Marcin Torzewski

Studia i Materiaïy, 1/2016 (20): 145– 155
ISSN 1733-9758, © Wydziaï ZarzÈdzania UW
DOI 10.7172/1733-9758.2016.20.11
Analiza wpïywu lokalizacji stacji
metrabwarszawskiego na ceny mieszkañ
na przykïadzie dzielnicy Ursynów wbWarszawie
Marcin Torzewski
Metro warszawskie peïni kluczowÈ funkcjÚ wbukïadzie komunikacji zbiorowej stolicy: zbjednej
strony znaczÈco skraca czas podróĝy zbdzielnic peryferyjnych Warszawy do Centrum,bzbdrugiej
zaĂ – uïatwia przemieszczanie wbsamym sercu miasta. Naleĝy zatem oczekiwaÊ, ĝe pozytywny
aspekt bliskoĂci metra powinien zostaÊ skapitalizowany przez wartoĂÊ okolicznych nieruchomoĂci. Celem artykuïu jest przedstawienie wyników badania empirycznego, polegajÈcego na
analizie wpïywu lokalizacji stacji metra warszawskiego (Iblinia) na ceny nieruchomoĂci mieszkalnych, na przykïadzie rynku pierwotnego dzielnicy Ursynów (Warszawa). Hipoteza gïówna
pracy zakïada, ĝe wzrost odlegïoĂci lokalu mieszkalnego od stacji metra negatywnie wpïywa
na cenÚ nieruchomoĂci. Do zbadania tej zaleĝnoĂci wykorzystano hedonistyczny model cen.
Ponadto, do pomiaru odlegïoĂci stacji metra od nieruchomoĂci – zamiast tradycyjnie wykorzystywanej odlegïoĂci euklidesowej – posïuĝono siÚ moduïem GPS. Wyniki potwierdzajÈ hipotezÚ badania, wykazujÈc, ĝe wzrost odlegïoĂci lokalizacji mieszkania od stacji metra ob1bkm
powoduje na badanym obszarze spadek ceny nieruchomoĂci ob ok. 172b zï/m2 lub 2,35%.
Sïowa kluczowe: hedonistyczny model cen, ceny mieszkañ, wpïyw metra, odlegïoĂÊ odbstacji metra.
Nadesïany: 09.02.2016 | Zaakceptowany do druku: 07.05.2016
The analysis of the impact of the Warsaw metro stations location
onbresidential property prices in Ursynów district in Warsaw
The Warsaw metro plays abkey role in the public transport system of the capital: on the one
hand, it significantly reduces travel time from peripheries of city to the centre, and on the other
hand it makes it easier to commute inside the city. Therefore one could expect that the positive
aspects of metro existence should be capitalized by the nearby property values. The purpose
of this article is to present the results of an empirical analysis on the impact of the Warsaw
metro stations (I line) location on property prices, based on the primary residential market of
Ursynów district (Warsaw). The main hypothesis assumes that the distance of abproperty from
the subway station negatively affects abproperty price. To examine this relationship abhedonic pricing model is applied. Moreover, instead of the traditional approach to measure the
distance with the Euclidean metric, the distance between the metro station and thebproperty is
measured with the use of GPS module. The results confirm the research hypothesis, showing
that an increase of 1 km in the distance between the metro station and thebreal estate leads to
the decline in the property price by approximately 172bPLN/m2 or 2.35%.
* Marcin Torzewski – doktorant Wydziaáu Zarządzania Uniwersytetu Warszawskiego, Katedra Finansów
i RachunkowoĞci
Adres do korespondencji: Wydziaï ZarzÈdzania Uniwersytetu Warszawskiego, Katedry Finansów
ibRachunkowoĂci, ul. Szturmowa 1/3, 02-678 Warszawa; e-mail: [email protected].
Keywords: hedonic pricing model, residential property prices, metro causal effect, metro
station proximity.
Submitted: 09.02.2016 | Accepted: 07.05.2016
JEL: C10, O18, R3
1. Wprowadzenie
W ĂwiadomoĂci spoïecznej rozwój infrastruktury transportowej pozytywnie wpïywa
na urbanizacjÚ otoczenia. W ukïadzie
transportowym wysoce rozwiniÚtych miast
metro peïni kluczowÈ funkcjÚ, przyczyniajÈc siÚ do ograniczenia liczby samochodów wb obszarze Ăródmiejskim, tworzenia
wÚzïów przesiadkowych oraz skrócenia
czasu podróĝy. Ma ono równieĝ niebagatelne znaczenie dla terenów znajdujÈcych
siÚ wzdïuĝ korytarza, którym biegnie linia
metra. BliskoĂÊ metra jest wiÚc magnesem,
który przyciÈga biznes oraz usïugi. Pozytywne aspekty bliskoĂci lokalizacji metra
powinny zatem zostaÊ skapitalizowane
przez wartoĂÊ okolicznych nieruchomoĂci.
Na przestrzeni lat, wraz zb rozbudowÈ
sieci transportowej metra, obserwowano
rosnÈce zainteresowanie analizÈ wpïywu
tego rodzaju transportu na otoczenie.
WiÚkszoĂÊ badañ dotyczy jednak miast
ob wysoce rozwiniÚtej infrastrukturze sieci
kolejowej (zob. Damm, Lerman, LernerLam ibYoung, 1980; Gatzlaff ibSmith, 1993;
Bae, Jun ibPark, 2003; Lin ibHwang, 2004;
Zhang ib Jing, 2014). Analizowane miasta
róĝniÈ siÚ przy tym znaczÈco wb zakresie
samej sieci transportowej ib komunikacyjnej, abtakĝe pod wzglÚdem buwarunkowañ
socjoekonomicznych. Oznacza to, ĝe wyników tych badañ nie moĝna ib nie naleĝy
transponowaÊ na inne miasta, przez które
przebiega linia metra, ab dla których wciÈĝ
brak jest podobnych analiz.
Analiza ibocena wpïywu, jaki ma I linia
metra warszawskiego wb ksztaïtowaniu siÚ
cen nieruchomoĂci wydaje siÚ wiÚc waĝnym problemem badawczym, zwïaszcza ĝe
wb krajowej literaturze naukowej brakuje
badañ empirycznych, dotyczÈcych wskazanej problematyki1. Taki stan rzeczy moĝe
byÊ wynikiem m.in. znacznie ograniczonej dostÚpnoĂci rzetelnych ěródeï danych,
niezbÚdnych do analizy problemu. Wb istniejÈcych bazach cen nieruchomoĂci dane
zbierane sÈ bowiem na podstawie aktów
notarialnych transakcji kupna–sprzedaĝy.
146
Wb zwiÈzku zb brakiem jednolitego standardu uzupeïniania aktów notarialnych tak
zgromadzone dane czÚsto nie dostarczajÈ
waĝnych – dla analizy empirycznej – informacji, wbszczególnoĂci obcharakterze jakoĂciowym, takich jak ocenab stanu technicznego ibstandardu nieruchomoĂci.
