التنبؤ بالعقارات المتخصصة: المنهجيات والأساليب

Asset-Specific Forecasting: Methods and Approaches

مقدمة: التنبؤ بالعقارات المتخصصة: المنهجيات والأساليب

يقدم هذا الفصل دراسة متعمقة حول التنبؤ بأداء العقارات المتخصصة، وهو جانب بالغ الأهمية في اتخاذ القرارات الاستثمارية الفعالة في سوق العقارات الديناميكي. يتميز هذا النوع من العقارات بخصائص فريدة تتطلب منهجيات وأساليب تنبؤية متخصصة تتجاوز تلك المستخدمة في العقارات التقليدية. سنستكشف في هذا الفصل مجموعة متنوعة من الأساليب، بدءًا من النماذج الكمية القائمة على البيانات التاريخية والتحليل الإحصائي، وصولًا إلى التقييمات النوعية التي تعتمد على الخبرة والحدس والبصيرة السوقية. الهدف هو تزويد المشاركين بالأدوات والمعرفة اللازمة للتنبوء بدقة بأداء هذه الأصول المعقدة.

نظرة عامة

يركز هذا الفصل على استكشاف وتطبيق المنهجيات والأساليب المستخدمة في التنبؤ بأداء العقارات المتخصصة. سيتم تحليل نقاط القوة والضعف لكل طريقة، مع التركيز على كيفية اختيار الأسلوب الأنسب اعتمادًا على نوع الأصل المتخصص، وتوافر البيانات، والأهداف الاستثمارية. بالإضافة إلى ذلك، سيتم دراسة كيفية دمج الأساليب الكمية والنوعية للحصول على رؤية شاملة ودقيقة لاتجاهات السوق المستقبلية.

المفاهيم الأساسية التي سيتم تناولها في هذا الفصل:

• التنبؤ الخاص بالأصول: تحليل مفصل لكيفية تأثير العوامل الكلية والجزئية على أداء أصل عقاري متخصص محدد.
• الوحدة المكانية: تحديد النطاق الجغرافي المناسب للتحليل، مع الأخذ في الاعتبار التأثيرات الإقليمية والمحلية على الأداء العقاري.
• السوق القياسي: تحديد سوق مرجعي يمكن استخدامه كمعيار لتقييم أداء الأصل المتخصص.
• السوق الفرعي المحدد: تحديد قطاع فرعي داخل السوق الأوسع ذي صلة مباشرة بالأصل المتخصص.
• المنهجيات الرسمية: استعراض المناهج الرسمية للتنبؤ والتي تشمل النماذج الكمية والنوعية، أو مزيجًا من الاثنين، مع التركيز على تحليل السلاسل الزمنية، والتحليل السببي/الهيكلي، واستطلاعات رأي الخبراء، وطرق دلفي، والقياس التاريخي أو الجغرافي.
• المنهجيات غير الرسمية: استعراض المناهج غير الرسمية للتنبؤ التي تعتمد على الخبرة السوقية والحدس، مما يعكس التقاليد المهنية وريادة الأعمال في الاستثمار والتطوير العقاري.
• النماذج الكمية: دراسة تفصيلية للنماذج الكمية المستخدمة في التنبؤ العقاري، بما في ذلك نماذج السلاسل الزمنية/الاعتماد على الاتجاهات والنماذج السببية/الهيكلية.
• النماذج النوعية: استكشاف الأساليب النوعية، مثل استطلاعات آراء الخبراء، وتقنيات دلفي، والقياس التاريخي والجغرافي، وكيفية استخدامها لتعزيز دقة التنبؤ.
• العلاقة بين السوق التشغيلي وسوق رأس المال: فهم كيفية تأثير أداء الأسواق التشغيلية (الإيجارات، الشواغر) على أسواق رأس المال (أسعار الأصول، معدلات الرسملة).
• تحليل الحساسية والسيناريوهات: استخدام تحليل الحساسية والسيناريوهات لتقييم تأثير التغيرات في الافتراضات الرئيسية على نتائج التنبؤ.
• التنبؤ بالطلب والعرض: تحليل كيفية التنبؤ بالطلب والعرض في الأسواق العقارية المتخصصة وكيف يؤثر ذلك على الأسعار والإيجارات.
• التنبؤ بمعدل الشغور والإيجار وصافي الدخل التشغيلي (NOI): تحليل مفصل لكيفية استخدام نماذج وأنظمة المعادلات للتنبؤ بالشغور والإيجارات و صافي الدخل التشغيلي.
• التحليل النوعي لمعدلات العائد/ الرسملة: تحليل مفصل لكيفية استخدام المعادلات والخبرة لنمذجة العائد أو معدل الرسملة.

