Doctoral thesis of philosophy forecasting commercial property market performance
Luận văn tiến sĩ nghiên cứu dự báo xu hướng bất động sản thương mại bằng triết học. Phân tích mô hình dự báo mới và ứng dụng thực tiễn.
Năm xuất bản
Số trang
403
Thời gian đọc
1 giờ 1 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
60 Point
Tổng quan nhanh
- Chủ đề:
- 1. Tổng quan commercial real estate forecasting và rủi ro
- Số trang:
- 403 trang
- Trường:
- RMIT University
- Chuyên ngành:
- Property
- Tác giả:
- Treshani Perera
- Năm:
- 2018
Tóm tắt nội dung luận án
I. Tổng quan commercial real estate forecasting và rủi ro
Thị trường bất động sản thương mại giữ vai trò thiết yếu trong nền kinh tế. Dự báo hiệu suất thị trường đòi hỏi sự chính xác cao. Lĩnh vực commercial real estate forecasting đối mặt nhiều thách thức phức tạp. Các biến động kinh tế vĩ mô thường xuyên tạo ra rủi ro bất ngờ. Nghiên cứu tập trung giải quyết lỗ hổng của các phương pháp dự báo truyền thống. Mô hình định lượng thuần túy thường bỏ sót các yếu tố phi tuyến tính. Sự biến động của dòng tiền đòi hỏi công cụ phân tích đa chiều hơn. Việc nắm bắt kịp thời các điểm uốn chu kỳ giúp bảo toàn nguồn vốn. Nhà đầu tư cần các công cụ dự báo có tính thích ứng cao. Phân tích thị trường hiện đại phải kết hợp cả dữ liệu lượng hóa lẫn thông tin thị trường thực tế. Điều này tạo nền tảng vững chắc cho việc quản trị rủi ro giảm giá hiệu quả.
1.1. Bối cảnh nghiên cứu và hạn chế dự báo truyền thống
Các mô hình truyền thống chủ yếu dựa vào dữ liệu lịch sử trong quá khứ. Cách tiếp cận này tạo ra độ trễ lớn khi thị trường biến động mạnh. Khủng hoảng tài chính toàn cầu đã chứng minh sự thiếu hụt này. Những cú sốc ngoại sinh thường nằm ngoài khả năng tính toán của phương trình cố định. Việc phụ thuộc vào chuỗi dữ liệu cũ dẫn đến sai lệch lớn trong dự đoán. Thị trường thương mại có cấu trúc phân mảnh và tính thanh khoản thấp. Các tài sản có tính dị biệt cao về vị trí và phân khúc khách thuê. Dữ liệu công khai thường bị chậm trễ hoặc không hoàn chỉnh. Dự báo thiếu chính xác gây tổn thất nặng nề cho các nhà phát triển và ngân hàng. Cải tiến phương pháp tiếp cận là yêu cầu cấp thiết để thích ứng bối cảnh mới.
1.2. Tầm quan trọng của PhD dissertation commercial property valuation
Đề tài PhD dissertation commercial property valuation đặt nền móng lý thuyết mới cho định giá tài sản thương mại. Luận án giải quyết triệt để vấn đề định giá trong giai đoạn suy thoái kinh tế. Các phương pháp định giá tiêu chuẩn thường bỏ qua rủi ro bất cân xứng. Nghiên cứu bổ sung khung lý thuyết về phân tích rủi ro sụt giảm giá trị tài sản. Hệ thống chỉ số mới giúp phản ánh chân thực áp lực dòng tiền của bất động sản. Sự kết hợp giữa lý thuyết tài chính và dữ liệu vi mô mang lại góc nhìn đột phá. Các tổ chức tín dụng có thể sử dụng kết quả này để thiết lập biên độ an toàn vốn. Nghiên cứu thúc đẩy tính minh bạch và chuẩn hóa quy trình định giá quốc tế.
1.3. Mục tiêu xây dựng phương pháp dự báo toàn diện
Mục tiêu trọng tâm là mở rộng phạm vi dự báo vượt ra ngoài các mô hình toán kinh tế đơn lẻ. Luận án thiết lập quy trình tích hợp các chỉ báo định tính từ chuyên gia đầu ngành. Quy trình kết hợp này tạo ra cơ chế kiểm chứng chéo thông tin tin cậy. Mô hình mới vừa phản ánh dữ liệu thống kê vừa nắm bắt tâm lý thị trường. Khung phân tích được xây dựng nhằm nhận diện sớm các điểm bão hòa của phân khúc văn phòng và bán lẻ. Nghiên cứu kiểm tra tính hiệu quả của phương pháp trên dữ liệu thực tế kéo dài nhiều năm. Kết quả cung cấp hệ thống cảnh báo sớm rủi ro thị trường cho các nhà quản lý quỹ.
II. Phương pháp econometric modeling commercial real estate
Phương pháp econometric modeling commercial real estate giữ vai trò trung tâm trong phân tích định lượng bất động sản. Các mô hình kinh tế lượng giúp đo lường mối liên hệ giữa các biến số kinh tế vĩ mô và giá thuê. Lãi suất, lạm phát và tăng trưởng GDP là những yếu tố đầu vào cơ bản. Tuy nhiên, việc áp dụng máy móc các phương trình toán học thường gặp giới hạn thực tế. Dữ liệu bất động sản thường tồn tại hiện tượng tự tương quan và phương sai sai số thay đổi. Khung nghiên cứu đã tái cấu trúc quy trình ước lượng để giảm thiểu độ lệch chuẩn. Việc hiệu chỉnh tham số giúp mô hình bám sát hơn diễn biến của các phân khúc văn phòng, công nghiệp và bán lẻ.
2.1. Đánh giá hedonic pricing model commercial property
Mô hình hedonic pricing model commercial property phân tách giá trị tài sản thành các đặc tính cấu thành riêng biệt. Các yếu tố bao gồm vị trí địa lý, diện tích sàn, chất lượng hoàn thiện và tiện ích tòa nhà. Mô hình lượng hóa giá trị thặng dư của từng đặc tính vật lý và hợp đồng thuê. Dữ liệu lịch sử cho thấy tỷ lệ lấp đầy có tác động phi tuyến tính đến đơn giá. Phương pháp này giúp nhà phát triển định giá chính xác từng mét vuông sàn thương mại. Dẫu vậy, mô hình hedonic truyền thống thường bỏ qua sự biến động của chu kỳ kinh tế chung. Luận án đã kết hợp thêm các biến số vĩ mô để tăng cường độ chính xác khi thị trường hạ nhiệt.
2.2. Vai trò của time series analysis property markets
Kỹ thuật time series analysis property markets phân tích hành vi của chuỗi thời gian để phát hiện xu hướng và tính mùa vụ. Các mô hình tự hồi quy tích hợp trung bình trượt giúp nắm bắt quán tính tăng trưởng giá thuê. Dữ liệu chuỗi thời gian dài hạn phơi bày chu kỳ biến động của tỷ lệ trống văn phòng. Phương pháp này đặc biệt hiệu quả trong việc dự báo xu hướng ngắn hạn và trung hạn. Nghiên cứu chỉ ra rằng các cú sốc lãi suất có tác động trễ kéo dài nhiều quý lên thị trường. Việc lọc nhiễu dữ liệu chuỗi thời gian giúp nâng cao chất lượng dự báo điểm xoay chiều. Đây là công cụ đắc lực hỗ trợ lập kế hoạch tài chính cho các dự án dài hạn.
