CC BY
31
001: 10.24411/2072-4098-2019-10501 Динамика ценообразования и сегментация на рынке жилья
А.В. Харламов доцент кафедры основ математики и информатики Саратовского национального исследовательского государственного университета имени Н.Г. Чернышевского, кандидат экономических наук (г. Саратов) А.В. Захаров эксперт ООО «Экспертиза РСН», кандидат физико-математических наук (г. Москва)
Александр Владимирович Харламов, harlamovav@info.sgu.ru
Рынок жилой недвижимости находится под значительным влиянием факторов, определяющих социально-экономическое развитие как отдельных регионов, так и страны в целом. Сложные причинно-следственные взаимосвязи факторов (государственное регулирование, макро- и микроэкономические состояния, социальное положение и природные условия в регионе), воздействующих на рынок недвижимости, определяют его состояние и конъюнктуру (см. [1]). Рынок, в свою очередь, является отражением этих сложных взаимосвязанных процессов. В связи с этим оценка «товара» на этом рынке представляет нетривиальную задачу. Наиболее актуальной является оценка жилой недвижимости, поскольку в большей степени затрагивает интересы рядовых граждан.
На рынке недвижимости могут использоваться различные подходы к оценке объектов и методы. Можно выделить три основных подхода: доходный, затратный и сравнительный. Доходный подход позволяет оценить стоимость недвижимости на дату оценки как текущую стоимость будущих денежных потоков. Затратный подход, как правило, применяется к новым или недавно построенным объектам.
Одним из эффективных способов оценки недвижимости является сравнительный подход, основанный на информации о недавних сделках с аналогичными объектами на рынке. Наибольшего эффекта этот
метод достигает на развитом рынке недвижимости, когда можно использовать методы статистического и эконометрического моделирования, в частности, строить трен-довые и регрессионные модели, которые позволяют выявлять факторы, обуславливающие и объясняющие изменение стоимости объектов недвижимости на рынке.
Построение эконометрических моделей можно рассматривать как элемент цифровой экономики, позволяющий субъективные подходы оценщиков заменить технологией оценки, основанной на объективных рыночных показателях.
Использование эконометрических моделей позволяет выявлять силу и вектор влияния различных факторов на рыночные процессы и явления, определять благоприятные и неблагоприятные условия инвестирования, принимать оправданные решения по минимизации рисков, характерных как для отдельных граждан, так и для региона (см. [2-4]). Специфические риски возникают при необходимости оценивания объектов недвижимости в долгосрочной перспективе. Отдельно нужно рассматривать риски определения кадастровой стоимости, связанной с налогообложением недвижимого имущества населения (см. [5, 6]).
Эконометрические модели, верифицированные с использованием массовых данных рынка недвижимости, позволяют строить ценовые прогнозы, наиболее приближенные к реальным (рыночным). Но и
здесь существует ряд проблем качества верификации, связанных, например, с неоднородностью рынка недвижимости.
Пространственная неоднородность нашла свое решение в ряде новых подходов построения моделей, в которых используются методы анализа геокодированных данных (см. [7, 8]).
Качественная неоднородность позволила сразу сегментировать рынок, например, на жилую и нежилую недвижимость. В рынке жилой недвижимости можно выделить сегмент многоквартирных домов, который, в свою очередь, можно разделить на рынок однокомнатных и многокомнатных квартир. Из практики продаж известно, что рынок однокомнатных квартир является наиболее динамичным, объекты продаж имеют меньшую экспозицию. В этом плане этот рынок представляет наибольший интерес как «зеркало» экономических региональных процессов.
Временной анализ регионального рынка недвижимости (см. [6, 9, 10]) позволил выявить динамику как в процессе ценообразования на рынке недвижимости, так и в соответствующих эконометрических моделях, а также сделать предположение о наличии сегментов, имеющих разнонаправленные тренды. Такое неоднородное развитие рынка во времени может создавать дополнительные риски и должно учитываться всеми заинтересованными сторонами в случаях, когда оценка осуществляется на перспективу, например, в целях налогообложения, определения залоговой стоимости, для инвестирования или сохранения средств и в ряде других случаев.
Сделанное предположение нашло свое подтверждение при сегментно-временном анализе рынка вторичного жилья однокомнатных квартир города Саратова.