Niniejszy artykuï ma na celu uzupeïnienie wiedzy dotyczÈcej skutków lokalizacji
metra na cenÚ pobliskich nieruchomoĂci
poprzez analizÚ tego zagadnienia dla warszawskiej linii metra. Gïównym celem tego
artykuïu jest przede wszystkim przedstawienie wyników badania empirycznego,
polegajÈcego nabanalizie wpïywu lokalizacji
stacji I linii metra warszawskiego na ceny
nieruchomoĂci mieszkalnych. Hipoteza
gïówna pracy zakïada, ĝe odlegïoĂÊ lokalu
mieszkalnego od stacji metra negatywnie
wpïywa na cenÚ nieruchomoĂci.
Do zbadania zaleĝnoĂci pomiÚdzy
lokalizacjÈ stacji metra ab cenÈ nieruchomoĂci wykorzystano hedonistyczny model
cen (ang. hedonic pricing model), oparty
na regresji wielorakiej. Badanie zostaïo
przeprowadzone dla lokali mieszkalnych
usytuowanych wb budynkach wielorodzinnych. W odróĝnieniu odb dotychczasowych badañ przeprowadzonych dla Polski
(Bazyl, 2009), opierajÈcych siÚ na cenach
ofertowych, niniejsza analiza wykorzystuje
ceny transakcyjne. Do weryfikacji hipotezy
posïuĝono siÚ danymi dotyczÈcymi cen
transakcyjnych zarejestrowanych wb latach
2013–2014 oraz cech nieruchomoĂci pobranych zbbazy danych Katastru NieruchomoĂci m.st. Warszawy. Ponadto do pomiaru
odlegïoĂci wbniniejszej pracy posïuĝono siÚ
moduïem GPS dla trybu pieszego2, który
pozwala uzyskaÊ dokïadniejsze oszacowania dystansu niĝ przy zaïoĝeniu pomiaru
odlegïoĂci wb linii prostej (miara euklidesowa). Analiza uwzglÚdnia równieĝ wpïyw
innych Ărodków transportu komunikacji
zbiorowej (dostÚpnoĂÊ komunikacji autobusowej). MajÈc na uwadze specyfikÚ
poszczególnych rynków lokalnych wb Warszawie, badanie ograniczono do analizy
rynku pierwotnego wbdzielnicy Ursynów.
Studia i Materiaïy 1/2016 (20)
Wyniki oszacowanego modelu potwierdzajÈ hipotezÚ gïównÈ badania obstatystycznie istotnym wpïywie lokalizacji stacji metra
na cenÚ nieruchomoĂci. Naleĝy oczekiwaÊ,
ĝe wzrost odlegïoĂci lokalizacji mieszkania od stacji metra ob 1 km spowoduje na
badanym obszarze liniowy spadek ceny
nieruchomoĂci obok. 2,35% lub alternatywnie 172 zï/m2. Pozostaïe wyniki badania sÈ
zgodne zb oczekiwaniami: prawo wïasnoĂci
gruntu wpïywa pozytywnie na cenÚ nieruchomoĂci; wraz ze wzrostem powierzchni
uĝytkowej jednostkowa cena nieruchomoĂci
spada; im bliĝej zlokalizowany jest przystanek autobusowy od mieszkania, tym cena
jest wyĝsza.
Niniejszy artykuï skïada siÚ zb czÚĂci:
wb czÚĂci 2 przedstawiono przeglÈd literatury; wb czÚĂci 3 zaprezentowano ěródïa
danych; wbczÚĂci 4 zdefiniowano specyfikacjÚ modelu, okreĂlajÈc metodÚ badawczÈ,
cel ibzakres analizy oraz wybór postaci analitycznej modelu. WbczÚĂci 5 przedstawiono
wyniki estymacji ibweryfikacji modelu ekonometrycznego oraz ich interpretacjÚ;
wbczÚĂci 6 zaprezentowano podsumowanie
ibwnioski zbanalizy.
2. PrzeglÈd literatury
Wpïyw lokalizacji systemu kolejowego –
wbtym metra – na ceny nieruchomoĂci jest
stosunkowo szeroko analizowany wb literaturze zagranicznej. WiÚkszoĂÊ dotychczasowych badañ skupia siÚ na analizie systemów konwencjonalnych kolei sieci krajowej
lub regionalnej. W ostatnim czasie, wraz
ze wzrostem znaczenia metra jako rodzaju
szybkiej kolei miejskiej ob duĝej zdolnoĂci
przewozowej, uwagÚ poĂwiÚca siÚ równieĝ
analizie wpïywu lokalizacji metra na ceny
nieruchomoĂci miejskich (zob. Bae ib in.,
2003; Lin ibHwang 2004; Martínez ibViegas,
2009; Efthymiou ibAntoniou, 2013; Zhang
ibJing, 2014).
Od strony metodologicznej do badania zaleĝnoĂci pomiÚdzy lokalizacjÈ stacji
metra ab cenÈ pobliskich nieruchomoĂci
najczÚĂciej wykorzystuje siÚ tzw. hedonistyczny model cen, oparty na regresji wielorakiej. W celu wyeliminowania problemów
metodologicznych, takich jak heteroskedastycznoĂÊ skïadnika losowego ib autokorelacja przestrzenna, badacze wykorzystujÈ
równieĝ inne podejĂcia ibmetody badawcze,
wbtym m.in. bmodele powtórnej sprzedaĝy/
wynajmu (np. Gatzlaff ib Smith, 1993; Sun
Wydziaï ZarzÈdzania UW
ibin., 2015), modele difference-in-difference
(np. Agostini, ib Palmucci, 2008).
WiÚkszoĂÊ badañ dotyczÈcych wpïywu
dostÚpnoĂci metra na cenÚ nieruchomoĂci za punkt odniesienia przyjmuje ukïad
przestrzenny. DostÚpnoĂÊ danego obiektu
(stacji metra) jest mierzona za pomocÈ
odlegïoĂci euklidesowej (np. Agostini,
ibPalmucci, 2008; Bazyl, 2009; Sun, Zheng
ibWang, 2015). Pomiar odbywa siÚ zbwykorzystaniem oprogramowania GIS. Takie
uproszczenie pozwala na przeprowadzenie
analizy dla duĝej próby, jednakĝe otrzymane wyniki mogÈ byÊ obciÈĝone, poniewaĝ wb analizie nie sÈ uwzglÚdnione inne
obiekty leĝÈce na odcinku ïÈczÈcym oba
punkty. RozwiÈzaniem tego problemu
wydaje siÚ zastosowanie odlegïoĂci rzeczywistej, uwzglÚdniajÈcej obiekty spotykane
na drodze, lub pomiaru czasowego.
