CC BY
53
Aleksander Vladimirovich Kharlamov,
PhD in Economics,
associate professor of the department of fundamentals
of mathematics and informatics,
National Research Saratov State University
Aleksander Vladimirovich Zakharov,
PhD in Physics and Mathematics, expert,
LLC "Ekspertiza RSN"
Александр Владимирович Харламов,
кандидат экономических наук, доцент кафедры основ математики и информатики, Саратовский национальный исследовательский государственный университет им. Н.Г. Чернышевского
«►1-» [email protected]
Александр Владимирович Захаров,
кандидат физико-математических наук,
эксперт, ООО «Экспертиза РСН»
(еа^ [email protected]
УДК 330.4
К ВОПРОСУ О МОДЕЛЯХ ЦЕНООБРАЗОВАНИЯ И СЕГМЕНТАЦИИ РЫНКА ЖИЛОЙ НЕДВИЖИМОСТИ
В статье рассматриваются проблемы оценки стоимости жилой недвижимости с помощью методов эконометриче-ского моделирования. В частности, проводится анализ рисков, возникающих при оценивании объектов недвижимости в долгосрочной перспективе. Для повышения качества прогноза модели ценообразования желательно строить по однородным данным. Сегментация рынка позволяет получить качественную однородность. В статье анализируются два сегмента на вторичном рынке жилья г. Саратова - сегмент однокомнатных квартир в пятиэтажных домах и сегмент однокомнатных квартир в девятиэтажных домах. Анализ проводится как во временном, так и в пространственном направлениях. Временное исследование сегментов подтвердило предположение об их разнонаправленном развитии. Можно заключить, что с 2008 г. в сегменте пятиэтажных домов имеется заметное снижение стоимости квартир, в то время как сегмент квартир в девятиэтажных домах проявил тенденцию к росту. Эконометрические модели ценообразования отразили динамику рынка в данных сегментах за анализируемый период и показали большее соответствие эмпирическим данным и, как следствие, более высокое качество прогноза, чем общие модели. В отличие от качественной сегментации, пространственная сегментация также показала различия в тенденциях на выделенных пространственных сегментах, но модели ценообразования, построенные на этих сегментах, не позволили улучшить качество прогноза.
Ключевые слова: модели ценообразования, массовая оценка жилья, сегментация рынка недвижимости, тенденции на рынке недвижимости, прогнозирование.
146 ♦-
Вестник СГСЭУ. 2019. № 1 (75) -♦
OVERVIEW OF THE MODELS OF PRICING AND SEGMENTATION OF RESIDENTIAL REAL ESTATE MARKET
The article deals with the problems of estimating the value of residential housing with the help of econometric methods. In particular, the authors analyze risks arising from estimating the value of real estate in the long term. To improve the quality of value forecasting it is recommended to build pricing models on homogeneous data. Market segmentation provides high-quality homogeneous data. The article analyzes two segments in the secondary housing market in Saratov: a segment of one-bedroom apartments in five-floor houses and a segment of one-bedroom apartments in nine-floor houses. The analysis is carried out both with the help of time-series methods and spatial methods. Time-series analysis of the segments confirmed the assumption of their opposite dynamics. It can be concluded that since 2008 there has been a noticeable decrease in the price of apartments in the segment of five-floor houses, while the segment of apartments in nine-floor houses has shown a tendency to increase. Econometric pricing models predicted the dynamics of the market in these segments for the analyzed period and showed greater consistency with the empirical data and, as a result, they produced a higher forecast quality than general models. In contrast to qualitative segmentation, spatial segmentation also revealed different trends in the selected spatial segments but pricing models built on these segments did not improve the quality of the forecast.
Keywords: pricing models, valuation of housing, segmentation of the real estate market, trends in the real estate market; forecasting.
Рынок жилой недвижимости находится под значительным влиянием факторов, определяющих социально-экономическое развитие как страны в целом, так и отдельных регионов. Сложные причинно-следственные взаимосвязи между факторами (государственное регулирование, макро- и микроэкономические состояния, социальное положение и природные условия в регионе), воздействующими на рынок недвижимости, определяют его состояние и конъюнктуру. А сам рынок, в свою очередь, является отражением этих сложных взаимосвязанных процессов. Поэтому оценка товара на этом рынке представляет собой нетривиальную задачу. Наиболее актуальной является оценка жилой недвижимости, потому что в большей степени затрагивает интересы рядовых граждан.