من خلال استكشاف هذه المفاهيم، سيكتسب المشاركون فهمًا شاملاً لكيفية التنبؤ بأداء العقارات المتخصصة واتخاذ قرارات استثمارية مستنيرة.

Asset-Specific Forecasting: Methods and Approaches

Asset-specific forecasting represents a crucial refinement of real estate market analysis, moving beyond broad macroeconomic trends and sub-market dynamics to focus on the unique characteristics and performance drivers of individual properties. This chapter delves into the methodologies and approaches required for effective asset-specific forecasting, emphasizing the integration of quantitative and qualitative techniques to generate accurate and actionable insights for investment decision-making.

Overview

This chapter provides a comprehensive exploration of asset-specific forecasting in real estate, covering a range of methodologies, data considerations, and analytical techniques. We will examine how to tailor forecasting models to individual properties, accounting for their unique features, location, and market position. The primary objective is to equip readers with the skills and knowledge necessary to develop and implement robust asset-specific forecasts that enhance investment strategies and optimize portfolio performance.

• Granularity of Spatial Units: Defining and understanding the hierarchy of spatial units, from benchmark markets to specific sub-markets and individual assets, is critical for isolating asset-specific factors.
• Qualitative Forecasting Approaches: Discuss the importance of understanding market sentiment to predict inflection points in market trends that quantitative methods may miss, with a focus on Delphi methods and expert opinion.
• Trend-Based Forecasting Models: Exploring methods that identify patterns in historical data (smoothing and regression techniques), including moving averages and exponential smoothing, to project future performance.
• Causal/Structural Forecasting Models: Examining how to construct models that link asset performance to underlying economic and demographic drivers, while ensuring that the variable relationships are statistically significant and consistent with theoretical expectations.
• Integrating Quantitative and Qualitative Insights: Highlighting the need for qualitative judgement and expert market sentiment to augment model-driven forecasts, including manual adjustments to model inputs or results to account for market nuances.
• Forecasting Income, Capital, and Total Returns: Provide a methodology for forecasting income returns using the Net Operating Income (NOI). Then, demonstrate the combination of quantitative and qualitative approaches necessary to forecast capital returns using capital market trends. Finally, consolidate those forecasts into a single total returns forecast.
• Case Studies and Practical Applications: Demonstrating real-world examples of asset-specific forecasting in different property types and market conditions.
• Assessing Forecast Accuracy and Limitations: Highlighting challenges associated with time series and structural models by emphasizing how forecasting results are more accurate closer to the present.

التنبؤ بالعقارات المتخصصة: المنهجيات والأساليب

Asset-Specific Forecasting: Methods and Approaches

التنبؤ بالعقارات المتخصصة: المنهجيات والأساليب

مقدمة

يهدف هذا الفصل إلى تقديم نظرة شاملة حول منهجيات وأساليب التنبؤ بالعقارات المتخصصة. سنستكشف الأساليب الرسمية وغير الرسمية، الكمية والنوعية، مع التركيز على التطبيقات العملية في سوق العقارات. سنتناول بالتفصيل النماذج الكمية القائمة على السلاسل الزمنية والنماذج السببية/الهيكلية، بالإضافة إلى الأساليب النوعية مثل استطلاعات الرأي وتقنيات دلفي.

المنهجيات الأساسية للتنبؤ العقاري

هناك طريقتان رئيسيتان للتنبؤ بالعقارات:

• الأساليب غير الرسمية:
  • تعتمد بشكل أساسي على الخبرة السوقية والحدس، وتعكس التقاليد المهنية وريادة الأعمال في الاستثمار والتطوير العقاري.
  • تولي اهتماماً كبيراً لمعنويات السوق إلى جانب فهم أساسيات السوق.
• الأساليب الرسمية:
  • يمكن أن تكون كمية، أو نوعية، أو مزيجاً من الاثنين.
  • الأساليب الكمية: يمكن تقسيمها إلى طريقتين رئيسيتين:
    • تحليل السلاسل الزمنية/الاعتماد على الاتجاهات: يركز على تحديد الأنماط في البيانات التاريخية دون البحث عن نظريات تفسيرية.
    • التحليل السببي/الهيكلي: يبني ويختبر ويستخدم نماذج ذات أسس نظرية قوية.
  • الأساليب النوعية: تشمل استطلاعات رأي الخبراء، وتقنيات دلفي، والتشابه التاريخي أو الجغرافي.