Wyniki badañ zagranicznych wykazujÈ
wb wiÚkszoĂci pozytywny wpïyw dostÚpnoĂci metra na cenÚ nieruchomoĂci, choÊ
róĝniÈ siÚ one pod wzglÚdem interpretacji ib poziomu istotnoĂci wyników. Przykïadowo, Bae ibin. (2002) zbadali wpïyw lokalizacji stacji jednej zb linii metra na ceny
mieszkañ wb Seulu (Korea Pïd.). Autorzy
dowiedli, ĝe metro wb najwiÚkszym stopniu wpïywa na ceny nieruchomoĂci przed
faktycznym otwarciem linii metra (zgodne
zb tzw. efektem antycypacyjnym). Ponadto,
wpïyw metra jest niĝszy niĝ innych waĝnych czynników okreĂlajÈcych cenÚ nieruchomoĂci (np. powierzchnia mieszkania,
dostÚpnoĂÊ terenów rekreacyjnych czy
szkóï). Zauwaĝyli równieĝ, ĝe dostÚpnoĂÊ
stacji metra ma wiÚkszy wpïyw wbokolicach,
wbktórych inne linie metra nie sÈ dostÚpne.
W odróĝnieniu od analizy Bae ibin. (2002)
Lin ib Hwang (2004) – na przykïadzie linii
metra wbTajpej (Tajwan) – wykazaïy pozytywny wpïyw lokalizacji metra nabceny nieruchomoĂci wbokresie po uruchomieniu stacji metra. Zauwaĝyïy ponadto, ĝe wpïyw ten
jest zmienny wbzaleĝnoĂci m.in. od lokalizacji nieruchomoĂci (centrum czy peryferia),
przeznaczenia nieruchomoĂci (mieszkalne
czy komercyjne).
Analogicznie do efektów odziaïywania
innych rodzajów transportu szynowego
(kolejowego, tramwajowego) dostrzegalny
jest równieĝ negatywny aspekt bliskoĂci
stacji metra. Zbreguïy jest on jednak kompensowany przez korzyĂci zwiÈzane zblokalizacjÈ metra. Bowes (2001) zidentyfikowaï cztery rodzaje czynników zwiÈzanych
DOI 10.7172/1733-9758.2016.20.11
147
zbobecnoĂciÈ stacji kolejowych, które mogÈ
mieÊ wpïyw na cenÚ nieruchomoĂci. WĂród
pozytywnych stron bliskoĂci stacji wyróĝnia:
(1) korzyĂci zwiÈzane zbdostÚpnoĂciÈ komunikacyjnÈ oraz (2) czynnik zachÚcajÈcy biznes do relokowania swoich usïug wbpobliĝu
stacji. Natomiast negatywne strony bliskoĂci stacji to wb szczególnoĂci: (3) czynniki
Ărodowiskowe, takie jak: haïas, drgania,
zanieczyszczenia oraz (4) wzrost drobnej
przestÚpczoĂci.
W przypadku Polski ib metra warszawskiego Bazyl (2009) przeprowadziïa badanie empiryczne dla warszawskich lokali
mieszkalnych, analizujÈc wpïyw cech fizycznych nieruchomoĂci ibatrybutów otoczenia
(m.in. odlegïoĂÊ od stacji I linii metra warszawskiego, lotniska, terenów zielonych)
na ceny ofertowe nieruchomoĂci wb2006 r.,
nabpróbie ponad 2btys. obserwacji. Badanie
wykazaïo, ĝe nieruchomoĂci zlokalizowane
wb odlegïoĂci do 1 km od stacji metra sÈ
droĝsze ob 15% wb stosunku do nieruchomoĂci znajdujÈcych siÚ poza tÈ strefÈ.
Interpretacja otrzymanych wyników jest
jednak stosunkowo ograniczona, gïównie
zb powodu zastosowanych miar odlegïoĂci
oraz zakresu terytorialnego. Analiza byïa
bowiem przeprowadzona zbwykorzystaniem
odlegïoĂci euklidesowej, tj. ïÈczÈcej liniÈ
prostÈ dwa punkty (obserwacjÚ ib obiekt
referencyjny) ob okreĂlonych wspóïrzÚdnych geograficznych. Ponadto, zb powodu
braku dokïadnych wspóïrzÚdnych geograficznych dlab lokalizacji obserwacji, zrezygnowano zbuwzglÚdnienia wbanalizie lokali
poïoĝonych przy ulicach obdïugoĂci powyĝej
0,5bkm. W analizowanej próbie znalazïy siÚ
równieĝ mieszkania zlokalizowane wbdzielnicach, przez które nie przebiegaïa linia
metra.
3. ½ródïa danych
W badaniu posïuĝono siÚ danymi przekrojowymi, dotyczÈcymi cen transakcyjnych
oraz cech nieruchomoĂci. Dane te pochodzÈ zbRejestru Cen ibWartoĂci NieruchomoĂci, prowadzonego przez UrzÈd m.st.bWarszawy.
Obszar, dla którego dokonano analizy
wpïywu dostÚpnoĂci metra na ceny okolicznych nieruchomoĂci, zostaï zawÚĝony
do transakcji zb rynku pierwotnego (deweloperskiego) zb dzielnicy Ursynów wb Warszawie wb okresie 2013–2014, przez którÈ
przebiega I linia metra (M1) warszawskiego
na odcinku Ursynów–Kabaty. Linia metra
na analizowanym odcinku Ursynów–Kabaty
ma dïugoĂÊ ok. 4,25 km ibskïada siÚ zb5bstacji
metra: Ursynów, Stokïosy, Imielin, Natolin
ibKabaty. Odcinek metra Ursynów–Kabaty
zostaï oddany do uĝytku wb1995br. wbramach
uruchomionej pierwszej czÚĂci linii M1,
ïÈczÈcej Kabaty ze ¥ródmieĂciem (stacja
Politechnika).
Zaïoĝono, ĝe wszystkie lokale oraz
budynki, wb których usytuowane sÈ lokale,
majÈ podobny stan techniczny ib standard wykoñczenia. Jest to podyktowane
uwzglÚdnieniem wb analizie jedynie transakcji zb rynku pierwotnego, ab wiÚc wyïÈcznieb nowych lokali wb stanie tzw. deweloperskim.
W tabeli 1 przedstawiono podstawowe
statystyki opisowe wybranych zmiennych.
Tabela 1. Statystyki opisowe wybranych zmiennych
Zmienn-a(e)
Cena transakcyjna (zï/m2)
Poïoĝenie lokalu na piÚtrze (nrbkondygnacji)
OdlegïoĂÊ od stacji metra (m)
OdlegïoĂÊ od przystanku autobusowego (m)
OdlegïoĂÊ od Centrum (km)
Liczba obserwacji
Okres badania
¥rednia
Odchylenie
Minimum Maksimum
standardowe
7 622,80
730,39
6 306,00
9 840,00
4,54
2,63
1
11
1 328,57
855,46
400
3800
226,35
115,08
20
600
11,11
0,90
10
14
126
07.2013–11.2014
½ródïo: opracowanie wïasne na podstawie danych Rejestru Cen ibWartoĂci NieruchomoĂci.