2.3. Ứng dụng spatial econometrics real estate research
Kinh tế lượng không gian spatial econometrics real estate research giải quyết triệt để sự phụ thuộc không gian giữa các bất động sản lân cận. Vị trí là thuộc tính cốt lõi tạo nên giá trị bất động sản thương mại. Sự phát triển của hạ tầng giao thông tạo ra hiệu ứng lan tỏa tích cực đến toàn khu vực. Mô hình không gian lượng hóa mức độ ảnh hưởng qua lại giữa các cụm cao ốc văn phòng trung tâm. Việc bỏ qua yếu tố địa lý trong kinh tế lượng truyền thống dễ dẫn đến ước lượng sai lệch. Phân tích ma trận trọng số không gian giúp xác định chính xác ranh giới của các tiểu thị trường. Kết quả mang lại căn cứ khoa học vững chắc cho chiến lược phân bổ danh mục đầu tư.
III. Mô hình commercial property price prediction models mới
Sự phát triển của commercial property price prediction models mới đánh dấu bước tiến vượt bậc trong nghiên cứu ứng dụng. Mô hình hỗn hợp kết hợp sức mạnh phân tích định lượng với đánh giá chuyên sâu từ chuyên gia. Việc mở rộng nguồn dữ liệu đầu vào giúp tăng cường khả năng chống chịu trước các biến động cực đoan. Nghiên cứu chứng minh rằng không một mô hình đơn lẻ nào có thể phản ánh toàn diện thị trường. Khung dự báo đa tầng giải quyết hiệu quả hiện tượng bất cân xứng thông tin giữa bên mua và bên bán. Các chỉ số dự báo mới hỗ trợ định giá tài sản sát với giá trị thực tế của dòng tiền.
3.1. Hạn chế của các mô hình kinh tế lượng đơn lẻ
Các mô hình kinh tế lượng đơn lẻ thường hoạt động dựa trên giả định thị trường vận hành hoàn hảo và thông tin cân xứng. Trên thực tế, thị trường thương mại chịu ảnh hưởng lớn từ các thương lượng cá biệt và điều khoản bảo mật. Khi xuất hiện khủng hoảng, mối quan hệ tuyến tính giữa các biến số kinh tế bị phá vỡ hoàn toàn. Mô hình thuần toán học không thể tự điều chỉnh trước các thay đổi chính sách đột ngột. Sự cứng nhắc này tạo ra sai số dự báo rất lớn trong các giai đoạn đảo chiều thị trường. Luận án đã chỉ rõ những điểm mù này thông qua dữ liệu đối chiếu đa kỳ. Việc phụ thuộc duy nhất vào thuật toán máy móc tiềm ẩn rủi ro thanh khoản khôn lường.
3.2. Tích hợp ý kiến chuyên gia và dữ liệu định tính
Nghiên cứu ứng dụng phương pháp phỏng vấn bán cấu trúc với các chuyên gia bất động sản và tài chính hàng đầu. Nhận định từ các nhà quản lý quỹ mang lại dữ liệu định tính quý giá về tâm lý thị trường. Chuyên gia có khả năng nhận biết sớm sự dịch chuyển trong chiến lược thuê của các tập đoàn lớn. Quy trình Delphi được sử dụng để tổng hợp và chuẩn hóa các ý kiến chuyên môn độc lập. Dữ liệu định tính sau đó được lượng hóa và tích hợp vào phương trình dự báo chung. Sự kết hợp này bù đắp hoàn hảo cho các khoảng trống dữ liệu lịch sử chưa kịp ghi nhận. Độ tin cậy của kết quả dự báo được cải thiện rõ rệt qua các đợt kiểm nghiệm thực tế.
3.3. Tối ưu hóa độ chính xác cho thị trường thương mại
Khung phân tích mới được kiểm thử nghiêm ngặt thông qua các phương pháp kiểm định chéo trên nhiều phân khúc tài sản. Kết quả cho thấy sai số bình phương trung bình giảm đáng kể so với các mô hình độc lập trước đây. Khả năng dự báo giá trị tài sản trong giai đoạn thị trường đi xuống đạt độ chính xác vượt trội. Hệ thống phân tầng rủi ro giúp phân loại tài sản theo mức độ nhạy cảm với lãi suất và biến động kinh tế. Người dùng mô hình có thể dễ dàng chạy các kịch bản mô phỏng căng thẳng tài chính. Đây là bước đột phá kỹ thuật phục vụ trực tiếp cho hoạt động thẩm định và quản lý danh mục đầu tư.
IV. Khung real estate cycle forecasting và rủi ro giảm giá
Khung phân tích real estate cycle forecasting và rủi ro giảm giá giúp nhận diện các giai đoạn vận động của chu kỳ bất động sản. Chu kỳ bất động sản thương mại thường kéo dài và có độ trễ lớn so với chu kỳ kinh tế chung. Bốn giai đoạn gồm phục hồi, mở rộng, dư cung và suy thoái diễn ra tuần tự nhưng không đều đặn. Việc xác định chính xác vị trí hiện tại của thị trường giúp nhà đầu tư đưa ra quyết định mua bán kịp thời. Quản trị rủi ro giảm giá là yếu tố sống còn để bảo vệ giá trị vốn trong các pha suy thoái. Luận án cung cấp các chỉ số đo lường rủi ro đuôi và khả năng chịu tổn thất của dòng tiền.
4.1. Nhận diện các giai đoạn trong chu kỳ bất động sản
Chu kỳ thị trường được thúc đẩy bởi sự tương tác giữa nguồn cung xây dựng mới và nhu cầu thuê mặt bằng. Trong giai đoạn mở rộng, giá thuê tăng cao kích thích làn sóng khởi công các dự án quy mô lớn. Tuy nhiên, thời gian xây dựng kéo dài khiến nguồn cung mới thường hoàn thành đúng thời điểm nhu cầu bắt đầu suy giảm. Hiện tượng dư cung xuất hiện đẩy tỷ lệ trống lên cao và gây áp lực giảm giá thuê. Luận án thiết lập hệ thống cảnh báo sớm dựa trên tốc độ cấp phép xây dựng và tỷ lệ hấp thụ ròng. Việc nhận diện sớm điểm đảo chiều chu kỳ giúp hạn chế tối đa nguy cơ thâm hụt dòng tiền dài hạn.
4.2. Kỹ thuật capitalization rate forecasting commercial assets
Tỷ suất vốn hóa là chỉ số then chốt phản ánh kỳ vọng sinh lời và mức độ chấp nhận rủi ro của nhà đầu tư. Kỹ thuật capitalization rate forecasting commercial assets phân tích mối liên hệ giữa lợi suất trái phiếu chính phủ và tỷ suất vốn hóa. Khi chi phí vốn tăng, tỷ suất vốn hóa có xu hướng mở rộng, làm giảm trực tiếp giá trị định giá của tài sản. Mô hình dự báo tích hợp chênh lệch lợi suất rủi ro để đưa ra các ước lượng chính xác theo thời gian thực. Phương pháp này hỗ trợ đắc lực cho việc định giá lại tài sản trong môi trường lãi suất biến động mạnh. Nhà quản lý quỹ có thể chủ động tái cơ cấu nợ và cơ cấu tài sản hợp lý.
