Оценка перспективного состояния рынка недвижимости города Москвы на основе количественных методов исследования Текст научной статьи по специальности «Экономика и бизнес»

оригинальная статья

УДК 519.862.6(045) © Осадчий Н. К., Сызоненко И. С., 2020

Оценка перспективного состояния рынка недвижимости города Москвы на основе количественных методов исследования

Никита Кириллович Осадчий, студент факультета учета и аудита, Финансовый университет, Москва, Россия

Nikita K. Osadchy, student, Faculty of Accounting and Audit Financial University,

Moscow, Russia

[email protected]

Ирина Сергеевна Сызоненко, студентка факультета учета и аудита, Финансовый университет, Москва, Россия

Irina S. Syzonenko, student, Faculty of Accounting and Audit Financial University,

Moscow, Russia

[email protected]

Аннотация. В данной работе описаны характеристики рынка недвижимости в городе Москве. Приведены результаты анализа цен на рынке жилой недвижимости и проанализированы объемы предложения жилья по районам города, рассмотрена структура спроса жилой недвижимости в городе Москве. Представлена динамика цен на жилье в зависимости от района города, проведен сравнительный анализ цен вторичного рынка жилья и новостроек. Рассмотрены негативные и позитивные факторы, определяющие цены на рынке жилья. В первую очередь было охарактеризовано социально-экономическое положение города. Для глубокого исследования в работе построены две модели в зависимости от внешних, макроэкономических и внутренних факторов. В результате работы определены рыночные тренды в разрезе различных типов жилья, а также выявлено влияние политических, макроэкономических и геопространственных факторов на цену жилой недвижимости. Ключевые слова: рынок жилой недвижимости; анализ цен на жилье; корреляция; мультиколлинеар-ность; метод наименьших квадратов; качественные факторы; количественные факторы; эконо-метрическое моделирование

Для цитирования: Осадчий Н. К., Сызоненко И. С. Оценка перспективного состояния рынка недвижимости города Москвы на основе количественных методов исследования. Научные записки молодых исследователей. 2020;8(1):5-20.

Научный руководитель: Ященко Н.А., доцент Департамента анализа данных, принятия решений и финансовых технологий, Финансовый университет, Москва, Россия / Scientific supervisor: Yashchenko N.A., Associate Professor, Department of Data Analysis, Decision-making and Financial Technologies, Financial University, Moscow, Russia.

микроэкономика / microeconomics

original paper

Assessment of the Future state

of the Moscow Real Estate Market Based

оп Quantitative Research Methods

Abstract. This paper describes the characteristics of the real estate market in Moscow. We present the results of the analysis of prices in the residential real estate market and analyse the volume of housing supply in the districts of the city. Next, we consider the structure of demand for residential real estate in the city of Moscow and the dynamics of housing prices depending on the district of the city. We performed a comparative analysis of the prices of the secondary housing market and new buildings and considered the negative and positive factors determining the prices in the housing market. First of all, we discussed the socio-economic situation in the city. For in-depth research, we built two models depending on external, macroeconomic and internal factors. As a result of the work, we determined market trends in the context of different types of housing and revealed the influence of political, macroeconomic and geospatial factors on the price of residential real estate.

Keywords: residential real estate market; analysis of housing prices; correlation; multicollinearity; least squares method; qualitative factors; quantitative factors; econometric modelling

For citation: osadchy N.K., syzonenko I.s. Assessment of the future state of the Moscow real estate market based on quantitative research methods. Научные записки молодых исследователей = Scientific notes of young researchers. 2020;8(1):5-20.

Рынок недвижимости является существенной составляющей любой национальной экономики, ибо недвижимость - важнейшая часть национального богатства, на долю которой приходится более 50% мирового богатства [1, с. 24]. Именно рынок недвижимости обеспечивает создание материально-вещественной основы для функционирования коммерческих и некоммерческих структур, рынков труда, капиталов, товаров и услуг. Важное значение отечественного рынка недвижимости как сектора экономики подтверждается его высокой долей в валовом национальном продукте, высоким уровнем доходов, поступающих в бюджет от первичной продажи, сдачи в аренду государственной и муниципальной недвижимости, поступлением в бюджет налогов на недвижимое имущество и сборов, уплачиваемых при выполнении сделок с данным видом активов. Актуальность тематики данной работы не вызывает сомнения, так как анализ состояния рынка недвижимости является своеобразным индикатором состояния экономики страны: если на рынке недвижимости ситуация ухудшается, то в скором времени последует ухудшение ситуации в национальной эконо-

мике, и наоборот. Следовательно, анализ рынка недвижимости позволит спрогнозировать изменение общенациональной экономической конъюнктуры.

Основной целью данного исследования является создание модели, при использовании продвинутых инструментов анализа, для оценки перспективного состояния рынка недвижимости Москвы на основе количественных методов, а также рассмотрение возможности ее практического применения.

Для достижения данной цели предусмотрено выполнение следующих задач:

1) краткий обзор рынка жилой недвижимости и социально-экономического положения города;

2) сбор статистики по макроэкономическим показателям рынка недвижимости Москвы;

3) сбор информации об экономических и политических факторах, а также о событиях, влияющих на рынок жилой недвижимости в России;

4) использование основных методов экономе-трического анализа на основе собранной статистики, прогноз и интерпретация полученных результатов;

5) проверка и сравнение результатов посредством использования прикладного программного

14 000 000 12 000 000 10 000 000 8 000 000 6 000 000 4 000 000 2 000 000 0

Hill

2001 2005 2010 2015 2018

Рис. 1. Численность

Источник: составлено авторами по данным Мосгорстата.

пакета для эконометрического моделирования

^геа".