Считается, что рынок новостроек и рынок вторичного жилья имеют существенные различия. Если развитие первого в основном определяется строительной политикой властей в регионе, возможностями и проектами девелоперов, то вторичный рынок
отражает сложившуюся ситуацию в экономике региона и в большей степени определяется экономическими возможностями участников рынка. Нельзя не отметить существенное влияние первичного рынка на вторичный в случае массовой застройки, когда новое жилье практически сразу выходит на вторичный рынок и диктует на нем свои законы, особенно в отдельных сегментах, воздействуя на тенденции, сложившиеся на вторичном рынке. Так, достаточно продолжительное время сегмент малоэтажного жилья был представлен старым жилищным фондом с дешевыми объектами, но в последние годы на рынок вышло большое количество пентхаусов, которые резко поменяли тенденции в этом сегменте.
Учитывая сложившуюся ситуацию, для исследования были выбраны два сегмента вторичного рынка однокомнатных квартир города Саратова:
1) пятиэтажные дома, менее всего подверженные воздействию рынка новостроек;
2) девятиэтажные дома.
Исходные данные с 1998 по 2018 год были получены из объявлений о продажах квартир, представленных в открытых источниках (газеты и соответствующие сайты).
Применение дескриптивной статистики позволило провести анализ динамики средней стоимости одного квадратного метра площади и динамики средней стоимости квартир в сегментах пятиэтажных и девятиэтажных домов.
Средняя стоимость одного квадратного метра статистически не различалась только в 1998 году, в начале становления рынка. Все последующие годы стоимость квадратного метра в девятиэтажном доме превышала стоимость квадратного метра в пятиэтажном доме (см. табл. 1), что также нашло отражение в соответствующих эко-нометрических моделях (см. [7]).
Анализ динамики средних цен за один квадратный метр позволяет проследить тенденции развития этих сегментов и отметить, что максимум был достигнут в предкризисном 2008 году, затем было «про-
Таблица 1
Средняя цена одного квадратного метра в однокомнатных квартирах и средняя цена квартир (через дробь) в пяти- и девятиэтажных домах города Саратова, тыс. р.
Этажность Год
1998 1999 2000 2001 2002 2003 2008 2013 2018
Пять 3,1/59 4,1/131 4,6/147 6,4/203 9,9/315 11,6/371 41,2/1 338 37,9/1 222 38,6/1 202
Девять 3,3/112 4,7/153 5,3/176 6,9/231 10,2/345 12,5/432 43,5/1 560 40,6/1 382 43,0/1 448
седание» цены, но в 2018 году наметился рост цен на квартиры в сегменте «девятиэтажек», а в сегменте «пятиэтажек» продолжилось их снижение. Если принять во внимание, что стоимость одного метра площади однокомнатных квартир превосходит стоимость одного метра площади двухкомнатных и трехкомнатных квартир, то можно заключить, что в сегменте «пятиэтажек» имеется тенденция к снижению стоимости жилья. Эта тенденция еще более четко прослеживается на динамике средней стоимо-
сти квартир. При этом в секторе «высотного» (читай - нового) жилья прослеживается слабый, но рост.
Для анализа влияния пространственной составляющей на рассматриваемые сегменты были рассчитаны средние показатели стоимости квадратного метра для каждого административного района города. С учетом территориального фактора были получены следующие тенденции в средних показателях для пяти- и девятиэтажных домов (см. табл. 2).
Таблица 2
Средняя цена одного квадратного метра в однокомнатных квартирах в пяти- и девятиэтажных (через дробь) домах по районам города Саратова, тыс. р.
Год Район
Фрунзенский Кировский Ленинский Октябрьский Волжский Заводской
1999 5,6/5,4 4,5/5,0 3,8/3,8 4,9/5,2 5,1/5,3 3,3/3,7
2000 5,9/5,9 5,2/5,9 4,3/4,5 5,1/6,3 5,8/5,8 3,9/4,5
2001 7,2/8,6 7,0/7,6 5,8/6,0 7,3/7,9 8,3/8,0 5,2/5,7
2002 13,0/11,7 11,6/11,6 9,3/9,2 11,6/11,8 11,7/10,9 8,2/8,8
2003 14,1/14,2 13,1/13,9 10,4/10,6 13,3/14,6 14,3/15,2 9,4/10,1
2008 48,7/51,4 43,4/47,9 38,6/38,2 47,4/53,7 47,8/50,1 36,4/36,6
2013 44,2/42,5 39,4/43,7 35,4/36,8 43,1/46,1 43,9/47,4 33,6/35,8
2018 46,7/54,5 42,9/45,9 35,6/38,1 47,0/50,1 44,8/50,7 33,1/36,4
Если в четырех центральных районах (Фрунзенский, Кировский, Октябрьский, Волжский) имеется тенденция к повышению цены квадратного метра, то в двух удаленных районах (Ленинский и Заводской) цена имеет тенденцию к уменьшению. Причем высокие средние цены статистически
неразличимы, и для разных лет максимум средней цены перемещается из района в район. Средние цены квадратного метра для двух удаленных районов статистически различимы, что свидетельствует о некоторых различиях тенденций для этих районов.