العوامل المؤثرة في اختيار المنهجية المناسبة

يعتمد اختيار تقنية التنبؤ المناسبة على عدة عوامل، بما في ذلك:

• أهداف المستثمر: هل يهدف المستثمر إلى التنبؤ بالعائد على الدخل، أو العائد الرأسمالي، أو العائد الكلي؟
• توفر البيانات: ما هي البيانات المتاحة وكم هي موثوقة؟
• الموارد المتاحة: ما هي الموارد المالية والبشرية المتاحة لإجراء التنبؤ؟

النماذج الكمية: تحليل السلاسل الزمنية (Trend-Based)

تعتمد نماذج السلاسل الزمنية على تحليل البيانات التاريخية لتحديد الأنماط والاتجاهات التي يمكن استخدامها للتنبؤ بالمستقبل. لا تتضمن هذه النماذج عادة أي نظرية اقتصادية أو مالية.

• الافتراض الأساسي: الماضي هو دليل جيد للمستقبل.
• المزايا:
  • متطلبات بيانات محدودة.
  • سهلة التطوير والتنفيذ.
  • توفر خطاً أساسياً مفيداً للمقارنة مع النماذج الأخرى.
  • ناجحة في التنبؤ بالبيانات غير المتقلبة.
• العيوب:
  • لا توفر أي تفسير للعلاقات السببية.
  • الدقة تقل مع مرور الوقت.
• أمثلة على نماذج السلاسل الزمنية:
  • نماذج التمهيد (Smoothing): مثل المتوسطات المتحركة والتمهيد الأسي.
  • نماذج الانحدار (Regression): مثل الانحدار الذاتي والارتباط الذاتي الجزئي.

نماذج التمهيد (Smoothing Models)

تعتمد هذه النماذج على حساب المتوسطات للبيانات التاريخية لتخفيف التقلبات العشوائية وتحديد الاتجاهات الأساسية.

• المتوسطات المتحركة (Moving Averages):
  • تحسب متوسط عدد محدد من النقاط السابقة.
  • يعتمد التنبؤ على هذا المتوسط.
  • المعادلة: MA = (P1 + P2 + ... + Pn) / n حيث P هي قيمة الفترة و n هو عدد الفترات.
• التمهيد الأسي (Exponential Smoothing):
  • يعطي وزناً أكبر للبيانات الحديثة.
  • يستخدم معامل تمهيد (α) لتحديد وزن البيانات الحديثة.
  • المعادلة: St = αXt + (1 - α)St-1 حيث St هي القيمة الممهدة للفترة t، و Xt هي القيمة الفعلية للفترة t، و α هو معامل التمهيد (0 < α < 1).

نماذج الانحدار (Regression Models)

تعتمد هذه النماذج على تحديد العلاقة بين متغير تابع (مثل العائد الكلي) ومتغيرات مستقلة سابقة.

• الانحدار الذاتي (Autoregressive - AR):
  • يعتمد على القيم السابقة للمتغير التابع للتنبؤ بالقيم المستقبلية.
  • المعادلة العامة: TRt = α + ß1TRt-1 + ß2TRt-2 + … + ßqTRt-q + εt
  • حيث:
    • TRt: العائد الكلي في الفترة t.
    • α: ثابت.
    • ßi: معاملات الانحدار.
    • TRt-i: العائد الكلي في الفترة t-i.
    • εt: حد الخطأ.
    • q: عدد الفترات السابقة المستخدمة في النموذج.

النماذج الكمية: النماذج السببية/الهيكلية (Causal/Structural)

تعتمد النماذج السببية على تحديد العلاقات السببية بين المتغيرات الاقتصادية والمالية والعقارية. تهدف هذه النماذج إلى فهم العوامل التي تؤثر على أداء سوق العقارات واستخدام هذه العوامل للتنبؤ بالمستقبل.

