Zaverecna Prace

Vysoká škola ekonomická v Praze
Disertační práce
2020 Jaroslav Kaizr

J. Kaizr: Predikce vývoje trhu s průmyslovými nemovitostmi pomocí indexu tržní hodnoty
Vysoká škola ekonomická v Praze

Fakulta financí a účetnictví
Katedra oceňování a financí podniku
Studijní obor: Účetnictví a finanční řízení podniku
Doktorská disertační práce
Predikce vývoje trhu s průmyslovými nemovitostmi

pomocí indexu tržní hodnoty
Autor disertační práce: Ing. Jaroslav Kaizr, MSc. MRICS

Vedoucí disertační práce: prof. Ing. Miloš Mařík, CSc.
2
Poděkování
Děkuji vedoucímu disertační práce prof. Ing. Miloši Maříkovi, CSc. za pomoc a rady, které mi
poskytoval v průběhu doktorandského studia. Rád bych poděkoval také Ing. Josefu Rajdlovi, Ph.D.
za cenné rady ke statistickému modelu a Ing. Barboře Rýdlové, Ph.D. za pomoc a cenné rady, které
mi poskytla při řešení této práce. Velmi děkuji také oběma oponentům a všem kolegům z Katedry
financí a oceňování podniku za komentáře k této práci.
Obrovské poděkování patří mé manželce Lence a dcerce Adě za trpělivost a shovívavost v období
celého studia.
Prohlášení
Prohlašuji, že disertační práci na téma „Predikce vývoje trhu s průmyslovými nemovitostmi pomocí
indexu tržní hodnoty“ jsem vypracoval samostatně. Použitou literaturu a podkladové materiály
uvádím v přiloženém seznamu literatury.
V Praze dne 28. září 2020
…………………………………
Ing. Jaroslav Kaizr, MSc. MRICS
3
Název disertační práce – Predikce vývoje trhu s průmyslovými nemovitostmi pomocí indexů tržní hodnoty
Abstrakt
Účelem disertační práce je predikce budoucího vývoje trhu s průmyslovými nemovitostmi pomocí indexu
tržní hodnoty. Disertační práce přináší inovaci v konstrukci indexu tržní hodnoty průmyslového prostoru,
který je vhodný pro rozvíjející se trhy s nedostatkem tržních dat. Originálním prvkem je sada dalších tří
indexů, které sledují uživatelskou a developerskou pozici na trhu s prostory a výnosnost vlastního kapitálu
a které dotvářejí komplexní obrázek modelu nemovitostního trhu. Lineární regrese byla použita při analýze
vztahu indexů trhu s průmyslovými prostory s nezávislými makroekonomických veličinami, které byly
doplněny o Index důvěry v průmysl jako měřítka očekávání budoucí výkonnosti hospodářství. Analýza ex
post byla provedena v rámci jednoho nemovitostního cyklu od roku 2008 do roku 2018. Pro ex-ante ověření
správnosti modelu byly očekávané hodnoty indexů porovnány s jejich skutečnými hodnotami v první
polovině roku 2019. Model byl testován pomocí srovnání očekávané a skutečné velikosti poptávky a nové
výstavby v prvních dvou kvartálech 2019. Na základě regresních funkcí byl proveden odhad vývoje trhu
s průmyslovými prostory do prvního čtvrtletí roku 2020. Citlivostní analýza umožnila predikci stavu trhu až
do čtvrtého čtvrtletí 2020.
Klíčová slova: komerční nemovitost, průmyslová nemovitost, tržní indexy, chování trhu, cenotvorba
JEL klasifikace: D470
Title of the Dissertation Thesis - Industrial real estate market forecast based on market value index
Abstract
The purpose of the dissertation is to predict the future development of the industrial real estate market
using market value index. The study brings innovative approach to development of industrial space market
value index suitable for markets with insufficient market data. Original feature of the study is set of three
other indices which monitor negotiation positions of users and developers on the industrial property market
and internal rate of return of invested equity. Linear regression model is used to analyse the relationship
between the industrial real estate market indices and independent macroeconomic variables including
industrial sentiment index as a measure of expected economic performance. The ex-post analysis was
conducted within real estate market cycle from 2008 until 2018. Expected values of the indices were
compared with their actual values in ex-ante analysis during the first two quarters of 2019. The market model
was tested by ex-ante analysis of actual gross take up and new supply during the first two quarters of 2019.
Forecast of the Czech industrial space market evolution is concluded based on regression model for the
period from the third quarter 2019 until the first quarter 2020. Sensitivity analysis allowed prediction of the
industrial real estate market status up to the fourth quarter 2020.
Key words: commercial property, industrial real estate, market indices, market behaviour, price formation
JEL classification: D470
4
5
Obsah:
1. Úvodní část ....................................................................................................................8

1.1. Úvod .................................................................................................................................................... 8
1.2. Odborná literatura a praxe ................................................................................................................. 10
1.3. Mezery v dosavadním výzkum a cíle disertační práce ........................................................................... 12
1.4. Použité metody ................................................................................................................................... 13
1.5. Očekávané přínosy disertační práce ...................................................................................................... 13
2. Přehled relevantní odborné literatury .......................................................................... 15
2.1. Indexy tržní hodnoty nemovitostí ......................................................................................................... 15
2.1.1. Indexy založené na ocenění nemovitostí ........................................................................................... 18
2.1.1.1. Metoda opravy nemovitostního indexu založená na nulové autokorelaci............................................ 21
2.1.1.2. Metoda opravy nemovitostního indexu pomocí zpětně konstrukce ................................................. 21
2.1.1.3. Metoda opravy nemovitostního indexu založená na změnách režimu ............................................ 22
2.1.2. Indexy založené na reálných transakcích ......................................................................................... 22
2.1.2.1. Indexy založené na průměru ....................................................................................................... 22
2.1.2.2. Hédonický nemovitostní model .................................................................................................... 23
2.1.2.3. Modely nemovitostních indexů založené na opakovaných transakcích ........................................... 26
2.1.2.4. Hybridní modely nemovitostních indexů ...................................................................................... 27
2.1.3. Indexy založené na výnosech veřejně obchodovatelných podílů REIT ................................................ 27
2.1.4. Indexy nájemného v nemovitostech ................................................................................................... 28
2.2. Průmyslové nemovitosti a jejich vlastnosti ............................................................................................. 30
2.2.1. Technické specifikace průmyslových nemovitostí ................................................................................ 31
2.2.2. Typologie průmyslových nemovitostí ................................................................................................. 33
2.2.3. Aglomerace průmyslových provozů a výběr lokality .......................................................................... 34
2.3. Trh s průmyslovými nemovitostmi ........................................................................................................ 36
2.3.1. Trh uživatelů ................................................................................................................................. 37
2.3.2. Developerský trh a trh s pozemky pro novou výstavbu ..................................................................... 40
2.3.3. Kapitálový trh ................................................................................................................................ 42
2.4. Závěry vyplývající z relevantní odborné literatury ................................................................................. 43
3. Vstupní data v tržních souvislostech ........................................................................... 45
3.1. Indikátory českého trhu průmyslových uživatelů ................................................................................... 45
3.1.1. Epochy v rámci sledovaného období ................................................................................................. 49
3.1.2. Srovnání českého trhu s průmyslovými prostory s trhy jiných zemí EU ............................................. 54
3.1.3. Čistá absorpce a nepronajatost ........................................................................................................ 55
6
3.1.4. Základní a efektivní nájemné ......................................................................................................... 56

3.2. Český developerský trh a trh s pozemky pro novou výstavbu................................................................. 64
3.2.1. Celkové náklady developmentu........................................................................................................ 65
3.2.2. Ziskovost developmentu .................................................................................................................. 67
3.3. Indikátory českého kapitálového trhu s průmyslovými nemovitostmi...................................................... 69
3.3.1. Transakční ceny a odborné odhady tržní hodnoty průmyslových nemovitostí ...................................... 70
3.3.2. Nominální a reálná míra kapitalizace ............................................................................................ 76
3.3.3. Nedostatkové opakované transakce ................................................................................................. 77
3.3.4. Srovnání českého kapitálového trhu s trhy jiných zemí EU.............................................................. 78
3.4. Česká praxe oceňování průmyslových nemovitostí ................................................................................. 79
3.5. Shrnutí části o vstupních datech ........................................................................................................... 81
4. Konstrukce indexů českého nemovitostního trhu ....................................................... 82
4.1. Podmínky modelu ............................................................................................................................... 83
4.2. Index uživatelské pozice ..................................................................................................................... 84
4.3. Index developerské aktivity ................................................................................................................. 89
4.4. Index tržní hodnoty a Index výnosnosti vlastního kapitálu .................................................................. 93
4.5. Shrnutí metodologické části ...............................................................................................................101
5. Testování modelu českého nemovitostního trhu ...................................................... 105
5.1. Regresní modely ................................................................................................................................106
5.1.1. Regresní modely Indexu uživatelské pozice a Indexu developerské aktivity .....................................106
5.1.2. Regresní modely Indexů tržní hodnoty a Indexu výnosnosti vlastního kapitálu ...............................108
5.1.3. Regresní modely hrubé poptávky a nové výstavby na trhu uživatelů ................................................110
5.2. Analýza ex ante...............................................................................................................................111
5.2.1. Odhad vývoje Indexu uživatelské pozice a Indexu developerské aktivity .........................................112
5.2.2. Odhad vývoje Indexů tržní hodnoty nejlepšího průmyslového prostoru .............................................113
5.2.3. Odhad vývoje hrubé poptávky a nové výstavby ...............................................................................113
5.3. Mohou regresní modely indexů předpovídat budoucí vývoj trhu? ..........................................................114
5.4. Shrnutí empiricko-analytické části.....................................................................................................118
6. Závěrečná část ............................................................................................................119
Seznam použité literatury: .............................................................................................................................124
Zdroje dat a článků: .....................................................................................................................................133
Seznam diagramů a grafů .............................................................................................................................134
Seznam tabulek ............................................................................................................................................149
7
1. Úvodní část
1.1. Úvod
Trh s komerčními nemovitostmi, jak jej známe z vyspělých ekonomik, se v Česku začal formovat
až na přelomu tisíciletí. V počátku se rozvíjel pozvolna aktivitou zahraničních nájemců, developerů
a investorů, aby v roce 2008 padnul společně s ostatními světovými trhy v důsledku finanční krize.
Druhý nemovitostní cyklus českého trhu s nemovitostmi zaznamenal obnovený růst od roku 2014,
který se zdá být na pevnějších základech českého kapitálu a jehož konec lze spatřovat v současné
pandemii COVID-19.
Zkušenosti ze zahraničí ukazují, že pro svůj další rozvoj ve třetím cyklu, na jehož jsme začátku,
potřebuje český trh s komerčními nemovitostmi dostatek kvalitních a spolehlivých informací, které
by zajistily efektivní průběh transakcí mezi jeho účastníky a které by byly podloženy odbornou
literaturou.
Významnost nemovitostního odvětví v národním hospodářství shrnuje Dubská (2014), která

uvádí, že čistá hodnota hmotných aktiv (tedy domů, bytů a ostatních staveb) například v roce 2012
tvořila 84,8 procent veškerých nakumulovaných hmotných fixních investic v ekonomice ČR, z
toho 57,5 procenta (cca 8 bil. Kč) tvoří ostatní nemovitosti včetně nemovitostí komerčních. Tento
podíl je stabilní v celé historii české ekonomiky od roku 1993. Komerční nemovitosti tudíž tvoří
významnou část investičního kapitálu v ekonomice, průmyslové nemovitosti nevyjímaje. Dle
Geltner (2014) celková tržní hodnota všech investičních nemovitostí v ekonomice USA dosahuje
přibližně jedné třetiny veškerých aktiv, do kterých lze v USA investovat bohatství, a tato tržní
hodnota převyšuje tržní hodnotu všech veřejně obchodovatelných akcií a podílů. Geltner tímto
zjištěním potvrzuje významné postavení komerčních nemovitostí v ekonomice a podtrhuje
potřebu vědeckého výzkumu v tomto důležitém odvětví.
Ambrose (1990) si ve své práci stěžuje, že segment průmyslových nemovitostí je opomíjený.

Franklin (1994) považuje průmyslové nemovitosti za výkonné aktivum, jehož aktivní a inovativní
management přináší skvělou výnosnost investice. Nabízí se otázka, proč je i po třiceti letech od
prací těchto průkopníků výzkum průmyslových nemovitostí stále na míle vzdálen výzkumu
rezidenčních, kancelářských a maloobchodních nemovitostí. Zároveň se stále o průmyslových
nemovitostech hovoří především jako o skladech, a méně již o nemovitostech pro výrobu, dle
mého názoru se jedná o ryzí nepochopení struktury segmentu průmyslových nemovitostí.
8
Domnívám se, že průmyslové nemovitosti jsou výzkumem v plné jejich šíři opomíjeny, jelikož
západní, a především anglosaské, trhy, kde je výzkum nemovitostí obecně nejdál, jsou primárně
zaměřeny na podporu konzumní společnosti orientované na obchod a služby, nikoliv na výrobu,
která je již několik desetiletí systematicky přemisťována do regionů s levnější pracovní silou.
Výzkum tudíž dosud tíhne k sektorům, které mají ve společnosti preferenci a jsou v jejím zájmu,
tedy k rezidenčním, kancelářským, maloobchodním a případně logistickým nemovitostem.
Současná situace spojená s pandemií COVID-19 segmentu průmyslových nemovitostí nahrává,

jelikož se ukázala křehkost globalizované ekonomiky závislé na průmyslu ve vzdálených lokalitách.
Segment průmyslových nemovitostí je rovněž posílen probíhající automatizací a robotizací ve
výrobě a ve skladování, které přináší vyšší a měřitelnou přidanou hodnotu vytvářenou
v průmyslovém prostoru. Stabilní příjmy z nájemného lákají do segmentu průmyslových
nemovitostí nové investory a tím se vytváří tlak na množství informací, které trh a jeho výzkum
poskytují rostoucímu publiku.
Jsem přesvědčen, že průmyslové nemovitosti jsou díky své standardizaci ideálním předmětem
výzkumu na trhu komerčních nemovitostí jako celku. Každý metr čtvereční průmyslové plochy má
v moderních halách stejnou specifikaci, haly technologicky zastarávají pomalu a příjem
z nájemného je s ohledem na délku nájemních smluv stabilní. Průmyslová nemovitost je na rozdíl
od prostorů v ostatních nemovitostních segmentech úzce svázána s přidanou hodnotou, která se
vytváří v provozech v ní umístěných a kterou lze kvantifikovat a přepočíst na každý metr čtvereční
její plochy. Vytváří se tím měřítko produktivity a efektivity prostoru, jehož tržní hodnota je více
než v minulosti odvozována i od kvality nájemce a jeho předmětu činnosti. Tyto vlastnosti
průmyslových nemovitostí vytváří výborný podklad pro analýzu tržní hodnoty a jejího chování
v čase. Je český trh s průmyslovými nemovitostmi vhodným místem analýzy?
Dle mého názoru historie, lokalita, velikost a struktura českého trhu s průmyslovými nemovitostmi
mají ideální parametry pro výzkum tržní hodnoty, jejího stanovení a chování tržních subjektů v její
souvislosti. Vhodnost českého trhu pro výzkum podtrhuje důležitost práce oceňovatelů, kteří na
českém trhu hrají klíčovou roli při stanovení tržní hodnoty jednotlivých nemovitostí a jejich
portfolií. Obchody probíhající na českém kapitálovém trhu totiž mají malou četnost, nikoliv
z důvodu nízké likvidity ale z důvodu koncentrace vlastnictví v rukou omezeného počtu hráčů, což
v kombinaci se specifičností obchodů vytváří podhoubí pro značné výkyvy transakčních cen.
Jedině znalec pohybující se dlouhodobě na trhu dokáže odfiltrovat tržní šum obsažený
v transakčních cenách, aby dospěl k podkladové tržní hodnotě.
9
Oceňovatelé, snažící se při své práci zachytit tržní hodnotu konkrétní nemovitosti v místě
k určitému okamžiku, se tudíž řídí zkušenostmi a informacemi, které si předávají lokální pobočky
nadnárodních poradenských společností, jejich experti nebo jejich asociace. Informace se předávají
ve formě základních podmínek konkrétních transakcí anebo ve formě odhadu tržní hodnoty
nejlepší, tzv. prime, nemovitosti na trhu. Domnívám se, že nemovitostní indexy jsou vhodným
nástrojem prezentace tohoto specifického know how o chování trhu širší odborné i laické
veřejnosti, a že jejich existence zlepší likviditu i funkčnost trhu jako celku. Konstrukce takových
indexů v českém prostředí je s ohledem na kvalitu a množství dostupných informací komplikovaná.
1.2. Odborná literatura a praxe

V zahraniční praxi se používá široká paleta indexů komerčních nemovitostí. Dosavadní vědecký
výzkum v anglosaské odborné literatuře, shrnutý v druhé části disertační práce, se soustřeďuje na
robustní modely indexů tržní hodnoty nebo indexů tržního nájemného, které vyžadují rozsáhlou
databázi podrobných informací o proběhlých oceněních nebo o realizovaných transakcích.
Z důvodu nedostatku dostupných informací o oceněních a o transakcích nelze tento typ indexů
aplikovat v českých podmínkách. Výsledkem je absence indexových měřítek výkonnosti českého
trhu.
Zahraniční odborná literatura detailně zkoumá odstranění zkreslení (v angličtině „bias“) z indexů,
jako jsou nesynchronnost nebo vyhlazení, které se z různých důvodů v indexech vyskytují, cíleně
se ale nevěnuje chování jednotlivých skupin hráčů na trhu v souvislosti s tržní hodnotou
nemovitostí vyjádřenou indexem. Dle mého názoru výzkum chování tržních hráčů je klíčem k
pochopení současného a k predikci budoucího vývoje než technická analýza vývoje indexů
založených na transakčních cenách nebo na oceněních individuálních nemovitostí.
Hoag (1980) v počátcích cíleného sledování výkonnosti trhu s nemovitostmi prostřednictvím

indexů na největším světovém trhu v USA uvádí, že indexy tržní hodnoty komerčních nemovitostí
umožní objektivizaci ocenění uskutečněných výnosů individuálních nemovitostí i ocenění celých
nemovitostních portfolií. Oceňovatel, vlastník, správce portfolia, developer či investor dle jeho
názoru získá v indexu tržní hodnoty benchmark, který může použít:
- jako vodítko při posuzování tržní hodnoty, výnosnosti individuální nemovitosti a

nemovitostních portfolií a/nebo;
- jako prostředek k přezkoumání výpočtu tržní hodnoty jednou z oceňovacích metod
a/nebo;
- jako podklad pro nastavení nemovitostní strategie při řízení nemovitostních portfolií.
10
Považuji za důležité, aby se výše uvedené přínosy indexů projevily v české praxi průmyslových
nemovitostí v souvislosti s přenosem informace o trendech tržní hodnoty z úzkého kruhu znalců
v nadnárodních společnostech ke znalcům v regionech, kteří budou schopni použít tuto informaci
při ocenění nemovitostí na místní úrovni.
Na rozvíjejících se trzích, jako je trh český, je nedostatek informací limitem, který funkci
investičního trhu ztěžuje (Fuerst et al, 2015) a v konečném důsledku může znamenat například
neefektivní rozdělení investic do nemovitostí dle typu nebo lokality. Důsledkem je i nouze o
investiční příležitosti a obecně menší množství investičního kapitálu v nemovitostech než
na rozvinutých trzích, a tudíž i nižší likvidita a hodnota celého trhu.
Praxe ukazuje, že znalci mají jasnou představu o nejlepším pronajatém prostoru na trhu v daném
regionu a v daném okamžiku a umí takovému prostoru přiřadit konkrétní očekávanou výši
základního nájemného (v angličtině „base rent“) a tržní hodnoty, které zveřejňují formou
pravidelných reportů. Nejlepší pronajatý prostor na trhu není prostorem v určité nemovitosti, jde
o ideu nejlepšího pronajatého prostoru, který je k danému okamžiku definován technickými a
obchodními standardy, velikostí a lokalitou. Ocenění ostatních nemovitostí v regionu ke
konkrétnímu okamžiku probíhá porovnáním atributů určité nemovitosti vůči představě tržní
hodnoty nejlepšího pronajatého prostoru. Základní nájemné a tržní hodnota nejlepšího
pronajatého prostoru jsou vždy vyšší, než jsou základní nájemné a tržní hodnota jakéhokoliv
prostoru v obdobném standardu v určité nemovitosti ve stejném regionu a ke stejnému okamžiku.
Určitá nemovitost svými specifiky snižuje tržní hodnotu prostoru v ní ve srovnání s tržní hodnotou
nejlepšího pronajatého prostoru na trhu. Rozdíl tržní hodnoty nejlepšího pronajatého prostoru a
tržní hodnoty prostoru v určitě nemovitosti, resp. tržní hodnoty určité nemovitosti, lze vyjádřit
pomocí rozdílu základního a efektivního nájemného (v angličtině „effective rent“) a úpravou
kapitalizační míry o rizikovou prémii. Tímto způsobem tržní hodnota nejlepšího pronajatého
prostoru definuje tržní hodnotu určité nemovitosti. Sledujeme-li tudíž tržní hodnotu nejlepšího
pronajatého prostoru na trhu, sledujeme tím i vývoj celého trhu, přitom není nutná rozsáhlá
databáze konkrétních nemovitostí, a proto je tento model aplikovatelný na jakémkoliv standardně
fungujícím trhu včetně trhu českého. Lze dohledat informace o vývoji tržní hodnoty nejlepšího
pronajatého prostoru v praxi českého trhu?
Ano, domnívám se, že lze. Poradenské společnosti a jejich asociace, které se pohybují na trhu
s průmyslovými nemovitostmi a které se zabývají oceněním nemovitostí, poskytují čtvrtletní
přehledy o nejlepším základním nájemném a nejlepších kapitalizačních mírách na trhu, jejich
11
kombinací lze získat představu o nejlepším pronajatém prostoru na trhu. Analýza obsažená v této
studii je založena na těchto veřejných informacích a popsána ve třetí části disertační práce.
1.3. Mezery v dosavadním výzkum a cíle disertační práce

Současná světová i místní odborná literatura se dostatečně nevěnuje průmyslovým nemovitostem,
přestože tyto nemovitosti mají atributy, které je k vědeckému výzkumu s ohledem na jejich
standardizaci, dlouhodobost užití a stálost příjmů předurčují. Mezery vědeckého bádání
ekonomických souvislostí trhu s průmyslovými nemovitostmi a potažmo trhu s komerčními
nemovitostmi, které zatím nejsou na české univerzitní půdě soustředěně zkoumány, i když tvoří
podstatnou část celého národního hospodářství, je nutno s ohledem na probíhající změny
související s digitalizací, robotizací a automatizací zaplnit. Český trh považuji za ideální prostředí
pro výzkum v této oblasti, jelikož jeho vlastnosti, jako jsou velikost, historie anebo struktura,
umožňují podrobné zkoumání na mikro i makro úrovni.
Cílem disertační práce je analýza historického vývoje a predikce budoucího vývoje tržní hodnoty
průmyslových nemovitostí pomocí indexu tržní hodnoty nejlepšího pronajatého průmyslového
prostoru na rozvíjejícím se trhu s nedostatkem dat, za který lze český trh považovat. Za účelem
dosažení vytčeného cíle disertační práce je vytvořen tržní model, ve kterém je oddělena tržní
hodnota nejlepšího pronajatého průmyslového prostoru na trhu od tržní hodnoty průmyslové
nemovitosti.
Hypotézou je existence vztahu vývoje tržní hodnoty nejlepšího pronajatého průmyslového

prostoru se skutečným a očekávaným vývojem hospodářství. Pokud tento vztah existuje, jistě
existuje i funkce, která bude mít schopnost předpovídat vývoj tržní hodnoty nejlepšího pronajatého
průmyslového prostoru a která bude mít schopnost předpovídat i vývoj tržní hodnoty jakékoliv
průmyslové nemovitosti. Pro zachycení vývoje tržní hodnoty nejlepšího průmyslového prostoru je
zkonstruován index tržní hodnoty. Posouzení historického vývoje a predikce budoucího vývoje
tržní hodnoty průmyslového prostoru vychází z analýzy pozice hráčů na trhu, proto jsou
v metodologické části této práce konstruovány další tři indexy sledující pozice nájemců, developerů
a investorů jako hlavních tvůrců trhu.
Ambicí je použití zkonstruovaných indexů v praxi pro jednoduše pochopitelný a názorný přenos
informací o tržní hodnotě nejlepšího průmyslového prostoru do investorské a znalecké obce na
regionální úrovni, kde tato informace pomůže investorům a oceňovatelům k odvození tržních
hodnot průmyslových nemovitostí.
12
1.4. Použité metody

Metody použité při dosažení vytýčeného cíle jsou shrnuty ve čtvrté části. Poznatky získané z analýzy
literatury popsané v druhé části této studie, a zejména z prací DiPasquale a Wheaton (1992),
Chaplin (1997) a Geltner at al (2013), aplikované na data z trhu s českými průmyslovými
nemovitostmi jsou podkladem konstrukce čtyř indexů:
- indexu uživatelské pozice, který sleduje pozici nájemců poptávajících prostor na trhu;
- indexu developerské aktivity, který sleduje pozici developerů dodávajících nové prostory
na trh;
- indexu výnosnosti vlastního kapitálu, který sleduje vývoj výnosnosti vlastního kapitálu
investorů;
- indexu tržní hodnoty průmyslového prostoru, který je agregátním měřítkem trhu.
Jaké faktory ovlivňují vývoj těchto indexů? V páté části této práce je použita regresní analýza
k potvrzení souvislosti s makroekonomickými ukazateli a s indikátorem očekávání, jelikož
očekávání je integrální součástí stanovení současné tržní hodnoty. Výsledný model trhu
zkonstruovaný na základě indexů je v empiricko-analytické části podroben ex-post regresní analýze
vývoje v souvislosti s indikátory národního hospodářství a s indikátory očekávání. Následná analýza
ex-ante je použita pro ověření správnosti zkoumané hypotézy porovnáním hodnot indexů
vypočtených z regresních modelů s hodnotami vypočtenými z reálných dat. Reálnost hypotézy je
zkoumána i pomocí srovnání vypočtených a skutečných hodnot hrubé poptávky a nové výstavby
průmyslových prostor. Regresní modely a citlivostní analýza jsou použity pro střednědobou
predikci vývoje trhu.
1.5. Očekávané přínosy disertační práce

Mezi očekávané přínosy disertační práce lze řadit:
- potvrzení funkčnosti českého trhu s průmyslovými nemovitostmi v souladu s modely trhu

s komerčními nemovitostmi známými ze zahraniční odborné literatury;
- analýza druhého cyklu českého trhu s průmyslovými nemovitostmi;
- odhad efektivního nájemného pomocí základního nájemného a faktoru nepronajatosti;
- odhad ziskovosti developmentu a potvrzení souvislosti developerské ziskovosti s novou
výstavbou;
- analýza trhu s průmyslovými nemovitostmi v Praze a v mimopražských lokalitách;
- zhodnocení výhodnosti financování průmyslových nemovitostí v EUR ve srovnání
s financováním v CZK pomocí reálné výnosnosti.
13
V závěrečné části budou nastíněny možnosti dalšího výzkumu. V každém případě je důležité
pracovat na pravidelně doplňované databázi průmyslových nemovitostí, která bude sledovat
veškeré základní vlastnosti každé nemovitosti včetně pravidelně doplňovaných informací o tržní
hodnotě nemovitostí získaných z ocenění těchto nemovitostí nebo z transakcí s nimi poskytnutých
na bázi dobrovolnosti. Databáze by přinesla další materiál pro studium tržní hodnoty. Do té doby
bude vhodné alespoň zajistit objektivizaci zjištění tržní hodnoty nejlepšího prostoru na základě širší
spolupráce expertů v oboru. Indexy by v takovém případě byly odvozeny od indikací všech znalců,
kteří se zabývají tržním oceňováním průmyslových nemovitostí.
14
2. Přehled relevantní odborné literatury

Seznámení se s výsledky dosavadního, zejména zahraničního, výzkumu na poli trhu s nemovitostmi
a na poli indexů trhu s nemovitostmi je nutnou podmínkou úspěchu této studie, a proto je před
začátkem práce na konstrukci tržního modelu potřebné podrobně prozkoumat možnosti, které se
v odborné literatuře nabízí v kontextu českého trhu s průmyslovými nemovitostmi.
První část druhé kapitoly je věnována literatuře, která se zabývá modely trhu s nemovitostmi a
modely indexů tržní hodnoty nemovitostí a indexů nájemného (základního i efektivního)
v komerčních nemovitostech. Druhá část je věnována literatuře týkající se specifických vlastností
průmyslových nemovitostí a trhu s nimi, jelikož průmyslové nemovitosti jsou svébytnou kategorií
komerčních nemovitostí, a jejich charakteristice je nutno analýzu přizpůsobit.
2.1. Indexy tržní hodnoty nemovitostí

Na začátku úvah nad sledováním trhu s nemovitostmi pomocí konstrukce indexu tržní hodnoty si
uvědomme, že jakákoliv jednotlivá metoda stavby indexu má koncepční a praktické slabiny. Svět
komerčních nemovitostí a jejich výzkum naráží na hranice časových řad, které jsou i na vyspělých
trzích limitovány svou kvalitou, kvantitou a dostupností dat (Fisher et al, 1994). Sledování trhu
s komerčními nemovitostmi pomocí indexů je složitější než u jiných druhů investičních aktiv,
jelikož nemovitosti jsou heterogenní ze své podstaty (specifika lokality) a srovnatelnost transakcí
s nimi je diskutabilní (Geltner, 2014). Na rozdíl od jiných aktiv je těžší získat dostatečně velké
množství kvalitních dat, protože obchody s nemovitostmi jsou často privátní a neexistuje
centralizovaná databáze všech transakcí. Každá transakce je jedinečná, a proto se i obchodní
podmínky mezi transakcemi liší.
Nemovitostní trhy nejsou tudíž informačně stejně efektivní v pojetí efektivnosti trhu dle Fama
(1970) jako trhy ostatních, standardizovanějších, aktiv, a proto je předpoklad nepředvídatelnosti
vývoje v případě výnosů z nemovitostí v rozporu se skutečností. Tržní hodnota komerčních
nemovitostí se totiž přizpůsobuje tržním informacím líně a pomalu, nevyhoví proto často ani
efektivnosti ve slabé formě (Fisher et al, 1994). Atteberry a Rutherford (1993) dochází ke stejnému
závěru i pro případ trhu s průmyslovými nemovitostmi, jelikož transakční ceny dle jejich zjištění na
tomto trhu nereflektují informace dostupné v minulosti.
K dovršení těžkostí při sestavování indexu tržní hodnoty nemovitostí, obchody s nemovitostmi
probíhají s malou frekvencí a nepravidelně. V případě medvědího trhu vlastníci nemovitostí
mnohdy dokonce přestanou prodávat a objem transakcí klesá na minimum (Bokhari a Geltner,
15
2010), poklesy tržní hodnoty přichází pomaleji než růsty (a právě proto jsou investice do
nemovitostí stabilní a vyhledávané – pozn. autora). Poptávka na investičním nemovitostním trhu
se pohybuje rychleji než nabídka a objem transakcí je proměnlivý a silně procyklický. Objem
transakcí, který odráží likviditu trhu, se totiž pohybuje o něco dříve než cena, nicméně se pohybuje
stejným směrem. V této souvislosti je nutno si uvědomit, že volatilita a cykličnost pohybů tržních
hodnot nemovitostí je spíše dána pohyby na kapitálových trzích než pohyby základního
nájemného, resp. pohyby čistých provozních příjmů z nemovitosti (Chaplin, 1997). Základní
nájemné je smluvně zafixováno na období několika let (na trhu s průmyslovými nemovitostmi jsou
standardně nájemních smlouvy podepisovány na 5 a více let – poz. autora) s indexační doložkou (v angličtině
„indexation clause“) a je očištěno o náklady spojené s provozem. Případné výkyvy dané poptávkou
a nabídkou na trhu s prostory jsou často kompenzovány vyšší či nižší úrovní pobídek poskytnutých
pronajímateli nájemcům ve formě nájemních prázdnin či příspěvků na dovybavení. Volatilita tržní
hodnoty nemovitosti je tudíž dána kapitálovým trhem, který reaguje rychleji na změny v celé
ekonomice, než na ně reagují nájemní vztahy a nájemní podmínky.
Většina nemovitostních indexů je dostupná na čtvrtletní nebo roční bázi, existují i indexy na bázi
měsíční, kratší frekvence není s ohledem na nedostatek evidence možná. Dle Geltner a Ling (2006)
existuje při konstrukci indexu tržní hodnoty nemovitostí směna mezi frekvencí indexu a tzv.
šumem (v angličtině „transaction price noise“), který vyplývá buď z nahodilosti nebo z rozdílu mezi
transakčními cenami a tržní hodnotou. Konstrukce nemovitostního indexu musí zohlednit
frekvenci jeho vykazování. Vyšší frekvence na jednu stranu znamená aktuálnější informace
v průběhu kratšího období, na druhou stranu znamená i vyšší šum, a vice versa (Fuerst et al 2015).
Indexy s vyšší frekvencí sice umožňují provést sofistikovanější ekonometrickou analýzu, proto jsou
důležité pro rozvíjející se trhy, na kterých jsou k dispozici jen krátké časové řady, ale znamenají i
vyšší chybovost vůči tržní hodnotě. Bokhari a Geltner (2010) přišli ve své studii s metodou
konverze indexu s malou frekvencí na index s vyšší frekvencí pomocí matic a uzavírají, že období
s vyšším objemem transakcí by v indexu mělo mít vyšší váhu než období s menším objemem
transakcí.
Dle Geltner (2014) jakýkoliv index tržní hodnoty nemovitostí musí odrážet i objem transakcí,
jelikož jeho vývoj by byl jinak nesrovnatelný mezi býčím a medvědím trhem. Velikost databáze
nemovitostí má svůj vliv na kvalitu indexu, přičemž vypovídací schopnost indexu a velikost vzorku
souvisí s velikostí zkoumaného regionu. Menší velikost regionu bude sice znamenat vyšší přesnost
indexu (Boudry et al, 2012), na druhou stranu bude narážet na dostatek relevantních transakčních
dat, jelikož ve větším regionu je značná šance, že se poptávka a nabídka potkají, a četnost transakcí
16
je zde tudíž vyšší. Boudry et al (2012) potvrzují, že menší počet pozorování v rámci jimi
konstruovaného transakčního indexu způsobuje jeho vyšší volatilitu. S ohledem na tento fakt je
v této studii Česko rozděleno jen na dva regiony, dělení dle krajů by naráželo na nedostatek
podkladových informací (pozn. autora). Ve stejné studii Boudry et al (2012) dovozují, že indexy mají
lepší vypovídací schopnost, pokud jsou sledovány pro každý typ nemovitosti zvlášť (důležitá je
v tomto ohledu standardizace – pozn. autora), což na druhou stranu omezuje velikost zkoumané databáze.
S ohledem na výše uvedené se výzkum nemovitostních indexů tržní hodnoty rozvinul ve dvou
základních větvích: výzkum indexů založených na ocenění podkladových nemovitostí a výzkum
indexů založených na skutečných transakcích. Hybridní modely indexů jsou odvozené z těchto
dvou přístupů. Zvláštní kategorií jsou potom indexy založené na cenách veřejně obchodovatelných
podílů ve fondech, které se specializují na investice do nemovitostí. Volba adekvátní metody
konstrukce indexu z podkladových nemovitostí hraje klíčovou roli v analýze vývoje a výkonnosti
trhu s nemovitostmi, přičemž důležitým faktorem při výběru je tzv. hustota vzorku, která se
vypočte dle Vzorce 1 (Geltner a Ling, 2006):
𝒑𝒇
𝒏= (1)
𝒎
, kde je
n…hustota vzorku,
p…počet nemovitostí ve vzorku,
f…frekvence ocenění nebo transakcí,
m…frekvence reportování indexu.
Kvalita indexu, který je reportován s určitou frekvencí, se zvyšuje s frekvencí ocenění či transakcí,
s počtem nemovitostí ve vzorku a s lepší metodologií konstrukce indexu. Frekvence reportování
má ve světě nemovitostí největší smysl v čtvrtletních intervalech, jelikož ocenění a transakce
probíhají ve stejném časovém rámci. Čtvrtletní sledování vývoje tržní hodnoty a ostatních veličin
českého trhu s nemovitostmi je z tohoto hlediska optimální (pozn. autora).
Owusu-Ansah (2018) jmenuje následující atributy kvality indexu tržní hodnoty nemovitostí:
- kvalitní data z reprezentativního vzorku, který vylučuje selektivnost;

- standardní výstupy, jejichž charakteristiky se v čase nemění;
- jednoduchost a transparentnost užití indexu;
17
- neměnnost v historických datech při revizích indexu, které je nutno čas od času udělat, aby
index nepozbyl své aktuálnosti.
V každém případě Fisher et al (1994) doporučují sledovat hned několik indexů tržní hodnoty
s různou strukturou výpočtu a hustotou vzorku najednou, jedině tak jsou experti schopni vnímat
skutečný stav a vývoj nemovitostního trhu. Z tohoto závěru lze dovodit, že sledování trhu
s prostory pomocí širší palety indexů přispívá k pochopení skutečného obrazu trhu s nemovitostmi
a jejich tržní hodnoty (pozn. autora).
2.1.1. Indexy založené na ocenění nemovitostí

Nejznámějším příkladem indexu založeného na ocenění podkladových nemovitostí je Russell-
NCREIF index (RN). Index vydává „National Council of Real Estate Investment Fiduciaries“
(NCREIF). Index vychází z ocenění cca 35 000 nemovitostí v hodnotě přes 543,5 miliard dolarů
s předpokladem financovaní vlastními zdroji (ve skutečnosti jsou některé financovány i dluhem – pozn.
autora). Tyto nemovitosti jsou v portfoliích institucionálních investorů, kteří jsou členy NCREIF.
Při podrobnějším zkoumání výsledků RN se potvrdily obavy odborníků ze zpoždění zejména

poklesů tržní hodnoty vůči skutečné situaci na trhu a z fenoménu, který je nazýván vyhlazení (v
angličtině „smoothing“). Vyhlazení vzniká v procesu ocenění znalci, kteří ocenění podkladové
nemovitosti připravují s ohledem na historický vývoj, s ohledem na veškeré dostupné vstupní
informace a s ohledem na očekávaný vývoj. Vyhlazení způsobuje snížení volatility indexů ve
srovnání s faktickou volatilitou skutečných tržních hodnot a výnosů. Vývoj indexů odvozených
z ocenění nemovitostí není za všech okolností shodný s vývojem transakčních cen nebo s vývojem
tržní hodnoty nemovitostí (Gohs, 2017).
Dle Fisher et al (1994) nízká volatilita indexů založených na ocenění způsobuje, že tyto indexy
nejsou schopny zaznamenat změnu trhu, pokud je začátek změny náhlý, a tím klesá jejich
použitelnost při investičním rozhodování. Geltner (1993a) k tomuto jevu uvádí, že jakýkoliv index
založený na oceněné tržní hodnotě nemovitostí je předmětem vyhlazení již v procesu oceňování
jednotlivé podkladové nemovitosti, a proto se výzkum musí zabývat procesy, které by s ohledem
na použitelnost vyhlazení z indexu odstranily. Na druhou stranu je otázkou, proč vyhlazení
z indexu odstraňovat, jestliže trh a investoři vyhlazení tržních hodnot nemovitostí anticipují, a
právě proto do nemovitostí investují (pozn. autora).
Nedokonalosti indexů založených na ocenění jsou pochopitelné, pokud se zamyslíme nad

průběhem oceňovacího procesu. Ocenění nemovitostí je pořizováno na základě zadání vlastníka či
správce portfolia, který má zájem uchovat stabilní tržní hodnotu portfolia nemovitostí bez potřeby
18
zajištění jeho likvidity, proto výsledek ocenění reportovaný pro účely RN nebo obdobných indexů
není nutně odrazem tržní hodnoty (Fisher et al, 1994). Obdobná praxe je i na českém trhu, na
kterém oceňovatel často přisuzuje tržní hodnotu nemovitosti pro účely financující banky, nicméně
zadání má od vlastníka či správce portfolia. Obě partnerské instituce mají zájem na stabilizaci tržní
hodnoty nemovitostí, a tudíž i na vyhlazení jejího vývoje (pozn. autora).
Vyhlazení je posíleno malou četností obchodů s nemovitostmi. V indexu RN jsou například

nemovitosti, se kterými se obchoduje jednou za 20 let. Oceňovatel v tomto případě při své práci
na ocenění každé takové jednotlivé nemovitosti naráží na nedostatek informací pro určení tržní
hodnoty nemovitosti ve specifickém čase ocenění, a má potřebu ji určit na základě racionálního
sloučení zaznamenaných transakčních cen z nejčerstvějších podobných transakcí a z tržní hodnoty
nemovitosti vnímané v minulosti (Gohs, 2017), vypočtená hodnota proto nemusí být totožná s
tržní hodnotu nemovitosti. V žádném případě nelze předpokládat, že dva oceňovatelé budou
schopni přijít ve stejném časovém okamžiku ke stejné hodnotě specifické nemovitosti a zároveň
každý oceňovatel zřejmě dospěje k hodnotě nemovitosti jiné, než je její hodnota tržní. Ocenění
jsou zatížena chybou, která však není odrazem nekompetentnosti oceňovatelů, jejich nedbalosti
nebo jimi nevhodně zvolené metody, je naopak odrazem jejich subjektivního přístupu k ocenění a
podmínek, které ocenění ohraničují (Geltner a Ling, 2006).
Quan a Quigley (1991) tento jev nepovažují za chybu v ocenění samotném, jedná se dle jejich
názoru o nejistotu související s nedokonalostí dostupných dat o současných tržních hodnotách
nemovitostí. S touto nejistotou se oceňovatelé musí v procesu ocenění vypořádat. Quan a Quigley
(1991) svůj model ocenění definují následovně:
𝑽𝒕 = 𝜶𝒕 𝑴𝒕 + (𝟏 − 𝜶𝒕 )𝑽𝒕−𝟏 (2)
, kde je
Vt…současná oceněná hodnota nemovitosti v čase t, kde t=1,…,T;
Mt…současná průměrná transakční cena v čase t, kde t=1,…,T;
αt…odhadní váha, kde αt ∈ (0,1);
1- αt…faktor vyhlazení.
Obdobná chyba vzniká i v reálných transakcích, jelikož žádná ze stran v důsledku nedostatku
informací neví, za kolik by se měla nemovitost obchodovat, aby odpovídala její tržní hodnotě.
Jedna ze stran obchodu vždy udělá o něco lepší a jedna ze stran o něco horší obchod, žádná ze
19
stran ale neví, zda si polepšila nebo pohoršila vůči tržní hodnotě. O tržní hodnotě lze tudíž
uvažovat jako o průměru ex ante transakčních cen s pravděpodobnostním rozdělením k určitému
času (Geltner a Ling, 2006):
𝑷𝒊,𝒕 = 𝑽𝒕 + 𝜺𝒊,𝒕 (3)
, kde je
Pi,t…transakční cena i-té nemovitosti v čase transakce t,
Vt…tržní hodnota v čase transakce t,
εi,t…náhodná chyba v transakční ceně i-té nemovitosti v čase transakce t.
Ocenění, stejně jako transakční ceny, jsou empiricky pozorovatelné veličiny, které se vyskytují jen
k určitému času, kdežto tržní hodnota každé nemovitosti existuje ke každému okamžiku a mění se
spojitě v čase, protože relevantní informace přicházejí nepřetržitě. Při úvahách nad tržní hodnotou
konkrétní nemovitosti by se proto oceňovatel měl při posuzování referenční transakce zabývat
možnými nahodilými chybami, které vznikají z důvodu heterogenity nemovitostí, asymetrie při
jednání mezi stranami referenční transakce nebo ze specifických důvodů každé ze stran
uskutečněné transakce. V každém případě by oceňovatel dle Quan a Quigley (1991) měl v případě
nejistoty vyplývající z nejaktuálnější transakce tuto transakci nebrat při ocenění v úvahu.
Oceňovatel průmyslových nemovitostí také musí mít přístup k informacím o nepronajatosti na
daném trhu, o provozním zisku nájemce a jeho změně s ohledem na změnu tržeb, reprodukčních
nákladech nemovitosti, o současném stáří a o celkovém ekonomickém životě nemovitosti
(Crawford a Slade, 2001).
Dle Fisher et al (1994) všechny tyto faktory v konečném důsledku vedou oceňovatele při ocenění
k vyhlazení, které se propisuje do nemovitostního indexu. Bond a Hwang (2007) přichází na
základě provedené analýzy k závěru, že indexy založené na ocenění nejsou vyhlazeny, resp. že jejich
volatilita není snížena, směrem k tržní hodnotě, která může mít vyšší, nižší nebo stejnou volatilitu
jako index.
Vyhlazení může být způsobeno i agregací oceněných hodnot individuálních nemovitostí do indexu.
Náhodné odchylky jsou v indexu vyrušeny diverzifikací portfolia podkladových nemovitostí. Gohs
(2017) ve své studii uvádí fenomén časové agregace, který vzniká spojením nesynchronnosti
ocenění a jeho tak zvané zatuchlosti. Nesynchronnost (v angličtině „non-synchronous“) vzniká,
jelikož oceňovatelé neoceňují všechny nemovitosti ve stejný čas, tzn. ke konci období, ale
v průběhu sledovaného období nebo v určité části období o délce několika dní. Tržní hodnoty
20
nemovitostí jsou však pro účely výpočtu indexu reportovány ke konci sledovaného období.
Zatuchlost (v angličtině se používá výraz „stale“) je odrazem faktu, že se některé nemovitosti
oceňují nepravidelně, lépe řečeno, ne všechny nemovitosti se oceňují v každém sledovaném
období, například v důsledku nezměněných podmínek. Mezi náhodnou odchylkou a časovou
agregací existuje směna, nelze se tudíž vyhnout oběma odchylkám zároveň (Geltner, 1993a).
V této souvislosti zmiňují některé studie sezónnost v ocenění (Gohs, 2017), jelikož velká část
nemovitostí je oceňována v posledním kvartále kalendářního roku, a tudíž systematické změny
tržní hodnoty nastávají především v tomto období. Přecenění v tomto případě není způsobeno
ekonomickými faktory, ale požadavky na ocenění.
V zájmu zachování použitelnosti indexů založených na ocenění podkladových nemovitostí se

výzkum zaměřil na formulaci metod, které napravují výše uvedené nevýhody a zpřístupňují tento
typ indexů k použití v praxi oceňování a správy portfolií. Tímto výzkumem se kromě Geltner
(1991, 1993a) zabývá mnoho autorů, mezi jinými Ross a Zisler (1991), Chaplin (1997), Gohs (2017).
Klasifikaci těchto metod provedl Gohs (2017), který je dělí na následující základní přístupy –
metody opravy nemovitostního indexu založené na nulové autokorelaci, metody založené na
procesu zpětné konstrukce nemovitostního indexu a metody založené na změnách režimu.
2.1.1.1. Metoda opravy nemovitostního indexu založená na nulové autokorelaci

