Vyhodnocení vlivu cestovního ruchu na tržní hodnotu nemovitých věcí při oceňování nemovitostí s rezidenční funkcí

1. Úvod

Na hodnotu každé oceňované nemovité věci působí různé cenotvorné faktory, které mají nebo mohou mít snižující i zvyšující vliv na konečnou cenu.

Materiální faktory již byly částečně prozkoumány a jejich vlivy jsou určitým způsobem zakomponovány do oceňovacího procesu, např. při ocenění podle cenového předpisu. Ovšem nemateriální vlivy jsou vyčíslovány pouze individuálně podle názoru a zkušeností znalce nebo odhadce. Nejsou však celkově prozkoumány a hlavně nijak kvantifikovány. Z pohledu zákazníka, tedy kupce či prodejce nemovitosti, jde o zásadní vlivy, podle nichž se rozhoduje o „cenové ochotě“ si za některé tyto vlastnosti nemovitosti a jejího bezprostředního okolí připlatit a zda se vůbec o nemovitost zajímat.

Jsou to vlivy, které často názory jednotlivců na hodnotu nemovitostí ovlivňují podvědomě. A možná o to důrazněji. Jedním z těchto vlivů je i cestovní ruch z hlediska množství turistů, kteří tuto lokalitu navštíví.

Vlivem migrace občanů do větších měst za lepším finančním ohodnocením a vyšší nabídkou pracovních pozic se některé obce v ČR vylidňují a naopak. Vlivem oprav, rekonstrukcí, vzniku nových památek, ale také např. cyklostezek, vinařských oblastí atd. v některých obcích prosperují a „rostou“ rekreační a ubytovací zařízení, které profitují ze zvýšeného počtu návštěvníků, tedy turistiky. Vliv turistiky na tržní hodnotu rekreačních objektů, nemovitostí určených k ubytování a dalším komerčním účelům již byl částečně zmapován.

Z tohoto důvodu současný realitní trh sleduje zejména stavby pro rekreační, ubytovací a komerční účely. U těchto nemovitostí tržní hodnota vlivem zvýšeného zájmu o tyto nemovité věci a s nimi spojené služby ve většině případů stoupá.

Již ale nezohledňuje, jaký dopad na tržní hodnotu má tento vliv u nemovitostí pro ostatní účely. Zejména na rezidenční stavby, u kterých může tento vliv mít i zcela opačný efekt.

Opačný efekt může být spojen např. s velkým počtem návštěvníků (turistů) v konkrétní oblasti, což vede k silnému dopravnímu přetížení, odpadkům, znečištění ovzduší i životního prostředí, prašnosti a hluku v okolních oblastech. To následně snižuje kvalitu života a tím může snižovat i hodnotu nemovitostí.

2. Sběr a analýza dat

Základním a nejdůležitějším podkladem pro vyhodnocení cíle výzkumu jsou cenové údaje realizovaných prodejů nemovitostí s rezidenční funkcí (rodinné domy a bytové jednotky) a statistické údaje z veřejné databáze Českého statistického úřadu o vývoji cestovního ruchu.

V rámci výzkumných projektů jsou zkoumána katastrální území na jižní Moravě a ve Zlínském kraji, která byla z hlediska turistiky vyhodnocena jako nejnavštěvovanější. V Jihomoravském kraji jsou zkoumány k.ú. Lednice, Valtice, Mikulov, Znojmo, Vranov nad Dyjí a Moravský Krumlov. Město Brno, se svým specifickým trhem, rozlohou a počtem obyvatel, nebylo do výzkumu zahrnuto.

Vzhledem ke své významnosti a turistické oblíbenosti bylo do výzkumu zahrnuto i katastrální území Moravský Krumlov. Ovšem Český statistický úřad odmítl naši žádost o poskytnutí a zveřejnění potřebných dat – časové řady vývoje turistiky za minulá období s odůvodněním: „V tomto případě se jedná o citlivé individuální údaje, které není možné poskytnout externím uživatelům, a to ani v rámci SafeCentra, ani výzkumu.“ Z tohoto důvodu muselo být katastrální území Moravský Krumlov z výzkumu vyřazeno. Přehled zkoumaných katastrálních území je zachycen v následující mapě.