4.3. Quản trị rủi ro giảm giá trong quyết định đầu tư
Rủi ro giảm giá là nguy cơ sụt giảm lợi nhuận dưới mức kỳ vọng tối thiểu đã đặt ra. Các phương pháp đo lường truyền thống như độ lệch chuẩn không phản ánh đầy đủ bản chất bất cân xứng của rủi ro này. Nghiên cứu áp dụng các chỉ số bán phương sai và giá trị chịu rủi ro có điều kiện để đo lường tổn thất tối đa. Khung phân tích cho phép các nhà đầu tư thiết lập ngưỡng an toàn cho từng phân khúc bất động sản thương mại. Chiến lược phòng ngừa rủi ro bao gồm việc tái đàm phán hợp đồng thuê dài hạn và chọn lọc khách thuê uy tín. Nhờ đó, danh mục tài sản duy trì được dòng tiền ổn định ngay cả trong khủng hoảng.
V. Giá trị doctoral dissertation real estate market analysis
Giá trị học thuật và ứng dụng thực tiễn của doctoral dissertation real estate market analysis được khẳng định mạnh mẽ. Luận án bắc nhịp cầu vững chắc giữa nghiên cứu lý thuyết hàn lâm và hoạt động thực tế trên thị trường tài chính. Đề tài mở ra hướng tiếp cận mới trong việc kết hợp đa phương pháp nghiên cứu định tính và định lượng. Các kết quả nghiên cứu đã được công bố trên các tạp chí chuyên ngành uy tín và báo cáo tại hội thảo quốc tế. Hệ thống lý luận cung cấp tài liệu tham khảo giá trị cho các nhà nghiên cứu, tổ chức định giá và cơ quan quản lý.
5.1. Đóng góp lý luận cho ngành kinh tế bất động sản
Nghiên cứu làm phong phú thêm kho tàng tri thức về kinh tế bất động sản thương mại hiện đại. Luận án làm sáng tỏ cơ chế truyền dẫn rủi ro từ thị trường tài chính sang thị trường tài sản thực. Khung lý thuyết mới thách thức quan điểm truyền thống vốn chỉ dựa vào các mô hình kinh tế lượng khép kín. Sự kết hợp giữa chủ nghĩa thực dụng trong nghiên cứu khoa học và phân tích định lượng tạo nên phương pháp luận chặt chẽ. Đề tài cung cấp nền tảng vững chắc cho các công trình nghiên cứu tiếp theo về quản trị rủi ro bất động sản. Các trường đại học và viện nghiên cứu có thể sử dụng kết quả này làm tài liệu giảng dạy chuyên sâu.
5.2. Khuyến nghị thực tiễn cho nhà đầu tư tổ chức
Các khuyến nghị từ luận án mang tính ứng dụng cao cho các quỹ đầu tư bất động sản và ngân hàng thương mại. Nhà đầu tư tổ chức nên loại bỏ thói quen ra quyết định chỉ dựa vào một mô hình định lượng duy nhất. Việc thành lập hội đồng chuyên gia để rà soát định kỳ các kịch bản thị trường là giải pháp cấp thiết. Các tổ chức tín dụng cần tích hợp công cụ dự báo rủi ro giảm giá vào quy trình thẩm định hạn mức vay. Khung phân tích giúp tối ưu hóa danh mục tài sản theo hướng nâng cao khả năng chống chịu trước suy thoái. Ứng dụng bài bản các khuyến nghị này sẽ nâng cao hiệu quả sinh lời và bảo toàn vốn bền vững.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (403 trang)Nội dung chính
Tuyệt vời! Với kinh nghiệm 10 năm trong việc tối ưu hóa nội dung học thuật cho SEO, tôi sẽ phân tích luận án và tạo ra một bài viết chi tiết, chuẩn SEO theo yêu cầu của bạn.
Tối ưu hóa SEO: Dự báo Hiệu suất Thị trường Bất động sản Thương mại – Vượt xa Sự Phụ thuộc vào Mô hình Kinh tế lượng
BƯỚC 1: PHÂN TÍCH TÀI LIỆU
1. 3-5 vấn đề/câu hỏi chính mà tài liệu giải quyết:
- Hạn chế của mô hình kinh tế lượng truyền thống: Tại sao các mô hình kinh tế lượng hiện có không đủ khả năng dự báo chính xác hiệu suất thị trường bất động sản thương mại, đặc biệt khi đối mặt với các biến động cực đoan (ví dụ: Khủng hoảng Tài chính Toàn cầu – GFC) và các sự kiện rủi ro không lường trước?
- Tích hợp rủi ro giảm giá (Downside Risks): Làm thế nào để định nghĩa, phân tích và tích hợp các rủi ro giảm giá (bao gồm các sự kiện "Thiên nga đen" và thay đổi cấu trúc) vào quá trình dự báo nhằm nâng cao độ chính xác của dự báo thị trường bất động sản thương mại?
- Thực trạng dự báo và phản ứng của thị trường: Thực tiễn dự báo thị trường bất động sản thương mại tại Úc hiện nay như thế nào, và mức độ tiếp xúc của nó với các rủi ro giảm giá là bao nhiêu?
- Phát triển mô hình ra quyết định: Làm thế nào để xây dựng một mô hình ra quyết định toàn diện, kết hợp các thực hành tốt nhất và chiến lược giảm thiểu rủi ro, nhằm cải thiện độ chính xác dự báo hiệu suất thị trường bất động sản thương mại Úc?
2. 15-20 thuật ngữ chuyên ngành quan trọng:
- Forecasting Commercial Property Market Performance (Dự báo hiệu suất thị trường bất động sản thương mại)
- Econometric Models (Mô hình kinh tế lượng)
- Downside Risks (Rủi ro giảm giá)
- Black Swan Events (Sự kiện Thiên nga đen)
- Structural Changes (Thay đổi cấu trúc)
- Real Estate Econometrics (Kinh tế lượng bất động sản)
- Space Market (Thị trường không gian)
- Capital Market (Thị trường vốn)
- Yield Compression (Giảm suất sinh lời/Tỷ suất vốn hóa)
- Net Absorption Rate (Tỷ lệ hấp thụ ròng)
- Vacancy Rates (Tỷ lệ trống)
- Naïve Forecasting Strategies (Chiến lược dự báo ngây thơ)
- Mixed Method Research Design (Thiết kế nghiên cứu phương pháp hỗn hợp)
- Quantitative-Qualitative Sequential Strategies (Chiến lược tuần tự định lượng-định tính)
- Thematic Analysis (Phân tích chủ đề)
- ADSV Decision Making Model (Mô hình ra quyết định ADSV)
- Tail Risk (Rủi ro đuôi)
- Asset Allocation (Phân bổ tài sản)
- Stress Testing (Kiểm tra căng thẳng)
- Parsimony Principle (Nguyên tắc tiết kiệm)
3. 3-5 đóng góp/điểm mới của tài liệu:
- Khuôn khổ "Mười Thực hành Tốt nhất" (Ten best practices): Đề xuất một khuôn khổ thực nghiệm gồm 10 thực hành tốt nhất dựa trên khuyến nghị của các chuyên gia trong ngành, nhằm cải thiện quá trình dự báo thị trường bất động sản thương mại.