Metoda opravy nemovitostního indexu pomocí nulové autokorelace vznikla na základě Fama
(1970) a jeho hypotézy efektivního trhu. Ve slabé formě, která je některými autory na trhu
nemovitostí předpokládána, tržní hodnoty obsahují všechny informace, které lze získat z
historických dat, a proto nelze předvídat budoucí pohyb, jelikož změna je náhodná, a tudíž vývoj
tržní hodnoty není ovlivněn autokorelací. Mezi metody vycházející z nulové autokorelace patří
postupy dle Blundell a Ward (1987) a Fisher et al (1994). Chaplin (1997) kritizuje tyto modely pro
jejich předpoklad stálé odchylky mezi transakčním a tržním šumem a sdílí názor, že odchylka mezi
oceněním transakční cenou není u zkušeného oceňovatele na úrovni +/- 10 procent, ale spíše na
úrovni +/- 20 procent, jak ukazuje studie Adair et al (1996). Cho et al (2003) se ve své analýze
zamýšlí i nad rozdělením nominální tržní hodnoty, která je předmětem ocenění, na reálnou a
inflační složku.
2.1.1.2. Metoda opravy nemovitostního indexu pomocí zpětně konstrukce

Metoda opravy pomocí zpětné konstrukce se snaží zrekonstruovat vztah mezi výnosem tržním a
indexovým. Tento rekonstruovaný vztah je následně využit pro opravu časové řady indexu
založeného na ocenění podkladových nemovitostí. Bond a Hwang (2007) dovozují, že vyhlazení z
21
důvodu nesynchronního oceňování je v rámci modelu autoregresního frakcionálně integrovaného

procesu klouzavých průměrů zastoupen klouzavým průměrem, přičemž parametr autoregrese
reflektuje stálost tržní složky hodnoty, která je stejná pro všechny nemovitosti.
2.1.1.3. Metoda opravy nemovitostního indexu založená na změnách režimu

Lizieri et al (2010) rozpracovali metodu opravy založenou na změnách režimu v rámci prahového
autoregresního modelu, ve kterém jedna nebo více exogenních proměnných ovlivňuje cílovou
proměnnou reprezentovanou indexem tržní hodnoty nemovitostí. Tento proces opravy
nemovitostního indexu rozpracoval Wang (1998).
2.1.2. Indexy založené na reálných transakcích

Mezi nejznámější transakční indexy patří TBI (Transaction Based Index), který vytvořil
Massachusetts Institute of Technology a indexy založené na databázi IPD (Investment Property
Databank), kterou provozuje společnost MSCI, a kterou tvoří 22 530 nemovitostí a 970 portfolií
nemovitostí s celkovou kapitalizací 202,2 miliard liber. Tyto indexy řeší problém vyhlazení u indexů
založených na ocenění, jejich použitelnost je limitována nedostatkem transakčních dat, který
způsobuje zkreslení při výpočtu takového indexu.
Geltner (2014) v této souvislosti uvádí, že sledování trhu s komerčními nemovitostmi je složitější
než u jiných druhů aktiv, jelikož toto aktivum je heterogenní napříč lokalitami a jelikož je těžší
sledovat a získávat dostatečně velké množství dat. Obchody s nemovitostmi jsou často privátní a
probíhají formou transakce s podíly společností, které nemovitosti vlastní. Na rozdíl od jiných aktiv
neexistuje centralizovaná databáze a transakční místo, obchody probíhají s malou frekvencí, na
trzích s malým počtem hráčů s vysokou koncentrací hodnoty, nepravidelně a s vysokými
transakčními náklady. Všechny tyto faktory komplikují konstrukci a použitelnost indexů tržní
hodnoty nemovitostí na transakční bázi.
Geltner a Ling (2006) shrnují, že i přes určité nevýhody jsou transakční indexy lepším ukazatelem
trhu, jelikož celková odchylka mezi hodnotou indexu a tržní hodnotou je u těchto indexů menší
než v případě indexů založených na ocenění (na trhu s malým počtem významných hráčů a s nízkou
frekvencí transakcí tento závěr nemusí platit – pozn. autora). Transakční indexy se dle konstrukce dělí na
indexy založené na průměru, hédonické indexy, indexy založené na opakovaných transakcích a
hybridní modely.
2.1.2.1. Indexy založené na průměru

Indexy založené na průměru jsou nejjednodušším způsobem sledování změn ceny podkladových
nemovitostí, ať již se jedná o medián, aritmetický nebo geometrický průměr. Jejich konstrukce je
22
jednoduchá a zároveň jejich užití neklade přílišné nároky na velikost databáze. V případě použití
této metody je nutno zvolit co možná nejhomogennější skupinu podkladových nemovitostí.
Heterogenita nemovitostí je největší slabinou těchto indexů, stejně jako nedostatek plynoucí
z časového nesouladu transakcí (Owusu-Ansah, 2018).
2.1.2.2. Hédonický nemovitostní model

Příkladem hédonického indexu s dostatečně dlouhou nepřerušenou historií je index, který
publikuje Verband Deutscher Pfandbriefbanken. Hédonický model nemovitostního indexu
vychází z prací Lancastera (1966) a Rosena (1974) a zachycuje heterogenitu nemovitostí pomocí
regrese ceny nemovitosti k jejím klíčovým faktorům a snaží se nahradit oceňovací proces procesem
ekonometrickým. Hédonická funkce tudíž přiřazuje pomocí koeficientu každé jednotlivé vlastnosti
nemovitosti podíl na její celkové transakční ceně, i když cena každé takové vlastnosti není zvlášť
měřitelná. Ani ten nejlepší hédonický model však vyhlazení a časovou agregaci neodstraňuje, jelikož
transakce za celý rok jsou použity k odhadu tržních hodnot v jednom časovém bodě (Fisher et al,
1994).
Hédonický model je citlivý na množství a kvalitu dat sebraných o klíčových vlastnostech

nemovitostí v databázi. Anas a Eum (1984) kromě standardních hédonických vlastností, jako jsou
charakteristiky nemovitosti a lokalita, přidávají do regresní funkce makroekonomické proměnné a
historické průměrné transakční ceny nemovitostí stejné kategorie v okolí. Atteberry a Rutherford
(1993) potvrdili v této souvislosti vliv měnové báze jako makroekonomického ukazatele změny cen
průmyslových nemovitostí. Kauko (2002) popisuje ve formě Diagramu 1 vlastnosti, které ovlivňují
tržní hodnotu nemovitosti a které by neměly chybět v jakémkoliv hédonickém modelu.
Diagram 1: Atributy tržní hodnoty nemovitosti jako podkladu hédonického modelu
Tržní hodnota
nemovitosti
Vlastnosti související s lokalitou Strukturální vlastnosti
Dostupnost Kvalita okolí Velikost pozemku Podlahová plocha Stáří Stav Specifikace
Obecné (v rámci Individuální Socioekonomické Životní prostředí Kvalita veřejného

užití dle územního a demografické školství
plánu) vlastnosti
23
Centrum Veřejné služby Obchodní Veřejná doprava Lékařská péče

zaměstnanosti jako jsou školy centrum
Zdroj: Owusu-Ansah (2018) interpretace Kauko (2002)
Nevýhodou hédonického modelu je, že podkladová databáze nikdy nebude obsahovat celistvý
souhrn všech vlastností všech nemovitostí daného typu (Fuerst et al, 2015), což se může projevit v
chybě dané nesprávnou interpretací charakteristik nemovitostí v databázi (Butler, 1982). Další
nevýhodou hédonického modelu je selektivní výběr atributů, resp. parametrů hédonické funkce,
které nemusí v celé šíři popisovat vlastnosti nemovitostí v databázi, a tudíž nejsou schopny popsat
náhodné vlastnosti nemovitostí (Härdle, 1990).
Nevýhodou hédonických indexů je i jejich heteroskedasticita, totiž že směrodatná odchylka,

respektive rozptyl, jsou závislé na jednom parametru a jsou tudíž nehomogenní. Směrodatná
odchylka se mění napříč různými segmenty nemovitostí, které nelze jednoduše oddělit.
Heteroskedasticita v ekonomických modelech způsobuje nespolehlivé odhady a neefektivní testy
hypotéz (Robinson, 1987). Ambrose (1990) uvádí, že směrodatná odchylka se liší například dle
velikosti budovy – směrodatná odchylka u hal ve velikosti cca 10 000 m2 je vyšší než směrodatná
odchylka u hal o velikosti cca 1,000m2. Jinými slovy rozdíl mezi cenami hal o velikosti cca 10 000
m2 a cca 9 000 m2 je menší, než mezi cenami hal o velikosti cca 10 000 m2 a cca 1 000 m2. Indexy
musí být kalkulovány a reportovány specificky pro každý typ nemovitosti zvlášť (Boudry et al,
2012) včetně segmentace dle velikosti.
V neposlední řadě je u hédonických indexů problematická multikolinearita mezi vysvětlujícími

proměnnými, je tudíž složité najít nezávislou proměnnou, která nejlépe vysvětluje přírůstky
hodnoty nemovitosti. Existence multikolinearity sice ztěžuje zamítnutí nulové hypotézy a stanovení
koeficientů regresní funkce, nesnižuje spolehlivost modelu (Wooldridge, 2009).
Většina studií se z databáze, která obsahuje charakteristiky nemovitostí a jejich transakční ceny,
snaží nalézt hédonickou regresní funkci, která obsahuje časovou kontrolní proměnnou. Dle Gatzlaf
a Holmes (2013) lze standardní logaritmický zápis regresní funkce hédonického cenového modelu
zapsat následovně:
𝒍𝒏𝑷𝒊𝒕 = ∑𝒌𝒋=𝟏 𝜷𝒋 𝒍𝒏 𝑿𝒋𝒊𝒕 + ∑𝑻𝒕=𝟏 𝜶𝒕 𝑫𝒊𝒕 + 𝜺𝒊𝒕 (4)
, kde je
Pit…transakční cena nemovitosti i v čase t, kde i=1,…,n, a t=1,…,T;

24
Xjit…hédonická vlastnost s vektorovými koeficienty j=1,…,k;
Dit…časová kontrolní proměnná s koeficientem αt (poměr oceněné hodnoty k tržní hodnotě), kdy
Dit je rovno jedné, pokud v čase t proběhla s nemovitostí i transakce, jinak je rovna nule;
εit…náhodná chyba s průměrem 0 a odchylkou 𝜎𝑒2 .
Tento model implicitně předpokládá, že trh je v rovnováze, což je zpochybňováno. De Leeuw a

Ekanem (1971) v této souvislosti dovozují, že trh s nemovitostmi se odchyluje od rovnováhy,
protože na tomto trhu jsou pomalé a nákladné procesy, které rovnovážný stav v podstatě vylučují.
Crosby a McAllister (2004) například indikují u nemovitostních transakcí ve Velké Británii 62 dní
jako medián délky období mezi dohodou na transakční ceně a podpisem smluvní dokumentace a
dalších 19 dní mezi podpisem a vypořádáním transakce. Obdobnou délku nemovitostních transakcí
zaznamenáváme i v našem regionu (pozn. autora). Časový bod, ve kterém je možno považovat
nemovitostní transakci za uzavřenou a cenu za danou, je tudíž značně rozostřen, doplňují Crosby
a McAllister (2004). V českém prostředí je v tomto smyslu průkopnickou práce Hlaváček a
Komárek (2010), která se zabývá identifikací bublin na trhu s rezidenčními nemovitostmi pomocí
jednoduché a panelové regrese.
Hédonické indexy lze rozdělit na řetězové a hromadné. Výhodou řetězového hédonického modelu
dle Geltner (2014) je, že je fixován v čase a nevytváří zpětné historické revize, jelikož index je
kalkulován na bázi dat z běžného období. Na druhou stranu tento index je značně náročný na
dostupnost velkého množství dat a rovněž v tomto případě je nutno stanovit tzv. reprezentativní
nemovitost. Hromadné hédonické indexy jsou sice méně náročné na množství vstupních dat, jejich
omezením je neměnnost relativních cen nemovitostí, proto tyto indexy poskytují méně
strukturních informací a vytváří možnost pro historické revize. Nejčastěji se v odborné literatuře
používají hromadné indexy s časovou kontrolní proměnnou.
Hédonické nemovitostní indexy jsou předmětem mnoha analýz a studií, které vedou k jejich
snadnější použitelnosti a ke zlepšené vypovídací schopnosti. Deng et al (2011), McMillen (2012) a
Guo et al (2014) se zabývají technikami relevantní manipulace s daty před samotnou regresí
například rozšířením velikosti vzorku. McMillen a Dombrow (2001), Francke a Vos (2004) a
Francke (2008) přichází s parametrizací časových řad a Pace et al (1998), LeSage a Pace (2010) a
Chegut et al (2015) zase s technikami založenými na úpravách indexu po regresi například pomocí
úpravy proložením trendové křivky (Hodrick a Prescott, 1997) nebo pomocí již dříve zmíněné
četnostní konverze (Bokhari a Geltner 2012).
25
2.1.2.3. Modely nemovitostních indexů založené na opakovaných transakcích

Alternativou k hédonickým indexům jsou transakční modely indexů založené na opakovaných
transakcích. Podstatou transakčních modelů je změření rozdílu hodnoty stejné nemovitosti
v daném časovém období za předpokladu neměnných hédonických vlastností, množství dat
potřebných k výpočtu indexu je tudíž ve srovnání s řetězovým hédonickým indexem minimální.
Stálost hédonických vlastností nemovitosti v čase je však diskutabilní. Dle Geltner (2014) se v praxi
tento typ indexů prosadil vůči ostatním typům, jelikož jsou poměrně transparentní a jednoduše
pochopitelné pro jejich uživatele. Nespornou výhodou transakčních indexů ve srovnání
s hédonickými indexy je eliminace problému se selekcí hédonických vlastností nemovitosti. Na trhu
s nízkou frekvencí opakovaných transakcí je tento model neaplikovatelný (pozn. autora).
Fuerst et al (2015) připomíná, že index založený na opakovaných transakcích obsahuje pouze

nemovitosti, se kterými bylo obchodováno za sledované období více než jednou, a tudíž
v podkladové databázi probíhá výběr vzorku, který nebyl určen náhodně nýbrž selektivně (Gatzlaf
a Holmes, 2013). Například na českém trhu proběhly vícenásobné transakce jen s nemovitostmi
mimo nejlepší lokality a často jen v portfoliích, takže změna ceny v čase buď není pro trh
signifikantní nebo ji nelze oddělit a samostatně měřit (pozn. autora). Clapp a Giaccotto (1992) se
s tímto problémem vyrovnali použitím odhadu hodnoty (v angličtině „assessed value“) nemovitosti
na začátku zkoumaného období jako aproximaci transakční ceny, a jejich model má proto
následující funkční zápis:
𝐥𝐧𝐏𝐢𝐭 = 𝐥𝐧𝐀𝐕𝐢𝟎 + ∑𝐓𝐭=𝟏 𝛂𝐭 𝐃𝐢𝐭 + 𝛆𝐢𝐭 (5)
, kde je
Pit…transakční cena nemovitosti i v čase t, kde i=1,…,n, a t=1,…,T;
AVi0…odhad hodnota nemovitosti i v čase 0;
Dit…časová kontrolní proměnná s koeficientem αt (poměr oceněné hodnoty k tržní hodnotě), kdy
Dit je rovno jedné, pokud v čase t proběhla s nemovitostí i transakce, jinak je rovna nule;
εit…náhodná chyba s průměrem 0 a odchylkou 𝜎𝑒2 .
Bourassa et al (2013) se zamýšlí nad vlivem nucených prodejů nemovitostí, které jsou často
prodávány se slevou a které vývoj transakčních indexů zkreslují. Obdobný problém představují
často obchodované nebo tak zvaně rychle otočené nemovitosti, jelikož jejich relativní přínos
k vývoji indexu je vyšší než u jiných méně často obchodovaných nemovitostí (Geltner, 2014).
26
Transakce v každém období rovněž nemusí být pro trh plně reprezentativní (Costa a Cazassa,
2018).
Ziering a McIntosh (1999) zkoumají vztah výše hodnoty a výnosnosti nemovitostí. Z jejich analýzy
vyplývá, že tzv. trofejní nemovitosti mají vyšší a volatilnější výnos. Gatzlaf a Holmes (2013) tento
závěr ve své studii potvrzují a uvádějí, že změny hodnot institucionálních, dle Geltner (2014)
bezrizikových, nemovitostí jsou zásadně odlišné od nemovitostí neinstitucionálních. Boudry et al
(2012) k tomu uvádějí, že větší nemovitosti s vyšší celkovou tržní hodnotou se zhodnocují pomaleji
než nemovitosti menší s nižší celkovou tržní hodnotou.
U transakčních indexů je, z důvodu jiného chování hodnoty a výnosů u různých typů nemovitostí,
zaznamenána heteroskedasticita stejně jako u hédonických modelů. Dalším důvodem pro
heteroskedasticitu transakčních indexů je nesouměrná délka času mezi transakcemi. Podobný
negativní vliv na vypovídací hodnotu transakčních indexů způsobený délkou transakční doby u
větších nemovitostí zmiňuje studie Boudry et al (2012). Case a Schiller (1987) pro řešení navrhují
systém vah v závislosti na velikosti hodnoty nemovitosti, kterým se snaží tomuto jevu při výpočtu
transakčního indexu vyhnout.
2.1.2.4. Hybridní modely nemovitostních indexů

Case a Quigley (1991) představili hybridní model, který je průnikem hédonických modelů a modelů
založených na opakovaných transakcích, a který má ambici odstranit nevýhody obou těchto
přístupů. Jejich hybridní model odstraňuje předpoklad konstantních hédonických vlastností,
nicméně problémy spojené s oběma přístupy zůstaly především z důvodu nesprávné interpretace
hédonických vlastností nemovitosti a z důvodu nucených prodejů a rychle otočených nemovitostí.
Problém nedostatku dat u hybridních indexů přetrvává.
2.1.3. Indexy založené na výnosech veřejně obchodovatelných podílů REIT

Indexy založené na pohybu ceny veřejně obchodovatelných podílů ve fondech, které se specializují
na investice do nemovitostí, jsou zajímavou alternativou k výše uvedeným modelům. Mezi typické
představitele takového indexu patří index vývoje výnosů vážených dle hodnoty všech hlavních
fondů typu REIT, který vydává National Association of Real Estate Investment Trusts (NAREIT)
ve Spojených státech.
Nespornou výhodou těchto indexů je dostatek transparentních a homogenních informací pro jejich
výpočet. Na druhou stranu trh s podíly REIT je postaven na úplně jiných základech než
nemovitostní trh. Trh s podíly REIT je tvořen spoustou malých individuálních investorů v aukčním
systému, proto je tento trh tolik likvidní. Naopak trh s komerčními nemovitostmi je tvořen
27
relativně úzkou skupinou velkých institucionálních hráčů, kteří provádí jednotlivé transakce
v nepoměrně větším objemu. Z podstaty obchodování s podíly REIT vyplývá, že v indexech
založených na výnosech REIT je obsažen tržní šum související s trhy s cennými papíry nikoliv
s hodnotou nemovitostí. Výnosy podílů REIT mimo jiné obsahují i hodnocení investiční strategie
a manažerské schopnosti správců portfolií ze strany investorů.
Fisher et al (1994) uvádí, že trhy s podíly REIT jsou rychlejší v agregování informací než privátní
trhy, které se zpožďují, jelikož institucionální investoři na privátním trhu drží nemovitosti, dokud
jim kupující nenabídne cenu dle ocenění (nebo dle požadavku na minimální výnosnost investovaného kapitálu
– pozn. autora). V důsledku vývoj indexů založených na REIT předbíhá vývoj trhu s nemovitostmi.
Ling et al (2000) tuto myšlenku rozpracovali a přišli s modelem, který váže vývoj tržního výnosu
nemovitostí v indexu na latentní proměnnou ve formě časové řady výnosů veřejně obchodovaných
podílů REIT.
2.1.4. Indexy nájemného v nemovitostech

Modely indexů nájemného (základního či efektivního) v průmyslových nemovitostech podléhají
stejné klasifikaci a mají stejné vlastnosti jako indexy tržní hodnoty těchto nemovitostí. Celková
tržní hodnota nemovitosti může být dekomponována na čistý provozní příjem, který je tvořen
základním nájemným očištěným o provozní náklady, a na kapitálový výnos (Costa a Cazassa, 2018),
a proto je vývoj základního nájemného obsažen i v indexech tržní hodnoty nemovitostí. Fuerst et
al (2015) zmiňuje podstatný vliv nájemních podmínek na tržní hodnotu nemovitosti. Přestože
Geltner (2014) uvádí, že volatilita a cykličnost pohybů cen nemovitostí je spíše dána pohyby na
kapitálových trzích než pohyby provozních příjmů z nemovitosti, je vhodné shrnout poznatky o
vývoji základního nájemného a z něj odvozených indexů, jelikož trh s nájemními prostory je
s kapitálovým trhem úzce svázán.
Na trhu s moderními nájemními průmyslovými prostory, jehož vývoj indexy nájemného

(základního i efektivního) sledují, působí na stranu poptávky po nájemním prostoru různé faktory
na agregátní a místní úrovni. Na agregátní úrovni jde především o expanze a kontrakce stávajících
průmyslových odvětví, vznik nových společností, měnící se metody a technologie výroby a
skladování a měnící se produktivita (Thompson a Tsolacos, 1999). Na místní úrovni jde zejména o
skladbu místních průmyslových odvětví a dostupnou infrastrukturu. Na obou úrovních působí
makroekonomické faktory, které lze popsat vývojem HDP a zaměstnaností v průmyslu
(Thompson a Tsolacos, 1999). Tento závěr potvrdily i jiné studie jako například Tsolacos et al
(2005) a Buttimer et al (1997).
28
Studie Thompson a Tsolacos (1999) přišla s následující diferenciální rovnicí základního nájemného
v průmyslových nemovitostech:
∆𝟏 𝑹𝑬𝑵𝑻𝒕 = 𝜶𝟎 + ∑ 𝜶𝟏𝒊 ∆𝟏 𝑮𝑫𝑷𝒕−𝒊 + ∑ 𝜶𝟐𝒊 ∆𝟏 𝑬𝑴𝑷𝒕−𝒊 − ∑ 𝜶𝟑𝒊 ∆𝟏 𝑽𝑨𝑪𝒕−𝒊 + ∑ 𝜶𝟒𝒋 ∆𝟏 𝑹𝑬𝑵𝑻𝒕−𝒋 + 𝜺𝒕 (6)
pro i = 0, 1,…I a j = 0, 1,…J
, kde je
RENT…index nájemních cen upravený o inflaci deflátorem HDP v čase t resp. s prodlevou t-j;
GDP…je HDP v období t-i;
EMP…zaměstnanost v průmyslu v období t-i;
VAC… nepronajatost průmyslových prostor v období t-i a Δ1VAC je míra absorpce v čase t-i.
Vztah dle Vzorce 6 zkoumají na dvou odlišných indexech:
- Jones Lang Wooton Real Estate (JLWRE), který sleduje dosažitelné základní nájemné skutečných
nemovitostí pod správou k času pronájmu nebo přepronájmu pro nemovitosti větší než 1 500 m2
a
- CB Hillier Parker Real Estate (CBHPRE), který je založen na odborných odhadech očekávané
hodnoty tržního základního nájemného hypotetické nově postavené standardní budovy o velikosti
cca 5 500 m2 s průměrnou výškou 5.5 m, s dobrým přístupem a s dobrým vybavením pro nakládku
kamionů, s dostatečným parkováním a se službami dle tržního standardu.
Z analýzy vyplývá, že CBHPRE předbíhá vývoj JLWRE o dvě čtvrtletí a že jsou navzájem mírně
korelované. HDP má významný vliv na změny v základním nájemném za průmyslové prostory
z hlediska poptávky po prostorech, a to pět až šest čtvrtletí v případě indexu JLWRE a dvě čtvrtletí
v případě CBHPRE. Negativní vliv nepronajatosti, resp. absorpce, je spojen se zhoršující se pozicí
nájemců při jednání o nájemních podmínkách při snižující se nepronajatosti, resp. při zvyšující se
poptávce. Analýza identifikovala také paměť obsaženou v časové řadě základního nájemného,
resp. značnou autokorelaci mezi změnou současného základního nájemného a změnou základního
nájemného mezi předchozími obdobími. Vzorec 6 tudíž identifikuje hlavní faktory působící na
poptávku a nabídku prostor na trhu s průmyslovými prostory, které svojí interakcí definují výši,
případně změnu, základního nájemného v daném čase a místě.
Dle Thompson a Tsolacos (1999) měly změny v dostupnosti prostor vliv v periodě sedmi čtvrtletí
na JLWRE a pěti čtvrtletí na CBHPRE. Při srovnání skutečných a předpovězených hodnot měly
29
oba modely tendenci spíše nadhodnocovat. Růst základního nájemného za průmyslové

nemovitosti je predikován nad inflací.
2.2. Průmyslové nemovitosti a jejich vlastnosti

Holmes (1948) definuje průmyslovou nemovitost jako pozemek, stavby a vybavení, které jsou
užívány pro přeměnu materiálu do dokončených výrobků. V širším pojetí průmyslové nemovitosti
hovoří i o skladech a menších zpracovatelských závodech všeho druhu. Podle NCREIF a jejích
reportovacích standardů je za průmyslovou nemovitost považována nemovitost, která splňuje
následující podmínky:
1. skladové haly o velikosti cca 5 000 m2 s kancelářským a sociálním zázemím do patnácti

procent celkové plochy, se světlou výškou mezi šesti a deseti metry a s nakládkou pouze
prostřednictvím můstků;
2. výrobní haly se světlou výškou od 3,5m do 5,5m nebo s výškou dostatečnou pro instalaci
mostových jeřábů a s nakládkou prostřednictvím přímých vjezdů a můstků;
3. malé jednotky se světlou výškou od 3,5m do 5,5m s kancelářemi a showroomy na jedné
straně a s nakládkou prostřednictvím přímých vjezdů a můstků na druhé straně, kancelářský
komponent musí být menší než patnáct procent celkové plochy;
4. flexibilní prostory se světlou výškou od 3,5m do 6m s nakládkou prostřednictvím přímých
vjezdů a můstků s různým využitím od maloobchodu, přes distribuci po lehkou až těžkou
výrobu;
5. výzkumná a vývojová centra s jedním nebo dvěma patry se světlou výškou 3,5m až 5m s až
50 procent kanceláří a laboratoří se specifickými nároky na nakládku prostřednictvím
přímých vjezdů nebo můstků.
Nejobecnější definici přináší Ambrose (1990), který za průmyslovou nemovitost považuje

jakoukoliv nemovitost vhodnou pro lehkou výrobu a skladování s různě velkým kancelářským a
sociálním zázemím.
Průmyslová nemovitost je, stejně jako ostatní nemovitosti, tzv. kompozitním aktivem (Owusu-
Ansah, 2018) – nemovitost ohraničuje určitý prostor a tvoří jedinečný celek, který lze směnit jen
vcelku. Při rozdělení nemovitosti totiž dojde ke změně jejích vlastností. Průmyslová nemovitost je
zároveň reakčním aktivem, k jejímu pořízení do nájmu či do vlastnictví dochází až s provozní
potřebou (French a Wiseman, 2003).
30
2.2.1. Technické specifikace průmyslových nemovitostí

Technické specifikace průmyslových nemovitostí jsou dle Fehribach et al (1993) a Tsolacos et al
(2004) klíčovým faktorem jejich tržní hodnoty. Ambrose (1990) řadí mezi hlavní vlastnosti
průmyslových budov jejich stáří, velikost a půdorys, světlou výšku, počet nakládacích můstků a
přímých vjezdů, existenci sprinklerů a protipožárních opatření, velikost kanceláří a sociálního
zázemí s možností úpravy na míru, a existenci železniční vlečky. Fehribach et al (1993) sledují
determinanty výše prodejní ceny průmyslové nemovitosti (odvozeně její tržní hodnoty – pozn. autora).
Mezi determinanty s pozitivním vlivem se profilují světlá výška, velikost kanceláří, velikost budovy,
množství nakládacích ramp a existence jediného nájemce. Fehribach et al (1993) potvrzují, že
negativní vliv na prodejní cenu mají stáří budovy a vzdálenost od letiště. Buttimer et al (1997)
nachází negativní vliv světlé výšky a procenta kanceláří na výši základního nájemného
v průmyslových nemovitostech, což je vede k závěru, že menší standardizované průmyslové haly
mají vyšší základní nájemné na m2 a tím i vyšší tržní hodnotu na m2.
Henneberry (1991a) uvádí, že logistické a distribuční společnosti tvoří důležitou skupinu uživatelů
průmyslových nemovitostí, kteří nemají přílišné nároky na technické specifikace hal. Při designu
průmyslových nemovitostí není tudíž dle jeho názoru potřeba maximalizovat standardy, ale je
nutno najít vhodný kompromis, který zajistí flexibilitu užití prostoru. Tomuto kompromisu jdou
vstříc moderní stavební technologie, které umožňují v relativně krátkém čase výstavbu
přizpůsobitelných, ne příliš drahých, jednopodlažních budov pro lehkou výrobu a skladování.
Dle Henneberry (1991b) jsou průmyslové nemovitosti stavěny na základě předchozích zkušeností
developera s požadavky uživatelů a dle rad nemovitostních a technických poradců. Design
průmyslových nemovitostí ovlivňuje dle Henneberry (1991a) především následující faktory:
- intenzita provozu;
- frekvence změn, které jsou vyvolány provozem;
- použité technologie pro pohyb materiálu a zboží;
- potřeba kapacit energií a služeb.
Čím je vyšší intenzita provozu, vyšší frekvence změn, vyšší potřeba pohybu materiálu a zboží a
vyšší potřeba energií a služeb, tím vyšší nároky má uživatel na specifikaci budovy. Jiný přístup k
analýze potřeb uživatelů na průmyslový prostor vychází z teorie životního cyklu, jak ji popsal
Posner (1961) a pro účely průmyslových nemovitostí interpretoval Henneberry (1991a).
Mezi hlavní důvody nespokojenosti uživatelů s technickými specifikacemi řadí Henneberry

(1991b):
31
- neadekvátní tvar prostoru pro efektivní provoz;

- neadekvátní hluková nebo tepelná izolace;
- nedostatečný přístup pro kamiony;
- nedostatečný počet parkovacích míst pro osobní automobily a kamiony;
- nedostatečné kapacity sítí nebo služeb.
Důvody nespokojenosti uživatelů s průmyslovými nemovitostmi jsou hlavně behaviorální povahy,

které souvisí více s charakteristikou nájemce a jeho provozu než s vlastnostmi budovy.
Pronajímatelé by měli co možná nejdříve identifikovat firmy s rostoucím potenciálem, protože tyto
firmy mají sklon považovat prostory za nevhodné (Henneberry, 1991b). Rozpor vzniká také
z různého způsobu vnímání nemovitosti - pronajímatel vnímá nemovitost jako investici, která
produkuje výnos ve formě základního nájemného a ve formě kapitalizace, kdežto pro nájemce je
nemovitost skořápkou, která ohraničuje prostor, který je jedním z faktorů výroby.
Thompson (2005) se zabývá budoucími trendy standardů technických specifikací nově stavěných
průmyslových nemovitostí (které se již potvrdily – pozn. autora), mezi které řadí:
- konektivitu z důvodu rychlejšího přenosu velkých souborů dat;

- coss-dockové provozy z důvodu rychlejšího posunu zboží;
- zvýšenou rovinatost podlahy z důvodu použití automatických skladovacích systémů;
- zvýšenou světlou výšku 12 m a více z důvodu potřeby větší kapacity skladování;
- větší rozpon sloupů až 30 m z důvodu flexibility umístění technologií;
- zlepšená protipožární opatření z důvodu pojištění.
Myers (1994) hovoří o produkční kapacitě nemovitosti (souvisí s kvalitou nájemce a s přidanou hodnotou,
který tento nájemce v prostoru v nemovitosti vytvoří – pozn. autora), která je dle jeho názoru hlavním
faktorem tržní hodnoty průmyslové nemovitosti společně s jejím stářím, resp. její historií. Ve své
studii analyzuje faktory, které by firmy měly vzít v úvahu při výběru průmyslové nemovitosti, jako
jsou flexibilita prostoru a schopnost nemovitosti přizpůsobit se budoucím technologiím, kapacita
a design budovy. Cleminshaw (1997) k tomu uvádí, že nevhodný design nemovitosti způsobuje její
funkční zastaralost vytvářením neefektivních, a tudíž zbytečných, prostorů.
Měnící se potřeby nájemců s ohledem na velikost, počet ramp a světlou výšku analyzují ve své práci
Christensen et al (1997). Wheaton (1996) podporuje populární tezi, že lepší technologie vyvolá
nižší potřebu průmyslového prostoru a tím i nižší poptávku po těchto prostorech. Proti tomuto
trendu jde zvýšená potřeba nových moderních průmyslových prostor vzhledem k trendům
spojeným s automatizací, robotizací, e-commerce a průmyslem 4.0, a s nimi spojenou potřebou
32
vyšší konektivity průmyslových hal (Thomson, 2005). Dunse et al (2005) uvádí, že průměrná
velikost výroby se v důsledku globalizace zvětšuje a nejinak je tomu u skladových prostor.
2.2.2. Typologie průmyslových nemovitostí

V souladu s definicí průmyslové nemovitosti dle Ambrose (1990) kategorizují Black et al (1997)
průmyslové nemovitosti na výrobní a logistické. Ocenění průmyslových nemovitostí je dle jejich
názoru nejlépe proveditelné na agregátní úrovni, nicméně je nutno provést úpravy ocenění
s ohledem na specifické podskupiny segmentu průmyslových nemovitostí.
Kaizr et al (2010) se zabývají rozdělením průmyslových hal do podskupin dle velikosti, jelikož
z jejich rešerše vyplynul rozdílný standard technických specifikací preferovaný nájemci. Mezi další
závěry této práce patří zjištění, že uživatelé průmyslových prostor mají odlišné představy o
důležitosti jednotlivých technických specifikací dle velikosti a užití pronajaté jednotky. Základní
dělení do podskupin dle velikosti a preferovaných technických standardů popisuje Tabulka 1.
Tabulka 1: Technické specifikace preferované nájemci dle velikosti průmyslové jednotky

Velikost jednotky
1,000 - 2,000m2 2,001 - 5,000m2 > 15,000m2 Větší než 15,000m2
Světlá výška (m) <10m <11m 10m-12m <12m
Nosnost podlahy (t/m2) >3t/m2 >5t/m2 >5t/m2 >5t/m2
Přímý vjezd 944m2 / 1 764m2 / 1 3,474m2 / 1 5,370m2 / 1
Nakládacá můstky 871m2 / 1 672m2 / 1 896m2 / 1 1,506m2 / 1
Elektrický příkon < 400kVA >400kVA > 400kVA > 400kVA
Sprinklery Nejsou nutné Spíše potřebné Spíše potřebné Nutné
Zdroj: Kaizr et al (2010)
Průmyslové haly v rámci hlavních segmentů jsou designovány, aby vyhověly většině zájemců o
prostory v daném segmentu s minimálními náklady na specifické úpravy. Výnos z investice
pronajímatele je tudíž maximalizovaný a výpadek základního nájemného při prvotním pronájmu a
následném přepronájmu minimální. V případě spekulativní výstavby (v angličtině „speculative
development“) jsou dle Henneberry (1991a) standardy průmyslových prostor nastaveny, aby jejich
flexibilita vyhověla předpokládanému průměru poptávek a aby se dlouhodobě pronajímaly.
Standard těchto hal je proto volen na vyšší než minimální úrovni.
Mezi průmyslové nemovitosti lze zařadit nemovitosti pro výzkum a vývoj a malé business jednotky
SBU (Small Business Units) s vyšším podílem kancelářských prostor, kterých by dle Henneberry
(1991b) mělo být na trhu dle počtu většina a které se častěji staví spekulativně bez tzv.
předpronájmu. V Česku je segment SBU stále ještě pod svým potenciálem zejména v regionech,
33
kde jsou tyto jednotky ve značně neutěšeném stavu (pozn. autora). Z výzkumu Sivitanidou a
Sivitanides (1995) vyplývá, že malé průmyslové nemovitosti s více nájemci vykazují vyšší
jednotkové základní nájemné (a tržní hodnotu na m2 - pozn. autora). Dunse et al (2004) potvrzuje, že
se jednotkové základní nájemné snižuje s rostoucí velikostí průmyslového prostoru.
Specifickou kategorií jsou tzv. průmyslové nemovitosti stavěné na míru (v angličtině „Build-to-
Suit“ neboli BTS). Tyto stavby vychází ze standardních technických specifikací, jsou však upraveny,
aby v maximální míře splňovaly požadavky nájemce. Přitom developeři dbají na budoucí
využitelnost takových staveb a v konečném důsledku se jedná o kompromis standardních a
specifických řešení (Henneberry, 1991a).
Ocenění Built-to-Suit budov se věnuje ve své práci Zimmer (1991), který znalcům nedoporučuje
použití srovnávací metody při ocenění těchto nemovitostí, protože vlastnosti těchto nemovitostí
jsou natolik odlišné, že i jejich tržní hodnota je nesrovnatelná. Tento závěr podporuje Derbes
(2002), který připomíná nedostatek srovnatelných tržních transakcí s BTS projekty.
Crawford a Slade (2001) prezentují metodu ocenění Built-to-Suit projektů založenou na efektivní
provozní využitelnosti nemovitosti, která umožňuje kalkulovat i s faktorem nevyužitelného
prostoru a zastarání. Znalec by při ocenění BTS projektů dle jejich názoru měl vzít v úvahu i
informace o reprodukčních nákladech, stáří budovy a zaměřit by se měl i na odhad ekonomické
životnosti BTS nemovitosti. Vývoj výrobních a skladovacích technologií směřuje k specifičtějším
budovám, které budou umístěny v lokalitách vhodných právě pro jejich specifickou funkčnost, což
bude klást vyšší nároky na činnost znalců v oceňování (pozn. autora).
2.2.3. Aglomerace průmyslových provozů a výběr lokality

Místní trh s průmyslovými nemovitostmi se soustřeďuje tam, kde průmysloví uživatelé přeplatí
ostatní uživatele (Dunse et al, 2005). Tato teze vychází z Alonsova modelu užití pozemku (Alonso,
1964), ze které vyplývá, že pozemky, resp. lokality, jsou alokovány mezi uživatele dle zásady
nejvyššího a nejlepšího užití. Rozhodnutí uživatele průmyslových prostor o lokalitě je dáno
minimalizací nákladů s vizí maximalizace zisku (Ambrose, 1990). Tsolacos et al (2005) doplňují, že
hranice místních trhů jsou dány mírou, jakou uživatelé považují trhy mezi sebou jako substituty.
Grisom et al (1987) potvrdili na základě empirických důkazů oblastní rozdělení trhu
s průmyslovými nemovitostmi. Dle jejich názoru odhad budoucích výnosů je přesnější na základě
znalosti dílčích regionálních trhů než na základě agregátních veličin.
S ohledem na specifika místních trhů připomíná Owusu-Ansah (2018), že tvorba modelů na

agregátní úrovni může být zavádějící, a proto je důležité studovat nemovitostní trh na místní úrovni
34
a oceňovat nemovitosti nejen na základě agregovaných tržních informací ale především s ohledem
na stav a vývoj místního trhu.
I když se po nějaké době stanou průmyslové prostory nevyhovujícími a zastaralými, přesto se jejich
uživatelé neradi stěhují. Dle Rauch (1993) jsou důvodem nechuti ke stěhování úspory dlouhodobě
vytvořené v rámci vazeb v průmyslových clusterech a aglomeracích. Změna lokality ze strany
uživatele nastává, pokud nesoulad mezi potřebami uživatele a specifikací nemovitosti dosáhly své
meze (Henneberry, 1991a). Pronajímatelé, a developeři, mohou uživatele motivovat k pohybu
volbou vhodné cenové a obchodní politiky.
Fenoménem aglomerace se ve své studii věnuje Venables (2000). Aglomerace znamená pro firmy
výhodu ve formě komplementárních aktivit, které umožňují firmám vytvářet vyšší zisk a platit
zaměstnancům vyšší mzdy (a pronajímatelům vyšší základní nájemné – pozn. autora). V clusterech dle
Venables (1996) a Ellison a Glaeser (1999) jsou firmy profitabilnější nejen z důvodu
komplementarity svých aktivit ale i z důvodu snížení nákladů na práci, na dopravu a na marketing.
Aglomerace průmyslových aktivit je posílena zájmem velkých nadnárodních společností
soustřeďovat své provozy do několika málo lokalit s ohledem na management a úspory z rozsahu.
České hospodářství je specifické dlouhou průmyslovou historií, průmysl je zastoupen ve všech
krajích, proto faktor aglomerace působí rovnoměrně na celém území (pozn. autora).
Hughes (1994) popisuje trend posunu firem z ryze průmyslových lokalit do průmyslově
kancelářských lokalit, aby se přizpůsobili novým distribučním a skladovacím trendům. Martin a
Rogers (1995) na základě své analýzy zjišťují, že nájemci ve většině případů hledají lokalitu, která
nabídne uspokojivou kombinaci nejlepší dostupné infrastruktury, nejvyššího příjmu na obyvatele a
největšího trhu pro své zboží.
Sivitanidou a Sivitanides (1995) zkoumají významnost lokalizace průmyslových nemovitostí pro

firmu a pro její zaměstnance. Firmám, resp. jejich manažerům, záleží při výběru nemovitosti na
potenciálu zlepšování produktivity, tzn. na blízkosti vstupního materiálu a odbytiště zboží, na
dostupnosti zdrojů, dálnic a nájezdů na ně a na vzdálenosti k letišti. Rovnováha na trhu z hlediska
firmy nastává, pokud se jednotkové náklady Ci všech firem maximalizujících svůj zisk rovnají
v každé lokalitě exogenní a prostorově jednotné ceně zboží p. Vzorec 7 tento vztah popisuje:
𝐶𝑖 = 𝐶(𝑅𝑖 , 𝑊𝑖 ; 𝐸𝑖 ) = 𝑝 (7)
, kde je
35
Ri…dlouhodobý endogenní náklad spojený s průmyslovým prostorem (základní nájemné)

v lokalitě i;
Wi…dlouhodobý endogenní náklad spojený s prací (mzda) v lokalitě i;
Ei …Hicksova neutrální technologická proměnná, přičemž v nemovitostních modelech tato

proměnná souvisí s výhodou v produktivitě firmy z důvodu lepší lokality.
Na druhou stranu zaměstnancům jde o maximalizaci užitku související s blízkostí vzdělání a

nákupních možností, jakož i o bezproblémovost lokality a také o dostupnost bydlení. Funkční zápis
tohoto vztahu je následující:
𝑉𝑖 = 𝑉[𝑊𝑖 , 𝑃(𝑁𝑖 ); 𝐴𝑖 ] = 𝑉 𝑜 (8)
, kde je
P(Ni)…nájemné za rezidenční prostory jako funkce zaměstnanosti N v lokalitě i;
Ai…Hicksova neutrální proměnná, která znamená vybavení lokality školami, nákupními

příležitostmi nebo bezpečným prostředím.
Výše základního nájemného za průmyslové prostory dle Sivitanidou a Sivitanides (1995)

kompenzuje nedostatky ve vybavení lokality. Výzkum Dunse et al (1995) potvrdil negativní vztah
mezi výší základního nájemného a vzdáleností průmyslových prostor od centra aglomerace, resp.
rezidence, a od sjezdu z dálnice.
2.3. Trh s průmyslovými nemovitostmi

Dle Ball et al (1998) je trh s komerčními nemovitostmi souborem čtyř vzájemně propojených trhů:
trhu uživatelů, kapitálového trhu, developerského trhu a trhu se stavebními pozemky.
Dle Wheaton (1999) souvisí celý trh s komerčními nemovitostmi s ekonomikou, hlavní cyklus trhu
s komerčními nemovitostmi má periodu mezi deseti a dvanácti lety (druhý cyklus českého trhu
s nemovitostmi je pandemií COVID-19 uzavřen – pozn. autora). Kolem hlavního cyklu dochází dle této
studie k oscilaci, která je dána krátkodobými nerovnovážnými stavy souvisejícími s nemožností
nabídky reflektovat poptávku. Trh uživatelů má dle Mueller (1995) jiný cyklus než kapitálový trh,
který historicky zaostává za trhem uživatelů.
Geltner et al (2013) ilustruje fungování trhu s komerčními nemovitostmi pomocí modelu ve formě
schéma v Diagramu č.2. Trh s nemovitostmi se skládá ze tří propojených trhů: trhu s komerčními
prostory, trhu developerského a trhu s nemovitostními aktivy (indexy popisující pozice hráčů na trhu
s nemovitostmi konstruované v metodologické části odpovídají tomuto rozdělení trhu – pozn. autora).
36
Diagram 2: Model fungování trhu s komerčními nemovitostmi
Trh s komerčními prostory

Nová Nabídka Poptávka Místní a národní
výstavba (Pronajímatelé) (Nájemci) hospodářství
Nájemné
& pronajatost
Předpověď
budoucnosti
Developerský trh
Pokud Trh nemovitostních aktiv

ano
Je
development Hotovostní Nabídka
ziskový? příjem (vlastníci
prodávající)
Trhem
Kapitálové
požadovaná trhy
Stavební
Tržní míra Poptávka
náklady
hodnota kapitalizace (investoři
včetně
nemovitosti kupující)
pozemku
Běžné toky informací

Sbírání informací a jejich užití
Zdroj: Geltner et al (2013)
2.3.1. Trh uživatelů

