CC BY
225
Оригинальная статья / Original article УДК 332.6(571.53)
DOI: 10.21285/2227-2917-2017-3-27-41
МОДЕЛИРОВАНИЕ СТОИМОСТИ КВАРТИР НА РЕГИОНАЛЬНОМ РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ (НА ПРИМЕРЕ ИРКУТСКОЙ ОБЛАСТИ)
© Л.В. Санина3, Н.П. Шерстянкинаь, Д.Н. Берген0, П.М. Дашкевич1^
Байкальский государственный университет, Российская Федерация, 664003, г. Иркутск, ул. Ленина, 11.
Резюме. Цель. Исследование зависимости цены предложения объекта жилой недвижимости по городам Иркутской области от ряда факторов (площадь квартиры; количество комнат; материал, из которого построен дом; этаж, на котором расположен изучаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра города; наличие лифта; состояние квартиры с точки зрения необходимости проведения ремонта; возраст дома; принадлежность к первичному или вторичному рынку недвижимости). Методы. В исследовании рынка жилой недвижимости были выбраны 12 наиболее крупных городов Иркутской области (по численности населения): Иркутск, Братск, Ангарск, Усть-Илимск, Усолье-Сибирское, Черемхово, Шелехов, Усть-Кут, Тулун, Саянск, Нижнеудинск, Тайшет. Основной метод, применяемый для целей исследования, - корреляционно-регрессионный анализ. Построение эконометрических моделей, расчет оценок параметров моделей, значимости найденных оценок и моделей в целом осуществлялось в MS Excel. Результаты. Исследование направлено на формализацию существующих критериев оценки стоимости продаваемых квартир. Построены 12 моделей стоимости квартир по городам и общая модель стоимости квадратного метра в городах Иркутской области. Установлено, что цена кв. метра зависит от численности населения, его прироста/убыли и статуса моногорода, другие факторы не значимы. Выводы. Полученные модели могут быть использованы для составления прогнозов стоимости объектов жилой недвижимости, что может найти отражение при разработке программ социально-экономического развития муниципальных образований и региона в целом, будет востребовано инвесторами, другими контрагентами на рынке жилой недвижимости и физическими лицами при оценке приобретаемых социально-бытовых благ. Продолжение исследований на основе накопления массива информации авторы видят в расширении возможностей моделирования стоимости квартир в зависимости не только от характеристик квартир, но и от характеристик, которые отражают влияние внешних факторов на региональный рынок жилой недвижимости. Ключевые слова: рынок недвижимости, стоимость квартир, объект недвижимости, региональный рынок недвижимости, Иркутская область.
Формат цитирования: Санина Л.В., Шерстянкина Н.П., Берген Д.Н., Дашкевич П.М. Моделирование стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской области) // Известия вузов. Инвестиции. Строительство. Недвижимость. 2017. Т. 7, № 3. С. 27-41. DOI: 10.21285/2227-2917-2017-3-27-41
MODELING OF THE PRICE FOR FLATS AT THE REGIONAL MARKET OF REAL ESTATE (AT THE
EXAMPLE OF IRKUTSK REGION)
© L.V. Sanina, N.P. Sherstyankina, D.N. Bergen, P.M. Dashkevich
Baikal State University,
11 Lenin St., Irkutsk 664003, Russian Federation
Abstract. Purpose. In this work we made the research of dependence of suggested price of the object of real estate around the cities of Irkutsk region on the number of factors (flat area, number of rooms, the floor the investigated object is situated on, kitchen area, type of WC facility, availability of balcony, distance from the city centre, availability of a lift, flat condition from the point of repair works, house age, affiliation with primary or secondary real estate market). Methods. In the investigation of the market of real estate we have chosen 12 largest cities of Irkutsk region (according to population): Irkutsk, Bratsk, Angarsk, Ust-Ilimsk, Usolie-Sibirskoe, Cheremkhovo, Shelekhov, Ust-Kut, Tulun, Saiansk, Nizhneudinsk, Taishet. The main method, used for the purposes of the research is correlational and regressive analyses. Construction of econometric models, calculation of parameter estimation models, importance of the found estimation and models in general was performed in MS Excel. Results and their discussion. The research is directed to the formalization of the existing criteria of cost estimation of sold flats. We constructed 12 models of flat cost according to the cities, and the general model of the cost for one square meter in the cities of Irkutsk region. It is stated that the cost of one square meter depends on the population, increase and decrease of the population and the status of mono cities, other factors are not impor-
tant. Conclusions. The received models can be used to make forecasts for the cost of real estate, what can be reflected during the development of programs of social and economical development of municipal settlements and region in general, will be in demand for investors, other partners at the market of residential market and physical persons during the estimation of the social and household goods that are obtained. The authors see continuation of the research based on the accumulation of information in the widening of possibilities to model flat costs depending not only on the characteristics of flats, but also on the characteristics which reflect the influence of outer factors on the regional market of residential real estate. Keywords: real estate market, flat cost, real estate object, regional real estate market, Irkutsk region
For citation: Sanina L.V., Sherstyankina N.P., Bergen D.N., Dashkevich P.M. Modeling of the price for flats at the regional market of real estate (at the example of Irkutsk region). Izvestiya vuzov. Investitsii. Stroitel'stvo. Nedvizhimost' [Proceedings of Universities. Investment. Construction. Real estate], 2017, vol. 7, no. 3, pp. 27-41. (In Russian) DOI: 10.21285/2227-2917-2017-3-27-41
Введение
В научных трудах многократно отмечено, что рынок жилой недвижимости занимает особое место среди элементов рыночной экономики как системы и имеет важное значение в формировании и функционировании экономических механизмов обеспечения жителей России жильем, что имеет непосредственное отношение к повышению качества жизни народонаселения страны [1, 2-6]. Рынок недвижимости оказывает влияние на рыночные отношения, участвует в экономических процессах, выполняет ценообразую-щую функцию. В стоимости квартир концентрируется информация о насыщенности данного рынка, покупательной способности населения, предпочтениях покупателей, затратах на строительство, социально-экономическом развитии региона и региональной экономической политике. Поэтому, на наш взгляд, анализ факторов, воздействующих на стоимость квартир в конкретном регионе, а также определение стоимости объекта недвижимости в условиях неопределенности рынка, несомненно, актуальны и могут быть отнесены к приоритетным направлениям экономических исследований.
Стоит отметить, что, несмотря на большое количество теоретических и практических результатов, к настоящему времени еще не сформирован единый подход к моде-
лированию ценообразования на уровне региона. Общий вывод исследователей сводится к тому, что в силу наличия резких контрастов в развитии регионов при оценке уровня развития рынка жилья в России необходимо принимать во внимание особенности каждого субъекта федерации в отдельности.