Объектом исследования в рамках данной работы является жилая недвижимость города Москвы, а в детальном рассмотрении - недвижимость района Хорошево-Мневники. Предмет исследования -динамика цены на недвижимость в зависимости от макроэкономических и рыночных (внутренних) факторов.

В качестве теоретической и методологической основы работы выбран широкий список источников и трудов отечественных ученых, а также различные информационно-статистические системы и нормативно-правовые акты. Для поиска информации по макроэкономическим индикаторам использовались официальные сайты, такие как: информационная база Федеральной службы государственной статистики (Росстат), база Центрального банка РФ и база Росреестра. Информационной основой для анализа цен на недвижимость являются данные об объявлениях по продаже и аренде жилья, размещенных на сайтах irn.ru и cian.ru.

В результате исследования были определены рыночные тренды в разрезе различных типов жилья, а также выявлено влияние политических, макроэкономических и геопространственных факторов на цену жилой недвижимости.

Данная работа представляет значимость для пользователей, как со стороны населения, так и со стороны строительных компаний. Для населения она будет полезна тем, что на основании модели можно будет выбрать лучший момент и соотношение цены-качества для покупки, а для строительных компаний это позволит лучше подстроить характеристики предложения, чтобы увеличить спрос.

населения Москвы

особенности социально-экономического положения города Москвы

В настоящее время Москва выделяется своим особенным и привилегированным положением: столица, центр агломерации, глобальный город, крупнейший в стране финансовый центр. Москва задает направления развития не только своей агломерации, но и влияет на развитие региональных центров, замыкает на себя многие потоки, в том числе финансовые, и оттягивает на себя многие ресурсы. Таким образом, рынок недвижимости как ключевая составляющая любой экономики играет здесь одну из главных ролей. Численность населения Москвы неуклонно растет. В 2017 г. население столицы составило 12,5 млн человек1. Соответственно спрос на недвижимость также растет (рис. 1).

В 2017 г. в Москве введено в эксплуатацию 3,42 млн кв. м жилья. Результат на 2,4% превышает показатели 2016 г., когда было сдано в эксплуатацию 3,34 млн кв. м жилья, и оказался на 10% выше прогноза. Ввод жилья в Новой Москве в 2017 г. сократился по сравнению с предыдущим годом на 39%, в сравнении с рекордным 2015 г.- на 44%. В 2017 г. на новых территориях было введено в эксплуатацию 1,4 млн кв. м жилой недвижимости. В структуре предложения по классам жилья по итогам 2017 г. (рис. 2) максимальная доля предложения принадлежит комфорт-классу (в том числе стандартное жилье) -

1 Демографическая статистика Мосгорстата - 2019. URL:

http://moscow.gks.ru/wps/wcm/connect/rosstat_ts/moscow/ ru/statistics/ (дата обращения: 05.04.2019).

Рис. 2. Структура предложения по географическому признаку, %

Источник: составлено авторами на основе данных по недвижимости информационного портала irn.ru.

83%, доля бизнес-класса - 7%, минимальная доля у жилья премиум- и элит-класса - 6 и 5% соответственно2.

В разрезе административных округов Москвы жилое строительство наиболее активно велось в ЦАО с долей в 17%, в первую очередь за счет апартаментов на территории ММДЦ «Москва-Сити». Крупные проекты строительства будут инициированы администрацией в основном вокруг транспортных артерий города, а также вокруг территорий, прилегающих к Москве-реке, земель вокруг Московской кольцевой автодороги, Третьего пересадочного контура метро и Малого кольца железной дороги. Заявлено, что до 90% всей застройки присоединенных к столице территорий будет квартальной.

Структура спроса и предложения на жилую недвижимость

Инвестиционная привлекательность рынка жилой недвижимости города оценивается как высокая [2, с. 304]. Продолжается активное освоение территорий Новой Москвы. По данным департамента развития новых территорий Москвы, с момента присоединения новых территорий к столице (с июля 2012 г.) здесь введено более 8 млн кв. метров жи-

2 Маркетинговое исследование рынка жилой недвижимости (Москва) - 2018. URL: https://www.pwc.ru/ru/assets/avito/ report-avito-moscow-2805.pdf (дата обращения: 06.04.2019).

лья3. Перспективы рынка новостроек в Новой Москве связаны с развитием транспортной системы и реконструкцией основных магистралей.

С учетом программы реновации пятиэтажек, анонсированной в конце февраля 2017 г., предложение жилья будет расти в средне- и долгосрочной перспективах. В течение 15-17 лет планируется построить около 20-30 млн кв. м недвижимости4, причем примерно половина из этого объема выйдет на первичный рынок, а остальная часть будет распределена между собственниками сносимого ветхого жилья. Состояние рынка жилищного кредитования в значительной степени определяет ситуацию на рынке жилой недвижимости [3, с. 94]. Снижение ключевой процентной ставки ЦБ, как и ожидалось, стало оказывать позитивное влияние на рост ипотечного кредитования [3, с. 96]. Это обусловлено в первую очередь тем, что крупные банки, сначала Сбербанк, а следом и ВТБ, быстро среагировали на изменения ключевой ставки и уменьшили проценты по ипотечному кредитованию.

В структуре спроса по количеству комнат (рис. 3) незначительно преобладают двухкомнатные квар-

3 Департамент развития новых территорий города Москвы -2017. URL: https://www.mos.ru/dmt/documents/arhivnovostej'/ view/37581220/ (дата обращения: 07.04.2019).

4 Почти 30 млн кв. м. недвижимости планируется построить за 20 лет на берегах Москвы-реки - 2017. URL: https:// realty.ria.ru/20160212/406956424.html (дата обращения: 07.04.2019).