Obr. 1 – Mapa zkoumaných katastrálních území [zdroj vlastní]
Fig. 1 – Map of investigated cadastral areas [custom source]

Ve Zlínském kraji jsou vyhodnocovány k.ú. Rožnov pod Radhoštěm, Luhačovice, Vizovice a Kroměříž.

Článek se věnuje vyhodnocení vlivu cestovního ruchu v Jihomoravském kraji, v katastrálním území Mikulov. Výsledky z ostatních lokalit budou zveřejňovány v následujících publikacích.

3. Mikulov na Moravě

Mikulov je město nacházející se v okrese Břeclav na hranících s Rakouskem, cca 50 km jižním směrem od města Brna, a cca 20 km západním směrem od okresního města Břeclav, v Jihomoravském kraji. Žije zde více než 7 500 obyvatel. Z hlediska turistiky je zde vyhledáván zejména zámek Mikulov, historické jádro centra města, Kozí Hrádek, přírodní rezervace Svatý kopeček a nedaleké Pavlovské vrchy. V okolí jsou významné, oblíbené vinařské oblasti a nedaleká vodní nádrž Nové Mlýny.

3.1 Analýza cenových údajů

Předmětem zkoumání byly nemovitosti s rezidenční funkcí. Konkrétně rodinné domy a objekty k bydlení, které jsou hodnoceny společně, a bytové jednotky. Dálkovým přístupem do katastru nemovitostí, byly získány databáze veškerých cenových údajů z katastrálního území za všechna evidovaná období (2014 – po současnost), ze kterých byly následně analyzovány údaje o nemovitostech s rezidenční funkcí.

Z těchto podkladů byl následně určen počet zkoumaných nemovitostí. Celkem bylo vyhledáno 534 cen. údajů, z toho 194 rodinných domů a objektů k bydlení a 340 bytových jednotek. Celkový počet analyzovaných údajů o zkoumaných nemovitostech ve sledovaném katastrálním území je zachycen v následující tabulce a grafu.

Graf 1 – Počet cenových údajů (zdroj: vlastní zpracování)
Graph. 1 – Number of price (source: own processing)

Následně byly vyžádány konkrétní cenové údaje z katastru nemovitostí, které byly zpracovány do databází a přiřazeny posuzovaným nemovitostem. Na základě cen. údajů, katastrální mapy a mapových portálů byla podle zastavěné plochy staveb, podlažnosti staveb a cenového údaje stanovena sjednaná cena za m²/rok, která byla v každém roce a každém katastrálním území vyhodnocena průměrem. Tímto způsobem byla stanovena sjednaná cena za m²/rok zastavěné plochy RD, v případě bytových jednotek na základě podlahové plochy, viz Tab. 2 – Vývoj cen.

Databáze s cenovými údaji ke zkoumaným nemovitostem obsahovaly druh nemovitosti, katastrální území, čísla vkladů, data vkladů, adresy objektů včetně popisného čísla, parcelní čísla pozemků zastavěné plochy a nádvoří, parc. čísla pozemků v jednotném funkčním celku, konkrétní zastavěnou plochu staveb převzatou z katastrální mapy, výměru pozemků v zastavěné ploše a nádvoří, výměru pozemků v jednotném funkčním celku, výměru pozemků celkem a počet podlaží, u bytových jednotek podlahovou plochu. Vývoj sjednaných cen (v Kč/m²) jednotlivých typů nemovitostí zobrazuje graf 2.

Graf 2 – Vývoj cen (zdroj: vlastní zpracování)
Graph. 2 – Development of prices (source: own processing)

Ze získaných dat a jejich analýzou byl zjištěn trvalý růst cen obou sledovaných typů nemovitostí.

3.2 Analýza cestovního ruchu

Současně s databází cenových údajů byla získána a tvořena data o cestovním ruchu z veřejné databáze Českého statistického úřadu. Konkrétně to byly časové řady o vývoji turistiky ve zkoumaných lokalitách. Za nejvhodnější k dané problematice byla vyhodnocena a zvolena časová řada z oboru cestovního ruchu – hromadná ubytovací zařízení – hosté a přenocování v hromadných ubytovacích zařízeních – hosté celkem. Údaje o počtu turistů v lokalitě, viz Tab. 3. Analýza cestovního ruchu je zpracována pouze do roku 2020 včetně, poněvadž v době publikování tohoto příspěvku ještě nebyla zveřejněna data za rok 2021.