• الافتراض الأساسي: هناك علاقات سببية يمكن تحديدها وقياسها بين المتغيرات.
• المزايا:
  • توفر تفسيراً للعلاقات السببية.
  • يمكن استخدامها لتقييم تأثير السياسات الاقتصادية والتغيرات في السوق.
• العيوب:
  • تتطلب بيانات أكثر.
  • أكثر تعقيداً في التطوير والتنفيذ.
  • تعتمد على دقة التنبؤات للمتغيرات المستقلة.
• أمثلة على النماذج السببية/الهيكلية:
  • نماذج الانحدار المتعدد (Multiple Regression):
  • أنظمة المعادلات (Systems of Equations):

نماذج الانحدار المتعدد (Multiple Regression)

تستخدم هذه النماذج لتقدير العلاقة بين متغير تابع واحد (مثل العائد الكلي) وعدد من المتغيرات المستقلة.

• المعادلة العامة: TRt = α + ß1X1t + ß2X2t + ß3X3t + ß4X4t + εt
  • حيث:
    • TRt: العائد الكلي في الفترة t.
    • α: ثابت.
    • ßi: معامل المتغير المستقل Xi.
    • Xit: قيمة المتغير المستقل Xi في الفترة t.
    • εt: حد الخطأ.
• مثال: يمكن استخدام النمو السكاني، والدخل، ومعدلات الفائدة للتنبؤ بالطلب على المساكن وبالتالي بالعائد الكلي.

أنظمة المعادلات (Systems of Equations)

تتكون هذه النماذج من مجموعة من المعادلات التي تعتمد على بعضها البعض. تُستخدم مخرجات إحدى المعادلات كمدخلات في معادلة أخرى.

• المزايا: توفر فهماً أكثر تفصيلاً للعلاقات بين المتغيرات.
• العيوب: أكثر تعقيداً وتتطلب بيانات أكثر.

الأساليب النوعية

تعتمد الأساليب النوعية على الخبرة والحكم الشخصي والبيانات غير الكمية. تستخدم هذه الأساليب غالباً في الحالات التي تكون فيها البيانات الكمية محدودة أو غير موثوقة.

• استطلاعات رأي الخبراء: جمع آراء الخبراء في سوق العقارات.
• تقنيات دلفي: عملية تكرارية لجمع آراء الخبراء حتى الوصول إلى توافق.
• التشابه التاريخي أو الجغرافي: تحليل أداء أسواق عقارية مماثلة في الماضي أو في مناطق جغرافية أخرى.

نموذج جوردون للنمو (Gordon Growth Model) لتقدير معدل الرسملة (Cap Rate)

يمكن استخدام نموذج جوردون لتقدير معدل الرسملة، وهو مقياس مهم لتقييم العقارات.

• المعادلة: K = RFR + RP – G + D
  • حيث:
    • K: معدل الرسملة.
    • RFR: معدل العائد الخالي من المخاطر (عادة ما يكون معدل عائد السندات الحكومية طويلة الأجل).
    • RP: علاوة المخاطر (Risk Premium) المطلوبة للاستثمار في العقارات مقارنة بـ RFR.
    • G: معدل النمو الإيجاري طويل الأجل.
    • D: معدل الاستهلاك السنوي للعقار (أو متوسط المبلغ السنوي المطلوب للاستثمار للحفاظ على جودة الأصل).

ملاحظة هامة: تعتبر علاوة المخاطر (RP) عنصراً أساسياً في هذا النموذج، وغالباً ما تعتمد على معنويات السوق وشهية المستثمرين للمخاطرة. وبالتالي، فإن الأساليب النوعية مثل استطلاعات الرأي وتقنيات دلفي يمكن أن تكون مفيدة في تقدير قيمة RP.

التنبؤ بالعقارات المتخصصة: تطبيق عملي

يوضح الجدول التالي مثالاً لكيفية تطبيق هذه المنهجيات على التنبؤ بأداء عقار متخصص:

دمج الأساليب الكمية والنوعية

في الممارسة العملية، غالباً ما يكون من المفيد دمج الأساليب الكمية والنوعية. يمكن استخدام النماذج الكمية لتوفير خط أساس للتنبؤ، في حين يمكن استخدام الأساليب النوعية لضبط التنبؤ بناءً على الخبرة والحكم الشخصي.