- Lớp bảo vệ cho rủi ro giảm giá: Phát triển một tập hợp các chiến lược bổ sung, hoạt động như một "lớp bảo vệ" để giảm thiểu sai số dự báo liên quan đến rủi ro giảm giá, duy trì độ tin cậy của dự báo trong môi trường không chắc chắn.
- Mô hình ra quyết định ADSV: Giới thiệu và minh họa Mô hình ra quyết định ADSV (Applications > Determinants > Strategies > Validation) nhằm tích hợp rủi ro giảm giá và cải thiện độ chính xác dự báo.
- Cách tiếp cận phương pháp luận độc đáo: Sử dụng phương pháp nghiên cứu hỗn hợp (Mixed Method Research Design) với chiến lược định lượng-định tính tuần tự, trong đó giai đoạn định tính chiếm ưu thế, để nắm bắt thông tin hành vi và các yếu tố phi kinh tế, vốn ít được đề cập trong các nghiên cứu kinh tế lượng truyền thống.
- Nâng cao hiểu biết về rủi ro đuôi: Cung cấp cái nhìn sâu sắc hơn về việc tích hợp rủi ro đuôi, mang lại độ tin cậy cao hơn cho các dự báo về hiệu suất thị trường bất động sản thương mại, có lợi cho các nhà quản lý đầu tư, nhà phát triển và tổ chức tài chính.
BƯỚC 2: VIẾT CONTENT THEO CẤU TRÚC
Tổng quan nghiên cứu
Trong bối cảnh nền kinh tế toàn cầu ngày càng biến động, việc dự báo chính xác hiệu suất thị trường bất động sản thương mại đã trở thành một yếu tố then chốt cho mọi bên liên quan. Các nhà đầu tư, nhà quản lý quỹ, và các tổ chức tài chính đều dựa vào các dự báo này để đưa ra quyết định về phân bổ tài sản và chiến lược đầu tư. Tuy nhiên, sự phụ thuộc chủ yếu vào các mô hình kinh tế lượng truyền thống đã bộc lộ nhiều hạn chế, đặc biệt khi thị trường đối mặt với những biến động cực đoan và các sự kiện không lường trước được.
Chủ đề dự báo thị trường bất động sản thương mại có tầm quan trọng sống còn, bởi lẽ những quyết định thiếu chính xác có thể dẫn đến tổn thất tài chính đáng kể. Thực tế cho thấy, các mô hình hiện tại thường xem nhẹ các rủi ro giảm giá (downside risks), như các "sự kiện Thiên nga đen" (Black Swan events) hay những "thay đổi cấu trúc" (structural changes) dài hạn, vốn có khả năng làm đảo lộn hoàn toàn các dự báo dựa trên dữ liệu lịch sử ổn định. Vấn đề chính mà nghiên cứu này giải quyết là sự thiếu hụt một khuôn khổ toàn diện có thể tích hợp hiệu quả các rủi ro này vào quá trình dự báo, vượt ra ngoài sự phụ thuộc đơn thuần vào các phương pháp kinh tế lượng.
Để khắc phục khoảng trống này, nghiên cứu của Treshani Perera đã áp dụng một cách tiếp cận độc đáo, sử dụng chiến lược tuần tự định lượng-định tính (quantitative-qualitative sequential strategies). Cách tiếp cận này không chỉ kiểm định độ chính xác của các dự báo hiện tại mà còn khai thác những hiểu biết sâu sắc từ các chuyên gia trong ngành. Mục tiêu cuối cùng là phát triển một mô hình ra quyết định tiên tiến, giúp nâng cao đáng kể độ chính xác và độ tin cậy của việc dự báo hiệu suất thị trường bất động sản thương mại, đặc biệt trong một thế giới đầy biến động và không chắc chắn.
Nội dung chi tiết
Bối cảnh và Thách thức trong Dự báo Thị trường Bất động sản Thương mại
Thị trường bất động sản thương mại, bao gồm các phân khúc văn phòng, công nghiệp và bán lẻ, đóng vai trò trọng yếu trong nền kinh tế toàn cầu, thu hút một lượng lớn vốn đầu tư. Sự thành công của các khoản đầu tư này phụ thuộc chặt chẽ vào khả năng dự đoán chính xác hiệu suất thị trường trong tương lai. Nền tảng của các dự báo này thường được xây dựng trên các lý thuyết cơ bản về thị trường không gian (space market) và thị trường vốn (capital market), nơi giá thuê và giá trị tài sản được hình thành qua tương tác cung cầu. Các nghiên cứu kinh tế lượng bất động sản (real estate econometrics) đã phát triển nhiều mô hình tinh vi như ARIMA, VAR để phân tích các biến động này.
Tuy nhiên, các mô hình kinh tế lượng truyền thống thường dựa trên các giả định về sự ổn định của thị trường và các mối quan hệ kinh tế vĩ mô. Chúng sử dụng dữ liệu lịch sử để dự đoán xu hướng tương lai, coi các yếu tố như GDP, lãi suất, tỷ lệ lạm phát là động lực chính. Các chỉ số kinh tế vĩ mô này được xem là tín hiệu cảnh báo quan trọng cho việc đánh giá hiệu suất thị trường. Các nghiên cứu của Huang và Wang (2005) hay Tracey và Worthington (2006) tại Úc đã minh chứng mối liên hệ giữa các yếu tố kinh tế và hiệu suất thị trường.
Mặc dù vậy, các nghiên cứu liên quan đã chỉ ra những hạn chế đáng kể. Các giả định ổn định của kinh tế học chính thống, như thị trường hoàn hảo và thông tin đầy đủ, thường không còn đúng trong bối cảnh biến động cực đoan. Ví dụ điển hình là Khủng hoảng Tài chính Toàn cầu (GFC), một "sự kiện Thiên nga đen" do con người tạo ra, đã làm đảo lộn hoàn toàn các mô hình dự báo. Mandelbrot và Hudson (2004) cũng nhấn mạnh rằng việc giả định phân phối chuẩn cho lợi nhuận tài sản có thể dẫn đến đánh giá thấp rủi ro thực tế. Hơn nữa, những đặc điểm cố hữu của bất động sản như tính thanh khoản thấp, thiếu minh bạch, và độ trễ thời gian dài trong xây dựng, càng làm tăng tính phức tạp và khả năng biến động giá trị. Các yếu tố phi kinh tế như văn hóa xã hội, công nghệ và thay đổi quy định cũng ngày càng tác động mạnh mẽ, tạo ra những "thay đổi cấu trúc" dài hạn. Những yếu tố này thường bị gạt bỏ thành "ngoại lai" (outliers) trong mô hình, làm giảm năng lực dự đoán của chúng và tạo ra một khoảng trống nghiên cứu lớn cần được lấp đầy.
Phương pháp Tiếp cận Đa chiều và Phát triển Mô hình Quyết định
Để giải quyết vấn đề nan giải về độ chính xác dự báo, nghiên cứu này đã áp dụng một thiết kế nghiên cứu phương pháp hỗn hợp (Mixed Method Research Design) với chiến lược tuần tự định lượng-định tính (quantitative-qualitative sequential strategies), thể hiện sự linh hoạt của triết lý thực dụng (pragmatism). Giai đoạn định lượng được triển khai đầu tiên, tập trung vào việc đánh giá độ chính xác của các dự báo thị trường văn phòng Úc.
