Upload
calvin-foreman
View
42
Download
6
Embed Size (px)
DESCRIPTION
Vliv veřejné zeleně na cenu bydlení v Praze. Jan MELICHAR Kateřina KAPROVÁ Centrum pro otázky životního prostředí Super Solidam Petram | COŽP UK 27.3.2013. Struktura prezentace. Městská zeleň v Praze Rešerše literatury Metoda hedonické ceny Data a analyzovaná oblast - PowerPoint PPT Presentation
Citation preview
Vliv veřejné zeleně na cenu bydlení v Praze
Jan MELICHARKateřina KAPROVÁ
Centrum pro otázky životního prostředí
Super Solidam Petram| COŽP UK
27.3.2013
Struktura prezentace
• Městská zeleň v Praze• Rešerše literatury• Metoda hedonické ceny• Data a analyzovaná oblast• Regresní modely hedonické ceny• Diskuse výsledků
Special Issue: Urban Ecosystem Services• Revealing preferences of Prague’s homebuyers toward greenery
amenities: The empirical evidence of distance–size effect. Landscape and Urban Planning. Volume 109, Issue 1, January 2013, Pages 56–66. Special Issue: Urban Ecosystem Services
• Článek lze nalézt na této webové adrese: http://www.sciencedirect.com/science/article/pii/S0169204612002654
Výzkumné cíle
• Tvorba a odhad modelu hedonické ceny pro trh s bydlením na území hl. města Prahy se zahrnutím:– strukturálních charakteristik bydlení,– charakteristik dostupnosti,– environmentálních atributů.
• Testování hlavní hypotézy: trh s bydlením v Praze pozitivně reflektuje environmentální přínosy, které poskytují plochy městské zeleně obyvatelům Prahy.
• Hypotézu se snažíme prokázat na základě testování tzv. principu vzdálenosti (proximity principle):– městské lesy– zemědělskou půdu– malá chráněná území
• Odhad regresních modelů se zahrnutím společného působení vzdálenosti a plochy zeleně prostřednictvím interakčních efektů
Význam městské zeleně pro obyvatele městMěstská zeleň poskytuje široké spektrum služeb obyvatelům měst:•Rekreační služby (relaxace, únik z každodenního stresu, sportovní vyžití)
– větší plochy zeleně mají vyšší rekreační potenciál v porovnání roztříštěnou zelení mezi obytnými budovami (Bollund a Hunhammar, 1999)
•Estetické funkce (příjemné prostředí, architektonický prvek)• Další služby, které mohou podporovat rekreační funkce,
obyvateli vnímány nepřímo:– efekty na mikroklima (Costanza et. all, 1997)
– absorpce CO2, zachytávání TZL, akustická bariéra
– efekt na hydrologický cyklus (zvyšování vlhkosti vzduchu, snižování intenzity tepelných ostrovů)
– umožňují migraci živočišných druhů
• Rozsah jednotlivých služeb se liší podle typu, kvality a velikosti zelené plochy
– větší plochy jsou více ekologicky stabilní Poudyal et al. (2009)– chráněná území – plochy s vyšší ekologickou stabilitou, zde důraz na
ochranu biodiverzity
Městská zeleň v Praze
Bilance ploch:• Zemědělská půda (41 %)
– z toho orná půda (30 %), zahrady (8 %), ostatní (3,1 %)
• Lesní plocha (10,3 %), vodní plocha (2,2 %)• Zastavěné plochy (10,2 %)• Ostatní plochy (36,4 %) – komunikace, hřbitov, sportoviště,
skládky, jinéNárůst zastavěných ploch: od 1990 do 2010 zastavěno 770
ha (1,5 % plochy města), převážně na úkor zemědělské půdy. Tento trend se v posledních letech zpomaluje.