Mueller (1999) potvrdil, že hlavními determinanty výše základního nájemného na trhu uživatelů,
resp. trhu s průmyslovými prostory, jsou zejména poptávka a nabídka na dílčím, místním trhu. Na
tomto trhu se v daný okamžik potkává nabídka průmyslových prostorů, tvořená zásobou
průmyslových prostorů, s poptávkou po průmyslových prostorech, která vychází
z prostorových potřeb výrobních a logistických firem. Mueller a Laposa (1994) uvádějí, že se dílčí
trhy vyvíjí v krátkém období odlišně od celkového trhu, v dlouhém období se vývoj dílčích trhů
přizpůsobuje vývoji celkového trhu. Vývoj pražského a mimopražského trhu se přizpůsobuje trhu
českému, vývoj českého trh s nemovitostmi se přizpůsobuje středoevropskému, evropskému a
světovému trhu (pozn. autora).
Tsolacos at al (2005) se při predikci základního nájemného snaží použít ukazatele, které sledují
ziskovost firem nájemců a dostupnost prostorů než ukazatele reálné ekonomiky. Do funkce
přimíchávají i ukazatel důvěry výrobců, který na základě dotazníku zjišťuje British Chamber of
Commerce (v této studii obdobně v analýze použit český Index důvěry v průmysl – pozn. autora). Výsledný
ukazatel v sobě obsahuje informaci o předpokládaném vývoji peněžních toků, ziskovosti a tržeb,
37
a predikuje budoucí vývoj hospodářství. V každém případě maximální základní nájemné, které
jsou firmy připraveny zaplatit v místě a čase, je dáno předpokladem budoucí ziskovosti dle
funkčního vztahu (Tsolacos et al, 2005):
𝒏
𝑹𝑬𝑵𝑻𝒎𝒂𝒙 = 𝒇(𝑷𝑽(𝝅)) = 𝒇(∫𝟎 𝝅(𝒕)𝒆−𝒓𝒕 𝒅𝒕) (9)
, kde je
PV(π)…je současná hodnota budoucích zisků;
π …zisk společnosti v čase t;
r…diskontní míra.
Ze Vzorce 9 vyplývá, že nejvyšší (v angličtině „prime“) základní nájemné bude placeno v místě a
čase nejziskovějším uživatelem prostoru. Rovněž platí, že regiony s vyšším počtem dynamických a
ziskových společností mají vyšší „prime“ základní nájemné. Důkazem je situace na českém trhu
s průmyslovými nemovitostmi, na kterém dlouhou dobu bylo základní nájemné v Praze nižší než
v Brně, kde se shlukly R&D centra s vyšší přidanou hodnotou (pozn. autora). French a Wiseman
(2003) došli ve své studii ke stejnému závěru a schopnost platit nájemné vyjadřují tzv. ukazatelem
prostorové dostupnosti, který je dán podílem celkových nákladů na nemovitost a tržeb firmy.
Tsolacos et al (2005) identifikoval značnou autokorelaci v základním nájemném. Vysvětlení tkví v

pomalém přizpůsobení základního nájemného změnám ve veličinách, které základní nájemné
ovlivňují, krátkodobé předpovědi vývoje základního nájemného lze tudíž provádět jen na podkladě
hodnot základního nájemného z minulosti. S překvapivým závěrem přišla studie RICS (1994), která
ve Velké Británii identifikovala pozitivní závislost současného základního nájemného
v průmyslových prostorech na základním nájemném rok starém a negativní závislost na základním
nájemném dva roky starém.
Buttimer et al (1997) přišli s určením základního nájemného v průmyslových nemovitostech na

podkladu fyzických a lokalitních vlastností a tržních faktorů (nepronajatost), které se mění v čase.
Uzavírají, že sklady jsou levnější než výroba v souladu s Ambrose (1990), což s ohledem na rostoucí
vliv internetového obchodu již nutně nemusí platit (pozn. autora). Nestandardní budovy jsou
pronajímány s diskontem (zejména s ohledem na specifičnost prostorové dispozice – pozn. autora), aby
přilákaly nájemce. Větší budovy se dle Butimer et al pronajímají rovněž s diskontem (je dáno spíše
očekáváním obou stran obchodu než úsporami z rozsahu – pozn. autora).
38
French a Wiseman (2003) poukazují na to, že životní cyklus zboží se zkracuje a výsledkem je i kratší
délka nájemních smluv v moderních prostorech. Tento trend jde proti současným trendů spojeným
s automatizací a robotizací procesů, jejichž vliv popsali ve svých pracích Thompson (2005) a
Henneberry (1991a). Současné skladové a výrobní provozy více než v minulosti vyžadují značné
investice a z důvodu delší návratnosti těchto investic firmy podepisují delší nájmy prostorů v
průmyslových halách (pozn. autora).
French a Wiseman (2003) uvádějí, že hodnota průmyslového prostoru užitná a směnná se od sebe
časem odchýlily, jelikož základní nájemné se odchyluje od nájemcovy schopnosti platit s ohledem
na fázi ekonomického cyklu. Pokud je nájemní smlouva podepsána v době konjunktury za v tu
dobu tržní základní nájemné, při zhoupnutí trhu do recese smluvní základní nájemné zůstává, i
když tato úroveň základního nájemného může být vůči trhu již nadhodnocena (s ohledem na indexační
doložky je smluvní nájemné v průběhu nájmu valorizováno – pozn. autora).
Po skončení nájmu mohou nájemci své provozy relokovat do levnější lokality, v takovém případě
po dohodě s pronajímatelem často dochází ke korekci (tzv. „renegociace“) smluvního základního
nájemného, i když s ohledem na nechuť ke stěhování dle Rauch (1993) je pozice nájemců vůči
pronajímatelům oslabená. Trh se ekonomickému cyklu se zpožděním přizpůsobuje a hodnota
směnná vyjádřená výší základního nájemného a hodnota užitná pro nájemce se opět přibližují.
French a Wiseman (2003) upozorňují, že nájemci zvažují celkové náklady prostoru, přičemž
základní nájemné je jen jedním z faktorů.
Z poptávkové funkce dle Ball et al. (1998) vyplývá, že poptávka firem po prostorech je kromě výše
základního nájemného dána i tržbami firem, potřebou prostoru pro jednoho pracovníka a
dostupnou technologií. Thompson a Tsolacos (1999) se ve své práci zabývají vlivem růstu HDP
na výši základního nájemného na trhu s průmyslovými prostory, který potvrzují s ohledem na silný
pozitivní vliv růstu HDP na poptávku po průmyslových prostorech. Stejný závěr učinil ve své práci
Kaizr (2017), který identifikoval silnou korelaci vývoje poptávky po průmyslových prostorech a
vývoje HDP. Dle této studie zvýšení HDP o 1mld. Kč vyvolá růst poptávky po českých
průmyslových prostorech o 1 030m2 plochy.
Tsolacos et al (2005) identifikovali významný vlil HDP na základní nájemné se zpožděním 4

čtvrtletí. HDP lépe vysvětluje změny v základním nájemném než zaměstnanost v průmyslu,
k obdobnému závěru dospěli Thompson (1997) a Thompson a Tsolacos (2001).
39
2.3.2. Developerský trh a trh s pozemky pro novou výstavbu

Dle Wheaton (1999) výstavba na rozdíl od poptávky nereaguje přímo na stav ekonomiky, ale spíše
na tržní hodnotu aktiv a náklady výstavby, případně na dostatek prostředků pro financování
výstavby nebo na limity výstavby z důvodu restrikce zásoby připravených pozemků. Thompson a
Tsolacos (2000) uvádějí, že základní nájemné a stavební náklady jsou v případě průmyslových
nemovitostí korelované, rostoucí náklady znamenají růst základního nájemného, i když se tak děje
se zpožděním.
Nabídka je dle DiPasquale a Wheaton (1992) fixní v čase t, k přírůstku zásoby může dojít až v čase
t+1, přičemž nabídka se přizpůsobuje poptávce na základě mechanismu, který propojuje trh
s prostory s kapitálovým a developerským trhem. Z tohoto důvodu je důležité pro pochopení tržní
hodnoty nemovitosti zkoumat i vztahy na trhu s nájemními prostory a na developerském trhu (pozn.
autora). Statická nabídka bude mít při rostoucí poptávce v krátkém horizontu za následek růst
tržního základního nájemného (Fischer, 1999) a dle Wheaton a Torto (1990) bude tento časový
nesoulad znamenat dočasnou tržní nerovnováhu.
Dle Alonso (1990) na místní úrovni vstupují do hry na straně nabídky kromě charakteristik
konkrétních nemovitostí i faktory, jako jsou nepronajatost a složení celkové nabídky prostor ze
stávající zásoby a nové výstavby. Vzájemná interakce poptávky a nabídky je vyjádřená mírou
absorpce (v angličtině „absorption“), která popisuje, jak stávající nabídka prostorů uspokojuje
poptávku v daném čase (Thompson a Tsolacos, 1999). Vysoká míra absorpce znamená, že velká
část poptávky po průmyslových prostorech je uspokojena, a proto je pravděpodobné, že růst
základního nájemného je potlačen, resp. že základní nájemné neroste tak rychle, jak by mohlo.
Tsolacos et al (2005) tento závěr potvrzují, když zjišťují negativní vliv nové výstavby a rostoucí
zásoby na výši základního nájemného.
Zásoba pozemků připravených pro development určuje velikost současné a budoucí zásoby
průmyslových nemovitostí. Boudry et al (2012) vnímají pozemky jako jeden z důležitých faktorů
tržní hodnoty nemovitosti a všímají si, že tržní hodnota pozemků roste rychleji než tržní hodnota
budov. Tento jev není možno na českém trhu s nemovitostmi ověřit z důvodu nedostatku
relevantních a transparentních dat o trhu s průmyslovými pozemky, proto pro účely této studie
byla tržní hodnota pozemků odhadnuta, viz část 3.2.1. (pozn. autora). Thompson a Tsolacos (2001)
dospěli k závěru, že tržní hodnotu pozemků lze použít jako ukazatel růstu budoucích nájmů.
Pozemky totiž tvoří signifikantní část nákladů developmentu a zároveň růst cen pozemků vyvolává
očekávání růstu základního nájemného u účastníků trhu. Upozorňují, že jakékoliv analýzy tohoto
40
fenoménu mohou být zkresleny, protože základní nájemné je jednou z veličin ovlivňujících
reziduální hodnotu pozemků, a jedná se tudíž o kauzální smyčku.
Wallace (1988) ve své studii zmiňuje, že tržní hodnota pozemků by mohla být endogenní
proměnnou v tržní hodnotě nemovitostí, pokud by obce při rozhodování o užití pozemku
zvažovaly výhody plynoucí z vyššího daňového příjmu v případě jejich developmentu. V takovém
případě by tržní hodnota nemovitosti byla zatížená souběžností a výběrovým zkreslením
v důsledku změny užití pozemku. Wallace (1988) dokládá, že tomu tak není, komerční pozemky
jsou spojeny pro obce a komunity spíše s externalitami a životním prostředím než s daňovými
výhodami, a proto je užití pozemku dle územního plánu exogenní proměnnou. Platí Alonsova
teorie vnitřní městské lokality s nejvyšším a nejlepším užitím (Alonso, 1964).
Sivitanidou a Sivitanides (1995) definují rovnováhu na trhu s pozemky následujícím funkčním

zápisem:
𝐿𝑖 = 𝑎𝑁𝑖 𝐿(𝑟, 𝑃𝑓𝑖 ; 𝐺𝑖 ) = 𝑍𝑖 (10)
, kde je
Li…poptávka po pozemcích od developerů v lokalitě i;
Zi…fixní zásoba pozemků v lokalitě i;
R…náklad kapitálu (exogenní proměnná);
Pfi…endogenní cena pozemků v lokalitě i.
Pro cenu pozemků je důležitá i doba jejich přípravy pro výstavbu. Tabulka 2 shrnuje situaci
českého povolovacího procesu mezi lety 2007 a 2018 dle The World Bank (2007 až 2019). Z vývoje
ukazatelů vyplývají dva pro Česko nelichotivé fakty:
- i když se v letech 2012 až 2014 podařilo zrychlit proces povolování, přesto se umístění Česka
v žebříčku zhoršovalo, ostatní země tudíž zkracovaly stavební řízení rychleji;
- od roku 2016 v souvislosti s novelou stavebního zákona došlo ke skokovému zhoršení
povolovacího procesu.
Tabulka 2: Délka povolovacího procesu v Česku v letech 2007 až 2018

Délka
povolovacího Počet potřebných
Rok Umístění na světě
procesu ve povolení
dnech
2007 271 31 110
2008 180 36 83
2009 186 36 86
41
2010 150 36 76
2011 150 36 76
2012 120 33 68
2013 120 33 74
2014 120 33 86
2015 143 24 139
2016 247 21 127
2017 247 21 130
2018 247 21 127
Zdroj: The World Bank (2007 až 2019)
2.3.3. Kapitálový trh

V systému trhu s komerčními nemovitostmi je nemovitost považována za investiční instrument, u
kterého příjem ze základního nájemného vytváří peněžní tok zaručený po dobu nájmu nájemní
smlouvou, a který může v čase přinést i kapitálové zhodnocení (Geltner et al, 2013). Míra
kapitalizace závisí na výnosnosti, kterou investoři na trhu aktiv očekávají. Du Toit a Cloete (2004)
uvádí vliv dlouhodobých úrokových sazeb na rozhodování o investicích do komerčních
nemovitostí a vliv dostupnosti úvěrů.
Chaplin (1997) definuje kapitalizační míru aplikovanou na základní nájemné jako odraz názoru na
riziko spojené s trhem a s konkrétní nemovitostí, na budoucí vývoj základního nájemného, na
likviditu trhu a konkrétní nemovitosti a v neposlední řadě na stabilitu provozních nákladů.
Zásadním závěrem této studie je zjištění, že se základní nájemné v konkrétním případě více blíží
k základnímu tržnímu nájemnému, než se kapitalizační míra v konkrétním případě blíží k tržní
kapitalizační míře. Indexy nájemného a indexy tržní hodnoty nemovitostí je proto lépe sledovat
odděleně, jelikož se tyto dva fenomény chovají odlišně. Při investičním rozhodování více než
kapitalizační míru zvažují investoři výnosnost vloženého kapitálu. Hlavním kritériem je vnitřní
výnosová míra, jejíž požadovaná výše se na trhu s průmyslovými nemovitostmi ustálila mezi deseti
procenty u plně pronajatých nemovitosti financovaných minimem cizích zdrojů a pětadvaceti
procenty ročně u nového developmentu (pozn. autora).
DiPasquale a Wheaton (1992) popisují vztah výše úrokových sazeb a aktivity investorů, kdy při
stejném příjmu ze základního nájemného jsou investoři v prostředí nízkých úrokových sazeb
ochotni zaplatit za nemovitost vyšší cenu. Lockwood a Rutherford (1996) ve své práci uvádějí, že
logaritmus prodejních cen průmyslových nemovitostí je nejsilněji svázán s faktory dílčího, místního
trhu, s lokalitou průmyslové nemovitosti a s jejími fyzickými charakteristikami. Ford et al (1998)
sledují faktory, které ovlivňují zahraniční investice do průmyslových nemovitostí. Zahraniční
investice jsou dle jejich studie nejvíce ovlivněny změnami v dosahované výnosnosti, aktivitou trhu
a výší současného základního nájemného.
42
2.4. Závěry vyplývající z relevantní odborné literatury

Nemovitosti provází lidské pokolení již od nepaměti, nemovitosti vždy byly jakousi neměnnou
hodnotou a kotevní jistotou v životech lidí, firem či celých společností. Stejně jako jiná odvětví se
nemovitostní sektor v praxi za posledních třicet let mílovými kroky posunul a odborná literatura
tento posun pomalu zpracovává. Praxe ukazuje, že komerční nemovitost je čím dál více vnímána
jako standardizované výnosové aktivum, proto je žádoucí se odborně věnovat jejím ekonomickým
vlastnostem.
Odborná literatura se soustřeďuje na rezidenční a kancelářské nemovitosti, případně na

nemovitostní trh obecně, retailové a průmyslové odvětví jsou na okraji zájmu. Průmyslové
nemovitosti se však v tomto ohledu, díky své standardizaci, stálosti, relativně nenáročné údržbě, a
především oblíbenosti u investorů vzhledem k probíhajícím změnám ve spotřebních návycích,
dostaly v průběhu času na špici v oblasti nejen technologických ale i finančních inovací, a proto je
důležité se tomuto aktivu intenzivněji věnovat i v oblasti výzkumu.
Podmínkou výzkumu je dostatek relevantních, transparentních a ucelených dat o jednotlivých

nemovitostech jakož i o trhu jako celku a o jeho částech. V tomto ohledu je žádoucí, aby v Česku
co nejdříve začal cílevědomý sběr dat ve veřejném zájmu nikoliv jen pro účely úzkého okruhu
specializovaných odborníků v soukromém sektoru. Na základě takto sebraných dat lze na
akademické půdě odborně zkoumat souvislosti a přicházet se závěry, které zpětně ovlivní
nemovitostní praxi nejen u nás ale i v zahraničí.
Robustnost informačního zázemí a výzkum na univerzitní půdě nesmí vést k potlačení základních
atributů trhu s nemovitostmi. Tak zvané tržní šumy jsou integrální součástí vztahů na
nemovitostním trhu a jako takové je dle mého názoru potřeba je identifikovat a zkoumat, nemá
smysl je potlačovat nebo úplně odstraňovat. Domnívám se, že výzkum určení tržní hodnoty
nejlepšího průmyslového prostoru na trhu a způsobu odvození tržní hodnoty průmyslových
nemovitostí je v tomto ohledu mnohem progresivnějším a dlouhodobě udržitelnějším přístupem
než dosavadní výzkum založený na atributech jednotlivých nemovitostí a transakcí s nimi
v portfoliu. Standardizace průmyslových nemovitostí jde tomuto přístupu naproti.
Z teoreticko-analytické přípravy vyplývá, že pro český trhu s průmyslovými nemovitostmi je

vhodné při konstrukci indexu tržní hodnoty použít metodiku indexů založených na oceňování
s opravou pomocí zpětné konstrukce pomocí regresního modelu, ve kterém nezávislými
proměnnými budou makroekonomické veličiny a faktor očekávání. Neexistence databáze
43
oceněných hodnot průmyslových nemovitostí vede k použití podobného přístupu, jako byl použit
při konstrukci indexu CB Hillier Parker Real Estate.
44
3. Vstupní data v tržních souvislostech

Data o trhu moderními průmyslovými nemovitostmi v Česku dlouhodobě sbírají nadnárodní
poradenské společnosti specializující se na komerční nemovitosti. Na trhu s průmyslovými
prostory neexistuje jednotná databáze nájemních transakcí, neexistuje jednotná databáze ocenění
průmyslových nemovitostí a ani jednotná databáze sledující informace o proběhlých transakcích
na kapitálovém trhu s průmyslovými nemovitostmi. Vstupní data o trhu s průmyslovými
nemovitostmi použitá v této studii proto pocházejí ze tří zdrojů – z veřejně dostupných informací
poskytovaných tzv. Industrial Research Forem (dále jako „IRF“), ze zdrojů společnosti Savills a
z vlastních výpočtů autora. Použití dat z jiných zdrojů by mohlo vyústit v odlišnost časových řad,
případné rozdíly by však s ohledem na pozici členů IRF a Savills na trhu s průmyslovými
nemovitostmi měly být zanedbatelné.
Na trhu převládá užití anglosaské terminologie, jelikož tato mnohem lépe popisuje veličiny, které
se používají pro sledování a analýzy trhu, a jelikož je tato terminologie používána i pro sběr
informací z různých trhů a pro jejich následné srovnání. V zájmu srozumitelnosti bude v této studii
použita při popisu trhu s průmyslovými nemovitostmi česká terminologie s uvedením anglického
ekvivalentu.
V první části třetí kapitoly prezentuji a analyzuji hlavní ukazatele popisující český trh s moderními
nájemními průmyslovými prostory neboli trhu průmyslových uživatelů. Druhou část věnuji
prezentaci a analýze vstupních dat o developerském trhu a třetí část je věnována prezentaci a
analýze vstupních dat o kapitálovém trhu. Čtvrtá část je věnována české praxi oceňování moderních
průmyslových nemovitostí.
3.1. Indikátory českého trhu průmyslových uživatelů

Pro ilustraci objemu, a tudíž i pro ilustraci váhy trhu uživatelů průmyslových prostorů, shrnuji v
Tabulce 3 odhad vývoje celkového ročního základního nájemného, které proudí mezi nájemci a
pronajímateli prostřednictvím nájemních smluv v Česku. Od roku 2007 do roku 2018 vzrostl roční
obrat základního nájemného 3,4krát na hodnotu 10,58 miliard korun českých. Jedná se o roční růst
v průměru o 620 milionů korun, v procentuálním vyjádření se jedná o průměrný růst dvacet osm
procent ročně.
45
Tabulka 3: Vývoj celkového ročního základního nájemného na českém trhu s moderními

průmyslovými nemovitostmi v letech 2007 až 2018
Celkové základní Celkové základní
Rok
nájemné (tis. EUR/rok) nájemné (tis. Kč/rok)
2007 43 414 € 1 202 581 Kč
2008 59 830 € 1 492 543 Kč
2009 62 313 € 1 648 015 Kč
2010 64 702 € 1 635 640 Kč
2011 69 617 € 1 712 417 Kč
2012 75 228 € 1 891 445 Kč
2013 79 037 € 2 054 494 Kč
2014 84 915 € 2 338 261 Kč
2015 92 711 € 2 527 458 Kč
2016 103 143 € 2 788 303 Kč
2017 115 930 € 3 046 469 Kč
2018 130 758 € 3 363 629 Kč
Zdroj: Vlastní výpočty z dat poskytnutých IRF a Savills
Shromažďováním dat o trhu s průmyslovými prostory a jejich prezentací široké veřejnosti se

zabývá IRF od roku 2010, kdy bylo založeno poradenskými společnostmi CBRE, Colliers, DTZ
(nyní Cushman&Wakefield) a JLL. IRF je volné sdružení bez právní subjektivity, vstup do sdružení
je omezen vstupními podmínkami a jednomyslným schválením vstupu ze strany současných členů
sdružení.
IRF sbírá informace z trhu s průmyslovými nemovitostmi na základě šetření, která provádí
oddělení výzkumu členských společností u všech hlavních vlastníků průmyslových nemovitostí,
kteří působí na trhu. Databáze obsahuje nemovitosti s logistickým a výrobním užitím a nemovitosti
pro poskytování průmyslových služeb.
Každá z nemovitostí v databázi odpovídá definici průmyslové nemovitosti třídy A dle klasifikace
NCREIF, rozdíl je pouze u velikosti, jelikož do databáze jsou vkládány i nemovitosti menší než
5 000 m2. Jedná se tudíž o skupinu nemovitostí s obdobnými charakteristikami vyhovující kritériu
homogenity dle závěrů Ambrose (1990) a Boudry et al (2012). IRF sice nesleduje zvlášť kategorie
SBU, R&D nebo BTS, vliv těchto kategorií na celková data o trhu s průmyslovými prostory je spíše
marginální.
Šetření probíhá vždy na začátku čtvrtletí, které bezprostředně následuje po zkoumaném čtvrtletí.
Výsledná databáze obsahuje pro každé čtvrtletí následující informace:
- Název průmyslového parku;

- Jméno vlastníka průmyslového parku;
- Název budovy;
- Velikost budovy;
46
- Celková zásoba průmyslových prostor (v angličtině „stock“), která je celkovou zásobou ploch
k pronájmu k danému časovému okamžiku vyjádřená v metrech čtverečních;
- Nová výstavba
o Dodané budovy (v angličtině „supply“), tedy množství ploch k pronájmu dodané
v daném období vyjádřené v metrech čtverečních;
o Rozestavěné budovy (v angličtině „pipeline“), neboli plochy ve výstavbě měřené v
metrech čtverečních k určitému časovému okamžiku;
- Jméno nájemce budovy;
- Obor nájemce
o Výrobce (v angličtině „manufacturing“);
o Logistický operátor (v angličtině „logistics“);
o Maloobchod (v angličtině „retail“);
o Internetový prodejce (v angličtině „e-commerce“);
o Ostatní;
- Typ transakce
o Prodloužení stávající smlouvy (v angličtině „lease extension“), tzn. stávající nájemní
smlouva je prodloužena na další období;
o Expanze stávající smlouvy (v angličtině „expansion“), tzn. expanze prostorů dle
stávající nájemní smlouvy;
o Nová smlouva (v angličtině „new lease“), tzn. nájemní smlouvy uzavřené v daném
období mezi pronajímatelem a novým nájemcem prostorů;
o Prodej a zpětný pronájem (v angličtině „sale&leaseback“), tzn. původní vlastník
budovy prodá nemovitost a pronajme si ji na delší období, což může a nemusí být
spojeno s právem koupě nemovitosti původního vlastníka na konci nájmu;
- Velikost pronajatého prostoru konkrétním nájemcem (celkem bez určení velikosti kanceláří).
Z těchto informací jsem dopočítal základní ukazatele stavu celého trhu:
- hrubá poptávka (v angličtině „gross take up“), tzn. celková pronajatá plocha v daném období
vyjádřená v metrech čtverečních včetně prodloužených smluv a expanzí;
- nepronajatost (v angličtině „vacancy“), tzn. míra nepronajatých ploch na celkové zásobě
prostor k danému okamžiku vyjádřená v procentech;
- čistá absorpce (v angličtině „net absorption“), tzn. čistá změna obsazeného prostoru za určité
časové období včetně uvolněných stávajících prostorů.
47
Tabulka 4 v příloze souhrnně prezentuje ukazatele trhu s průmyslovými prostory.
Data o celkové zásobě průmyslových prostor na konci roku 2006 a o nové výstavbě SUP
v následujících čtvrtletích až do konce roku 2018 mi posloužila k výpočtu zásoby průmyslových
prostor St ke konci každého čtvrtletí. Agregovaná data prezentovaná IRF jsem pro účely analýzy
doplnil daty ze zdrojů Savills o regionálním rozdělení zásoby průmyslových prostor v Praze a okolí
(rádius dvacet kilometrů od hranice hl.m. Prahy) a mimo Prahu. Rozdělení lokalit na pražské a
mimopražské odpovídá definici hranice místního trhu dle Tsolacos et al (2005). Praha v roce 2007
tvořila čtyřicet pět procent celkové zásoby průmyslových ploch v Česku, její podíl postupně klesá
a na konci roku 2018 tvořily průmyslové prostory v Praze třicet osm procent z celkové zásoby.
S ohledem na nedostatek připravených pozemků pro výstavbu průmyslových nemovitostí v Praze
a okolí bude podíl hlavního města dále klesat.
Čtvrtletní hrubá poptávka GTU obsahuje všechny typy transakcí dle klasifikace IRF, které byly
uzavřeny v daném čtvrtletí. Za novou smlouvu je považována i smlouva o budoucí smlouvě
nájemní, která znamená, že daná nemovitost bude v budoucnu obsazena. Tento přístup má své
konsekvence – hrubá poptávka je reálným odrazem aktivity na straně poptávky v daném čtvrtletí,
na druhou stranu poptávka je reportována dříve než adekvátní nová výstavba. Nesoulad je přibližně
dvě až tři čtvrtletí, která souvisí s dobou výstavby průmyslové haly.
Dle mého názoru lepším systémem by bylo zaznamenávat smlouvy o budoucí smlouvě nájemní
samostatně jako nerealizovanou poptávku, a do hrubé poptávky započítávat jen realizované
nájemní smlouvy. Tento systém by lépe popisoval skutečný vývoj realizované poptávky vzhledem
k nové výstavbě, přitom by v žádném případě neměl vliv na evidenci obsazenosti, jelikož smlouvy
o budoucí smlouvě nájemní souvisí s prostorem, který v evidenci v době podpisu smlouvy o
budoucí smlouvě nájemní neexistuje.
Jelikož GTU obsahuje i prodloužení stávajících smluv a jejich expanze, kumulují se v tomto
ukazateli i dříve poptávané prostory, vývoj GTU má tudíž cyklický charakter související s délkou
nájemních smluv podepisovaných na trhu s průmyslovými nemovitostmi standardně na tři, pět,
sedm a deset let, nejčastějšími jsou nájemní smlouvy na pět let.
Rozmach trhu s průmyslovými prostory třídy A k pronájmu nastal v roce 2002, kdy se
standardizované průmyslové haly začaly objevovat i v mimopražských lokalitách a kolem hlavních
logistických uzlů. Graf 1 v příloze popisuje vývoj zásoby průmyslových ploch v Česku od roku
2002 do konce roku 2018. Trendová linie odděluje období s vyšší a nižší než průměrnou výstavbou.
48
V období do konce roku 2005 byla nová výstavba SUP moderních průmyslových ploch vůči
průměru zabrzděná, jelikož poptávka nebyla v tu dobu stabilní.
Nárůst zásoby v letech 2006 a 2007 souvisel s rozsáhlou spekulativní výstavbou, která byla
způsobena v tu dobu nízkou nepronajatostí a hladem po skladových prostorech v souvislosti
s růstem spotřeby domácích subjektů. V letech následujících je patrný propad růstu zásoby prostor
v důsledku globální finanční krize v letech 2007 a 2008. Nová výstavba od roku 2012 roste, zvýšené
tempo růstu zásoby lze sledovat až od konce roku 2016, kdy trh po téměř deseti letech zaznamenal
první náznaky semi-spekulativní výstavby – jedná se o výstavbu na základě předpronájmu budovy,
kterou developer staví větší (zpravidla o třicet až padesát procent) než je predpronajatá část s vizí
pronájmu semi-spekulativně stavěného prostoru před jeho dokončením. Ve čtvrtletích
následujících po konci roku 2018 očekávám zpomalení růstu zásoby s ohledem na nedostatek
připravených pozemků v klíčových i méně exponovaných lokalitách.
Analýzu vývoje hrubé poptávky a nové výstavby prezentuje Graf 2 v příloze. Je patrné, že nová
výstavba předčila od roku 2002 hrubou poptávka jen v letech 2006 až 2008, kdy poměr
přejednaných a nových smluv byl ještě významně vychýlen směrem k nově uzavřeným smlouvám.
Tahouny poptávky v té době byly logistické firmy a maloobchodníci, rostoucí vliv měli také
dodavatelé v automobilovém a elektrotechnickém průmyslu.
3.1.1. Epochy v rámci sledovaného období

Finanční krize po pádu Lehman Brothers v září 2008 způsobila prudké ochlazení poptávky,
následovaný razantním poklesem nové výstavby, negativní absorpcí a strmým nárůstem
nepronajatosti. Český trh s průmyslovými nemovitostmi reagoval v souladu se závěry Thompson
a Tsolacos (2009) - důsledkem byl pokles základního nájemného v eurech o dvacet devět procent
během roku 2009.
Graf 3 detailněji popisuje vybrané ukazatele trhu s průmyslovými prostory v období mezi lety 2007
a 2018. Inspirován pracemi Wheaton (1987) a Wheaton (1999) rozdělil jsem sledované období do
tří epoch čtyřletých cyklů, které se odlišují svými charakteristikami nejen trhu uživatelů, ale i trhu
developerského a kapitálového:
- Epocha „U“, neboli epocha uživatelů – čtyři roky v období od prvního kvartálu 2008 do
čtvrtého kvartálu 2011;
- Epocha „D“, neboli epocha developerů – čtyři roky od prvního kvartálu 2012 do čtvrtého
kvartálu 2016;
49
- Epocha „I“, neboli epocha investorů – tři roky od prvního kvartálu 2016 do konce
sledovaného období ve čtvrtém kvartálu 2018.
Tabulka 5 přináší srovnání základních charakteristik trhu s prostoru v jednotlivých epochách.
Tabulka 5: Srovnání ukazatelů trhu průmyslových uživatelů v Epochách U, D a I.

Ukazatel Epocha U Epocha D Epocha I
Minimum 81 786 179 520 297 453
Čtvrtletní hrubá
Průměr 188 677 311 243 350 315
poptávka GTUt (m2)
Maximum 292 219 436 563 519 648
Minimum 13 005 31 468 55 987
Čtvrtletní nová
Průměr 103 587 92 044 163 156
výstavba SUPt (m2)
Maximum 245 657 267 021 220 774
Minimum -143 106 59 546 -8 351
Čtvrtletní čistá
Průměr 78 455 218 290 183 179
absorpce At (m2)
Maximum 266 682 403 476 296 652
Minimum 6,34% 4,12% 3,09%
Čtvrtletní
Průměr 10,24% 6,91% 4,18%
nepronajatost vt (%)
Maximum 15,03% 8,55% 4,80%
Zdroj: Vlastní výpočty na základě dat poskytnutých IRF a Savills
Grafické vyjádření rozdílnosti vybraných charakteristik trhu s prostory v jednotlivých epochách

přináší Graf 3.
Graf 3: Čtvrtletní vývoj hrubé poptávky, nové výstavby a nepronajatosti českých průmyslových
prostor k pronájmu třídy A v období BUDI
600 000 16,00%

Ep. B Epocha U Epocha D Epocha I
14,00%
500 000
12,00%
400 000
10,00%
300 000 8,00%
6,00%
200 000
4,00%
100 000
2,00%
0 0,00%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Hrubá poptávka (m2) Nová výstavba (m2) Nepronajatost (%)
Zdroj: Vlastní graf z dat poskytnutých IRF a Savills
50
Těmto třem epochám předcházela Epocha „B“, neboli bezstarostná, která skončila v roce 2007,
kdy v tu dobu nezralý český trh s průmyslovými nemovitostmi dosáhl svého maxima. Celé období
proto lze nazývat souhrnně „BUDI“. V dalším textu budu k těmto epochám referovat a analyzovat
jejich rozdíly a zvraty. Jakmile budou známa data o trhu s průmyslovými nemovitostmi za celý rok
2019, bude vhodné Epochu I o tento rok rozšířit, jelikož charakteristiky trhu v první polovině roku
2019 této epoše odpovídají.
Od konce roku 2009 hrubá poptávka vždy předčila novou výstavbu. Bez ohledu na vliv finanční
krize by k tomuto rozdílu došlo z důvodu fenoménu, který se nazývá renegociace. Renegociace,
neboli přejednání, znamená prodloužení stávajících nájemních smluv, a jejich případné expanze, ve
stávajících prostorech. Renegociace tvoří na vyspělém trhu s průmyslovými prostory, kam český
trh již patří, více než polovinu celkové hrubé poptávky.
Nová poptávka (v angličtině „net take up“) je tvořena jen podepsanými smlouvami s novými
nájemci v dané lokalitě. Jakákoliv nová poptávka v současnosti, pokud je v budoucnu prodloužena,
se stává renegociací a zůstává součástí hrubé poptávky. Informace o vývoji nové poptávky nejsou
od IRF a Savills k dispozici za celé období BUDI, a proto nejsou součástí analýzy.
První renegociace se udály v letech 2005 až 2006. K výraznému nárůstu podílu renegociací na
celkové hrubé poptávce došlo ke konci Epochy U, kdy se přejednávaly smlouvy podepsané
v silných letech 2005 a 2006.
Nová výstavba v Epoše U byla v průměru vyšší než v následujících obdobích z důvodu
setrvačnosti spekulativní výstavby z předkrizových let, která se dokončila v roce 2009. Hrubá
poptávka v Epoše U byla ve srovnání s následujícím obdobím marginální. Nepatrná nová výstavba
ve spojení se stabilní absorpcí ke konci Epochy U vyrovnala nepronajatost na úroveň před rokem
2008. Období Epochy U lze považovat za trh uživatelů, resp. nájemců, kdy nájemci mohli využívat
ihned dostupné průmyslové prostory a kdy pronajímatelé měli zájem poskytovat značné pobídky,
aby volné prostory zaplnili. Nízké výnosy a nestabilní poptávka znamenala dramatické snížení
ziskovosti developmentu a nová výstavba v tomto období klesla na minimum.
Trh vstřebal šok vyvolaný finanční krizí až v Epoše D, kdy začalo do dnešních dnů trvající období
stabilní hrubé poptávky, stabilní nové výstavby v prostředí nízké nepronajatosti a omezené
spekulativní výstavby. Období Epochy D je charakteristické postupným vyrovnáním pozic mezi
nájemci a pronajímateli při tržně rovnovážné úrovni nepronajatosti kolem osmi procent. Pobídky
poskytované nájemcům ze strany pronajímatelů se zmenšily s nárůstem robustnosti hrubé
poptávky. Z důvodu v té době stále ještě nízkých stavebních nákladů a cen dostupných pozemků
51
začal být development ziskový, což se projevilo na rostoucí nové výstavbě, která dosáhla svého
čtvrtletního maxima ve třetím kvartále roku 2015.
Postupné vyčerpání pozemků připravených pro výstavbu, komplikace s novými povoleními pro
novou výstavbu v kombinaci se stabilní, vůči předchozím obdobím vysokou, novou poptávkou
stlačily v Epoše I nepronajatost na úroveň kolem 4 procent, trh se převážil na stranu pronajímatelů,
resp. lépe řečeno na stranu investorů, zejména těch financovaných v eurech, přestože došlo v letech
2017 a 2018 k poklesu hrubé poptávky vůči předchozím letům (důvodem poklesu bylo
přejednávání stávajících smluv ze slabších let 2012 a 2013).
Investoři vnímají potíže s povolováním nové výstavby pozitivně, jelikož to znamená omezení nové
nabídky, která způsobuje tlak na zvýšení základního nájemného a zvýšení tržní hodnoty
nemovitostí (ceteris paribus). Jak je patrné z Grafů 8 a 11, eurové základní nájemné od druhé poloviny
období UDI rostlo, což mělo pozitivní vliv na tržní hodnotu průmyslových nemovitostí. Základní
nájemné v českých korunách nerostlo v Epoše I stejně rychle jako to eurové, a proto alespoň část
nájemců s příjmy v českých korunách nevnímalo růst základního nájemného rušivě.
Specifickou vlastností českého trhu je rozdělení zásoby průmyslových prostor mezi malý počet
pronajímatelů. Tři hlavní hráči – CTP, Prologis a P3 – na straně nabídky mají dlouhodobě ve
vlastnictví nebo pod správou přes šedesát procent všech ploch v Česku. Jmenovitě ve čtvrtém
čtvrtletí 2018 to bylo 5,041 milionu metrů čtverečních z celkových 7,726 milionu metrů
čtverečních. Kompaktnost zásoby je ve srovnání se sousedními trhy faktorem stability českého trhu
s průmyslovými prostory, v tomto prostředí je role oceňovatelů klíčová. Na druhou stranu tato
charakteristika znamená menší konkurenci, jelikož všichni tito tři hráči jsou nejen investory a
managery svého portfolia, ale také developery.
Spojení developera a investora v jedné skupině znamená možnost dosažení vyšších výnosů při
nižším riziku vzhledem k možnému výkyvu trhu. I ostatní hráči na trhu, jako jsou VGP nebo
Goodman, mají tuto strategii. Strategie klasického developmentu pro prodej investorovi,
reprezentovaná například společnostmi Panattoni nebo Czech Industrial Development, je v Česku
minoritní. Tato tržní struktura znamená v obdobích zpomalení trhu (Epocha U) nižší likviditu,
která je kompenzována stabilitou portfolií velkých hráčů. Transakční hodnoty průmyslových
nemovitostí v Epoše I přiměly trh k aktivitě. Trh potvrdil svoji likviditu některými zásadními
transakcemi, které jsou detailněji popsány v Části 3.3.
Graf 3 indikuje možnou sezónnost hrubé poptávky a nové výstavby, kterou popisuje Tabulka 6 se
sezónní statistikou. Lepším kritériem, než je hrubá poptávka, by pro posouzením sezónnosti byla
52
veličina nová poptávka, nicméně sezónnost lze vysledovat i z kritéria čistá absorpce, která je
tradičně nejvyšší ve čtvrtém čtvrtletí, kdy se uživatelé zásobují pro vánoční období a kdy končí
stavební sezóna a developeři předávají nájemcům do užívání nové prostory, které se začaly stavět
na jaře téhož roku. Naopak nejnižší je čistá absorpce v prvním čtvrtletí, kdy se sklady spíše
vyprazdňují a kdy nové projekty spojené s poptávkou po průmyslových prostorech teprve začínají
s novým rozpočtovým obdobím firem. Nepronajatost je v průměru nejnižší v prvním čtvrtletí.
Četnost minimální a maximální nepronajatosti v prvním a čtvrtém čtvrtletí znamená, že v prvním
a posledním kvartále, častěji než v jiných ročních obdobích, začínají a končí nájemní smlouvy.
Tabulka 6: Čtvrtletní ukazatele trhu průmyslových uživatelů v období UDI

Ukazatel Q1 Q2 Q3 Q4
Minimum 147 825 192 107 81 786 113 102
Čtvrtletní hrubá
Průměr 248 093 285 384 256 181 313 559
poptávka GTUt (m2)
Maximum 420 303 413 342 400 442 519 648
Minimum 13 005 21 519 24 846 27 538
Čtvrtletní nová výstavba
Průměr 127 692 124 663 130 427 125 165
SUPt (m2)
Maximum 269 890 194 763 267 021 220 774
Minimum -143 106 95 620 -136 885 -40 615
Čtvrtletní čistá absorpce
Průměr 104 061 141 806 139 208 175 897
At (m2)
Maximum 296 252 352 253 325 027 403 476
Minimum 4,12% 3,73% 3,09% 4,12%
Čtvrtletní nepronajatost
Průměr 7,36% 7,58% 7,45% 7,47%
vt (%)
Maximum 13,39% 15,03% 14,23% 13,58%
Stavební sezóna vrcholí ve třetím čtvrtletí, část výstavby, resp. dokončení projektů, se posouvá do
čtvrtého a prvního čtvrtletí, druhé čtvrtletí je z důvodu návaznosti na zimní období v nové výstavbě
nejslabší.
Korelogram v Grafu 4a v příloze ukazuje na významnou autokorelaci hrubé poptávky GTU

v období UDI při posunutí o 4 období (Pearsonův korelační koeficient 0,6855). V případě nové
výstavby SUP je autokorelace (Graf 4b v příloze) nejvýznamnější při posunutí o jedno období
(Pearsonův korelační koeficient 0,4415) a čtyři období (Pearsonův korelační koeficient 0,3531), což
je logické s ohledem na stavební proces a stavební sezónu. Autokorelace nové výstavby není tolik
významná jako v případě hrubé poptávky.
Výsledky korelační analýzy ukazatelů českého trhu průmyslových uživatelů a vybraných

ekonomických veličin v Tabulce 7 znamenají, že hrubá poptávka GTU je v souladu s Thompson a
Tsolacos (1999) pozitivně korelovaná s HDP, naopak nepronajatost je s HDP korelovaná
negativně. Index důvěry v průmysl (dále také jako „Index DP“) souvisí významněji jen
s nepronajatostí, jejich negativní korelace není překvapující stejně jako není překvapující negativní
korelace s vývojem HDP.
53
Tabulka 7: Pearsonova korelační matice vybraných ukazatelů trhu průmyslových uživatelů

v období BUDI
GTUt SUPt At vt HDP Zaměstnanost Index DP
GTUt 1,0000 0,1478 0,6669 - 0,5842 0,6370 0,5578 0,1674
SUPt 0,1478 1,0000 - 0,5924 - 0,3479 0,2713 0,4215 0,3515
At 0,6669 - 0,5924 1,0000 - 0,2582 0,3189 0,1372 - 0,0568
vt - 0,5842 - 0,3479 - 0,2582 1,0000 - 0,6759 - 0,5920 - 0,5625
HDP 0,6370 0,2713 0,3189 - 0,6759 1,0000 0,9456 0,1358
Zaměstnanost 0,5578 0,4215 0,1372 - 0,5920 0,9456 1,0000 0,1271
Index DP 0,1674 0,3515 - 0,0568 - 0,5625 0,1358 0,1271 1,0000
Přehled vývoje vybraných ekonomických veličin, které slouží v této studii jako nezávislé proměnné
je obsažen v Tabulce 8 v příloze. Diskuse použití těchto veličin při analýze trhu s průmyslovými
nemovitostmi je součástí metodologické části této disertační práce.
Korelační analýza hrubé poptávky GTU a nové výstavby SUP v období UDI ukázala na silnější
závislost GTU na české měnové bázi posunuté o osm období (Pearsonův korelační koeficient
0,7118) než na HDP, přitom měnová báze a HDP jsou navzájem vysoce korelované. Relativně
silný vztah má SUP se zaměstnaností posunutou o dvě období (Pearsonův korelační koeficient
0,5446), což může souviset s volatilitou zaměstnanosti vzhledem k sezónnosti ve stavebnictví.
Pearsonův korelační koeficient ukazuje těsnější negativní korelaci mezi Indexem DP posunutým o
čtyři období a absorpcí A. Tento jev si vysvětluji developerskou aktivitou, která v optimistických
obdobích rozhoduje o nové výstavbě se zpožděním čtyř čtvrtletí.
3.1.2. Srovnání českého trhu s průmyslovými prostory s trhy jiných zemí EU

V kritériu velikosti zásoby moderních průmyslových prostor na jednoho obyvatele má český trh na
konci Epochy I s hodnotou 0,754 m2 na obyvatele náskok vůči sousednímu Polsku o 0,295 m2 na
obyvatele. Polsko tento rozdíl, který je dán historicky vyšším zastoupením průmyslu v Česku, rychle
dotahuje, jelikož je poptávka i nová výstavba průmyslových ploch v Polsku v posledních letech
vysoko nad českým i evropským průměrem.
Mnohem menší rozdíl je mezi českým a německým trhem. Německý trh je však značně roztříštěný
a neexistuje zde na rozdíl od Česka celistvá databáze moderních průmyslových ploch, a proto jsou
čísla zřejmě podhodnocena, stejně jako ve Francii. Nizozemsko je logistickou supervelmocí s
vysokou kupní silou a výbornými zdroji dat o trhu s průmyslovými nemovitostmi. S 1,915 m2 na
obyvatele a 801 m2 na jeden kilometr čtvereční plochy Nizozemsko vyčnívá nad ostatními zeměmi
ve vybavenosti moderními průmyslovými plochami.
54
Srovnání zemí dle kritéria zásoby moderních průmyslových ploch v poměru k plošné velikosti a
k počtu obyvatel prezentuje Tabulka 9.
Tabulka 9: Zásoba moderních průmyslových ploch v poměru k plošné velikosti a k počtu obyvatel
v evropských zemích ke konci roku 2018
Pořadí zemí EU dle
Země Zásoba m2/km2 Zásoba na 1obyvatele
HDP na obyvatele 2018
Nizozemsko 801 1,915 3
Německo 185 0,801 6
Francie 75 0,610 11
Španělsko 57 0,592 14
Česká republika 102 0,754 15
Slovensko 55 0,499 20
Polsko 56 0,459 22
Rumunsko 18 0,214 26
Zdroj: Vlastní výpočty na základě dat poskytnutých Savills a dat z Eurostatu; pořadí zemí EU dle HDP na
obyvatele z dat Eurostatu
Zásoba moderních průmyslových prostor na 1 km2 činila ke konci roku 2018 v Česku 102 m2. Ve
srovnání s Polskem je to o 46 m2 více. V tomto kritériu zaostává český trh za německým o 83 m2.
Zajímavé je srovnání se Španělskem, které je v kupní síle před Českem, zaostává ale ve vybavenosti
moderními průmyslovými nemovitostmi. Domnívám se, že se jedná o jeden z doznívajících faktorů
finanční krize, která španělský nemovitostní sektor zasáhla více než jiné části Evropy.
V evropském kontextu je hrubá poptávka po průmyslových prostorech k pronájmu v Česku na