Рис. 3. структура спроса по количеству комнат, %

Источник: составлено авторами на основе данных по недвижимости информационного портала irn.ru.

4,00% 23,00%% 4,00%

23,00% 39,00%

38,00%

35,00% 34,00%

37,00%

3,00% 20,00%

38,00%

39,00%

2014

2015 2016 2017

1 и студия 2 3 4 и более

тиры (около 38%), чуть меньше 39% запросов приходится на однокомнатные квартиры. Доля трехкомнатных квартир составляет около 20%. Наименьшим спросом пользуются многокомнатные квартиры -всего порядка 3% от количества запросов.

В структуре предложения по количеству комнат (рис. 4) около 37% приходится на двухкомнатные квартиры. Доля однокомнатных квартир составляет 35%, с 2014 г. она увеличилась на 6 процентных пунктов (п.п.). Доля трехкомнатных квартир составляет около 23%. Наименьшая доля в предложении характеризует многокомнатные квартиры - всего порядка 5%. Таким образом, на основе ретроспективного анализа можно сделать вывод о том, что спрос и предложение на первый взгляд сбалансированы.

Факторы, влияющие на рынок жилой недвижимости

За последние несколько лет экономика России была подвержена значительным ударам. Коренные изменения затронули все сферы жизнедеятельности населения страны. Значительные изменения претерпел и рынок недвижимости. В целом все события можно выстроить и описать в виде хронологии:

1. В первом квартале 2014 г. были введены санкции. Они осложнили отношения с западным миром и спровоцировали первую волну ажиотажа на рынке недвижимости. В равной мере повыси-

лась активность как инвестиционных покупателей, так и людей, поспешивших побыстрее купить квартиру для собственных нужд.

2. 16 декабря 2014 г. произошло обвальное падение рубля по отношению к доллару США и евро. Этот и предыдущий день относят к проявлениям нового финансового-экономического и валютного кризиса в России. Данное событие спровоцировало вторую волну ажиотажа на рынке недвижимости, когда население старалось спасти денежные средства от девальвации.

3. В начале 2015 г. было подписано постановление о субсидировании ставки по ипотечным кредитам. Государство компенсирует разницу между ставкой банка, которая не должна быть выше, чем ключевая плюс 3,5 п.п., и ставкой для конечного заемщика, которая не должна превышать 12%. Программа действует для кредитов, выданных с 1 марта 2015 до 1 марта 2016 г.5 Данная мера была принята с расчетом на то, что дешевая ипотека и субсидирование могут раскачать спрос пропорционально объему растущего предложения.

4. В конце 2016 и в начале 2017 гг. произошло несколько знаменательных событий для рынка недвижимости. С одной стороны, открылось Московское центральное кольцо - маршрут электропо-

5 Выдача 20 млрд на ипотеку: банки начинают раздачу льготных кредитов - 2015. URL: https://www.rbc.ru/finances /17/03/2015/5508110d9a79475f78a0442b (дата обращения: 09.04.2019).

Рис. 4. Структура предложения по количеству комнат, %

Источник: составлено авторами на основе данных по недвижимости информационного портала irn.ru.

ездов, запущенный по Малому кольцу Московской железной дороги и полностью интегрированный с метро. С другой - была запущена программа правительства Москвы по расселению и сносу ветхого малоэтажного жилого фонда, построенного в 19571968 гг. Застройщикам массового жилья стало сложнее конкурировать после ввода свободных площадей, возведенных в рамках программы реновации.

Первичный анализ социально-экономического положения показывает большие перспективы для рынка жилой недвижимости Москвы. Данный вывод подтверждает анализ структуры спроса, предложения и анализ макроэкономических и геопространственных факторов недвижимости города [4, с. 82-84].

Рассмотрим влияние данных факторов на процесс ценообразования на рынке недвижимости.

Модель зависимости цен на жилье от внешнеэкономических факторов

На сегодняшний день рынок недвижимости не только Москвы, но и России в целом, очень чувствителен к различным экономическим и политическим изменениям, происходящим в государстве, а также и в целом к ситуации в России. Более точный прогноз развития рынка недвижимости (или его спада) может быть проведен, только лишь учитывая все (внутренние, внешние, количественные, качественные) факторы, воздействующие на него. Необходимо подчеркнуть тот факт, что лишь

некоторые аспекты/факторы можно отнести к однозначно позитивным или негативным. Это связано с тем, что все факторы взаимосвязаны друг с другом и в зависимости от различных нюансов могут оказывать на рынок и положительное, и отрицательное воздействие.

Если рассматривать экономические факторы, влияющие на рынок недвижимости в России в целом, можно выделить следующие: уровень доходов и занятости населения, платежеспособность, развитие в населенных пунктах социальной инфраструктуры, ставки процента и арендной платы и т.д.

По мнению многих экспертов, ключевыми факторами, оказывающих влияние на московский рынок недвижимости (на стоимость недвижимости), являются цены на нефть, уровень роста ВВП и ставки инфляции. При этом себестоимость строительства прямого влияния на уровень цен на московском рынке не оказывает.

Проведем анализ внешних факторов, влияющих на стоимость недвижимости в Москве. Для этого построим эконометрическую модель «Влияние внешних факторов (экзогенные переменные) на стоимость недвижимости в Москве (эндогенная)». Для начала построим спецификацию модели.

В данной работе при проведении макроанализа рынка недвижимости в РФ и Москве были отобраны наиболее важные факторы, оказывающих воздействие на колебания средней цены за недвижимость [5, с. 248-254].