Основой исследования послужили труды отечественных и зарубежных ученых. Подходы к моделированию рынка жилой недвижимости менялись при переходе от плановой экономики к рыночной и далее при развитии рыночных отношений. Теория и методология современной экономики недвижимости исследована в трудах А.Н. Асаула. Особенности формирования и функционирования рынка жилья рассматривались в работах В.В. Бузырева, В.А. Горемыкина, О.В. Грушиной, О.А. Доничева, Н.Б. Косаревой, Н.Н. Ноздриной, В.И. Ресина, Г.В. Хом-калова, Н.Ю. Яськовой. Вопросами методологии анализа, оценки, моделирования и прогнозирования цен на рынке недвижимости занимались такие ученые, как И.Н. Анисимо-ва, Н.П. Баринов, С.В. Грибовский, С.М. Дро-бышевский, М.Б. Ермолаев, Т.С. Заводова,
B.П. Носко, В.И. Ресин, Г.М. Стерник,
C.Р. Хачатрян, Е.П. Ушаков. Проблемам развития региональных рынков недвижимости посвящены работы Е.Г. Анимицы, А.Г. Гранберга, Т.И. Кубасовой, А.С. Марша-
аСанина Людмила Валерьевна, кандидат экономических наук, доцент кафедры налогов и таможенного дела, тел. +7 (3952) 50-00-08, е-mail: [email protected]
Liudmila V. Sanina, candidate of economical sciences, associate professor, Department of Taxes and Customs, tel.: +7 (3952) 50-00-08, е-mail: [email protected]
ьШерстянкина Нина Павловна, кандидат технических наук, доцент кафедры математики и эконометрики, тел.: +7 (3952) 50-00-08, е-mail: [email protected]
Nina P. Sherstyankina, candidate of technical sciences, associate professor, Department of Mathematics and Econometrics, tel.: +7 (3952) 50-00-08, е-mail: [email protected]
'Ъерген Дарья Николаевна, магистрант факультета информатики, учета и сервиса, тел.: +7 (3952) 50-00-08, e-mail: [email protected]
Daria N. Bergen, master student, Faculty of computer science, accounting and service, tel.: +7 (3952) 50-00-08, е-mail: [email protected]
Дашкевич Павел Михайлович, студент факультета информатики, учета и сервиса, тел.: +7 (3952) 50-00-08, e-mail: [email protected]
Pavel M. Dashkevich, student, Faculty of computer science, accounting and service, tel.: +7 (3952) 50-00-08, е-mail: [email protected]
ловой, М.В. Матвеевой, А.С. Новоселова,
B.В. Пешкова, Р.И. Шнипера.
В трудах зарубежных ученых большое внимание уделено исследованиям колебаний цен на рынке недвижимости и вызывающих их причин. Основными методами анализа и прогнозирования ситуации на рынке зарубежной недвижимости являются статистические, которые хорошо показывают себя в стабильных экономических условиях, поскольку рынок недвижимости имеет достаточно большую инерцию. Для стран, которые переживают бурный экономический рост или кризис, статистические модели не могут быть использованы для получения адекватных результатов, на что указывается в работах
C. Brooks, S. Tsolacos [7]. Тем не менее данные ученые широко применяют традиционные инструменты моделирования и прогнозирования (регрессионный анализ, параметрические модели, линейные модели, различные виды скользящих средних и пр.).
S.J. Maisel, J.B. Burnham [8], J.S., A.M. Polinsky, D.T. Ellwood [9], F. De Leeuw [10], G. Fallis [11] приводят описание особенностей использования концепции эластичности при анализе рынка недвижимости и делают выводы о принципиально разном характере эластичности в краткосрочной и долгосрочной перспективах.
В работах J.W. Forrester [11-15] описаны методы имитационного моделирования. Развивают его идеи корейские ученые
D. Cho, S. Ma [16], S.-J. Hwang, M.-S. Park, H.-S. Lee, Y.-S. Yoon [17], их работы по моделированию национального рынка недвижимости отличаются глубокой проработкой и большим количеством учтенных факторов. M. Eskinasi систематизировал основные результаты анализа методов системной динамики в исследовании рынка недвижимости [18].
Рассмотрим некоторые методы, предлагаемые исследователями для моделирования стоимости квартир.
Е.Н. Седова, О.И. Стебунова, С.Т. Ушатова в статье [19] предлагают многоуровневый (иерархический) подход к моделированию стоимости жилой недвижимости на региональном уровне: цена объекта недвижимости формируется одновременно под воздействием характеристик самого объекта (микроуровень - площадь квартиры, наличие балкона, этаж) и характеристик социально-экономического состояния административно-территориального образования, в котором он располагается (мезоуровень - уровень заработной платы, безработицы, расстояние до областного центра). Авторы статьи используют для оценки небольшое число факторов, но интересным является введение в модель показателей мезоуровня. Исследование выполнено на основании данных Оренбургской
области. Встречаются также концепции, которые предполагают большее количество факторов, разделенных на три иерархических уровня: страновой (социальные, экономические, политические факторы), локальный (особенности места расположения объекта, условия продажи, временные) и индивидуальный (архитектурно-строительные и финансово-эксплуатационные особенности). К сожалению, ввиду сложности определения перечисленных факторов применение этого метода ограничено.
В трудах А.Ю. Минца [20] рассматривается использование динамического имитационного моделирования для анализа и прогнозирования ценообразования на рынке жилой недвижимости Украины. Автор работы проводит анализ факторов, действующих на вторичном рынке недвижимости, строит модели причинно-следственных связей между спросом, предложением и ценой, а также между факторами, формирующими финансовые возможности покупателей рынка недвижимости. Далее на их основе строятся динамические имитационные модели ценообразования и проводятся эксперименты, подтверждающие, что наиболее значимым фактором ценообразования на рынке недвижимости являются внешние источники финансирования (банковский кредит).
В.Л. Ясницкий предлагает использование нейросетевого моделирования для массовой оценки жилой недвижимости [21]. Им разработана компьютерная программа, в основе которой лежит нейронная сеть, обученная на результатах свободных информационных ресурсов, содержащих сведения о цене предложения недвижимости. После того, как исключены выбросы, связанные с недостоверностью информации, исследователь обнародовал среднюю относительную погрешность результатов прогнозирования нейронной сети, находящуюся на уровне 1,03 %. С помощью нейросетевой модели он производит оценку значимости входных параметров, выделяя наиболее важные из них, и прогнозирует рыночную стоимость жилой недвижимости в г. Перми.
В.Б. Михайлец [22] описывает применение комбинированного метода (сочетание сравнительного анализа продаж и регрессионных моделей) для оценки объектов недвижимости в г. Москве. Для начала он предлагает ценовые показатели корректировать в зависимости от соотношения характеристик объекта оценки и объекта-аналога, которые несущественно влияют на эти единицы сравнения. Ученый рекомендует использование соответствующих шкал корректировок или известных из опыта закономерностей взаимосвязей единиц ценовых показателей с це-нообразующими факторами. Далее, согласно его методике, с помощью регрессионных мо-
делей проводится согласование результатов корректирования значений единиц сравнения по выбранным объектам-аналогам. Построенные модели связывают ценовые показатели с наиболее значимыми ценообразующими факторами (объемно-массовые показатели, показатели производительности).
А.В. Боброва выявила устойчивые закономерности ценообразования на рынке жилья на основе статистической обработки результатов массовой оценки распределенной ценовой информации и построила модели для уточнения стоимости квадратного метра на вторичном рынке жилья в г. Барнауле [23].
Использование методов когнитивного моделирования для исследования факторов влияния на рынке жилой недвижимости предлагают Е.В. Воронина и Н.В. Береза [24]. Анализируя спрос и предложение на рынке жилья в 20 агломерациях РФ, авторы выделяют закономерности функционирования рынка жилой недвижимости и строят когнитивную модель в виде сетевой модели представления знаний - знаковой когнитивной карты.
Н.В. Концевая в своих исследованиях [25] осуществляет двухэтапное краткосрочное прогнозирование стоимости квадратного метра жилой недвижимости в г. Москве, проводя коррекцию многофакторной модели ценообразования с учетом времени запаздывания реакции модели на динамичность внешних изменений. На первом этапе ученый строит регрессионную модель по макропоказателям; на втором этапе ведет расчет динамики относительной ошибки модели и выявляет те моменты времени, в которых предположения исследователя не сработали, далее определяет пути решения проблем и корректирует модель.