• Přírůstky lesních ploch (2010/2009 nárůst 59 ha, 2010/1990 nárůst 231 ha, tj. 4,8 %)
• Ochrana 89 maloplošných zvláště chráněných územích– 7 národních přírodních památek, 67 přírodních památek
a 15 přírodních rezervací– geologické, paleontologické, botanické, zoologické,
entomologické, lesní lokality– celkové rozloha více než 2 200 ha (cca 4,4 % z rozlohy
města)
Úbytky a přírůstky ploch podle druhů pozemků
Úhrnné hodnoty druhů pozemků (ha)
Zdroj: ČUZK
Podíl lesních ploch v katastrálních územích hl. města Prahy, 2010
Zdroj: URM
Ochrana přírody a krajiny, 2009
Zdroj: MHMP, ÚRM
Historie HPM
1926: Waugh – cenové rozdíly zeleniny1938: Court – trh automobilů v Detroitu1967: první aplikace na trh bydlení: Ridker a
Henning => vliv znečištění na cenu bydlení1974: Rosen – formální model HPM70. léta: aplikace na městské parky
Ostatní použití:– Zemědělské komodity– Automobily– Víno– Trh práce
Cena bydlení
Stavební charakteristiky
Místní socio-ekonomické charakteristiky
Místní vybavení a kvalita prostředí
Předpoklad teorie spotřebitele: pořizovací cena, kterou je potenciální kupující ochoten zaplatit, závisí na existenci a úrovni široké škály atributů bydlení
• Cena: prodejní, nájemní• Stavební charakteristiky: zastavěná plocha, počet místností, typ budovy,
stavební materiál, garáž/parkování, sklep…• Místní socioekonomické charakteristiky: úroveň příjmu,
zaměstnanost, demografické charakteristiky (věk, zastoupení menšin…)• Místní vybavení a kvalita prostředí: dostupnost škol, obchodů,
pracovních příležitostí, vzdálenost od centra města, dopravní vybavenost, kvalita ŽP (vybavenost okolí zelení/otevřenými prostranstvími, hluková zátěž, kvalita ovzduší, ohrožení povodněmi, vzdálenost od skládky/spalovny…)
Model hedonické ceny
Postup hodnocení
1. Model prvního stupně– Odhad funkce hedonické ceny– Výpočet mezní implicitní ceny
2. Model druhého stupně– Odhad poptávky– Výpočet změny přebytku spotřebitele
Model prvního stupně
Griliches (1971) a Rosen (1974)• Cíl: odhad implicitní ceny atributu
Charakteristiky bydlení (z)• stavební charakteristiky• místní socio-ekonomické charakteristiky• charakteristiky kvality okolí bydlení
Funkce hedonické ceny (Ph)
nh zzzP ,...,, 21
Funkce hedonické ceny
• Vztah mezi cenou bydlení a atributy vysvětlující tuto cenu• Zobrazuje, jak množství jednoho atributu (např. hluk,
vzdálenost k zeleni) ovlivňuje celkovou hodnotu (cenu) bydlení, ostatní atributy se nemění
• Env. statek („good“ – kvalita zeleně, ovzduší) stoupající funkce; faktor („bad“ – znečištění ovzduší) klesající funkce
• Regresní analýza
Parametry odhadnuté funkce hedonické ceny odhalují preferenční strukturu atributů statku
Jsou použity pro odhad implicitní ceny za změnu úrovně uvažovaného atributu.
Implicitní cena
• Cena zaplacená jednotlivcem za poslední jednotku atributu
• První derivace funkce hedonické ceny k danému environmentálnímu atributu
n
himpl z
PP
Problémy s daty• Chyba u pozorovaných proměnných závislých
a nezávislých, které vstupují do modelu (výběr závislé proměnné, měřítko environ. proměnné)
• Multikolinearita - obtíže s interpretováním odhadů parametrů, když některé proměnné jsou těsně provázané - korelace atributů navzájem
• Segmentace trhu - zda data odpovídají jednomu trhu, nebo zda potřebují rozdělit do několika segmentů, a funkce hedonické ceny je odhadována zvlášť
• Výběr funkčního vztahu - Správná funkce hedonické ceny je neznámá. Výběr funkčního tvaru je její aproximací. Výběr nesprávné funkce vede k nepřesnému odhadu chyb funkce hedonické ceny a tudíž vede k chybě odhadu implicitní ceny.