مستقبل التنبؤ العقاري

يتطور مجال التنبؤ العقاري باستمرار. مع زيادة توافر البيانات وتحسن التقنيات الإحصائية، ستصبح النماذج الكمية أكثر دقة وموثوقية. ومع ذلك، ستبقى الأساليب النوعية مهمة، خاصة في الحالات التي تكون فيها البيانات محدودة أو غير موثوقة.

خلاصة

يعتبر التنبؤ بالعقارات المتخصصة عملية معقدة تتطلب فهمًا عميقًا لسوق العقارات والأساليب الكمية والنوعية. من خلال استخدام مجموعة متنوعة من الأدوات والتقنيات، يمكن للمستثمرين اتخاذ قرارات استثمارية مستنيرة وزيادة فرص النجاح.

Asset-Specific Forecasting: Methods and Approaches

Understanding the Asset-Specific Context

Asset-specific forecasting delves into the unique characteristics and circumstances of an individual property to predict its future performance. This is a more granular approach than market-level forecasting, requiring a deeper understanding of both the asset and its immediate environment. It's important to note that "asset-specific" may refer to the physical characteristics of the property, its location, or the specifics of its management and leasing strategy.
The merit of asset-specific forecasting lies in explicitly presenting the strategic forecast and the asset-level forecast. Adjustments can be made based on the benchmark market changes. The most important is the comments, as it permits a clear explanation of why an individual asset may be expected to outperform or underperform the wider market.

Informal Forecasting Approaches

Informal approaches rely heavily on market experience, intuition, and a deep understanding of market fundamentals. These approaches often incorporate market sentiment alongside an appreciation of underlying market drivers.
* Market Sentiment Analysis: Gauging the prevailing optimism or pessimism among investors, developers, and tenants.
* Experience-Based Judgments: Leveraging past successes and failures to anticipate future trends.
* Qualitative Data: Anecdotal evidence, industry gossip, and expert opinions.

Formal Forecasting Approaches

Formal approaches to forecasting can be broadly categorized into quantitative, qualitative, or a combination of both.

Quantitative Methods

Quantitative methods use numerical data and statistical techniques to develop forecasts. They can be further subdivided into time-series/trend-based and causal/structural models.

Time-Series/Trend-Based Models:

These models analyze historical data to identify patterns and trends, projecting them into the future. They generally don't seek to explain the why behind the trends, focusing instead on identifying repeatable patterns.

• Assumptions: The past is a good indicator of the future.
• Strengths: Limited data needs, quick and easy to develop, useful baseline.
• Weaknesses: Lack of explanatory power, less accurate for longer forecast horizons.

Examples:

• Moving Averages: Calculates the average of a data series over a specific period.
• Exponential Smoothing: Assigns exponentially decreasing weights to older observations.
• Regression Models: Using regression analysis to predict future values based on historical trends.

Examples of time-series/trend-based models for total returns:

Smoothing Models

TRt = α + ρt + ß2ρt-1 + ß2ρt-2 + … + ßqρt-q

Regression Models

TRt = α + ßTRt-1 + ßTRt-2 + … + ßTRt-q + εt

Critical properties:

Constant mean, Constant variance, Autocovariance is non-zero to lag q, Stationarity

Terms:

TRt is the total return in period t

α is a constant

ρ is a disturbance term

ß is a coefficient

ε is an error term

q is the period over which the model is calculated

Causal/Structural Models:

These models aim to identify the underlying drivers of real estate performance and build relationships between independent variables (e.g., economic growth, demographics) and the dependent variable (e.g., property value, rental income).

• Assumptions: A strong theoretical underpinning linking independent variables to real estate performance. The past relationship of the dependent variable to one or more independent variables
• Strengths: Can provide insights into the why behind market movements, potentially more accurate for longer-term forecasts.
• Weaknesses: Requires more data, more complex to develop, relies on accurate forecasts of independent variables.

Examples:

• Multiple Regression: Using multiple independent variables to predict the dependent variable.
  • Equation: TRt = α + ß1X1t + ß2X2t + ß3X3t + ß4X4t + εt
    • TRt is the total return in period t.
    • α is a constant.
    • ßi is the coefficient for variable Xi.
    • Xi is an independent variable.
    • ε is an error term.
  • Critical properties: Identify independent variables from theory. Model diagnostics should be statistically significant and consistent with theory. Error term ε should be minimized.