На рынке недвижимости могут использоваться различные подходы и методы оценки объектов. 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 трендовые и регрессионные модели, которые позволяют выявлять факторы, обусловливающие 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 [1-3]. Специфические риски возникают при необходимости оценивания объектов недвижимости в долгосрочной перспективе. Отдельно нужно рассматривать риски определения кадастровой стоимости, связанной с налогообложением недвижимого имущества населения [5; 8].
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, использующих методы анализа геокодирован-ных данных [1; 4].
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, и в этом плане данный рынок представляет наибольший интерес, как зеркало экономических региональных процессов.
Временной анализ регионального рынка недвижимости [8-7] позволил выявить динамику как в процессе ценообразования на рынке недвижимости, так и в соответствующих эконометрических моделях. А также позволил 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
НБЫ1994-5094 ♦-
147 -♦
инвестирования или сохранении средств и в ряде других случаев.
Сделанное предположение нашло свое подтверждение при сегментно-временном анализе рынка вторичного жилья однокомнатных квартир г. 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 существенного влияния 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 жилым фондом с дешевыми объектами, но в последние годы на рынок вышло большое количество таунхаусов, которые резко поменяли тенденции в этом сегменте.
С учетом данной ситуации для исследования были выбраны два сегмента вторичного рынка однокомнатных квартир г. Саратова. Это пятиэтажные дома, менее всего подверженные воздействию рынка новостроек, и девятиэтажные дома. Исходные данные с 1998 по 2018 г. были получены из объявлений о продажах квартир, представленных в открытых источниках - газетах и сайтах о недвижимости.
Применение дескриптивной статистики позволило провести анализ динамики средней стоимости квадратного метра и динамики средней стоимости квартир в сегментах пятиэтажных и девятиэтажных домов.
Средняя стоимость квадратного метра статистически не различалась только в 1998 г., в начале становления рынка. Все последующие годы стоимость квадратного метра в девятиэтажном доме превышала стоимость квадратного метра в пятиэтажном доме (табл. 1), что также нашло свое отражение в соответствующих эконометрических моделях [1].
Анализ динамики средних цен за квадратный метр позволяет проследить тенденции развития этих сегментов и отметить, что максимум был достигнут в предкризисном 2008 г., затем было проседание цены, но в 2018 г. в сегменте девятиэтажек наметился рост, а сегмент пятиэтажек продолжил свое снижение. Если принять во внимание, что стоимость метра однокомнатных квартир превосходит стоимость метра двухкомнатных и трехкомнатных, то можно заключить, что сегмент пятиэтажек имеет тенденцию к снижению стоимости. Данная тенденция еще более четко прослеживается на динамике средней стоимости квартир (табл. 2).
При этом в секторе высотного (читай - нового) жилья прослеживается слабый, но рост.
Для анализа влияния пространственной составляющей на данные сегменты были рассчитаны средние показатели стоимости квадратного метра для каждого административного района города. С учетом территориального фактора выявились следующие тенденции в средних показателях для пятиэтажных домов (табл. 3).
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 говорит о некоторых различиях тенденций для этих районов.
Таблица 1
Средняя цена квадратного метра в однокомнатных квартирах в пяти- и девятиэтажных домах, тыс. руб.
Этажность Год
1998 1999 2000 2001 2002 2003 2008 2013 2018
Пять 3,1 4,1 4,6 6,4 9,9 11,6 41,2 37,9 38,6
Девять 3,3 4,7 5,3 6,9 10,2 12,5 43,5 40,6 43,0
Таблица 2
Средняя цена однокомнатной квартиры в пяти- и девятиэтажных домах, тыс. руб.
Этажность Год
1998 1999 2000 2001 2002 2003 2008 2013 2018
Пять 59 131 147 203 315 371 1338 1222 1202
Девять 112 153 176 231 345 432 1560 1382 1448
148 Вестник СГСЭУ. 2019. № 1 (75) -♦
Таблица 3
Средняя цена квадратного метра в пятиэтажных домах по районам города, тыс. руб.
Год Район
Фрунзенский Кировский Ленинский Октябрьский Волжский Заводской
1999 5,6 4,5 3,8 4,9 5,1 3,3
2000 5,9 5,2 4,3 5,1 5,8 3,9
2001 7,2 7,0 5,8 7,3 8,3 5,2
2002 13,0 11,6 9,3 11,6 11,7 8,2
2003 14,1 13,1 10,4 13,3 14,3 9,4
2008 48,7 43,4 38,6 47,4 47,8 36,4
2013 44,2 39,4 35,4 43,1 43,9 33,6
2018 46,7 42,9 35,6 47,0 44,8 33,1
Таблица 4
Средняя цена квадратного метра в девятиэтажных домах по районам города, тыс. руб.