Таблица 1

Применение МНК

в5 р4 в3 в2 P1 P0

1533,718 269,462 -258,08 0,193 2164,31 43 827,62

229,027 127,270 2503,47 0,112 1495,907 34 162,81

R 2 0,672 13 613,954 #N/A #N/A #N/A #N/A Станд. ошибка

F стат 41,415 101 #N/A #N/A #N/A #N/A Степень свободы

RSS 38 379 608 383 18 719 315 961 #N/A #N/A #N/A #N/A ESS

Источник: составлено авторами на основе эконометрической модели.

Таблица 2

Критерий Стьюдента

f5 f4 f3 f2 f0 'кр (0,05)

6,696 2,117 -0,103 1,723 1,446 1,283 1,983

Источник: составлено авторами на основе эконометрической модели.

Прогнозирование стоимости жилой недвижимости в Москве в зависимости от различных факторов может быть записано следующим образом:

Yt = Ро + PiXit + р2X2i + РзX3t + р4XM + Р5X5I + e, (1)

где Y - стоимость за кв.м, руб.;

X1 - средневзвешенные процентные ставки по выданным с начала года ипотечным кредитам, %;

X2 - среднедушевые доходы населения, руб./ мес.;

X3 - инфляция, за период от первого до последнего числа месяца, %;

X4 - цена нефти Brent, долл. США за баррель;

X5 - курс доллара, долл. США.

Спецификация представляет собой уравнение линейной множественной регрессии [6, с. 88].

Для оценки параметров линейной модели можно воспользоваться методом наименьших квадратов (МНК). Расчеты проводим в Excel (применяя функцию ЛИНЕЙН) с использованием статистических данных по указанным переменным (табл. 1).

В нашей модели количество наблюдений 108, количество факторов 5.

Оцененный вид множественной регрессии:

Y = 43 827,62 + 2164,312^ + + 0,19X2-258,08X3 + 269,462X4 + 1533,719X5 + et.

Воспользуемся критерием Стьюдента для определения значимости регрессоров. Вычисляем £набл и £кр = СТЬЮДЕНТ.0БР(0,05; п - к) {табл. 2), если £ . > t , то регрессор значим.

набл кр' " " "

Вывод: два регрессора, которые включены в данную спецификацию модели статистически значимо влияют на эндогенную переменную (|£| > £кр), однако три остальных незначимы, следовательно, можно говорить о наличии мультиколлинеарности в модели.

Проведем тест Харке-Бера (Jarque-Beratest) на нормальность случайных возмущений в регрессионной модели (табл. 3).

Статистика теста основана на сравнении центральных нормированных моментов третьего

■дз_ _3

(коэффициент асимметрии, Skewness) S =

ст

и четвертого (коэффициент островершинности,

Kurtosis) S = -^4 порядков случайных возмущений ст

исследуемой модели с соответствующими характеристиками нормального распределения, для которого, как известно, S = 0, К = 3, и

JB = ( n - k)

S2 (К - 3)2

— + --—

6 24

Поскольку ]В < ХИ2, то нулевая гипотеза о нормальном распределении возмущений регресси-

онной модели принимается при 5%-ном уровне значимости.

Проведем анализ коэффициента детерминации !Л2 = 0,672 > I 2 = 0,662.

Для этого воспользуемся результатами Г-теста:

1. Получаем Г из ЛИНЕЙН.

3 стат

2. Определяем Гкр = Р0БР.ПХ(0,05; к - 1; п - к).

3. Если Г > Г , то регрессия в целом статисти-

стат кр' " " ^

чески значима.

Поскольку Г = 41,41 > Г = 2,193, то регрес-

3 стат ' кр ' ' " "

сия в целом статистически значима, и значимым является коэффициент детерминации, который показывает, что регрессия среднего качества, рег-рессоры на 68% влияют на значение эндогенной переменной.

Проверим адекватность модели через интервальный прогноз. Для построения интервальных оценок применяется стандартная процедура: составляется точечный прогноз исследуемой переменной, вычисляется его ошибка; с учетом нормы ошибки для рассматриваемой модели (дроби Стьюдента) точечный прогноз трансформируется в интервальную оценку (табл. 4, 5). Проводим верификацию модели для контролирующей выборки, состоящей из данных по трем наблюдениям.

В итоге мы получили, что данная модель адекватна с 95%-ной вероятностью.

МНК-оценки параметров модели линейной множественной регрессии являются оптимальными, т.е. несмещенными и эффективными, при условии выполнения предпосылок Гаусса-Маркова.

Гетероскедастичность приводит к смещению оценок автоковариационных матриц всех случайных векторов эконометрической модели, в частности автоковариационных матриц оценок параметров и ошибок прогнозов эндогенной переменной, диагональные элементы которых используются для проверки статистической значимости регрессоров, построения интервальных оценок параметров, проверки адекватности модели. Возникает необходимость проведения тестирования выполнения данной предпосылки, а если она не выполнится, то следует корректировать модель. Для проверки гомоскедастичности был проведен тест Бреуша-Пагана (табл. 6).

Таким образом, тест показал, что случайный остаток гетероскедастичен.

Далее проверим модель на автокорреляцию. Причинами автокорреляции являются ошибки спецификации модели (пропуск важной объясняющей

Таблица 3

Тест Харке-Бера

Оценка 5 Оценка К

-0,635 2,507

JB 5,685

Х2кр 95,081

Источник: составлено авторами на основе эконометрической модели. Таблица 4 Пример расчета S(Y 01)

Хр * О * Хртрансп 0,503

+ 1 1,503

V 1,226

Sy 16 692,045

Источник: составлено авторами на основе эконометрической модели.

