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.

Nội dung chính

Tổng quan nghiên cứu

Thị trường bất động sản thương mại giữ vị trí trụ cột trong nền kinh tế toàn cầu, trong đó tổng khối lượng giao dịch đầu tư trực tiếp tại Australia ước tính chiếm khoảng 8% GDP quốc gia. Dữ liệu từ Cơ quan Quản lý Thận trọng Australia (APRA) cho thấy tổng quy mô dư nợ tín dụng bất động sản thương mại của các tổ chức tài chính nhận tiền gửi (ADIs) đạt mức 270,5 tỷ AUD, với phân khúc văn phòng chiếm 30% (tương đương 81,1 tỷ AUD) và bán lẻ chiếm 24,6% (tương đương 66,5 tỷ AUD). Dù sở hữu quy mô khổng lồ, công tác dự báo hiệu suất thị trường hiện nay vẫn bộc lộ nhiều điểm nghẽn nghiêm trọng khi phụ thuộc quá mức vào các mô hình kinh tế lượng truyền thống.

Vấn đề nghiên cứu cốt lõi xuất phát từ việc các mô hình hồi quy và chuỗi thời gian giả định dữ liệu tuân theo phân phối chuẩn, dẫn đến sự thất bại hoàn toàn khi đối mặt với các cú sốc thiên nga đen (Black Swan) hoặc biến động cấu trúc dài hạn. Điển hình trong cuộc Khủng hoảng Tài chính Toàn cầu (GFC), dự báo tăng trưởng giá thuê văn phòng hạng A 6 tháng vào tháng 01/2009 từng đạt mức dương 9,93%, nhưng thực tế thị trường lại sụt giảm âm 0,80%, tạo ra sai số dự báo nghiêm trọng.

Mục tiêu của luận văn là phát triển mô hình ra quyết định tích hợp rủi ro sụt giảm (downside risk) nhằm nâng cao độ chính xác trong dự báo hiệu suất thị trường bất động sản thương mại Australia. Phạm vi nghiên cứu bao quát 6 thị trường văn phòng trung tâm (CBD) hàng đầu gồm Sydney, Melbourne, Brisbane, Perth, Adelaide và Canberra trong giai đoạn 2001-2011, kết hợp khảo sát chuyên sâu toàn diện các phân khúc văn phòng, công nghiệp và bán lẻ. Nghiên cứu mang ý nghĩa chiến lược đối với danh mục tài sản quy mô 171,7 tỷ AUD, giúp các nhà quản lý quỹ, ngân hàng thương mại và nhà phát triển hạn chế tối đa tổn thất tài chính khi thị trường đảo chiều.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết tương tác giữa thị trường không gian (Space Market) và thị trường vốn (Capital Market) của Archer, Ling, Geltner và De Neufville. Thị trường không gian xác định giá thuê và tỷ lệ trống thông qua cung - cầu mặt bằng, trong khi thị trường vốn định giá tài sản dựa trên dòng tiền chiết khấu và tỷ suất vốn hóa.

Luận văn tích hợp thuyết Thiên nga đen và lý thuyết Phản mong manh (Antifragility) của Nassim Nicholas Taleb, cùng mô hình phân phối đuôi dày (Power Law / Fat-tailed Distribution) của Benoit Mandelbrot. Các lý thuyết này chứng minh rằng biến động giá tài sản không tuân theo đường cong hình chuông Gauss mà tiềm ẩn các sự kiện rủi ro cực đoan ở phần đuôi dưới (lower tail).

Bên cạnh đó, khung phân tích rủi ro KuU (Known - Biết, Unknown - Chưa biết, Unknowable - Không thể biết) của Bardhan và Edelstein cùng khung ra quyết định Cynefin của Snowden được vận dụng để phân loại các yếu tố tác động. Năm khái niệm then chốt xuyên suốt đề tài bao gồm: rủi ro sụt giảm, đứt gãy cấu trúc (structural breaks), nén lợi suất (yield compression), tỷ lệ hấp thụ thuần (net absorption), và chuẩn dự báo ngây thơ (naïve forecast benchmark).

Phương pháp nghiên cứu

Luận văn áp dụng thế giới quan thực dụng (Pragmatism) với thiết kế nghiên cứu hỗn hợp tuần tự (Sequential Mixed Methods), kết hợp chặt chẽ giữa phân tích định lượng dữ liệu thứ cấp và điều tra định tính dữ liệu sơ cấp.