Vývoj počtu turistů v časové řadě, v daném katastrálním území, je přehledně zachycen v následujícím grafu.

Graf 3 – Vývoj turistiky (zdroj: ČSÚ – vlastní zpracování)
Graph. 3 – Tourism development (source: ČSÚ – own processing)

Počet turistů v grafu názorně zobrazuje každoroční zvyšující se počet turistů a následný strmý pokles po roce 2019 následkem epidemie koronaviru SARS-CoV-2.

4. Vyhodnocení vlivu na jednotlivé typy nemovitostí

Pro vyhodnocení vlivu cestovního je využita analýza závislosti, tedy jednoduchá regresní analýza a Pearsonův korelační koeficient (Pearson correlation coefficient). Vzhledem ke skutečnosti, že v době zpracování tohoto příspěvku ještě nebyla zveřejněna Českým statistickým úřadem data o vývoji cestovního ruchu za rok 2021, bylo provedeno vyhodnocení analyzovaných dat pouze za období 2014–2020.

V katastrálním území byla v období 2014–2020 analyzována data cenových údajů z uskutečněných prodejů, tedy realizované prodejní ceny, které byly v každém roce na základě podlažnosti a zastavěné plochy stavby vyhodnoceny průměrem za m² zastavěné plochy u rodinných domů, u bytových jednotek za m² podlahové plochy a následně otestována společně s daty o vývoji turistiky v konkrétní lokalitě.

Statisticky významná abnormalita poklesu cestovního ruchu, tedy počtu návštěvníků (turistů) v letech 2020–2021 způsobená pandemií koronaviru SARS-CoV-2, není z hlediska statistického posouzení do modelu vhodná a zcela by zkreslovala dosažené výsledky v regresní analýze. Z tohoto důvodu byla vyhodnocena a použita celková data pouze v období 2014 až 2019, včetně.

4.1 Katastrální území Mikulov – rodinné domy

K testování vlivu cestovního ruchu na ceny rodinných domů je využito databáze 194 cenových údajů z realizovaných prodejů a časové řady o vývoji turistiky.

Graf 4 – Časové řady (bez Hosté celkem v roce 2020) (zdroj: vlastní zpracování)
Graph. 4 – Time series (excluding guests in total in 2020) (source: own processing)

Již z grafu je patrná závislost mezi zkoumanými proměnnými, tedy mezi počtem turistů a realizovanou cenou. Se zvyšujícím se počtem turistů stoupá i hodnota nemovitostí.

4.1.1 Korelace

Vyhodnocení zpracovaných databází bylo provedeno pomocí Analýzy dat v tabulkovém procesoru Excel.

Obr. 2 – Parsonův korelační koeficient (zdroj: vlastní zpracování)
Fig. 2 – Pearson correlation coefficient (source: own processing)

Korelační koeficient 0,972582424 označuje velmi silnou pozitivní korelaci. Hodnota korelačního koeficientu blížící se k +1 značí zcela přímou závislost (korelaci). Závislost průměrné ceny na počtu turistů je zachycen v následujícím grafu.

Graf 5 – Závislost průměrné ceny na počtu turistů – Mikulov (zdroj: vlastní zpracování)
Graph. 5 – The dependence of the average price on the number of tourists – Mikulov (source: own processing)

Z bodového grafu je patrné, že mezi zkoumanými veličinami skutečně existuje velmi silná, pozitivní lineární závislost. Se zvyšujícím se počtem turistů se zvyšuje i hodnota nemovitostí. Všechny body dosti těsně přiléhají k regresní přímce. Druhý bod zleva je poněkud dále od regresní přímky než body ostatní. Mohlo by to signalizovat velmi mírné odlehlé pozorování. Vzhledem k malému počtu pozorování však tento bod nemusí být statisticky významný.