переменной, использование ошибочной функциональной зависимости между переменными); ошибки измерений; характер наблюдений (например, данные временных рядов).

Был проведен тест Бреуша-Годфри. Тест является асимптотическим, т.е. для достоверности выводов требуется большой объем выборки. В тесте рассматривается авторегрессия остатков на их лаговые значения. Взяли исходные е, X, а затем сместили е на -1,-2,-3. Далее берем ЛИНЕЙН по Y = е, X = [X, е накопленным итогом] - итого 3 ЛИНЕЙН.

Получаем, что тест Бреуша-Годфри находится по формуле BG = R2*n, а также ХИ2 = ХИ2.0БР.ПХ(0,05; степень автокорреляции [1/2/3...]). В конечном итоге сравниваем: BG > ХИ2.

Проведенные вычисления показали следующие результаты (табл. 7).

Таким образом, мы видим, что в нашей модели присутствует автокорреляция.

Полученные результаты показали, что модель настроена по параметрам не оптимально, возможно, это связано с незначимыми регрессорами. Поэтому проверим модель на наличие мультикол-линеарности.

Для начала с помощью анализа матрицы коэффициентов парной корреляции проверим наличие мультиколлинеарности (табл. 8).

Таблица 5

Интервальная оценка параметров регрессионной модели

Y 01 201620

Y 02 201404

Y 03 203093

Y 01 оцен 203 896,325 S(Y 01) 16 692,045

Y 02 оцен 201 373,185 S(Y 02) 17 395,996

Y 03 оцен 200 706,574 S(Y 03) 17 898,515

Границы интервала:

Y 01min 187 204,279

Y 01max 220 588,370 Y 01 е (Y 01min; Y 01max)

Y 02min 183 977,188 Y 02 е (Y 02min; Y 02max)

Y 02max 218 769,182 Y 03 е (Y 03min; Y 03max)

Y 03min 182 808,058 Значит, модель адекватна с 95%-ной вероятностью

Y03max 218 605,090

Источник: составлено авторами на основе эконометрической модели.

Анализ матрицы коэффициентов корреляции показал наличие тесной связи между факторами (X4 и X5). Согласно t-критерию Стьюдента (см. табл. 2) регрессоры X1, X2, X3 незначимы, следовательно, не должны включаться в модель.

Проведем пошаговую процедуру отбора наиболее информативных факторов для спецификации модели методом исключения (табл. 9). В конечном итоге получили следующую спецификацию модели:

Yt = р0 + в х + Р2 х X5f + 8f. (2)

Как видно из модели, стоимость жилой недвижимости больше всего зависит от курса доллара и цены нефти марки Brent. Российская экономика имеет свои особенности, которые оказывают серьезное воздействие на рынок продажи квартир, а именно:

1. Зависимость экономики от сырьевого рынка.

Дисбаланс экономики, когда 1% населения занят в отраслях, приносящих 25% ВНП, приводит к тому, что даже незначительные колебания цен на энергоносители существенно влияют на экономическую ситуацию. Падение цен на нефть в конце 2014 г. неизбежно вызвало на рынке недвижимости негативные явления.

Таблица 6 Результаты теста Бреуша-Пагана

s2 174 946 878,14

e2 / s2 107

RSS 48,08

ХИ2 кр 11,07

BP (RSS/2) 24,040 < Хл2

BP (n*R 2) 27,712 < ХЛ2

Источник: составлено авторами на основе эконометрической модели.

2. Двухвалютность. Цены на квартиры могут рассчитываться в рублях, долларах или евро. В результате их общий уровень зависит от курсовых колебаний. Например, в настоящее время цены повышаются в рублях, компенсируя девальвацию национальной валюты, и одновременно понижаются в долларах вследствие снижения спроса.

Оценим по параметрам модель с двумя регрес-сорами (табл. 10).

Оцененный вид множественной регрессии:

У = 88 402,999 + 205,855Х1 + 1486,89Х2 + et. (3)

Таблица 7

Тест Бреуша-Годфри

BG 79,445

ХИ2 ( p = 1) 3,841

BG> ХИ2 Автокорреляция первого порядка присутствует

BG 81,145

ХИ2 (p = 2) 5,991

BG > ХИЛ2 Автокорреляция второго порядка присутствует

BG 81,148

ХИ2 ( p = 3) 7,814

BG < ХИ2 Автокорреляция третьего порядка присутствует

Источник: составлено авторами на основе эконометрической модели.

Таблица 8

Корреляционная матрица (Анализ данных в Excel, функция «Корреляция»)

Y х1 х2 х3 х4 х5

Y 1

х1 -0,210 1

х2 0,496 -0,368 1

х3 -0,035 0,268 -0,077 1

х4 -0,651 -0,057 -0,329 -0,066 1

х5 0,806 -0,243 0,493 -0,028 -0,876 1

Источник: составлено авторами на основе эконометрической модели.

Случайные остатки модели (3) имеют нормальное распределение (табл. 11).

Рассматриваемая регрессия среднего качества, регрессоры на 66% влияют на значение эндогенной переменной, так как Я 2 = 0,658 > R 2а^ = 0,657. Поскольку F = 99,88 > F = 3,085, значит регрессия

1 стат ' кр ' ' г г

в целом статистически значима.

При сравнении спецификаций модели (1) и (2) по информационным критериям Акайке, Шварца и Хеннана-Куинна лучшей является спецификация (2). Следовательно, данную модель можно использовать. Тест Бреуша-Пагана показал гетероскедастичность случайных остатков в модели (3).