Trong pha định lượng, nghiên cứu đã thu thập và phân tích dữ liệu thứ cấp về thị trường văn phòng và kinh tế Úc trong giai đoạn 2001-2011. Các biến số chính bao gồm chuyển động giá thuê, tỷ lệ trống, tỷ suất vốn hóa và tỷ lệ hấp thụ ròng. Dữ liệu được lấy từ các thị trường văn phòng trọng điểm của Úc, sử dụng các công cụ thống kê như Microsoft Excel và EViews. Các bài kiểm tra độ chính xác dự báo (ví dụ: MAE, MAPE, MAAPE, MASE), phân tích ngoại lai và phân tích hồi quy chuỗi thời gian đã được thực hiện. Kết quả đáng chú ý cho thấy sai số dự báo chuyển động giá thuê và tỷ lệ hấp thụ ròng là rất lớn, thể hiện năng lực dự đoán hạn chế của các mô hình hiện tại. Một phân tích độc lập theo thang đo (scale-independent analysis) thậm chí còn chỉ ra rằng các "chiến lược dự báo ngây thơ" (naïve forecasting strategies) lại vượt trội hơn so với các nhà dự báo chuyên nghiệp. Đặc biệt, phân tích ngoại lai đã xác định thời điểm xung quanh Khủng hoảng Tài chính Toàn cầu (GFC) là giai đoạn có sai số dự báo lớn nhất, với sự đánh giá quá cao về chuyển động giá thuê. Điều này củng cố luận điểm rằng các "sự kiện Thiên nga đen" có tác động mạnh mẽ và khó lường.
Pha định tính tiếp nối để làm rõ các yếu tố nhân quả và bối cảnh hành vi mà pha định lượng chưa thể giải thích. Nghiên cứu đã tiến hành phỏng vấn bán cấu trúc (semi-structured interviews) với 22 chuyên gia hàng đầu trong lĩnh vực bất động sản và tài chính tại Úc (bao gồm các nhà phân tích bất động sản, nhà kinh tế, nhà quản lý quỹ và người cho vay). Các cuộc phỏng vấn này nhằm mục đích khám phá thực trạng dự báo, mức độ tiếp xúc với rủi ro giảm giá và các chiến lược tiềm năng để cải thiện độ chính xác. Phân tích chủ đề (thematic analysis) được thực hiện với sự hỗ trợ của phần mềm QSR NVIVO 11 để xác định các mô hình và mối quan hệ trong dữ liệu sơ cấp. Cách tiếp cận độc đáo này đã cho phép nghiên cứu thu thập những hiểu biết sâu sắc về các yếu tố định tính, hành vi và các "thay đổi cấu trúc" mà các mô hình định lượng truyền thống thường bỏ qua, từ đó đặt nền móng cho việc phát triển một mô hình ra quyết định toàn diện hơn.
Kết quả Đột phá và Hàm ý Thực tiễn
Nghiên cứu đã đưa ra nhiều kết quả đột phá, thách thức các quan điểm truyền thống và cung cấp những hàm ý thực tiễn quan trọng cho ngành bất động sản. Phát hiện chính từ pha định lượng là sự sai lệch đáng kể giữa sai số dự báo bất động sản và sai số dự báo kinh tế, không có sự nhất quán trong các mối quan hệ cơ bản từ kinh tế học chính thống. Điều này khẳng định rằng các yếu tố ngoài kinh tế cần được tích hợp vào mô hình dự báo bất động sản.
Kết quả từ pha định tính đã củng cố những phát hiện này, đồng thời làm sáng tỏ các nguyên nhân sâu xa của sai số dự báo. Các chuyên gia được phỏng vấn thường có xu hướng quá lạc quan về dự báo của họ (45% thừa nhận), và việc kiểm tra độ chính xác dự báo thường bị đánh giá thấp do sự tự tin thái quá vào mô hình. Nghiên cứu cũng chỉ ra rằng thị trường bất động sản hiện tại đang đạt đến đỉnh của chu kỳ, phản ánh những điểm tương đồng với tình hình trước GFC, như tỷ lệ trống thấp, giá thuê cao và nợ đòn bẩy tiềm năng trong môi trường lãi suất thấp. Một đóng góp quan trọng là việc xác định và lập bản đồ tác động tiềm tàng của các "thay đổi cấu trúc" (structural changes) trong thị trường bất động sản thương mại Úc, bao gồm sự gia tăng dòng vốn xuyên biên giới, sự xuất hiện của các thành phố ngoại ô mới, chuyển đổi loại hình bất động sản, cơ sở vật chất tích hợp, và "hiệu ứng Give and Take" (ví dụ, bán lẻ trực tuyến giảm nhu cầu không gian bán lẻ nhưng tăng nhu cầu kho bãi công nghiệp).
Dựa trên những phát hiện này, nghiên cứu đề xuất "Mười Thực hành Tốt nhất" (Ten best practices) để cải thiện độ chính xác dự báo. Các thực hành này bao gồm: đặt mục tiêu rõ ràng, tiếp cận hợp tác để chia sẻ kiến thức, phân tích dữ liệu thị trường để nắm bắt thay đổi, phương pháp định lượng phi lý thuyết (data-driven), tuân thủ nguyên tắc tiết kiệm (parsimony principle), lớp phủ định tính (qualitative overlaying), loại bỏ thiên vị, xác thực dự báo, xây dựng văn hóa chấp nhận sai số, và liên tục xem xét, định nghĩa lại, mô hình lại. Bên cạnh đó, để duy trì độ tin cậy của dự báo trong môi trường rủi ro giảm giá ngày càng tăng, nghiên cứu đề xuất một "lớp bảo vệ" gồm các chiến lược như tham chiếu lịch sử sai số và rủi ro, kiểm tra căng thẳng (stress testing), xác định các cờ cảnh báo, và phân tích toàn diện phản ứng của nhà ra quyết định đối với rủi ro. Cuối cùng, tất cả các phát hiện và khuyến nghị này được tổng hợp trong mô hình ra quyết định ADSV (Applications > Determinants > Strategies > Validation), cung cấp một khuôn khổ thực tiễn để tích hợp các rủi ro giảm giá và nâng cao độ chính xác của dự báo. Các ví dụ minh họa như GFC và "hiệu ứng Amazon" được sử dụng để làm nổi bật tầm quan trọng của việc tích hợp các sự kiện bất thường và thay đổi cấu trúc vào quy trình dự báo.
Ai nên đọc tài liệu này?
Tài liệu này là nguồn tài nguyên vô giá cho một loạt các đối tượng chuyên nghiệp và học thuật, những người quan tâm đến việc nâng cao năng lực dự báo và ra quyết định trong thị trường bất động sản thương mại.
- Các nhà quản lý quỹ đầu tư bất động sản và nhà đầu tư: Những người chịu trách nhiệm về chiến lược phân bổ tài sản và quản lý danh mục đầu tư sẽ tìm thấy các chiến lược cụ thể để tích hợp rủi ro đuôi và nâng cao độ tin cậy của dự báo hiệu suất thị trường. Kiến thức nền về tài chính và đầu tư là cần thiết.
