Dự Đoán Hiệu Suất Thị Trường Bất Động Sản Thương Mại: Vượt Qua Mô Hình Kinh Tế Học

Luận án tiến sĩ phân tích Doctoral thesis of philosophy forecasting commercial property market performance beyond the primary, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng

• Tác giả: Treshani Perera
• Người hướng dẫn: Dr. Wejendra Reddy
• Trường học: RMIT University
• Chuyên ngành: Quantity Surveying, Applied Accounting
• Đề tài: Dự Đoán Hiệu Suất Thị Trường Bất Động Sản Thương Mại: Vượt Qua Mô Hình Kinh Tế Học
• Loại tài liệu: thesis
• Năm xuất bản: 2018
• Địa điểm: Melbourne

Mục lục chi tiết

• DECLARATION
• ACKNOWLEDGEMENT
• 1. TABLE OF CONTENTS
• 2. List of Figures
• 3. List of Tables
• 4. List of Equations
• 5. List of Abbreviations
• 6. Background to the Research
• 7. Statement of the Problem
• 8. Research Aim and Objectives
• 9. Contribution to Knowledge
• 10. Scope and Limitations
• 11. Thesis Layout and Structure
• 12. Publications and Presentations
• 13. LITERATURE REVIEW – COMMERCIAL PROPERTY MARKET FORECASTING AND THE OUTLOOK ON DOWNSIDE RISK EXPOSURE
• 13.1. Commercial Property Market Forecasting
• 13.2. Commercial Property Market Structure and Features
• 13.3. Principles of Forecasting
• 13.4. Commercial Property Market Forecasting
• 13.5. Downside Risks in the Commercial Real Estate Environment
• 13.6. Downside Risks in Commercial Property Market
• 13.7. Decision Maker’s Imperatives for Downside Risks
• 14. METHODOLOGY – PRAGMATIC RESEARCH DESIGN
• 14.1. Overview of Methodology
• 14.2. Strategies of Inquiry
• 14.3. Methods of Data Collection and Analysis
• 14.4. Validity and Reliability
• 15. CHAPTER 4: QUANTITATIVE ANALYSIS – EVALUATING COMMERCIAL PROPERTY MARKET FORECAST ACCURACY
• 15.1. Secondary Data Arrangement
• 15.2. Testing for Forecast Accuracy
• 15.3. Analysing Outliers of Forecast Errors
• 15.4. Testing for Relationships between Variables
• 16. QUALITATIVE ANALYSIS – DETERMINING THE CURRENT STATUS OF COMMERCIAL PROPERTY MARKET FORECASTING AND THE LEVEL OF DOWNSIDE RISK EXPOSURE
• 16.1. Semi-Structured Interview Plan
• 16.2. Australian Commercial Property Market Forecasting Practice
• 16.3. Downside Risk Exposure in the Australian Commercial Property Market
• 17. FORECAST DECISION MAKING MODEL DEVELOPMENT: INDUSTRY EVALUATION
• 17.1. Best Practices for Improving Forecast Accuracy
• 17.2. ADSV Decision Making Model for Integrating Downside Risks to Improve Forecast Accuracy
• 17.3. Expert Panel Comments, Feedback and Recommendations
• 18. SUMMARY, CONCLUSIONS AND RECOMMENDATIONS
• 18.1. Achievement of Research Objectives
• 18.2. Contribution to Knowledge
• 18.3. Further Research Directions
• Appendix 1: Journal Publications
• Appendix 2: Supplementary Appendix to Literature Review
• Appendix 3: Semi-Structured Interview Guideline
• Appendix 4: Participant Information and Consent Form
• Appendix 5: Test Results of Augmented Dickey Fuller Test
• Appendix 6: Test Results of Vector Autoregression in between Property and Economic Forecast Errors
• Appendix 7: Semi-Structured Interview Respondents Profile

Tóm tắt

I. Tổng Quan Dự Đoán Hiệu Suất Thị Trường BĐS Thương Mại

Thị trường bất động sản thương mại (BĐS TM) đóng vai trò quan trọng trong nền kinh tế. Việc dự đoán hiệu suất thị trường này một cách chính xác là vô cùng cần thiết cho các nhà đầu tư, nhà phát triển và các nhà hoạch định chính sách. Tuy nhiên, việc dự đoán này không hề đơn giản, đòi hỏi sự kết hợp của nhiều yếu tố và phương pháp khác nhau. Các mô hình kinh tế học truyền thống thường được sử dụng, nhưng chúng có những hạn chế nhất định. Bài viết này sẽ đi sâu vào các phương pháp dự đoán hiệu quả hơn, vượt qua những hạn chế của mô hình kinh tế học bất động sản. Theo tài liệu gốc, nghiên cứu này nhằm mục đích khám phá các yếu tố khác ngoài các mô hình kinh tế lượng truyền thống có thể cải thiện độ chính xác của dự báo thị trường BĐS TM.