Для устранения гетероскедастичности проведем доступный взвешенный МНК (ДВМНК) относительно модифицированной модели Y*(X1*, X*, X*) значение переменных для которой получены путем

Таблица 9

Выделение значимых факторов модели

f1 > t кр

2,02 > 1,982

f2 > t кр

8,6 > 1,982

Источник: составлено авторами на основе эконометрической модели.

деления уравнения (2) на Х, который подозревается во влиянии на гетероскедастичность остатка.

В табл. 12 представлена часть выборки с применением ДВМНК.

Для модели (2) с ДВМНК-оценками параметров проводим заново тест Бреуша-Пагана (табл. 13).

Полученная модель содержит гомоскедастичные случайные остатки.

Таблица 10

Применение МНК для модели с двумя регрессорами

ß2 ß1 ß0

1486,896 205,855 88 402,999

175,084 103,225 15 912,340

R 2 0,657 13 710,257 #N/A Станд. ошибка

F стат 99,882 104 #N/A Степень свободы

RSS 37 549 922 538 19 549 001 806 #N/A ESS

Источник: составлено авторами на основе эконометрической модели.

Для устранения автокорреляции рассмотрим применение процедуры Кохрейна-Оркатта на примере нашей модели (табл. 14).

Оцененный вид модели: Y = -31,43 + 170 756X1t+ + 398,57X2t + Et;

Y~t = aA + pA X1T + pA X2T, тогда вычисляем эндогенную переменную:

Y = -151,324 + 170756 X1T + 398,57X2T + в,,

Y = -151,324 +170756* X1T + 398,57* X2T + 0,792* в,

Аналогичные процедуры проводим для Y~t = aA + pA X1T + pA х2т (табл. 15,16).

Y = 3134,574 + 103563* X1T + 1305,428* X2T +в,; YЛ = 3134,574 +103563* X1T +1305,428 *X2T + 0,925* в,-1

Y = 3134,574 + 103563* X1T +1305,428* X2T + в,

Yл = 3134,574 +103651* X1T +1304,438* X2T + 0,925* в,-1.

В итоге получили значение статистики DW = = 1,845.

В таблице нашли для нее критические значения границ de = 1,63, dl = 1,72.

Таким образом, автокорреляция была устранена с помощью процедуры Кохрейна-Оркатта. Следовательно, основными внешними факторами, оказывающими воздействие на стоимость жилой недвижимости в Москве, являются курс доллара и цена нефти Brent.

На рост стоимости жилой недвижимости повлияли несколько факторов. Первый - это покупатели-инвесторы, а второй - это те покупатели, которые хранили сбережения в валюте [7, с. 201]. В прошлом году произошел существенный скачок курса доллара, что увеличило платежеспособность тех, кто держал средства в валюте. Этот фактор

Таблица 11

Тест Харке-Бера

Оценка S Оценка K

-0,579 2,564

JB 6,063

X2 кр 126,574

Источник: составлено авторами на основе эконометрической модели.

привел к бегству долларовых вкладчиков из госбанков - несколько миллиардов долларов были сняты с депозитов и пошли, в том числе, на приобретение недвижимости.

Как уже было сказано выше, экономика страны также очень тесно связана с нефтью - благосостояние граждан базируется на стоимости сырья, поэтому с такой величиной и увязывают платежеспособность населения, а значит, и спрос на квартиры. Цены на топливо нельзя увязывать напрямую со стоимостью квадратного метра, в то же время косвенную зависимость можно выявить. На состояние рынка недвижимости повлияют еще и изменения в ФЗ-214 - с 2020 года мы будем уходить от долевого строительства6. Все это вместе с ростом цен на топливо увеличит себестоимость объектов - домов, таунхаусов, квартир. Поэтому, несмотря на снижение спроса, застройщики продолжат понемногу увеличивать цены.

Попробуем спрогнозировать стоимость жилой недвижимости на два года, с помощью вспомогательных значений двух регрессоров и функции «ТЕНДЕНЦИЯ» в Excel {табл. 17).

Подведем некоторый итог. Итак, был проведен анализ внешних факторов, влияющих на стои-

6 Об участии в долевом строительстве многоквартирных домов: Федер. закон: от 30.12.2004 № 214-ФЗ: в посл. ред. от 10.04.2019. URL: http://www.consultant.ru/document/cons_ doc_LAW_51038/.

Источник: составлено авторами на основе эконометрической модели.

Таблица 12

ДВМНК

Период 2012-2018 Стоимость за кв м. Цена за бар. Курс доллара,$ Ynew

Москва У х4 х5 у* X1* X2* у*л e e2 e2 / s2

01.01.2010 140,659 76 30 1841 0,01 0,40 2004 -162 26 328 1,13

01.02.2010 141,256 74 30 1901 0 0 2061 -160 25 654 1

01.03.2010 141,784 79 30 1789 0 0 1930 -142 20 121 1

01.04.2010 141,879 85 29 1671 0 0 1802 -131 17 284 1

01.05.2010 142,896 76 29 1874 0 0 1990 -116 13 446 1

01.06.2010 143,634 75 31 1919 0 0 2052 -133 17 745 1

01.07.2010 143,124 75 31 1915 0 0 2064 -149 22 110 1

01.08.2010 144,127 77 30 1879 0 0 1996 -117 13 638 1

01.09.2010 144,413 78 31 1856 0 0 1980 -124 15 358 1

01.10.2010 144,125 83 31 1738 0 0 1859 -121 14 558 1

01.11.2010 144,269 86 31 1684 0 0 1806 -122 14 964 1

01.12.2010 144,629 92 31 1575 0 0 1700 -125 15 515 1

01.01.2011 126,847 96 30 1317 0 0 1613 -295 87 191 4

01.02.2011 125,265 104 30 1205 0 0 1494 -289 83 805 4

01.03.2011 125,750 114 29 1099 0 0 1357 -258 66 599 3

01.04.2011 125,963 123 29 1023 0 0 1264 -241 58 196 3

01.05.2011 126,657 114 28 1107 0 0 1341 -235 55 069 2

мость жилой недвижимости. Произведены оценка качества спецификации модели, устранение мультиколлинеарности в ней, устранение гете-роскедостичности и автокорреляции случайных возмущений в регрессионной модели. Данная модель позволяет проследить тренд и поведение цены от макроэкономических факторов. Все расчеты были проверены через программный пакет для эконометрического моделирования ^геи".