úrovni přibližně pěti procent celkové evropské hrubé poptávky, což nás řadí na úroveň Belgie,
těsně za Španělsko (viz Graf 5 v příloze). Celková hrubá poptávka v Evropě dosáhla v roce 2018
úrovně 26,9 milionů m2. Společnost Savills odhaduje další růst poptávky v příštích letech z důvodu
růstu v segmentu internetového obchodu, což potvrzují i studie dalších poradců jako Deloitte
(2019).
V roce 2023 by poptávka po průmyslových prostorech měla v EU dosáhnout přibližně čtyřiceti

dvou milionů metrů čtverečních s podílem internetového obchodu na úrovni patnácti procent
celkové hrubé poptávky (viz Graf 6 v příloze). Z výše uvedeného vyplývá, že trh s průmyslovými
prostory má v Česku stále vysoký potenciál růstu, jelikož se u nás internetovému obchodu
v současné době daří.
3.1.3. Čistá absorpce a nepronajatost

Graf 7 zobrazuje vývoj čisté absorpce a nepronajatosti na českém trhu s průmyslovými prostory.
55
Graf 7: Čistá absorpce A a nepronajatost v průmyslových prostor v Česku v období BUDI
450 000 15,00%

B U D I
350 000 12,00%
250 000 9,00%
150 000 6,00%
50 000 3,00%
-50 000 0,00%
-150 000 -3,00%

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Čistá absorpce (m2) Nepronajatost (%)
Zdroj: Vlastní graf a výpočty na základě dat poskytnutých IRF a Savills
Na první pohled existuje souvislost mezi čistou absorpcí a nepronajatostí – Epocha U, kdy záporná
čistá absorpce způsobuje promptní nárůst nepronajatosti, byla vystřídány Epochou D, kdy došlo
k nárůstu čisté absorpce a postupnému snížení nepronajatosti. Epocha I je charakteristická stabilní
absorpcí, která drží nepronajatost na historicky nízké úrovni. Na konci Epochy I došlo k mírné
negativní absorpci a nárůstu nepronajatosti, jelikož pronajímatelé v tomto období po více než
deseti letech spustili spekulativní výstavbu.
V rámci evropského srovnání byla nepronajatost v Česku na konci roku 2018 pod průměrem na
úrovni Belgie, Polska, Německa a Velké Británie. Nižší nepronajatost má Dánsko a Rumunsko,
naopak Španělsko a Portugalsko je nad průměrem s úrovní kolem osmi procent.
3.1.4. Základní a efektivní nájemné

Informace o základním nájemném z konkrétních transakcí jsou neveřejné a jsou do databáze
doplněny jen u transakcí, které jsou zprostředkovány členy IRF. Ze zkušenosti vyplývá, že
poradenské společnosti celkem zprostředkují přibližně čtyřicet procent roční hrubé poptávky, zbylá
část poptávek je uzavřena napřímo mezi nájemcem a pronajímatelem bez zprostředkovatele. IRF
tudíž reprezentuje méně než padesát procent všech transakcí na trhu s průmyslovými prostory, a
56
přestože je databáze IRF v současnosti nejlepším vodítkem rozhodně ji nelze považovat za

kompletní.
Nedostatek informací o transakcích na trhu s prostory znemožňuje přesné určení průměrné výše
základního nájemného v daném čtvrtletí, proto poradenské společnosti uvádí nejlepší (v angličtině
„prime“) základní nájemné formou rozpětí pro předem definovanou velikost standardního
průmyslového prostoru třídy A pro definovanou délku nájemní doby.
Základní nájemné použité v této studii vychází z dat IRF a z dat společnosti Savills a je stanoveno
pro Prahu a pro mimopražský trh jako průměr rozpětí nejlepšího základního nájemného v daném
čtvrtletí za standardní průmyslové prostory třídy A o velikosti pět tisíc m2 při nájemní smlouvě o
délce pěti let a podílu kanceláří na celkové ploše ve výši pěti procent, který je na trhu běžným
standardem. Váhou pro výpočet celorepublikového základního nájemného je velikost zásoby
průmyslových ploch v Praze a mimo Prahu. Funkční zápis výpočtu základního nájemného shrnují
Vzorce 11 až 13 (vlastní návrh - pozn. autora):
𝑅𝑚𝑎𝑥𝑃𝑡 −𝑅𝑚𝑖𝑛𝑃𝑡
𝑅𝑃𝑡 = ( ) (1 − 𝑘𝑂 ) + 𝑅𝑂𝑃𝑡 𝑘𝑂 (11)
2
𝑅𝑚𝑎𝑥𝑃𝑡 −𝑅𝑚𝑖𝑛𝑃𝑡
𝑅𝑀𝑃𝑡 = ( ) (1 − 𝑘𝑂 ) + 𝑅𝑂𝑃𝑡 𝑘𝑂 (12)
2
𝑅𝑝𝑡 𝑆𝑝𝑡 +𝑅𝑀𝑃𝑡 𝑆𝑀𝑃𝑡

𝑅𝐵𝑅𝑡 = (13)
𝑆𝑃𝑡 +𝑆𝑀𝑃𝑡
, kde je
RPt…měsíční základní nájemné v Praze v čase t;
RMPt…měsíční základní nájemné v mimopražských lokalitách v čase t;
RBRt…průměrné měsíční základní nájemné českého trhu s průmyslovými nemovitostmi v čase t;
RmaxPt, RmaxMPt…horní hranice měsíčního základního nájemného v Praze, resp. mimo Prahu v čase
t;
RminPt, RminMPt…dolní hranice měsíčního základního nájemného v Praze, resp. mimo Prahu v čase t;
kO…koeficient podílu kancelářských prostor na celkových prostorech;
ROPt, ROMPt…měsíční základní nájemné za kancelářské prostory v Praze, resp. mimo Prahu v čase t;
SPt, SMPt…zásoba moderních průmyslových prostor v Praze, resp. mimo Prahu v čase t.
57
Takto vypočtené základní nájemné je v podstatě průměrovým indexem, který splňuje podmínku
homogenity podkladového vzorku nemovitostí a který byl popsán v části 2.1.2.1. Základní nájemné
je na českém trhu s průmyslovými prostory kotováno v eurech, platby standardně probíhají
po přepočtu přes směnný kurz ČNB střed v českých korunách. Průběh základního nájemného
v eurech a v českých korunách srovnávají Grafy 8 a 9 v příloze. Na první pohled je patrné, že kurz
české koruny například způsobil volnější pád základního nájemného v Epoše U a uvolnění
kurzových intervencí ČNB v dubnu 2017 znamenal pomalejší nárůst, resp. stagnaci, základního
nájemného v Epoše I.
Tabulka 10 v příloze prezentuje informace o základním nájemném a o rozdělení prostor mezi

pražský a mimopražský trh s průmyslovými prostory. Popisnou statistiku základního nájemného
prezentuje Tabulka 11. Průměrné základní nájemné v Praze v období BUDI je na úrovni
110,18Kč/m2/měsíc, v mimopražských lokalitách je průměr vyšší a činí 114,89Kč/m2/měsíc.
Tabulka 11: Popisná statistika základního nájemného v Praze a mimo Prahu v období BUDI
Základní nájemné Minimum 94,52 Kč
v Praze Průměr 110,18 Kč
(Kč/m2/měsíc) Maximum 137,49 Kč
Základní nájemné Minimum 106,07 Kč
mimo Prahu Průměr 114,89 Kč
(Kč/m2/měsíc) Maximum 132,12 Kč
Zdroj: Vlastní výpočty z dat poskytnutých Savills
Graf 10 popisuje zajímavou situaci na českém trhu s průmyslovými nemovitostmi po přepočtu

průměrného základního nájemného v Praze a mimo Prahu do českých korun. V období Epochy B
je charakteristické vyšším základním nájemným v Praze než v mimopražských lokalitách. Posilující
koruna zlevňovala v tu dobu stabilní eurové základní nájemné v moderních průmyslových
prostorech již od poloviny roku 2007. Po pádu Lehman Brothers došlo v Praze i mimo Prahu k
přechodném navýšení základního nájemného v českých korunách, které bylo způsobeno
zhoršením kurzu české koruny v posledním čtvrtletí roku 2008. Na více než 8 let to bylo naposledy,
kdy základní nájemné v Praze v českých korunách (a konec konců i v eurech) bylo nad úrovní
základního nájemného mimo Prahu.
58
Graf 10: Základní nájemné v Praze a mimo Prahu a nepronajatost průmyslových prostor v Česku
v období BUDI
140,00 Kč 16,00%
B U D I
135,00 Kč
14,00%
130,00 Kč
125,00 Kč 12,00%
Intervence ČNB
120,00 Kč
10,00%
115,00 Kč
8,00%
110,00 Kč
105,00 Kč 6,00%
100,00 Kč
4,00%
95,00 Kč
90,00 Kč 2,00%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Základní nájemné v Praze (Kč/m2/měsíc) Základní nájemné mimo Prahu (Kč/m2/měsíc)

Nepronajatost (%)
Základní nájemné v českých korunách v Praze kleslo až na úroveň 95,31 Kč/m2/měsíc ve druhém
čtvrtletí roku 2010, minima dosáhlo ve třetím kvartále roku 2011. Na mimopražském trhu klesalo
základní nájemné pozvolněji a dosáhlo svého minima 106,07Kč Kč/m2/měsíc ve druhém čtvrtletí
2011.
Důvody takového vývoje ve sledovaném období, stejně jako důvody vyššího průměrného
základního nájemného v převážné části období BUDI mimo Prahu, jsou několikeré:
- faktor 1: dominantní postavení pronajímatele CTP v mimopražských lokalitách;

- faktor 2: orientace nájemců v mimopražských lokalitách na výrobu s vyšší přidanou hodnotou
vůči pražským nájemcům orientovaným na standardní logistiku;
- faktor 3: vysoká konkurence na v tu dobu roztříštěném pražském trhu;
- faktor 4: ochota pronajímatelů poskytovat v Praze nájemcům slevy ze základního v zájmu
zaplnění nepronajatých prostor.
Všechny tyto faktory se od Epochy U měnily ve prospěch Prahy až došlo k vyrovnání průměrného
základního nájemného v obou regionech v posledním kvartále 2018:
59
- faktor 1: prémium základního nájemného CTP v mimopražských regionech přilákalo

konkurenci, která znamenala pomalejší nárůst základního nájemného;
- faktor 2: rostoucí vliv e-commerce a zvyšující se spotřeba v Praze znamená nutnost vyšších
investic nájemců do prostorů, vyšší přidanou hodnotu provozů a tím i významnější neochotu
nájemců ke stěhování;
- faktor 3: nedostatek pozemků pro výstavbu v Praze má za následek rychlejší růst základního
nájemného;
- faktor 4: nízká nepronajatost v Praze znamená neochotu pronajímatelů poskytovat slevy ze
základního nájemného.
V současné době lze mimopražský trh dělit na trh plzeňský, ústecký, brněnský (resp. jihomoravský)
a ostravský (resp. moravskoslezský). Oblast východních a jižních Čech ještě čeká na svoji obrodu.
Každý trh má jinou dynamiku, lze ale konstatovat, že mimopražský trh funguje celistvě a základní
dělení mezi Prahu a mimopražské lokality je možno považovat za relevantní.
Základní nájemné v českých korunách vykazuje vysokou míru autokorelace při posunu o jedno
období (r=0,9006), autokorelace je signifikantní v posunu až o čtyři období (r=0,555).
K obdobnému závěru dospěli i Tsolacos et al (2005), jedná se tudíž o fenomén potvrzený i
z vyspělejších trhů. Vývoj základního nájemného má skutečně paměť, pronajímatelé jej neradi
mění, jelikož základní nájemné slouží jako důležitý faktor stanovení tržní hodnoty nemovitosti.
Podstatný vliv na autokorelaci má i existence indexačních doložek, které způsobují nárůst
základního nájemného v čase a které zohledňují faktor zhodnocení stávajících prostor z důvodu
omezené velikosti prostorové zásoby.
Efektivní nájemné je definováno jako průměrné nájemné po dobu nájmu po zohlednění všech
pobídek ve formě nájemních prázdnin a příspěvků na dovybavení. Jestliže jsou data o základním
nájemném dostupné alespoň ve formě spreadu, který prezentují IRF a poradenské společnosti,
informace o efektivním nájemném nejsou dostupné vůbec, jelikož jeho výpočet je specifický pro
každou transakci a jeho vývoj se nesleduje. Přesto tento indikátor trhu, který je mezi účastníky
sdílen ústně, slouží účastníkům trhu v orientaci a předpovědi jeho dalšího vývoje.
Pro stanovení výše efektivního nájemného jsem se inspiroval ve výnosové metodě „doby a
návratu“ (v angličtině „term and reversion“), ve které oceňovatel určuje dobu, po kterou
pronajímatel nebude inkasovat nájemné (v angličtině „void“). V peněžním vyjádření je „void“
souhrnem ušlého nájemného po dobu nutnou pro nalezení nájemce a pobídek, které pronajímatel
poskytne nájemci.
60
Tržní efektivní nájemné lze tudíž vyjádřit Vzorcem 14 (vlastní návrh – pozn. autora):
𝑅𝐸𝑅𝑡 = 𝑅𝐵𝑅𝑡 [1 − (𝑣𝑡 + 𝑘𝐷𝑡 )] (14)
, kde je
RERt…měsíční efektivní nájemné českého trhu s průmyslovými nemovitostmi v čase t;
RBRt…základní nájemné českého trhu s průmyslovými nemovitostmi v čase t;
vt…nepronajatost na českém trhu s průmyslovými nemovitostmi v čase t;
kDt…koeficient slevy z nájemného v čase t.
Pronajímatelé při poskytování slev nájemcům zvažují mnoho různých faktorů, nicméně
nejdůležitějším faktorem je stav a budoucí vývoj trhu s prostory. Základní orientaci o stavu trhu
s prostory získávají obě strany trhu z kritéria nepronajatosti, která je vyjádřena procentem
nepronajatých ploch na celkové zásobě trhu. V období vysoké nepronajatosti, obzvláště při
výhledu dalšího oslabení poptávky a značné rozestavěnosti, pronajímatelé preferují své pozice
uzavírat a poskytují nájemcům větší slevy. Naopak v období nízké nepronajatosti, stabilní nebo
rostoucí poptávky při nízké úrovni rozestavěnosti, pronajímatelé poskytování slev nájemcům
omezují. Tento závěr je v souladu s Thompson a Tsolacos (1999), kteří uvádějí nepronajatost jako
jednu ze zásadních veličin ovlivňujících výši nájemného, k obdobnému závěru dospěli i Buttimer
et al. (1997).
S rostoucí nepronajatostí tudíž roste i procento slevy a naopak, proto má výše slevy z nájemného
progresivní charakter. Rovněž platí, že pronajímatelé poskytují pobídky i v případě, že je
nepronajatost minimální, jelikož se na trhu vytvořil úzus o standardní slevě pěti procent při pětileté
nájemní smlouvě za jakéhokoliv stavu trhu. Maximální sleva je v případě stávajícího objektu
ohraničena podmínkami financování a v případě nové výstavby požadovaným developerským
ziskem, jen za výjimečných tržních podmínek může sleva překročit při pětileté smlouvě dvacet
procent. Vyjádřím-li slevu ve formě doby „void“, potom sleva pět procent při pětileté nájemní
smlouvě odpovídá třem měsícům nájemného, a sleva dvacet procent odpovídá dvanácti měsícům
nájemného. V oceněních se „void“ pohybuje právě v tomto intervalu.
Na základě výše uvedených úvah jsem odvodil koeficient slevy z nájemného v následujících
intervalech dle tržní nepronajatosti:
61
Tabulka 12: Nepronajatost a koeficient slevy

Nepronajatost Koeficient slevy kD
<3,50% +3%
3,51% - 7,00%_ +4%
7,01% - 10,50% +5%
10,51% - 13,50% +6%
>13,51% +7%
Zdroj: Vlastní výpočty
Vývoj efektivního nájemného v eurech a v českých korunách vypočteného dle Vzorce 14 popisuje
Graf 11 v příloze. Efektivní nájemné v českých korunách se stejně jako v eurech dotklo svého
minima mezi lety 2009 a 2010, odkdy s výkyvy roste až do současnosti. V Epoše D efektivní
nájemné v českých korunách narostlo z úrovně 95Kč na úroveň 100Kč/m2/měsíc, v eurech to
bylo navýšení z úrovně 3,60EUR na 3,80EUR/m2/měsíc. V Epoše I se efektivní nájemné
v českých korunách stabilizovalo a osciluje kolem úrovně 105Kč/m2/měsíc. Efektivní nájemné
v eurech se ve stejném období vyšplhalo na své maximum až v polovině roku 2018, aby ke konci
roku kleslo k 4,07EUR/m2/měsíc. Tento vývoj odpovídá skutečné situaci na trhu s prostory
v období BUDI, a proto lze model efektivního nájemného považovat za relevantní.
Z modelu efektivního nájemného vyplývá, že efektivní nájemné mezi lety 2007 a 2018 pokleslo o
12,6 procenta, přitom ceny pozemků vzrostly (viz část 3.2.1.). S ohledem na závěry Thompson a
Tsolacos (2001) to znamená, že existuje prostor pro růst efektivního (i základního – pozn. autora)
nájemného v dalších obdobích. V letech 2019 a 2020 tudíž předpokládám navýšení základního
nájemného a jeho stabilizaci mezi 110Kč a 125Kč/m2/měsíc, resp. 4,30 a 4,90EUR/m2/měsíc.
Efektivní nájemné ve stejném období bude oscilovat mezi 105Kč a 120Kč/m2/měsíc, resp. mezi
4,10EUR a 4,70EUR/m2/měsíc.
Dle French a Wiseman (2003) zvažují nájemci celkové náklady prostoru, nájemné je jedním, i když
zřejmě nejdůležitějším, z mnoha dalších faktorů. Technologická vylepšení moderních
průmyslových budov, jako jsou úsporné osvětlení LED nebo lepší izolace a efektivnější topné
systémy, umožňují nájemců z důvodu úspor provozních nákladů platit vyšší základní nájemné
Některé úsporné technologie jsou nájemcům nabízeny formou pobídky, takže efektivní nájemné
nemusí růst stejně jako základní nájemné (pozn. autora).
Institut efektivního nájemného umožňuje pronajímatelům poskytovat slevy nájemcům jinou

formou než snižováním základního nájemného, proto statistiky základního nájemného plně
nereflektují skutečný stav místního trhu v daném čase a jsou spíše dlouhodobou úrovní nájemného,
kterou trh pro určitou nemovitost považuje za akceptovatelnou a se kterou je kalkulováno při
výpočtu tržní hodnoty projektu. Časové řady základního nájemného jsou tudíž vůči průběhu
62
efektivního nájemného vyhlazeny, jak ukazuje Graf 12 v příloze. Efektivní nájemné je z tohoto
pohledu lepším indikátorem skutečného stavu trhu s průmyslovými prostory a bude lepším
podkladem pro konstrukci indexu v metodologické části disertační práce, který může sledovat trh
uživatelů (více viz metodologická část – pozn. autora).
Korelační analýza pomocí Pearsonova korelačního koeficientu ukázala pozitivní souvislost

efektivního nájemného s Indexem DP posunutým o dvě období (r=0,6179). Korelační analýza
nepotvrdila vztah s jinou nezávislou proměnnou v Tabulce 8. Obdobně jako základní nájemné i
efektivní nájemné vykazuje vysokou autokorelaci při posunu o jedno období (r=0,9301),
autokorelace je signifikantní při posunu dokonce až o sedm období (r=0,5043). Autokorelace v
efektivním nájemném ve srovnání se základním nájemným je umocněna přepočtem přes
nepronajatost, která se mění zvolna a pravidelně nikoliv skokově a nepravidelně.
V souvislosti s předchozím výkladem a rozdílným průběhem základního a efektivního nájemného

v eurech a v českých korunách je vhodné shrnout vliv kurzových intervencí ČNB, které probíhaly
v období listopad 2013 až duben 2017. Intervence ČNB měly dvojí vliv na trh s průmyslovými
prostory:
- levnější koruna znamenala nižší náklady pro exportéry a pro poskytovatele logistických služeb
s příjmy v eurech, což podpořilo růst těchto společností a jejich zvýšenou poptávku po
moderních průmyslových prostorech;
- dražší eurové základní i efektivní nájemné pro subjekty s příjmy v českých korunách, resp.
zlevnění základního a efektivního nájemného pro tyto subjekty po konci kurzových intervencí.
Po skončení intervencí došlo k posílení koruny, čímž vznikl prostor pro růst základního nájemného
v eurech i v korunách v období od poloviny roku 2017. Tento trend byl umocněn stabilní
poptávkou a již zmíněným nedostatkem nové výstavby.
V evropském kontextu je základní nájemné na českém trhu s moderními průmyslovými

nemovitostmi na podprůměrné výši a lze dovodit, že stejná situace je i při srovnání efektivního
nájemného. Ze zdrojů Savills vyplývá, že základní nájemné v Česku je ve srovnání s Belgii či s
Portugalskem, kde je nejlepší základní nájemné na úrovni 5,00EUR/m2/rok, přibližně o deset
procent nižší, o padesát procent vyšší základní nájemné je v Berlíně nebo v nejlepších lokalitách v
Holandsku. Ve středoevropském regionu je základní nájemné na českém trhu s průmyslovými
prostory nejvyšší. Ve srovnání celkových nákladů ale český trh s ostatními středoevropskými trhy
nevychází vůbec špatně, jelikož náklady na energie a na místní daně z nemovitostí jsou v Česku
nižší, celkový náklad spojený s nájmem průmyslových nemovitostí je proto srovnatelný.
63
Na závěr této části je vhodné zmínit systém „triple net lease“ nebo také „NNN“, který se na trhu
s moderními průmyslovými nemovitostmi postupem času prosadil. V tomto systému je nájemce
odpovědný, kromě platby nájemného a plateb za spotřebu energií, i za veškerou údržbu a opravy
nestrukturálních částí budovy, nájemce hradí i daň z nemovitosti a pojištění budovy napřímo nebo
prostřednictvím poplatků za služby prostřednictvím pronajímatele. Pronajímatel je odpovědný za
údržbu a opravy strukturálních částí budovy případně za služby týkající se celého průmyslového
parku, nicméně tyto náklady jsou rovněž zahrnuty do poplatků za služby, které hradí nájemce.
Základní nájemné je tudíž očištěno o náklady spojené s provozem budovy a lze jej považovat za
čistý provozní příjem spojený s vlastnictvím budovy. Náklady spojené s provozem budovy včetně
daně z nemovitosti a pojištění budovy bez energií se u moderních průmyslových hal pohybuje na
úrovni 0,70EUR/m2/měsíc. Náklady na spotřebu energií jsou specifické pro každý provoz, a nelze
je tudíž paušalizovat. S ohledem na French a Wiseman (2003) jsou tyto náklady spojené s nájmem
průmyslových prostor důležitým faktorem při rozhodování nájemce o konkrétním prostoru.
Pro účely této studie lze konstatovat, že v celém sledovaném období se náklady spojené
s provozem moderních průmyslových budov v Česku významně neliší a lze je považovat za
konstantu, která neměla na vývoj základního a efektivního nájemného zásadní vliv. Pokud
v budoucnu dojde k výrazné změně těchto nákladů, může dojít ke korekci efektivního nájemného,
základní nájemné ovlivněno nebude, jelikož pronajímatelé se budou snažit zvýšené náklady
kompenzovat formou pobídek, případně úpravou technického standardu za účelem zefektivnění
provozu budovy.
3.2. Český developerský trh a trh s pozemky pro novou výstavbu

Development je komplexní a dlouhodobá činnost, která vyžaduje maximální úsilí a výdrž. Jde o
běh na dlouhou trať, který v sobě nese značné riziko ztráty a zároveň možný vysoký zisk.
Developeři zajišťují dostatečný přísun moderních prostor na trh. Stále častěji fungují jako
katalyzátor, který čistí trh od přebytečných a nevyhovujících nemovitostí, které nahrazují novými,
technologicky vybavenými prostory, které mohou sloužit dalšímu intenzivnějšímu využití. S růstem
populace a s růstem nároků na kvalitu života klesá zásoba volného rozvojového prostoru, a proto
efektivní využití prostorů je nevyhnutelný budoucí proces. Developeři v tomto procesu hrají
nezastupitelnou roli. Mají podklady pro svá rozhodnutí, která dělají s vizí budoucího, dnes
neznámého, trhu, a proto často potřebují použít i intuici, o to složitější je sledovat developerský
trh pomocí indexových nástrojů.
64
Stejně jako v ostatních částech nemovitostního trhu i na developerském trhu jsou relevantní a
ověřitelná data nedostačující, proto jsem dostupná data doplnil o vlastními výpočty. Tabulka 13 v
příloze shrnuje vývoj hlavních ukazatelů developerského trhu.
3.2.1. Celkové náklady developmentu

Hrubé stavební náklady v kategorii „811 – Haly pro výrobu a služby“ získané z Českých stavebních
standardů byly po konzultaci s projektovým manažerem se zkušeností s výstavbou moderních
průmyslových ploch T. Budařem navýšeny o dvacet pět procent, tedy o faktor dovybavení do
technického standardu moderních průmyslových prostor třídy A. Výsledné hodnoty odpovídají
skutečným nákladům a věrně popisují vývoj ve sledovaném období. V roce 2009 došlo k oslabení
stavebního trhu, stavební firmy neměly dostatek práce a výsledkem byl postupný pokles cen
stavebních prací až do roku 2013, odkdy ceny opět nepřetržitě rostou. Tabulka 13 v příloze ve
sloupci stavební náklady HCt tento vývoj zachycuje.
Dalším důležitým vstupem do nákladové funkce developmentu je cena pozemků, která tvoří mezi
deseti až třiceti procenty celkových nákladů výstavby. Jestliže na trhu s prostory a na kapitálovém
trhu existují alespoň nějaká data o ukazatelích, na trhu s pozemky pro průmyslový development
nejsou k dispozici žádná data o vývoji cen průmyslových pozemků a o objemu transakcí s nimi,
nelze tudíž odkázat na jakýkoliv zdroj a nutno při odvození vývoje cen pozemků vyjít ze zkušenosti.
Ze zkušenosti vyplývá, že cenu pozemku je nutno svázat se standardem jeho připravenosti. Na

trhu se ustálila praxe stanovení ceny pozemku ve fázi, kdy je k dispozici pravomocné územní
rozhodnutí a infrastruktura na jeho hranici. V poslední době se v Česku používá spíše kritérium
stavebního povolení, jelikož jedině stavební povolení je jistotou výstavby (pozn. autora). Daň
z převodu a poplatek za vynětí ze zemědělského půdního fondu do ceny pozemku nevstupují.
V souvislosti s pozemky je nutno zmínit velké regionální rozdíly mezi cenami průmyslových
pozemků a z toho vyplývající široký interval podílu ceny pozemku v celkovém rozpočtu. Pozemky
v hlavních průmyslových lokalitách vybavené pravomocným územním rozhodnutím a sítěmi se
obchodují za až pětkrát vyšší ceny než pozemky v méně exponovaných regionech. Pro účel
disertační práce jsem modeloval průměrnou cenu průmyslového pozemku s povolením pro
výstavbu se zastavěností padesát procent, tzn. padesát procent plochy pozemku je pokryto
půdorysem haly, zbytek tvoří zpevněné plochy a zeleň. Zastavitelnost pozemku je jedním
z klíčových parametrů, který rozhoduje o jeho výtěžnosti a o ziskovosti developmentu na něm.
Padesátiprocentní zastavitelnost je optimální maximálně efektivní zastavitelnost pro průmyslový
development.
65
Na českém trhu s pozemky platí úzus o souladu vývoje cen pozemků s inflací bez vztahu
s hospodářským cyklem. Pro účely analýzy jsem zvolil výchozí cenu za pozemky připravené pro
průmyslový development ve výši 1100Kč/m2, která dle zkušenosti odpovídá průměrné ceně
průmyslových pozemků s pravomocným územním rozhodnutím a sítěmi na hranici v roce 2007.
Inflace aplikovaná na výchozí cenu průmyslových pozemků znamená nárůst ceny v období BUDI
na úroveň 1391Kč/m2, která dle mé zkušenosti odpovídá průměrné ceně v posledním kvartále
tohoto období.
Thompson a Tsolacos (2001) dovozují, že vývoj cen pozemků je svázán nikoliv s inflací, ale
s nájemným a kapitalizační mírou prostřednictvím výpočtu reziduální hodnoty pozemku, kterou
jsou developeři schopni a ochotni za výkup pozemku zaplatit. Tento předpoklad dle mojí
zkušenosti nefunguje na českém trhu, na kterém reziduální výpočet ceny pozemků není akceptován
jejich vlastníky a na kterém pozemky připravené k výstavbě postupně dochází, a proto ceny
pozemků rostou zejména z důvodu jejich omezeného množství. V tomto případě se developeři
cenám pozemků přizpůsobují.
Dle Boudry et al (2012) by růst tržních hodnot pozemků měl být vyšší než růst tržní hodnoty
budov. V období od roku 2007, kdy byly nominální hodnoty průmyslových nemovitostí na svém
maximu, do konce roku 2018 tržní hodnota průmyslových nemovitostí poklesla (viz také části 3.3.
a 4.4.). Ve stejném období modelované ceny pozemků vzrostly o 26,45 procent, a proto v souladu
s Boudry et al (2012) lze navržený model vývoje cen průmyslových pozemků v závislosti na inflaci
považovat za reálný a pro účely analýzy v disertační práci za vhodný.
Česká republika je v současné době, dle The World Bank (2019) na sto padesátém šestém místě
v délce získání povolení pro výstavbu, od roku 2018 si Česko v tomto kritériu pohoršilo o dvacet
devět míst (viz Tabulka 2). V průměru lze získat povolení k výstavbě za dvě stě čtyřicet šest dní,
povolení pro průmyslový objekt trvá o něco déle, cca dvanáct měsíců. Výstavba průmyslových
ploch si vezme v našich klimatických podmínkách a v současném stavu stavební technologie
v průměru devět měsíců. Celkem development průmyslových ploch trvá po započtení nutných
právních kroků k zajištění pozemku cca dvacet čtyři měsíců od rozhodnutí na pozemku stavět.
Projekt iniciovaný v roce 2019 bude tudíž dokončen nejdříve v roce 2021. Délka povolovacího
procesu znamená zásadní zpoždění nabídky za poptávkou a tím i tlak na růst základního nájemného
(Fischer, 1999) a zprostředkovaně na růst tržní hodnoty nemovitostí. Český trh s průmyslovými
nemovitostmi lze z tohoto důvodu považovat za nerovnovážný (Wheaton a Torto, 1990). Od roku
2018 s ohledem na délku povolovacího procesu a s ohledem na ubývající zásobu ceny pozemků
66
připravených pro průmyslový development v Česku rostou rychleji než inflace, což bude nutno
zohlednit v modelu, jakmile bude v budoucnu rozšířen o rok 2019.
Ke stavebním nákladům a nákladům na pozemky je nutno připočítat i odměny konzultantům,

právníkům, projektantům a náklady financování, které se běžně pohybují na úrovni patnáct až
dvacet procent z celkového stavebního rozpočtu. Do nákladů se zahrnují i pobídky nájemcům,
jelikož tržní hodnota nemovitostí se stanovuje na základě základního nájemného nikoliv
z nájemného efektivního, proto se pobídky nájemcům vykazují v developerských projektech na
straně nákladové, aby nijak nevstupovaly do výpočtu tržní hodnoty. Součtem všech těchto nákladů
je celkový náklad na výstavbu průmyslových nemovitostí včetně odměn a financování TCt.
Nákladová funkce developmentu má tudíž následující funkční zápis (Peiser a Hamilton, 2012):
𝑇𝐶𝑡 = 𝐿𝑡 + 𝐻𝐶𝑡 + 𝑆𝐶𝑡 + 𝐹𝐶𝑡 (15)
, kde je
TCt…celkové náklady developmentu v čase t;
Lt…náklady na pozemek včetně infrastruktury a povolení k výstavbě v čase t;
HCt....stavební náklady (neboli „hard costs“) v čase t;
SCt…náklady na odměny konzultantům, právníkům a projektantům včetně odměny developera a

pobídek pro nájemce (neboli „soft costs“) v čase t;
FCt…náklady na úvěrové financování v čase t.
3.2.2. Ziskovost developmentu

Mezi náklady developmentu se řadí i developerský zisk DPt, který se u průmyslových nemovitostí
pohybuje na úrovni patnáct až dvacet pět procent z celkových nákladů. Developerský zisk je
rozdílem mezi transakční cenou, za kterou je projekt prodán na kapitálovém trhu, resp. tržní
hodnotou, za kterou je nemovitost zařazena do portfolia nemovitostního fondu, a celkovými
náklady TC projektu v čase t (Peiser a Hamilton, 2012):
𝐷𝑃𝑡 = 𝑇𝑃𝑡 − 𝑇𝐶𝑡 (16)
, kde je
DPt…developerský zisk v čase t;
TPt…transakční cena, resp. tržní hodnota nemovitosti, v čase t;
TCt…celkové náklady v čase t.

67
Zájmem developera je zkrátit dobu trvání developerského projektu na minimum, aby rentabilita
vloženého kapitálu byla co možná nejvyšší a náklady financování co nejnižší. Pokud se celkové
náklady TCt v Tabulce 13 v příloze odečtou od transakčních cen TPt vypočtených z dat v Tabulce
14 v příloze lze získat odhad developerského zisku v obdobích, ve kterých došlo k reálným
transakcím. Podíl takto vypočteného zisku na celkových nákladech včetně odměn je odhadem
ziskovosti průmyslového developmentu.
V Grafu 13 je v souladu se závěry studie Wheaton (1999) zřetelný vztah mezi novou výstavbou
průmyslových prostor a odhadnutou ziskovostí průmyslového developmentu. Tento vztah se mezi
jednotlivými epochami liší.
V letech 2006 a 2007, v Epoše B, byla ziskovost průmyslového developmentu na svém vrcholu,
v tu dobu nízké ceny pozemků při stále relativně nízkých stavebních nákladech byly dostatečně
kompenzovány transakčními cenami nemovitostí, které byly z dnešního pohledu na svoji dobu
nadhodnocené.
Graf 13: Nová výstavba a developerský zisk v období BUDI
300 000 100%

B U D I
275 000 90%
250 000 80%
225 000 70%
200 000 60%
175 000 50%
150 000 40%
125 000 30%
100 000 20%
75 000 10%
50 000 0%
25 000 -10%
0 -20%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Nová výstavba (m2) Developerský zisk (%) Polyn. (Developerský zisk (%))
Zdroj: Vlastní graf a výpočty z dat poskytnutých IRF a Savills a z dat dle Českých stavebních standardů
Poptávka se v tu dobu zdála být rovněž stabilní a nízká zásoba a vidina vysokého zisku motivovala
developery ke spekulativní výstavbě. Prudký pád tržních hodnot nemovitostí a poptávky v roce
68
2009 znamenal postupné snížení ziskovosti projektů až do ztrátovosti v letech 2009 až 2012,
developeři v tu dobu téměř přestali stavět.
Zvýšení ziskovosti a stabilizace poptávky po prostorech v letech 2014 a 2015, stále ještě nízké ceny
stavebních pozemků a jejich dostatečná zásoba v kombinaci s rostoucími tržními hodnotami
průmyslových nemovitostí podnítila developerskou aktivitu v Epoše D, která rostla i v Epoše I,
kdy development již naráží na nedostatek připravených volných pozemků. Růst cen pozemků pro
průmyslový development se od poloviny roku 2018 zrychluje. Developeři průmyslových
nemovitostí, častěji než v minulosti, sahají po rozvoji brownfieldových a dražších lokalit, aby mohli
uspokojit poptávku po prostorech.
Korelační analýza ukázala pozitivní korelaci mezi developerským ziskem a Indexem DP posunutým
o dvě období (r=0,6218) a mezi developerským ziskem a novou výstavbou v běžném období
(r=0,7267). V souladu s očekáváním developerský zisk nekoreluje s makroekonomickými ukazateli
v Tabulce 8, jelikož HDP a měnová báze mají v sobě komponent paměti a ostatní ukazatele nijak
s developerskou aktivitou nesouvisí. Rozhodnutí developerů o nové výstavbě závisí na posouzení
regionálních tržních podmínek spíše než na makroekonomických faktorech.
3.3. Indikátory českého kapitálového trhu s průmyslovými

nemovitostmi
Český trh s moderními průmyslovými nemovitostmi dosáhl na konci roku 2018 odhadované tržní
kapitalizace na úrovni 156,7 miliardy korun českých. České průmyslové nemovitosti se staly
vyhledávaným aktivem v portfoliích zahraničních i lokálních fondů.
Nejvyšší míra tržní kapitalizace na trhu s průmyslovými nemovitostmi je dlouhodobě sledována

poradenskými společnostmi pro Prahu a mimopražské lokality bez rozdělení na jednotlivé kraje.
Celistvá databáze transakcí na kapitálovém trhu s průmyslovými nemovitostmi není k dispozici,
jelikož transakce probíhají v režimu utajení a formou prodeje společností, proto nejsou informace
veřejně dostupné. Ze zdrojů IRF, z informací společnosti Savills a vlastními výpočty se mi podařilo
složit dohromady elementární ukazatele trhu včetně informací o proběhlých transakcích, které jsou
prezentovány v Tabulce 14 v příloze.
Z databáze proběhlých transakcí jsem odstranil transakce s halami třídy B a transakce s prázdnými
budovami bez pronájmu. Takto očištěná databáze srovnatelných transakcí (Geltner, 2014) v sobě
stále skrývá některé nahodilosti (Geltner a Ling, 2006), které je nutno mít v patrnosti:
69
- portfoliové transakce – některé nemovitostní transakce proběhly na úrovni celého portfolia

nemovitostí v různých lokalitách, z dostupných informací nelze určit přínos jednotlivých
nemovitostí nebo lokalit k celkové transakční ceně portfolia (např. VGP portfolio v prvním
kvartálu 2011, CTP portfolio ve čtvrtém kvartálu 2018);
- transakce na úrovni vlastního kapitálu – některé transakce proběhly formou převodu méně
než stoprocentního podílu v nemovitostním portfoliu (např. VGP portfolio v prvním kvartálu
2011);
- pozemky pro development a potenciál pro další zhodnocení – transakční ceny obsahují
v mnoha případech i pozemky pro další development a v ceně byl zohledněn i potenciál
dalšího zhodnocení například formou navýšení kancelářského komponentu (např. VGP
portfolio v prvním kvartálu 2011, P3 portfolio ve čtvrtém kvartálu 2016);
- správa portfolia – součástí některých transakcí bylo zachování aktivní správy portfolia ze strany
původního vlastníka (např. VGP portfolio v prvním kvartálu 2011, CTP portfolio ve čtvrtém
kvartálu 2018).
3.3.1. Transakční ceny a odborné odhady tržní hodnoty průmyslových

nemovitostí
Výše uvedené faktory měly jistě zásadní vliv na výslednou výši transakční ceny, je nutno je při
analýze brát v úvahu, není možno jakkoliv jejich vliv odfiltrovat. Graf 14, který srovnává transakční
ceny průmyslových nemovitostí v Praze a mimo Prahu, dokládá vhodnost rozdělení období do čtyř
epoch a zároveň ukazuje hned několik zajímavých na první pohled zřetelných jevů:
- v souladu se závěry Bokhari a Geltner (2010) došlo při medvědím trhu v letech 2008 až 2010
k pozastavení obchodování s průmyslovými nemovitostmi, jelikož vlastníci průmyslových
nemovitostí preferovali inkaso základního nájemného, než aby realizovali nižší než očekávaný
kapitálový výnos;
- četnost transakcí se od roku 2012 zvýšila, v letech 2014 až 2018 došlo k transakci
s průmyslovými nemovitostmi třídy A v každém pololetí, trh je likvidnější a chová se
procyklicky (Geltner, 2014);
- průměrná transakční cena v Praze a mimo Prahu od roku 2011 má rostoucí trend, nejnižší
cena 497EUR/m2 průmyslového prostoru třídy A v Praze byla dosažena v prvním kvartále
2014, cena mimo Prahu dosáhla svého minima 550EUR/m2 ve čtvrtém kvartále 2011;
- trendové linie založené na lineárním průběhu transakčních cen průmyslových nemovitostí
v Praze a mimo Prahu se od roku 2010 přibližují.
70
Graf 14: Průměrná transakční cena průmyslových nemovitostí v Praze a mimo Prahu v období
BUDI
1 400 €
B U D I
1 300 €
1 200 €
1 100 €
1 000 €
900 €
800 €
700 €
600 €
500 €
400 €
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Cena prostoru v Praze (EUR/m2) Cena prostoru mimo Prahu (EUR/m2)
Zdroj: Vlastní graf a výpočty na základě dat poskytnutých Savills
Objem transakcí působí na trh procyklicky, s množstvím transakcí se zvyšuje likvidita trhu a klesá
průměrná nominální i reálná kapitalizační míra. Objem transakcí na českém trhu s průmyslovými
nemovitostmi se v Epoše I vychýlil na stranu mimopražských lokalit i vzhledem k nedostatku
produktu k investování na pražském trhu.
Zvýšení četnosti transakcí, respektive zvýšená investiční aktivita, v Epoše D a I souvisí s razantním
snížením úrokových sazeb ze strany Evropské Centrální Banky v posledním kvartále roku 2012 a
dalším snížením dokonce do záporných hodnot v polovině roku 2015. Kotace základního
nájemného v EURech totiž na český trh láká EURové investory.
V prostředí nízkých úrokových sazeb jsou investoři ochotni zaplatit za nemovitost vyšší cenu, která
má větší šanci přesvědčit vlastníky o prodeji. Průmyslové nemovitosti v tomto období zároveň
získávaly v očích investorů na atraktivitě a podnítily investory k ochotě si za ně připlatit, přesto
vlastníci průmyslových nemovitostí v Praze nejsou ochotni prodávat.
Aritmetický průměr transakčních cen v Praze v celém období BUDI je o 89EUR/m2 nižší než
průměr cen mimo Prahu ve stejném období, přitom k zásadnímu rozdílu cen došlo v Epoše D.
Jedním z důvodů je vyšší četnost transakcí v Epochách D a I mimo Prahu, tudíž vyšší celkový
71
objem transakcí při vyšších cenách. Za celé sledované období od roku 2007 došlo v Praze
k patnácti transakcím s průmyslovými nemovitostmi, kdežto mimo Prahu to bylo celkem dvacet
transakcí. Počet transakcí s mimopražskými aktivy v čase roste, v Epoše I jich bylo celkem již osm.
Četnost transakcí v Praze byla na maximu v Epoše D, kdy jich bylo celkem osm, v Epoše I jich
byly ale jen čtyři. Důvodem snížené investiční aktivity v Praze je dle mého názoru postupné ubývání
pozemků připravených k výstavbě v Praze a neochota současných vlastníků průmyslových
nemovitostí v Praze k prodeji, jelikož očekávají zhodnocení investic z důvodu nárůstu základního
nájemného při snižující se míře kapitalizace. Dalším důvodem je konsolidace trhu v Praze, kdy trh
nyní ovládají dva hlavní hráči – Prologis a P3 – kteří mají strategii „hold“, drží s vidinou budoucího
zhodnocení, ať již z důvodu developmentu, zvyšujícího se základního nájemného nebo z důvodu
kapitálového výnosu.
Přestože se četnost transakcí od roku 2012 zvýšila, stále se jedná o jednotky transakcí ročně.
S ohledem na závěry studie Boudry et. al (2012) o souvislosti množství transakcí a velikosti regionu
bude vhodné indexy trhu s průmyslovými nemovitostmi (více viz v části 4.4.) vytvořit za celý český
trh z dat o pražském a mimopražském trhu. Malá četnost transakcí v Česku má v souladu se závěry
stejné studie vliv na zvýšenou volatilitu transakčních cen, o čemž svědčí Tabulka 15.
Tabulka 15: Popisná statistika transakčních cen v období BUDI

Stř. hodnota 793 €
Chyba stř. hodnoty 45
Medián 796 €
Směr. odchylka 200
Rozptyl výběru 40 079
Variační koeficient 0,252
Rozdíl max-min 758 €
Minimum 545 €
Maximum 1 304 €
Zdroj: Vlastní výpočty na základě dat poskytnutých Savills
Pokud se na trh s průmyslovými aktivy podíváme optikou expertních odhadů, potom prostý
aritmetický průměr kapitalizačních měr v Praze je dle odborníků v období BUDI o 0,81% nižší než
v mimopražských lokalitách. Při průměrném základním nájemném v celém období BUDI v Praze
na úrovni 4,29EUR/m2/měsíc a mimo Prahu 4,39EUR/m2/měsíc jde o rozdíl na hodnotě
v průměru ve výši 40,57EUR/m2, neboli 1 073,67Kč/m2 ve prospěch Prahy.
Odborníci tudíž vidí tržní hodnotu průmyslových prostor třídy A v Praze výše, než by odpovídalo
skutečným transakcím. V perspektivě celého trhu odborníci přisuzují průmyslovým nemovitostem
tržní hodnotu, která se v Epochách D a I pravidelně nachází nad úrovní transakčních cen, Graf 15
72
tento fenomén znázorňuje srovnáním nominálních kapitalizačních měr dle expertních odhadů a
dle skutečných transakcí.
Graf 15: Průměrná nominální míra kapitalizace dle expertů a dle skutečných transakcí v období
BUDI
11,00%
10,50% B U D I
10,00%
9,50%
9,00%
8,50%
8,00%
7,50%
7,00%
6,50%
6,00%
5,50%
5,00%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Průměrná nominální míra kapitalizace dle expertů (%)

Průměrná nominální míra kapitalizace skutečných transakcí (%)
Průměrná nominální míra kapitalizace dle expertů i je stanovena jako vážený průměr odhadu
kapitalizačních měr v Praze a mimo Prahu, kde váhami jsou objemy transakcí v Praze a mimo
Prahu v čase, kdy k reálným transakcím došlo. V období, kdy k reálným transakcím nedošlo, je
výpočet založen na aritmetickém průměru expertního odhadu kapitalizačních měr v Praze a mimo
Prahu. Četnost a objem transakcí se v průběhu období BUDI zvyšují, a proto má objem transakcí
ke konci období BUDI větší vliv na výpočet průměrné nominální kapitalizační míry než na jeho
začátku.
Graf 16 srovnává vývoj takto vypočtených expertních nominálních měr s mírami dle skutečných
transakcí, vztah je na první pohled patrný. V celém období BUDI odborníci přisuzují průmyslovým
prostorům kapitalizační míru v průměru o čtyřicet tři procentních bodů nižší, než je míra
kapitalizace vyplývající z reálných transakcí. Po přepočtení do výnosnosti každého investovaného
eura, odborníci vnímají tržní hodnotu průmyslových prostor v průměru o 5,69 procent výše, než
vyplývá ve sledovaném období z evidence dle skutečných transakcí.
73
BUDI
11,00%
10,50%
10,00%
9,50%
9,00%
8,50%
8,00%
7,50%
7,00%
6,50%
6,00%
5,50%
5,00%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Průměrná nominální míra kapitalizace dle expertů (%)