Л.Ф. Розанова, И.А. Лакман, А.Д. Ту-рутина на основе статистических данных строят модели стоимостной оценки для 43 субъектов РФ на период с 2001 по 2013 гг. с использованием аппарата панельного анализа. Данные были собраны в виде сбалансированной панели, где каждый объект имел два уровня принадлежности: первый - кросс-селекционное измерение принадлежности к региону РФ, второй уровень - принадлежность к конкретному периоду времени. Чтобы избежать проблемы получения недостоверных оценок панельных моделей, ученые перед построением моделей по лонгитюдным данным предлагают проводить кластеризацию объектов исследования. Так как эти объекты представлены данными в трех измерениях: объекты, характеристики, время, это не позволяет использовать напрямую классические методы кластерного анализа, поэтому для выявления однородных регионов авторы предложили сначала временные ряды свести к интегральной характеристике, позволяю-
щей дифференцировать регионы во временном разрезе, а затем провели их кластеризацию известными методами. После этого по однородным кластерам построены адекватные панельные модели стоимости объектов недвижимости, позволяющие учитывать особенности развития исследуемых регионов [26].
Для определения стоимости недвижимости в жилищном строительстве чаще всего применяют затратный, доходный, сравнительный подходы. Так как в жилищной сфере проявляются интересы различных экономических субъектов национальной экономики: бизнеса, домохозяйств, государства, то именно с их учетом формируется итоговая стоимость жилой недвижимости. Отметим, что в настоящее время реальный уровень заработной платы широких слоев населения не позволяет говорить о доступности жилья [2, 3, 5, 19, 27-29].
И.В. Бурова, М.В. Паничкина [30] проверяют адекватность применения методов эконометрического анализа для оценки стоимости объектов недвижимости г. Ростова-на-Дону и строят собственные модели стоимости. Исследователи убедительно доказывают, что построенные модели эффективны отдельно для групп по количеству комнат, отражают рыночную стоимость объекта жилой недвижимости в условиях неопределенности, и приходят к выводу, что применение методов эконометрического анализа оправдано для расчета рыночной стоимости объектов недвижимости, если они не имеют значительных искажений в условиях кризиса.
Таким образом, краткий обзор литературы за последние 10 лет по изучаемой проблеме показал, что исследователи применяют для построения моделей и прогнозирования цен на рынке недвижимости различные методы и модели с разной степенью успеха. Стоит отметить, что в научной литературе для изучения рынка недвижимости в основном используются либо традиционные для эконометрии методы и модели - факторные, статистические и т.п., либо синтетический метод, при котором стоимость недвижимости рассматривается как интегральная оценка стоимости различных факторов [1, 19, 25, 31-36].
Изучив методы моделирования, можно выделить сферы их применения. В основном модели применяются:
- для массовой оценки недвижимости [1, 21], что имеет большое значение, поскольку введен в действие федеральный закон от 04.10.2014 г. № 284-ФЗ об изменении налога на имущество физических лиц, предусматривающий расчет налога на имущество на основе кадастровой стоимости имущества;
- для моделирования рынка недвижимости в целом и прогнозирования цен на
объекты недвижимости, в том числе в целях определения перспектив развития рынка конкретной территории (городские округа, муниципальные районы, субъекты РФ и пр.) [25, 35];
- для исследования ценообразующих факторов рынка коммерческой недвижимости [31, 32], что имеет большое значение для перспектив развития субъектов предпринимательства в регионе;
- для управления стоимостью жилой недвижимости [3, 27], при этом наряду с общими тенденциями упрощения проектов и экономии на окружающей среде для снижения конечной стоимости квартиры возникают инновационные контртренды по созданию качественной среды жизнедеятельности;
- для анализа и оценки первичного и вторичного рынка недвижимости [23];
- для оценки объектов недвижимости в условиях неопределенности внешней среды [22, 30].
Цель настоящей работы - провести исследование зависимости стоимости 1 кв. метра квартир в городах Иркутской области от ряда факторов (площадь квартиры; количество комнат; материал, из которого построен дом; этаж, на котором расположен изучаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра города; наличие лифта; состояние квартиры с точки зрения необходимости проведения ремонта; возраст дома; принадлежность к первичному или вторичному рынку недвижимости).
Материал и методы исследования
Методическую основу исследования составили труды отечественных и зарубежных ученых по эконометрике [33, 35, 37-48] и исследования авторов настоящей статьи [31, 32, 49]. Основным методом исследования, результаты которого приведены далее, является корреляционно-регрессионный анализ. Построение эконометрических моделей, расчет оценок параметров моделей, значимости найденных оценок и моделей в целом осуществлялись в MS Excel. Для исследования рынка жилой недвижимости Иркутской области были выбраны 12 наиболее крупных городов (по численности населения): Иркутск (623,7 тыс. чел.), Братск (231,6 тыс. чел.), Ангарск (226,4 тыс. чел.), Усть-Илимск (82,5 тыс. чел.), Усолье-Сибирское (78 тыс. чел.), Че-ремхово (51,2 тыс. чел.), Шелехов (47,4 тыс. чел.), Усть-Кут (42,6 тыс. чел.), Тулун (41,7 тыс. чел.), Саянск (38,9 тыс. чел.), Ниж-неудинск (34 тыс. чел.), Тайшет (33,6 тыс. чел.). В зависимости от численности населения для каждого города был принят свой объем выборки. Исходными данными для построения моделей послужили цены предложения квартир за апрель 2017 года, опубликованные на сайте www.avito.ru. Объ-
явления о продаже жилья должны были содержать максимально полную информацию об объекте недвижимости, чтобы можно было получить сведения по всем факторам, влияющим на ее стоимость. Использованы официальные данные других источников, в том числе территориального органа Федеральной службы государственной статистики по Иркутской области, что подтверждает достоверность исследования.
Результаты исследования и их обсуждение
Общий состав переменных по моделям:
• зависимая: у - цена предложения объекта жилой недвижимости, тыс. руб.;
• независимые:
х1 - площадь, кв. м; х2 - количество комнат. хц -1 - однокомнатная. 0 - другая:
х , *22=1—двухкомнатная, 0 - другая; *23=1 - трехкомнатная, 0- другая; - четырехкомнатная, 0 - другая х3 - материал, из которого по-_ (1, кирпичный ~ ( 0, другой х4 - этаж, на котором располо-изучаемый объект.
не первый и не последний, ■ первый иди последний х5- площадь кухни, кв. м; х6 - вид санузла, раздельный
совмещенный
х7 - балкон (наличие в рассматриваемой квартире). х7 _ Г1« есть-
10,
строен дом. х3 — •
жен
Х6 -
нет
рода, км, «2ГИС»;
x8 - удаленность от центра го-расстояние определялось по
x9
- лифт (наличие в рассмат-
. (1, есть риваемом доме). х9 = | '
нет
новостройка.
Хю —
Хю -
[1,является I 0,нет
х11 - состояние квартиры с точки зрения необходимости проведения ремонта, связанного с заменой окон, сантехники, труб, радиаторов отопления, межкомнатных дверей, выравнивания стен и потолков и т.п. . ремонт не требуется. ремонт требуется
х12 - возраст дома, лет (определялся как 2017 год минус год постройки).
Для некоторых городов состав переменных отличался от приведенного выше в силу локальных особенностей.
