CC BY
1744
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2023. № 1(51)
УДК 338.51
ИССЛЕДОВАНИЕ РЫНКА ЖИЛОЙ НЕДВИЖИМОСТИ (на примере Центрального Казахстана) Н.Г. Козлова, М.С. Айтенова
В исследовании авторами был определен состав статистически значимых переменных, оказывающих влияние на стоимость жилья на вторичном рынке недвижимости в таких крупных городах Центрального Казахстана (по численности населения), как Астана, Караганда, Жезказган, Балхаш. В числе основных ценообразующих факторов рассматривались как количественные (количество комнат, площадь квартиры, жилая площадь, площадь кухни, этаж), так и качественные (вид санузла, наличие балкона, материал, из которого построен дом) характеристики жилья. Основным методом исследования стал регрессионный анализ, а в качестве инструментария использовался программный пакет Statistica. Построенные эконометрические модели позволили провести сравнительный анализ влияния ценообразующих факторов в рассматриваемых городах. Было выявлено, что площадь квартиры и вид материала, из которого построен дом, являются главными факторами, определяющими стоимость квартир. Также авторами установлено, что полученные уравнения множественной регрессии статистически значимы и могут быть использованы для построения прогнозных оценок стоимости жилья.
Ключевые слова: рынок жилой недвижимости; оценка стоимости квартиры; ценообразующие факторы; регрессионный анализ; корреляционный анализ.
N.G. Kozlova, M.S. Aytenova. RESEARCH OF THE RESIDENTIAL REAL ESTATE MARKET (by the example of Central Kazakhstan)
In this study, the authors determined the composition of statistically significant variables that affect the cost of housing in the secondary real estate market in such large cities of Central Kazakhstan (by population) as Astana, Karaganda, Zhezkazgan, Balkhash. Among the main price-forming factors, both quantitative (number of rooms, apartment area, living area, kitchen area, floor) and qualitative (type of bathroom, balcony, material from which the house is built) characteristics of housing were considered. The main research method was regression analysis, and the Statistica software package was used as a toolkit. The constructed econometric models made it possible to conduct a comparative analysis of the influence of price-forming factors in the cities under consideration. It was revealed that the area of the apartment and the type of material from which the house is built are the main factors determining the cost of apartments. The authors also found that the obtained multiple regression equations are statistically significant and can be used to build predictive estimates of the cost of housing.
Keywords: residential real estate market; apartment cost; pricing factors; correlation analysis; regression analysis.
Прогнозирование стоимости жилой недвижимости по сей день является актуальной проблемой, поскольку качественно разработанный прогноз позволяет уменьшить риски, связанные с совершением сделок купли-продажи жилья. Результаты прогнозирования необходимы при управлении рынком для следующих целей [1]:
1) разработка и принятие мер, направленных на предотвращение возможных жилищных кризисов или смягчение их последствий с помощью изучения трендов, происходящих на рынке недвижимости;
2) определение будущих налоговых платежей, вызванных изменением конъюнктуры рынка;
3) планирование развития территориаль-
ных систем и формирование инвестиционной привлекательности регионов.
Российскими и зарубежными учеными (М.А.С. Гонсалес, С.В. Грибовский, П. Дэ-вис, Д.Б. Житков, У Маккласки, М. Маккорд, Г.М. Стерник, С.Г. Стерник, М.А. Федотова, К.Т. Формозо, ) за последние несколько десятилетий был опубликован ряд работ, посвященных развитию экономико-математических методов оценки недвижимости [4-5; 8; 11]. Некоторые авторы (А.О. Алексеев, Ц. Гуань, Й.М. Зурада, А.С. Левитан, В.А. Харитонов, Д. Ши, В.Л. Ясницкий) сосредоточили свое внимание на применении методов нейросетевого моделирования для определения стоимости жилья [1; 6].
Также в некоторых исследованиях [3; 10;
12] для оценки стоимости жилой недвижимости были предложены множественные регрессионные модели, использующие в качестве независимых переменных ряд ценообразующих факторов, среди которых общая и жилая площадь квартиры, количество комнат, этаж, год постройки дома, размер налога, близость расположения к детским школьным/дошкольным учреждениям и медицинским организациям, материал, из которого изготовлены стены, наличие/отсутствие балкона или лоджии.
Краткий обзор научных работ по изучаемой проблематике показал широкое применение различных методов исследования, в том числе построение эконометрических моделей.