Quy trình định lượng thu thập chuỗi thời gian bán niên kéo dài 10 năm (2001-2011) với 20 điểm dữ liệu từ 6 thị trường văn phòng CBD lớn nhất Australia, đại diện cho 71,2% trong tổng số hơn 25 triệu m2 diện tích văn phòng toàn quốc. Dữ liệu dự báo kinh tế vĩ mô được trích xuất từ khảo sát chuyên gia hàng quý của tờ Australian Financial Review. Phương pháp chọn mẫu toàn bộ được áp dụng cho dữ liệu thứ cấp nhằm bảo đảm tính toàn diện. Dữ liệu được xử lý qua phần mềm EViews 9.5 và Excel 2016 bằng các chỉ số sai số độc lập tỷ lệ (MAPE, MAAPE, MASE), quy tắc khoảng tứ phân vị (IQR) để phát hiện ngoại lai, và kiểm định nhân quả Granger. Lý do lựa chọn phân tích chuỗi thời gian và benchmark ngây thơ là nhằm đánh giá khách quan năng lực dự báo của các mô hình kinh tế lượng chuẩn trước các biến cố kinh tế.

Giai đoạn định tính sử dụng phương pháp hiện tượng học thông qua phỏng vấn bán cấu trúc với cỡ mẫu gồm 22 chuyên gia hàng đầu trong ngành bất động sản và tài chính (chuyên viên kinh tế, giám đốc quỹ đầu tư, chuyên gia định giá và quản lý tín dụng). Phương pháp chọn mẫu có mục đích (purposive sampling) kết hợp chọn mẫu quả cầu tuyết (snowball sampling) được triển khai cho đến khi đạt điểm bão hòa dữ liệu. Dữ liệu phỏng vấn thu thập từ tháng 11/2016 đến tháng 03/2017 được phân tích chủ đề (Thematic Analysis) trên phần mềm QSR NVivo 11, đồng thời kiểm tra độ tin cậy thông qua mức độ đồng thuận giữa các người mã hóa (inter-coder agreement) và đối chiếu kết quả trực tiếp với các chuyên gia tham gia.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, kiểm định định lượng cho thấy sai số dự báo đối với biến động giá thuê và tỷ lệ hấp thụ thuần ở mức rất cao, bộc lộ năng lực dự báo hạn chế của các mô hình kinh tế lượng. Điển hình tại kỳ dự báo tháng 01/2009, tỷ lệ biến động giá thuê thực tế giảm âm 0,80% trong khi mức dự báo trước đó là dương 9,93%, tạo ra khoảng chênh lệch sai số tuyệt đối lên tới 10,73%.

Thứ hai, việc so sánh với mô hình dự báo ngây thơ (lấy giá trị thực tế của 6 tháng trước làm giá trị dự báo kỳ này) chỉ ra rằng chiến lược ngây thơ vượt trội hơn các mô hình dự báo phức tạp trong giai đoạn thị trường biến động mạnh.

Thứ ba, phân tích hồi quy sai số và kiểm định nhân quả Granger khẳng định sai số dự báo bất động sản có sự tách rời đáng kể so với sai số dự báo kinh tế vĩ mô, chứng minh rằng biến động bất động sản chịu sự chi phối mạnh mẽ của các yếu tố nội tại ngành và rủi ro phi hệ thống.

Thứ tư, điều tra định tính chỉ ra 45% chuyên gia được phỏng vấn thường xuyên mang tâm lý quá lạc quan trong các dự báo tương lai. Hơn nữa, việc đánh giá lại độ chính xác của mô hình sau dự báo hầu như bị xem nhẹ trên thị trường do sự tự tin thái quá vào các thuật toán định lượng có sẵn.

Thảo luận kết quả

Nguyên nhân căn bản của các sai số dự báo nằm ở việc các nhà phân tích xem nhẹ các sự kiện đuôi dày và biến đổi cấu trúc. Mô hình kinh tế lượng vốn được tinh chỉnh dựa trên dữ liệu làm mượt để loại bỏ nhiễu, do đó đã triệt tiêu các tín hiệu cảnh báo rủi ro sụt giảm.

Dữ liệu nghiên cứu được minh chứng rõ nét khi trực quan hóa qua biểu đồ hộp (Box-and-Whisker plots) về sai số dự báo và sơ đồ miền xếp chồng (Stacked Area diagrams), phản ánh sự phân tán dị biệt cực lớn trong giai đoạn khủng hoảng 2008-2009. Cụ thể, tỷ suất sinh lợi thực tế của phân khúc văn phòng hạng A trải qua chu kỳ nén lợi suất tới 164 điểm cơ bản tính đến cuối năm 2016 tại Sydney và Melbourne, vượt ra ngoài các khung tham chiếu chuẩn tắc trước đó.