Основная гипотеза заключается в том, что стоимость квартиры на вторичном
рынке зависит от 15 перечисленных выше факторов, т.е. для каждого города была построена линейная модель вида
У = Ь0 + Ь1 Х1 + Ь2Х 2 + ... + Ь12 Х12 , определялись наиболее значимые факторы, наименее значимые при этом последовательно исключались. Качество моделей в целом оценивалось с помощью критерия Фишера (проверка гипотезы об отсутствии линейной связи между ценой квартиры и независимыми факторами), коэффициента детерминации R2 (доля объясненной дисперсии) и средней ошибки аппроксимации А (процент отклонения модельных значений от фактических).
Результаты проведенных расчетов по 12 городам области представлены в таблице.
Рассмотрим, какие факторы оказались наиболее значимыми в каждом из рассматриваемых городов ((-статистика значимых переменных по абсолютной величине превышает tкрuт ). Во всех 12 моделях значим фактор х1 - площадь квартиры; фактор х11, состояние квартиры, значим в 11 моделях (кроме г. Саянск); х8, удаленность от
центра города, - в половине моделей (города Иркутск, Черемхово, Усть-Кут, Братск, Усть-Илимск, Нижнеудинск); х12, возраст дома, - в
3 моделях (Иркутск, Черемхово, Тайшет); х9 , наличие лифта, - в 2 моделях (Братск, Усть-Кут); х3, материал дома, - в 1 модели (Усо-
лье-Сибирское); х6, вид санузла, - в 1 модели (Шелехов); и х2 , однокомнатные квартиры, - в 1 модели (Саянск).
Приведем интерпретацию коэффициентов модели. Ь1: если площадь квартиры увеличится на 1 квадратный метр, то ее стоимость повышается в среднем на
Ь1 тыс. рублей. Ь8: удаленность от центра города на 1 км уменьшает цену квартиры в среднем на Ь8 тыс. рублей. Ь11: если квартира имеет хороший ремонт, то ее стоимость будет выше в среднем на Ь11 тыс. рублей. Ь12: если возраст дома увеличивается на 1 год, то цена квартиры повышается на Ь12 тыс. рублей. Ь9: если в доме есть лифт, то стоимость квартиры увеличивается на Ь9 тыс. рублей. Ь3: если дом является кирпичным, то стоимость квартиры уменьшается на Ь3 тыс. рублей. Ь6: если в квартире санузел раздельный, то ее стоимость увеличится в среднем на Ь6 тыс. рублей. Ь2 : одно-
комнатная квартира в среднем стоит дешевле на Ь2 тыс. рублей.
Все модели значимы по критерию Фишера (> Ркрит), имеют высокий коэффициент детерминации R2, показывающий, на сколько процентов вариация стоимости квартиры объясняется вариацией значимых факторов, среднюю ошибку аппроксимации А , не превышающую допустимые 15 %.
Значения коэффициента Ь1 представлены на рис. 1, в котором видно, что наиболее высокая средняя стоимость квадратного метра жилья наблюдается в г. Иркутске, а наиболее низкая - г. Саянске.
Значения коэффициента Ь11 представлены на рис. 2. Видно, что наилучшее состояние квартир (когда ремонт не требуется) наблюдается в городах Иркутске и Усть-Куте, а наихудшее - в Усть-Илимске и Братске.
На рис. 3 представлены доли значимых (учтенных в модели) факторов, а также исключенных и неучтенных в целом.
К неучтенным факторам можно отнести такие, как инфраструктура микрорайона, удаленность от остановок общественного транспорта, наличие зон отдыха и парковоч-ных мест, вид из окна, высота потолков, обременение, продажа с мебелью, бытовой техникой или без, подходит объект продажи под ипотеку или материнский капитал или нет, находится в ипотеке или нет и т.д. Наибольшую долю значимые факторы занимают в Иркутске и Усть-Илимске (88 %), исключенные - в Нижнеудинске, Тайшете и Усть-Куте (9 %), неучтенные - в Черемхово и Шелехове (15 %). Наименьшую долю значимые факторы имеют в Усть-Куте (78 %), исключенные -в Иркутске (2 %), неучтенные - в Усть-Илимске (7 %).
На рис. 4 представлены доли значимых факторов в структуре коэффициента детерминации R2.
Фактор х1 - площадь квартиры - во всех 12 моделях имеет наибольшую долю среди всех значимых факторов: от 57 % (Са-янск) до 94 % (Ангарск). Доля фактора х11 -состояние квартиры - в 11 городах колеблется от 3 % (Усть-Илимск) до 23 % (Усть-Кут). Доля фактора х8 - удаленность от центра
города - в 6 городах наблюдается в диапозо-не от 1,3 % (Черемхово) до 12 % (Усть-Илимск). Доли остальных значимых факторов колеблются от 1 % (Иркутск, Черемхово -возраст дома) до 43 % (Саянск - однокомнатные квартиры).
со со со со
ю ю
сл ю
о ю
о -ч
-1 IO
СЛ (О ^ .
X
II
— D
з -S
(Б
Модели стоимости квартир в городах Иркутской области Model the cost of apartments in the cities of Irkutsk region
Таблица 1 Table 1
Город Число наблюдений Значимые факторы (расшифровка) Модель Оценка качества модели Группа
F крит R2,% А, %
Иркутск 120 х, - площадь квартиры; х8 -удаленность от центра: хп -состояние квартиры; хп -возраст дома у =382,58 + 48,508^-64,708xs + 354,222хи +4,1*, =2,79) (27,586) (-8,38) (4,97) (2,22) /^„#1,98 212 2,45 88,08 10,5 1
Черемхово 60 у = -95,773 + 22,J99х, - 38,174 xs + 227,863 хи + 4,284х12 -0,84) (13,19) (3,0) (4,48) (2,7) tmim = 2,0 55,6 2,54 80,16 10,9
Братск 80 х,; х8 ;х9 - наличие лифта в доме; х1; у -132,98 + 29,308х, - 5,592хй + 290,669 х9 + 255,407 хи =-1.43) (19.32) (-3,12) (5,05) (4,48) ^,„ = 1,99 134 2,49 87,72 12,5 2
Усть-Кут 40 у = 5 30,774 +22.414х - 28,56 Ц + 294,103А;, + 351,408v =3,66) (7,84) (2,28) (2,73) (3,79) ^„=2,03 32,1 2,63 78,12 9,73
Нижне-удинск Х| , х8, Хп у = -245,986 + 34,677 - 50.922 xs + 222.409 v„ (thj =а—1,48) (11,61) (-2,73) (2,86) t^ = 2,03 55,6 2,87 82,34 13,6 3
Усть-Илимск 60 v = 112,432 + 25,112 x, — 18,899 xs +155,496xH (th] =1,15) (17,06) (-4,34) (3.11) tKpun, = 2,00 143 2,77 88,55 10,9
Ангарск 80 х,;хп v = 40,606 +37,712x, +317,480xn (^=0,34) (19,39) (4,26) W=1,99 202 3,12 84,00 10,7 4
Тулун 40 у = -161,426+ 24,274x, + 258,67% (i,3 =-1,64) (13,02.) (4,00) t^ =2,03 105 3,25 85,00 14,1
Тайшет у = 857,507 + 23,556л, + 246,20lxn -13,966.% (Ц = 3,65) (9,76) (3,3) (-3,78) tKpm„ = 2,03 50,4 2,87 80,76 10,9 5
Усолье-Сибирское 60 х,; Хц ; ,х3 — материал дома у = -194,063 + 28,815х, -254,638х3 + 298,337хп (^=-1,89) (15,82) (-3,97) (4,84) %„,„ - 2.0 89,4 2,77 82,72 15,1 6
Шелехов 40 х,; х(|; х6 - вид санузла >■ = 123,692 + 27,393 х, + 360,066 х6 + 269,293 хи =0,75) (8,46) (3,42) (2,49) /(у)„м=2,03 49,3 2,87 80,42 10,5 7
Саянск х,; х2] ~ однокомнатная квартира у = 899,129 + 13,069л-, - 502,835х2 (^=5,43) (5,49) (-4,34) = 2,03 37,1 4,07 93,3 6,5 8
§ I
(D 2
15
CO s
V) a
О 00 -"><
С ы
= s
¡2. m
s я
ж °
и 4 _ s = с < S
a> s и ■
IS
<B "U r* s
О s
о S
= Ö-
й. О
" ä
c 2
о о
I—* ■
о' I
2 (Б ■ to 73 03 a> s
Si. X a» i
Й.« О о
о
OJ GJ
Ю Ю
о о
-J -ч
Рис. 1. Значения коэффициента b1 по городам области Fig. 1. Meanings of index b1 in the cities of the region