HPM studie analyzující blízkost zeleně a dalšího typu otevřeného prostranství
Vyšší ochota platit za bydlení v blízkosti městské zeleně
• Lutzenhiser a Netusil (2000) bydlení do 500 m od městského parku zvyšuje cenu bydlení o 1,8 %
• Tyrvainen a Miettinen (2000) bydlení o 1 km dále od nejbližšího lesa vede v průměru k poklesu ceny bydlení o 5.9 %
Anderson a West (2003) bydlení do 200 m od zeleně• Městský park 0,44 %• Přírodní oblast 0,58 %
Doss a Taff (1996) bydlení v blízkosti vodní plochy zvyšuje cenu nemovitosti o 1,9 %
Dopady zeleně na ceny nemovitostí
• Obecně převažuje pozitivní efekt na ceny nemovitostí (Bengochea-Morancho, 2003; Crompton, 2001; Poudyal et al., 2009)
• Typ a rozsah poskytovaných funkcí se liší podle typu zeleně• Mikroklimatické + hydrologické funkce na
vyšší úrovni pro větší celky zeleně• Biodiverzita roste s rostoucí plochou + pro
chráněná území (Poudyal, Hodges, Tonn, Cho; 2009)
• Zatímco parky poskytují dobré podmínky pro rekreaci (Sander a Polasky, 2009), chráněná území mohou přinášet více environmentálních funkcí a jejich implicitní cena může být vyšší (Lutzenhiser a Netusil, 2001)
Efekt vzdálenosti a rozlohy zelené plochy
• Většina studií se zaměřuje na efekty velkých území – městské parky, lesy, zelené pásy (Anthon et al., 2004 and Asabere and Huffman, 2007)
• Menší plochy zeleně nemusí mít významný vliv na cenu nemovitosti (Bengochea-Morancho, 2003)
• Otázka:• Přinášejí různé formy zeleně různě velké
přínosy?• Zahrnutí různých druhů zeleně
• + společné efekty vzdálenosti a rozlohy daného typu zeleně
• Index plocha-vzdálenost (Kong et al., 2007)• Interakční proměnné (Anderson a West, 2006)
Empirický model
► lnPhi přirozený logaritmus nabídkové ceny prodávaného bytu i
► Si → strukturální charakteristiky bytu i
► Ni → charakteristiky dostupnosti bytu I
► Ei → environmentální charakteristiky bytu i
► , a → vektory odhadovaných parametrů
► εi → náhodná složka
iiiihiP EδNγSβln
),,( ENShh fP
hii
h PE
P
► Mezní implicitní cena pro semi-logaritmický model
Data a oblast• Trh s bydlením v Praze• Relevantní informace byly získány z katalogu
nemovitostí Reality.cz (http://www.reality.cz) • Individualní charakteristiky bydlení
– Nabízená cena– Geografická pozice– Obytná plocha bytu
• Datový vzorek– 8 568 apartmánů a bytů v osobním vlastnictví – Časové období od 2005 do 2008
• Geografický informační systém(GIS), software ArcGis– Měření vzdáleností od bytu do centra města,
nejbližší stanice metra, k nejbližšímu lesu či parku
– Vyloučení nesprávných údajů (duplicity, špatná lokalita)
Proměnné vstupující do hedonického modelu Variable Description Measure
Expected sign
Mean Min Max
PRICESales price of apartments sold in years 2005-2008
CZK 2008
DV* 5,018,006 817,697 55,600,000
AREA Living area of the flat m2 + 75.8319 13 430