Год Район
Фрунзенский Кировский Ленинский Октябрьский Волжский Заводской
1999 5,4 5,0 3,8 5,2 5,3 3,7
2000 5,9 5,9 4,5 6,3 5,8 4,5
2001 8,6 7,6 6,0 7,9 8,0 5,7
2002 11,7 11,6 9,2 11,8 10,9 8,8
2003 14,2 13,9 10,6 14,6 15,2 10,1
2008 51,4 47,9 38,2 53,7 50,1 36,6
2013 42,5 43,7 36,8 46,1 47,4 35,8
2018 54,5 45,9 38,1 50,1 50,7 36,4
Динамика изменения цены квадратного метра для девятиэтажного сегмента представлены в табл. 4.
Тенденции изменения цен по районам в данном сегменте в основном совпадают: заметен слабый рост, но в то же время аномально сильный рост во Фрунзенском районе, практически на 30%. Это еще одна иллюстрация влияния первичного рынка на вторичный.
Анализ представленных данных подтверждает предположение, что не только временной фактор, но и пространственный оказывают влияние на развитие рынка жилой недвижимости. Это необходимо учитывать при прогнозировании развития уже самих районов.
Для расчета прогноза по цене квартиры на вторичном рынке можно применять эконометри-ческие модели. Достаточно эффективным инструментом прогноза себя зарекомендовали классические модели множественной линейной регрессии, которые позволяют построить прогноз, наиболее соответствующий рынку на данном этапе и для данного сегмента. Параметры моделей представлены в табл. 5.
Таблица 5
Используемые параметры моделей
Обозначение Описание
у цена квартиры, тыс. р.
X жилая площадь квартиры, м2
площадь кухни, м2
дополнительная площадь, м2
квартира расположена на первом этаже
■ 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 в м
Х11 кирпичный дом
Х12 имеется лоджия
Х13 индивидуальная планировка
Х14 планировка «студия»
ISSN 1994-5094 149 ♦-♦
Таблица 6
Модели ценообразования для однокомнатных квартир в пятиэтажных домах
Год R2 Модель
1998 0,91 y=349-32,4x10
1999 0,80 y=244+2,9x+3,3x2+1,2x-12,2x5+8,6x_24,3x10
2000 0,72 y=262+2,4x, +6,4x+1,3x+6,6x +10,3x +14,7x 26,4x,
2001 0,75 y=412+3,0x+7,2x+5,9x3-12,4x4-12,0x5 -41,9x10
2002 0,61 y=714+3,4x,+6,8x +4,7x -11,8x +13,5x +25,5x 20,5xln J ' 1 ' 2 ' 3 '5 J 7 J 8 ' 10
2003 0,69 y=760+7,0x, +7,5x+3,0x-12,0x-16,7x+26,5x+12,7x-71,8x, n J 7 1 7 2 7 3 '4 '5 '6 '7 '10
2008 0,68 y=2254+25,7x,+22,8x+11,0x-98,2x-65,7x+233,0x-195,1x,n J '1'2'3'4'5 '6 '10
2013 0,70 y=2438+19,3x1+21,0x.+7,6x3-104,0x4-85,5x_+132,9x,-459,6x9-205,1x1n J ' 1 ' 2 ' 3 ' 4 ' 5 '6 '9 '10
2018 0,58 y=2257+22,7x1+34,1x2+27,7x3-127,4x4-50,2x5+226,4x6-259,9x9-216,1x10
Таблица 7
Модели ценообразования для однокомнатных квартир в девятиэтажных домах
Год R2 Модель
1998 0,76 y=256+1,9x1-22,1x10
1999 0,72 y=209+4,3x,+5,2x+1,9x-10,0x-13,7x+15,6x+6,1x 7,9x 24 +4,8x„+10,3x J 7 1 7 2 7 3 '4 '5 7 6 7 7 7 9 '10 '11 '12
2000 0,82 y=318+4,3x,+4,7x+3,8x,-13,9x-6,8x+21,6x+4,5x-13,2x-24,5x,n 1 2 3 4 5 6 7 8 10
2001 0,76 y=440+3,5x,+5,9x+3,2x-11,0x-19,6x+17,7x-20,3x-42,0x,+6,6x,, J 7 1 7 2 7 3 '4 '5 '6 '9 ' 10 ' 11
2002 0,63 y=593+6,1x,+7,3x+5,1x-16,1x-11,4x+16,7x-29,3x-48,5x,n J 7 1 7 2 7 3 '4 '5 '6 '9 '10
2003 0,72 y=777+10,1x1+5,6x+4,7v21,5x4-17,9x5+23,5x6+18,4v32,6x9-76,9x10+ 24,8x12
2008 0,68 y=2758+26,3x,+54,9x+22,0x-107,2x-80,2x+368,1x-288,6x,+85,0x,, J '1'2'3 7 4 7 5 '6 '10 '11
2013 0,70 y=1892+33,3x1+24,2x,+13,0x,-108,7x4-66,8x5+107,4x,+80,3x7-139,3x_-180,4x1n+42,3x11+89,2x1, J ' 1 ' 2 ' 3 ' 4 ' 5 ' 6 ' 7 '9 '10 '11 '12
2018 0,69 y=2533+31,6x1+64,2x2+27,0x3-120,0x4-216,1x10+40,6x11+157,3x13+ 272,9x14
В табл. 5 представлены статистически значимые показатели, включенные в эконометрические модели. Как правило, в объявлениях содержится гораздо больше информации. С развитием рынка недвижимости и увеличением объема предложений растет число характеристик объектов продаж, которые, по мнению продавцов, должны положительно влиять на цену и/или увеличивать привлекательность соответствующего предложения. Но реально на цену влияет ограниченное число факторов, степень влияния которых может меняться во времени, что нашло свое отражение в соответствующих моделях ценообразования (табл. 6 и 7). 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».