Исследование значимости внутри рыночных факторов в модели

Объектом дальнейшего исследования в рамках данной модели является жилая недвижимость района Хорошево-Мневники. Рассмотрим основные внутренние факторы, оказывающие воздействие на колебания средней цены за квартиру в этом районе.

Для проведения эконометрического моделирования была построена выборка, содержащая 200 наблюдений. Рассмотрев предложения о продаже

Таблица 13

Новый Тест Бреуша-Пагана

s2 23 254,92 Оценка дисперсии

e2 / s2 107,00 Норма ошибки

RSS 0,52

ХИ2 кр 5,99

BP (RSS/2) 0,257 < ХИ2

BP (n*R 2) 0.515 < ХИ2

Источник: составлено авторами на основе эконометрической модели.

квартир в районе Хорошево-Мневники, был создан топ-лист факторов, по которым целесообразно проводить оценку цены за 1 кв.м: количество комнат, площадь в кв.м, санузел, тип жилья, парковка. Они разделяются на два типа:

Таблица 14

Метод Кохрейна-Оркатта

еМ РЛ

Коэффициент 0,792 0

СКО 0,059

Й 2 0,633 92,99 Оценка СКО для е

Р стат 180,143 104 Лсвободы

RSS 1 557 746,053 899 315,227 БББ

Источник: составлено авторами на основе эконометрической модели.

Таблица 15

Метод Кохрейна-оркатта

et-1 Рл

Коэфициент 0,852 0

СКО 0,049 #Н/Д

R 2 0,738 95,870 Оценка СКО для е

F стат 293,667 104 А свободы

RSS 2 699 171,174 955889,373 ESS

Источник: составлено авторами на основе эконометрической модели.

Таблица 16

МНК-оценки

р2* р1* * а

Коэфициент 1304,438 103651 225,134

СКО 150,032 13 931,91 173,659

R 2 0,985 273,064 #Н/Д Оценка СКО для е

F стат 3427,289 102 #Н/Д а свободы

RSS 511 104 674,2 7605526 #Н/Д ESS

Источник: составлено авторами на основе эконометрической модели.

1) количественные: количество комнат; площадь в кв.м;

2) качественные (фиктивные): тип дома (0 -монолитный, 1 - панельный), наличие балкона (0 - нет; 1 - есть), тип жилья (0 - новостройка, 1 -вторичное жилье).

Прогнозирование стоимости жилой недвижимости в Москве в зависимости от различных факторов может быть записано следующим образом:

К = р0 +РХХ1( + р2Х21 + РзХ31 + р4Х4, + р5Х5, + е, (4)

где Y - стоимость за квартиру; Х1 - количество комнат; Х2 - площадь (м2); Х3 - санузел; Х4 - тип жилья; Х5 - парковка.

Для спецификации (4) провели тесты, оценивающие значимость модели (табл. 18).

Оцененный вид множественной регрессии: У = -24 383,23-2 347 272Х + 277 194,6Х2-2 591 948Х3-2 762 048Х4 + 891 938Х5 + еЬ

По критерий Стьюдента (табл. 19) можно сделать вывод: три регрессора, которые включены в спецификацию модели (4), статистически значимо влияют

17

на эндогенную переменную (Щ| > £кр), однако три остальных незначимы, следовательно, возможна мультиколлинеарность среди регрессоров модели [8, с. 45].

Проверим наличие мультиколлинеарности с помощью анализа матрицы коэффициентов парной корреляции.

Анализ парных коэффициентов корреляции между факторными переменными Х1, Х2, Х3, Х4, Х5 (табл. 20) свидетельствует об отсутствии колли-неарных факторов: ни один из межфакторных коэффициентов корреляции не превышает по абсолютной величине 0,8.

Проведем пошаговую процедуру отбора наиболее информативных факторов для спецификации модели (4) методом исключения из нее незначимых регрессоров Х1, Х5. В конечном итоге получили следующую спецификацию модели:

Таблица 17

Прогноз цен за м2 на 2019 и 2020 гг.

Yt = ßo + ßA + ß2X3t + ß3*4f + В оцененном виде эта модель имеет вид:

Y = -123 370 + 274 689,6Xr

■2 522 444,032X3 + et.

(5)

-2 685 812,049X,

Параметры модели (5) получены на основе регрессионного анализа данных (табл. 21).

Регрессия (5) высокого качества, так как объясняющие факторы на 81% влияют на значение эндогенной переменной (ЯЛ2 = 0,811 > Я 2а^ = 0,801) и статистически значима ^ = 99,88 > F = 3,085).

^ стат ' кр ' '

На основании анализа модели по критерию Стьюдента, регрессионной матрицы и теста Харке-Бера полученная зависимость цены квартиры от трех факторов «Площадь квартиры», «Тип дома», «Тип санузла» признается качественной, и она может быть использована для прогнозирования в реальных условиях. Фактор «Тип санузла» для модели значим, так как многим покупателям не нравится его изначальная планировка, и это вызывает дополнительные расходы на перепланировку, что негативно сказывается на спросе.