Цель данной работы заключается в оценке параметров множественных линейных уравнений регрессий, позволяющих определить состав значимых ценообразующих факторов для регионального рынка жилой недвижимости. Территориальное исследование было ограничено крупными городами Центрального Казахстана (по численности населения): Астана, Караганда, Жезказган, Балхаш.
Основным методом исследования являлся корреляционно-регрессионный анализ, а в качестве инструментария использовался программный пакет Statistica. База данных стоимости квартир и их характеристик в рассматриваемых городах в 2021 г. была сформирована из открытых электронных ресурсов, в частности сайтов market.kz [7], krisha.kz [9]. Объем выборок для городов следующий:
- г. Астана - 5430 объектов;
- г. Караганда - 1200 объектов;
- г. Жезказган - 1050 объектов;
- г. Балхаш - 500 объектов.
Для моделирования стоимости жилья для каждого города было построено множественное линейное уравнение регрессии. Переменные, включенные в модель, представлены ниже:
Price - стоимость квартиры, тенге;
Rooms - количество комнат, ед.;
Total - общая площадь квартиры, м2;
Livar - жилая площадь квартиры, м2;
Kitar - площадь кухни, м2;
Floor - /0 - первый или последний этаж, [1 - не крайний этаж
Bal -
WC =
Block =
0 - нет балкона,
1 - есть балкон или лоджия
0 - совмещенный санузел,
1 - раздельный санузел
1- монолитный дом, 0 - другое
„ , (1-панельный дом,
Panel - <Л
[0 - другое
В случае, когда дом кирпичный, значение переменных Block и Panel будет равно нулю.
В модель были включены факторы, касающиеся только технических характеристик квартир и места их расположения по следующим причинам:
- в открытых электронных источниках, из которых были сформированы выборки, невозможно отследить социальные и финансовые характеристики того домохозяйства, которое приобрело недвижимость;
- нецелесообразно рассмотрение сейсмической составляющей, так как приведенные в статье города расположены в Центральном Казахстане, в зоне с низкой сейсмической опасностью;
- отсутствие энергетической составляющей объясняется тем, что все квартиры подключены к центральному отоплению.
После аппроксимации исходных данных с помощью метода наименьших квадратов в каждое из уравнений регрессии были включены статистически значимые факторные переменные:
- для г. Астаны:
Price - -3499365,87 + 384076,226Totar + 54210,46Kitar +
(tb0 - -13,20) (124,37) (3,78)
+ 738292,86Floor - 930896,34^C + 1009650,89Block -
(3,60)
(4,96)
(5,79)
-1155038,16Panel; (-4,17)
- для г. Караганды:
Price - -2870300,89 + 280284,92Totar + 475847,38Kitar +
(tb0 --6,44) (35,64) (7,92)
+ 678295,24Floor + 729593,75Bal - 96430612ГС +
(3,14)
(2,86)
(-4,34)
+ 3508879,29Block -1292465,05Panel;
(8,29) (-5,59)
- для г. Жезказгана:
Price - -2968298,64 + 373977,86Totar + 2229541,14Floor +
(b --4,03) (43,42) (7,38)
+ 660049,96^C - 1390817,54Block - 810957,61Panel;
(2,14) (-2,60) (-1,97)
- для г. Балхаш:
Price - -2168167,81 + 336873,59Totar + 99701,84Kitar -
(tb0 --3,17) (25,77) (1,98)
- 2259874,93Floor + 3681592,37Block.
(-6,48)
(3,99)
46
вестник Российского университета кооперации. 2023. № 1(51)
Статистические характеристики эконометрических моделей
Характеристика г. Астана г. Караганда г. Жезказган г. Балхаш
Коэффициент множественной корреляции (Д) 0,910 0,841 0,822 0,834
Коэффициент множественной детерминации (Д2) 0,828 0,708 0,676 0,696
Скорректированный коэффициент множественной детерминации ^2скор) 0,828 0,706 0,675 0,694
Наблюдаемое значение статистики Фишера 4355,260 413,352 435,626 283,027
Критическое значение статистики Фишера 2,100 2,017 2,222 2,390
Критическое значение статистики Стьюдента 1,960 1,962 1,962 1,965
Статистические характеристики эконометрических моделей приведены в таблице.