Průměrná nominální míra kapitalizace reálných transakcí (%)
Polyn. (Průměrná nominální míra kapitalizace dle expertů (%))
Tato dlouhodobě pozitivní odchylka odhadovaných hodnot od transakčních cen může dle mého
názoru souviset s institutem nejlepšího prostoru. Odborníci z IRF a Savills zveřejňují základní
nájemné a kapitalizační míry pro nejlepší průmyslové prostory, a proto by většina transakcí měla
být uskutečněna za nižší cenu, než je hodnota nejlepšího průmyslového prostoru, ledaže se jedná
o transakci, která mění či posouvá vnímání tržní hodnoty na vyšší úroveň.
V Epoše U jsou odchylky překvapivě malé a zároveň kapitalizační míry založené na skutečných
transakcích jsou nižší než indikace odborníků. Nejvýznamnější odchylky mezi vnímáním míry
kapitalizace ze strany odborníků a skutečnými mírami kapitalizace z reálných transakcí nastaly mezi
lety 2014 a 2017. Proto je nutno se podrobněji podívat na důvody těchto odchylek:
- v prvním kvartále roku 2014 proběhla transakce s parkem u D1 v Nupakách (lokalita Praha),
jejíž cena v sobě nesla diskont za potřebu značných investic, rozdíl mezi expertní a skutečnou
mírou kapitalizace je tudíž pochopitelný;
- v prvním kvartále roku 2015 byl rozdíl mezi odbornou a reálnou úrovní způsoben transakcí
na bázi prodeje a zpětného pronájmu distribučního centra Penny Marketu v Radonicích;
74
budova je vnímána jako specifická a transakce proběhla v českých korunách, proto je cena
tolik vzdálená odbornému odhadu nominální kapitalizační míry;
- v druhém kvartále 2016 proběhly transakce s regionálními distribučními centry v Lovosícich,
v Uherském hradišti a v Ostravě Mošnově, které jsou považovány za trhy nižší úrovně;
- ve čtvrtém kvartále roku 2017 je rozdíl způsoben transakcí v Lovosicích, budova je do značné
míry nestandardní a lokalita je mimo hlavní trh.
- v prvním kvartále roku 2018 je rozdíl způsoben transakcemi s menšími projekty mimo hlavní
trhy.
Transakce, u kterých je transakční cena vyšší, než je hodnota nejlepšího průmyslového prostoru, je
rovněž nutno prozkoumat:
- v roce 2009 došlo k transakci s distribučním centrem společnosti Tesco v Úžicích, která byla
podložena dvaceti pěti letým nájmem, který v té době (i dnes) je nadstandardně dlouhý;
- v roce 2011 byla uzavřena do té doby největší transakce českého nemovitostního trhu, kdy
VGP prodalo svoje portfolio, rovněž se jednalo o zlomovou transakci trhu, která předčila tržní
očekávání;
- nejvýraznější rozdíl nastal v posledním kvartále 2018, kdy doběhla portfoliová transakce mezi
prodávajícím CTP a kupujícím DEKA, která rovněž vyčnívala z důvodů velikosti a z důvodu
garancí, které CTP poskytla.
Pokud výše uvedené nadstandardní odchylky nejsou zohledněny, lze na základě dat v transakční
databázi tvrdit, že odborníci jsou v době poklesu a stagnace v letech 2009 až 2013 pesimističtější
než trh, naopak v době růstu v letech 2014 až 2018 jsou optimističtější než trh. Tabulka 16 popisuje
odchylky tržních hodnot dle expertních odhadů od skutečných transakčních cen v jednotlivých
periodách období BUDI.
Tabulka 16: Odchylky tržních hodnot průmyslových prostorů dle expertních odhadů od
skutečných transakčních cen v období BUDI
Perioda Podhodnocení Shoda Nadhodnocení
B - 1 1
U 4 - -
D 2 1 6
I 3 - 6
Zdroj: Vlastní výpočty na základě dat poskytnutých Savills
75
Zároveň mohu na základě tržních dat tvrdit, že transakční ceny jsou vyšší než odborníky vnímaná
hodnota nejlepšího průmyslového prostoru, jen pokud se jedná o transakci, která svými
nadstandardními parametry mění do té doby obecně zažité tržní předpoklady.
3.3.2. Nominální a reálná míra kapitalizace

Graf 16 naznačuje možné vyhlazení (Geltner, 1993a) nominálních kapitalizačních měr
poskytovaných trhu experty. Indikace kapitalizačních měr ze strany expertů jsou podloženy
oceněními, které znalci provádí pro své klienty a na které mají proběhlé či probíhající transakce vliv
(Gohs, 2017).
Většina průmyslových nemovitostí třídy A je financována v eurech, proto míry kapitalizace

odpovídají eurovému trhu. Graf 17 přináší srovnání průběhu reálné míry kapitalizace (od nominální
míry kapitalizace odečtena čtvrtletní inflace v EU27 v případě eurového příjmu a české čtvrtletní
inflace v případě příjmu v českých korunách) po odečtení nákladů na úvěrové financování v eurech
a v českých korunách. Referenční sazby 3M EURIBOR a 3M PRIBOR jsou při úvěrovém
financování běžné, banky si k nim přičítají marži, která se mění v závislosti na tržních a rizikových
podmínkách. Banky stanovují i jiné podmínky jako jsou kritéria úvěr k hodnotě (v angličtině „loan
to value“ neboli „LTV“), úvěr k nákladům (v angličtině „loan to cost“ neboli „LTC“) nebo ukazatel
krytí dluhové služby (v angličtině „debt service coverage ratio“ neboli „DSCR“).
Reálná výnosnost v eurech je v průměru v celém sledovaném období vyšší, jediným delším
obdobím, kdy reálné výnosy v českých korunách převýšily reálné výnosy investic v eurech, je konec
Epochy U. Na konci roku 2018 je reálná míra kapitalizace v eurech nad úrovní čtyř procent,
investice do českých průmyslových nemovitostí jsou stále zajímavé a v roce 2019 lze očekávat další
snížení nominálních kapitalizačních měr.
Výpočet časové řady průměrné reálné míry kapitalizace po odečtení úvěrového financování
předpokládá stoprocentní úvěrové financování, v reálném prostředí se financování pohybuje na
úrovni mezi šedesáti a sedmdesáti pěti procenty hodnoty nemovitosti, případně z celkových
nákladů developmentu.
76
Graf 17: Průměrná reálná míra kapitalizace dle odborníků po odečtení nákladů úvěrového
financování v období BUDI
9,00%
8,00% B U D I
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
1,00%
0,00% Intervence ČNB
-1,00%
-2,00%
-3,00%
-4,00%
-5,00%
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Průměrná reálná míra kapitalizace po odečtení nákladů úvěrového financování v EUR (%)
Průměrná reálná míra kapitalizace po odečtení nákladů úvěrového financování CZK (%)
Při tržně standardním úvěrovém financování na úrovni sedmdesát procent hodnoty a při bankovní
marži ve výši dvě procent nad 3M EURIBOR resp. 3M PRIBOR je kumulovaná nominální
výnosnost vlastního kapitálu v celém období BUDI téměř dvakrát vyšší (19,35 procent) při
financování v eurech než při financování v českých korunách (10,75 procent), proto je investování
do českých průmyslových nemovitostí v EURech tolik populární.
3.3.3. Nedostatkové opakované transakce

Na českém trhu není mnoho nemovitostí, se kterými bylo v období BUDI obchodováno více než
jednou, několik jich je. Jejich přehled včetně informací o transakční ceně a dosažené míře
kapitalizace je v Tabulce 17.
Tabulka 17: Přehled transakcí s nemovitostmi obchodovanými více než jednou v období BUDI
Nemovitost Lokalita Velikost Období Nominální hodnota Nominální hodnota Míra
(m2) transakce (tis. EUR) EUR na m2 kapitalizace (%)
Karlovarská Business Park 19 300 Q2/2007 25 300 1 311 6,50%
Praha 19 400 Q2/2015 10 000 515 10,00%
20 000 Q2/2017 17 500 875 7,50%
Logistic Park Lovosice Mimo Prahu 17 500 Q4/2009 10 550 602 11,00%
Q2/2016 11 900 680 9,00%
Zdroj: Data poskytnutá Savills

77
Karlovarská Business Park zaměřený na středně velké průmyslové jednotky byl obchodován v roce
2007 za cenu výrazně nad tržní hodnotou uváděnou odborníky pro nejlepší průmyslové prostory
mezi které Karlovarská Business Park bezesporu patří. Důvodem nadhodnocení bylo základní
nájemné, které v tomto parku bylo v době transakce nad tržním nájemným. Transakce v roce 2015
byla uzavřena naopak za cenu, která byla vůči indikacím odborníků podhodnocena, v mezidobí
došlo ke korekci základního nájemného a k transakci došlo na samém začátku rostoucího zájmu
investorů o průmyslové nemovitosti. V roce 2017 proběhla transakce s tímto parkem za cenu blížící
se tehdejší představě odborníků o tržní hodnotě nejlepších průmyslových prostor.
Logistic Park Lovosice se v roce 2009 obchodoval za vyšší cenu, než by odpovídalo indikacím
odborníků. Důvodem bylo základní nájemné kotované v českých korunách a vyjednané ještě před
globální finanční krizí a jeho přepočet do EUR kurzem, který byl na konci roku 2009 na úrovni
25,9CZK/EUR. V roce 2016 se transakční cena přiblížila k tržní hodnotě předpokládané
odborníky pro mimopražský trh.
Nedostatek opakovaných transakcí znemožňuje konstrukci indexu tržní hodnoty založeného na

reálných transakcích. Pokud by nemovitosti uvedené v Tabulce 17 sloužily jako podklad výpočtu
indexu na základě realizačních cen, byl by takový index příliš volatilní a zároveň by nebylo možno
vypočítávat pravidelně v jednotlivých čtvrtletích, ledaže by vlastníci těchto parků svolili
k poskytnutí ocenění těchto parků, aby byly transakční ceny doplněny o časovou řadu tržních
hodnot z ocenění.
Další komplikací je změna vlastností těchto parků v čase. Vliv změn výměry, změn nájemců a
podmínek jejich nájemních smluv a vliv zastarávání nebo případných investic do těchto
nemovitostí nelze v plném rozsahu v indexu založeném na reálných transakcích zohlednit.
3.3.4. Srovnání českého kapitálového trhu s trhy jiných zemí EU

V evropském kontextu je vývoj nominálních kapitalizačních měr na českém trhu s průmyslovými
nemovitostmi v souladu s obecným trendem jejich snižování v důsledku zvýšené aktivity kapitálu
a oblíbenosti tohoto investičního aktiva. Stále zřetelnější je zájem investorů o investice do
nájemních smluv s konkrétními nájemci, jako jsou Amazon nebo DHL. Již není důležitá jen
lokalita, technický standard, udržitelnost základního nájemného a délka smluvního vztahu, čím dál
pozorněji je sledováno i kreditní riziko současného nájemce, obzvlášť u delších nájemních smluv.
Graf 18 v příloze srovnává vývoj nominálních kapitalizačních měr ve vybraných evropských

městech. Nejnižší nominální kapitalizační míry na úrovni čtyř procent byly v roce 2018 v Londýně
a v Berlíně, ve střední Evropě byla v tomto ohledu premiantem Varšava s 5,10 procenty. Evropský
78
průměr byl v roce 2018 na úrovni 4,93 procent. Z tohoto pohledu jistě existuje v roce 2019 v Česku
prostor pro další pokles nominálních kapitalizačních měr. Objemem transakcí je český trh
s průmyslovými nemovitostmi v EU jedním z menších. Graf 19 ukazuje podíly zemí EU na
celkovém objemu transakcí v roce 2018.
V Česku byly v roce 2018 uzavřeny transakce s nominální hodnotou cca 550 milionů EUR, což
představuje dvě procenta celkového objemu transakcí v EU. Největšími trhy jsou Velká Británie a
Německo, překvapivě malý podíl má Francie a Španělsko.
Graf 19: Podíl Česka na evropských investicích do průmyslových nemovitostí v roce 2018
Ostatní Belgie
5% 1% Česko
2%
UK Francie
28% 9%
Německo
21%
Švédsko
5%
Španělsko
5%
Polsko Itálie
6% 3%
Norsko Holandsko
6% 9%
Zdroj: Vlastní graf na základě dat poskytnutých Savills
Střední Evropa v tomto ohledu získává stále větší váhu a dá se předpokládat další zvýšení podílu
tohoto regionu na celkových transakcích v EU v blízké budoucnosti i vzhledem k blížícímu se
„brexitu“.
3.4. Česká praxe oceňování průmyslových nemovitostí

Oceňováním českých moderních průmyslových nemovitostí na skutečně kvalitní úrovni poskytuje
úzká skupina znalců z nadnárodních firem CBRE, Colliers, Cushman&Wakefield a JLL, které jsou
sdruženy v IRF. Znalci v těchto společnostech mají přístup k dlouhým časovým řadám dat
z ocenění jednotlivých nemovitostí i celých portfolií a k tržním informacím, a proto jsou schopni
nabídnout tržní ocenění v podstatě k jakémukoliv požadovanému účelu.
79
Širší skupina menších oceňovatelů ze společností BDO, BNP Paribas, Knight Frank, RSM Tacoma
anebo Savills mají informace o trhu, které nemusí být kompletní, zároveň nemají dostatečně dlouhé
časové řady z ocenění a chybí jim zkušenosti z ocenění portfolií průmyslových hal. Znalci v těchto
společnostech proto poskytují tržní ocenění pro omezený okruh případů, resp. pro interní účely
developerů a investorů.
Dále je na trhu velká skupina menších znaleckých firem a jednotlivců s omezeným přístupem
k tržním datům. Měl jsem možnost nahlédnout do několika ocenění, a přestože nelze upřít autorům
snahu o odborný přístup, trpí jejich posudky nedostatkem informací a zásadními formálními
chybami při popisu podmínek, za kterých je ocenění prováděno.
Tržní hodnota jako hodnotová báze je na trhu s průmyslovými nemovitostmi široce používána a
akceptována developery, investory i bankami, méně již majiteli pozemků. Netržní báze (Mařík a
Maříková, 2011) se na trhu s moderními průmyslovými nemovitostmi používají jen pro interní
účely uživatele ocenění. Mezi nejpoužívanější standardy pro tržní ocenění průmyslových
nemovitostí patří RICS, IVS a standardy České bankovní asociace.
Malá četnost transakcí na českém trhu znamená pro oceňovatele práci zejména pro účely
financování nebo refinancování jednotlivých průmyslových nemovitostí nebo nemovitostních
portfolií u českých poboček zahraničních bank. Každá banka má svůj „bílý seznam“ (v angličtině
„white list“), na který se oceňovatel musí dostat, aby jej banka mohla začít používat pro oceňování
aktiv. Zároveň mají banky interní oceňovatele, kteří vytváří vlastní ocenění nebo kontrolují ocenění
externistů.
Nadnárodní fondy, které nepoužívají financování u českých poboček zahraničních bank nebo u
českých bank, oceňují svá portfolia zvenčí prostřednictvím velké čtyřky nadnárodních společností
s využitím dat jejich lokálních poboček, ostatní menší firmy a jednotlivci nemají možnost se
k těmto zakázkám dostat a participovat na nich.
Ocenění zadává znalci pro účely financování developer nebo investor, což vede ke konfliktu zájmu,
se kterým se oceňovatel musí popasovat v rámci svých etických hodnot. Kontrolu správnosti
ocenění provádí oponentní znalec, který je interním znalcem banky nebo externím znalcem
protistrany obchodu. Etické chování všech zúčastněných a vzájemná kontrola jsou v tomto smyslu
klíčové.
Domnívám se, že výše nastíněná struktura znaleckého trhu v kombinaci s omezeným objemem
práce je možným důvodem nižších hodnot českých průmyslových nemovitostí ve srovnání se
80
západními zeměmi. Fundamenty českého trhu jsou totiž na stejné nebo na lepší úrovni než
v případě srovnatelných zemí na západ od Česka, hodnoty jsou nižší.
3.5. Shrnutí části o vstupních datech

Data jsou základem jakéhokoliv výzkumu na mikro i makro úrovni a průmyslové nemovitosti
v tomto nejsou výjimkou. Jakási data k dispozici samozřejmě jsou, nicméně nejsou celistvá, jejich
porovnatelnost a kvalita jsou diskutabilní, a hlavně, jsou neveřejná, resp. nedostupná. Historie,
velikost a struktura českého trh s nemovitostmi, nejen toho s průmyslovými nemovitostmi,
poskytují skvělý podklad pro výzkum. Pokud by se podařilo zahájit cílevědomý sběr dat na základě
spolupráce znalců v oboru, měl by výzkum českého trhu s nemovitostmi pozitivní vliv na jeho další
rozvoj a standardizaci, čímž by získal na hodnotě.
Vstupní data disertační práce bylo nutno dopočítat a jejich složení ze dvou různých zdrojů, IRF a
Savills, není ideální. Přesto výsledný datový soubor je relevantní, o trhu vypovídající a odpovídající
jeho historickému vývoji. Pro budoucí výzkum bude klíčovým faktorem získání celistvých údajů o
proběhlých transakcích a o pravidelných oceněních jednotlivých průmyslových nemovitostí.
Zkušenosti ze zahraničí ukazují, že databáze nemovitostí mohou fungovat na bázi dobrovolnosti,
pokud provozovatel zaručí anonymitu, transparentnost a pokud omezí možnosti zneužití dat.
Funkčnost českého trhu s průmyslovými nemovitostmi odpovídá modelům a závěrům, které

popisuje zahraniční odborná literatura. Druhý cyklus trhu je na konci roku 2019 u svého konce,
rok 2020 je začátkem cyklu třetího. Druhý cyklus lze rozdělit do tří epoch, které se liší pozicí hráčů
na trhu. V datech byla v souladu s očekáváním potvrzena sezónnost trhu s průmyslovými prostory,
procykličnost kapitálového trhu a souvislost developerského zisku s novou výstavbou.
Expertní odhady tržní hodnoty nejlepších průmyslových prostorů jsou v souladu s očekáváním nad
transakčními cenami průmyslových nemovitostí. Výjimkou jsou transakce, které svými parametry
neodpovídají tržním předpokladům. Z dat vyplývá, že odborníci mohou být v období stagnace či
poklesu pesimističtější, než je trh, naopak v období růstu mohou být optimističtější.
81
4. Konstrukce indexů českého nemovitostního trhu

Čtvrtá kapitola je rozdělena do čtyř částí, které se věnují kvalitativním metodám výzkumu trhu
s průmyslovými nemovitostmi. V první části se zabývám podmínkami a omezeními modelu
nemovitostního trhu, které vyplývají z vlastností českého trhu s průmyslovými nemovitostmi, a
které definují hřiště, na kterém v dalších částech této kapitoly dojde ke konstrukci indexů
průmyslového nemovitostního trhu – indexu uživatelské pozice, indexu developerské aktivity,
indexu tržní hodnoty a indexu výnosnosti vlastního kapitálu. Účelem čtveřice těchto indexů je
vytvoření komplexního pohledu na trh s průmyslovými nemovitostmi a umožnění jeho dalšího
zkoumání a analýzy i s ohledem na závěry Crawford a Slade (2001) o potřebě informací o trhu
s prostory jako podkladu pro oceňování. Domnívám se, že sledování trhu pomocí více indexů
najednou může zpřehlednit vývoj českého trhu s průmyslovými nemovitostmi a přinést znalcům
více nástrojů použitelných při procesu oceňování (Fisher et al, 1994).
Indexy jsou konstruovány s ohledem na vlastnosti průmyslových nemovitostí a trhu s nimi a

s ohledem na dostupnost dat. Četnost transakcí je na rozdíl od jiných aktiv a segmentů trhu
s nemovitostmi nízká, k jejich ocenění dochází většinou jen jednou nebo dvakrát ročně, data o
konkrétních transakcích a o oceněních jsou nedostatečná. Konstrukce indexů založených na
ocenění konkrétních nemovitostí a na skutečných transakcích je proto zhola nemožná.
Průmyslové nemovitosti jsou vysoce standardizované a jejich zásoba v Česku je homogenní, jelikož
trh s nimi je relativně mladý a faktor zastarání není signifikantní jako na jiných, starších, trzích. Trh
se řídí informacemi o tržním základním a efektivním nájemném a o tržní nominální míře
kapitalizace, které poskytují poradenské společnosti pro nejlepší průmyslové prostory na trhu.
Indexy vychází z těchto dat, a proto popisují vývoj trhu s nejlepším prostorem s nejlepším
nájemcem, jelikož stále častěji je tržní hodnota prostoru vnímána nejen vzhledem k lokalitě a
technickým specifikacím, ale i vzhledem k bonitě nájemce a k délce jeho nájemní smlouvy. Způsob
výpočtu indexů jsem zvolil s ohledem na transparentnost jejich výpočtu a na pochopitelnost při
jejich aplikaci (Geltner, 2014).
Zde si dovolím upozornit, že specificky nezmiňuji tržní hodnotu nemovitosti, která kromě jiných
vlastností odpovídá stavu nemovitosti, nýbrž se zabývám tržní hodnotu prostoru, která více souvisí
s přidanou hodnotou provozu nájemce než s nemovitostí, ve které se nachází. V podmínkách trhu
s průmyslovými nemovitostmi, které jsou vysoce standardizované, je dle mého názoru právě tržní
hodnota prostoru předmětem dlouhodobých investic.
82
Hustota vzorku dle Geltner a Ling (2006) je rovna jedné, jelikož frekvence ocenění, resp. transakcí,
se rovná frekvenci reportování indexu, a zároveň nejlepší průmyslový prostor je na trhu vždy jen
jeden. Takto nízká hustota vzorku by sice mohla znamenat nízkou kvalitu indexu, na druhou stranu
každý znalec/oceňovatel má jasnou představu o nejlepším průmyslovém prosotru s nejlepším
nájemcem na trhu, a proto je dle mého názoru hustota vzorku v tomto případě irelevantním
kritériem kvality. Homogenita vzorku odstraňuje možnou heteroskedasticitu klíčových atributů
průmyslové nemovitosti (Robinson, 1987).
4.1. Podmínky modelu

Při konstrukci indexů trhu s průmyslovými nemovitostmi jsem vycházel z následujících podmínek,
které model trhu s průmyslovými nemovitostmi ohraničují:
- český trh s průmyslovými nemovitostmi funguje v souladu s modelem Geltner et al (2013) a

Di Pasquale Wheaton (1992) – provázanost trhu s prostory, developerského trhu a
kapitálového trhu je prokázána;
- český trh s průmyslovými nemovitostmi je možné rozdělit na dva regiony: Prahu a
mimopražské lokality – další dělení na podregiony není efektivní s ohledem na velikost trhu a
dostupnost dat;
- data o trhu s průmyslovými nemovitostmi jsou k dispozici na čtvrtletní bázi, a proto i indexy
průmyslového nemovitostního trhu jsou vypočítány na čtvrtletní bázi;
- tržní hodnota prostoru je definována jako odhad částky, za kterou by se prostor směnil
v nezávislé transakci po řádném marketingu ke dni ocenění mezi ochotným kupujícím a
ochotným prodávajícím, kteří jednají poučeně, obezřetně a bez donucení;
- z veřejně dostupných informací nelze zjistit podíl kancelářských, sociálních či jiných prostor
na celkových průmyslových prostorech – podíl těchto prostor je odhadnut na základě
zkušeností autora;
- financování průmyslových nemovitostí probíhá v eurech;
- s ohledem na převažující financování v eurech se základní nájemné v nájemních smlouvách,
jakož i na trhu, kotuje v eurech, kotace základního nájemného v českých korunách je
výjimečná, platby nájemného však probíhají v českých korunách;
- celkové náklady developmentu jsou kalkulovány v českých korunách;
- výpočet tržní hodnoty nejlepšího průmyslového prostoru je odvozen od základního
nájemného v systému tzv. „triple net lease“, ve kterém je základní nájemné očištěno od všech
ostatních nákladů a představuje tudíž čistý provozní příjem z prostoru;
83
- uživatelé a developeři jsou motivovaní maximalizací zisku, investoři a vlastníci jsou motivovaní
maximalizací tržní hodnoty;
- český trh s průmyslovými nemovitostmi vyhoví efektivitě alespoň ve slabě formě – trh se
informacím přizpůsobuje se zpožděním, ale veškeré informace z minulosti absorbuje a
zároveň trh reaguje nepředvídatelně.
Výše uvedené podmínky modelu jsou zažity a pronikly do hloubky trhu, který si je uvědomuje a
přizpůsobuje se jim. Konstrukce indexů trhu s průmyslovými nemovitostmi je tudíž v souladu
s tržními a všeobecně akceptovanými podmínkami.
4.2. Index uživatelské pozice

V části 2.1.4. jsem popsal přístupy ke konstrukci indexů nájemného a v části 3.1. byly diskutovány
informace, které jsou na českém trhu průmyslových uživatelů k dispozici. S ohledem na diskusi
vztahu základního a efektivního nájemného, s ohledem na přínos efektivního nájemného jako
informačního podkladu, který ovlivňuje chování účastníků trhu s prostory, a v neposlední řadě
s ohledem na vztah efektivního nájemného s nepronajatostí, která je nejpoužívanějším indikátorem
stavu trhu s prostory, konstatuji, že jakýkoliv index popisující pozici uživatele trhu s průmyslovými
prostory bude index založený právě na efektivním nájemném.
Je důležité si nejprve stanovit cíl, se kterým se do konstrukce indexu uživatelské pozice vchází.
Cílem je nalézt nástroj pro analýzu stavu a vývoje trhu s nájemními prostory, pro identifikaci pozice,
ve které se uživatel na trhu s nájemními prostory nachází. Nástroj, který by srozumitelným
způsobem dokázal popsat pozici nájemců, resp. uživatelů prostorů, a pronajímatelů na trhu
v minulosti, v současnosti a v blízké budoucnosti. Takový index uživatelské pozice by v kombinaci
s indexem developerského trhu, který bude konstruován v části 4.3., mohl popsat historický i
budoucí vývoj trhu s prostory.
Index základního nájemného, jako je CB Hillier Parker RE, který byl popsán v části 2.1.4., sleduje
historické pohyby základního nájemného a slouží ke krátkodobým předpovědím budoucích
pohybů základního nájemného. Typ indexu CBHP RE, který je založený na expertních odhadech
vývoje základního nájemného ve standardizovaných nemovitostech, nejlépe odpovídá dostupnosti
dat o základního nájemném a jeho vývoji na českém trhu s prostory, a proto bude předobrazem
indexu konstruovaného zde.
84
S ohledem na výše uvedené podmínky a v návaznosti na výpočet základního nájemného dle Vzorců
11 až 13 má index základního nájemného dle vzoru CBHP RE na českém průmyslovém trhu
funkční zápis dle Vzorce 17 (vlastní návrh – pozn. autora):
𝑅𝐵𝑅𝑡 −𝑅𝐵𝑅𝑡−1
𝐼𝐵𝑅𝑡 = (𝐼𝐵𝑅𝑡−1 + ) 𝑥 1000 (17)
𝑅𝐵𝑅𝑡−1
, kde je
IBRt, IBRt-1…index základního nájemného v čase t, resp. v čase t-1;
RBRt, RBRt-1…základní nájemné indikované odborníky v EUR (přepočteno do českých korun) na

trhu s průmyslovými nemovitostmi v čase t, resp. v čase t-1.
Kterému čtvrtletí ve sledovaném období přiřadit hodnotu indexu ve výši 1000 bodů? Jistě by se
mělo jednat s ohledem na sezónnost trhu s prostory, která byla popsána v části 3.1.1., o první
kvartál roku, jelikož trh uživatelů i trh developerský je v tomto období klidnější a jejich ukazatele
nedosahují extrémů. Zároveň by se mělo jednat o rok v prostřední třetině období UDI, především
v druhé polovině Epochy D, tedy v letech 2014 a 2015, ve které se tržní ukazatele blíží
rovnovážným hodnotám:
- nepronajatost je považována za rovnovážnou při úrovni kolem 8% - nepronajatost v prvním

čtvrtletí 2014 byla na úrovni 8,50% a v prvním čtvrtletí 2015 na úrovni 7,68%;
- na trhu s průmyslovými pozemky je ještě dostatek pozemků připravených k výstavbě a ke
konci roku 2014 se odhad ziskovosti developmentu dostal po několika letech do kladných
čísel;
- v průběhu let 2014 a 2015 došlo na kapitálovém trhu k transakcím v každém čtvrtletí
s výjimkou druhého čtvrtletí roku 2014, trh je v těchto letech likvidní.
Výše uvedené úvahy a ukazatele let 2014 a 2015 mě vedly k výběru prvního kvartálu roku 2015
jako referenčního období pro stanovení základní úrovně 1000 bodů pro všechny zkonstruované
indexy. Pokud je hodnota indexu ve výši 1000 bodů přiřazena prvnímu čtvrtletí roku 2015, bude
průběh takového indexu základního a efektivního nájemného mít podobu Grafu 20.
Pro výpočet obdobného indexu na základě efektivního nájemného dosadíme hodnoty efektivního
nájemného dle Vzorce 14 do Vzorec 18 (vlastní návrh – pozn. autora):
𝑅𝐸𝑅𝑡 −𝑅𝐸𝑅𝑡−1
𝐼𝐸𝑅𝑡 = (𝐼𝐸𝑅𝑡−1 + ) 𝑥 1000 (18)
𝑅𝐸𝑅𝑡−1
, kde je
85
IERt, IERt-1…index efektivního nájemného v čase t, resp. v čase t-1;
RERt, RERt-1…efektivní nájemné v EUR (přepočteno do českých korun) na trhu s průmyslovými

nemovitostmi v čase t, resp. v čase t-1.
Z Grafu 20, který srovnává vývoj indexu základního a efektivního nájemného, je patrné, že
pronajímatelé v době krize na konci Epochy B a na začátku Epochy U zvyšují pobídky a poskytují
slevy, efektivní nájemné proto klesá rychleji než nájemné základní.
Graf 20: Vývoj indexů základního a efektivního nájemného v období BUDI
1 200,00
B U D I
1 150,00
1 100,00
1 050,00
1 000,00
950,00
900,00
850,00
800,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Index základního nájemného Index efektivního nájemného
Zdroj: Vlastní graf a výpočty z dat poskytnutých IRF a Savills
Nájemci maximalizující zisk v takovém období jsou motivováni k najímání levných prostor bez
nutnosti velkých investic. V Epoše D se růst základního a efektivního nájemného spojil a jeho
průběh se začal dělit až v Epoše I, kdy základní nájemné v českých korunách i kvůli konci intervencí
ČNB stagnuje, efektivní nájemné naopak roste, jelikož pobídky pronajímatelů v období nízké
nepronajatosti postupně klesají. Nájemci v tomto období již zvažují, zda najímat nové prostory
nebo zda investovat do stávajících prostor a zintenzivnit jejich užití.
Graf 20 sice vypovídá o vývoji základního a efektivního nájemného, méně vypovídá ale o pozici
nájemců, resp. uživatelů na trhu s prostory. Uživatelé mají na trhu lepší pozici v době vyšší
nepronajatosti a v době klesajícího základního a efektivního nájemného, jedná se o tzv. trh
86
nájemců. Naopak horší pozici mají nájemci v době nízké nepronajatosti, rostoucího základního a
efektivního nájemného, jedná se o tzv. trh pronajímatelů.
Převrácením hodnoty indexu efektivního nájemného dle Vzorce 19 lze získat číselnou řadu, jejíž
vývoj ukazuje Graf 21 (vlastní návrh – pozn. autora):
1
𝐼𝑈𝑃𝑡 = 𝐼 (19)
𝐸𝑅𝑡
, kde je
IUPt…Index uživatelské pozice (dále také jako „Index UP“) v čase t.
Graf 21: Vývoj Indexu UP v období BUDI
1 250,00
B U D I
1 200,00
1 150,00
Trh
1 100,00
nájemců
1 050,00
1 000,00
950,00
Trh
900,00
pronajímatelů
850,00
800,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Index uživatelské pozice
Takto konstruovaný index nazývám Indexem uživatelské pozice, který vzhledem k hodnotě
nastavené na úrovni 1000 bodů v prvním kvartále 2015, ve kterém byla nepronajatost na trhu
s průmyslovými prostory na úrovni považované nájemci a pronajímateli za rovnovážnou, zřetelně
odděluje jednotlivé fáze trhu těmito prahovými hodnotami:
- úroveň 1000 bodů +/- 5,00 procent – stav nabídky a poptávky na trhu s průmyslovými
prostory, který lze považovat za rovnovážný;
- pod úrovní 950 bodů – trh pronajímatelů, pronajímatelé omezují pobídky poskytované
nájemců, při renegociaci mají pronajímatelé lepší pozici při jednání o nájemních podmínkách;
87
- nad úrovní 1050 bodů – trh nájemců, nájemci mají lepší pozici a tlačí na snížení základního
nájemného a na zvýšení pobídek ze strany pronajímatelů, při renegociaci mají lepší pozici při
jednání o nájemních podmínkách.
Popisnou statistiku Indexu uživatelské pozice shrnuje Tabulka 18. Index uživatelské pozice se
stejně jako celý trh v průmyslovými prostory v první polovině období BUDI významně vychýlil na
obě strany, volatilita Indexu uživatelské pozice se v druhé polovině období BUDI ustálila a kolísá
mezi 950 a 1000 bodů. Index uživatelské pozice popisuje stav trhu v Epoše I jako mírný trh
pronajímatelů, což je v souladu s popisem trhu uvedeném v části 3.1.1.
Tabulka 18: Popisná statistika Indexu UP v období BUDI

Stř. hodnota 1039
Medián 1020
Směr. odchylka 92
Rozptyl výběru 8467
Rozdíl max-min 386
Minimum 848
Maximum 1234
Korelogram Indexu uživatelské pozice v Grafu 22b v příloze indikuje poměrně silnou autokorelaci
až do posunutí o šest období, což odpovídá závěrům studií Thompson a Tsolacos (1999) a
Tsolacos et al (2005). Index uživatelské pozice v průběhu epoch UDI negativně koreluje s Indexem
důvěry v průmysl posunutým o dvě období (r=-0,5736). Vysvětlení je logické - čím lepší je
očekávaná situace v ekonomice, tím horší je pozice nájemců, jelikož nepronajatost klesá a
pronajímatelé očekávají stabilní nebo rostoucí poptávku a s ní i vyšší základní a efektivní nájemné,
kterému se nájemci v období očekávaného růstu snáze přizpůsobují. Korelace s HDP je v běžném
období na středně silné úrovni (r=-0,7524), obdobně jako v případě zaměstnanosti (r=-0,7379).
Negativní korelace Indexu uživatelské pozice k nové výstavbě (r=-0,5606) je logickým důsledkem
opačných tržních pozic nájemců a developerů.
Ve velmi krátké době období BUDI Index uživatelské pozice vystřídal své extrémy:
- nejnižší historické hodnoty bylo dosaženo v druhém kvartále 2007 – trh byl extrémně
nevyvážený ve prospěch pronajímatelů, resp. developerů, kteří těžili nadprůměrné zisky
z vysoké úrovně základního nájemného;
- nejvyšší historické hodnoty dosáhl ve třetím kvartále 2009 – trh byl extrémně nevyvážený ve
prospěch nájemců, kteří těžili nadprůměrné slevy z důvodu zájmu pronajímatelů zbavit se
88
volných prostor a získat stabilní hotovostní příjem ve formě základního nájemného

v krizovém období;
- období kolem roku 2015 lze charakterizovat jako rovnovážné, Index uživatelské pozice
osciloval kolem 1000 bodů, adekvátní nová výstavba a stabilní poptávka přispěly ke stabilitě
trhu s prostory.
Na konci roku 2018 je Index uživatelské pozice na úrovni 974 bodů, pronajímatelé mají mírně
navrch, pozice je to v krátkém horizontu nejistá, záleží na objemu nových prostor dodaných v roce
2019 spekulativně a na absorpci, která rozhodne o dalším pohybu základního nájemného a
nepronajatosti. V dlouhém horizontu bude uživatelská pozice záležet na stabilitě poptávky, jelikož
restrikce na straně nové výstavby bude přetrvávat.
V závislosti na dalším vývoji českého hospodářství v roce 2020 očekávám ochlazení poptávky a
může dojít k výkyvu trhu uživatelů směrem k rovnováze, kdy vyšší nepronajatost způsobí
stabilizaci efektivního nájemného i v případě rostoucího základního nájemného v souvislosti
s rostoucími náklady developmentu a s nemožností expandovat v nejlepších lokalitách.
4.3. Index developerské aktivity

V odborné literatuře jsem nenalezl index, který by specificky sledoval vývoj developerské části
nemovitostního trhu. Při konstrukci tohoto indexu se tudíž odkazuji na základy nájemních indexů.
Cílem konstrukce indexu, který by popisoval stav a vývoj developerského trhu, je schopnost
predikce nové výstavby. Jde o nalezení nástroje, který by srozumitelným způsobem popsal motivaci
developerů k nové výstavbě v minulosti, v současnosti a v blízké budoucnosti.
S ohledem na diskusi dostupných dat v části 3.2. a možnost výpočtu hlavního motivátoru pro
developery – výše developerského zisku vypočteného dle Vzorce 16 – může index developerského
zisku mít následující funkčním zápis (vlastní návrh – pozn. autora):
𝐷𝑃𝑡 −𝐷𝑃𝑡−1
𝐼𝐷𝑃𝑡 = (𝐼𝐷𝑃𝑡−1 + ) 𝑥 1000 (20)
𝐷𝑃𝑡−1
, kde je
IDPt, IDPt-1…index developerského zisku v čase t, resp. v čase t-1;
DPt, DPt-1…developerský zisk v českých korunách v čase t, resp. v čase t-1.
Pokud do Vzorce 16 místo transakčních cen (přepočtených do českých korun) vložíme hodnoty
expertních odhadů tržních hodnot prostorů vypočtených dle Vzorce 21 a odečteme od nich
89
celkové náklady developmentu TCt, získáme řadu hodnot DPt pro výpočet indexu dle Vzorce 20.
Hodnota 1000 bodů bude stejně jako v případě indexu v části 4.2. přiřazena prvnímu čtvrtletí roku
2015. Graf 13 ukázal na souvislost developerského zisku plynoucího z reálných transakcí
s vývojem nové výstavby. Vývoj Indexu developerského zisku založeného na výpočtu tržních
hodnot do perpetuity ve srovnání s novou výstavbou nabízí obdobný pohled (viz Graf 23 v
příloze).
Developerský zisk není jediným motivátorem developera, je jím i developerská odměna, která je
součástí celkových nákladů projektu TC.
Graf 24: Vývoj Indexu developerského zisku ve srovnání s vývojem Indexu DA v období BUDI
1 400,00
B U D I
1 300,00
1 200,00
1 100,00
1 000,00
900,00
800,00
700,00
600,00
500,00
400,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Index developerského zisku Index developerské aktivity
Připočteme-li tuto odměnu k developerskému zisku, je výsledkem Index developerské aktivity (dále
také jako „Index DA“), který je znázorněn na Grafu 24 ve srovnání s vývojem indexu
developerského zisku. Výsledek nijak nepřekvapil – developerská odměna je vůči developerskému
zisku marginální, nicméně může být důvodem developmentu i v obdobích, kdy je zisk minimální
nebo dokonce mírně záporný. Z důvodu srovnatelnosti s indexy definovanými v části 4.2 a 4.4. byl
přírůstek developerské aktivity mezi obdobími pokrácen na čtvrtinu, aby došlo ke snížení
absolutních rozdílů mezi hodnotami indexu při zachování jeho volatility, teprve takto bude vývoj
tohoto indexu možno srovnat s ostatními zkonstruovanými indexy.
90
Popisná statistika Indexu developerské aktivity je v Tabulce 19. Přestože je Index developerské
aktivity diverzifikován součtem developerského zisku a developerské odměny je jeho volatilita
značná. Developerská aktivita se od roku 2014 stabilizovala, development se vyplácí i když se
značnými výkyvy. Volatilita Indexu developerské aktivity odpovídá riziku, které s developmentem
průmyslových nemovitostí souvisí.
Tabulka 19: Popisná statistika Indexu DA v období BUDI

Stř. hodnota 878
Medián 896
Směr. odchylka 177
Rozdíl max-min 642
Minimum 620
Maximum 1261
Stejně jako celý trh s průmyslovými nemovitostmi i Index developerské aktivity se v období BUDI
sáhl na své extrémy:
- nejvyšší historické hodnoty dosáhl Index developerské aktivity ve druhém kvartále 2007 – trh
byl extrémně nevyvážený ve prospěch developerů, kteří těžili nadprůměrné zisky z dnešního
pohledu nadhodnocených průmyslových aktiv při stále nízkých celkových nákladech
developmentu; v tu dobu vysoká poptávka po prostorech, nízká nepronajatost a malá zásoba
byla zlatou érou průmyslového developmentu v česku;
- nejnižší historické hodnoty Indexu developerské aktivity bylo dosaženo ve třetím kvartále 2010
– zisky developerů se propadly do ztrát, které nebylo možno kompenzovat ani developerskou
odměnou; výstavba za předchozí čtyři kvartály byla nejnižší za celou historii trhu (viz také část
3.2.2.), nízké hodnoty nemovitostí nemotivovaly developery k výstavbě, někteří hráči dokonce
opustili trh nebo se začali zabývat jinými aktivitami (správa nemovitostí, výstavba do
vlastnictví).
Korelogram v Grafu 22a v příloze indikuje poměrně silnou autokorelaci Indexu developerské
aktivity v období UDI až do posunutí o čtyři období. Není to nic překvapivého s ohledem na
proces výstavby a její sezónnost. Srovnání vývoje Indexu developerské aktivity a nové výstavby je
zobrazen v Grafu 25.
91
Graf 25: Vývoj Indexu DA a nové výstavby v období BUDI
1 400,00
B U D I
250 000 1 300,00
1 200,00
200 000
1 100,00
150 000 1 000,00
900,00
100 000
800,00
700,00
50 000
600,00
0 500,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Nová výstavba (m2) Index developerské aktivity
Tento index koreluje v běžném období v průběhu epoch UDI s vývojem nové výstavby (r=0,6484)
a se zaměstnaností (r=0,7310) Pokud posuneme korelaci Indexu developerské aktivity s novou
výstavbou o jedno období, potom se korelační koeficient zvýší na hodnotu r=0,7125. Takto
významnou korelaci považuji za potvrzení vhodnosti modelu developerské aktivity.
Interpretace Indexu developerské aktivity lze provést pomocí následujících prahových hodnot:
- úroveň 1000 bodů +/- 5,00 procent – aktivita developerů a jejich ziskovost je průměrná;
- úroveň pod 950 bodů – aktivita developerů polevuje a ziskovost klesá, nová výstavba ochabuje;
- úroveň nad 1050 bodů – developeři jsou pobízení ke spekulativní výstavbě při růstu ziskovosti
developmentu.
Z vývoje Indexu developerské aktivity je patrné, že v roce 2018 není developerům na růžích
ustláno. I při rostoucí nové výstavbě Index developerské aktivity mírně klesá – růst základního
nájemného a růst hodnot prostorů (a růst hodnot nemovitostí) již nekompenzuje růst celkových
nákladů, proto se index nachází pod svojí hodnotou na začátku roku 2015. Výhled nové výstavby
v letech 2019 a 2020 je silně ovlivněn schopností developerů připravit nové pozemky k výstavbě.
Pokles hospodářství se může projevit nezájmem o prostory v sekundárních a terciálních lokalitách.
92
4.4. Index tržní hodnoty a Index výnosnosti vlastního kapitálu