148
Studia i Materiaïy 1/2016 (20)
Ăci wariancji reszt skïadnika losowego (Lin
ibHwang, 2004).
4. Specyfikacja modelu
4.1. Metoda badawcza
Do zbadania wpïywu lokalizacji stacji
metra na cenÚ nieruchomoĂci wykorzystano
hedonistyczny model cen (HMC). Za prekursora teoretycznych rozwaĝañ dotyczÈcych aplikacji HMC powszechnie uwaĝa
siÚ amerykañskiego ekonomistÚ Sherwina
Rosena (1974). PrzyjÈï on tzw. hedonistycznÈ hipotezÚ, ĝe dobra zróĝnicowane sÈ
agregatami charakterystyk, które stanowiÈ
podstawÚ wyborów ekonomicznych przez
konsumentów. Model ten zostaï inkorporowany na potrzeby badañ empirycznych
dotyczÈcych ksztaïtowania siÚ cen nieruchomoĂci. Przyjmuje siÚ, ĝe zmienna objaĂniana wbHMC, czyli cena nieruchomoĂci,
determinowana jest zarówno przez charakterystyki wewnÚtrzne (fizyczne cechy), jak
ib czynniki zewnÚtrzne (otoczenie) wb stosunku do nieruchomoĂci (Sirmans, Macpherson ibZietz, 2005). Uproszczona postaÊ
funkcyjna HMC wyglÈda nastÚpujÈco:
Cena = f (fizyczne cechy nieruchomoĂci,
atrybuty otoczenia)
(1)
W HMC cena nieruchomoĂci opisana
jest wiÚc jako funkcja okreĂlonych cech
nieruchomoĂci ib otoczenia. Fizyczne atrybuty nieruchomoĂci odnoszÈ siÚ np. do
parametrów powierzchniowych, wieku
budynku, poïoĝenia na piÚtrze; natomiast
cechy otoczenia dotyczÈ przede wszystkim
lokalizacji ib innych czynników zewnÚtrznych (np.b odlegïoĂÊ od stacji metra),
wpïywajÈcych na cenÚ. Do budowy HMC
powszechnie wykorzystywana jest regresja
liniowa, która umoĝliwia analizÚ wpïywu
zmiennych objaĂniajÈcych (przy zaïoĝeniu
ceteris paribus) na zmiennÈ objaĂnianÈ –
cenÚ nieruchomoĂci. W celu uproszczenia
interpretacji wspóïczynników regresji czÚsto stosowanym rozwiÈzaniem jest transformacja postaci funkcyjnej zmiennej objaĂnianej do logarytmu naturalnego ceny
(model log-liniowy). Wówczas oszacowane
parametry równania mogÈ byÊ interpretowane jako procentowa zmiana zmiennej
objaĂnianej (ceny), spowodowana jednostkowÈ zmianÈ zmiennej objaĂniajÈcej
(Wooldridge, 2003)3. Zastosowanie logarytmicznej postaci funkcyjnej zmiennej objaĂnianej pozwala równieĝ wbpewnym stopniu
zniwelowaÊ problem heteroskedastyczno-
Wydziaï ZarzÈdzania UW
4.2. Cel badania ibhipotezy badawcze
Celem gïównym badania empirycznego
jest analiza wpïywu dostÚpnoĂci stacji
metra wb ukïadzie przestrzennym na cenÚ
nieruchomoĂci.
W ramach badania sformuïowano nastÚpujÈcÈ hipotezÚ gïównÈ: wzrost odlegïoĂci
lokalu mieszkalnego odbstacji metra wpïywa
negatywnie na cenÚ nieruchomoĂci. Weryfikacja hipotezy odbywa siÚ za pomocÈ oceny
istotnoĂci statystycznej wspóïczynnika
regresji, stojÈcego przy zmiennej objaĂniajÈcej, okreĂlajÈcej odlegïoĂÊ od metra. Do
weryfikacji hipotezy posïuĝono siÚ dwustronnym testem t-Studenta. W badaniu
przejÚto poziom istotnoĂci Ơ = 0,05.
Poboczne cele badania stanowi analiza wpïywu pozostaïych czynników (cechy
fizyczne nieruchomoĂci oraz atrybuty otoczenia) na cenÚ nieruchomoĂci. W szczególnoĂci oczekuje siÚ, ĝe:
– wraz ze spadkiem powierzchni uĝytkowej lokalu roĂnie cena jednostkowa
mieszkania;
– prawo wïasnoĂci do gruntu wpïywa pozytywnie na cenÚ nieruchomoĂci;
– mieszkania na parterze sÈ tañsze niĝ na
pozostaïych piÚtrach;
– mieszkania zlokalizowane bliĝej Centrum Warszawy sÈ droĝsze;
– mieszkania zlokalizowane bliĝej przystanków autobusowych sÈ droĝsze.
4.3. OkreĂlenie potencjalnych zmiennych
objaĂniajÈcych Xj
Lista zmiennych objaĂniajÈcych, które
zgodnie zb przesïankami teoretycznymi
mogÈ mieÊ istotny wpïyw na ksztaïtowanie
siÚ cen nieruchomoĂci, zostaïa przedstawiona wbtabeli 2.
4.4. Wybór postaci analitycznej modelu
Doboru postaci analitycznej modelu
dokonano na podstawie istniejÈcych badañ
dotyczÈcych zwiÈzku ïÈczÈcego zmienne
objaĂniajÈce (cechy nieruchomoĂci ib atrybuty otoczenia) ze zmiennÈ objaĂnianÈ
(cenÈ nieruchomoĂci). W analizie posïuĝono siÚ HMC, wykorzystujÈcym równanie
regresji liniowej. W przypadku wiÚkszoĂci
badañ empirycznych bazujÈcych na HMC
zmienna objaĂniana okreĂlajÈca cenÚ nieruchomoĂci, przedstawiana jest albo jako
zmienna ciÈgïa, albo jako zmienna zloga-
DOI 10.7172/1733-9758.2016.20.11
149
Tabela 2. Charakterystyka zmiennych objaĂniajÈcych
Atrybuty
otoczenia
Cechy fizyczne nieruchomoĂci
Zmienna Xj
Definicja
Charakterystyka
PU_do45
1 – dla PU )
0 – inna PU
PU_45do60
1 – dla PU D (45; 60>m2
0 – inna PU
PU_60do90
1 – dla PU D (60; 90>m2
0 – inna PU
PU_od90
1 – dla PU * 90bm2
0 – inna PU
WLASN
1 – wïasnoĂÊ gruntu
0 – uĝytkowanie wieczyste gruntu
PARTER
1 – dla kondygnacji 1 lokalu
0 – inna kondygnacja lokalu
PIETRO_1lub2
1 – dla kondygnacji 2 lub 3 lokalu
0 – inna kondygnacja lokalu
PIETRO_od3
1 – dla kondygnacji * 4
0 – inna kondygnacja lokalu
METRO
Zmienna ciÈgïa (w metrach)
BUS_do200
1 – przystanek autobusowy do 200 m
OdlegïoĂÊ od przystanku
0 – przystanek autobusowy powyĝej 200 m autobusowego
CENTR_do10
1 – Centrum do 10 km
0 – Centrum powyĝej 10 km
OdlegïoĂÊ od Centrum
Warszawy
Y2014
Y2014 – 1 dla 2014 r.; 0 – dla 2013 r.