- Các nhà phát triển dự án bất động sản: Khi tiến hành các nghiên cứu khả thi, việc có được dự báo thị trường đáng tin cậy là cực kỳ quan trọng. Tài liệu cung cấp cái nhìn sâu sắc về cách xác định và lập bản đồ các rủi ro chưa biết, giúp họ đưa ra các quyết định phát triển hiệu quả hơn. Kiến thức về phát triển dự án và động lực thị trường là hữu ích.
- Các tổ chức tài chính và ngân hàng: Các ngân hàng và tổ chức tài chính khác sẽ được hưởng lợi từ việc có được những dự báo thị trường đáng tin cậy để đưa ra các quyết định phê duyệt tín dụng chính xác hơn và quản lý rủi ro tốt hơn trong các khoản vay bất động sản. Kiến thức về quản lý rủi ro tín dụng và thị trường tài chính là cần thiết.
- Các nhà nghiên cứu và học giả trong lĩnh vực bất động sản: Nghiên cứu cung cấp một cách tiếp cận phương pháp luận mới (thiết kế hỗn hợp, thiên về định tính) để phát triển lý thuyết học thuật, mở ra hướng nghiên cứu mới về các yếu tố hành vi và phi kinh tế trong dự báo. Kiến thức về kinh tế bất động sản, kinh tế lượng và phương pháp nghiên cứu là bắt buộc.
- Các nhà phân tích thị trường bất động sản: Những người làm việc trực tiếp với dữ liệu và mô hình dự báo sẽ tìm thấy các "Mười Thực hành Tốt nhất" và mô hình ADSV là công cụ thực tiễn để tinh chỉnh quy trình làm việc và cải thiện độ chính xác. Kiến thức chuyên sâu về phân tích dữ liệu và các mô hình dự báo là cần thiết.
Tóm lại, tài liệu này đòi hỏi người đọc có kiến thức nền vững chắc về kinh tế học, tài chính, thống kê và thị trường bất động sản. Lợi ích cụ thể bao gồm khả năng đưa ra các quyết định đầu tư và phát triển chính xác hơn, quản lý rủi ro hiệu quả hơn, và nâng cao năng lực dự báo trong một thị trường ngày càng phức tạp.
Câu hỏi thường gặp
1. Mô hình ADSV trong dự báo thị trường bất động sản thương mại là gì?
Mô hình ADSV (Applications > Determinants > Strategies > Validation) là một khung ra quyết định toàn diện được đề xuất trong nghiên cứu này. Nó tích hợp các ứng dụng, yếu tố quyết định, chiến lược và quy trình xác thực để cải thiện độ chính xác dự báo hiệu suất thị trường bất động sản thương mại. Mục tiêu chính là cung cấp một cấu trúc rõ ràng cho việc kết hợp các rủi ro giảm giá và các thay đổi cấu trúc vào quy trình dự báo.
2. Làm thế nào để cải thiện độ chính xác dự báo khi đối mặt với rủi ro giảm giá?
Để cải thiện độ chính xác, nghiên cứu đề xuất "Mười Thực hành Tốt nhất" như đặt mục tiêu rõ ràng, hợp tác chia sẻ kiến thức, phân tích dữ liệu thị trường chuyên sâu và loại bỏ thiên vị. Bên cạnh đó, một "lớp bảo vệ" gồm các chiến lược như kiểm tra căng thẳng (stress testing), tham chiếu lịch sử sai số và xác định các cờ cảnh báo sớm cũng được khuyến nghị để quản lý rủi ro giảm giá và duy trì sự đáng tin cậy của dự báo.
3. Tại sao các mô hình kinh tế lượng truyền thống không đủ để dự báo thị trường bất động sản thương mại?
Các mô hình kinh tế lượng truyền thống thường dựa trên giả định thị trường ổn định và bỏ qua các yếu tố phi kinh tế. Chúng thất bại khi đối mặt với các biến động cực đoan như "sự kiện Thiên nga đen" (ví dụ: GFC) hoặc các "thay đổi cấu trúc" dài hạn, vốn bị coi là ngoại lai (outliers) hoặc không được định lượng đầy đủ. Điều này dẫn đến khả năng dự đoán hạn chế và sai số đáng kể khi thị trường có những biến động bất ngờ.
4. Khi nào nên tích hợp các yếu tố phi kinh tế vào mô hình dự báo bất động sản?
Các yếu tố phi kinh tế (như thay đổi cấu trúc, hành vi của nhà đầu tư, sự kiện Thiên nga đen) nên được tích hợp vào mô hình dự báo khi thị trường có dấu hiệu biến động lớn, sự không chắc chắn gia tăng, hoặc khi các mô hình truyền thống cho thấy khả năng dự đoán yếu kém. Đặc biệt, trong những giai đoạn chuyển giao hoặc khủng hoảng, việc đánh giá định tính và tích hợp các dữ liệu hành vi trở nên cần thiết để đưa ra dự báo toàn diện hơn.
5. Nghiên cứu này đóng góp gì mới cho lĩnh vực dự báo bất động sản?
Nghiên cứu này đóng góp một khuôn khổ "Mười Thực hành Tốt nhất" và mô hình ra quyết định ADSV để cải thiện độ chính xác dự báo. Nó cũng đề xuất một "lớp bảo vệ" chiến lược để tích hợp rủi ro giảm giá. Về mặt phương pháp luận, nghiên cứu sử dụng cách tiếp cận hỗn hợp định lượng-định tính, tập trung vào yếu tố hành vi, làm phong phú lý thuyết học thuật và cung cấp công cụ thực tiễn cho các nhà đầu tư và chuyên gia trong việc quản lý rủi ro đuôi.
Kết luận
Luận án này đã làm rõ những hạn chế cố hữu của các mô hình kinh tế lượng truyền thống trong việc dự báo hiệu suất thị trường bất động sản thương mại, đặc biệt khi đối mặt với "sự kiện Thiên nga đen" và "thay đổi cấu trúc". Nghiên cứu đã chứng minh rằng sự phụ thuộc đơn thuần vào dữ liệu lịch sử và các giả định ổn định là không đủ trong một thế giới đầy biến động.
Những đóng góp chính của tài liệu bao gồm:
- Phát hiện sai số đáng kể trong các dự báo hiện tại và sự thiếu nhất quán của các mối quan hệ kinh tế.
- Xác định các "thay đổi cấu trúc" và yếu tố hành vi quan trọng ảnh hưởng đến thị trường.
- Đề xuất khuôn khổ "Mười Thực hành Tốt nhất" để cải thiện quy trình dự báo.
- Giới thiệu "lớp bảo vệ" chiến lược để giảm thiểu sai số do rủi ro giảm giá.
- Phát triển Mô hình ra quyết định ADSV toàn diện để tích hợp các yếu tố này.
Trong tương lai, nghiên cứu có thể mở rộng để định lượng tác động cụ thể của từng loại thay đổi cấu trúc, áp dụng mô hình ADSV cho các thị trường và phân khúc bất động sản khác nhau, cũng như phát triển các công cụ định lượng tiên tiến hơn để đánh giá "rủi ro đuôi". Chúng tôi khuyến khích các nhà đầu tư, nhà phát triển và các nhà hoạch định chính sách tham khảo tài liệu này để đưa ra các quyết định sáng suốt hơn, quản lý rủi ro hiệu quả và xây dựng chiến lược bền vững cho thị trường bất động sản. Hãy tải xuống tài liệu đầy đủ để khám phá những hiểu biết sâu sắc này và nâng cao năng lực dự báo của bạn!
Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộForecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models A thesis submitted in fulfilment of the requirements for the degree of Doctor of Philosophy Treshani Perera BSc (Hons) in Quantity Surveying – University of Moratuwa BSc (Hons) in Applied Accounting – Oxford Brookes University MAIQS, ACCA Affiliate School of Property Construction and Project Management College of Design and Social Context RMIT University August 2018 DECLARATION I certify that except where due acknowledgement has been made, the work is that of the author alone; the work has not been submitted previously, in whole or in part, to qualify for any other academic award; the content of the thesis is the result of work which has been carried out since the official commencement date of the approved research program; any editorial work, paid or unpaid, carried out by a third party is acknowledged; and, ethics procedures and guidelines have been followed. Treshani Perera August 2018 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models i ACKNOWLEDGEMENT First and foremost, I wish to thank my principal supervisor, Dr. Wejendra Reddy, for his invaluable guidance, advice and assistance with the many challenges faced during my Ph. This thesis has benefited greatly from many stimulating discussions we had, and his insightful comments and feedback.
I wish to give an equal acknowledgement to Professor David Higgins who helped to get this research started and continuously supported as an external advisor. David was instrumental with industry liaison for data collection. His supervision was very motivational, always providing the encouragement to reach the research goals. I also owe a special gratitude to my co-supervisors, Dr.
Woon-Weng Wong who provided useful input into the quantitative modelling and Professor Ron Wakefield, for their encouragement and constructive advice throughout the research. The nature and enormity of research meant this thesis would not have been possible without the support of industry personnel. I would also like to acknowledge the support of the many property and financial market experts who gave their time and contributed their knowledge in the semi-structured interview research phase. Their expert advice and recommendations were valuable in shaping this research and were significant in result validation.
Special thanks go to Mark Wist (property consultant) who provided constructive comments and suggestions to improve my research. I have been very fortunate to receive the RMIT International Ph. I am grateful to RMIT University for the sponsorships and technical support that made this doctoral study achievable. I acknowledge the assistance of Mr.
Robert Sheehan from Sharp Words Consultancy for his editorial comments. I also appreciate the support provided by the staff and fellow Ph. colleagues at the School of Property, Construction and Project Management, RMIT University. I thank Professor Kerry London for her meaningful introduction to the world of research philosophy.
I also acknowledge Professor Chris Eves, Dr. Eric Too, Associate Professor Ashton De Silva, Dr. Mehrdad Arashpour and Dr. Michelle Turner, for their constructive feedback during my Ph.
Finally, I acknowledge the support, patience and understanding of all my family members. My late father’s blessings and treasured love have always motivated me to achieve the fruit of my academic endeavour. I owe my deepest gratitude to my husband Dimuthu. This thesis would not have been possible without his unwavering support, love, encouragement and tolerance.
Also, I feel blessed to conceive my little sweetheart at the end of my Ph. I would also like to thank my mother and brother Shehan for their motivational support, love and encouragement. This thesis is dedicated to my mother who inspires me and to whom I owe forever for everything I have achieved. To all, I thank you for your support, guidance and encouragement.
It is highly appreciated. Treshani Perera Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models ii TABLE OF CONTENTS Table of Contents. iii List of Figures. v List of Tables.
viii List of Equations. x List of Abbreviations .1 Background to the Research .2 Statement of the Problem .3 Research Aim and Objectives .5 Contribution to Knowledge .6 Scope and Limitations .7 Thesis Layout and Structure .8 Publications and Presentations. LITERATURE REVIEW – COMMERCIAL PROPERTY MARKET FORECASTING AND THE OUTLOOK ON DOWNSIDE RISK EXPOSURE. 13 Commercial Property Market Forecasting .2 Commercial Property Market Structure and Features .3 Principles of Forecasting .4 Commercial Property Market Forecasting.
50 Downside Risks in the Commercial Real Estate Environment .5 Downside Risks in Commercial Property Market .6 Decision Maker’s Imperatives for Downside Risks. METHODOLOGY – PRAGMATIC RESEARCH DESIGN .2 Overview of Methodology .4 Strategies of Inquiry .5 Methods of Data Collection and Analysis .6 Validity and Reliability. 143 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models iii CHAPTER 4. QUANTITATIVE ANALYSIS – EVALUATING COMMERCIAL PROPERTY MARKET FORECAST ACCURACY .2 Secondary Data Arrangement.3 Testing for Forecast Accuracy.4 Analysing Outliers of Forecast Errors .5 Testing for Relationships between Variables.
QUALITATIVE ANALYSIS – DETERMINING THE CURRENT STATUS OF COMMERCIAL PROPERTY MARKET FORECASTING AND THE LEVEL OF DOWNSIDE RISK EXPOSURE .2 Semi-Structured Interview Plan .3 Australian Commercial Property Market Forecasting Practice .4 Downside Risk Exposure in the Australian Commercial Property Market. FORECAST DECISION MAKING MODEL DEVELOPMENT: INDUSTRY EVALUATION .2 Best Practices for Improving Forecast Accuracy .3 ADSV Decision Making Model for Integrating Downside Risks to Improve Forecast Accuracy 253 6.4 Expert Panel Comments, Feedback and Recommendations. SUMMARY, CONCLUSIONS AND RECOMMENDATIONS .3 Achievement of Research Objectives .4 Contribution to Knowledge .6 Further Research Directions. 318 Appendix 1: Journal Publications.
318 Appendix 2: Supplementary Appendix to Literature Review. 356 Appendix 3: Semi-Structured Interview Guideline. 360 Appendix 4: Participant Information and Consent Form. 362 Appendix 5: Test Results of Augmented Dickey Fuller Test.