• Systems of Equations: A nested set of equations where the output of one equation becomes the input of another. Each equation must have strong theoretical underpinnings and rigorously tested model specification.

  • Trade-off between simplicity and complexity. The single-equation approach can be a little more "grey box", as the interaction between variables is not made explicit. The system of equations has a practical advantage as it allows the forecaster more explicitly to understand the intermediate steps.
  • Greater complexity triggers questions about the potential for positive and negative feedback loops within the model and a prerequisite of the approach is that the nested system of equations should be stable.

Qualitative Methods

Qualitative methods rely on expert opinion, surveys, and other non-numerical data to develop forecasts.

• Expert Opinion/Surveys: Gathering insights from industry professionals, appraisers, and other knowledgeable individuals.
  • Advantages: Consensus, grounded in a 'market view', can be well suited to the prediction of turning points and non-linear changes
  • Disadvantages: Temtation for expert opinion to read too much into data than is warranted, suffer from 'anchoring'
• Delphi Method: A structured process for gathering and refining expert opinions.
• Historical or Geographical Analogy: Drawing comparisons to similar assets or markets to anticipate future performance.

Qualitative techniques can be used in a number of ways:
* Whether to use a quantitative model.
* Which quantitative model(s) to use.
* Which variable(s) to use in the model.
* Whether to adjust the model inputs or results manually.

Forecasting Income Return

In forecasting the income return the emphasis is on understanding trends and forecasting real estate occupational markets in order to forecast NOI. This lends itself to formal quantitative approaches – perhaps time-series/trend-based for supply and causal/structural for demand, occupancy and rent.

Forecasting Capital Return

In forecasting the capital return, an understanding of the likely change in the NOI needs to be combined with an understanding of trends and forecasting of capital markets. This requires both a quantitative and qualitative approach, the latter in the forecasting of capital market trends – perhaps with reference to a forecast risk premium over a forecast risk-free rate.

Yields and Cap Rates

Qualitative modelling of yields/capitalisation rates:

K = RFR + RP –G + D (The equation adopts the form of a Gordon’s growth model)

Critical properties:

Real estate value is determined in relation to the performance of other asset types. Investors will determine the risk premium required in relation to wider appetite for risk.

Terms:

K is the yield or capitalisation rate of an asset

RFR is the risk-free rate (usually taken to be the long-term government bond rate of the country in which the asset is located)

RP is the risk premium that an investor would demand for an investment in real estate compared to the RFR

G is the long-term average rental growth rate

D is the long-term average depreciation rate of the property (or the annual average amount of investment required to maintain the quality of the asset)

Practical Applications and Examples

• Retail Property: Consider a shopping center revitalization project. A time-series model could be used to project foot traffic based on historical data, while a causal model could incorporate demographic changes, consumer spending patterns, and the impact of anchor tenants on overall performance. Expert opinions could be surveyed regarding the potential impact of competing retail developments nearby.
• Office Building: Forecasting occupancy rates for an office building might involve a causal model that considers local employment growth, industry trends, and the building's amenities. A qualitative assessment of tenant creditworthiness and lease renewal probabilities would also be crucial.
• Multifamily Apartment: Analyzing historical occupancy rates, rent growth, and operating expenses using time series models can provide a baseline forecast. Incorporating factors like local job growth, population trends, and the availability of competing units using causal models can refine the prediction. Qualitative assessments of neighborhood quality and property management effectiveness are important considerations.

Demand and Supply Forecasting

Demand Forecasting:

• Demand for real estate (commercial or residential) is a product of the number of people in a defined trade area and their average wealth, and inversely related to the price of real estate in the previous period.
• Equation (Example): Demandt = α + β1*Populationt + β2*Wealtht - β3*Pricet-1 + εt
  • Where Demandt is the demand at time t, Populationt is the population, Wealtht is average wealth, Pricet-1 is the price in the previous period, and α, β1, β2, β3 are coefficients.

Supply Forecasting:

• Short Term (2-3 years): Either monitoring real estate projects under construction and building a granular database or simple causal/structural techniques.
• Long Term (3+ years): Projecting completions using time-series/trend-based techniques.

Model Diagnostics and Back-Testing

It is essential that any quantitative model be subjected to the range of relevant statistical diagnostic tests and wherever possible back-tested against historical data.