Rok zawarcia transakcji
45bm2
Powierzchnia uĝytkowa
mieszkania (m2)
Rodzaj prawa do gruntu
Poïoĝenie lokalu na piÚtrze
(kondygnacja)
OdlegïoĂÊ od stacji metra (m)
½ródïo: opracowanie wïasne.
rytmowana (por. Damm ib in., 1980, Bae,
2003; Lin ib Hwang, 2004; Bazyl, 2009;
Zhang ib Jiang, 2014). Na potrzeby niniejszego badania wyjĂciowÈ postaÊ analitycznÈ
modelu zdefiniowano przy zaïoĝeniu, ĝe
cena nieruchomoĂci jest zmiennÈ ciÈgïÈ:
K
CENA_TRANS = b 0 + / k = 1 b ki X ki + f i (2)
gdzie:
CENA_TRANS – zmienna objaĂniana –
cena transakcyjna wyraĝona wbzï na 1bm2;
ơ0 – parametr strukturalny wyrazu wolnego,
Xki – zmienne objaĂniajÈce,
ơki – parametr pokazujÈcy zmianÚ jednostkowÈ zmiennej objaĂnianej na skutek
zmiany objednostkÚ zmiennej Xki,
Ƥi – skïadnik losowy.
Do estymacji nieznanych parametrów ơk
modelu zastosowano klasycznÈ metodÚ naj150
mniejszych kwadratów (KMNK), zbwykorzystaniem programu komputerowego Gretl.
5. Estymacja ibweryfikacja modelu
ekonometrycznego
5.1. Testowanie modelu
W tabeli 3 przedstawiono wyniki oszacowania modelu liniowego (model nr 1)
zbwykorzystaniem KMNK.
Przed weryfikacjÈ istotnoĂci wpïywu
poszczególnych zmiennych objaĂniajÈcych
Xj na zmiennÈ objaĂnianÈ przystÈpiono do
zbadania zaïoĝeñ KMNK. WbszczególnoĂci
zbadano zaïoĝenie normalnoĂci rozkïadu
oraz homoskedastycznoĂci skïadnika losowego. W przypadku niespeïnienia zaïoĝeñ
stochastycznych otrzymane oszacowania
parametrów strukturalnych modelu sÈ niezgodne, obciÈĝone i/lub nieefektywne.
W celu oceny normalnoĂci rozkïadu
resztkowego przeprowadzono test Jarque’aStudia i Materiaïy 1/2016 (20)
Tabela 3. Wyniki estymacji KMNK dla modelu 1
Zmienna
Wspóïczynnik
BïÈd stand.
b
t-Studenta
wartoĂÊ p
METRO
–0,2511
0,1135
–2,2133
0,0288
**
WLASN
957,0650
167,8950
5,7004
<0,0001
***
BUS_do200
402,8900
172,4580
2,3362
0,0212
**b
PU_do45
974,0740
236,5670
4,1175
<0,0001
***
PU_od45do60
169,9720
153,3530
1,1084
0,2700
PU_60do90
PARTER
PIETRO_1lub2
CENTR_do10
–87,0367
144,5580
–0,6021
0,5483
–103,2020
234,3260
–0,4404
0,6605
–80,0696
113,6270
–0,7047
0,4824
195,7630
232,5330
0,8419
0,4016
Y2014
–101,9470
119,0190
–0,8566
0,3935b
Const
7143,7400
209,9570
34,0248
<0,0001
N
126
R2
0,4428
Skoryg. R2
0,3944
Uwagi: zmienna zaleĝna (Y): CENA_TRANS;
0,05 ib0,01.
*, **, *** oznaczajÈ poziom istotnoĂci odpowiednio: 0,1;
-Bery na normalnoĂÊ reszt, którego hipoteza zerowa zakïada, ĝe skïadnik losowy ma
rozkïad normalny. Otrzymany empiryczny
poziom istotnoĂci dla tego testu wyniósï
p = 0,82, wobec czego nie ma podstaw do
odrzucenia hipotezy zerowej (przy Ơ = 0,05)
obnormalnym rozkïadzie reszt.
W celu weryfikacji zaïoĝenia homoskedastycznoĂci skïadnika losowego wykonano test White’a na ocenÚ jednorodnoĂci
wariancji skïadnika losowego, którego hipoteza zerowa zakïada, ĝe skïadnik losowy
modelu jest homoskedastyczny. Otrzymany
empiryczny poziom istotnoĂci dla tego testu
wyniósï p = 0,15, wobec czego nie ma podstaw do odrzucenia hipotezy zerowej (dla
Ơ = 0,05) obhomoskedastycznoĂci skïadnika
losowego.
NastÚpnym waĝnym problemem mogÈcym prowadziÊ do nieprawidïowych wniosków dotyczÈcych szacowanego wpïywu jest
problem wspóïliniowoĂci zmiennych objaĂniajÈcych. W celu zweryfikowania, czy problem ten wystÚpuje, dokonano oceny stopnia
wspóïliniowoĂci zmiennych za pomocÈ miary
VIF (ang. variance inflation factors). W przypadku VIF > 10, wystÚpuje wspóïliniowoĂÊ
miÚdzy zmiennymi. Test na wspóïliniowoĂÊ
zmiennych VIF wykazaï, ĝe wboszacowanym
Wydziaï ZarzÈdzania UW
***
modelu stopieñ skorelowania poszczególnych zmiennych objaĂniajÈcych zawieraï siÚ
wbprzedziale od 1,39 do 3,83, abwiÚc naleĝy
oczekiwaÊ, ĝe wbmodelu nie wystÚpuje problem wspóïliniowoĂci zmiennych.