Полученные значения характеристик свидетельствуют о том, что уравнения регрессии в целом, как и отдельные их параметры с вероятностью 95 %, статистически значимы и надежны. Одновременно наблюдается тесная взаимосвязь между результирующим признаком и всеми регрессорами, включенными в модели.
Сравнительный анализ эконометрических моделей для городов Центрального Казахстана позволяет утверждать, что:
1) самая высокая стоимость одного квадратного метра жилья наблюдается в г. Астане, что естественно для столицы страны;
2) каждый дополнительный квадратный метр площади кухни стоит значительно дороже в г. Караганде;
3) стоимость квартир на некрайних этажах во всех городах, за исключением г Балхаш, выше, чем на крайних этажах. Это может быть объяснено курортной направленностью экономики указанного города;
4) в г Астане и Караганде дороже стоят квартиры с совмещенным санузлом, в г. Жез-казгане наблюдается противоположная ситуация, а в г. Балхаше вид санузла вообще не влияет на цену жилья;
5) в г. Караганде и Балхаше больше ценятся квартиры, расположенные в монолитных домах, а в г Астане и Жезказгане - в домах, изготовленных из кирпича.
Резюмируя проведенное исследование, следует отметить, что:
1) изучение тенденций, происходящих на рынке недвижимости, способствует предотвращению возможных жилищных кризисов и созданию привлекательного инвестиционного климата;
2) несмотря на кажущееся разнообразие це-нообразующих факторов, основными факторами, влияющими на стоимость жилья, являются площадь и материал постройки;
3) разработанные эконометрические модели являются качественными и могут быть ис-
пользованы для построения прогнозных оценок стоимости квартир в г. Астане, Караганде, Жезказгане и Балхаше.
Список литературы
1. АлексеевА.О., ХаритоновВ.А., ЯсницкийВ.Л. Разработка концепции комплексного нейросетево-го моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости // Известия вузов. Инвестиции. Строительство. Недвижимость. 2018. Т. 8. № 1 (24). С. 11-22.
2. Асаул А.Н., Иванов С.Н., СтаровойтовМ.К. Экономика недвижимости: учебник для вузов. 3-е изд., испр. СПб: АНО «ИПЭВ», 2009. 304 с.
3. Богданова Т.К., Камалова А.Р., Кравченко Т.К., Полторак А.И. Проблемы моделирования оценки стоимости жилой недвижимости // Бизнес-информатика. 2020. Т. 14. № 3. С. 7-23.
4. Гонсалес М.А.С., Формозо К.Т. Массовая оценка с помощью систем, основанных на генетических нечетких правилах // Управление недвижимостью. 2006. Т. 24. № 1. С. 20-30.
5. Грибовский С.В., Федотова М.А., Стер-ник Г.М., Житков Д.Б. Экономико-математические модели оценки недвижимости // Финансы и кредит. 2005. № 3 (171). С. 24-43.
6. ГуаньЦ., ШиД., ЗурадаЙ.М., ЛевитанА.С. Анализ массивных наборов данных: адаптивный нечеткий нейронный подход для прогнозирования с иллюстрацией недвижимости // Журнал организационных вычислений и электронной коммерции. 2014. Т. 24. № 1. С. 94-112.
7. Доска бесплатных объявлений «Маркет»: интернет-сайт. URL: https://market.kz (дата обращения: 18.02.2023).
8. Дэвис П., Маккласки У., МаккордМ. Эмпирический анализ упрощенных подходов к оценке для целей налогообложения жилой недвижимости // Управление недвижимостью. 2012. Т. 30. № 3. С. 232-254.
9. Крыша. Недвижимость в Казахстане: интернет-сайт. URL: https://krisha.kz (дата обращения: 18.02.2023).
10. Нарула С.С., Веллингтон Дж.Ф., Льюис С.А. Оценка жилой недвижимости с использованием
параметрического программирования // Европейский журнал оперативных исследований. 2012. Т. 217. № 1 С. 120-128.
11. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов: монография. М.: Экономика, 2009. 605 с.
12. Ферлан Н., Бастик М., Псундер И. Факторы, влияющие на рыночную стоимость жилой недвижимости // Инженерная экономика. 2017. Т. 28. № 2. С. 135-144.