ملخص

يلخص هذا الفصل المنهجيات والأساليب المستخدمة في التنبؤ بالعقارات المتخصصة، مع التركيز على كل من الأساليب الرسمية و غير الرسمية.

• التنبؤ الخاص بالأصول: يوضح الفصل أهمية التنبؤ على مستوى الأصل المحدد مع الأخذ في الاعتبار السوق القياسي والسوق الفرعي المحدد. ويؤكد على أهمية وجود تعليق يشرح سبب توقع تفوق الأصل أو عدم تفوقه على أداء السوق الأوسع.
• الأساليب غير الرسمية: تستند إلى الخبرة السوقية والحدس، وتعكس التقاليد المهنية وريادة الأعمال في الاستثمار والتطوير العقاري. تعتمد هذه الأساليب على معنويات السوق وفهم أساسياته.
• الأساليب الرسمية: يمكن أن تكون كمية أو نوعية أو مزيجًا منهما. تنقسم الأساليب الكمية إلى تحليل السلاسل الزمنية/الاعتماد على الاتجاهات وتحليل الأسباب/الهيكلية. تشمل الأساليب النوعية استطلاعات رأي الخبراء وطرق دلفي والقياس التاريخي أو الجغرافي.
• النماذج الكمية: هناك فئتان رئيسيتان من النماذج الكمية: نماذج السلاسل الزمنية/الاعتماد على الاتجاهات ونماذج الأسباب/الهيكلية. تعتمد كلتاهما على افتراض أساسي وهو أن الماضي هو دليل جيد للمستقبل.
• النماذج القائمة على السلاسل الزمنية/الاتجاهات: تركز على تحديد الأنماط في البيانات التاريخية التي قد تتكرر في المستقبل. لا تتضمن هذه النماذج نظرية وغالبًا ما تكون ناجحة في التنبؤ الأساسي بسلاسل البيانات غير المتقلبة.
• النماذج السببية/الهيكلية: تربط متغيرًا تابعًا (العائد العقاري) بمتغيرات مستقلة أساسية (مثل المتغيرات الديموغرافية والاقتصادية) التي تدفع أداء المتغير التابع بطريقة متسقة وقابلة للتنبؤ.
• الأساليب النوعية: تعتبر ذات قيمة كبديل خالص، أو كتحقق من النتيجة الكمية أو ربما بالاشتراك مع التقنية الكمية. يمكن أن تساعد في تقدير العائدات أو معدلات الرسملة التي يصعب التنبؤ بها كميًا.

Summary

This chapter explores asset-specific real estate forecasting, focusing on various methods and approaches to estimate future performance at the individual asset level. It emphasizes that forecasting is crucial for informed investment decisions, both strategically and for specific properties.

• The chapter presents a "four-column approach" which is an explicit presentation of the interconnection between the strategic forecast and the asset-level forecast. The fourth column – comment – is perhaps the most important of all in that it permits a clear explanation of why an individual asset may be expected to outperform or underperform the wider market.

• There are informal forecasting approaches based on market experience and intuition, relying heavily on market sentiment and fundamentals. Formal approaches include quantitative (time-series/trend-based or causal/structural) and qualitative (expert surveys, Delphi methods, historical/geographical analogy) methods, or a combination of both.

• Quantitative models are further divided into time series/trend-based and causal/structural. Time series models identify patterns in historical data, while causal models link returns to fundamental economic and demographic variables. Both rely on the assumption that the past is a good indicator of the future.

• Qualitative approaches, like expert opinion and surveys, play a vital role in forecasting, particularly for variables like yields and capitalization rates that are heavily influenced by market sentiment and risk appetite. The Gordon Growth Model is used to model Yields and cap rates

• In practice, a combination of quantitative and qualitative techniques is often employed. A robust forecasting system undergoes statistical diagnostic tests and back-testing against historical data.

• A conceptual framework for forecasting real estate returns involves modeling occupational markets to forecast Net Operating Income (NOI) using causal/structural techniques, forecasting yield or cap rate using qualitative techniques, and summing income and capital returns to calculate the total return.

• Forecasting real estate demand is well-suited to causal/structural econometric techniques, using demographic, economic, and price variables. The lack of good quality, long-term data sets is changing as the industry becomes more sophisticated and data becomes more widely available and cost effective.