1.1. Tầm quan trọng của dự báo BĐS thương mại chính xác

Dự báo chính xác hiệu suất thị trường bất động sản thương mại giúp các nhà đầu tư đưa ra quyết định sáng suốt về việc mua, bán hoặc cho thuê tài sản. Nó cũng hỗ trợ các nhà phát triển trong việc lập kế hoạch xây dựng và các nhà hoạch định chính sách trong việc đưa ra các quy định phù hợp. Sai sót trong dự báo có thể dẫn đến những hậu quả nghiêm trọng, bao gồm thua lỗ tài chính và các quyết định đầu tư sai lầm. Do đó, việc cải thiện độ chính xác của dự báo là vô cùng quan trọng. Theo nghiên cứu, các chuyên gia trong ngành nhấn mạnh tầm quan trọng của việc kết hợp các yếu tố định tính và định lượng để có được bức tranh toàn diện về thị trường.

1.2. Hạn chế của mô hình kinh tế học truyền thống

Các mô hình kinh tế học bất động sản thường dựa trên các giả định đơn giản hóa về thị trường và có thể không nắm bắt được sự phức tạp của các yếu tố ảnh hưởng đến hiệu suất thị trường. Chúng thường bỏ qua các yếu tố phi kinh tế như tâm lý nhà đầu tư, thay đổi quy định và các sự kiện bất ngờ. Hơn nữa, các mô hình này có thể không phù hợp với các thị trường mới nổi hoặc các thị trường có dữ liệu hạn chế. Do đó, cần phải xem xét các phương pháp dự đoán khác để bổ sung cho các mô hình kinh tế học truyền thống. Nghiên cứu chỉ ra rằng các mô hình kinh tế lượng thường không tính đến các sự kiện 'thiên nga đen' có thể tác động đáng kể đến thị trường.

II. Thách Thức Dự Đoán Thị Trường BĐS Thương Mại

Việc dự đoán thị trường bất động sản nói chung và bất động sản thương mại nói riêng đối mặt với nhiều thách thức. Tính chu kỳ của thị trường, sự phức tạp của các yếu tố ảnh hưởng và sự thiếu hụt dữ liệu là những rào cản lớn. Ngoài ra, các sự kiện bất ngờ như khủng hoảng kinh tế hoặc thay đổi chính sách có thể làm sai lệch các dự báo. Việc hiểu rõ những thách thức này là bước đầu tiên để phát triển các phương pháp dự đoán hiệu quả hơn. Theo tài liệu, một trong những thách thức chính là việc kết hợp các yếu tố định tính, chẳng hạn như tâm lý thị trường và ý kiến của chuyên gia, vào các mô hình định lượng.

2.1. Tính chu kỳ và biến động của thị trường BĐS

Thị trường bất động sản có tính chu kỳ, trải qua các giai đoạn tăng trưởng, suy thoái và phục hồi. Việc xác định chính xác giai đoạn hiện tại của chu kỳ và dự đoán thời điểm chuyển giao là vô cùng khó khăn. Các yếu tố như lãi suất, tăng trưởng kinh tế và tỷ lệ thất nghiệp có thể ảnh hưởng đến chu kỳ thị trường. Ngoài ra, các yếu tố đặc thù của từng khu vực và loại hình bất động sản thương mại cũng có thể tạo ra sự khác biệt trong chu kỳ thị trường. Do đó, cần phải có một cách tiếp cận linh hoạt và toàn diện để dự đoán thị trường. Nghiên cứu nhấn mạnh rằng việc hiểu các động lực chu kỳ của thị trường là rất quan trọng để đưa ra các dự báo chính xác.