Významná část druhé kapitoly je věnována literatuře na téma indexů tržní hodnoty nemovitostí a
v části 3.3. jsou diskutována dostupná data o českém kapitálovém trhu s průmyslovými
nemovitostmi. I když existuje podrobná evidence průmyslových nemovitostí k pronájmu, použití
indexů založených na reálných transakcích, jak byly popsány v části 2.1.2., pro sledování vývoje
tržní hodnoty průmyslových nemovitostí je na českém trhu v podstatě vyloučeno ze třech hlavních
důvodů:
- na trhu probíhá málo relevantních transakcí – v období BUDI to bylo celkem padesát
relevantních transakcí, v průměru jen málo přes jednu transakci na čtvrtletí;
- transakce probíhají v režimu utajení často prostřednictvím prodeje společnosti vlastnící
nemovitost;
- transakce probíhají v portfoliích, není tudíž možné oddělit cenu jednotlivé nemovitosti od
zbytku portfolia.
Data volně dostupná na trhu s průmyslovými nemovitostmi umožňují konstrukci indexu tržní
hodnoty na základě ocenění, nikoliv však z ocenění jednotlivých nemovitostí, jelikož data z ocenění
jednotlivých nemovitostí dostupná v jednotné databázi nejsou, nýbrž z ocenění nejlepšího
standardního průmyslového prostoru na trhu. Tímto postupem je zároveň zajištěna homogenita
atributů podkladového aktiva, jelikož se nejedná o konkrétní nemovitost ale o homogenní prostor,
požadavek na reprezentativnost bez selekce je diskutabilní (Owusu-Ansah, 2018). Nejlepší prostor
na trhu není konkrétní nemovitostí, jde o představu standardního prostoru, který anticipují znalci
na trhu, tím je reprezentativnost zajištěna a zároveň výběr není selektivní. Ocenění takového
prostoru není na základě zadání zájemce o ocenění, tím odpadá i vliv jakéhokoliv subjektu na
proces ocenění.
Stejně jako v předchozích dvou částech této kapitoly je důležité si hned na začátku odpovědět, proč
se index sestavuje, co je jeho účelem? Jestliže Index uživatelské pozice pomáhá stanovit pozici
uživatelů na trhu s nájemními prostory a Index developerské aktivity je odrazem výhodnosti nové
výstavby pro developery, potom do skládanky celého trhu chybí vlastnický a investorský pohled.
Index tržní hodnoty prostoru je konstruován, aby vlastníkům a investorům poskytl měřítko
hodnocení historických výsledků svých investic a nástroj odhadu jejich dalšího vývoje.
Nadnárodní poradenské společnosti každý kvartál publikují pro tyto „prime“ prostory nejlepší tržní
nominální kapitalizační míry formou reportů. Pro definici nejlepšího prostoru používají ustálený
93
tržní standard, který odpovídá definici průmyslové nemovitosti uvedené v části 3.1. Průmyslové
nemovitosti mají z hlediska výzkumného úžasné vlastnosti – jde o jednoduše ohraničený prostor
v kvádru, který má v podstatě stejné specifikace bez ohledu na umístění v nemovitosti, a proto
každý metr čtvereční takového prostoru má obdobnou užitnou hodnotu, liší se pouze jeho lokalita,
jeho nájemce a jeho konkrétní užití, resp. přidaná hodnota, která se v něm generuje. Takto
definovaný prostor má svoji hodnotu odvozenou do věčnosti, tedy do perpetuity. Změnu užití
prostoru není nutno zvažovat, neboť v případě nejlepšího průmyslového prostoru se nemusí
jednat o konkrétní prostor, jde spíše o ideu nejlepšího prostoru, který je na trhu vždy jen jeden.
Při výpočtu tržní hodnoty nejlepšího metru čtverečního moderních průmyslových prostor je
možno použít perpetuitní výpočet dle Vzorce 21 (vlastní návrh – pozn. autora):
12𝑥𝑅𝐵𝑅𝑡
𝑉𝑡𝑃 = (21)
𝑖𝑡
, kde je
VtP…tržní hodnota metru čtverečního nejlepšího moderního průmyslového prostoru vypočtená

do perpetuity v čase t;
RBRt…průměrné měsíční základní nájemné v čase t;
it…průměrná nominální míra kapitalizace dle expertů v čase t (výpočet viz část 3.1.1).
Použití anualizovaného základního nájemného RBRt a nominální míry kapitalizace it ve vzorci

perpetuity je běžnou metodou odhadu tržní hodnoty prostoru. V tomto případě lze tvrdit, že
indikované základní nájemné je rovněž i tzv. odhadnutá hodnota základního nájemného (v
angličtině „estimated rental value“ neboli „ERV“) nejlepšího metru čtverečního na trhu, na který
se aplikuje nejlepší nominální kapitalizační míra. Nominální míra kapitalizace jako průměr
nominálních měr vážených dle objemu transakcí v Praze a mimo Prahu splňuje požadavek na
promítnutí objemu transakcí do výpočtu indexu tržní hodnoty průmyslového prostoru (Geltner,
2014).
Vypočtená hodnota v eurech je dále přepočítána do českých korun. Vývoj tržní hodnoty nejlepšího
metru čtverečního průmyslových prostorů dle Vzorce 21 v obou měnách zachycuje Graf 26 v
příloze. Většina investorů investuje v eurech, nicméně pro český trh s nemovitostmi je důležitá i
hodnota v českých korunách, jelikož čím dál tím více investic do průmyslových nemovitostí plyne
z českého kapitálového zázemí a zároveň náklady developmentu plynou v českých korunách.
94
Rozborem přínosu základního nájemného a kapitalizační míry do volatility tržní hodnoty Vt P byl
potvrzen závěr Chaplina (1997) o vyšší volatilitě složky kapitalizační míry (variační koeficient 0,121)
než složky základního nájemného (variační koeficient 0,048).
Graf 26: Vývoj tržní hodnoty průmyslového prostoru v EUR a v Kč v období BUDI
900 € 24 000,00 Kč
B U D I
850 €
22 000,00 Kč
800 €
20 000,00 Kč
750 €
700 € 18 000,00 Kč
650 €
16 000,00 Kč
600 € Intervence ČNB
14 000,00 Kč
550 €
500 € 12 000,00 Kč
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Hodnota průmyslového prostoru (EUR/m2) Hodnota průmyslového prostoru (Kč/m2)
Tržní hodnoty konkrétních průmyslových nemovitostí mohou být odvozeny z tržní hodnoty
nejlepšího prostoru na základě funkčního zápisu dle Vzorce 22 (vlastní návrh – pozn. autora):
𝑉(𝑖,𝑡) = 𝑉𝑡𝑃 − 𝑑(𝑖,𝑡) (22)
, kde je
V(i,t)…tržní hodnota i-té nemovitosti;
d(i,t)…faktor snížení hodnoty i-té nemovitosti.
Faktor snížené hodnoty vyjadřuje diskont hodnoty konkrétní nemovitosti vůči hodnotě nejlepšího
průmyslového prostoru na trhu z důvodu horšího standardu, který může být dán lokalitou,
technickou specifikací, kvalitou nájemce nebo kvalitou nájemních podmínek.
Popisná statistika hodnoty nejlepšího metru čtverečního průmyslových prostor v eurech a

v českých korunách je obsažena v Tabulce 20. Z analýzy provedené na základě dat poskytnutých
95
Savills v části 3.1.4 a v části 3.3.4. vyplývá, že průměrná tržní hodnota českého průmyslového
prostoru je pod úrovní hodnot v západní Evropě (jmenovitě v Německu, ve Francii, ve Velké
Británii, ale i v Holandsku, v Belgii či v Dánsku), a jelikož je na trhu stále dostatek kapitálu, který
má zájem investovat právě do českých průmyslových ploch, je růst hodnoty v následujících
obdobích pravděpodobný.
Tabulka 20: Popisná statistika hodnoty prostoru v období BUDI

Minimum 13 119,18 Kč
Hodnota prostoru
Průměr 17 845,77 Kč
(Kč/m2)
Maximum 23 597,79 Kč
Minimum 526 €
Hodnota prostoru
Průměr 681 €
(EUR/m2)
Maximum 846 €
Hodnoty průmyslového prostoru v českých korunách získané užitím Vzorce 21 lze převést do
formy indexu. Hodnota 1000 bodů byla stejně jako v případě Indexů uživatelské pozice a
developerské aktivity přiřazena prvnímu čtvrtletí roku 2015, kdy se kapitálový trh vzpamatoval
z globální finanční krize a zároveň na trhu již pravidelně probíhaly kapitálové transakce
s nemovitostmi, takže trh lze v tomto období považovat za likvidní. Index tržní hodnoty
průmyslového prostoru se vypočte dle Vzorce 23 (vlastní návrh – pozn. autora):
𝑉𝑡𝑃 −𝑉𝑡−1
𝑃
𝐼𝑉𝑡𝑃 = (𝐼𝑉𝑡−1
𝑃 + 𝑃 ) 𝑥 1000 (23)
𝑉𝑡−1
, kde je
IVPt, IVPt-1…index tržní hodnoty nejlepšího průmyslového prostoru v čase t, resp. v čase t-1;
VtP, Vt-1P…hodnota nejlepšího průmyslového prostoru v čase t, resp. v čase t-1.
Dosadím-li do Vzorce 23 hodnoty vypočtené do perpetuity, získám Index tržní hodnoty

průmyslového prostoru do perpetuity (dále také jako „Index HP“). Graf 26 naznačuje, že tržní
hodnota nejlepšího průmyslového prostoru v posledních letech roste a skutečně tomu tak
s ohledem na zkušenosti z trhu je. Na druhou stranu růst nelze očekávat do nekonečna, a proto si
investoři ve svých kalkulacích vytváří rezervy, které v době poklesu ochrání investici před
znehodnocením.
Pro účely další analýzy je perpetuitní výpočet nedostačující, jelikož nebere v úvahu podmínky
financování ani odpisy nemovitosti, ve které se prostor nachází, a tím opomíjí i účinky daňového
štítu, který je důležitým obranným mechanismem investice. Z tohoto důvodu bude vhodnějším
96
způsobem výpočtu hodnoty nejlepšího metru čtverečního průmyslového prostoru model DCF
s funkčním zápisem dle Vzorce 24 (vlastní návrh – pozn. autora):
12𝑥𝑅𝐵𝑅
𝑁
12𝑥𝑅𝐵𝑅0 12𝑥𝑅𝐵𝑅𝑡 𝜋 𝑖0 −µ
𝑉𝑡𝐷𝐶𝐹 = − + ∑𝑁
𝑡 (1+𝑖 )𝑡−1 + (1+𝑖𝑡 )𝑁−1
(24)
𝑖0 𝑡
, kde je
VtDCF…hodnota nejlepšího průmyslového prostoru vypočítaná metodou DCF v čase t;
π…indexace základního nájemného;
i0…kapitalizační míra v čase 0;
it…kapitalizační míra aplikovaná na příjem v čase t;
μ…koeficient růstu tržní hodnoty nejlepšího průmyslového prostoru;
N…investiční horizont.
Vstupní parametry modelu DCF jsou podloženy následující diskusí jejich nastavení:
- indexaci základního nájemného π jsem stanovil na dvě procenta ročně; institucionální nájemní
smlouvy mají vždy indexační doložku, která je pohyblivá na základě inflace s minimální úrovní
indexace (většinou minimálně 1,50 procenta ročně) nebo která je určena fixním procentem po
dobu nájmu; jelikož je základní nájemné kotováno v EUR jsou pohyblivé indexační doložky
založeny na inflaci v eurozóně; hodnota dvě procenta dosazená do modelu odpovídá
dlouhodobé (v horizontu deseti a více let) průměrné míře inflace a je akceptována nájemci i
při fixní indexaci, jelikož se průmysloví nájemci stěhují jen velmi neradi (Rauch, 1995);
indexace implementovaná na základní nájemné také vyjadřuje zvýšení užitné hodnoty prostoru
v souvislosti s potřebou zvýšení jeho produktivity v čase;
- kapitalizační míra i0 je odhadem trží kapitalizace na základě průměrné nominální míry
kapitalizace dle expertů, jak byla popsána v části 3.3.1;
- kapitalizační míru it jsem stanovil na úrovni 4,41 procenta jako součet 0,81 procenta (průměrná
sazba 3M EURIBOR v celém období UDI) a 3,6 procenta, které vyjadřuje technologické
zastarání prostoru (technologické zastarání průmyslových nemovitostí se pohybuje mezi 25 a
30 lety) a tím i relativní pokles efektivity jeho využití v čase;
- koeficient růstu tržní hodnoty nejlepšího prostoru je stanoven ve výši třiceti procent;
z dlouhodobého hlediska by kapitálové zhodnocení mělo mít svůj limit v nominální
kapitalizační míře na nejlepších trzích v Evropě, jmenovitě v Německu a ve Velké Británii, kde
97
jsou kapitalizační míry dlouhodobě o dvacet až čtyřicet procent níže než v Česku; pokud by
v budoucnu došlo k významnější kompresi nominální kapitalizace na českém trhu, potom je
nutno stanovit v modelu DCF limit koeficientu růstu tržní hodnoty;
- investiční horizont předpokládám v délce deset let, jelikož hlavní hráči na trhu mají strategii
„hold“, k transakcím dochází jen výjimečně a investice vlastního kapitálu je dlouhodobou
záležitostí.
Zvolené úrovně indexace a koeficientu růstu tržní hodnoty mohou na první pohled vypadat
nepřiměřeně, jelikož jejich kombinace znamená nárůst tržní hodnoty v průběhu deseti let o
sedmdesát procent. Na druhou stranu přírůstek hodnoty o sedm procent ročně je pod průměrnou
úrovni roční nominální míry kapitalizace v období UDI aplikované na průmyslové nemovitosti
(průměr 7,83 procenta). Je nutno si uvědomit, že tržní hodnota nejlepšího průmyslového prostoru
se v čase zvyšuje z následujících důvodů:
- prostor s růstem aktivity ubývá;

- prostor se technologicky zlepšuje a tím je efektivnější a produktivnější;
- prostor nezastarává, zastarává pouze nemovitost, která jej ohraničuje.
Aplikací Vzorce 23 na hodnoty vypočtené dle Vzorce 24 a aplikací úrovně tisíc bodů na hodnotu
v prvním kvartále 2015 lze získat Index tržní hodnoty nejlepšího průmyslového prostoru dle
modelu DCF (dále také jako „Index HD“).
Srovnání vývoje Indexu tržní hodnoty do perpetuity a Indexu tržní hodnoty dle modelu DCF
v českých korunách je zaznamenán v Grafu 27 v příloze. Index tržní hodnoty dle DCF je méně
volatilní než Index tržní hodnoty do perpetuity, jeho hodnota je v čase stabilnější, v roce 2018 je
pohyb obou indexů podobný a v posledním čtvrtletí roku 2018 se jejich rozdíl zmenšil na 2,70
procent.
Popisnou statistiku Indexu tržní hodnoty dle DCF shrnuje Tabulka 21. Volatilita Indexu tržní
hodnoty dle DCF je v souladu s očekáváním ve srovnání s Indexem uživatelské pozice a Indexem
developerské aktivity nižší, jelikož hodnota nejlepšího průmyslového prostoru je stabilnější než
výkyvy na trhu s nájemními průmyslovými prostory a na developerském trhu.
Tabulka 21: Popisná statistika Indexu HD v období BUDI

Stř. hodnota 954
Medián 966
Směr. odchylka 81
98
Rozdíl max-min 320

Minimum 837
Maximum 1157
Korelogramy v Grafu 28 indikují silnou autokorelaci Indexu tržní hodnoty do perpetuity a Indexu
tržní hodnoty dle DCF až do posunutí o sedm, resp. šest období. Podstata této silné autokorelace
vězí v autokorelaci základního nájemného (viz část 3.1.). Korelační analýza obou indexů hodnoty
v souvislosti s makroekonomickými veličinami v Tabulce 8 ukázala na podstatnou korelaci mezi
oběma indexy a HDP posunutým o dvě období (r=0,7078, resp. 0,5400). Vývoj HDP bude mít
schopnost předpovídat vývoj tržní hodnoty průmyslových nemovitostí, což je v souladu se závěry
studií uvedených v druhé kapitole. Volatilita Indexu tržní hodnoty dle DCF je nižší než Indexu
tržní hodnoty do perpetuity, faktor vyhlazení má s ohledem na způsob výpočtu vyšší vliv v Indexu
tržní hodnoty dle DCF než v Indexu tržní hodnoty do perpetuity (Gohs, 2017).
S ohledem na strukturovanější výpočet hodnoty metodou DCF umožňující detailní analýzu vstupů
bude k další analýze použit pouze Index tržní hodnoty dle DCF. Interpretace prahových hodnot
Indexu tržní hodnoty dle DCF je následující:
- úroveň 1000 bodů +/- 5,00 procent – kapitálový trh je aktivní, likvidita trhu roste, na trhu je
dostatečný počet investorů se zájmem o koupi průmyslových nemovitostí a zároveň jsou na
trhu nemovitosti, které jsou současní vlastníci ochotni prodat;
- úroveň pod 950 bodů – tržní hodnoty nemovitostí jsou pod úrovní očekávání současných
vlastníků, kteří nemají zájem prodávat; investoři mají zájem kupovat, přesto likvidita trhu klesá;
- úroveň nad 1050 bodů – zájemci o investice do průmyslových nemovitostí jsou obezřetní
vzhledem k možnému nadhodnocení průmyslových nemovitostí; vlastníci mají zájem
prodávat, přesto likvidita trhu klesá.
Model DCF umožnil výpočet vnitřního výnosového procenta vloženého vlastního kapitálu. Ve
výpočtu byly použity následující parametry:
- požadavek úvěru k hodnotě ve výši sedmdesát procent;

- bankovní marže ve výši dvě procenta nad referenční sazbu 3M EURIBOR;
- splátkový kalendář na dvacet let.
Zvolené parametry odpovídají podmínkám bankovního financování v eurech na českém trhu a

jsou realisticky nastaveny pro odvětví průmyslových nemovitostí. Tabulka 22 shrnuje popisnou
statistiku vnitřního výnosového procenta.
99
Tabulka 22: Popisná statistika vnitřního výnosového procenta v období BUDI

Min. 16,19%
Průměr 21,86%
Max. 25,64%
Tyto hodnoty jsou pro průmyslový trh typické – očekávaná výnosnost vlastního kapitálu na trhu
s nemovitostmi se pohybuje mezi deseti procenty a dvaceti pěti procenty, průměr 21,86 procent
odpovídá očekávání investorů na výkonnost kapitálu investovaného do průmyslových nemovitostí.
Zvolený model DCF tudíž věrně simuluje reálný stav trhu s průmyslovými nemovitostmi a statistku
vypočteného vnitřního výnosového procenta považuji za potvrzení správnosti a reálnosti modelu
Indexu tržní hodnoty dle DCF.
Dosazením vnitřního výnosového procenta do Vzorce 25 a aplikací úrovně 1000 bodů na hodnotu
v prvním kvartále 2015 (hodnota 21,44 procenta) stejně jako v případě ostatních indexů lze získat
Index výnosnosti vlastního kapitálu investovaného do nejlepšího průmyslového prostoru (vlastní
návrh – pozn. autora):
𝐼𝑅𝑅𝑡 −𝐼𝑅𝑅𝑡−1
𝐼𝐼𝑅𝑅𝑡 = (𝐼𝐼𝑅𝑅𝑡−1 + ) 𝑥 1000 (25)
𝐼𝑅𝑅𝑡−1
, kde je
IIRRt, IIRRt-1…Index výnosnosti vlastního kapitálu investovaného do nejlepšího průmyslového

prostoru (dále také jako „Index VVK“) v čase t, resp. v čase t-1;
IRRt, IRRt-1…vnitřní výnosové procento v čase t, resp. v čase t-1.
Z vypočtených hodnot vyplývá statistika v Tabulce 23. Volatilita Indexu výnosnosti vlastního
kapitálu je vyšší než v případě Indexu tržní hodnoty dle DCF ale mnohem nižší než v případě
Indexu developerské aktivity, jelikož investorské riziko je rovněž nižší než riziko developerské.
Tabulka 23: Popisná statistika Indexu VVK v období BUDI

Stř. hodnota 1020
Medián 1042
Směr. odchylka 124
Rozdíl max-min 441
Minimum 755
Maximum 1196
100
Korelogram v Grafu 29 v příloze indikuje slabou autokorelaci Indexu výnosnosti vlastního kapitálu
v případě posunutí o tři a více období. Tento index negativně koreluje při posunutí o dvě období
s Indexem důvěry v průmysl (r=-0,7203). Interpretace prahových hodnot Indexu výnosnosti
vlastního kapitálu může být následující:
- úroveň 1000 bodů +/- 5,00 procent – riziko a výnosnost investic do průmyslových
nemovitostí je v rámci očekávání ze strany investorů; průmyslové nemovitosti jsou v hledáčku
investorů;
- úroveň pod 950 bodů – průmyslové nemovitosti jsou méně výkonné, než je očekáváno,
investoři hledají alternativy;
- úroveň nad 1050 bodů – investice do průmyslových nemovitostí se zhodnocují více než bylo
očekáváno, což láká investory k dalším investicím.
Grafické srovnání vývoje Indexu tržní hodnoty dle DCF a Indexu výnosnosti vlastního kapitálu
nabízí Graf 30 v příloze. Výkyv mezi čtvrtým kvartálem 2010 a čtvrtým kvartálem 2012 odpovídá
přechodnému oživením české ekonomiky a trhu s průmyslovými nemovitostmi. Výnosnost
vlastního kapitálu od roku 2012 průběžné klesá, odpovídá to snižujícímu se riziku investic do
průmyslových nemovitostí, a tudíž i nižšímu realizovanému a očekávanému výnosu investovaného
kapitálu. V roce 2019 se dá očekávat další snížení výnosnosti, limit je dán expanzivní politikou
Evropské Centrální Banky a očekávanou výnosností kapitálu investovaného do alternativních aktiv
a regionů.
Pokud by v kalkulaci DCF došlo k rozvolnění fixního poměru úvěru k hodnotě, znamenalo by to
vyšší volatilitu výnosnosti investovaného kapitálu. Historická data o výši požadovaného poměru
úvěru k hodnotě nejsou však k dispozici.
4.5. Shrnutí metodologické části

Na základě srovnání historického vývoje trhu s průmyslovými nemovitostmi s vývojem
zkonstruovaných indexů trhu s průmyslovými nemovitostmi konstatuji, že tyto indexy relevantně
popisují stav a vývoj trhu s průmyslovými nemovitostmi. Nastavení modelu trhu s průmyslovými
nemovitostmi byl ověřen korelační analýzou a výpočtem výnosnosti vlastního kapitálu, která
v modelu DCF vyšla na předpokládané průměrné úrovni dvacet 21,44 procent ročně. Graf 31
srovnává vývoj tří hlavních indexů trhu s průmyslovými nemovitostmi – Indexu uživatelské pozice,
Indexu developerské aktivity a Indexu tržní hodnoty dle DCF.
101
Index tržní hodnoty dle DCF je v posledním kvartálu roku 2018 na úrovni 998 bodů. Kapitálový
trh je aktivní, likvidita trhu roste, na trhu je dostatečný počet investorů se zájmem o koupi
průmyslových nemovitostí a zároveň jsou na trhu nemovitosti, které jsou současní vlastníci ochotni
prodat. Index výnosnosti vlastního kapitálu na úrovni 1001, investice do průmyslových nemovitostí
se vyplácí, výnosnost investovaného kapitálu je na očekávané úrovni.
Graf 31: Vývoj Indexu tržní hodnoty, Indexu uživatelské pozice a Indexu developerské aktivity
v období BUDI
1300,00
B U D I
1200,00
1100,00
1000,00
900,00
800,00
700,00
600,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
IHD IDA IUP
Průběh indexů trhu s průmyslovými prostory ukazuje na možnost série nerovnovážných stavů,
kterými trh s prostory neustále prochází (De Leeuw a Ekanem, 1971). Index uživatelské pozice je
na konci roku 2018 s 974 body mírně vychýlen na stranu pronajímatelů, lépe řečeno na stranu
investorů než na stranu developerů, jelikož ve stejném období je Index developerské aktivity na
úrovni 954 bodů, a to indikuje klesající ziskovost developmentu. Aktivita developerů se napíná k
přípravě nových pozemků, na kterých by mohli docílit lepší ziskovosti. Obdobnou analýzu stavu
trhu lze provést pro jakékoliv čtvrtletí v rámci sledovaného časového úseku období BUDI.
Případný šok, který by významně vychýlil stav trhu v roce 2019 nebo v roce 2020, by stejně jako
v roce 2008 přišel zvenčí (nyní již víme, že šok přišel zvenčí v souvislosti s pandemií COVID-19 – pozn.
autora). Na rozdíl od roku 2008 a 2009 je však český trh s průmyslovými nemovitostmi
102
diverzifikovanější, větší a kapitálově stabilnější z důvodu mixu zahraničního a českého kapitálu

investovaného do průmyslových nemovitostí, proto v případě šokové změny lze očekávat
zpomalení trhu, nikoliv jeho zastavení, jako tomu bylo v letech bezprostředně následujících po
globální finanční krizi.
Tabulka 24 prezentuje výsledek korelační analýzy indexů pomocí Pearsonova korelačního

koeficientu r.
Tabulka 24: Pearsonova korelační matice indexů trhu s nemovitostmi v období BUDI
Index DA Index UP Index HD Index VVK
Index DA 1,0000 -0,8790 0,9521 -0,8004
Index UP -0,8790 1,0000 -0,8624 0,5618
Index HD 0,9521 -0,8624 1,0000 -0,7686
Index VVK -0,8004 0,5618 -0,7686 1,0000
Silná negativní korelace mezi developerskou aktivitou a uživatelskou pozicí je logickým důsledkem
jejich vzájemného antagonismu – čím lepší je pozice uživatelů vůči developerům, tím lepší
podmínky si vyjednají na úkor developerů a potažmo i na úkor ostatních pronajímatelů a tím menší
zájem mají developeři stavět, a vice versa. Obdobný vztah je mezi developery a investory, a tudíž
developerská aktivita je negativně korelovaná s výnosností vlastního kapitálu – čím lepší je pozice
investorů tím horší podmínky si developeři vyjednají a tím klesá developerská aktivita, a vice versa.
Pozitivní korelace mezi tržní hodnotou a developerskou aktivitou rovněž není překvapením, jelikož
tržní hodnota prostoru a s ním související developerský zisk z výstavby průmyslové nemovitosti
jsou hlavními motivátory developerů k aktivitě. Negativní korelace mezi tržní hodnotou a
uživatelskou pozicí je pochopitelná, jelikož uživatelsky příjemné snížení efektivního nájemného, ať
již formou snížení základního nájemného nebo formou zvýšení pobídek, má negativní vliv na tržní
hodnotu prostoru. Překvapením se může jevit pozitivní korelace mezi uživatelskou pozicí a
výnosností kapitálu. Domnívám se, že tento vztah může mít souvislost s funkcí developerů jako
nárazníku mezi uživateli a investory, kteří na sebe berou riziko změn trhu, proto je také index
developerské aktivity volatilnější než ostatní indexy.
Konstatuji, že zkonstruované indexy jsou vhodným nástrojem popisu stavu trhu a mohou dle mého
názoru být využity pro krátkodobé a střednědobé předpovědi vývoje trhu s průmyslovými
nemovitostmi. Bude potřebné indexy v budoucnu pravidelně každý rok revidovat a precizovat,
aby se neustále přizpůsobovaly vývoji trhu s průmyslovými nemovitostmi a aby zachytily i jeho
dlouhodobé trendy. Část věnovanou dluhovému financování v modelu DCF bude vhodné
přizpůsobit skutečným podmínkám bankovního trhu a změnit fixní koeficient úvěru k hodnotě a
103
fixní bankovní marži na volatilní dle skutečného stavu trhu. Prostorem pro zlepšení je i předpoklad
vývoje cen pozemků pro průmyslový development.
104
5. Testování modelu českého nemovitostního trhu

Primárním cílem páté části je kvantitativní ex post analýza indexů zkonstruovaných
v metodologické části za účelem odhadu jejich regresních funkcí pomocí nezávislých proměnných
v Tabulce 8, které poslouží k následné ex ante analýze očekávaného, resp. rekonstruovaného (Bond
a Hwang, 2007) a skutečného vývoje těchto indexů v prvních dvou čtvrtletích roku 2019 a
k predikci jejich budoucího vývoje až do prvního čtvrtletí roku 2020. Cílem této analýzy je ověření
schopnosti indexů předpovídat a popisovat vývoj a stav trhu s průmyslovými nemovitostmi
v krátkém a střednědobém horizontu, proto je nutno nalézt takové nezávislé proměnné, které
umožní predikci vývoje indexů s předstihem dvou a více období. Dostupná data umožňují i
konstrukci regresních modelů hrubé poptávky a nové výstavby, a proto se tato kapitola bude
věnovat i odhadu těchto dvou veličin, které by měly souviset s vývojem Indexu uživatelské pozice
(hrubá poptávka) a s vývojem Indexu developerské aktivity (nová výstavba).
„Bezstarostné“ období, kdy se trh s průmyslovými nemovitostmi v Česku teprve formoval, bylo
završeno v roce 2007. Tento rok se vyznačuje nerovnovážným stavem, kdy developeři realizovali
nadstandardní zisky, trh byl extrémně vychýlen na stranu pronajímatelů a investoři umisťovali svůj
kapitál s minimálním zřetelem na možná rizika. V roce 2008 došlo k završení nemovitostního cyklu
a k začátku cyklu nového. Celistvá data o celém nemovitostním cyklu zakončeném v roce 2008
nejsou k dispozici, a proto je regresní analýza provedena z dat z období UDI, tedy v období mezi
lety 2008 a 2018 v rámci jednoho nemovitostního cyklu.
Cyklus trhu s průmyslovými nemovitostmi v roce 2018 nebyl zřejmě ukončen, proto lze očekávat,
že indexy nebudou schopny zachytit jeho případnou změnu i s ohledem na očekávané ukončení
cyklu vnějším šokem. Závěrečná část páté části bude z tohoto důvodu věnována citlivostní analýze
regresních modelů na změny nezávislých proměnných a analýze schopnosti indexů předvídat
změnu trhu. Pokud najdou indexy trhu s průmyslovými nemovitostmi využití v praxi, potom bude
vhodné rok 2019 zahrnout do Epochy I a regresní modely indexů přepočítat, aby obsahovaly i data
za rok 2019. Na počátku roku 2020, kdy je disertační práce dokončována, je zřejmé, že rok 2019
nijak nevybočil z trendů předchozích let Epochy I, tudíž rok 2019 do této epochy patří.
Tabulka 8 v příloze zachycuje vývoj nezávislých proměnných (HDP, měnová báze, referenční
úroková sazba, inflace, zaměstnanost), které byly v regresní analýze použity a které jsou běžně
používány k obdobným účelům v zahraniční literatuře věnované nemovitostem. Očekávám
závislost vývoje Indexu tržní hodnoty dle DCF na vývoji HDP, neboť je tato veličina indikátorem
obecného stavu a vývoje ekonomiky a zároveň je tato veličina bez limitu spojitá ve vývoji stejně
105
jako je tomu u tržní hodnoty. Měnová báze by mohla mít s tržní hodnotou obdobný vztah, nicméně
lepší vysvětlení pohybů zřejmě poskytne HDP. Předpokládám, že vývoj Indexů uživatelské pozice
a developerské aktivity bude svázán se zaměstnaností, neboť zaměstnanost má svůj limit stejně
jako je limitní činnost uživatelů prostorů, resp. jako je limitní poptávka po prostorech, a jako je
limitní developerská aktivita, resp. jako je limitní nová výstavba. Provedl jsem korelační analýzu
vztahu vývoje indexů s ostatními makroekonomickými proměnnými v Tabulce 8 a dle očekávání
se vztah s jinými veličinami nepotvrdil.
Všechny tři indexy v sobě mají i složku oscilace kolem hlavního trendu, proto byl do analýzy k
makroekonomickým ukazatelům přidán Index důvěry v průmysl, který publikuje Český statistický
úřad a který je založen na dotazníkovém šetření mezi podnikateli. Index důvěry v průmysl je
průměrem sezónně očištěných sald tří ukazatelů: hodnocení celkové poptávky, zásoby hotových
výrobků s opačným znaménkem a očekávaného vývoj výrobní činnosti. Stejně jako jiné trhy aktiv
souvisí trh s průmyslovými nemovitostmi s očekáváním dalšího hospodářského vývoje. Index
důvěry v průmysl se blíží svou definicí trhu s průmyslovými nemovitostmi, a proto by v regresním
modelu mohl přispět k vysvětlení oscilací závislých proměnných.
Index výnosnosti vlastního kapitálu reaguje specificky, v roce 2008 došlo k výraznému výkyvu,
následně je vývoj indexu vyrovnaný a plochý bez výrazného trendu. To by mohlo souviset
s vnímáním rizika a související požadovanou výnosností, která se v čase, kromě období nestability,
příliš nemění, proto lze počítat s výraznou pamětí časové řady promítnutou do regresního modelu.
5.1. Regresní modely

V této části nejprve definuji regresní modely indexů trhu s prostory, následně indexy trhu
kapitálového a na závěr stanovím i modely vývoje hrubé poptávky a nové výstavby. Regresní
modely následně mohou být použity pro rekonstrukci vývoje indexů dle metody uvedené v části
2.1.1.2.
5.1.1. Regresní modely Indexu uživatelské pozice a Indexu developerské

aktivity
Statistika v Tabulce 25 shrnuje výsledky testů ověřujících předpoklady o náhodné složce Indexu
uživatelské pozice a Indexu developerské aktivity.
Tabulka 25: Znaménkový test a test bodu zvratu Indexů DA a UP v období UDI
IDA IUP
Počet Hodnota testového kritéria Kritická hodnota Počet Hodnota testového kritéria Kritická hodnota
Znaménka diference 23 0,25819889 1,959963985 17 -2,32379 1,959963985
Bod zvratu 26 -0,973728991 1,959963985 20 -3,1646192 1,959963985
106
Hodnoty testového kritéria při testu bodu zvratu v případě Indexu developerské aktivity leží
v oboru přijetí (-1,96;1,96) na pěti procentní hladině významnosti, proto nelze z tohoto pohledu
s pěti procentním rizikem vyvrátit hypotézu H0 o tom, že pozorování jsou nezávislé stejně
rozdělené náhodné veličiny, resp. že posloupnost reziduí je náhodně uspořádána. Test znaménkové
diference rovněž neumožňuje na pěti procentní hladině významnosti vyvrátit hypotézu H0 o tom,
že pozorování jsou nezávislé stejně rozdělené náhodné veličiny, časová řada Indexu developerské
aktivity neobsahuje heteroskedasticitu.
V případě Indexu uživatelské pozice leží hodnoty testového kritéria při testu pomocí znaménkové
diference i bodu zvratu mimo obor přijetí (-1,96;1,96) na pěti procentní hladině významnosti, proto
lze s pěti procentním rizikem vyvrátit hypotézu H0 o tom, že pozorování jsou nezávislé stejně
rozdělené náhodné veličiny, resp. že posloupnost reziduí je náhodně uspořádána. Test znaménkové
diference umožňuje přijetí H0 na jedno procentní hladině významnosti, testové kritérium bodu
zvratu nevyhoví ani jednoprocentní hladině významnosti, a proto lze předpokládat
heteroskedasticitu v časové řadě Indexu uživatelské pozice.
Z korelační analýzy vyplynula významná závislosti Indexu developerské aktivity na zaměstnanosti

a na Indexu důvěry v průmysl posunutých o dvě období, resp. o tři období (Pearsonův korelační
koeficient 0,681, resp. 0,5465). Index uživatelské pozice je také významně závislý na zaměstnanosti
a na Indexu důvěry v průmysl posunutých o dvě období (Pearsonův korelační koeficient -0,6469,
resp. 0,5736). Oba indexy významně korelují i s HDP a měnovou bází, nicméně s ohledem na
charakteristiku těchto dvou veličin, které v čase rostou a vzhledem k nedostatečné korekci tohoto
růstu v regresním modelu pomocí Indexu důvěry v průmysl, byla za vysvětlující proměnnou
zvolena zaměstnanost v absolutním vyjádření, jelikož tento ukazatel koreluje s HDP i měnovou
bází a zároveň je absolutně limitován počtem pracovních sil v českém hospodářství, stejně jako má
svůj limit developerská aktivita a uživatelská pozice. Souvislost s vývojem Indexu důvěry v průmysl,
který v modelu funguje jako stochastický oscilátor, potvrzuje element očekávání v postojích
uživatelů i developerů.
V souvislosti s výše uvedenými výsledky korelační analýzy jsem odhadl regresní funkce obou
indexů s parametry, které jsou shrnuty v Tabulce 26. Lineární regresní funkce je v obou případech
signifikantní na devadesáti devíti procentní úrovni.
Tabulka 26: Parametry regresních funkcí Indexů DA a UP

IDA' IUP'
107
Hranice -2625 2801

EMP (Q-2) 0,6934 -0,3487
IDP (Q-2) X -3,8037
IDP (Q-3) 5,2582 X
Násobné R 0,7639 0,7922
Hodnota spolehlivosti R 0,5835 0,6276
Významnost F 0,0000 0,0000
Breusch Pagan 0,0370 0,2350
White's 0,0351 0,0676
Srovnání závislosti druhých mocnin reziduí na očekávaných hodnotách obou indexů přináší Graf
32 v příloze. Na základě Breusch Pagan testu a White’s testu nelze na pěti procentní úrovni vyvrátit
hypotézu H0 o homoskedasticitě regresní funkce Indexu uživatelské pozice, proto v něm nebyla
identifikována heteroskedasticita a takto získaný model může být vhodný pro předpovědi, jelikož
rozptyl reziduí není závislý na jednom parametru. White’s test regresní funkce Indexu developerské
aktivity sice na pěti procentní úrovni neumožňuje vyvrátit hypotézu H0 o homoskedasticitě regresní
funkce, Breusch Pagan test však vyvrácení hypotézy H0 o homoskedasticitě umožňuje i na
jednoprocentní úrovni pravděpodobnosti, regresní model Indexu developerské aktivity může být
zatížen chybou a spolehlivost předpovědi může být diskutabilní.
58,4 procent závislé proměnné Indexu developerské aktivity je vysvětleno regresní funkcí
nezávislých proměnných zaměstnaností a Indexu důvěry v průmysl. V případě závislé proměnné
Indexu uživatelské pozice je vysvětleno regresní funkcí 62,8 procenta hodnot, regresní model
Indexu uživatelské pozice má z dosud zkoumaných závislých proměnných nejlepší parametry, i tak
může tento regresní model znamenat zkreslení v odhadech.
5.1.2. Regresní modely Indexů tržní hodnoty a Indexu výnosnosti vlastního

kapitálu
Statistika v Tabulce 27 shrnuje výsledky testů ověřujících předpoklady o náhodné složce Indexu
tržní hodnoty dle DCF a Indexu výnosnosti vlastního kapitálu.
Tabulka 27: Znaménkový test a test bodu zvratu Indexů HD a VVK v období UDI
IHD VVK
Hodnota Hodnota Kritická
Počet testového kritéria Kritická hodnota Počet testového kritéria hodnota
Znaménka diference 22 0,25819889 1,959963985 22 0,25819889 1,959963985
Bod zvratu 24 -1,704025734 1,959963985 24 -1,704025734 1,959963985
Hodnoty testového kritéria při testu bodu zvratu v případě obou indexů leží v oboru přijetí (-
1,96;1,96) na pěti procentní hladině významnosti, proto nelze z tohoto pohledu s pěti procentním
rizikem vyvrátit hypotézu H0 o tom, že pozorování jsou nezávislé stejně rozdělené náhodné
108
veličiny, resp. že posloupnost reziduí je náhodně uspořádána. Test znaménkové diference obou
indexů neumožňuje vyvrátit hypotézu H0 o tom, že pozorování jsou nezávislé stejně rozdělené
náhodné veličiny na pěti procentní hladině významnosti. Hypotézu H0 o náhodném uspořádání
posloupnosti reziduí proto nelze vyvrátit pro oba indexy, jejich časové řady neobsahují
heteroskedasticitu.
Z korelační analýzy mezi Indexem HD a nezávislými proměnnými v Tabulce 8 vyplynula dle

očekávání významná závislosti Indexů tržní hodnoty dle DCF na HDP posunutém o dvě období
(Pearsonův korelační koeficient 0,5400) a na Indexu důvěry v průmysl posunutém o dvě období
(Pearsonův korelační koeficient 0,4833). Index výnosnosti vlastního kapitálu významně koreluje
jen s Indexem důvěry v průmysl posunutým o dvě období (Pearsonův korelační koeficient -0,7203),
ani inflace a ani úrokové sazby nemají na Index výnosnosti vlastního kapitálu významný vliv.
Z analýzy tudíž vyplývá, že obdobně jako v případě indexů trhu s prostory i indexy kapitálového
trhu obsahují element očekávání.
V souvislosti s výše uvedenými výsledky korelační analýzy jsem odhadl regresní funkce obou
indexů s parametry, které jsou shrnuty v Tabulce 28. Lineární regresní funkce je ve všech třech
případech signifikantní na devadesáti devíti procentní úrovni.
Tabulka 28: Parametry regresních funkcí Indexů HD a VVK

IHD' IVVK’
Hranice 658 1044
HDP (Q-2) 0,0003 X
IDP (Q-2) 2,3812 -7,9937
Násobné R 0,6542 0,7203
White's 0,0134 0,0000
Srovnání závislosti druhých mocnin reziduí na očekávaných hodnotách obou indexů přináší Graf
33 v příloze. Na základě Breusch Pagan testu lze na pěti procentní hladině významnosti zamítnout
hypotézu H0 o homoskedasticitě obou indexů, v regresním modelu může být heteroskedasticita.
Dle White’s testu nelze na pěti procentní úrovni vyvrátit hypotézu H0 o homoskedasticitě regresní
funkce Indexu tržní hodnoty dle DCF, proto v něm heteroskedasticita nemusí být přítomna. U
Indexu tržní hodnoty dle DCF lze i dle White’s testu zamítnout hypotézu H0 o homoskedasticitě,
proto v tomto modelu je přítomna heteroskedasticita, regresní model Indexu tržní hodnoty dle
DCF nemusí spolehlivě předpovídat vývoj závislé proměnné, tzn. vývoj Indexu tržní hodnoty dle
DCF.
109
42,8 procent závislé proměnné Indexu tržní hodnoty dle DCF je vysvětleno regresní funkcí
nezávislých proměnných HDP a Indexu důvěry v průmysl, v případě závislé proměnné Indexu
výnosnosti vlastního kapitálu je to 51,9 procent. Lineární regresní modely indexů budou mít mezery
v odhadech hodnot závislých proměnných.
5.1.3. Regresní modely hrubé poptávky a nové výstavby na trhu uživatelů

Statistika v Tabulce 29 shrnuje výsledky testů ověřujících předpoklady o náhodné složce hrubé
poptávky a nové výstavby.
Tabulka 29: Znaménkový test a test bodu zvratu hrubé poptávky a nové výstavby v období UDI
GTU SUP
Počet Hodnota testového kritéria Kritická hodnota Počet Hodnota testového kritéria Kritická hodnota
Znaménka diference 26 2,32379 1,959963985 23 0,774596669 1,959963985
Bod zvratu 28 -0,24343 1,959963985 27 -0,608580619 1,959963985
Hodnoty testového kritéria při testu bodu zvratu v případě hrubé poptávky leží v oboru přijetí (-
1,96;1,96) na pěti procentní hladině významnosti, proto nelze z tohoto pohledu s pěti procentním
rizikem vyvrátit hypotézu Ho o tom, že pozorování jsou nezávislé stejně rozdělené náhodné
veličiny, resp. že posloupnost reziduí je náhodně uspořádána. Test znaménkové diference hrubé
poptávky neumožňuje vyvrátit hypotézu H0 o tom, že pozorování jsou nezávislé stejně rozdělené
náhodné veličiny na jedno procentní hladině významnosti. V případě nové výstavby leží hodnoty
testového kritéria při testu pomocí znaménkové diference i bodu zvratu v oboru přijetí (-1,96;1,96)
na pěti procentní hladině významnosti, proto nelze s pěti procentním rizikem vyvrátit hypotézu H0
o tom, že pozorování jsou nezávislé stejně rozdělené náhodné veličiny, resp. že posloupnost reziduí
je náhodně uspořádána. Hypotézu H0 o náhodném uspořádání posloupnosti reziduí proto nelze
vyvrátit pro obě veličiny, časová řada obou veličin neobsahuje heteroskedasticitu.
Z korelační analýzy pomocí nezávislých proměnných v Tabulce 8 vyplynula významná závislosti

hrubé poptávky na české měnové bázi posunuté o osm období (Pearsonův korelační koeficient
0,7118). Dle Thompson a Tsolacos (1999) je HDP hlavním motorem poptávky po prostorech,
měnová báze je vysoce korelovaná s HDP a zároveň česká měnová báze vykazuje vyšší korelaci
s hrubou poptávkou než české HDP, a tudíž měnová báze poskytuje možnost lepší předpovědi
hrubé poptávky než HDP. Korelační analýza nové výstavby ukázala na korelaci se zaměstnaností
posunutou o dvě období (Pearsonův korelační koeficient 0,5446), významná souvislost s jinými
nezávislými proměnnými nebyla identifikována.
110
Z korelační analýzy vyplynula i očekávaná souvislost mezi hrubou poptávkou a zkonstruovaným

Indexem uživatelské pozice a mezi novou výstavbou a zkonstruovaných Indexem developerské
aktivity, které mají schopnost být vysvětlujícími proměnnými vývoje obou veličin trhu s prostory.
Hrubá poptávka je negativně závislá na Indexu uživatelské pozice posunutém o jedno období
(Pearsonův korelační koeficient 0,5797) a nová výstavba je pozitivně závislá na Indexu
developerské aktivity posunutém o jedno období (Pearsonův korelační koeficient 0,7125). Tyto
výsledky považuji za potvrzení správnosti koncepce modelu trhu s nejlepšími průmyslovými
prostory.
V souvislosti s výše uvedenými výsledky korelační analýzy jsem odhadl regresní funkce hrubé
poptávky a nové výstavby. Odhadnuté regresní funkce mají parametry shrnuté v Tabulce 30.
Lineární regresní funkce je v obou případech signifikantní na devadesáti devíti procentní úrovni.
Tabulka 30: Parametry regresních funkcí hrubé poptávky a nové výstavby

GTU' SUP'
Hranice 202931 -460719
CZMB (Q-8) 0,1202 X
EMP (Q-2) X 62
IUP (Q-1) -254 X
IDA (Q-1) X 312
Násobné R 0,7359 0,7429
White's 0,2337 0,0987
Srovnání závislosti druhých mocnin reziduí na očekávaných hodnotách obou veličin přináší Graf
34 v příloze. Na základě Breusch Pagan testu a White’s testu nelze na pěti procentní úrovni vyvrátit
hypotézu H0 o homoskedasticitě obou regresních funkcí, proto v nich nebyla identifikována
heteroskedasticita a takto získané modely mohou být vhodné pro předpovědi, jelikož rozptyl
reziduí není závislý na jednom parametru.
54,2 procent závislé proměnné hrubé poptávky GTU je vysvětleno regresní funkcí nezávislých
proměnných měnové báze a Indexu uživatelské pozice. V případě závislé proměnné nové výstavby
SUP je to 55,2 procent. Předpovědi získané na základě regresních funkcí obou proměnných
nebudou příliš přesné.
5.2. Analýza ex ante

V předchozí části byly na základě dat z období UDI definovány regresní funkce indexů a veličin,
které lze využít pro odhad jejich dalšího vývoje. Jelikož jsou k dispozici data o skutečném vývoji
trhu s průmyslovými nemovitostmi za první dva kvartály roku 2019, lze udělat analýzu ex ante
111
očekávaných a skutečných hodnot indexů v tomto období. Předpověď vývoje indexů v důsledku
předbíhání nezávislých proměnných je možná až do prvního kvartálu 2020.
Nejlepší parametry má regresní funkce Indexu uživatelské pozice, předpovědi vývoje této
proměnné by mohly být poměrně přesné. O něco horší parametry má lineární regresní funkce
Indexu tržní hodnoty dle modelu DCF. Analýzu ex ante jsem provedl i pro Index developerské
aktivity a Index výnosnosti vlastního kapitálu, i když regresní funkce obou těchto indexů nejsou
rozhodně ideální. Odhad hrubé poptávky a nové výstavby doplňuje paletu informací o
předpokládaném vývoji trhu s průmyslovými nemovitostmi.
5.2.1. Odhad vývoje Indexu uživatelské pozice a Indexu developerské

aktivity
Odhad vývoje Indexu uživatelské pozice zaznamenaný v Grafu 35 v příloze je vzhledem k jeho
skutečným hodnotám v období prvních dvou čtvrtletí roku 2019 podhodnocený jen o 3,3 procenta.
Index zachycuje trend zhoršující se pozice nájemců, který bude pokračovat až do konce roku 2019.
Na začátku roku 2020 index ukazuje mírné zlepšení, které by mohlo naznačit i obrat trendu, jelikož
v roce 2020 se očekává ochlazení ekonomiky, který by mohl znamenat nárůst nepronajatosti a
zlepšení pozice uživatelů na trhu.
Negativní rozdíl odhadované a skutečné výše Indexu uživatelské pozice lze interpretovat i tak, že
uživatelé ve skutečnosti mají na trhu s průmyslovými prostory lepší pozici, než by odpovídalo stavu
hospodářství a očekávání, jinými slovy nájemci jsou schopni si vyjednat u pronajímatelů lepší
podmínky, než jaké by měly odpovídat jejich pozici na trhu dle ekonomické situace.
Předpovídaný a skutečný vývoj Indexu developerské aktivity je zachycen v Grafu 36. Odhad vývoje
čtvrtletního Indexu developerské aktivity v první polovině roku 2019 je nadhodnocen o 4,7
procenta vůči jeho skutečným hodnotám. S ohledem na rizikovost developmentu a jeho ziskovosti
bude v jakémkoliv modelu odhad této složky trhu prostorů na základě regresních modelů
problematický, z tohoto pohledu je nadhodnocení nízké.
V druhé polovině roku 2019 a na začátku roku 2020 Indexy uživatelské pozice a developerské
aktivity předpokládají zlepšení pozice nájemců a omezení aktivity developerů. Tato situace může
nastat, pokud dojde k ochlazení poptávky a zároveň omezení aktivity z důvodu rostoucích nákladů
nové výstavby, případně z důvodu nedostatečné úrovně dostupného financování.
112
5.2.2. Odhad vývoje Indexů tržní hodnoty nejlepšího průmyslového prostoru