Khi so sánh với các nghiên cứu toàn cầu, kết quả này hoàn toàn nhất quán với bảng xếp hạng Minh bạch Bất động sản Toàn cầu của JLL, nơi Australia đứng thứ 2 thế giới với điểm số 1,27. Mặc dù sở hữu mức độ minh bạch và chất lượng dữ liệu hàng đầu, thị trường vẫn không thể tránh khỏi các sai số dự báo lớn nếu thiếu vắng cơ chế kết hợp nhận định định tính và thử nghiệm ứng suất (stress testing). Sự xuất hiện của các xu hướng chuyển dịch cấu trúc như thương mại điện tử đã tạo ra hiệu ứng đánh đổi (Give and Take), lấy đi động lực tăng trưởng từ phân khúc bán lẻ (tổng lợi nhuận năm 2017 chỉ đạt 10,1%) để bù đắp sang phân khúc logistics công nghiệp và các loại hình tài sản chuyên biệt (đạt lợi nhuận lên đến 19,8%).

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất khung mô hình ra quyết định ADSV (Applications > Determinants > Strategies > Validation) kết hợp bộ 10 thực tiễn tối ưu nhằm cải thiện độ chính xác dự báo:

Thứ nhất, thiết lập quy trình dự báo 10 bước chuẩn hóa áp dụng tại tất cả các công ty quản lý quỹ đầu tư bất động sản trước quý II/2027. Quy trình này đòi hỏi xác định rõ mục tiêu, chia sẻ tri thức liên phòng ban, phân tích dữ liệu đa nguồn, tuân thủ nguyên lý tinh giản (parsimony principle) và loại bỏ các định kiến thiên vị tâm lý.

Thứ hai, triển khai bắt buộc thử nghiệm ứng suất rủi ro đuôi (downside stress testing) đối với các quỹ tín thác bất động sản (A-REITs) và quỹ hưu trí nhằm phòng ngừa các kịch bản suy giảm tài sản từ 15% đến 20%. Chiến lược này đòi hỏi các nhà quản trị phải tích hợp ma trận rủi ro KuU, xây dựng kịch bản xấu nhất dựa trên phân phối đuôi dày thay vì chỉ dựa vào phân phối chuẩn Gauss.

Thứ ba, thành lập bộ phận kiểm định độc lập và văn hóa chấp nhận sai số tại các tổ chức tín dụng nhận tiền gửi (ADIs) quản lý khối dư nợ 270,5 tỷ AUD trước quý IV/2027. Bộ phận này có trách nhiệm đo lường định kỳ sai số dự báo bằng các chỉ số MASE và MAAPE, đồng thời triệt tiêu tỷ lệ 45% thiên kiến lạc quan của chuyên viên phân tích.

Thứ tư, yêu cầu các đơn vị tư vấn và định giá bất động sản tích hợp các chỉ số biến đổi cấu trúc (Structural Change Index) vào mô hình định lượng với chu kỳ hiệu chỉnh 6 tháng một lần. Trọng tâm cần đặt vào các xu hướng dài hạn như dòng vốn xuyên biên giới (chiếm 42% giao dịch văn phòng năm 2016), sự phát triển của các đô thị vệ tinh, và dịch chuyển công năng tài sản.

Đối tượng nên tham khảo luận văn

Thứ nhất, các nhà quản lý quỹ đầu tư bất động sản và quỹ tín thác A-REITs: Luận văn cung cấp khung mô hình ADSV và các chiến lược phản mong manh để tối ưu hóa việc phân bổ danh mục đầu tư, xây dựng hàng rào phòng thủ trước các biến động chu kỳ và bảo vệ dòng tiền cổ tức của nhà đầu tư.

Thứ hai, chuyên gia phân tích thị trường và thẩm định giá: Nhóm đối tượng này có thể ứng dụng trực tiếp bộ 10 thực tiễn tối ưu và phương pháp đối chuẩn dự báo ngây thơ để nâng cao độ tin cậy của các báo cáo dự báo giá thuê, tỷ lệ hấp thụ và tỷ suất vốn hóa cho các dự án thương mại phức hợp.

Thứ ba, ngân hàng thương mại và các định chế tài chính cấp tín dụng: Luận văn mang lại công cụ đắc lực giúp đánh giá chính xác rủi ro sụt giảm của các khoản vay phát triển bất động sản thương mại, hỗ trợ quá trình phê duyệt hạn mức tín dụng và thiết lập các điều kiện an toàn vốn theo quy chuẩn APRA.

Thứ tư, các nhà nghiên cứu học thuật và giảng viên chuyên ngành kinh tế bất động sản: Tài liệu là nguồn tham khảo mẫu mực về việc áp dụng phương pháp nghiên cứu hỗn hợp (Mixed Methods), cung cấp cơ sở lý luận vững chắc để tiếp tục mở rộng các mô hình định lượng phi chuẩn và quản trị rủi ro phi đối xứng.