2.2. Sự phức tạp của các yếu tố ảnh hưởng đến thị trường

Nhiều yếu tố khác nhau ảnh hưởng đến hiệu suất thị trường bất động sản thương mại, bao gồm các yếu tố kinh tế vĩ mô, yếu tố vi mô của từng khu vực và yếu tố tâm lý. Các yếu tố kinh tế vĩ mô như tăng trưởng GDP, lạm phát và lãi suất có thể ảnh hưởng đến nhu cầu bất động sản. Các yếu tố vi mô như vị trí, chất lượng xây dựng và tiện ích có thể ảnh hưởng đến giá trị của từng tài sản. Yếu tố tâm lý như niềm tin của nhà đầu tư và kỳ vọng về tương lai cũng có thể tác động đến thị trường. Việc kết hợp tất cả các yếu tố này vào một mô hình dự đoán là một thách thức lớn. Theo tài liệu, các yếu tố như thay đổi nhân khẩu học và tiến bộ công nghệ cũng cần được xem xét.

III. Phương Pháp Dự Đoán Hiệu Quả Kết Hợp Đa Yếu Tố

Để vượt qua những hạn chế của các mô hình kinh tế học truyền thống, cần phải áp dụng các phương pháp dự đoán kết hợp nhiều yếu tố khác nhau. Điều này bao gồm việc sử dụng dữ liệu đa dạng, kết hợp các phương pháp định lượng và định tính, và xem xét các yếu tố phi kinh tế. Việc áp dụng các phương pháp này có thể giúp cải thiện đáng kể độ chính xác của dự đoán thị trường bất động sản thương mại. Nghiên cứu đề xuất một mô hình ra quyết định ADSV (Ứng dụng > Yếu tố quyết định > Chiến lược > Xác thực) để tích hợp các rủi ro giảm giá và cải thiện độ chính xác của dự báo.

3.1. Sử dụng dữ liệu đa dạng và nguồn thông tin phong phú

Việc sử dụng dữ liệu đa dạng từ nhiều nguồn khác nhau có thể giúp cải thiện độ chính xác của dự báo. Dữ liệu có thể bao gồm dữ liệu kinh tế vĩ mô, dữ liệu thị trường bất động sản, dữ liệu về nhân khẩu học và dữ liệu về các giao dịch bất động sản thương mại. Các nguồn thông tin có thể bao gồm báo cáo thị trường, nghiên cứu của các chuyên gia và ý kiến của các nhà đầu tư. Việc kết hợp các nguồn dữ liệu và thông tin này có thể cung cấp một bức tranh toàn diện hơn về thị trường. Theo tài liệu, các nguồn dữ liệu thứ cấp và phỏng vấn bán cấu trúc với các chuyên gia trong ngành là rất quan trọng.

3.2. Kết hợp phương pháp định lượng và định tính

Việc kết hợp các phương pháp định lượng và định tính có thể giúp khắc phục những hạn chế của từng phương pháp riêng lẻ. Các phương pháp định lượng sử dụng dữ liệu số và các mô hình thống kê để dự đoán thị trường. Các phương pháp định tính sử dụng ý kiến của các chuyên gia và phân tích các xu hướng thị trường để dự đoán thị trường. Việc kết hợp cả hai phương pháp này có thể cung cấp một cái nhìn toàn diện hơn về thị trường và cải thiện độ chính xác của dự báo. Nghiên cứu cho thấy rằng việc kết hợp các mô hình kinh tế lượng với ý kiến của chuyên gia có thể dẫn đến các dự báo chính xác hơn.

IV. Ứng Dụng Thực Tiễn Phân Tích Rủi Ro và Cơ Hội Đầu Tư BĐS

Việc dự đoán hiệu suất thị trường bất động sản thương mại không chỉ quan trọng đối với các nhà đầu tư mà còn đối với các nhà phát triển và các nhà hoạch định chính sách. Các nhà đầu tư có thể sử dụng dự báo để đưa ra quyết định đầu tư sáng suốt, các nhà phát triển có thể sử dụng dự báo để lập kế hoạch xây dựng và các nhà hoạch định chính sách có thể sử dụng dự báo để đưa ra các quy định phù hợp. Việc phân tích rủi ro và cơ hội đầu tư là một ứng dụng quan trọng của dự báo thị trường. Theo tài liệu, việc hiểu rõ các rủi ro giảm giá là rất quan trọng để đưa ra các quyết định đầu tư sáng suốt.