Srovnání skutečného a předpovídaného vývoje Indexu tržní hodnoty dle DCF dle lineárního
regresního modelu nabízí Graf 37 v příloze. Odhad čtvrtletního vývoje Indexu tržní odnoty dle
DCF se od skutečných hodnot v první polovině roku 2019 liší o méně než jedno procento, přesněji
o 0,4 procent, odhad je tudíž přesný. Hodnoty Indexu HD’ vypočtené regresním lineárním
modelem jsou v roce 2019 vyšší, než byly odhadované a skutečné hodnoty tohoto indexu na
začátku roku 2008.
Průběh odhadovaných a skutečných hodnot Indexu tržní hodnoty dle DCF nabízí zajímavý výklad
– v letech 2008 až 2009 byly tržní hodnoty nejlepších průmyslových prostor značně nadhodnoceny,
stejně jako jsou nadhodnoceny skutečné hodnoty Indexu tržní hodnoty dle DCF vůči hodnotám
očekávaným. Situace se obrátila v roce 2010, kdy průmyslové nemovitosti byly již podhodnoceny,
stejně jako skutečné hodnoty Indexu tržní hodnoty dle DCF vůči hodnotám očekávaným.
Domnívám se, že regresní funkce sloužící k rekonstrukci vývoje Indexu tržní hodnoty dle DCF má
potenciál identifikace neefektivností na kapitálovém trhu. Od roku 2015 lze sledovat podobný
průběh odhadovaných i skutečných hodnot, v současnosti by mohly být nemovitosti v oceněních
expertů na svojí, tedy očekávané hodnotě. Růst tržní hodnoty dle odhadu vývoje Indexu tržní
hodnoty dle DCF v druhé polovině 2019 a v prvním čtvrtletí 2020 se zplošťuje.
Graf 38 v příloze srovnává vývoj odhadovaných a skutečných hodnot Indexu výnosnosti vlastního
kapitálu v období UDI. V první polovině roku 2019 je odhad Indexu výnosnosti vlastního kapitálu
8,3 procenta nad jeho skutečnými hodnotami, předpokládaná výše výnosnosti je vyšší než
vypočítaná v konzervativně nastaveném modelu DCF.
5.2.3. Odhad vývoje hrubé poptávky a nové výstavby

Graf 39 v příloze zachycuje vývoj skutečné a očekávané hrubé poptávky po prostorech v období
UDI s predikcí vývoje v roce 2019 a v prvním kvartále 2020 na základě lineární regresní funkce
definované v části 5.1.3. Odhad hrubé poptávky v prvních dvou čtvrtletích roku 2019 vůči
skutečnosti je v průměru o dvacet osm procent nadhodnocený vůči skutečným hodnotám,
nadhodnocení se od roku 2018 prohlubuje. Lineární regresní model nezachytil zpomalení růstu
hrubé poptávky, jelikož v celém období měnová báze roste a změna uživatelské pozice nastala až
ve druhém čtvrtletí 2019.
Výrazné nadhodnocení, které regresní funkce odhaduje v roce 2019, může být způsobeno i menším
poměrem přejednaných nájemních smluv z let 2009 a 2014 na celkové hrubé poptávce, jelikož
v součtu jsou renegociace z těchto let slabší v porovnání s lety 2008 a 2013. Model dozajista
113
nadhodnotí celý rok 2019, ke srovnání by mohlo dojít v roce 2020 a v letech následujících, kdy se
sice dá očekávat ochlazení trhu vzhledem k očekávanému zpomalení růstu ekonomiky, dojde
k přejednání smluv ze silných let 2010 a 2015 a z let následujících. Z tohoto pohledu je lineární
regresní model nedokonalý, neboť v něm chybí faktor vysvětlující cykličnost v přejednávání
nájemních smluv. Model založený na čisté poptávce by zřejmě měl lepší parametry, na druhou
stranu by v něm chyběla podstatná informace o prodloužených a o expandovaných stávajících
smlouvách.
Lineární regresní model hrubé poptávky je však možno interpretovat i jako nevyužitý potenciál
trhu na straně celkové poptávky, která je nižší, než by mohla být vzhledem ke stavu regionálního i
místního hospodářství, resp. k vývoji nezávislých proměnných. Hrubá poptávka neroste v roce
2019, jak by odpovídalo stavu ekonomiky, z důvodu restrikcí na straně nabídky průmyslových
prostorů, který způsobuje tlak na zefektivňování a automatizaci prostorů, a z důvodu nedostatku
lidských zdrojů, která způsobuje umisťování investic do jiných zemí v regionu (zejména do Polska).
Odhad nové výstavby zaznamenaný v Grafu 40 v příloze je vůči skutečnosti nadhodnocený o

celých osmnáct procent v období prvních dvou kvartálů roku 2019. Rozdíl je zřejmě dán klesající
výstavbou s ohledem na nedostatek připravených pozemků, nová výstavba je pod svým
potenciálem.
Regresní model v odhadu zachytil zpomalení růstu v roce 2019 a sezónní výkyv, který zřejmě
nastane ve čtvrtém kvartále 2019 nebo v prvním kvartále 2020. Jakýkoliv model by nedokázal
zachytit proměnlivost dokončení výstavby s ohledem na povolovací procesy a počasí. Jelikož je
nová výstavba na českém trhu s průmyslovými prostory relativně malá, má zpoždění jakéhokoliv
středně velkého projektu zásadní dopad na čtvrtletní statistiky. Tyto rizikové faktory spojené
s novou výstavbou nebude zřejmě možno jakkoliv do regresní funkce promítnout.
5.3. Mohou regresní modely indexů předpovídat budoucí vývoj

trhu?
Tabulka 31 shrnuje předpověď vývoje zkonstruovaných indexů trhu s průmyslovými nemovitostmi
v období od prvního čtvrtletí 2019 do prvního čtvrtletí 2020. Ve čtvrté kapitole byly definovány
kritické hodnoty těchto indexů, které slouží k odhadu stavu každé části trhu s nemovitostmi.
Tabulka 31: Očekávané hodnoty Indexu HD’, Indexu DA’, Indexu UP’ a Indexu VVK’ v roce
2019 a v prvním čtvrtletí roku 2020
Období IDA' IUP' IHD' IVVK'
Q1/2019* 1073 947 1007 1034
Q2/2019* 1075 932 1017 1020
114
Q3/2019* 1069 951 1016 1044

Q4/2019* 1047 953 1021 1042
Q1/2020* 1057 961 1018 1068
Pokud použijeme definice kritických hodnot indexů ze čtvrté kapitoly, lze očekávaný vývoj
každého čtvrtletí v roce 2019 a prvního čtvrtletí v roce 2020 popsat takto:
Q1/2019 Tržní hodnota průmyslových prostor se nijak výrazně vůči předchozímu období
nezměnila a zůstává na úrovni, která zatím nevěští nadhodnocení
(1000<IHD’<1050) . Nárůst Indexu VVK’ vůči předchozímu období indikuje
zvýšení výnosnosti kapitálu vloženého do průmyslových nemovitostí, investoři
z toho důvodu mají o investice do českých průmyslových nemovitostí zájem a
čekají na vhodnou příležitost (1000<IVVK’<1050). Index DA’ zůstává na stejné
úrovni, aktivita developerů stagnuje (1000<IDA’<1050), nová výstavba se drží na
přibližně stejné úrovni jako v prvním čtvrtletí předchozího roku, Index UP’ je na
stejné úrovni jako v předchozím období, trh zůstává vychýlen na stranu
pronajímatelů (IUP’<950). Hrubá poptávka by v tomto čtvrtletí měla dosáhnout
447tis. m2, jedná se o nárůst vůči reálným hodnotám ve stejnému období v roce
2018 o šest procent. Nová výstavba by měla představovat 166tis. m2, což
představuje pokles o téměř 22% vůči skutečným hodnotám ve stejnému období
roku 2018.
Q2/2019 Tržní hodnota nejlepších průmyslových prostor se mírně zvýšila, mírný pokles
Indexu VVK’ znamená, že výnosnost vlastního kapitálu je stále na očekávané
úrovni (1000<IVVK’<1050), investoři mají zájem do českých průmyslových
nemovitostí investovat. Index DA’ zůstal na přibližně stejné úrovni nad hranicí
1050 bodů, development se vyplácí, což se projeví v dalších čtvrtletích v rámci
nové stavební sezóny. Uživatelská pozice se dále zhoršila, nájemci nejsou schopni
vyjednat si lepší podmínky (IUP’<950). Hrubá poptávka by v tomto čtvrtletí
mohla dosáhnout 454tis. m2, jedná se o nárůst vůči reálným hodnotám ve stejnému
období v roce 2018 o čtyřicet čtyři procent. Nová výstavba by měla představovat
192tis. m2, což představuje nárůst o dvanáct procent vůči reálným hodnotám ve
stejnému období roku 2018.
115
Q3/2019 Tržní hodnota nejlepších průmyslových prostor se téměř nezměnila, zatím nejsou
signály o nadhodnocení (IHD’>1050). Výnosnost vlastního kapitálu indikovaná
vývojem Indexu VVK’ se přiblížila k hranici, kdy se investice zhodnocují nad
očekávání, stále ještě tuto hranici nepřekročila (1000<IVVK’<1050). Index DA’
se mírně snížil, drží se ale nad hodnotou 1050 bodů. Uživatelská pozice semírně
zlepšila. Hrubá poptávka by v tomto čtvrtletí měla dosáhnout 468tis. m2,
mezikvartálně jde o růst o tři procenta. Nová výstavba by měla představovat 186tis.
m2, od minulého čtvrtletí jde o pokles o tři procenta.
Q4/2019 Index HD’ se znovu zvýšil, zatím nedosahuje hranice 1050 bodů, od které by
investoři měli být obezřetnější při akvizicích s ohledem na možné nadhodnocení.
Výnosnost vlastního kapitálu se stabilizovala na přibližně stejné úrovni jako
v předchozím čtvrtletí (1000<IVVK’<1050). Index DA’ dále klesá a ukazuje nový
trend zhoršující se pozice developerů (1000<IDA’<1050). Pozice uživatelů
stagnuje a téměř se ve srovnání s předchozím čtvrtletím nemění. Hrubá poptávka
by v tomto čtvrtletí měla dosáhnout 470tis. m2, jedná se o přibližně stejnou úroveň
jako v předchozím období. Nová výstavba by měla představovat 202tis. m2, mohlo
by dojít k mírnému nárůstu nové výstavby o dvě procenta vůči skutečným
hodnotám ve stejném čtvrtletí roku 2018.
Q1/2020 Tržní hodnota nejlepších průmyslových prostor zatím stagnuje, důležitý bude další
vývoj hospodářství. Výnosnost vlastního kapitálu je nad očekáváním, což motivuje
další investory k zájmu o tento segment (IVVK’>1050). Aktivita developerů se sice
vůči předchozímu období zvýšila, potvrzuje trend zhoršující se developerské
pozice. Hrubá poptávka by v tomto čtvrtletí měla dosáhnout 484tis. m2, jedná se
o nárůst vůči předpovědi hrubé poptávky ve stejném období v roce 2019 o osm
procent. Nová výstavba by měla představovat 195tis. m2, což představuje nárůst o
sedmnáct procent vůči předpovědi nové výstavby v roce 2019.
Výše uvedená analýza ukazuje, že regresní model indexů má potenciál popisovat a předpovídat
vývoj průmyslového nemovitostního trhu, jelikož se výše uvedené teze shodují s realitou prvních
dvou kvartálů roku 2019. Shoda očekávaných a skutečných hodnot indexu (a skutečného stavu
trhu) v druhé polovině roku 2019 a v prvním čtvrtletí 2020 bude analyzována, jakmile budou
k dispozici čerstvá dat.
116
Graf 41 níže srovnává vývoj odhadnutých indexů v celém období UDI i v období roku 2019 a
prvního čtvrtletí 2020.
Graf 41: Vývoj očekávaných hodnot Indexu HD’, Indexu DA’ a Indexu UP’ v období UDI a v
následujících 5 čtvrtletích
1200
U D I
1100
1000
IDA' IUP' IHD'
900
800
700
600
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
IHD' IUP' IDA'
Zdroj: Vlastní graf a výpočty
Analýza citlivosti je obsažena v Tabulkách 32 až 35 v příloze. Pokud dojde v druhém čtvrtletí

k poklesu hospodářství o pět procent vůči poslednímu čtvrtletí roku 2019 a zároveň k poklesu
zaměstnanosti o jedno procento, a pokud Index důvěry v průmysl bude v prvním čtvrtletí negativní
na úrovni minus dvanáct bodů a v druhém čtvrtletí zůstane na stejné úrovni, potom předpověď
hodnoty indexů a stavu trhu s průmyslovými nemovitostmi ve čtvrtém čtvrtletí 2020 je následující:
- Index developerské aktivity - 953 bodů – trend poklesu aktivity developerů bude potvrzen a
prohlouben z důvodu nedostatku financování a z důvodu snížení ziskovosti developmentu
v souvislosti s nutností poskytnutí vyšších pobídek nájemcům;
- Index uživatelské pozice – 1015 bodů – z důvodu snížené poptávky poroste nepronajatost a
pozice uživatelů, kteří budou mít zájem o pronájem nových prostorů, se zlepší;
- Index tržní hodnoty dle DCF – 980 bodů – tržní hodnota nejlepších průmyslových prostor
bude stagnovat, likvidita trhu poklesne;
117
- Index výnosnosti vlastního kapitálu – 1140 – vyšší rizikovost investic do nemovitostí bude mít
za následek zvýšení požadované výnosnosti vlastního kapitálu.
5.4. Shrnutí empiricko-analytické části

Odhadnuté lineární regresní modely nepovažuji za ideální, přesto mohou dobře a zejména
srozumitelně predikovat a popisovat stav a vývoj trhu s průmyslovými nemovitostmi. Korelační
analýza potvrdila souvislost vývoje Indexu uživatelské pozice s hrubou poptávkou a Indexu
developerské aktivity s novou výstavbou. Dle mého názoru tato souvislost dokazuje vhodnost
konstrukce těchto dvou indexů. Odhady Indexů hodnoty dle DCF a Indexů výnosnosti vlastního
kapitálu na základě regresních funkcí jsou velmi blízko vývoji skutečných hodnot těchto indexů,
proto je lze považovat za vhodný nástroj predikce.
Souhrn parametrů regresních funkcí všech zkoumaných závislých proměnných je shrnut v Tabulce
32.
Tabulka 36: Souhrn parametrů regresních funkcí závislých proměnných

IDA' IUP' IHD' IVVK' GTU' SUP'
Hranice -2625 2801 658 1044 202931 -460719
HDP (Q-2) x x 0,0003 x x x
CZMB (Q-8) x x x x 0,1202 x
EMP (Q-2) 0,6934 -0,3487 x x x 62,03
IDP (Q-2) x -3,52 2,38 -7,99 x x
IDP (Q-3) 5,26 x x x x x
IUP (Q-1) x x x x -253,54 x
IDA (Q-1) x x x x x 312,51
Násobné R 0,7639 0,7922 0,6542 0,7203 0,7359 0,7428
Hodnota spolehlivosti R 0,5835 0,6276 0,4279 0,5188 0,5415 0,5518
Významnost F 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Breusch Pagan 0,0370 0,2350 0,0000 0,0097 0,2354 0,5794
White's 0,0351 0,0676 0,0134 0,0000 0,2337 0,0987
Další výzkum indexů trhu s průmyslovými nemovitostmi se musí zaměřit na zpřesnění regresních
modelů a na získání vstupních dat přímo z ocenění nejlepších (anebo signifikantní části)
nemovitostí na trhu nebo alespoň objektivizací odhadů jejich tržní hodnoty ze strany všech
odborníků v oceňování průmyslových nemovitostí aktivních na českém trhu.
118
6. Závěrečná část
Podnětem k této práci byla potřeba komplexněji porozumět vztahu mezi prostorem, nemovitostí
a jejich tržní hodnotou, která ovlivňuje chování subjektů na trhu s nemovitostmi a která souvisí
s vývojem hospodářství. Účelem studie je analýza a predikce vývoje tržní hodnoty průmyslových
nemovitostí a prostředkem je model, ve kterém je oddělena tržní hodnota nejlepšího pronajatého
průmyslového prostoru na trhu od tržní hodnoty průmyslové nemovitosti.
Prostřednictvím provedené analýzy jsem dospěl k závěru, že tržní hodnota nejlepšího

průmyslového prostoru na trhu dle metody DCF je nejlepším ukazatelem celého trhu, od kterého
lze odvozovat tržní hodnoty všech průmyslových nemovitostí na stejném trhu. Disertační práce
přináší inovaci ve formě indexu tržní hodnoty nejlepšího průmyslového prostoru, který je vhodný
pro rozvíjející se trhy s nedostatkem dat a který je založen na vývoji tržní hodnoty stanovené
odborníky pro nejlepší standardní prostor na trhu pomocí metody DCF. Regresní analýza potvrdila
hypotézu, dle které vývoj tržní hodnoty nejlepšího průmyslového prostoru vyjádřená pomocí
indexu souvisí s vývojem hospodářství.
Originálním prvkem je sada dalších tří indexů, které sledují uživatelskou a developerskou pozici na
trhu s prostory a pozici investorů na kapitálovém trhu. Pomocí těchto indexů lze dotvořit
komplexní obrázek stavu trhu s průmyslovými nemovitostmi. Korelace mezi Indexem uživatelské
pozice a hrubou poptávkou a mezi Indexem developerské aktivity a novou výstavbou potvrdila
adekvátnost modelu.
V souladu se zahraniční literaturou a v souladu s očekáváním byl nalezen vztah mezi Indexem tržní
hodnoty nejlepšího průmyslového prostoru na trhu a vývojem HDP posunutým o dvě období.
Jelikož byl identifikován vztah Indexu tržní hodnoty nejlepšího průmyslového prostoru na trhu
s Indexem důvěry v průmysl posunutým o dvě období, lze konstatovat, že očekávání hraje
důležitou roli ve formování tržní hodnoty prostorů a nemovitostí. Podařilo se identifikovat vztah
mezi indexy trhu s prostory a nezaměstnaností posunutou o dvě období, Index důvěry v průmysl
posunutý o dvě, resp. o tři období má rovněž vliv na tyto dva indexy.
Souvislost výnosnosti vlastního kapitálu se základními makroekonomickými veličinami nebyl

identifikován, byl identifikován vztah s Indexem důvěry v průmysl posunutým o dvě období.
Časová řada Indexu výnosnosti vlastního kapitálu v sobě nese robustní komponent paměti, proto
vysvětlení jeho vývoje pomocí makroekonomických veličin není možný.
119
Trh s českými průmyslovými nemovitostmi zajisté souvisí i s vývojem akciového trhu, především
jeho části dedikované fondům typu REIT. V Česku veřejný burzovní trh s těmito fondy zatím
neexistuje, v zahraničí ovšem ano. Dle Fisher et al (1994) vývoj hodnoty podílů v těchto fondech
předbíhá vývoj tržní hodnoty nemovitostí. Další analýza by měla vztah českého trhu
s průmyslovými nemovitostmi s vývojem hodnoty podílů fondů typu REIT v Německu, ve Velké
Británii a v USA zhodnotit. Je velmi pravděpodobné, že vývoj hodnoty fondů typu REIT bude na
těchto trzích předbíhat vývoj Indexu tržní hodnoty a Indexu uživatelské pozice, obdobné=
předbíhání by mohlo být zaznamenáno i v případě indexů celého trhu. Vliv vývoje hodnoty fondů
typu REIT nebo indexů zahraničních akciových trhů na vývoj Indexu developerské aktivity a
Indexu vlastního kapitálu nelze očekávat.
Posunutí vysvětlujících proměnných umožňuje predikci vývoje indexů až o dvě čtvrtletí dopředu.
Očekávané hodnoty indexů vypočtené na základě jejich regresních funkcí byly porovnány
prostřednictvím ex-ante analýzy s jejich skutečnými hodnotami v prvních dvou čtvrtletích roku
2019. Rozdíl mezi očekávanými a skutečnými hodnotami Indexu tržní hodnoty jsou na úrovni 0,4
procenta, rozdíl v případě Indexu uživatelské pozice na úrovni 3,3 procenta, a v případě Indexu
developerské aktivity na úrovni 4,7 procenta, proto tyto modely lze v krátkém období pokládat za
spolehlivé. V případě Indexu výnosnosti vlastního kapitálu je rozdíl na úrovni 8,3 procenta,
spolehlivost tohoto modelů je diskutabilní i v krátkém období předpovědi. Citlivostní analýza
závislosti hodnot indexů na vysvětlujících proměnných umožňuje předpověď i v delším horizontu.
Předpověď vývoje nové výstavby se od skutečnosti liší (je nadhodnocena) o osmnáct procent a
předpověď vývoje hrubé poptávky je nadhodnocena o dvacet osm procent.
Studie přináší rešerši především zahraniční literatury, která se předmětu této studie dotýká, a
aplikuje získané poznatky na podmínky českého trhu s průmyslovými nemovitostmi. Z odborné
literatury vyplývá, že nedostatek dat o trhu s nemovitostmi není bolístkou jen českého prostředí
průmyslových nemovitostí, jde o fenomén obecný, přítomný i na těch nejvyspělejších trzích světa.
Disertační práce ukázala na některá slabá místa ve výzkumu komerčních nemovitostí.
Autoři odborné literatury se shodují, že kvalita a kvantita dat je klíčovým limitem výzkumu
nemovitostního sektoru. Jelikož na českém trhu není jako na jiných trzích veřejně dostupná
databáze celistvých informací o oceněních průmyslových nemovitostí a transakcích s nimi, byla
použita data ze dvou zdrojů - Industrial Research Fora a společnosti Savills, která bylo nutno
dopočítat a upravit pro účely této studie.
120
Regresní modely vykazují nepřesnosti, které vychází již z dat, která byla pro jejich stanovení
použita. I když dostupná data lze považovat za reprezentativní, jedná se o data neúplná a zatížená
názorem vybrané skupiny odborníků a nutností zásahů do modelu formou předpokladů. Regresní
modely indexů trhu s průmyslovými nemovitostmi mohou být přesnější, pokud budou zajištěna
podrobnější a komplexnější data zejména o:
- cenách pozemků pro průmyslovou výstavbu;

- cenách výstavby průmyslových nemovitostí;
- oceněních konkrétních nemovitostí na trhu;
- transakcích s průmyslovými nemovitostmi;
- očekávání vývoje na trhu s průmyslovými nemovitostmi od hlavních skupin, které se na trhu
s průmyslovými nemovitostmi pohybují – nájemci, developeři, vlastníci, oceňovatelé.
Regresní analýza byla provedena v rámci jednoho nemovitostního cyklu od roku 2008 do roku
2018. V rámci tohoto období byly identifikovány tři epochy, které se svými charakteristikami
navzájem liší. Jakmile budou k dispozici data o roku 2019, bude vhodné model přepočítat se
zahrnutím tohoto roku, jelikož patří do stejného, druhého, cyklu. Aktualizace modelu by následně
měla probíhat na roční bázi. Data z předchozího cyklu nebyla zahrnuta, jelikož tento cyklus byl
prvním cyklem českého nemovitostního trhu, a proto měl specifické vlastnosti nevyzrálého trhu, a
jelikož o období před rokem 2007 nebylo možno získat veškerá data o trhu s nemovitostmi
potřebná pro provedení analýzy. Indexy trhu s nemovitostmi z tohoto důvodu zřejmě nebudou
schopny zaznamenat příští změnu trhu (Fisher et al, 1994).
V této disertační práci jsem potvrdil některé poznatky z odborné literatury. V souladu s Geltner
(2014) byl potvrzen závěr, že volatilita pohybů tržních hodnot nemovitostí indikovaných
odborníky je spíše dána pohyby nominální kapitalizační míry než pohyby základního nájemného.
Vzorec 6 pocházející z Thompson a Tsolacos (1999) identifikuje stejné vysvětlující proměnné pro
determinaci základního nájemného jako tato práce v regresní analýze indexů trhu s prostory, které
sledují pozici nájemců a developerů. Analýza potvrdila paměť v časové řadě základního nájemného
v souladu s Tsolacos et al (2005). Mezi důvody rozdílu základního nájemného v pražských a
mimopražských lokalitách byl identifikován rozdíl přidané hodnoty produkované nájemci v těchto
lokalitách (Venables, 1996; Tsolacos et al, 2005). Průběh indexů trhu s prostory ukázal, že trh
s průmyslovými prostory prochází sérií nerovnovážných stavů (De Leeuw a Ekanem, 1971).
Index tržní hodnoty je konstruovaný s ohledem na nedostatek vstupních dat. Koncepce indexu
řeší odlišnost hédonických charakteristik podkladových nemovitostí, které jsou problematické při
121
konstrukci indexů založených na ocenění či na transakcích. Index neřeší problém vyhlazení vývoje
indexu z důvodu časové agregace, jelikož vyhlazení je specifickou vlastností nemovitostí, jež je
spíše předností než negativem, není tudíž důvod volatilitu indexu uměle zvyšovat.
Mezi přínosy této studie patří také:
- výpočet indexu základního nájemného pro region Prahy a region mimopražský;

- odhad vývoje efektivního nájemného jako podkladu k analýze pozice nájemců na trhu
s prostory;
- odhad ziskovosti developmentu a potvrzení souvislosti mezi ziskovostí developmentu a výší
nové výstavby;
- identifikace rozdílu mezi oceněním a transakčními cenami;
- identifikace rozdílu mezi oceněním v době růstu, kdy jsou znalci optimističtější než trh, a
v době poklesu, kdy jsou znalci pesimističtější.
Další výzkum indexů trhu s nemovitostmi může jít těmito směry:
- výpočet indexů v prvním cyklu od roku 1998 do konce roku 2007;

- výzkum cen pozemků pro průmyslovou výstavbu;
- analýza vlivu specifičtějších nezávislých proměnných na vývoj indexů, například zaměstnanost
by mohla být nahrazena zaměstnaností v průmyslu, nebo Index důvěr v průmysl indexem
očekávání odborníků na trhu, který vydává RICS;
- analýza pomocí jiných typů lineárních či nelineárních regresních funkcí;
- podrobnější specifikace prahových úrovní pro interpretace vývoje indexů.
Další výzkum ekonomie průmyslových nemovitostí, resp. obecně ekonomie komerčních

nemovitostí (průmyslové nemovitosti díky svým vlastnostem jsou pro výzkum ideálním
podkladem) by mohl jít v těchto směrech:
- efektivita a produktivita prostoru;

- výnosnost prostoru vzhledem k jeho životnosti, investicím do něj a vzhledem k jeho
zastarávání;
- vztah tržní hodnoty průmyslového prostoru a kvality nájemce;
- vztah tržní hodnoty průmyslového prostoru a akciového trhu;
- alternativní přístupy k financování nemovitostí;
- daňová politika státu v oblasti nemovitostí.
122
Dlouhodobé sledování trhu prostřednictvím indexů trhu s průmyslovými nemovitostmi bude mít
dozajista pozitivní vliv na další rozvoj tohoto segmentu trhu s nemovitostmi. Pokud se podaří
přesvědčit hlavní hráče na trhu o jejich potřebě a pokud je tito hlavní hráči začnou používat
v běžném profesním životě a ke svému užitku, přispějí tyto indexy k transparentnosti celého
odvětví a k lepší informovanosti odborné i laické veřejnosti.
123
Seznam použité literatury:

A.Adair, N. Hutchinson, B. MacGregor, S. McGreal, N.Nanthakumaran, 1996. Variations in the capital
valuations of UK Commercial property. RICS, London.
W.Alonso, 1964. Location and land use. Harvard University Press. Cambridge, MA. ISBN:
9780674730854.
B.W.Ambrose, 1990. An analysis of the factors affecting light industrial property valuation. Journal
of real estate research, Vol. 5, pp. 355-370.
L.Anas, S.J.Eum, 1984. Hedonic analysis of a housing market in disequilibrium. Journal of urban
economics. Volume 15(1), pp. 97-106.
J.Arlt, M. Arltová, E.Rublíková, 2012. Analýza ekonomických časových řad s příklady. skripta VŠE.
W.L.Atteberry, R.C.Rutherford, 1993. Industrial real estate prices and market efficiency. Journal of
real estate research. Volume 8/3, pp. 377-385.
M.J.Bailey, R.F.Muth, 1963. A regression method for real estate price index construction. Journal of
the American Statistical Association, Vol. 58, pp. 933-942.
M.Ball, C.Lizieri, B.D.MacGregor, 1998. The Economics of Commercial Property Markets.

Routledge, Oxon. ISBN-13: 978-0415149938.
A.Baum, N.Crosby, 2008. Property investment appraisal, 3rd edition. Blackwell Publishing. ISBN:
978-1405135559.
J.D.Benjamin, E.J.Zietz, G.S.Sirmans, 2003. The environment and performance of industrial real
estate. Journal of real estate literature. Volume 11/3, pp. 279-323.
R.T.Black, M.L.Wolverton, J.T.Warden, R.H.Pittman, 1997. Manufacturing versus distribution: implicit

pricing of real property characteristics by submarket. Journal of real estate finance and economics.
Volume 15/3, pp. 271-285.
M.Blackledge, 2009. Introducing Property Valuation. Routledge, New York. ISBN13: 978-0-415-
43477-5.
G. Blundell, C.Ward, 1987. Property portfolio allocation: a multi-factor model. Land development
studies. Volume 4, pp. 145-156.
G. Blundell, C.Ward, 1987. Property portfolio allocation: a multi-factor model. Land development
studies. Volume 4(2), pp. 145-156.
124
S.Bokhari, D.Geltner, 2010. Estimating real estate price movements for high frequency tradable
indexes in a scarce data environment. Journal of Real Estate Fin. Econ., 45:522-43.
S.A.Bond, S.Hwang, 2007. Smoothing, nonsynchronous appraisal and cross-sectional aggregation in

real estate indices. Real estate economics, Volume 35(3), pp. 349-382.
W.I.Boudry, E.Coulson, J.G.Kallberg, C.H.Liu, 2012. What Do Commercial Real Estate Price Indices
Really Measure? The Center for Real Estate and Finance Working Paper Series, 2012-002, pp. 1-
28.
S.C.Bourassa, E.Cantonil, M.Hoesli, 2013. Robust repeat sale indexes. Real estate economics. Volume
41(3), pp. 517-541.
W.B.Brueggeman, J.D.Fisher, 2011. Real Estate Finance and Investments, 14th edition. McGraw-Hill.
ISBN 978-007-128918-4.
R.V.Butler, 1982. The specification of hedonic indexes for urban housing. Land economics.
Volume 58(1), pp. 96-108.
J.R.Buttimer Jr., R.C.Rutherford, R.Witten, 1997. Industrial warehouse rent determinants in the
Dallas/Fort Worth area. Journal of real estate research, Volume 13/1, pp. 47-55.
B.Case, R.Schiller, 1987. Prices of single-family homes since 1970: new indexes for four cities.
Working paper no. 2393. National Bureau of Economic Research.
B.Case, J.M.Quigley, 1991. The dynamics of real estate prices. Review of economics and statistics.
Volume 73(1), pp. 50.58
CBRE, 2017. Global rent and capital value indices Q3 2017. CBRE research at
www.cbre.com/researchgateway
J.M.Clapp, C.Giaccotto, 1998. Price indices based on the hedonic repeat-sale method: application to
the housing market. Journal of real estate finance and economics. Volume 16(1), pp. 5-26.
J.G.Cleminshaw, 1997. Measuring superadequacy in older industrial plants: a case study. Real estate
review. Volume 4/1, pp. 51-57.
O.Costa, E.Cazassa, 2018. How relevant are generalist real estate indices in emerging market?
RAUSP Management Journal. Volume 22.
R.G.Crawford, B.A.Slade, 2001. Appraising industrial special-purpose properties. The Appraisal

Journal. Volume 69/2, pp. 161-173.
125
N.Crosby, P.McAllister, 2004. Deconstructing the transaction process: an analysis of fund transaction
data. Working paper II. Liquidity in commercial property markets. Investment property forum.
J. Danbolt, W. Rees, 2008. An experiment in fair value accounting: UK investment vehicles.

European Accounting Review. Volume 17, pp. 271-303.
Deloitte, 2019. The future of the industrial real estate market. Deloitte indisghts at
https://www2.deloitte.com/us/en/insights/industry/financial-services/future-of-industrial-real-
estate-market.html
Y.Deng, D.McMillen, T.F.Sing, 2011. Private residential price indices in Singapore: a matching
approach. Regional science and urban economics. Volume 42(3), pp. 485-494.
F. De Leeuw, N.F.Ekanem, 1971. The supply of rental housing. American economic association.
Volume 61(5), pp. 806-817.
J.M.Derbes Jr., 2002. Non-comparable industrial sales. The appraisal journal. Volume 70/1, pp. 39-
45.
D.DiPasquale, W.C.Wheaton, 1992. The Markets for Real Estate Assets and Space: A Conceptual
Framework. Journal of the American Real Estate and Urban Economics Association. Volume 10,
1: pp. 181-197.
D.Dubská, 2014. Hmotné bohatství v České republice: posiluje ho vývoj na realitním trhu? Český
statistický úřad. Ročník 2014, kód publikace: 320179-14.
N.Dunse, C.Jones, J.Brown, W.D.Fraser, 2004. The spatial patter of industrial rents and the role of
distance. Journal of property investment and finance. Volume 23/4, pp. 329-341.
H.du Toit, C.E.Cloete, 2004. Appraisal of the Fischer-DiPasquale-Whetaon real estate model and
development of an integrated property and asset market model. South African Journal of
Economic and Management Sciences. Volume 7, 2: pp. 341-367.
G.Ellison, E.L.Glaeser, 1999. The geographic concentration of industry: does natural advantage
explain agglomeration? American economic review. Volume 89/2, pp. 311.316.
E.F.Fama, 1970. Efficient capital markets: a review of the theory and empirical work. Journal of
finance. Volume 25(2), pp. 383-417.
F.A.Fehribach, R.A.Rutherford, M.A.Eakin, 1993. An analysis of the determinants of industrial

property valuation. Journal of real estate research. Volume 8/3, pp. 365-376.
126
J.Fisher, D.Geltner, R.B.Webb, 1994. Value indeces of commercial real estate: A comparison of index
construction methods. Journal of Real estate Finance & Economics. Volume 9, 2: pp. 137-164.
D.Fischer, 1999. An integrated property market model. Journal of Real Estate Practice & Valuation.
Volume 2, 1: pp. 33-43.
D.A.Ford, H-G.Fung, D.A.Gerlowski, 1998. Factors affecting foreign investor choice in types of U.S.
real estate. Journal of real estate research. Volume 16/1, pp. 99-111.
M.Francke, G.A.Vos, 2004. The hierarchical trend model for property valuation and local price
indices. Journal of real estate finance and economics. Volume 28(2-3), pp. 179-208.
H.Franklin, 1994. Industrial inspirations. Journal of property management. Volume 59:3, pp. 18-
20.
N.French, G.Wiseman, 2003. The price of space: the convergence of value in use and value in
exchange. Journal of property investment and finance. Volume 21/1, pp. 23-30.
F.Fuerst, X.Liu, X.Lizieri, 2015. How to build a real estate index for an emerging market: the case
of Beijing. Department of Land Economy Working Paper, University of Cambridge.
D.Gatzlaf, C.Holmes, 2013. Estimating transaction-based price indices of local Commercial real
estate markets using public assessment data. J. Real Estate Finan. Econ., 46:260-81
D.M.Geltner, N.G.Miller, J.Clayton, P.Einholz, 2013. Commercial real estate: Analysis and
Investments, 3rd Edition. OnCourse Learning, Mason. ISBN-13: 978-1133108825.
D.M.Geltner, 1989. Estimating real estate’s systematic risk from aggregate level appraisal-based
returns. Temporal Aggregation in Real Estate Return Indices. AREUEA Journal. Volume 17, 4,
pp. 463-481.
D.M.Geltner, 1991. Smoothing in appraisal-based returns. Journal of real estate finance and
economics. Volume 4, 3 pp. 327-345.
D.M.Geltner, 1993a. Temporal Aggregation in Real Estate Return Indices. AREUEA Journal.
Volume 21, 2.
D.M.Geltner, 1993b. Estimating market values from appraised values without assuming an efficient
market risk from aggregate level appraisal-based returns. Journal of real estate research. Volume
8(3), pp. 325-345.
127
D.M.Geltner, 2014. Real estate price indices & price dynamics: an overview from an investment
perspective. Annual review of financial economics. Massachusetts Institute of Technology,
Department of Urban Studies & Planning, Center for Real Estate. pp. 1-42.
D.M.Geltner, D.Ling, 2006. Considerations in the design and construction of investment real estate
research indices. Journal of real estate research. Volume 28(4), pp. 411-444.
A.M.Gohs, 2017. Correction procedures for appraisal-based real estate indices. 24th annual
konference ERES in Delft, The Netherlands.
H.Gravelle, R.Rees, 2004. Microeconomics, 3rd edition. Pearson education limited. ISBN: 978-
0582404878.
T.V.Grissom, D.J.Hartzell, C.H.Liu, 1987. An approach to industrial real estate market segmentation
and valuation using the arbitrage pricing paradigm. Journal of the American real estate and urban
economics association. Volume 15/3, pp. 199-219.
W.Härdle, 1990. Applied nonparametric regression. Cambridge University Press, New York. ISBN:
978-139052139.
J.Henneberry, 1991a. Interrelationships between manufacturing firms and accommodation in the

rented sector: theoretical perspectives. Property management. Volume 9/3, pp. 212-219.
J.Henneberry, 1991b. Occupier satisfaction with rented industrial property. Property management.
Volume 9/4, pp. 348-357.
R.Hindls, S.Hronová, J.Seger, J.Fischer, 2007. Statistika pro ekonomy, 8.vydání. Professional
publishing, Praha. ISBN: 978-8086946436.
M.Hlaváček, L.Komárek, 2010: Rovnovážnost cen nemovitostí v České republice. Politická

ekonomie. Ročník 58/3, strana 326-342.
R.Hodrick, E.Prescott, 1997. Postwar U.S. business cycles: an empirical investigation. Journal of
money credit banking. Volume 29(1), pp. 1-16.
J.W.Hoag, 1980. Towards indices of real estate value and return. The journal of finance. Volume
35/2, pp. 569-580.
L.G.Holmes, 1948. The real estate handbook. Prentice Hall. New York. ASIN: B0007E6XOG.
W.T.Hughes, 1994. Determinants of demand of industrial property. The appraisal journal. Volume
62/2, pp.303-309.
128
R.Chaplin, 1997. Unsmoothing valuation-based indices using multiple regimes. Journal of property
research. Volume 14(3), pp. 189-210.
A.Chegut, P.Eichholtz, P.Rodrigues, R.Weerts, 2015. Spatial dependence in international office markets.
Journal of real estate finance and economics. Volume 51(2), pp. 317-350.
H.Cho, Y.Kawaguchi, J.Schiling, 2003. Unsmoothing Commercial property returns: a revision of

Fisher-Geltner-Webb’s unsmoothing methodology. Journal of real estate finance and economics.
Volume 27(3), pp. 393-405.
M.F.Christensen, B.Wisener, D.J.Campos, 1997. Attributes of tomorrow’s warehouse structures. Real

estate review. Volume 27/3, 51-57.
JLL, 2018. Global Market Perspective February 2018. JLL Global Research at
http://www.jll.com/research.
J.Kaizr, B.Haynes, D.Parsons, 2010. Occupier’s satisfaction with technical standard of modern
industrial properties in the Czech Republic. Sheffield Hallam University Built Environment
Research Transactions, 2 (Spec.), pp. 50-69. ISSN 1759-3190,
J.Kaizr, 2017. Czech industrial real estate market: the quest for realistic model. The impact of
globalization on international finance and accounting. ISBN 978-3-319-68761-2.
T.J.Kauko, 2002. Modelling the locational determinants of house prices: neural networks and value
tree approaches. Dizertační práce. Utrecht University, Holandsko.
Kolektiv autorů – členů Pracovní skupiny pro oceňování majetku ČBA, 2015. Standardy bankovních aktivit
– Standardy oceňování nemovitých věcí pro účely ohodnocení zajištění finančních institucí. Česká
Bankovní Asociace.
K.J.Lancaster, 1966. A new approach to consumer theory. Journal of political economy. Volume
74/2, pp. 132-157.
Ch.Laux, Ch.Leuz, 2010. Did fair-value accounting contribute to the financial crisis? Journal of
economic perspectives. Volume 24, pp. 93-118.
J.LeSage,R.K.Pace, 2010. Introduction to spatial econometrics. Boca Raton, Florida. Chapman &
Hall/CRC.
D.C.Ling, A.Naranjo, N.Nimalendran, 2000. Estimating returns on commercial real estate: a new
methodology using latent variable models. Real estate economics. Volume 28(2), pp. 205-231.
129
C.Lizieri, S.Satchel, W.Wongwachara, 2010. Unsmoothing real estate returns: a regime switching
apporach. Darwin College. Working Paper. University of Cambridge.
L.J.Lockwood, R.C.Rutherford, 1996. Determinants of industrial property value. Real estate

economics. Volume 24/2, pp. 257-272.
M.Mařík, O.Maříková, 2011. Hodnotové báze pro oceňování podniku – stále otevřený problém.
Odhadce a oceňování podniku. Ročník 17/3-4, str. 37-56.
P.Martin, C.A.Rogers, 1995. Industrial location and public infrastructure. Journal of international
economics. Volume 39/3-4, pp. 335-351.
D.P.McMillen, 2012. Repeat sales as a matching estimator. Real estate economics. Volume 40(4),
pp. 745-772.
D.P.McMillen, J.Dombrow, 2001. A flexible Fourier approach to repeat sales price indexes. Real estate
economics. Volume 29(2), pp. 207-225.
G.Mueller, S.P.Laposa, 1994. Submarket Cycle Analysis—A Case Study of Submarkets in

Philadelphia, Seattle and Salt Lake, Paper presented at the 1994 American Real Estate Society
Meetings in Santa Barbara, CA, 1994.
J.Myers, 1994. Fundamentals of production that influence industrial facility design. The Appraisal
journal. Volume 62/2, pp. 296-302.
G.R.Mueller, 1999. Real estate rental growth rates at different points in the physical market cycle.
Journal of real estate research. Volume 18/1, pp. 131-150.
R.K.Pace, R.Barry, J.Clapp, M.Rodriguez, 1998. Spatiotemporal autoregressive models of

neighborhood effects. Journal of real estate finance and economics. Volume 17(1), pp. 15-33.
R.B.Peiser, D.Hamilton, 2012. Professional real estate development. Urban Land Institute. ISBN:
978-0874204322.
D. Quan, J. Quigley, 1991. Price formation and the appraisal function in real estate markets. Journal
of real estate finance and economics. Volume 4, pp. 127-146.
J.E.Rauch, 1993. Does history matter only when it matters little? The case of city-industry location.
The quarterly journal of economics. Volume 108/3, pp. 843-867.
RICS, 1994. Understanding the property cycle: economic cycles and property cycles. London,
RICS.
130
P.M.Robinson, 1987. Asymptotically efficient estimation in the presence of heteroskedasticity of

unknown form. Econometrica. Volume 55, pp. 875-891.
S.Rosen, 1974. Hedonic prices and implicit markets: Product differentiation in pure competition.
Journal of political economy. Volume 82, pp. 34-55.
S.Ross, R.Zisler, 1991. Risk and return in real estate. Journal of real estate finance and economics.
Volume 4, 2 pp. 175-190.
M.Sicola, 2017. Commercial real estate terms and definitions. NAIOP Research Foundation. San
Francisco, California, USA.
R.Sivitanidou, P. Sivitanides, 1995. Industrial rent differentials: the case of greater Los Angeles.
Environment and planning. Volume 27/7, pp. 1133-1146.
J.Soukup, 2012. Mikroekonomická analýza. Ecola. ISBN: 978-809090532625.
R.Thompson, 1997. Industrial employment densities. Journal of real estate research. Volume 14/3,
pp 309-319.
B.Thompson, 2005. Pan-European industrial property. Journal of property investment and finance.
Volume 23/4, pp. 379-385.
B.Thompson, S.Tsolacos, 1999. Rent adjustments and forecasts in the industrial market. Journal of real
estate research. Volume 17/1,2, pp. 151-167.
B.Thompson, S.Tsolacos, 2000. Projections in the industrial property market using simultaneous
equation system. Journal of real estate research. Volume 19/1,2, pp. 165-188.
B.Thompson, S.Tsolacos, 2001. Industrial land values: A guide to future markets? Journal of real estate
research. Volume 21/1,2, pp. 55-76.
S. Tsolacos, T. McGough, B. Thompson, 2004. Affordability and performance in the industrial property
market. Journal of Property Investment & Finance. Volume 23/ 4, pp. 311-328.
A.J.Venables, 1996. Localization of industry and trade performance. Oxford review of economic
policy. Volume 12/3, pp. 52-60.
A.J.Venables, 2000. Localization of industry and trade performance. Oxford review of economic
policy. Volume 12/3, pp. 52-60.
P.Wang, 1998. Unsmoothing property returns with the implied cointegration relationship. Journal
of property valuation and investment. Volume 16(4), pp. 358-368.
131
R.G.Witten, 1987. Riding the Real Estate Cycle. Real Estate Today. August 1987, pp. 42-48.
W.C.Wheaton, R.G.Torto, 1990. An investment model of the demand and supply for industrial real
estate. American real estate and urban economics association journal. Volume 18/4, pp. 530.547.
W.C.Wheaton, 1996. Perspective on telecommunications technology and real estate: office,

industrial and retail markets. Real estate finance. Volume 13/2, pp. 13-17.
W.C.Wheaton, 1999. Real Estate „Cycles“: Some fundamentals. Real Estate Economics. Volume
27, 2: pp. 209-230.
J.M.Wooldridge, 2012. Itroductory econometrics – a modern approach. Thomson, South Western,