Модели ценообразования, построенные для каждого рассмотренного года для сегмента пятиэтажных домов, представлены в табл. 6.
Рассмотрим полученные результаты. Коэффициент детерминации (Я2), характеризующий качество модели, оказался самым большим в 1998 г. Данная ситуация говорит сама за себя: при неразвитом рынке и дефиците предложения на цену оказывает влияние исключительно удаленность расположения квартиры от центра города. С ростом рынка на цену оказывает влияние все большее число разнообразных характеристик, но качество подгонки моделей при этом не улучшается.
В сегменте девятиэтажных домов наблюдается большее разнообразие в ценообразующих факторах, прослеживается их эволюция во времени. Также можно отметить, что качество подгонки моделей колеблется от года к году, не выказывая явной тенденции. Но в обоих случаях модели, по-
150 ♦-
Вестник СГСЭУ. 2019. № 1 (75) -♦
строенные на сегментах рынка, лучше соответствуют эмпирическим данным (имеют больший коэффициент детерминации), чем соответствующие общие модели, 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 геокодированных показателей [1; 4]. Также для выделения однородных групп объектов можно попытаться использовать пространственную кластеризацию.
По проведенному исследованию можно сделать следующие выводы. Чем в большей степени эко-нометрическая модель соответствует эмпирическим данным, тем более точный прогноз можно построить. Качество подгонки моделей напрямую зависит от однородности анализируемых данных, что встречается крайне редко в силу различных причин. Поэтому прогнозные модели должны в той или иной степени учитывать эту неоднородность. Один из вариантов преодоления неоднородности -выделение тех или иных сегментов. Так, уже разделяются, например, рынки первичного и вторичного жилья. Можно выделить еще сегменты по количеству комнат: однокомнатные и многокомнатные (последний, в свою очередь, можно также 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.
1. Балаш О.С., Харламов А.В. Эконометрическое моделирование пространственных данных (монография). Саратов: Научная книга, 2010.
2. Стебунова О.И. Моделирование стоимости жилья на вторичном рынке жилья // Вестник ОГУ. 2005. № 10. С. 179-182.
3. Стебунова О.И. К вопросу моделирования стоимости жилья на вторичном рынке // Научные школы и результаты в российской статистике: сб. мат. Междунар. науч.-практ. конф. Спб.: Знание, 2006.
4. Харламов А.В., Захаров 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.
5. Харламов А. В. Проблемы массовой оценки кадастровой стоимости недвижимости // Имущественные отношения в Российской Федерации. 2011. № 6 (117). С. 71-77.
6. Харламов А.В. Анализ динамики моделей ценообразования // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: мат. V Междунар. молодежной науч.-практ.конф. Саратов: Научная книга, 2016. С. 113-117.
7. ХарламовА.В., ИвлиевА.Р. Динамика коэффициентов эконометрических моделей // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: мат. VI Междунар. молодежной науч.-практ. конф. Саратов: Научная книга, 2017. С. 93-98.
8. Харламов А.В. Проблемы оценки рыночной стоимости недвижимости // Страхование в эпоху цифровой экономики: проблемы и перспективы: сб. тр. XIX междунар. науч.-практ. конф.: в 2 т. Йошкар-Ола: Изд-во Марийского гос. ун-та 2018. Т. 2.