Ponadto, dokonano oceny poprawnoĂci
formy funkcyjnej modelu. PostaÊ funkcyjna
modelu powinna byÊ podyktowana merytorycznymi przesïankami, ab dobór niewïaĂciwej postaci funkcyjnej modelu moĝe
byÊ przyczynÈ jego sïaboĂci. W celu sprawdzenia, czy zaproponowany model liniowy
jest wïaĂciwy, dokonano oceny liniowoĂci
modelu. W tym celu weryfikacji poddano
model wb postaci liniowej (model nr 1)
wzglÚdem:
– modelu potÚgowego, wykonujÈc test
nieliniowoĂci dla postaci logarytmicznej;
– modelu kwadratowego, wykonujÈc test
nieliniowoĂci dla postaci kwadratowej.
Testy nieliniowoĂci dla logarytmów
ib kwadratów wykazaïy, ĝe nie ma podstaw
do odrzucenia H0, mówiÈcej ob liniowej
zaleĝnoĂci, poniewaĝ wartoĂÊ empiryczna
wbobu przypadkach (odpowiednio p = 0,18
ib p = 0,18) jest wiÚksza od przyjÚtego
poziomu istotnoĂci Ơ = 0,05. Do dalszej
analizy przyjÚto zatem liniowÈ postaÊ funkcyjnÈ modelu.
DOI 10.7172/1733-9758.2016.20.11
151
5.2. Ocena stopnia precyzji modelu
Ocena stopnia wyjaĂnienia zmiennoĂci
zmiennej objaĂnianej dokonywana jest za
pomocÈ wspóïczynnika determinacji R2.
W rozwaĝanym modelu wartoĂÊ R2 wynosi
0,44 – co oznacza, ĝe zmiennoĂÊ zmiennych
objaĂniajÈcych wb44% wyjaĂnia ksztaïtowanie siÚ zmiennoĂci zmiennej objaĂnianej
(ceny transakcyjnej).
5.3. Ocena istotnoĂci oraz interpretacja
otrzymanych parametrów
strukturalnych modelu
AnalizujÈc otrzymane wyniki przedstawione wbtabeli 3, naleĝy stwierdziÊ, ĝe znaki
przy oszacowaniach parametrów zmiennych objaĂniajÈcych sÈ zgodne zb oczekiwaniami sformuïowanymi na bazie teorii
ekonomii ib istniejÈcych badañ empirycznych. Nie wszystkie oszacowane parametry modelu sÈ jednak istotnie statystycznie
róĝne od zera. Wyniki oszacowania modelu
nr 1 wskazujÈ, ĝe przy zaïoĝonym poziomie istotnoĂci Ơ = 0,05 parametry istotnie
róĝniÈce siÚ od zera to wspóïczynniki okreĂlajÈce wpïyw nastÚpujÈcych zmiennych:
WLASN, METRO, PU_do45, BUS_do200.
Wb przypadku pozostaïych zmiennych
poziomy istotnoĂci oszacowanych parametrów (wbtym m.in.: Y2014, PARTER, PIETRO_1lub2, CENTR_do10) sÈ powyĝej
ustalonego poziomu istotnoĂci Ơ = 0,05.
Zgodnie zb gïównÈ hipotezÈ mówiÈcÈ
ob negatywnym wpïywie lokalizacji stacji
metra na cenÚ nieruchomoĂci, znak przy
zmiennej METRO jest ujemny. Interpretacja oszacowanego parametru jest nastÚ-
pujÈca: wraz ze wzrostem dystansu nieruchomoĂci od stacji metra ob 1 km, cena
mieszkania (ceteris paribus) spada obok. 251
zï/m2. Wbprzypadku parametrów oszacowanych dla pozostaïych zmiennych ich znaki
sÈ zgodne zbhipotezami pobocznymi:
– prawo do gruntu wb postaci wïasnoĂci –
wbstosunku do uĝytkowania wieczystego
– ma pozytywny wpïyw na cenÚ, powodujÈc jej wzrost (ceteris paribus) ob ok.
957bzï/m2;
– mieszkania ob najmniejszej powierzchni
uĝytkowej (do 45 m2) sÈ droĝsze (ceteris paribus) niĝ mieszkania ob wiÚkszej
powierzchni (powyĝej 90 m2) ob ok.
974bzï/m2;
– lokalizacja mieszkania wb pobliĝu przystanku autobusowego (w odlegïoĂci
do 200 m) wpïywa pozytywnie (ceteris
paribus) na cenÚ nieruchomoĂci ob ok.
403 zï/m2.
KorzystajÈc zbmetody selekcji zmiennych
objaĂniajÈcych ab posteriori, zb modelu nr 1
wyeliminowane zostaïy kolejno zmienne
ob najwyĝszym poziomie prawdopodobieñstwa popeïnienia bïÚdu, przy odrzuceniu
hipotezy ob braku wpïywu zmiennej objaĂniajÈcej na cenÚ. Wb konsekwencji oszacowany model nr 2, zawierajÈcy zmienne
istotne statystycznie, przedstawia siÚ tak,
jak zaprezentowano w tabeli 4.
W przypadku modelu nr 2 oszacowania
wskazujÈ na statystycznie istotny wpïyw
lokalizacji stacji metra nabcenÚ nieruchomoĂci. Wyniki estymacji róĝniÈ siÚ nieznacznie
od modelu nr 1, zb tym ĝe poza zmiennÈ
BUS_do200 wzrósï poziom istotnoĂci para-
Tabela 4. Wyniki estymacji KMNK dla modelu 2
Zmienna
Wspóïczynnik
t-Studenta
wartoĂÊ p
0,0686
Ř2,5075
0,0135
865,4740
143,5910
6,0273
<0,0001
308,5320
157,7730
1,9555
0,0528
996,9520
211,9140
4,7045
<0,0001
METRO
Ř0,171913
WLASN
BUS_do200
PU_do45
PU_od45do60
Const
BïÈd stand.
255,2290
112,1790
2,2752
0,0247
7059,2400
184,4460
38,2727
<0,0001
N
126
R2
0,4292
Skoryg. R2
0,4054
Uwagi: zmienna zaleĝna (Y): CENA_TRANS;
0,05 ib0,01.
152
b
**
***
*
***
**
***
*, **, *** oznaczajÈ poziom istotnoĂci odpowiednio: 0,1;
Studia i Materiaïy 1/2016 (20)
metrów zmiennej METRO, ab ponadto
parametr przy zmiennej PU_od45do60
okazaï siÚ istotnie róĝny od zera. Natomiast porównanie precyzji modelu nrb 1
ib nrb 2 poprzez zestawienie ze sobÈ wysokoĂci skorygowanych R2 równieĝ wypada
nieznacznie na korzyĂÊ modelu nr 2.
Przy zaïoĝonym poziomie istotnoĂci
Ơ = 0,05 otrzymany empiryczny poziom
istotnoĂci dla oszacowania parametru stojÈcego przy zmiennej METRO wyniósï
p = 0,0135, co oznacza, ĝe oszacowanie
parametru przy zmiennej METRO jest statystycznie istotnie róĝne od zera. WartoĂÊ
oszacowanego parametru wyniosïa przy
tym –0,172, co oznacza, ĝe wzrost odlegïoĂci od nieruchomoĂci do stacji metra ob1 km
prowadzi do spadku (ceteris paribus) ceny
nieruchomoĂci obok. 172 zï/m2.