Тенденции изменения цен по районам в сегменте «девятиэтажек» в основном совпадают - заметен слабый рост, но можно видеть аномально сильный рост во Фрунзенском районе (практически на 30 процентов). Это еще одна иллюстрация влияния первичного рынка на вторичный.
Анализ представленных данных подтверждает предположение о том, что не только временной фактор, но и пространственный оказывает влияние на развитие рынка жилой недвижимости. Этот факт необходимо учитывать при прогнозировании развития уже самих районов.
Для расчета прогноза по цене квартиры на вторичном рынке можно применять эконометрические модели. Достаточно эффективным инструментом прогноза зарекомендовали себя классические модели множественной линейной регрессии (см. [2]), которые позволяют построить прогноз, наиболее соответствующий рынку на конкретном этапе и для конкретного сегмента. Параметры моделей представлены в таблице 3.
Таблица 3
Параметры моделей
Обозначение Описание
У цена квартиры, тыс. р.
Х1 жилая площадь квартиры, м2
Х2 площадь кухни, м2
Х3 дополнительная площадь, м2
Х4 квартира расположена на первом этаже
Х5 квартира расположена на последнем этаже
Х6 квартира в хорошем состоянии
Х7 имеется балкон
Х8 раздельный санузел
Х9 планировка «гостинка»
Х10 логарифм расстояния до центра города, м
Х11 кирпичный дом
Х12 имеется лоджия
Х13 индивидуальная планировка
Х14 планировка «студия»
В таблице представлены статистически значимые показатели, включенные в эконометрические модели. Как правило, в объявлениях содержится гораздо больше информации. С развитием рынка недвижимости и увеличением объема предложений увеличивается число характеристик объектов продаж, которые, по мнению продавцов, должны положительно влиять на цену и (или) увеличивать привлекательность соответствующего предложения. Но реально на цену оказывает влияние ограниченное число факторов, степень которого может меняться во времени, что нашло свое отражение в соответствующих моделях ценообразования, построенных для каждого рассмотренного года для сегмента пяти- и девятиэтажных домов (см. табл. 4).
Также отметим, что в ходе развития рынка некоторые характеристики качества квартир претерпевают изменения, поэтому часть показателей, положительно влияющих на цену предложения, пришлось приводить к единой характеристике. Например, все качественные улучшения квартиры (хороший ремонт, отличное состояние, повышенная комфортность и некоторые другие) нашли отражение в показателе «квартира в хорошем состоянии».
Рассмотрим полученные результаты. Коэффициент детерминации (Я2), характеризующий качество модели, оказался самым большим в 1998 году. Это говорит само за себя - при неразвитом рынке и дефиците предложения на цену оказывает влияние исключительно удаленность расположения квартиры от центра города. С развитием рынка на цену оказывают влияние все большее число разнообразных характеристик, но качество подгонки моделей при этом не улучшается.
В сегменте девятиэтажных домов наблюдается большее разнообразие в ценоо-бразующих факторах, прослеживается их эволюция во времени. Также можно отметить, что качество подгонки моделей колеблется из года в год, не выказывая явной тенденции. Но в обоих случаях модели, по-
сч ас со см см со со см оо о со
г-- оо со г- со г- со
о" о" о" о" о" о" о" о" о"
1 х" со" + х" 1 + 1 х" со о" см 1 хш 1 х" со со" см 1 хш + 1 х° со со + + х5^ + (
с^э со х1" л со со
ю" г--" со" см с^ со" оо со
+ см + + + о" оо со + см
1Л + 1Л 1Л х1" 1 1
1Л X X со 1 1
со Й со со х" см г» см ^^
1 1 1 1 1 1 г--" о 00 ^ о + сэ 2
0 ^ х" ¿т х* х" 1 о 1
I о со <э си со 1 <§о
£ Й 0 I ш о" „ Тй" со со СМ ч-Т 1 о§ 3 сЗ сэ °( оо