4.1. Đánh giá rủi ro thị trường và quản lý danh mục đầu tư

Dự báo thị trường có thể giúp các nhà đầu tư đánh giá rủi ro thị trường và quản lý danh mục đầu tư hiệu quả hơn. Bằng cách dự đoán các xu hướng thị trường, các nhà đầu tư có thể điều chỉnh danh mục đầu tư của mình để giảm thiểu rủi ro và tối đa hóa lợi nhuận. Ví dụ, nếu dự báo cho thấy thị trường sẽ suy thoái, các nhà đầu tư có thể giảm tỷ lệ đầu tư vào bất động sản và tăng tỷ lệ đầu tư vào các tài sản an toàn hơn. Nghiên cứu nhấn mạnh tầm quan trọng của việc sử dụng các kỹ thuật kiểm tra căng thẳng để đánh giá khả năng phục hồi của danh mục đầu tư trước các kịch bản thị trường bất lợi.

4.2. Xác định cơ hội đầu tư tiềm năng và xu hướng tăng trưởng

Dự báo thị trường cũng có thể giúp các nhà đầu tư xác định các cơ hội đầu tư tiềm năng và các xu hướng tăng trưởng. Bằng cách dự đoán các khu vực hoặc loại hình bất động sản thương mại có tiềm năng tăng trưởng cao, các nhà đầu tư có thể tận dụng các cơ hội này để tăng lợi nhuận. Ví dụ, nếu dự báo cho thấy nhu cầu về văn phòng sẽ tăng ở một khu vực cụ thể, các nhà đầu tư có thể đầu tư vào các dự án xây dựng văn phòng ở khu vực đó. Theo tài liệu, việc xác định các xu hướng nhân khẩu học và công nghệ có thể giúp xác định các cơ hội đầu tư mới.

V. Kết Luận Tương Lai Của Dự Báo Thị Trường BĐS Thương Mại

Việc dự đoán hiệu suất thị trường bất động sản thương mại là một quá trình phức tạp và đầy thách thức. Tuy nhiên, bằng cách áp dụng các phương pháp dự đoán kết hợp nhiều yếu tố khác nhau và liên tục cải tiến các mô hình dự đoán, chúng ta có thể nâng cao độ chính xác của dự báo và đưa ra các quyết định sáng suốt hơn. Tương lai của dự báo thị trường bất động sản sẽ tập trung vào việc sử dụng các công nghệ mới như trí tuệ nhân tạo và học máy để phân tích dữ liệu và dự đoán thị trường. Nghiên cứu kết luận rằng việc kết hợp các phương pháp định lượng và định tính, cùng với việc xem xét các rủi ro giảm giá, là rất quan trọng để cải thiện độ chính xác của dự báo.

5.1. Ứng dụng trí tuệ nhân tạo và học máy trong dự báo

Trí tuệ nhân tạo (AI) và học máy (ML) đang ngày càng được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, và dự báo thị trường bất động sản không phải là ngoại lệ. AI và ML có thể được sử dụng để phân tích lượng lớn dữ liệu và xác định các mô hình và xu hướng mà con người có thể bỏ lỡ. Ví dụ, AI và ML có thể được sử dụng để dự đoán giá bất động sản, xác định các cơ hội đầu tư tiềm năng và đánh giá rủi ro thị trường. Việc ứng dụng AI và ML có thể giúp cải thiện đáng kể độ chính xác và hiệu quả của dự báo thị trường. Theo tài liệu, việc sử dụng các thuật toán học máy có thể giúp xác định các yếu tố quan trọng ảnh hưởng đến thị trường.

5.2. Phát triển các mô hình dự đoán linh hoạt và thích ứng

Thị trường bất động sản luôn thay đổi, và các mô hình dự đoán cần phải linh hoạt và thích ứng để theo kịp những thay đổi này. Các mô hình dự đoán nên được cập nhật thường xuyên với dữ liệu mới và được điều chỉnh để phản ánh các xu hướng thị trường mới. Ngoài ra, các mô hình dự đoán nên được thiết kế để có thể xử lý các sự kiện bất ngờ và các yếu tố phi kinh tế. Việc phát triển các mô hình dự đoán linh hoạt và thích ứng là rất quan trọng để đảm bảo rằng dự báo thị trường luôn chính xác và hữu ích. Nghiên cứu nhấn mạnh tầm quan trọng của việc liên tục đánh giá và cải tiến các mô hình dự báo để duy trì độ chính xác.

Trích đoạn nội dung tài liệu

Forecasting 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 .