W przypadku pozostaïych zmiennych
modelu nr 2 oszacowania parametrów równieĝ sÈ statystycznie istotnie róĝne od zera.
Interpretacje wyników sÈ nastÚpujÈce:
– prawo wïasnoĂci (WLASN) do gruntu
ib czÚĂci wspólnych budynku wpïywa
pozytywnie (ceteris paribus) na cenÚ nieruchomoĂci wb stosunku do prawa uĝytkowania wieczystego ob ok. 865 zï/m2;
– powierzchnie uĝytkowe mieszkania poniĝej 45 m2 (PU_do45) ibmiÚdzy 45–60 m2
(PU_od45do60) wpïywajÈ pozytywnie
(ceteris paribus) na cenÚ nieruchomoĂci
wzglÚdem mieszkañ powyĝej 60 m2 odpowiednio ob ok. 997 zï/m2 ib ok. 255b zï/m2.
Natomiast przy przyjÚtym poziomie
istotnoĂci Ơ = 0,05 nie ma podstaw do
odrzucenia H0 ob braku istotnego wpïywu
bliskoĂci lokalizacji mieszkania (BUS_
do200) od przystanku autobusowego.
5.3. Alternatywna postaÊ modelu
W niniejszym badaniu do analizy przyjÚto liniowÈ postaÊ modelu. Jednak wbwiÚkszoĂci badañ empirycznych modele hedonistyczne cen sÈ modelami log-liniowymi,
wbktórych logarytm ceny objaĂniany jest za
pomocÈ liniowej funkcji iloĂciowych oraz
jakoĂciowych zmiennych objaĂniajÈcych.
ChoÊ weryfikacja modelu liniowego (nr 1)
wskazuje, ĝe model ten speïnia zaïoĝenia
KMNK ibdobrze dopasowuje siÚ do danych,
na potrzeby tego badania dodatkowo oszacowano równieĝ model log-liniowy obnastÚpujÈcej postaci:
K
ln CENA_TRANS = b 0 + / k = 1 b ki X ki + f i (3)
W modelu uwzglÚdniono zmienne
objaĂniane, które okazaïy siÚ mieÊ istotny
wpïyw dla liniowej postaci (model nr 2).
Wyniki oszacowania modelu log-liniowego
przedstawiono wbtabeli 5.
W porównaniu do modelu 2 wb modelu
log-liniowym (nr 3) poprawie ulegï empiryczny poziom istotnoĂci parametrów
zarówno dla kluczowej zmiennej METRO,
jak ib zmiennej BUS_do200. Wb przypadku
zmiennej METRO, odrzucajÈc H0 obbraku
wpïywu na cenÚ mieszkania, pomylimy
siÚ ok.b 1/100. Podobnie jak wb przypadku
modelu 2. Naleĝy zatem przyjÈÊ, ĝe
zmienna METRO istotnie wpïywa na cenÚ.
Oszacowany wpïyw moĝna zinterpretowaÊ
Tabela 5. Wyniki estymacji KMNK dla modelu log-liniowego (model nr 3)
t-Studenta
wartoĂÊ p
b
–2,6358
0,0095
***
0,0187
5,9959
<0,0001
0,0205
1,9900
0,0489
0,0276
4,5887
<0,0001
0,0146
2,5229
0,0129
368,9875
<0,0001
Wspóïczynnik 4
BïÈd stand.
METRO
-2,3530E-5
<0,0001
WLASN
0,1121
BUS_do200
0,0409
PU_do45
0,1266
PU_od45do60
0,0369
Const
8,8615
0,0240
Zmienna
N
126
R2
0,4304
Skoryg. R2
0,4066
***
**
***
**
***
Uwagi: Zmienna zaleĝna (Y): ln_CENA_TRANS; *, **, *** oznaczajÈ poziom istotnoĂci odpowiednio:
0,1; 0,05 ib0,01.
Wydziaï ZarzÈdzania UW
DOI 10.7172/1733-9758.2016.20.11
153
nastÚpujÈco: wraz ze wzrostem odlegïoĂci
mieszkania od stacji metra ob 1 km cena
nieruchomoĂci spada (ceteris paribus) obok.
2,35%.
Wb przypadku pozostaïych zmiennych
modelu naleĝy przyjÈÊ, ĝe ich oszacowania sÈ statystycznie istotnie róĝne od zera.
WbszczególnoĂci oszacowania wskazujÈ, ĝe:
– wïasnoĂÊ (WLASN) wb stosunku do
prawa uĝytkowania wieczystego wpïywa
pozytywnie na cenÚ (ceteris paribus)
obok. 11,2%;
– powierzchnia uĝytkowa mieszkania do
45 m2 wpïywa pozytywnie na cenÚ wbstosunku do mieszkañ powyĝej 60 m2 (ceteris paribus) obok. 12,7%;
– powierzchnia uĝytkowa mieszkania od
45 do 60 m2 wpïywa pozytywnie na cenÚ
wbstosunku do mieszkañ powyĝej 60 m2
(ceteris paribus) obok. 3,7%;
– odlegïoĂÊ mieszkania od przystanku
autobusowego nie wiÚksza niĝ 200b m
wb stosunku do mieszkañ oddalonych
ob ponad 200 m, wpïywa pozytywnie na
cenÚ (ceteris paribus) obok. 4,1%.
6. Podsumowanie ibwnioski
Wyniki przeprowadzonego badania empirycznego potwierdziïy hipotezÚ
badawczÈ mówiÈcÈ, ĝeb lokalizacja stacji
metra istotnie wpïywa na ksztaïtowanie siÚ
ceny pobliskich nieruchomoĂci. WykorzystujÈc HMC oparty na równaniu regresji
wielorakiej, wykazano, ĝe wraz ze wzrostem
odlegïoĂci nieruchomoĂci od najbliĝszej stacji metra ob 1 km, cena lokalu mieszkalnego spada ob ok. 172 zï/m2 (model nr 2
liniowy) / 2,35% (model nr 3 log-liniowy).
Pomimo poĝÈdanych wïasnoĂci modelu nr 2
(speïnienie zaïoĝeñ obnormalnoĂci ibhomoskedastycznoĂci skïadnika losowego, brak
problemu wspóïliniowoĂci), zasadne wydaje
siÚ przyjÚcie modelu wbpostaci log-liniowej
(nr 3). Podyktowane jest to przede wszystkim lepszÈ moĝliwoĂciÈ interpretacyjnÈ,
wyĝszym poziomem dopasowania modelu
oraz wyĝszymi poziomami istotnoĂci parametrów otrzymanych dla tego modelu.