Рис. 2. Значения коэффициента b11 по городам области Fig. 2. Meanings of index b11 in the cities of the region
Рис. 3. Структура значимых, исключенных и неучтенных в моделях факторов по городам
Иркутской области
Fig. 3. Structure of significant, eliminate and unaccounted in the models of factors in the cities of
Irkutsk region
50 55 60 65 70 75 80 85 90 95 100
¡Площадь □ Удаленность от центра □ Состояние квартиры □ Другие факторы
Рис. 4. Структура коэффициента детерминации R2 Fig. 4. Structure of determination index R
По 12 рассматриваемым городам Иркутской области была построена общая модель зависимости стоимости квадратного метра жилья (у , тыс. руб.) от 17 факторов:
2
х1 - площадь города, км ; х2 - численность населения, тыс. чел.; х3 - прирост/убыль населения, %; х4 - возраст города, лет; х5 -наличие вузов и/или филиалов вузов (1 - да, 0 - нет); х 6 - средний возраст домов, лет;
х7 - статус моногорода (1 - да, 0 - нет); х8 -наличие железнодорожной станции (1 - да, 0 - нет); х 9 - уровень безработицы, %; х10 -средняя заработная плата за 2016 г., тыс. руб.; х11 - удаленность города от обла-
стного центра по автомобильной дороге, км; х12 - принадлежность города к северным территориям (1 - да, 0 - нет); х13 - общая площадь жилых помещений, приходящаяся в среднем на одного жителя; х14 - процент родившихся на 1000 чел. населения; х15 - коэффициент миграционного прироста; х16 -процент ввода нового жилья по отношению к имеющемуся жилому фонду; х17 - коэффициент ввода нового жилья по отношению к предыдущему году.
Наиболее значимыми из 17 перечисленных факторов оказались х2, х3, х7:
y
33,910 + 0,030x2 +10,986x3 - 5,294x7
(tb = 20,797) (5,668) (6,057) (-3,071)
t = 2,31 .
крит '
Полученная модель по критерию Фишера является пригодной (F0 = 37,11,
Fкрит = 4,07, R2 = 93,3 %, средняя ошибка
аппроксимации А = 6,5 %).
Коэффициенты модели показывают следующее. Ь2 = 0,030 тыс. руб.: если население города увеличится на 1 тысячу человек, то стоимость квадратного метра жилья увеличится в среднем на 30 рублей. Ь3 =
10,986 тыс. руб.: если численность населения вырастет на 1 %, то цена за квадратный метра жилья вырастет в среднем на 10 986 рублей. Ь7 = -5,294 тыс. руб.: если город имеет
статус моногорода, то стоимость квадратного метра жилья будет ниже в среднем на 5 294 рубля.
Коэффициент частной эластичности, рассчитанный для численности населения, показывает, что стоимость квадратного метра
жилья повысится в среднем на 0,12 %, если численность населения увеличится на 1 %.
В 2017 г. вариация стоимости квартиры на 93,3 % объясняется вариацией численности населения, коэффициента прироста/убыли населения, статуса моногорода, при этом оставшиеся 0,47 % приходятся на неучтенные в модели факторы, 6,23 % - на 9 исключенных факторов. Максимальное влияние на цену квадратного метра жилья оказывает численность населения (46,13 %), коэффициент прироста/убыли населения (35,16 %) и статус моногорода (18,71 %).
Выводы
На основании проведенного исследования можно сделать следующие выводы:
1. Рынок жилой недвижимости является сложной социально-экономической системой, поэтому для его моделирования возможно использование различных методов. При этом стоит отметить, что наибольшее распространение получили
традиционные для эконометрии методы и модели. Применение методов
эконометрического анализа эффективно при определении цены предложения объектов жилой недвижимости, не имеющих значительных искажений в условиях кризиса или бурно развивающегося рынка.
2. Моделирование стоимости объектов недвижимости применяется: для массовой оценки недвижимости; моделирования рынка недвижимости в целом и прогнозирования цен на объекты недвижимости; исследования ценообразующих факторов рынка коммерческой недвижимости; управления стоимостью жилой недвижимости; анализа и оценки первичного и вторичного рынков недвижимости; оценки объектов недвижимости в условиях неопределенности рынка.
3. Построенные в процессе выполнения данной работы модели зависимости цены предложения объектов жилой недвижимости от перечисленных факторов описывают текущее состояние рынка квартир в 12 городах Иркутской области. Модели прогноза цены квартиры в зависимости от ее параметров обладают хорошими статистическими характеристиками и могут использоваться в прогнозных оценках стоимости жилья. Недостатком построенных моделей является неабсолютная точность прогноза, что может быть объяснено завышением стоимости квартиры продавцом при расчете на возможный торг и другими неточными сведениями в публикуемых объявлениях. Таким образом, общая модель зависимости стоимости квадратного метра жилья по 12 городам Иркутской области соответствует реальным данным и позволяет выполнить прогнозные расчеты стоимости квартир при разных исходных переменных. Для этого нужно выбрать параметры интересующей квартиры (площадь квартиры; количество комнат; материал, из которого построен дом; этаж, на котором расположен изучаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра города; наличие лифта; состояние квартиры с точки зрения необходимости проведения ремонта; возраст дома; принадлежность к первичному или вторичному рынку недвижимости) и подставить их в уравнение, но стоит отметить, что модели отражают среднюю стоимость квартир со схожими параметрами.
4. Проведение сравнительного анализа оценок коэффициентов полученных
уравнений регрессии позволяет сделать следующие выводы: несмотря на кажущееся разнообразие ценообразующих факторов, исследование показывает, что главными факторами, определяющими стоимость квартир, являются их площадь, состояние ремонта и удаленность от центра города. Причем чем меньше и компактнее город, благоприятнее расположение относительно реки и железной дороги (в Нижнеудинске, например, переезд через железнодорожные пути удлиняет расстояние до центра почти в 2 раза, а в Братске расстояние микрорайонов до центра города достигает 40 км), а также чем меньше транспортных заторов, тем менее важен фактор удаленности от центра города. Анализ коэффициентов показал, что квартиры в областном центре относительно жилья в крупных городах области являются самыми дорогими на рынке жилой недвижимости. Рядом расположенный г. Ангарск занимает второе место по стоимости жилья, при этом в самом близком к Иркутску городе Шелехове (7 км между границами) доступные цены на квартиры, в том числе в новостройках, которых в данном городе множество. Этим Шелехов оказывается привлекательным для иркутян и жителей области, работающих в областном центре. Общая модель показала, что средняя стоимость квадратного метра жилья напрямую зависит от размера города.
