George. Forecasting: Principles and Practice. 2021
13. Forecasting Sales by Exponentially Weighted Moving Averages. Winters, Peter R. 6, 1960 г., Management Science, Т. 3, стр. 324-342
14. Robust Locally Weighted Regression and Smoothing Scatterplots. Cleveland, William S. 74, 1978 г., Journal of the American Statistical Association, Т. 368, стр. 829-836
15. Smoothing and Differentiation of Data by Simplified Least Squares Procedures. Abraham Savitzky, M. J. E. Golay. 36, 1964 г., Analytical Chemistry, Т. 8, стр. 1627-1639
16. Practical application of the Wilcoxon-Mann-Whitney test in valuation. Murashev, C. A. 2022 г.
17. Слуцкий, А. А. Доказательственная оценка и судебная экспертиза рыночнойстоимости недвижимости: теория, методология, практика. 2025
18. The Efficiency of Some Nonparametric Competitors of the t-Test. Lehmann, J. L. Hodges Jr & E. L. 27, 1956 г., Ann. Math. Statist, Т. 2, стр. 324-336
19. Sample Size Determination for Some Common Nonparametric Tests. Noether, Gottfried E. 82, 1987 г., Journal of the American Statistical Association, Т. 398, стр. 645-647
20. Greedy function approximation: A gradient boosting machine. Friedman, Jerome H. 29, 2001 г., Ann. Statist., Т. 5, стр. 1189-1232
21. Random Forests. Breiman, Leo. 45, 2001 г., Machine Learning, Т. 1, стр. 5-32
22. Molnar, Christoph. InterpreТаблица Machine Learning. 2022