References
1. Alexeev A.O., Kharitonov V.A., Yasnitskij V.L. Razrabotka konceptsii kompleksnogo nejrosete-vogo modelirovaniya protsessov massovoj otsenki i scenarnogo prognozirovaniya rynochnoj stoimosti zhiloj nedvizhimosti [Development of the concept of complex neural network modeling of the processes of mass assessment and scenario forecasting of the market value of residential real estate] // Izvestiya vuzov. Investitsii. StroiteFstvo. Nedvizhimost\ 2018. T. 8. № 1 (24). S. 11-22.
2. Asaul A.N., Ivanov S.N., Starovojtov M.K. Ekonomika nedvizhimosti [Real estate economics]: uchebnik dlya vuzov. 3-e izd., ispr. SPb: ANO «IPEV», 2009. 304 s.
3. Bogdanova T.K., Kamalova A.R., Kravchen-ko T.K., Poltorak A.I. Problemy modelirovaniya otsenki stoimosti zhiloj nedvizhimosti [Problems of modeling the valuation of residential properties] // Biznes-informatika. 2020. T. 14. № 3. S. 7-23.
4. Gonsales M.A.S., Formozo K.T. Massovaya otsenka s pomoshchyu sistem, osnovannykh na ge-neticheskikh nechetkikh pravilakh [Mass appraisal with genetic fuzzy rule-based systems] // Upravlenie nedvizhimostyu. 2006. T. 24. № 1. S. 20-30.
5. Gribovskij S.V., Fedotova M.A., Sternik G.M., Zhitkov D.B. Ekonomiko-matematicheskie modeli otsenki nedvizhimosti [Economic and mathematical
models of real estate valuation] // Finansy i kredit. 2005. № 3 (171). S. 24-43.
6. Guan Cz., Shi D., Zurada J.M., Levitan A.S. Analiz massivnykh naborov dannykh: adaptivnyj nechetkij nejronnyj podkhod dlya prognozirovaniya s illyustratsiej nedvizhimosti [Analyzing massive data sets: An adaptive fuzzy neural approach for prediction with a real estate illustration] // Zhurnal orga-nizatsionnykh vychislenij i elektronnoj kommertsii. 2014. T. 24. № 1. S. 94-112.
7. Doska besplatnykh ob''yavlenij «Market»: internet-sajt. URL: https://market.kz (Accessed 18.02.2023).
8. Devis P., Makklask U., Makkord M. Empi-richeskij analiz uproshhennykh podkhodov k otsenke dlya tselej nalogooblozheniya zhiloj nedvizhimosti [An empirical analysis of simplified valuation approaches for residential property tax purposes] // Upravlenie nedvizhimost'yu. 2012. T. 30. № 3. S. 232-254.
9. Krysha. Nedvizhimost' v Kazakhstane: internet-sajt. URL: https://krisha.kz (Accessed 18.02.2023).
10. Narula S.S., Vellington Dzh.F., Lyuis S.A. Otsenka zhiloj nedvizhimosti s ispol'zovaniem parametricheskogo programmirovaniya [Valuating residential real estate using parametric programming] // Evropejskij zhurnal operativnykh issledo-vanij. 2012. T. 217. № 1 S. 120-128.
11. Sternik G.M., Sternik S.G. Analiz rynka ned-vizhimosti dlya professionalov [Real estate market analysis for professionals]: monografiya. M.: Eko-nomika, 2009. 605 c.
12. Ferlan N., Bastik M., Psunder I. Faktory, vliyayushchie na rynochnuyu stoimost' zhiloj nedvizhimosti [Influential factors on the market value of residential properties] // Inzhenernaya ekonomika. 2017. T. 28. № 2. S. 135-144.
КОЗЛОВА Наталья Геннадьевна - преподаватель кафедры гуманитарных и естественнонаучных дисциплин. Калининградский филиал Российского университета кооперации. Россия. Калининград. E-mail: n.g.kozlova@ruc.su.
АЙТЕНОВА Мансия Сапаровна - доцент кафедры высшей математики. Карагандинский университет Казпотребсоюза. Республика Казахстан. Караганда. E-mail: abibekove@mail.ru.
KOZLOVA, Natalia Gennadyevna - Lecturer of the Department of Humanities and Science Disciplines. Kaliningrad branch of the Russian University of Cooperation. Russia. Kaliningrad. E-mail: n.g.kozlova@ruc.su.
AYTENOVA, Mansia Saparovna - Associate Professor of the Department of Higher Mathematics. Karaganda University of Kazpotrebsoyuz. Republic of Kazakhstan. Karaganda. E-mail: abibekove@ mail.ru.