5. Результаты моделирования, проведенного авторами статьи, могут быть использованы для составления прогнозов цены предложения объектов жилой недвижимости, что может найти применение при разработке программ социально-экономического развития муниципальных образований и региона в целом, будет востребовано инвесторами, другими контрагентами на рынке жилой недвижимости и физическими лицами при оценке приобретаемых социально-бытовых благ. Также при постановке подобных задач с использованием предлагаемого подхода к их решению возможна наглядная демонстрация возможностей эконометрики в образовательном процессе.
6. Предполагаемое направление дальнейших исследований на основе накопления массива информации авторы видят в области расширения возможностей моделирования стоимости квартир в зависимости не только от характеристик квартир, но и от характеристик, которые отражают влияние внешних факторов на региональный рынок жилой недвижимости.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бедин Б.М., Кошман В.Н., Хомка-лов Г.В. Массовая оценка рыночной стоимости жилой недвижимости в многофункциональном городе: теория и практика. Иркутск: Изд-во БГУЭП, 2006. 124 с.
2. Бузырев В.В., Селютина Л.Г. Жилищная проблема и пути ее решения в современных условиях. СПб.: Изд-во СПбГУ, 2013. 335 с.
3. Матвеева М.В. Система стимулов и ограничений в развитии инвестиционно-строительной деятельности в жилищном строительстве // Вестник Иркутского государственного технического университета. 2013. № 6 (77). С. 207-214.
4. Пешков В.В. Особенности формирования договорных цен в жилищном строительстве // Вестник Иркутского государственного технического университета. 2006. № 3 (27). С. 171-175.
5. Хомкалов Г.В., Грушина О.В. Проблемы доступности жилья в контексте современных направлений развития методологии экономической науки [Электронный ресурс] // Baikal Research Journal. 2011. № 5. С. 29. URL: http://eizvestia.isea.ru/reader/article.aspx? id=9698 (16.03.2017).
6. Barnes Y. What Price The World? [Электронный ресурс] // Savills. 2016. 28 January. URL: http://www.savills.co.uk/research_ articles/188297/198669-0/ (21.03.2017).
7. Brooks C., Tsolacos S. Real Estate Modelling and Forecasting. New York: Cambridge University Press, 2010. 453 p. DOI: 10.1017/cbo9780511814235
8. Maisel S.J., Burnham J.B., Austin J.S. The demand for housing // Review of Economics and Statistics. 1971. № 53. P. 410-413.
9. Polinsky A.M., Ellwood D.T. An empirical reconciliation of micro and group estimates of the demand for housing // Review of Economics and Statistics. 1979. № 61. P. 199205.
10. De Leeuw F. The demand for housing. A review of the crosssectional evidence // Review of Economics and Statistics. 1971. № 53 (1). P. 1-10.
11. Fallis G. Housing Economics. Toronto: Butterworth, 1985. 250 p. DOI: 10.1016/c2013-0-06307-4
12. Forrester J.W. Dynamic Models of Economic Systems and Industrial Organizations // System Dynamics Review. 2003. Vol. 19, № 4. P. 331-345. DOI: 10.1002/sdr.284
13. Forrester J.W. Industrial Dynamics -After the first decade // Management Science. 1968. Vol. 14, № 7. P. 398-415.
14. Forrester J.W. Industrial Dynamics: A major breakthrough for decision makers // Harvard Business Review. 1958. № 36 (4). P. 37-66.
ISSN 2227-2917 (print) ISSN 2500-154X (online)
15. Forrester J.W. Urban Dynamics. Cambridge, Massachusetts: MIT Press, 1969. 299 p.
16. Cho D., Ma S. Dynamic Relationship between Housing Value and Interest Rates in the Korean Housing Market // The Journal of Real Estate Finance and Economics. 2006. Vol. 32, № 2. P. 169-184. DOI: 10.1007/s11146-006-6013-6
17. Hwang S.-J., Park M.-S., Lee H.-S., Yoon Y.-S. Analysis of the Korean Real Estate Market and Boosting Policies Focusing on Mortgage Loans: Using System Dynamics // Korean Journal of Construction Engineering and Management. 2010. Vol. 11, № 1. P. 101-112. DOI: 10.6106/kjcem.2010.11.1.101
18. Eskinasi M. Towards housing system dynamics: Projects on embedding system dynamics in housing policy research. Amsterdam: Eburon Academic Publishers, 2014. 165 p.
19. Седова Е.Н., Стебунова О.И., Ушатова С.Т. Эконометрическое моделирование стоимости жилой недвижимости на региональном уровне: иерархический подход // Интеллект. Инновации. Инвестиции. 2016. № 4. С. 51-56.
20. Mints A.U. Modeling of the pricing process in the housing market by the methods of system dynamics // Technology audit and production reserves. 2016. Т. 5, № 4 (31). P. 39-45.
21. Ясницкий В.Л. Нейросетевое моделирование в задаче массовой оценки жилой недвижимости города Перми // Фундаментальные исследования. 2015. № 10-3. С.650-653.
22. Михайлец В.Б. Практика использования нелинейных регрессионных моделей в оценке // Имущественные отношения в Российской Федерации. 2010. № 7. С. 54-75.
23. Боброва А.В. Эконометрическое моделирование стоимости квартир на вторичном рынке жилой недвижимости // Вестник Алтайского государственного педагогического университета. 2011. № 6. С. 36-40.
24. Воронина Е.В., Береза Н.В. Исследование факторов влияния на рынке жилой недвижимости с помощью методов когнитивного моделирования // Современные тенденции развития науки и образования: мат-лы Междунар. науч.-практ. конф. Прага: Науч.-изд. центр «Мир науки», 2016. С. 252-259.
25. Концевая Н.В. О моделировании рынка недвижимости и возможности прогнозирования цены квадрата // Статистика и экономика. 2016. № 4. С. 31-34.
26. Розанова Л.Ф., Лакман И.А., Туру-тина А.Д. Разведочный анализ и подготовка данных для моделирования стоимости объектов жилой недвижимости на региональных
рынках // Информационные технологии и системы: труды 5-й Междунар. науч. конф., г. Банное, 24-28 февр. 2016 г. Челябинск: Изд-во ЧелГУ, 2016. С.277-282.
27. Егоров А.Н., Матвеева Н.П., Наг-манова А.Н. Управление стоимостью жилой недвижимости // Экономика и управление. 2011. № 4 (66). С. 44-49.
28. Grushina O.V., Khomkalov G.V. The housing problem in the light of market imperfections theory // Journal of Applied Economic Sciences. 2016. Т.11, № 3. P. 501-511.
29. Smirnov E.B., Ershova S.A. New paradigm of integrated housing development in the metropolitan area (based on the example of St. Petersburg) // Applied Mechanics and Materials. 2015. Vol. 725-726. P. 1002-1006.
30. Бурова И.В., Паничкина М.В. Применение методов эконометрического анализа для оценки объектов недвижимости в условиях неопределенности рынка // Международный журнал прикладных и фундаментальных исследований. 2016. № 10-3. С. 458-462.