щ л 1 1 1 с^ СО 1-
о Ч СО 1- Xй оо Xй см Xй <М ^^ + см + 1 + см ^
о т-" + + со + со + иэ + о + X" Х™со X см см ь-
х" . <М X со 4" 2
X со X X X со со ю СМ 1- со + +
см" со со + - + 1
см 1 ю + + о о + X" Ю" ++>Г X со Г-" + + 1 х" х" С^ С^з
х" х^ со со" о" " ь-
со со ^ ю ф" со оо
т-" * ™ со + сэ со + +о + + + +
со о + со ю + 1 ГО _ О) О X + 1 . СО £ 3 + о ° X" о + сз со X" со ю + 1 00 * см оо со -СЭ х" Ю сВ
§ см см со со со ^ см" ^ 00 о см сэ
о и II к М 1- м ^ II ^ м ■>- м см II ■>- 1 1 ^
ч: § ^ 1 ^ 1 ^ 1 ^ 1 + ^ 1 ^ + +
а: о см ю ,- со оо о оо
со оо с^ с^ с^ г-
£ о" о" о" о" о" сэ сэ о"
<ъ
:
о
§ о о $ 1 ¿г 1 хш 1 хш 1
о с^ сэ "9 со 2
со см см со 2"
1 + со со 2
о 1 о со см + + ¿0
со со х1" х1"
см см "5 "
см 1 + 1 1Л + + 1Л со 5" оо 5 1
X х" X 1 1 1
Й £ Й <э см" оэ г-со 1 х" 1 х"
оо о Т— т— с^ с^
0 + 1 + 1 4" 2
т 0 I т ¿Г см + х" со х1 см" х1" аз ¿т с^ со 1 Xй о 1 со 1 Xй
8 л со о X г-
С 1 + 1 1 1
. СО ^ со со . СО . СО 1— 2
я ^ X со <§ + X™ + X™ + X™
т- т- Ю" со
+ + + + + 0^ <э
си см" т— 4"
X X X X X см 2 со
со см оо + + ^ + ^
со СО к сэ - X - X
о + + + + + X т
X" х" X" X" со о СМ 1-
см" СО ^ сэ сэ см ■>- см 2 2
со ы См" со оэ + „ + 1 + 1
1 о + + С\| со + см + + сз О X" со оо = 2 254 195"1х1( 00 V™ 2 59" = 4 Г- ч,® см -9 25 = 2
со II см II см II II II Ь- ,_" II Г--
^ ^ ^ ^ ^ 1 ^ 1 ^ 1 ^ 1
Год оо со о см со оо со оо
со со о о о о о 1—
со со о о о о о сэ о
см см см см см см см
строенные на сегментах рынка, лучше соответствуют эмпирическим данным (имеют больший коэффициент детерминации), чем соответствующие общие модели (см. [11]), а значит, могут давать более точный прогноз.
Построение моделей по территориальным сегментам не позволило улучшить качество моделей (и здесь они не приводятся). Возможно, пространственное влияние необходимо учитывать более сложным образом, например, с использованием геоко-дированных показателей (см. [7, 8]). Также для выделения однородных групп объектов можно попытаться использовать пространственную кластеризацию.
По результатам поведенного исследования можно сделать следующие выводы.
Чем в большей степени эконометриче-ская модель соответствует эмпирическим данным, тем более точный прогноз можно построить. Качество подгонки моделей напрямую зависит от однородности анализируемых данных, что бывает крайне редко в силу различных причин. В связи с этим прогнозные модели должны в той или иной степени учитывать эту неоднородность. Один из вариантов преодоления неоднородности - выделение тех или иных сегментов. Например, уже разделяются рынки первичного и вторичного жилья. Можно выделить и сегменты по количеству комнат - однокомнатные и многокомнатные квартиры (последний сектор также можно сегментировать).
Рынок жилой недвижимости динамичен, но его сегменты могут развиваться разнонаправленно, что необходимо учитывать для минимизации рисков в перспективных оценках стоимости жилья для инвестиций, страхования или определения залога.
ЛИТЕРАТУРА
1. Оценка недвижимости : учебник / под ред. д-ра эконом. наук проф. А. Г. Грязно-вой, д-ра эконом. наук проф. М. А. Федотовой. М. : Финансы и статистика, 2004. 496 с.
2. Магнус Я. Р., Катышев П. К., Пересец-
кий А. А. Эконометрика. Начальный курс : учебник. 6-е изд., перераб. и доп. М. : Дело, 2004. 576 с.
3. Стебунова О. И. К вопросу моделирования стоимости жилья на вторичном рынке // Научные школы и результаты в российской статистике : сборник материалов Международной научно-практической конференции. СПб. : Знание, 2006. С. 183-184.
4. Реннер А. Г., Стебунова О. И. Моделирование стоимости жилья на вторичном рынке жилья // Вестник Оренбургского государственного университета. 2005. № 10. С. 179-182.