366 Appendix 6: Test Results of Vector Autoregression in between Property and Economic Forecast Errors 376 Appendix 7: Semi-Structured Interview Respondents Profile. 380 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models iv LIST OF FIGURES Figure 1.1: Modelling the Economic Environment.3: Thesis Layout and Structure .1: Property Investment Options for Investors .2: Links between Space and Capital Markets .3: The Relationship of Space, Capital and Property Markets .4: The Real Estate System .6: Asset Class Return for the Year Ended 31st December 2017 .7: Property Sector Weights as at 31st March 2017 .8: Australian Commercial Property Market Total Returns 1987-2017.9: Commercial Property Sector 12-Month Total Returns .10: All ADIs’ Commercial Property Exposures .11: Property Yield compression over the Timeline .12: Ex Post and Ex Ante Forecasting Periods .13: Scientific Methods of Forecasting .14: Forecasting Methods and Their Relationships .15: Steps in Formulating an Econometric Model .16: The Tangent Illustration for MAPE and MAAPE .17: A Theoretical Structure for the Determination of Office Rents .18: A Cobweb Market Adjustment Process.19: Judgemental Intervention in the Property Market Forecasting Process .20: Comparison between Normal Distribution and Power Law Distribution .21: Modelling the Economic Environment.22: Illusions of Certainty .23: Knowledge Transition in Cynefin Model .24: The Black Swan’s Surprising Aspect: Micro Perspective .25: Distinguishing the Knowns and Unknowns: Black Swan Event Framework .26: The Dispersion of Worldwide Natural Catastrophes in 2017 .27: Natural Catastrophes and Manmade Disasters: Number of Events 1970-2016 .28: Total Reported Natural Disasters around Australia between 1970-2017 .29: Estimated Risk Appetite .30: Ranking of Demographic Focussed Megatrends .31: Major Driving Forces in Real Estate .32: Trends for Sustainable Development in Property and Construction.33: Modelling Uncertainty in Real Asset Development Projects .34: KuU Risk Assessment with Associated Probabilities.35: Nonlinearity of Fragility and Antifragility .36: Simple-Complex Model Considerations .37: Disaster Risk Index: Global Map .38: Summary of Structural Changes in the Property Market .1: The Research Process .2: The Research Onion .3: Sequential Exploratory Design. 130 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models v Figure 3.4: The Ways of Mixing Methods .5: Methods of Data Collection.6: Types of Sampling.1: The Sequential Approach for the Quantitative Analysis .2: The Australian GDP Growth Rate and Employment to Population Ratio .3: Cash Rate – Forecasts vs.4: Bond Rate – Forecasts vs.5: AUD/USD – Forecasts vs.7: Rental Movement-Prime – Forecasts vs.8: Yield-Prime – Forecasts vs.9: Total Vacancy – Forecasts vs.10: Net Absorption – Forecasts vs.11: Economic Forecast Accuracy Based on Scaled-independent Metrics –3M Vs 6M.12: Rental Movement-Prime Forecast Accuracy Based on Scaled-independent Metrics .13: Yield-Prime Forecast Accuracy Based on Scaled-independent Metrics .14: Total Vacancy Forecast Accuracy Based on Scaled-independent Metrics .15: Net Absorption Forecast Accuracy Based on Scaled-independent Metrics .16: The Comparison of Economic and Property Forecast Accuracy .17: A Conceptual Structure of Property Market Forecast Determinants .18: Box-and-Whisker Plot for Rental Movement – Prime Forecast Errors .19: Box-and-Whisker Plot for Yield – Prime Forecast Errors .20: Box-and-Whisker Plot for Total Vacancy Forecast Errors .21: Box-and-Whisker Plot for Net Absorption Forecast Errors .22: Box-and-Whisker Plot for Economic and Property Forecast Errors .23: Stacked Area Diagram for Economic Forecast Percentage Errors .24: Stacked Area Diagram for Property Forecasts Errors, in Percentages .25: Line Diagram for Property Forecasts Errors in Percentages .26: Granger Causality of Property and Economic Forecast Errors.1: Semi-structured Interview Respondents Structures .2: Experience Level of the Respondents .3: Driving Factors for Setting-up Commercial Property Forecast Objectives .4: Respondents’ Sources of Forecast Data Collection .5: Types of Input Data for Forecasting .6: Methodological Orientation of Commercial Property Market Forecasting .7: Forecast Output Validation.8: Level of Confidence of Forecast Models .9: Forecast Model Accuracy Measurement in Current Practice .10: Greed vs Fear in Forecasting .11: Structural Changes in the Property Market .12: Example of Commercial Property Conversions by Location .13: Structural Changes Related to Demographics .14: Physical and Digital Presence in Business Lifecycle .15: The ‘Give and Take’ Effect in the Commercial Property Market .1: The Onion Model for Improving Forecast Accuracy .2: Stress Testing Methodology in Property Market Practice. 250 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models vi Figure 6.3: Investment Mangers’ Risk Response Strategies .4: ADSV Decision making Model for Integrating Downside Risks to Improve Forecast Accuracy.5: Middle Line of Forecasting within Limits .1: Modelling the Economic Environment.2: Conceptual Framework of Structural Changes in Property Market.3: The Comparison of Economic and Property Forecast Accuracy .4: Granger Causality of Property and Economic Forecast Errors.5: The Onion Model of Improving Forecast Accuracy.6: ADSV Decision making Model to Improve Forecast Accuracy.
281 Forecasting Commercial Property Market Performance: Beyond the Primary Reliance on Econometric Models vii LIST OF TABLES Table 2.1: Four Quadrant Investment Market and Property Investment Products .2: Global Real Estate Transparency 2016 .3: Contingency Table for Directional Accuracy Test .4: What Do We Model and Forecast in Real Estate? .5: Principal Determinants for Net Effective Rent Forecasts .6: Principal Determinants for Equivalent Yields Forecasts .7: Commercial Property Market Rent and Rental Income Models .8: Commercial Property Market Yield, Capital Return Models .9: The Evaluation of Accuracy of Competing Models .10: Model/ Data Dichotomy of Four Classes of Uncertainties .11: The Transition of Levels of Uncertainty from Determinism to Total Ignorance .12: Knowledge as Measurement and Theory .13: Probability of Exceeding Multiples of Sigma .14: A Fractal Law with a Tail Exponent (α) of 2 .15: Types of Disasters.16: Comparison of World Natural Catastrophes in the First Half of 2017 .17: Sigma Event Selection Criteria for 2016 .18: Place and Space Risks of Black Swan Events .19: Four Quadrants of Decision making .1: Methodological Framework for Achieving Research Objectives .2: Alternative Knowledge Claim Positions .3: Major Differences between Deductive and Inductive Approaches to Research .4: Alternative Strategies of Inquiry.5: Quantitative, Qualitative and Mixed Methods Procedures .6: The Differences between Sampling in Quantitative and Qualitative Research .7: Procedures in Quantitative and Qualitative Data Analysis .1: The List of Economists in the AFR’s Quarterly Survey of Economists (2001-2011) .2: Market Share of Australian CBD Office Markets - July 2011.3: Unit Root in Level .4: Unit Root in 1st Difference .5: Economic Forecast Accuracy Based on Scaled-dependent Metrics – 3M Vs 6M .6: Rental Movement-Prime Forecast Accuracy Based on Scaled-dependent Metrics .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Treshani Perera (2018). Doctoral thesis of philosophy forecasting commercial propert [Luận án tiến sĩ, RMIT University]. LuanAn.net. https://luanan.net/kinh-te/kinh-te-phat-trien/doctoral-thesis-of-philosophy-forecasting-commercial-property-market
Câu hỏi thường gặp
Luận án "Doctoral thesis of philosophy forecasting commercial propert" nghiên cứu về vấn đề gì?
Luận văn tiến sĩ nghiên cứu dự báo xu hướng bất động sản thương mại bằng triết học. Phân tích mô hình dự báo mới và ứng dụng thực tiễn.
Luận án "Doctoral thesis of philosophy forecasting commercial propert" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại RMIT University. Năm bảo vệ: 2018.
Luận án "Doctoral thesis of philosophy forecasting commercial propert" thuộc chuyên ngành gì?
Luận án "Doctoral thesis of philosophy forecasting commercial propert" thuộc chuyên ngành Property. Danh mục: Kinh Tế Phát Triển.
Luận án "Doctoral thesis of philosophy forecasting commercial propert" có bao nhiêu trang?
Luận án "Doctoral thesis of philosophy forecasting commercial propert" có 403 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Doctoral thesis of philosophy forecasting commercial propert" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.