31. Белых Т.И., Бурдуковская А.В., Шерстянкина Н.П. Исследование ценообразования на городском рынке коммерческой недвижимости с использованием экономет-рических методов // Известия Иркутской государственной экономической академии. 2016. Т. 26, № 2. С. 312-321. DOI: 10.17150/1993-3541.2016.26(2).312-321
32. Гусак А.С., Шерстянкина Н.П. Исследование ценообразующих факторов на рынке аренды коммерческой недвижимости // Вестник Университета (Государственный университет управления). 2013. № 5. С.123-126.
33. Озеров Е.С. Экономический анализ и оценка недвижимости. СПб.: МКС, 2007. 536 с.
34. Сидоренко О.А. Основные направления экономико-математического моделирования рынка жилой недвижимости // Статистика и экономика. 2013. № 3. С.153-158.
35. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009. 606 с.
36. Sternik G.M., Sternik S.G. Evaluation of the Mid-Market Investment Returns in
Real Estate Development When Forecasting the Housing Market // Studies on Russian Economic Development. 2017. Vol. 28, № 2. P. 204-212.
37. Bourbonnais R. Econometrie: manuel et exercices corriges. 4th ed. Paris: Dunod, 2002. 317 p.
38. Davidson R., MacKinnon J.G. Econometric Theory and Methods. Oxford: Oxford University Press, 2004. 750 p.
39. Gourieroux C., Monfort A. Statistique et Modeles Econometriques V. 1. Notions generales, Estimation, Previsions, Algorithmes. 2nd ed. Paris: Economica, 1996. 480 p.
40. Greene W.H. Econometric Analysis. 4th ed. New Jersy: Prentice Hall Intenational Inc., 2000. 1004 p.
41. Gujarati D.N. Basic Econometrics. 4th ed. Boston: McGraw Hill, 2003. 1002 p.
42. Johonston J., DiNardo J. Econometric Methods. 4th ed. New York: The McGraw Hill Companies, 1997. 530 p.
43. Lange O. Introduction to Econometrics / prepared with the collaboration of Antoni Banasinski on the basis of lectures delivered at the University of Warsaw. 4th ed. Warszawa: PW N-Polish scientific publishers, 1978. 433 p.
44. Mills T.C. The Econometric Modelling of Financial Time Series. 2nd ed. Cambridge: Cambridge University Press, 1999. 372 p.
45. Mittelhammer R.C., Judge G.G., Mil-er D.J. Econometric Foundations. Сambridge: Cambridge University Press, 2000. 756 p.
46. Mouchot C. Statistique et Econometrie. Paris: Economica, 1983. 166 p.
47. Ramanathan R. Introductory Econometrics with Applications. 5th ed. Mason: South-Western: Thomson Leaning, 2002. 688 p.
48. Uctum R. Theorie et econometrie du desequilibre en economie. Paris: Economica, 1995. 228 p.
49. Шерстянкина Н.П., Берген Д.Н. Анализ ценообразующих факторов на рынке жилой недвижимости города Иркутска // Современное состояние и перспективы развития бухгалтерского учета, экономического анализа и аудита: мат-лы Междунар. науч.-практ. конф / под науч. ред. Е.М. Сорокиной. Иркутск: Изд-во БГУЭП, 2015. С. 131-138.
REFERENCES
1. Bedin B.M., Koshman V.N., Khomkalov G.V. Massovaya otsenka rynochnoi stoimosti zhiloi nedvizhimosti v mnogofunktsional'nom gorode: teoriya i praktika [Mass assessment of the market value of real estate in a multifunctional city: theory and practice]. Irkutsk, Baikal State University of Economics and Law Publ., 2006. 124 p.
2. Buzyrev V.V., Selyutina L.G. Zhil-ishhnaja problema i puti ee reshenija v sovre-mennyh uslovijah [Housing problem and the ways to solve it in modern conditions]. Saint Petersburg State University Publ., 2013. 335 p.
3. Matveeva M.V. System of incentives and limitations in developing investment and construction activities in residential housing. Vestnik Irkutskogo gosudarstvennogo tekhnich-
eskogo universiteta [Proceedings of Irkutsk State Technical University], 2013, no. 6 (77), pp. 207-214. (In Russian)
4. Peshkov V.V. Peculiarities to create agreement prices in the housing development. Vestnik Irkutskogo gosudarstvennogo tekhnich-eskogo universiteta [Proceedings of Irkutsk State Technical University], 2006, vol. 3 (27), pp. 171-175. (In Russian)
5. Khomkalov G.V., Grushina O.V. Problems of housing availability in the context of the contemporary developments in economic science methodology. Baikal Research Journal, 2011, no. 5. (In Russian) Available at: http://eizvestia.isea.ru/reader/article.aspx?id=96 98 (accessed 16.03.2017).
6. Barnes Y. What Price The World? Savills, January, 28, 2016. Available at: http://www.savills.co.uk/research_articles/18829 7/198669-0/ (accessed 21.03.2017).
7. Brooks C., Tsolacos S. Real Estate Modelling And Forecasting. New York, Cambridge University Press, 2010. 453 p. DOI: 10.1017/cbo9780511814235
8. Maisel S.J., Burnham J.B., Austin J.S. The demand for housing. Review of Economics and Statistics, 1971, no. 53, pp. 410-413.
9. Polinsky A.M., Ellwood D.T. An empirical reconciliation of micro and group estimates of the demand for housing. Review of Economics and Statistics, 1979, no. 61, pp. 199-205.
10.De Leeuw F. The demand for housing. A review of the crosssectional evidence. Review of Economics and Statistics, 1971, no. 53 (1), pp. 1-10.
11.Fallis G. Housing Economics. Toronto, Butterworth, 1985. 250 p. DOI: 10.1016/c2013-0-06307-4
12.Forrester J.W. Dynamic Models of Economic Systems and Industrial Organizations. System Dynamics Review, 2003, vol. 19, no. 4, pp. 331-345. DOI: 10.1002/sdr.284
13.Forrester J.W. Industrial Dynamics -After the first decade. Management Science, 1968, vol. 14, no. 7, pp. 398-415.
14.Forrester J.W. Industrial Dynamics: A major breakthrough for decision makers. Harvard Business Review, 1958, no. 36 (4), pp. 3766.
15.Forrester J.W. Urban Dynamics. Cambridge, Massachusetts, MIT Press, 1969. 299 p.
16.Cho D., Ma S. Dynamic Relationship between Housing Value and Interest Rates in the Korean Housing Market. The Journal of Real Estate Finance and Economics, 2006, vol. 32, no. 2, pp. 169-184. DOI: 10.1007/s11146-006-6013-6
17. Hwang S.-J., Park M.-S., Lee H.-S., Yoon Y.-S. Analysis of the Korean Real Estate Market and Boosting Policies Focusing on Mort-
gage Loans: Using System Dynamics. Korean Journal of Construction Engineering and Management, 2010, vol. 11, no. 1, pp. 101-112. DOI: 10.6106/kjcem.2010.11.1.101
18. Eskinasi M. Towards housing system dynamics: Projects on embedding system dynamics in housing policy research. Amsterdam, Eburon Academic Publishers, 2014. 165 p.