BAD_STATEBad state of apartment (reconstruction is necessary before living)
dummy - 0.03808 0 1
AREA_BUILD Area of the building m2 + 476.214 2.33 4,588.7INHABITANTS Number of inhabitants in the building number - 20.6349 0 92.7
DIST_CENTERDistance to city center (Old-town square)
m - 5,757.11 75.8161 19,057.02
APART_BUILDApartment is located in apartment house
dummy - 0.71052 0 1
BRICK_STONE Building material is brick or stone dummy + 0.54299 0 1
SPA_DISTDistance to the nearest specially protected area
m - 1,287.57 0 4,758.414
SPA_AREAArea of the nearest specially protected area
m2 + 226,185 1,590.56 1,448,013
FOREST_DIST Distance to the nearest urban forest m - 1,504.76 0 7,123.17FOREST_AREA Area of the nearest urban forest m2 + 1,550,270 1,459.17 17,200,000AGRI_DIST Distance to the nearest agricultural land m - 1,587.51 0 4,627.877AGRI_AREA Area of the nearest agricultural land m2 + 299,429 1,475.81 13,100,000
GREEN_SELPercentage of selected greenery area (threatened by development) on cadastral territory area
% + 14.91235 0.53 88.89
FORESTPercentage of forest on cadastral territory area
% + 5.3249 0 55.57
URB_PARKPercentage of urban parks on cadastral territory area
% + 2.8005 0 24.27
AIR Index of air quality index - 0.5981 0.31 1.66
Kartogram – rozložení analyzovaných bytů v Praze
Kartogram – Rozložení větších ploch městské zeleně
Výsledky regresní analýzy pro úplný hedonický model
TermCoeff. St. Error t-Ratio P-value
95% Confidence
Interval Sig.Intercept 13.116 0.156 83.890 0.000 12.809 13.422 ***ln(AREA) 0.891 0.014 64.050 0.000 0.864 0.919 ***BAD_STATE -0.136 0.029 -4.650 0.000 -0.193 -0.078 ***ln(AREA_BUILD) 0.027 0.006 4.790 0.000 0.016 0.038 ***INHABITANTS -0.003 0.000 -12.030 0.000 -0.003 -0.002 ***ln(DIST_CENTER) -0.171 0.015 -11.470 0.000 -0.200 -0.142 ***APART_BUILD -0.084 0.011 -7.500 0.000 -0.106 -0.062 ***BRICK_STONE 0.096 0.012 8.120 0.000 0.072 0.119 ***SPA_DIST -0.0002 0.000 -2.430 0.015 0.000 0.000 **ln(SPA_AREA) -0.007 0.006 -1.230 0.220 -0.018 0.004SPA_DIST*ln(SPA_AREA) 0.00002 0.000 2.540 0.011 0.000 0.000 **FOREST_DIST -0.0002 0.000 -2.330 0.020 0.000 0.000 **ln(FOREST_AREA) -0.010 0.006 -1.710 0.088 -0.022 0.002 *FOREST_DIST*ln(FOREST_AREA) 0.00001 0.000 2.180 0.029 0.000 0.000 **AGRI_DIST 0.00003 0.000 0.440 0.662 0.000 0.000ln(AGRI_AREA) 0.001 0.005 0.180 0.858 -0.010 0.012AGRI_DIST*ln(AGRI_AREA) -0.000002 0.000 -0.330 0.743 0.000 0.000AIR -0.164 0.029 -5.590 0.000 -0.221 -0.106 ***Dependent variable ln(PRICE)N 2,793R2 0.7538F (18, 5180) 357.39Prob > F 0.000
*Significant at 90% confidence level** Significant at 95% confidence level*** Significant at 99 % confidence level
Výsledky regresní analýzy pro hedonický model – „vybavenost okolí zelení“Term Coeff. St. Error t-Ratio P-value
95% Confidence Interval
Sig.