Mason, Ohio.
The World Bank, 2007 až 2019. Doing business 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014,
2015, 2016, 2017, 2018, 2019. International Bank for Reconstruction and Development, The World
Bank, Washington DC.
B.Ziering, W.McIntosh, 1999. Property size and risk: why bigger is not always better. Journal of real
estate portfolio management. Volume 5(2), pp. 105-112.
D.W.Zimmer, 1991. Avoiding traps when using sales comparison to value storage and distribution
facilities. The appraisal journal. Volume 59/3, pp. 390-394.
132
Zdroje dat a článků:

[1] Industrial Research Forum
[2] Český statistický úřad – www.czso.cz
[3] Česká národní banka – www.cnb.cz
[4[ České stavební standardy – www.stavebnistandary.cz
[5] Eurostat – ec.europa.eu
[6] London Stock Exchange – www.londonstockexchange.com
[7] BEA – www.bea.gov
[8] NYSE – www.nyse.com
[9] Nasdaq – www.nasdaq.com
[10] MSCI – https://www.msci.com/real-estate
[11] MIT – https://mitcre.mit.edu/tbi_whitepaper_dg_final_may2011
[12] VDP – https://www.pfandbrief.de/site/de/vdp/immobilie/finanzierung_und_markt/vdp-

immobilienpreisindex.html
[13] NAREIT – https://www.reit.com/sections/nareit
[14] NCREIF – www.ncreif.com
[15] EURIBOR – www.euribor-rates.eu
133
Seznam diagramů a grafů

Diagram 1: Atributy hodnoty nemovitosti jako podkladu hédonického modelu (str. 23)
Diagram 2: Model fungování trhu s komerčními nemovitostmi (str. 37)
Graf 1: Vývoj zásoby S českých průmyslových prostor k pronájmu třídy A od roku 2002 do roku
2018 proložený lineární trendovou křivkou (str. 48)
9000000
8000000
7000000
6000000
m2
5000000
4000000
3000000
2000000
1000000
0
2002 2004 2006 2008 2010 2012 2014 2016 2018
Zásoba St (m2) Lineární (Zásoba St (m2))
Zdroj: Vlastní graf na základě dat poskytnutých IRF a Savills
134
Graf 2: Vývoj hrubé poptávky GTU a nové výstavby SUP průmyslových prostor k pronájmu třídy
A od roku 2002 po letech (str. 49)
1600000
1400000
1200000
1000000
m2
800000
600000
400000
200000
0
2002 2004 2006 2008 2010 2012 2014 2016 2018
Hrubá poptávka GTUt (m2) Nová výstavba SUPt (m2)
Zdroj: Vlastní graf na základě dat poskytnutých IRF a Savills
Graf 3: Čtvrtletní vývoj hrubé poptávky, nové výstavby a nepronajatosti českých průmyslových
prostor k pronájmu třídy A v období BUDI (str. 50)
Graf 4a/b: Korelogramy hrubé poptávky GTU a nové výstavby SUP v období UDI (str. 53)
0,8 0,5
0,7
0,4
Autokorelace GTU
Autokorelace SUP
0,6
0,5 0,3
0,4 0,2
0,3
0,1
0,2
0
0,1
0 -0,1
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Posunutí Posunutí
Graf 5: Evropská hrubá poptávka po průmyslových prostorech v letech 2012 až 2018 (str. 55)
135
30 000 000 Velká Británie
Španělsko
25 000 000
Rumunsko
Hrubá poptávka (m2)
20 000 000 Polsko
Holandsko
15 000 000
Irsko
10 000 000 Německo
Francie
5 000 000
Česko
-
Belgie
2012 2013 2014 2015 2016 2017 2018
Graf 6: Evropská hrubá poptávka po průmyslových prostorech v letech 2012 až 2018 s predikcí
do roku 2023 včetně predikce růstu segmentu internetového obchodu (str. 55)
45 000 000 16%
40 000 000 14% Podíl internetového obchodu (%)
35 000 000
12%
Hrubá poptávka (m2)
30 000 000
10%
25 000 000
8%
20 000 000
6%
15 000 000
4%
10 000 000
5 000 000 2%
- 0%
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
European logistics take up European ecommerce as a % of total retail sales
Graf 7: Čistá absorpce a nepronajatost průmyslových prostor v Česku v období BUDI (str. 56)
136
Graf 8: Srovnání vývoje základního nájemného za moderní průmyslové prostory v Praze, mimo
Prahu a v celé ČR v období BUDI (str. 58)
4,90 €
4,70 €
4,50 €
4,30 €
4,10 €
3,90 €
3,70 €
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Základní nájemné Praha (EUR/m2/měsíc) Základní nájemné mimo Prahu (EUR/m2/měsíc)
Základní nájemné v ČR (EUR/m2/měsíc)
Graf 9: Srovnání vývoje základního nájemného za moderní průmyslové prostory v Praze, mimo
Prahu a v celé ČR v období BUDI (str. 58)
137
140,00 Kč
135,00 Kč
130,00 Kč
125,00 Kč
120,00 Kč
115,00 Kč
110,00 Kč
105,00 Kč
100,00 Kč
95,00 Kč
90,00 Kč
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Základní nájemné Praha (Kč/m2/měsíc) Základní nájemné mimo Prahu (Kč/m2/měsíc)
Základní nájemné v ČR (Kč/m2/měsíc)
Graf 10: Základní nájemné v Praze a mimo Prahu a nepronajatost průmyslových prostor v Česku
v období BUDI (str. 59)
Graf 11: Vývoj efektivního nájemného v EUR a v Kč v období BUDI (str. 62)
120,00 Kč
B U D I
4,20 €
115,00 Kč
4,00 € 110,00 Kč
105,00 Kč
3,80 €
100,00 Kč
3,60 € 95,00 Kč
90,00 Kč
3,40 €
85,00 Kč
3,20 € 80,00 Kč
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Efektivní nájemné (EUR/m2/měsíc) Efektivní nájemné(Kč/m2/měsíc)
138
Graf 12: Srovnání vývoje základního a efektivního nájemného v Kč v letech 2007 až 2018 (str. 63)
4,80 €
4,60 €
4,40 €
4,20 €
4,00 €
3,80 €
3,60 €
3,40 €
3,20 €
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Základní nájemné (EUR/m2/měsíc) Efektivní nájemné (EUR/m2/měsíc)
Graf 13: Nová výstavba a developerský zisk v období BUDI (str. 68)
Graf 14: Průměrná cena prostoru v transakcích v Praze a mimo Prahu v období BUDI (str. 71)
BUDI (str. 73)
BUDI (str. 74)
Graf 17: Průměrná reálná míra kapitalizace dle odborníků po odečtení nákladů úvěrového
financování v období BUDI (str. 77)
Graf 18: Vývoj nominálních kapitalizačních měr v Evropě v letech 2012 až 2018 (str. 78)
139
9,00%
Berlín
8,00%
Paříž
7,00%
Londýn
6,00%
Varšava
5,00%
4,00% Praha
3,00% Milán
2012 2013 2014 2015 2016 2017 2018
Zdroj: Vlastní graf z dat poskytnutých Savills
Graf 19: Podíl Česka na evropských investicích do průmyslových nemovitostí v roce 2018 (str. 79)
Graf 20: Vývoj indexů základního a efektivního nájemného v období BUDI (str. 86)
Graf 21: Vývoj indexu základního nájemného a Indexu UP v období BUDI (str. 87)
Graf 22a/b: Korelogramy Indexů DA a UP v období UDI (str. 88)
1 1
Autokorelace IUP
0,8 0,8
Autokorelace IDA
0,6 0,6
0,4 0,4
0,2 0,2
0 0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Posunutí Posunutí
Graf 23: Vývoj Indexu developerského zisku a nové výstavby v období BUDI (str. 90)
140
300 000 3 000,00

B U D I
2 500,00
250 000
2 000,00
200 000
1 500,00
m2
150 000 1 000,00
500,00
100 000
0,00
50 000
-500,00
0 -1 000,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Nová výstavba (m2) Index developerského zisku
Graf 24: Vývoj Indexu developerského zisku ve srovnání s vývojem Indexu DA v období BUDI
(str. 90)
Graf 25: Vývoj Indexu DA a nové výstavby v období BUDI (str. 92)
Graf 26: Vývoj hodnoty průmyslového prostoru v EUR a v Kč v období BUDI (str. 95)
Graf 27: Vývoj indexů hodnoty nejlepšího metru čtverečního průmyslového prostoru v období
BUDI (str. 98)
141
1 200,00
B U D I
1 100,00
1 000,00
900,00
800,00
700,00
600,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
IHP IHD
Graf 28a/b: Korelogramy Indexů HP a HD v období UDI (str. 99)
1 1
Autokorelace IHP
Autokorelace IHD
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
Posunutí Posunutí
Graf 29: Korelogram Indexu VVK v období UDI (str. 101)
142
1
0,8
Autokorelace IVVK
0,6
0,4
0,2
0
-0,2
-0,4
1 2 3 4 5 6 7 8
Posunutí
Graf 30: Vývoj Indexu HD a Indexu VVK v období BUDI (str. 101)
1 300,00
B U D I
1 200,00
1 100,00
1 000,00
900,00
800,00
700,00
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
IVVK IHD
Graf 31: Vývoj Indexu hodnoty, Indexu uživatelské pozice a Indexu developerské aktivity v období
BUDI (str. 102)
Graf 32a/b: Závislost druhých mocnin reziduí na očekávaných hodnotách Indexů IDA a UP
v období UDI (str. 108)
143
60000 8000
7000
50000
6000
Rezidua^2
Rezidua^2
40000 5000
30000 4000
3000
20000
2000
10000 1000
0 0
0 500 1000 1500 0 500 1000 1500
Očekávané IDA Očekávané IUP
Graf 33a/b: Závislost druhých mocnin reziduí na očekávaných hodnotách Indexů HD a VVK
v období UDI (str. 109)
16000 30000
14000 25000
12000
Rezidua^2
Rezidua^2
10000 20000
8000 15000
6000 10000
4000
2000 5000
0 0
0 500 1000 1500 0 500 1000 1500
Očekávané IHD Očekávané IVVK
Graf 34a/b: Závislost druhých mocnin reziduí na očekávaných hodnotách hrubé poptávky a nové
výstavby v období UDI (str. 111)
3E+10 2E+10
2,5E+10
1,5E+10
Rezidua^2
2E+10
Rezidua^2
1,5E+10 1E+10
1E+10
5E+09
5E+09
0 0
0 200000 400000 600000 0 100000 200000 300000
Očekávané GTU Očekávané SUP
144
Graf 35: Skutečný a očekávaný Index uživatelské pozice v období UDI s predikcí od prvního
kvartálu 2019 do prvního kvartálu 2020 (str. 112)
1300
U D I
1250
1200
1150
IUP a IUP'
1100
1050
1000
950
900
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
IUP IUP' Polyn. (IUP)
Graf 36: Skutečný a očekávaný Index developerské aktivity v období UDI s predikcí od prvního
1200
U D I
1100
1000
IDA a IDA'
900
800
700
600
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
IDA IDA' Polyn. (IDA)
145
Graf 37: Skutečný a očekávaný Index HD v období UDI s predikcí od prvního kvartálu 2019 do
prvního kvartálu 2020 (str. 113)
1100
U D I
1050
1000
IHD a IHD'
950
900
850
800
750
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
IHD IHD' Polyn. (IHD)
Graf 38: Skutečný a očekávaný Index VVK v období UDI s predikcí od prvního kvartálu 2019 do
prvního kvartálu 2020 (str. 113)
146
1300
U D I
1200
1100
IVVK a IVVK'
1000
900
800
700
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
IVVK IVVK' Polyn. (IVVK)
Graf 39: Skutečná a očekávaná hrubá poptávka po prostorech v období UDI s predikcí od prvního
550000
U D I
500000
450000
400000
GTU a GTU'
350000
300000
250000
200000
150000
100000
2008
2008
2009
2009
2010
2010
2011
2011
2012
2012
2013
2013
2014
2014
2015
2015
2016
2016
2017
2017
2018
2018
2019
2019
2020*
GTU GTU' Polyn. (GTU)
147
Graf 40: Skutečná a očekávaná nová výstavba v období UDI s predikcí od prvního kvartálu 2019
do prvního kvartálu 2020 (str. 114)
300000
U D I
250000
200000
SUP
150000
100000
50000
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020*
SUP SUP' Polyn. (SUP)
Graf 41: Vývoj očekávaných hodnot Indexu HD’, Indexu DA’ a Indexu UP’ v období UDI a v
následujících 5 čtvrtletích (str. 117)
148
Seznam tabulek
Tabulka 1: Technické specifikace preferované nájemci dle velikosti průmyslové jednotky (str. 33)
Tabulka 2: Délka povolovacího procesu v Česku v letech 2007 až 2018 (str. 41)
Tabulka 3: Vývoj celkového ročního základního nájemného na českém trhu s moderními

nemovitostmi v letech 2007 až 2018 (str. 46)
Tabulka 4: Ukazatele trhu s průmyslovými prostory ve sledovaném období let 2007 až 2018 a
popisná statistika hrubé poptávky a nové výstavby (str. 48)
Čtvrtletí Hrubá poptávka Nová výstavba Zásoba Čistá absorpce Nepronajatost
Rok
(t) GTUt (m2) SUPt (m2) St (m2) At (m2) * Vt (%) *
2007 Q1 175 960 269 890 1 952 073 -142 732 5,11%
Q2 256 056 194 763 2 146 836 40 821 5,56%
Q3 213 438 258 420 2 405 256 -71 221 5,93%
Q4 219 518 232 964 2 638 220 -40 615 6,52%
2008 Q1 147 825 245 657 2 883 877 -143 106 7,52%
Q2 192 107 186 965 3 070 842 -95 620 10,34%
Q3 143 027 211 919 3 282 761 -136 885 11,74%
Q4 132 218 86 747 3 369 508 12 707 12,41%
2009 Q1 174 241 217 464 3 586 972 -105 172 13,39%
Q2 233 366 184 210 3 771 182 -37 575 15,03%
Q3 81 786 24 846 3 796 028 83 561 14,23%
Q4 113 102 27 538 3 823 566 106 590 13,58%
2010 Q1 191 073 13 005 3 836 571 200 895 12,94%
Q2 217 416 21 519 3 858 090 210 707 12,48%
Q3 250 173 78 671 3 936 761 213 661 11,16%
Q4 284 043 88 186 4 024 947 266 224 9,17%
2011 Q1 186 395 22 838 4 047 785 217 029 7,80%
Q2 292 219 39 970 4 087 755 266 682 7,37%
Q3 161 524 98 623 4 186 378 98 917 6,34%
Q4 218 325 109 238 4 295 616 96 666 6,46%
2012 Q1 179 520 93 176 4 388 792 59 546 6,94%
Q2 217 328 31 468 4 420 260 167 670 7,30%
Q3 238 953 52 175 4 472 435 185 367 7,25%
Q4 315 744 50 692 4 523 127 278 035 6,88%
2013 Q1 250 350 47 760 4 570 887 153 692 7,88%
Q2 268 445 67 735 4 638 622 176 270 8,29%
Q3 272 437 133 347 4 771 969 115 452 8,55%
Q4 425 083 36 945 4 808 914 403 476 8,17%
2014 Q1 274 673 67 269 4 876 183 185 479 8,50%
Q2 273 241 127 292 5 003 475 139 015 8,43%
Q3 400 442 114 040 5 117 515 325 027 7,48%
Q4 436 563 79 548 5 197 063 318 163 8,12%
2015 Q1 237 186 45 924 5 242 987 210 561 7,68%
Q2 413 342 100 181 5 343 168 352 253 6,80%
Q3 342 956 267 021 5 610 189 124 625 5,61%
Q4 433 626 158 138 5 768 327 298 004 5,07%
2016 Q1 329 651 84 277 5 852 604 296 652 4,12%
Q2 338 086 194 539 6 047 143 101 589 4,68%
Q3 299 495 55 987 6 103 130 258 222 4,39%
Q4 519 648 220 774 6 323 904 269 701 4,70%
2017 Q1 297 737 161 142 6 485 046 125 706 4,75%
Q2 350 739 176 879 6 661 925 207 463 4,12%
Q3 335 546 89 369 6 751 294 278 430 3,59%
Q4 367 383 212 666 6 963 961 110 170 4,12%
2018 Q1 420 303 212 698 7 176 659 190 182 4,24%
Q2 313 344 170 300 7 346 959 173 047 3,73%
Q3 334 400 180 700 7 527 659 195 339 3,09%
Q4 297 453 198 541 7 726 200 -8 351 4,39%
149
Zdroj: Data poskytnutá IRF a Savills, * vlastní výpočty z dat poskytnutých IRF a Savills
Tabulka 5: Srovnání ukazatelů trhu průmyslových uživatelů (hrubá poptávka, nová výstavba, čistá
absorpce a nepronajatost) v Epochách U, D a I (str. 50)
Tabulka 6: Čtvrtletní ukazatele trhu průmyslových uživatelů (hrubá poptávka, nová výstavba, čistá
absorpce a nepronajatost) v období UDI (str. 53)
Tabulka 7: Pearsonova korelační matice ukazatelů trhu průmyslových uživatelů (str. 54)
Tabulka 8: Přehled vývoje vybraných ekonomických veličin (str. 54 a další)

EU
CR Montery 3M 3M Zaměstnano Index
HDP Monetary
Base M3 PRIBOR EURIBOR Inflace v ČR st (tis. CZK/EUR důvěry v
sezónně base M3 Inflace v ČR
Rok Čtvrtletí (mld. Kč) - (%) k (%) - k čtvrtletní obyvatel) - - k prvnímu průmysl -
upraveno (mld. EUR) roční (%)
konec prvnímu dni prvnímu dni (%) ke konci dni čtvrtletí konec
(mil. CZK) - konec
čtvrtletí čtvrtletí čtvrtletí čtvrtletí čtvrtletí
čtvrtletí
2006 Q1 849444 7157 1857245 2,08% 2,49% 2,86% 1,35% 4785,2 28,5933 6,00
2006 Q2 865904 7333 1925772 1,75% 2,88% 2,98% 0,48% 4825,9 28,388 8,70
2006 Q3 888564 7465 1959091 1,80% 3,06% 2,96% 0,60% 4839,4 28,3393 11,30
2006 Q4 905632 7652 2049667 2,17% 3,42% 1,47% -0,96% 4861,7 28,0323 12,70
2007 Q1 942077 7869 2106348 2,56% 3,73% 1,45% 1,33% 4865 28,0423 13,00
2007 Q2 947082 8114 2206584 2,93% 3,93% 2,41% 1,43% 4913,9 28,262 14,70
2007 Q3 970151 8342 2246102 3,46% 4,18% 2,63% 0,82% 4941,9 27,9203 16,30
2007 Q4 982613 8620 2380013 4,05% 4,79% 4,96% 1,28% 4967,2 26,789 15,70
2008 Q1 992771 8830 2406504 4,04% 4,67% 7,52% 3,80% 4958,40 25,5493 14,70
2008 Q2 1009291 8995 2456596 4,21% 4,73% 6,71% 0,67% 5003,30 24,8263 13,30
2008 Q3 1019881 9155 2541596 3,81% 4,96% 6,65% 0,77% 5014,80 24,104 7,30
2008 Q4 997819 9364 2703370 3,89% 5,29% 4,61% -0,66% 5033,40 25,3587 -9,30
2009 Q1 995992 9443 2702821 2,49% 2,86% 2,00% 1,21% 4946,80 27,619 -27,70
2009 Q2 977943 9408 2680936 2,17% 1,50% 1,43% 0,11% 4941,30 26,681 -22,70
2009 Q3 972686 9437 2623484 1,88% 1,09% 0,11% -0,54% 4921,70 25,595 -17,00
2009 Q4 985364 9331 2709133 1,64% 0,75% 0,44% -0,33% 4927,30 25,913 -16,70
2010 Q1 980167 9313 2681649 1,43% 0,70% 0,76% 1,54% 4829,20 25,884 -8,00
2010 Q2 992006 9379 2756172 1,24% 0,64% 1,30% 0,65% 4880,90 25,5863 1,00
2010 Q3 993234 9522 2726537 1,22% 0,78% 1,86% 0,00% 4912,10 24,921 5,70
2010 Q4 992910 9546 2759969 1,22% 0,94% 2,08% -0,11% 4918,80 24,776 6,00
2011 Q1 997258 9545 2717420 1,21% 1,00% 1,73% 1,18% 4832,40 24,3723 15,00
2011 Q2 1004389 9652 2734507 1,20% 1,25% 1,72% 0,64% 4876,40 24,3197 7,70
2011 Q3 1010068 9849 2776250 1,17% 1,56% 1,82% 0,11% 4895,30 24,3903 4,00
2011 Q4 1018052 9724 2835992 1,16% 1,56% 2,36% 0,42% 4885,00 25,272 4,00
2012 Q1 1016781 9880 2846735 1,23% 1,34% 3,72% 2,52% 4834,90 25,083 1,30
2012 Q2 1015449 9927 2883367 1,21% 0,77% 3,38% 0,31% 4888,10 25,254 -0,70
2012 Q3 1012958 9685 2888116 0,87% 0,65% 3,27% 0,00% 4920,60 25,0617 -8,00
2012 Q4 1013752 9741 2971845 0,50% 0,22% 2,83% 0,00% 4916,60 25,173 -8,30
2013 Q1 1011695 9810 2992782 0,49% 0,19% 1,74% 1,43% 4884,00 25,567 -10,70
2013 Q2 1015326 9809 3015469 0,46% 0,21% 1,53% 0,10% 4953,00 25,83 -11,00
2013 Q3 1022958 9852 3055296 0,45% 0,22% 1,22% -0,30% 4953,60 25,8513 -7,70
2013 Q4 1047076 9831 3144513 0,38% 0,23% 1,12% -0,10% 4957,70 26,7 -0,30
2014 Q1 1052360 9892 3165093 0,37% 0,28% 0,10% 0,40% 4923,00 27,4403 1,30
2014 Q2 1068139 9955 3167554 0,35% 0,31% 0,20% 0,20% 4962,20 27,447 3,30
2014 Q3 1086857 10108 3202129 0,35% 0,21% 0,60% 0,10% 4994,90 27,6237 2,00
2014 Q4 1105192 10309 3330672 0,34% 0,08% 0,50% -0,20% 5017,10 27,6267 3,00
2015 Q1 1124400 10484 3340870 0,32% 0,08% 0,20% 0,10% 4987,10 27,6273 2,70
2015 Q2 1145006 10591 3387790 0,31% 0,02% 0,70% 0,70% 5044,30 27,3817 3,00
2015 Q3 1160132 10688 3483187 0,30% -0,01% 0,40% -0,20% 5060,30 27,0173 5,30
2015 Q4 1168308 10839 3595491 0,29% -0,04% 0,10% -0,50% 5075,90 27,0563 0,30
2016 Q1 1180947 10998 3655685 0,29% -0,13% 0,40% 0,40% 5086,70 27,0387 3,70
2016 Q2 1185640 11114 3708497 0,29% -0,25% 0,20% 0,50% 5128,50 27,0393 1,70
2016 Q3 1196020 11237 3776264 0,29% -0,29% 0,60% 0,20% 5151,70 27,028 2,00
2016 Q4 1203187 11372 3830199 0,29% -0,30% 1,50% 0,40% 5187,40 27,028 3,70
2017 Q1 1224061 11581 4085562 0,28% -0,32% 2,50% 1,38% 5169,20 27,02 5,30
2017 Q2 1258562 11650 4153481 0,30% -0,33% 2,19% 0,19% 5197,30 26,532 0,70
150
2017 Q3 1277422 11797 4238765 0,46% -0,33% 2,48% 0,49% 5257,30 26,084 3,30
2017 Q4 1293900 11870 4226891 0,76% -0,33% 2,57% 0,48% 5262,70 25,54 6,70
2018 Q1 1307880 11937 4349924 0,90% -0,33% 1,70% 0,67% 5258,20 25,43 4,00
2018 Q2 1321120 12134 4408592 0,93% -0,33% 2,60% 0,67% 5289,20 26,02 4,30
2018 Q3 1341214 12198 4455305 1,54% -0,32% 2,30% 0,57% 5301,40 25,715 1,30
2018 Q4 1364505 12368 4493666 2,01% -0,32% 2,00% 0,19% 5326,30 25,725 3,00
2019 Q1 1388419 12507 4588153 2,03% -0,31% 3,00% 1,23% 5305,50 25,8 0,00
2019 Q2 1405559 12680 4709400 2,17% -0,31% 2,70% 0,75% 5295,90 25,445 0,30
2019 Q3 1424211 12894 4768192 2,14% -0,35% 2,70% 0,65% 5307,80 25,740 -3,00
2019 Q4
Zdroj: Data ze zdrojů ČSÚ, ČNB a Eurostat
Tabulka 9: Zásoba moderních průmyslových ploch v poměru k plošné velikosti a k počtu obyvatel
v evropských zemích ke konci roku 2018 (str. 55)
Tabulka 10: Základní nájemné na trhu s průmyslovými prostory dle expertů a rozdělení zásoby
mezi pražský a mimopražský trh v letech 2007 až 2018 (str. 58)
Základní nájemné Praha RPt Základní nájemné mimo Zásoba v Praze Zásoba mimo
Rok Čtvrtletí
(EUR/m2/měsíc) Prahu RMPt (EUR/m2/měsíc) SPt (m2) Prahu SMPt (m2)
2007 Q1 4,84 € 4,68 € 881 273 1 070 800
Q2 4,87 € 4,68 € 889 697 1 257 139
Q3 4,84 € 4,68 € 1 067 752 1 337 504
Q4 4,84 € 4,68 € 1 173 338 1 464 882
2008 Q1 4,87 € 4,68 € 1 239 432 1 644 445
Q2 4,84 € 4,68 € 1 309 662 1 761 180
Q3 4,84 € 4,68 € 1 364 292 1 918 469
Q4 4,84 € 4,68 € 1 394 439 1 975 069
2009 Q1 4,12 € 4,36 € 1 503 807 2 083 165
Q2 3,96 € 4,36 € 1 564 222 2 206 960
Q3 3,73 € 4,36 € 1 585 327 2 210 701
Q4 3,73 € 4,36 € 1 605 292 2 218 274
2010 Q1 3,73 € 4,36 € 1 607 229 2 229 342
Q2 3,73 € 4,36 € 1 607 229 2 250 861
Q3 3,89 € 4,36 € 1 607 229 2 329 532
Q4 3,89 € 4,36 € 1 629 802 2 395 145
2011 Q1 3,89 € 4,36 € 1 629 802 2 417 983
Q2 3,89 € 4,36 € 1 631 916 2 455 839
Q3 3,96 € 4,36 € 1 631 916 2 554 462
Q4 3,96 € 4,36 € 1 653 158 2 642 459
2012 Q1 4,01 € 4,36 € 1 703 633 2 685 159
Q2 4,06 € 4,36 € 1 709 406 2 710 854
Q3 4,06 € 4,35 € 1 710 906 2 761 529
Q4 4,06 € 4,28 € 1 719 323 2 803 805
2013 Q1 4,06 € 4,30 € 1 725 681 2 845 207
Q2 4,06 € 4,30 € 1 731 681 2 906 942
Q3 4,06 € 4,30 € 1 779 323 2 992 647
Q4 4,06 € 4,30 € 1 785 968 3 022 947
2014 Q1 4,06 € 4,30 € 1 819 097 3 057 086
Q2 4,06 € 4,30 € 1 911 441 3 092 034
Q3 4,06 € 4,30 € 1 944 500 3 173 015
Q4 4,06 € 4,30 € 1 983 729 3 213 334
2015 Q1 4,11 € 4,30 € 2 016 605 3 226 382
Q2 4,11 € 4,30 € 2 083 543 3 259 625
Q3 4,11 € 4,30 € 2 228 848 3 381 341
Q4 4,11 € 4,30 € 2 238 198 3 530 129
2016 Q1 4,15 € 4,30 € 2 271 716 3 580 888
Q2 4,15 € 4,30 € 2 323 014 3 724 130
Q3 4,15 € 4,30 € 2 371 956 3 731 175
Q4 4,15 € 4,30 € 2 440 971 3 882 933
2017 Q1 4,25 € 4,34 € 2 492 112 3 992 935
Q2 4,25 € 4,34 € 2 529 859 4 132 067
Q3 4,25 € 4,34 € 2 543 959 4 207 336
Q4 4,34 € 4,34 € 2 633 760 4 330 201
2018 Q1 4,34 € 4,34 € 2 712 049 4 464 610
Q2 4,34 € 4,34 € 2 825 740 4 521 219
151
Q3 4,44 € 4,44 € 2 877 599 4 650 060

Q4 4,44 € 4,44 € 2 932 541 4 793 659
Zdroj: Vlastní výpočty na základě dat IRF a Savills
Tabulka 11: Popisná statistika základního nájemného v Praze a mimo Prahu v období BUDI (str.
58)
Tabulka 12: Nepronajatost a koeficient slevy (str. 62)
Tabulka 13: Ukazatele developerského trhu s průmyslovými nemovitostmi v období BUDI (str.
65)
Nová výstavba SUPt Stavební náklady HCt Cena průmyslových
Rok Čtvrtletí Celkové náklady TCt (Kč/m2)
(m2) (Kč/m2 haly) pozemků Lt (Kč/m2)
Q1 269 890 8 998 Kč 1 100 Kč 15 620 Kč
Q2 194 763 8 998 Kč 1 116 Kč 15 714 Kč
2007
Q3 258 420 8 998 Kč 1 125 Kč 15 775 Kč
Q4 232 964 8 998 Kč 1 139 Kč 15 886 Kč
Q1 245 657 9 321 Kč 1 183 Kč 16 428 Kč
Q2 186 965 9 321 Kč 1 191 Kč 16 534 Kč
2008
Q3 211 919 9 321 Kč 1 200 Kč 16 632 Kč
Q4 86 747 9 321 Kč 1 192 Kč 16 661 Kč
Q1 217 464 9 396 Kč 1 206 Kč 16 627 Kč
Q2 184 210 9 396 Kč 1 208 Kč 16 569 Kč
2009
Q3 24 846 9 396 Kč 1 201 Kč 16 432 Kč
Q4 27 538 9 396 Kč 1 197 Kč 16 403 Kč
Q1 13 005 9 349 Kč 1 216 Kč 16 385 Kč
Q2 21 519 9 349 Kč 1 223 Kč 16 401 Kč
2010
Q3 78 671 9 349 Kč 1 223 Kč 16 373 Kč
Q4 88 186 9 349 Kč 1 222 Kč 16 303 Kč
Q1 22 838 9 349 Kč 1 237 Kč 16 329 Kč
Q2 39 970 9 349 Kč 1 244 Kč 16 367 Kč
2011
Q3 98 623 9 349 Kč 1 246 Kč 16 390 Kč
Q4 109 238 9 349 Kč 1 251 Kč 16 427 Kč
Q1 93 176 9 349 Kč 1 282 Kč 16 555 Kč
Q2 31 468 9 349 Kč 1 286 Kč 16 541 Kč
2012
Q3 52 175 9 349 Kč 1 286 Kč 16 516 Kč
Q4 50 692 9 349 Kč 1 286 Kč 16 488 Kč
Q1 47 760 9 161 Kč 1 305 Kč 16 388 Kč
Q2 67 735 9 161 Kč 1 306 Kč 16 402 Kč
2013
Q3 133 347 9 161 Kč 1 302 Kč 16 390 Kč
Q4 36 945 9 161 Kč 1 301 Kč 16 394 Kč
Q1 67 269 9 288 Kč 1 306 Kč 16 574 Kč
Q2 127 292 9 288 Kč 1 309 Kč 16 605 Kč
2014
Q3 114 040 9 288 Kč 1 310 Kč 16 574 Kč
Q4 79 548 9 288 Kč 1 307 Kč 16 576 Kč
Q1 45 924 9 383 Kč 1 309 Kč 16 687 Kč
Q2 100 181 9 383 Kč 1 318 Kč 16 675 Kč
2015
Q3 267 021 9 383 Kč 1 315 Kč 16 643 Kč
Q4 158 138 9 383 Kč 1 309 Kč 16 586 Kč
Q1 84 277 9 385 Kč 1 314 Kč 16 575 Kč
Q2 194 539 9 385 Kč 1 321 Kč 16 629 Kč
2016
Q3 55 987 9 385 Kč 1 323 Kč 16 595 Kč
Q4 220 774 9 385 Kč 1 328 Kč 16 649 Kč
Q1 161 142 9 855 Kč 1 347 Kč 17 266 Kč
Q2 176 879 9 855 Kč 1 349 Kč 17 246 Kč
2017
Q3 89 369 9 855 Kč 1 356 Kč 17 242 Kč
Q4 212 666 9 855 Kč 1 363 Kč 17 291 Kč
Q1 212 698 10 256 Kč 1 372 Kč 17 776 Kč
Q2 170 300 10 256 Kč 1 381 Kč 17 798 Kč
2018
Q3 180 700 10 256 Kč 1 389 Kč 17 820 Kč
Q4 198 541 10 256 Kč 1 391 Kč 17 879 Kč
Zdroj: Vlastní výpočty z dat IRF, Savills a dle Českých stavebních standardů
152
Tabulka 14: Ukazatele kapitálového trhu s průmyslovými nemovitostmi v období BUDI (str. 68)
Průměrná míra Průměrná míra Celkový objem
Celkový objem
Míra kapitalizace Míra kapitalizace kapitalizace kapitalizace transakcí mimo
Rok Čtvrtletí transakcí v Praze
v Praze (%) mimo Prahu (%) reálných transakcí reálných transakcí Prahu TPMPT (tis.
TPPt (tis. EUR)
v Praze (%) mimo Prahu (%) EUR)
2007 Q1 6,50% 7,00% - 7,00% - € 87 350 €
Q2 6,50% 7,00% 6,50% 7,90% 25 300 € 50 000 €
Q3 6,50% 7,00% - - - € - €
Q4 6,50% 7,00% - - - € - €
2008 Q1 6,50% 7,00% - - - € - €
Q2 6,75% 7,25% - - - € - €
Q3 7,00% 7,50% - - - € - €
Q4 7,00% 7,50% - - - € - €
2009 Q1 8,00% 8,75% - - - € - €
Q2 8,50% 9,25% - - - € - €
Q3 8,75% 9,50% - - - € - €
Q4 8,75% 9,50% 7,75% 11,00% 36 039 € 10 538 €
2010 Q1 8,75% 9,50% - - - € - €
Q2 8,75% 9,50% - - - € - €
Q3 8,50% 9,50% - 9,25% - € 21 000 €
Q4 8,25% 9,25% - - - € - €
2011 Q1 8,25% 9,00% 8,00% - 222 000 € - €
Q2 8,25% 9,00% - - - € - €
Q3 8,00% 8,75% - - - € - €
Q4 8,00% 8,75% - 8,63% - € 144 000 €
2012 Q1 8,00% 8,75% - - - € - €
Q2 8,00% 8,75% - - - € - €
Q3 8,25% 9,00% - 9,00% - € 16 000 €
Q4 8,25% 9,25% - - - € - €
Q1 8,25% 9,00% - - - € - €
2013 Q2 8,25% 9,00% - - - € - €
Q3 8,25% 9,00% 8,10% 9,60% 8 600 € 17 700 €
Q4 8,25% 9,00% 8,02% - 138 200 € - €
2014 Q1 7,75% 8,25% 10,00% 8,32% 16 000 € 11 500 €
Q2 7,50% 8,25% - - - € - €
Q3 7,25% 8,25% - 8,32% 154 000 € 5 900 €
Q4 7,25% 8,25% 9,30% 7,50% 14 000 € 523 000 €
2015 Q1 7,00% 8,25% 10,75% - 29 000 € - €
Q2 7,00% 8,25% 8,55% 8,00% 42 150 € 23 500 €
Q3 6,75% 8,00% 6,85% - 83 400 € - €
Q4 6,75% 8,00% - - - € - €
2016 Q1 6,75% 8,00% - - - € - €
Q2 6,50% 7,75% - 8,84% - € 25 407 €
Q3 6,25% 7,25% - - - € - €
Q4 6,25% 7,00% 6,20% 6,20% 388 150 € 300 056 €
2017 Q1 6,25% 7,00% - 8,75% - € 7 500 €
Q2 6,15% 6,95% 7,50% 7,20% 75 500 € 36 500 €
Q3 6,15% 6,95% - 6,60% - € 147 250 €
Q4 6,15% 6,95% - 8,50% - € 33 500 €
2018 Q1 6,15% 6,95% 7,00% 7,75% 7 650 € 10 000 €
Q2 5,95% 6,85% 8,00% 7,35% 17 500 € 23 000 €
Q3 5,85% 6,75% - - - € - €
Q4 5,75% 6,75% - 5,65% 460 000 €
Zdroj: Data poskytnutá Savills
Tabulka 15: Popisná statistika transakčních cen v období BUDI (str. 72)
Tabulka 16: Odchylky hodnot průmyslových nemovitostí dle expertních odhadů od skutečných
transakcí v období BUDI (str. 75)
Tabulka 17: Přehled transakcí s nemovitostmi obchodovanými více než jednou v období BUDI
(str. 77)
153
Tabulka 18: Popisná statistika Indexu UP v období BUDI (str. 88)
Tabulka 19: Popisná statistika Indexu DA v období BUDI (str. 91)
Tabulka 20: Popisná statistika hodnoty prostoru v období BUDI (str. 96)
Tabulka 21: Popisná statistika Indexu HD v období BUDI (str. 98)
Tabulka 22: Popisná statistika vnitřního výnosového procenta v období BUDI (str. 100)
Tabulka 23: Popisná statistika Indexu VVK v období BUDI (str. 100)
Tabulka 24: Pearsonova korelační matice indexů trhu s nemovitostmi v období BUDI (str. 103)
Tabulka 25: Znaménkový test a test bodu zvratu Indexů DA a UP v období UDI (str. 106)
Tabulka 26: Parametry regresních funkcí Indexů DA a UP (str. 107)
Tabulka 27: Znaménkový test a test bodu zvratu Indexů HD a VVK v období UDI (str. 108)
Tabulka 28: Parametry regresních funkcí Indexů HD a VVK (str. 109)
Tabulka 29: Znaménkový test a test bodu zvratu hrubé poptávky a nové výstavby v období UDI
(str. 110)
Tabulka 30: Parametry regresních funkcí hrubé poptávky a nové výstavby (str. 111)
Tabulka 31: Očekávané hodnoty Indexu HD, Indexu DA a Indexu UP v roce 2019 a v prvním
čtvrtletí roku 2020 (str. 114)
Tabulka 32: Citlivostní analýza očekávaného vývoje Indexu DA’ (str. 117)
IDA' 5172 5199 5225* 5252 5278 5305 5331 5358 5385 5412 5440
-18 866 885 903 921 940 958 977 995 1014 1033 1052
-15 882 900 919 937 956 974 992 1011 1030 1049 1068
-12* 898 916 935 953 971 990 1008 1027 1046 1064 1084
-9 914 932 950 969 987 1006 1024 1043 1061 1080 1099
-6 929 948 966 985 1003 1021 1040 1058 1077 1096 1115
-3 945 964 982 1000 1019 1037 1056 1074 1093 1112 1131
0 961 979 998 1016 1034 1053 1071 1090 1109 1128 1147
3 977 995 1013 1032 1050 1069 1087 1106 1124 1143 1162
6 992 1011 1029 1048 1066 1084 1103 1121 1140 1159 1178
12 1024 1042 1061 1079 1098 1116 1134 1153 1172 1191 1210
* - očekávaná zaměstnanost v druhém čtvrtletí 2020 a očekávaný Index DP v prvním čtvrtletí 2020
Tabulka 33: Citlivostní analýza očekávaného vývoje Indexu UP’ (str. 116)
IUP' 5172 5199 5225* 5252 5278 5305 5331 5358 5385 5412 5440
-18 1066 1056 1047 1038 1029 958 1010 1001 991 982 972
-15 1054 1045 1036 1026 1017 974 999 989 980 970 961
-12* 1043 1034 1024 1015 1006 990 987 978 969 959 949
-9 1031 1022 1013 1004 994 1006 976 967 957 948 938
154
-6 1020 1011 1002 992 983 1021 965 955 946 936 927
-3 1009 999 990 981 972 962 953 944 934 925 915
0 997 988 979 969 960 951 942 932 923 913 904
3 986 977 967 958 949 940 930 921 911 902 892
6 974 965 956 947 937 928 919 910 900 891 881
12 952 942 933 924 915 905 896 887 877 868 858
* - očekávaná zaměstnanost a očekávaný Index DP ve druhém čtvrtletí 2020
Tabulka 34: Citlivostní analýza očekávaného vývoje Indexu HD’ (str. 117)
IHD' 1357542* 1371832 1386122 1400412 1414702 1 428 992 1443282 1457572 1471862 1486152 1500442
-18 965 969 973 976 980 984 987 991 995 998 1002
-15 972 976 980 983 987 991 994 998 1002 1006 1009
-12* 980 983 987 991 994 998 1002 1005 1009 1013 1016
-9 987 990 994 998 1001 1005 1009 1012 1016 1020 1024
-6 994 998 1001 1005 1009 1012 1016 1020 1023 1027 1031
-3 1001 1005 1008 1012 1016 1019 1023 1027 1030 1034 1038
0 1008 1012 1015 1019 1023 1027 1030 1034 1038 1041 1045
3 1015 1019 1023 1026 1030 1034 1037 1041 1045 1048 1052
6 1022 1026 1030 1033 1037 1041 1044 1048 1052 1056 1059
12 1037 1040 1044 1048 1051 1055 1059 1062 1066 1070 1074
* - očekávané hodnoty HDP a Indexu DP ve druhém čtvrtletí 2020
Tabulka 35: Citlivostní analýza očekávaného vývoje Indexu VVK’ (str. 117)
-18 1188
-15 1164
-12* 1140
-9 1116
-6 1092
-3 1068
0 1044
3 1020
6 996
12 948
* - očekávaná hodnota Indexu DP ve druhém čtvrtletí 2020
Tabulka 36: Souhrn parametrů regresních funkcí závislých proměnných (str. 118)
155

Zaverecna Prace

Uploaded by

Copyright:

Available Formats

You might also like

Zaverecna Prace

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Zaverecna Prace

Uploaded by

Copyright:

Available Formats

Vysoká škola ekonomická v Praze

2020 Jaroslav Kaizr

Vysoká škola ekonomická v Praze

Doktorská disertační práce

Predikce vývoje trhu s průmyslovými nemovitostmi

Autor disertační práce: Ing. Jaroslav Kaizr, MSc. MRICS

V Praze dne 28. září 2020

1. Úvodní část ....................................................................................................................8

3.1.4. Základní a efektivní nájemné ......................................................................................................... 56

Významnost nemovitostního odvětví v národním hospodářství shrnuje Dubská (2014), která

Ambrose (1990) si ve své práci stěžuje, že segment průmyslových nemovitostí je opomíjený.

Současná situace spojená s pandemií COVID-19 segmentu průmyslových nemovitostí nahrává,

1.2. Odborná literatura a praxe

Hoag (1980) v počátcích cíleného sledování výkonnosti trhu s nemovitostmi prostřednictvím

- jako vodítko při posuzování tržní hodnoty, výnosnosti individuální nemovitosti a

1.3. Mezery v dosavadním výzkum a cíle disertační práce

Hypotézou je existence vztahu vývoje tržní hodnoty nejlepšího pronajatého průmyslového

1.4. Použité metody

1.5. Očekávané přínosy disertační práce

- potvrzení funkčnosti českého trhu s průmyslovými nemovitostmi v souladu s modely trhu

2. Přehled relevantní odborné literatury

2.1. Indexy tržní hodnoty nemovitostí

p…počet nemovitostí ve vzorku,

f…frekvence ocenění nebo transakcí,

m…frekvence reportování indexu.

- kvalitní data z reprezentativního vzorku, který vylučuje selektivnost;

2.1.1. Indexy založené na ocenění nemovitostí

Při podrobnějším zkoumání výsledků RN se potvrdily obavy odborníků ze zpoždění zejména

Nedokonalosti indexů založených na ocenění jsou pochopitelné, pokud se zamyslíme nad

Vyhlazení je posíleno malou četností obchodů s nemovitostmi. V indexu RN jsou například

Vt…současná oceněná hodnota nemovitosti v čase t, kde t=1,…,T;

Mt…současná průměrná transakční cena v čase t, kde t=1,…,T;

αt…odhadní váha, kde αt ∈ (0,1);

𝑷𝒊,𝒕 = 𝑽𝒕 + 𝜺𝒊,𝒕 (3)

Pi,t…transakční cena i-té nemovitosti v čase transakce t,

Vt…tržní hodnota v čase transakce t,

εi,t…náhodná chyba v transakční ceně i-té nemovitosti v čase transakce t.

V zájmu zachování použitelnosti indexů založených na ocenění podkladových nemovitostí se

2.1.1.1. Metoda opravy nemovitostního indexu založená na nulové autokorelaci

2.1.1.2. Metoda opravy nemovitostního indexu pomocí zpětně konstrukce

důvodu nesynchronního oceňování je v rámci modelu autoregresního frakcionálně integrovaného

2.1.1.3. Metoda opravy nemovitostního indexu založená na změnách režimu

2.1.2. Indexy založené na reálných transakcích

2.1.2.1. Indexy založené na průměru

2.1.2.2. Hédonický nemovitostní model

Hédonický model je citlivý na množství a kvalitu dat sebraných o klíčových vlastnostech

Diagram 1: Atributy tržní hodnoty nemovitosti jako podkladu hédonického modelu

Obecné (v rámci Individuální Socioekonomické Životní prostředí Kvalita veřejného

Centrum Veřejné služby Obchodní Veřejná doprava Lékařská péče

Zdroj: Owusu-Ansah (2018) interpretace Kauko (2002)

Nevýhodou hédonických indexů je i jejich heteroskedasticita, totiž že směrodatná odchylka,

V neposlední řadě je u hédonických indexů problematická multikolinearita mezi vysvětlujícími

𝒍𝒏𝑷𝒊𝒕 = ∑𝒌𝒋=𝟏 𝜷𝒋 𝒍𝒏 𝑿𝒋𝒊𝒕 + ∑𝑻𝒕=𝟏 𝜶𝒕 𝑫𝒊𝒕 + 𝜺𝒊𝒕 (4)

Pit…transakční cena nemovitosti i v čase t, kde i=1,…,n, a t=1,…,T;

Xjit…hédonická vlastnost s vektorovými koeficienty j=1,…,k;

εit…náhodná chyba s průměrem 0 a odchylkou 𝜎𝑒2 .

Tento model implicitně předpokládá, že trh je v rovnováze, což je zpochybňováno. De Leeuw a

2.1.2.3. Modely nemovitostních indexů založené na opakovaných transakcích