19. Sedova E.N., Stebunova O.I., Usha-tova S.T. Econometric modeling of value of residential property at the regional level: a hierarchical approach. Intellekt. Innovatsii. Investitsii [Intelligence. Innovation. Investment], 2016, no. 4, pp. 51-56. (In Russian)
20. Mints A.Yu. Modeling pricing in the residential real estate market the methods of system dynamics. Tekhnologicheskii audit i rez-ervy proizvodstva [Technology audit and production reserves], 2016, vol. 5, no. 4 (31), pp. 3945. (In Russian)
21. Yasnitskii V.L. Using a neural network to solve the problem of mass real estate appraisal of city perm. Fundamental'nye issledo-vaniya [Fundamental research], 2015, no. 10-3, pp. 650-653. (In Russian)
22. Mikhailets V.B. The practice of using non-linear regression models in the evaluation. Imushchestvennye otnosheniya v Rossiiskoi Federatsii [Property relations in the Russian Federation], 2010, no. 7, pp. 54-75. (In Russian)
23. Bobrova A.V. Econometric modelling of the cost of apartments in the secondary housing market. Vestnik Altaiskogo gosudarstven-nogo pedagogicheskogo universiteta [Bulletin of the Altai State Pedagogical University], 2011, no. 6, pp. 36-40. (In Russian)
24. Voronina E.V., Bereza N.V. Issledo-vanie faktorov vliyaniya na rynke zhiloi nedviz-himosti s pomoshch'yu metodov kognitivnogo modelirovaniya [A study of factors influencing the real estate market with the help of cognitive modeling techniques]. Sovremennye tendentsii razvitiya nauki i obrazovaniya. Materialy mezhdunarodnoi nauchno-prakticheskoi konfer-entsii [Modern trends in the development of science and education. Materials of international scientific-practical conference]. Praga, Mir nauki Publ., 2016, pp. 252-259. (In Russian)
25. Kontsevaya N.V. Modeling real estate market: forecasting the price of a square. Statistika i Ekonomika [Statistics and Economics], 2016, no. 4, pp. 31-34. (In Russian)
26. Rozanova L.F., Lakman I.A., Turu-tina A.D. Exploratory analysis and data preparation to model the cost of objects of housing real estate at the regional markets. Informatsionnye tekhnologii i sistemy. Trudy 5 mezhdunarodnoi nauchnoi konferentsii "Informatsionnye tekhnologii i sistemy", g. Bannoe, 24-28 fevralya 2016 g. [Informational technologies and systems: works of the 5th International scientific conference, the city of Bannoe, February 24-28, 2016]. Chely-
abinsk State University Publ., 2016, pp. 277-282. (In Russian)
27. Egorov A.N., Matveeva N.P., Nag-manova A.N. Residential real estate price management. Ekonomika i upravlenie [Economics and management], 2011, no. 4 (66), pp. 44-49. (In Russian)
28. Grushina O.V., Khomkalov G.V. The housing problem in the light of market imperfections theory. Journal of Applied Economic Sciences, 2016, vol. 11, no. 3, pp. 501-511.
29. Smirnov E.B., Ershova S.A. New paradigm of integrated housing development in the metropolitan area (based on the example of St. Petersburg). Applied Mechanics and Materials, 2015, vol. 725-726, pp. 1002-1006.
30. Burova I.V., Panichkina M.V. The use of methods of econometric analysis for the valuation of real estate in conditions of market uncertainty. Mezhdunarodnyi zhurnal priklad-nykh i fundamental'nykh issledovanii [International journal of applied and fundamental research], 2016, no. 10-3, pp. 458-462. (In Russian)
31. Belych T.I., Burdukovskaya A.V., Sherstyankina N.P. Pricing research in the urban commercial real estate market by means of econometric methods. Izvestiya Irkutskoi gosu-darstvennoi ekonomicheskoi akademii [Bulletin of Irkutsk State Economics Academy], 2016, vol. 26, no. 2, pp. 312-321. DOI: 10.17150/1993-3541.2016.26(2).312-321 (In Russian)
32. Gusak A.S., Sherstyankina N.P. Investigation of price factors at the rent market of commercial real estate. Vestnik Universiteta (Go-sudarstvennyi universitet upravleniya) [News of University (State university of management)], 2013, no. 5, pp. 123-126. (In Russian)
33. Ozerov E.S. Ekonomicheskii analiz i otsenka nedvizhimosti [Economic analysis and real estate valuation]. Saint Petersburg, MKS Publ., 2007. 536 p.
34. Sidorenko O.A. The main directions of economic and mathematical modeling of the real estate market. Statistika i ekonomika [Statistics and Economics], 2013, no. 3, pp. 153-158. (In Russian)
35. Sternik G.M., Sternik S.G. Analiz rynka nedvizhimosti dlya professionalov [Property market analysis for professionals]. Moscow, Ekonomika Publ., 2009. 606 p.
Критерии авторства
Санина Л.В., Шерстянкина Н.П., Берген Д.Н., Дашкевич М.П. имеют равные авторские права и в равной мере несут ответственность за плагиат.
36. Sternik G.M., Sternik S.G. Evaluation of the Mid-Market Investment Returns in Real Estate Development When Forecasting the Housing Market. Studies on Russian Economic Development, 2017, vol. 28, no. 2, pp. 204-212.
37. Bourbonnais R. Econometrie: manuel et exercices corriges. 4th ed. Paris, Dunod Publ., 2002. 317 p.
38. Davidson R., MacKinnon J.G. Econometric Theory and Methods. Oxford University Press, 2004. 750 p.
39. Gourieroux C., Monfort A. Statistique et Modeles Econometriques. Vol. 1. Notions generales, Estimation, Previsions, Algorithmes. 2nd ed. Paris, Economica Publ., 1996. 480 p.
40. Greene W.H. Econometric Analysis. 4th ed. New Jersy, Prentice Hall Intena-tional, Inc., 2000. 1004 p.
41. Gujarati D.N. Basic Econometrics. 4th ed. Boston, McGraw Hill, 2003. 1002 p.
42. Johonston J., DiNardo J. Econometric Methods. 4th ed. New York, The McGraw Hill Companies, 1997. 530 p.
43. Lange O. Introduction to Econometrics. 4th ed. Warszawa, PW N-Polish scientific publishers, 1978. 433 p.
44. Mills T.C. The Econometric Modelling of Financial Time Series. 2nd ed. Cambridge University Press, 1999. 372 p.
45. Mittelhammer R.C., Judge G.G., Miler D.J. Econometric Foundations. Cambridge University Press, 2000. 756 p.
46. Mouchot C. Statistique et Econometrie. Paris, Economica Publ., 1983. 166 p.
47. Ramanathan R. Introductory Econometrics with Applications. 5th ed. Mason, South-Western, Thomson Leaning, 2002. 688 p.
48. Uctum R. Theorie et econometrie du desequilibre en economie. Paris, Economica Publ., 1995. 228 p.
49. Sherstyankina N.P., Bergen D.N. Analiz tsenoobrazuyushchikh faktorov na rynke zhiloi nedvizhimosti goroda Irkutska [Analysis of pricing factors in the Irkutsk real estate market]. Sovremennoe sostoyanie i perspektivy razvitiya bukhgalterskogo ucheta, ekonomicheskogo analiza i audita. Materialy mezhdunarodnoi nauch-no-prakticheskoi konferentsii [Modern condition and perspectives of development of accounting, economic analyses and audit: materials of International scientific and practical conference]. Irkutsk, Baikal State University of Economics and Law Publ., 2015, pp. 131-138. (In Russian)
Contribution
Sanina L.V., Sherstyankina N.P., Bergen D.N., Dashkevich P.M. have equal author's rights. All author's bears the responsibility for plagiarism.
Конфликт интересов
Авторы заявляют об отсутствии конфликта интересов.
Статья поступила 29.05.2017 г.
Conflict of interests
The authors declare no conflict of interests regarding the publication of this article.
The article was received 29 May 2017