Koeficient determinace R² označuje míru vysvětlení vlivu turistiky na cenu rodinných domů = 94,59 %

4.1.2 Regresní analýza – Průměrná cena vs. Hosté (2014–2019)

Obr. 3 – Regresní statistika (zdroj: vlastní zpracování)
Fig. 3 – Regression statistics (source: own processing)

4.1.3 Interpretace výsledků

Korelační koeficient = 0,972582424 označuje velmi silnou, pozitivní lineární závislost. Adjustovaný (očištěný) koeficient korelace = 0,932395715 označuje taktéž velmi silnou, pozitivní lineární závislost. Koeficient determinace R² = 0,945916572 označuje, že vliv turistiky na cenu nemovitostí je vysvětlený mírou 94,59 %. Významnost F je nižší než hladina významnosti 0,05, lineární funkce je vhodná a celkový model je statisticky významný. Hodnota P je nižší než hodnota t Stat a zvolená hladina významnosti α = 0,05. Na hladině významnosti α = 5 % a hladině spolehlivosti 95 % se prokázalo, že turistika má v rámci stanovené hodnoty spolehlivosti α pozitivní vliv na ceny nemovitostí. Z koeficientu B₁ hosté je zřejmé, že s každým turistou (hostem) se zvyšuje cena za m² průměrně o 0,25 Kč. Tedy, že se zvyšujícím se cestovním ruchem stoupá i cena za m². Hranice dolní 95 % a horní hranice 95 % určuje rozptyl. Cena za m² se s 95% pravděpodobností zvyšuje v rozmezí 0,16–0,33 Kč. Hranice dolní 99 % a horní hranice 99 % určuje taktéž rozptyl. Cena za m² se s 99% pravděpodobností zvyšuje v rozmezí 0,11–0,39 Kč. V katastrálním území Mikulov se prokázalo, že turistika má v rámci stanovené hodnoty spolehlivosti pozitivní (kladný) vliv na ceny nemovitostí – rodinných domů.

4.2 Mikulov – bytové jednotky

K testování vlivu cestovního ruchu na hodnotu bytových jednotek je využito databáze 340 cenových údajů z realizovaných prodejů a časové řady o vývoji turistiky.

Graf 6 – Časové řady (bez Hosté celkem v roce 2020) (zdroj: vlastní zpracování)
Graph. 6 – Time series (excluding guests in total in 2020) (source: own processing)

Již z grafu je patrná závislost mezi zkoumanými proměnnými, tedy mezi počtem turistů a realizovanou cenou. Se zvyšujícím se počtem turistů stoupá i hodnota nemovitostí.

4.2.1 Korelace

Vyhodnocení zpracovaných databází bylo provedeno pomocí Analýzy dat v tabulkovém procesoru Excel.

Obr. 4 – Parsonův korelační koeficient (zdroj: vlastní zpracování)
Fig. 4 – Pearson correlation coefficient (source: own processing)

Korelační koeficient 0,973606 označuje velmi silnou pozitivní korelaci. Závislost průměrné ceny na počtu turistů je zachycen v následujícím grafu.

Graf 7 – Závislost průměrné ceny na počtu turistů – Mikulov BJ (zdroj: vlastní zpracování)
Graph. 7 – The dependence of the average price on the number of tourists – Mikulov (source: own processing)

Z bodového grafu je patrné, že mezi měřenými veličinami skutečně existuje velmi silná, pozitivní lineární závislost, všechny body dosti těsně přiléhají k regresní přímce. Koeficient determinace R² označuje míru vysvětlení vlivu turistiky na cenu bytových jednotek = 94,79 %.

4.2.2 Regresní analýza – Průměrná cena vs. hosté (2014–2019)

Obr. 5 – Regresní statistika (zdroj: vlastní zpracování)
Fig. 5 – Regression statistics (source: own processing)

4.2.3 Interpretace výsledků

Korelační koeficient = 0,973606, označuje velmi silnou, pozitivní lineární závislost.

Adjustovaný (očištěný) koeficient korelace = 0,934886, označuje taktéž velmi silnou, pozitivní lineární závislost.

Koeficient determinace R² = 0,947908 označuje, že vliv turistiky na hodnotu nemovitostí je v modelu vysvětlený mírou 94,79 %.

Významnost F = 0,001036 je nižší než hladina významnosti α = 0,05, celkový model je statisticky významný.