5. Харламов А. В. Проблемы массовой оценки кадастровой стоимости недвижимости // Имущественные отношения в Российской Федерации. 2011. № 6 (117). С. 71-78.
6. Харламов А. В. Проблемы оценки рыночной стоимости недвижимости // Страхование в эпоху цифровой экономики: проблемы и перспективы : Сборник трудов XIX международной научно-практической конференции. В 2 т. Йошкар-Ола : Издательство Марийского государственного университета, 2018. Т. 2. С. 27-31.
7. Балаш О. С., Харламов А. В. Экономе-трическое моделирование пространственных данных : монография. Саратов : Научная книга, 2010. 112 с.
8. Захаров А. В, Харламов А. В. Техника геокодирования в построении географически взвешенных регрессионных моделей при массовой оценке в условиях неопределенности и неоднородности исходных данных // Имущественные отношения в Российской Федерации. 2010. № 7 (106). С. 76-85.
9. Харламов А. В. Анализ динамики моделей ценообразования // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками : материалы V международной молодежной научно-практической конференции. Саратов : Научная книга, 2016. С. 113-117.
10. Харламов А. В., Ивлиев А. Р. Динамика коэффициентов эконометрических моделей // Математическое и компьютер-
ное моделирование в экономике, страховании и управлении рисками : материалы VI международной молодежной научно-практической конференции. Саратов : Научная книга, 2017. С. 93-98.
11. Захаров А. В., Харламов А. В. Временной анализ эконометрических моделей ценообразования на рынке жилья // Имущественные отношения в Российской Федерации. 2019. № 3. С. 41-50.
СТПТУТ ШКОЛА ПРАВА Негосударственное образовательное учреждение дополнительного образования «Школа права «СТАТУТ» ЮРИДИЧЕСКИЕ СЕМИНАРЫ ДЛЯ ПРОФЕССИОНАЛОВ Телефон: (499) 956-08-65 http://www.statut.ru/ Е-таМ: post@statut.ru
Место проведения: Российская академия народного хозяйства и государственной службы при Президенте РФ (РАНХиГС), г. Москва
17-21.06 БАНКРОТСТВО ОРГАНИЗАЦИЙ И ГРАЖДАН: комментарий новелл законодательства и анализ судебной практики
17-21.06 ДОГОВОРНОЕ ПРАВО: реформа Гражданского кодекса РФ и актуальные вопросы судебной практики
18-19.06 АНТИМОНОПОЛЬНЫЕ НАРУШЕНИЯ: новеллы закона, правовые последствия, судебная практика
21.06 СУБСИДИАРНАЯ ОТВЕТСТВЕННОСТЬ КОНТРОЛИРУЮЩИХ ДОЛЖНИКА ЛИЦ ПРИ БАНКРОТСТВЕ: анализ концептуальных новелл и актуальной судебной практики
26-27.06 ОБХОД НАЛОГОВОГО ЗАКОНА
27-28.06 ЗАКУПКИ ТОВАРОВ, РАБОТ И УСЛУГ ОТДЕЛЬНЫМИ ВИДАМИ ЮРИДИЧЕСКИХ ЛИЦ по 22Э-ФЗ: рекомендации по применению и анализ судебной практики
01-05.07 КОРПОРАТИВНОЕ ПРАВО: реформа Гражданского кодекса РФ и анализ судебной практики
04-05.07 КОРПОРАТИВНЫЕ СДЕЛКИ И СУДЕБНАЯ ПРАКТИКА: соглашения акционеров, сделки М&А, реорганизация
08-09.07 РЕФОРМА ЗЕМЕЛЬНОГО И ГРАДОСТРОИТЕЛЬНОГО ЗАКОНОДАТЕЛЬСТВА: приобретение публичных земель, оборот земельных участков и комментарий изменений законодательства
08-12.07 СДЕЛКИ С НЕДВИЖИМОСТЬЮ И ОСОБЕННОСТИ РЕГУЛИРОВАНИЯ ЗЕМЕЛЬНЫХ ОТНОШЕНИЙ: реформа земельного законодательства и обзор практики рассмотрения споров
10-12.07 НАЛОГОВЫЕ СПОРЫ. ЗАЩИТА ПРАВ НАЛОГОПЛАТЕЛЬЩИКОВ
15-19.07 ПРАВА НА РЕЗУЛЬТАТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ: комментарий изменений и практика применения IV Части ГК РФ
17-18.07 НАЛОГОВОЕ ПЛАНИРОВАНИЕ: ДОПУСТИМЫЕ МЕТОДЫ
18-19.07 ИНТЕРНЕТ: ЗАЩИТА ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ И ИНЫХ ПРАВ