Wyniki niniejszego badania pozwalajÈ wypeïniÊ lukÚ wb krajowej literaturze
wb zakresie analizy wpïywu dostÚpnoĂci
metra na cenÚ nieruchomoĂci. Po pierwsze, wb odróĝnieniu od istniejÈcych analiz,
wbbadaniu wykorzystano ceny transakcyjne
lokali mieszkalnych, zamiast cen ofertowych. Ponadto, dob pomiaru odlegïoĂci
154
wykorzystano moduï GPS, dziÚki czemu
uwzglÚdniono faktyczny dystans dzielÈcy badane obiekty (w tym przeszkody
nabodcinku ïÈczÈcym oba punkty). Przeprowadzona analiza opiera siÚ na analizie rynku
lokalnego, na który moĝe wpïynÈÊ efekt
oddziaïywania metra, nie wïÈczajÈc do analizy dzielnic, przez które nie przebiega linia
metra. Co wiÚcej, wbmodelu uwzglÚdniono
inne Ărodki publicznego transportu zbiorowego (autobusy). Wbrezultacie oszacowana
zaleĝnoĂÊ pomiÚdzy lokalizacjÈ stacji metra
ab cenÈ nieruchomoĂci, uwzglÚdnia to, czy
wb okolicy nieruchomoĂci jest dostÚpna
komunikacja autobusowa, która równieĝ
moĝe znaczÈco wpïywaÊ na cenÚ. Oszacowany model wykazaï, ĝe wpïyw lokalizacji
metra na ceny nieruchomoĂci jest zdecydowanie niĝszy niĝ wykazywany dotychczas
wbkrajowej literaturze lub wbopracowaniach
firm consultingowych (15–20%), które nie
biorÈ pod uwagÚ powyĝszych ograniczeñ.
Z uwagi na ograniczonÈ liczbÚ obserwacji zasadne jest przeprowadzenie kolejnych badañ zbuwzglÚdnieniem pozostaïych
dzielnic ibrynku wtórnego. Niemniej waĝne
wydaje siÚ równieĝ dalsze badanie wpïywu
lokalizacji komunikacji miejskiej, wb tym
przystanków autobusowych, na cenÚ nieruchomoĂci, który wb niniejszym badaniu
okazaï siÚ stosunkowo wysoki.
Przypisy
1
2
3
4
Poza Bazyl (2009), której wyniki analizy zostanÈ
przedstawione wbpóěniejszej czÚĂci artykuïu.
Wykorzystano moduï pieszy GPS dostÚpny na
stronie https://www.google.pl/maps. Do pomiaru
odlegïoĂci nieruchomoĂci od Centrum Warszawy wykorzystano moduï samochodowy GPS
dostÚpny równieĝ na stronie https://www.google.
pl/maps.
Dokïadny wpïyw zmiennej objaĂniajÈcej dany
jest przez wartoĂÊ liczby e podniesionej do
potÚgi równej wartoĂci wspóïczynnika, minus
jeden (eơ – 1).
Zgodnie ze wzorem eơ – 1 dokïadny wpïyw
zmiennych objaĂniajÈcych na cenÚ nieruchomoĂci jest nastÚpujÈcy:
Wspóïczynnik
ơ
Dokïadny
wpïyw
zmiennej
Dokïadna
zmiana
procentowa
METRO
-2,3530E-5
–2,3530E-5
–2,35%
WLASN
0,1121
0,1186
11,86%
BUS_do200
0,0409
0,0417
4,17%
PU_do45
0,1266
0,1350
13,50%
PU_od45do60
0,0369
0,0376
3,76%
Zmienna
Studia i Materiaïy 1/2016 (20)
Bibliografia
Agostini, C.A. ib Palmucci, G.A. (2008). The Anticipated Capitalisation Effect of ab New Metro Line
on Housing Prices. Fiscal Studies, 29(2), 233–256.
http://doi.org/10.1111/j.1475-5890.2008.00074.x.
Bae, C.-H. C., Jun, M.-J. ib Park, H. (2003). The
impact of Seoul’s subway Line 5 on residential
property values. Transport Policy, 10(2), 85–94.
http://doi.org/10.1016/S0967-070X(02)00048-3.
Bazyl, M. (2009). Hedonic price model for Warsaw housing market, Working Papers, Department of
Applied Econometrics, Warsaw School of Economics,
8, 1–16.
Bowes, D.R. ibIhlanfeldt, K.R. (2001). Identifying
the Impacts of Rail Transit Stations on Residential
Property Values. Journal of Urban Economics, 50(1),
1–25, http:// dx.doi.org/10.1006/juec.2001.2214.
Damm, D., Lerman, S.R., Lerner-Lam, E. ibYoung,
J. (1980). Response of Urban Real Estate Values
in Anticipation of The Washington Metro. Journal of Transportation Economics and Policy, 14(3),
315–336.
Lin, J. ib Hwang, C. (2004). Analysis of property
prices before and after the opening of the Taipei
subway system. The Annals of Regional Science,
38(4), 687–704, http:// dx.doi.org/10.1007/s00168003-0185-2.
Martínez, L. ibViegas, J. (2009). Effects of Transportation Accessibility on Residential Property Values:
A Hedonic Price Model in the Lisbon Metropolitan
Area. Transportation Research Record: Journal of
the Transportation Research Board, 2115, 127–137,
http://dx.doi.org/10.3141/2115-16.
Rosen, S. (1974). Hedonic prices and implicit markets: product differentiation in pure competition.
Journal of Political Economy, 82(1), 34–55, http://
dx.doi.org/10.1086/260169.
Sirmans, S., Macpherson, D. ibZietz, E. (2005). The
composition of hedonic pricing models. Journal of
Real Estate Literature, 13(1), 1–44.
Sun, W., Zheng, S. ibWang, R. (2015). The capitalization of subway access in home value: A repeatrentals model with supply constraints in Beijing.
Transportation Research Part A: Policy and Practice,
80(October), 104–115, http:// dx.doi.org/10.1016/j.
tra.2015.07.015.
Efthymiou, D. ib Antoniou, C. (2013). How do
transport infrastructure and policies affect house
prices and rents? Evidence from Athens, Greece.
Transportation Research Part A, 52, 1–22, http://doi.
org/10.1016/j.tra.2013.04.002.
Wooldridge J.M. (2003). Introductory econometrics:
A modern approach. Mason, OH: Thomson/SouthWestern.
Gatzlaff, D.H. ibSmith, M.T. (1993). The Impact of
the Miami Metrorail on the Value of Residences
Near Station Locations. Land Economics, 69(February), 54–66, http://dx.doi.org/10.2307/3146278.
Zhang, X. ibJiang, Y. (2014). An empirical study of
the impact of metro station proximity on property
value in the case of Nanjing, China. Asian Development Policy Review, 2(4), 61–71.
Wydziaï ZarzÈdzania UW
DOI 10.7172/1733-9758.2016.20.11
155