Hodnota P = 0,001036 je nižší než hodnota t Stat, současně mnohem nižší než zvolená hladina významnosti α = 0,05. Na hladině významnosti α = 5 % a hladině spolehlivosti 95 % se prokázalo, že cestovní ruch má v rámci stanovené hodnoty spolehlivosti α vliv na ceny bytových jednotek. Z koeficientu B₁ hosté je zřejmé, že s každým turistou (hostem) se zvyšuje cena za m² průměrně o 0,36 Kč. Tedy, se zvyšujícím se cestovním ruchem stoupá i cena za m². Hranice horní 95 % a dolní hranice 95 % určuje rozptyl. Cena za m² se zvyšuje s 95% pravděpodobností v rozmezí 0,24–0,48 Kč. Hranice horní 99 % a dolní hranice 99 % určuje taktéž rozptyl. Cena za m² se zvyšuje s 99% pravděpodobností v rozmezí 0,16–0,56 Kč. V katastrálním území Mikulov se prokázalo, že turistika má v rámci stanovené hodnoty spolehlivosti vliv na ceny nemovitostí. V katastrálním území Mikulov se prokázal kladný vliv počtu turistů na ceny bytových jednotek.

5. Závěr

Základním podkladem pro výzkum je sestavená databáze 534 cenových údajů o prodeji rodinných domů a bytových jednotek a časové řady o vývoji turistiky v dané lokalitě v období 2014 až 2019. Statistické vyhodnocení sestavených databází je provedeno pomocí analýzy závislosti, tedy Pearsonovým korelačním koeficientem a následně jednoduchou regresní analýzou. Z konečných výsledků je patrný významný kladný vliv počtu turistů na hodnotu zkoumaných nemovitostí v katastrálním území Mikulov.

Se zvyšujícím se cestovním ruchem se zvyšuje i hodnota zkoumaných rezidenčních nemovitostí, rodinných domů i bytových jednotek. Zde je ovšem nutné zdůraznit, že celkový výsledek zpracovaných analýz může podléhat tzv. falešné korelaci. Falešná korelace znamená, že hodnota nemovitostí se může zvyšovat pouze pod vlivem obecného růstu cen nemovitostí a cestovní ruch nemusí být faktorem, který hodnotu zvyšuje, což ale neznamená, že tomu tak skutečně není.

Ostatní katastrální území nebyla zatím vyhodnocena a jsou předmětem dalšího, hlubšího zkoumání. Výsledky budou zveřejněny v následující publikaci.

6. Poděkování

Příspěvek byl zpracován na základě výsledků „Specifického vysokoškolského výzkumu na VUT“, registrovaného na VUT pod číslem ÚSI-J-21-7453 a ÚSI-J-22-7973. Finanční prostředky použité na zpracování výzkumu i příspěvku plně financovalo VUT v Brně.

7. Literatura

1. ACREA CR, spol. s r.o..: ANALÝZA ROZPTYLU: Přístupy k odhalování příčin a vlivů. [online] (cit. 8.4.2022), dostupné z: https://acrea.cz/analyza-rozptylu/
2. AMBROS Jiří, VALENTOVÁ Veronika, STRIEGLER Radim, HAVRÁNEK Pavel, SIMONOVÁ Eva, LIPL Martin, VYSKOČILOVÁ Lucie, POKORNÝ Petr, NOVÁK Jan, KYSELÝ Martin, JANOŠKA Zbyněk, GOGOLÍN Ondřej, FRIČ Jindřich: Multifaktorová analýza dopravní nehodovosti – metodika provádění, Centrum dopravního výzkumu (IČ: 44994575), Brno 2014, 1. vydání, 38 s., ISBN 978-80-88074-01-4., [online] (cit. 10.4.2022), Dostupné z:
   https://www.cdv.cz/file/multifaktorova-analyza-dopravni-nehodovosti-metodika-provadeni/
3. Meloun, M., Militký, J. (2004). Statistická analýza experimentálních dat. 2. vydání. Academia, Praha., ISBN 80-200-1254-0
4. SEBERA, Martin: Vícerozměrné statistické metody [online] (cit. 6.4.2022), dostupné z:
   https://www.fsps.muni.cz/~sebera/vicerozmerna_statistika/anova.html