Câu hỏi thường gặp

Tại sao các mô hình kinh tế lượng truyền thống lại dự báo sai lệch lớn trong khủng hoảng?

Các mô hình truyền thống như ARIMA hay hồi quy tuyến tính hoạt động dựa trên giả định phân phối chuẩn, coi các biến cố cực đoan là ngoại lai và loại bỏ chúng. Khi khủng hoảng xảy ra, các đứt gãy cấu trúc và sự kiện thiên nga đen xuất hiện khiến các mối quan hệ kinh tế quá khứ bị phá vỡ hoàn toàn, dẫn đến sai số nghiêm trọng như đợt suy giảm giá thuê âm 0,80% năm 2009.

Chiến lược dự báo ngây thơ (Naïve Forecasting) đóng vai trò gì trong nghiên cứu này?

Dự báo ngây thơ sử dụng giá trị quan sát thực tế của 6 tháng trước làm giá trị dự báo cho kỳ tiếp theo. Phương pháp này đóng vai trò như một thước đo chuẩn mực (benchmark) độc lập để kiểm định xem các mô hình kinh tế lượng phức tạp có thực sự mang lại giá trị dự báo vượt trội hơn một quy tắc ngón tay cái đơn giản hay không.

Mô hình ADSV giải quyết vấn đề rủi ro sụt giảm như thế nào?

Mô hình ADSV tổ chức quy trình dự báo qua bốn tầng liên hoàn: Ứng dụng (Applications), Yếu tố quyết định (Determinants), Chiến lược phòng hộ (Strategies) và Kiểm định (Validation). Mô hình kết hợp chặt chẽ giữa thuật toán dữ liệu với lớp phủ nhận định chuyên gia, kết hợp thử nghiệm ứng suất và phân tích tham chiếu lịch sử để kiểm soát rủi ro đuôi dưới.

Khung rủi ro KuU được ứng dụng ra sao trong thẩm định bất động sản?

Khung KuU phân tách rủi ro thành ba nhóm: Đã biết (Known - biến động lãi suất, lạm phát), Chưa biết (Unknown - thời điểm nổ bong bóng tài sản) và Không thể biết (Unknowable - đại dịch, thảm họa bất ngờ). Việc phân loại này giúp nhà quản trị áp dụng đúng công cụ thống kê xác suất cho rủi ro đã biết và sử dụng chiến lược dự phòng dư thừa cho rủi ro không thể biết.

Tại sao 45% chuyên gia tham gia phỏng vấn lại có xu hướng quá lạc quan khi dự báo?

Hiện tượng này bắt nguồn từ thiên kiến tâm lý tự tin thái quá vào mô hình định lượng sẵn có và áp lực thương mại trong việc thúc đẩy giao dịch đầu tư. Khi thị trường đang trong giai đoạn mở rộng với tỷ lệ nén lợi suất cao, các chuyên gia thường có xu hướng ngoại suy các kết quả tích cực và đánh giá thấp nguy cơ đảo chiều chu kỳ.

Kết luận

• Luận văn đã chứng minh sự thiếu hụt nghiêm trọng về năng lực dự báo rủi ro sụt giảm của các mô hình kinh tế lượng thuần túy trong thị trường bất động sản thương mại Australia giai đoạn 2001-2011.
• Nghiên cứu đóng góp cho hệ thống lý thuyết học thuật mô hình ADSV cùng bộ 10 thực tiễn tối ưu, kết hợp hài hòa giữa phân tích định lượng tinh giản và nhận định chuyên gia định tính.
• Xác lập bằng chứng thực nghiệm cho thấy phương pháp dự báo ngây thơ và các quy tắc suy nghiệm đơn giản có thể vượt trội hơn các mô hình phức tạp trong giai đoạn thị trường chịu cú sốc ngoại cảnh.
• Cung cấp giải pháp quản trị rủi ro toàn diện cho các định chế tài chính và nhà quản lý quỹ đối với khối tài sản thương mại và dư nợ tín dụng vượt mức 270,5 tỷ AUD.
• Lộ trình triển khai ứng dụng mô hình và quy trình thử nghiệm ứng suất khuyến nghị hoàn tất trước quý IV/2027, mở ra hướng nghiên cứu tiếp theo về ứng dụng trí tuệ nhân tạo và dữ liệu lớn trong việc nhận diện sớm các tín hiệu đứt gãy cấu trúc thị trường. Quý độc giả và các nhà quản trị hãy tham khảo toàn văn công trình nghiên cứu để tối ưu hóa chiến lược đầu tư và nâng cao năng lực ứng phó rủi ro cho tổ chức.

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 .