Intercept 13.692 0.091 151.040 0.000 13.514 13.870 ***ln(AREA) 0.911 0.010 95.430 0.000 0.892 0.930 ***BAD_STATE -0.160 0.018 -8.740 0.000 -0.196 -0.124 ***ln(AREA_BUILD) 0.025 0.005 5.550 0.000 0.016 0.034 ***INHABITANTS -0.002 0.000 -10.800 0.000 -0.003 -0.002 ***ln(DIST_CENTER) -0.276 0.008 -35.520 0.000 -0.292 -0.261 ***APART_BUILD -0.079 0.009 -8.710 0.000 -0.097 -0.061 ***BRICK_STONE 0.040 0.009 4.590 0.000 0.023 0.057 ***GREEN_SEL 0.002 0.000 8.150 0.000 0.002 0.003 ***FOREST 0.001 0.000 1.870 0.061 0.000 0.002 *URB_PARK 0.002 0.001 2.040 0.041 0.000 0.005 **AIR -0.140 0.025 -5.640 0.000 -0.189 -0.091 ***Dependent variable ln(PRICE)N 5,199R2 0.8058F (18; 5,180) 1450.66Prob > F 0.000*Significant at 90% confidence level** Significant at 95% confidence level*** Significant at 99 % confidence level
Implicitní ceny a agregace výsledků
District
Area of GREEN_SE
L (ha)
Percentage of
GREEN_SEL area
No. of apartmen
ts in district*
Average price**
Implicit price in
CZK
Aggregated implicit price***
for 1 % point for 1 ha****for 1
m2****
1 14 3.27 17,50510,900,00
023,356 443,849,428
104,042,637
10,404
2 8 1.02 26,625 7,910,625 18,402 489,945,153 65,406,889 6,5413 4 0.68 38,726 4,241,020 9,865 382,049,832 70,228,161 7,023
4 1,931 24.57 130,688 3,412,950 7,9391,037,558,73
013,206,106 1,321
5 3,832 37.86 38,569 4,536,447 10,553 407,006,431 4,020,420 402
6 1,396 24.62 93,722 5,602,435 13,0321,221,421,12
121,542,254 2,154
7 152 10.43 21,666 5,178,964 12,047 261,016,933 17,942,286 1,7948 1,362 36.29 50,808 3,693,115 8,591 436,487,672 11,632,400 1,1639 4,551 42.78 58,733 3,382,891 7,869 462,186,484 4,345,002 43510 4,271 50.89 74,201 4,124,739 9,595 711,956,210 8,482,593 848
Total 17,519 35.32 551,243 5,018,006 11,6736,434,596,45
312,971,105 1,297
* According to Czech Statistical Office census** Based on data*** For all apartments within given district**** With assumed linear increments for each ha/m2
Závěr
• Strukturální proměnné determinují většinu ceny nemovitosti, environmentální proměnné přidávají pouze několik procent vysvětlené variability ceny
• Vzdálenost ke všem zkoumaným typům zeleně (městské lesy, chráněná území, pole) má negativní vliv na ceny nemovitostí• Zvýšení vzdálenosti k nejbližšímu lesu o 1 m snižuje cenu
nemovitosti o 1 080 Kč, k chráněnému území o 844 Kč, ale pouze do 2 km od místa bydliště
• Dopad blízkosti pole není statisticky významný
• Efekt rozlohy zelené plochy se liší pro jednotlivé typy zeleně:• Pro městské lesy a chráněná území působí pouze skrze
vzdálenost (dopad vzdálenosti na cenu nemovitosti se snižuje pro větší celky zeleně)
• Plocha pole neovlivňuje cenu nemovitosti
Závěr
• Ze směru interakce vyplývá - přítomnost menších ploch zeleně residentům postačuje • Podobně ve studii Bengochea-Morancho, 2003• Bez zahrnutí malých a roztříštěných ploch zeleně do modelu
• Po zahrnutí malých ploch zeleně do modelu: celkový efekt všech „neighborhood greenery amenities“ je pozitivní• Zvýšení procentuálního zastoupení trvalých travních
porostů, polí, sadů a zahrad o 1 procentní bod zvyšuje cenu nemovitosti o 11 673 Kč
• Zvýšení zastoupení ploch městských parků zvyšuje cenu nemovitosti o 12 534 Kč
• U městských lesů je tento efekt ve výši 3 697 Kč