Выводы

В ходе проделанной работы были проанализированы основные методы построения эконометри-ческих моделей для оценки перспективного состояния рынка недвижимости Москвы. Проведенный анализ позволил подтвердить актуальность

01.01.2019 191 384,827

01.02.2019 176 377,138

01.03.2019 191 935,756

01.04.2019 192 169,751

01.05.2019 193 099,604

01.06.2019 194 619,661

01.07.2019 195 981,066

01.08.2019 196 608,151

01.09.2019 197 529,241

01.10.2019 198 292,211

01.11.2019 198 441,640

01.12.2019 199 759,752

01.01.2020 198 292,211

01.02.2020 199 759,752

01.03.2020 199 643,788

01.04.2020 197 830,624

01.05.2020 197 596,551

01.06.2020 197 125,907

01.07.2020 200 794,228

01.08.2020 202 086,974

01.09.2020 200 528,758

01.10.2020 203093

01.11.2020 187 450,279

01.12.2020 178 929,778

Источник: составлено авторами на основе эконометрической модели.

количественных методов исследования, и нами были сделаны определенные выводы касательно особенностей его применения в оценке жилой недвижимости. В первую очередь было рассмотрено социально-экономическое положение города. Оно характеризуется определенными особенностями, поэтому его анализ включает в себя некоторые важные детали:

1) постоянный прирост численности населения, вследствие чего спрос на недвижимость растет;

2) неоднородная структура спроса и предложения по классам жилья.

Таблица 18

МНК оценка ЛИНЕЙН

ß5 ß4 ß3 ß2 ß1 ß0

891938 -2 762 048,682 -2591948 277 194,6 -347272 -24383.23

529 469,4 536 800,3652 561 771,5 15 596,5 507 102,3 846 548,5

RA2 0,81199 3 451 818,326 #N/A #N/A #N/A #N/A Станд. ошибка

Fr^T 165,84 192 #N/A #N/A #N/A #N/A Степень свободы

RSS 9,88052E+ 2 287 689 553 008,4 #N/A #N/A #N/A #N/A ESS

Источник: составлено авторами на основе эконометрической модели.

Таблица 19

Критерий Стьюдента

t5 t4 t3 t2 t1 to tKp C0,05)

1,684 -5,145 -4,613 17,772 -0,684 -0,028 1,972

Источник: составлено авторами на основе эконометрической модели.

Таблица 20

Корреляционная матрица

Y х1 х2 х3 х4 х5

Y 1

х1 0,521 1

х2 0,868 0,688 1

х3 -0,143 0,338 0,038 1

х4 -0,399 -0,120 -0,275 0,057 1

х5 0,149 0,191 0,187 0,103 0,231 1

Источник: составлено авторами на основе эконометрической модели.

Помимо этого, в рамках работы были выявлены основные проблемы и перспективы рынка жилой недвижимости. Такой анализ позволил сделать следующие выводы относительно данного сектора:

1) значительное влияние санкций на спрос недвижимости;

2) зависимость цены на недвижимость от вола-тильности курса рубля и цены на нефть;

3) влияние развития транспортных артерий города на спрос и ценовую политику строительных компаний.

В работе построены две модели в зависимости от внешних, макроэкономических и внутренних факторов. Для обеих моделей проведены оценка

Таблица 21

Регрессионная статистика

Регрессионная статистика

Множественный R 0,901

R-квадрат 0,811

Нормированный R-квадрат 0,807

Стандартная ошибка 3 451 818,326

Наблюдения 198

Источник: составлено авторами на основе эконометрической модели.

качества ее спецификации, исследование муль-тиколлинеарности в модели, устранение гете-роскедостичности и автокорреляции случайных возмущений в регрессионной модели. В результате был составлен прогноз, который показал, что цена на недвижимость в перспективе будет расти. Обе модели пригодны к использованию конечными пользователями.

Данный вариант моделей не является последним, и есть возможность включения дополнительных факторов, таких как количество заключенных договоров купли-продажи или договоров, заклю-

ченных на условиях ипотеки. Однако статистика, предоставляемая Росреестром по данным факторам, очень противоречива и требует тщательной обработки. Это открывает новые научные направления дальнейшего исследования. По итогам работы был сделан вывод о том, что построенные модели являются актуальным и необходимым инструментом при покупке недвижимости, как для обычного населения, так и для долгосрочных инвесторов. Рассмотренные модели применимы для оценки стоимости недвижимости в любом городе России.

Список источников

1. Придвижкин С. В. Рынок недвижимости как пространственная социально экономическая система. Вестник УРФУ. 2006;(1):24-31.

2. Тэпман Л. Н. Оценка недвижимости. Учебное пособие для вузов. В.А. Швандар, ред. М.: Юнити-Дана; 2012. 303 с.

3. Асаул А. Н., Загидуллина М., Люлин П. Б., Сиразетдинов Р. М. Экономика недвижимости. Учебник для вузов. 18-е изд., испр. и доп. М.: Юрайт; 2019. 353 с. ISBN 978-5-534-06508-4.

4. Котляров М. А. Экономика недвижимости: учебник и практикум для бакалавриата и магистратуры. 2-е изд., перераб. и доп. М.: Юрайт; 2019. 238 с. ISBN 978-5-9916-9081-2. URL: https://bibLio-onLine.ru/ bcode/436530 (дата обращения: 02.06.2019).

5. Касьяненко Т. П, Маховикова ПА., Есипов В. Е. Оценка недвижимости. М.: КноРус; 2019. 640 с.

6. Вязова ПА., Попелюк В. С. Прогнозирование стоимости двухкомнатной квартиры на вторичном рынке недвижимости г. Хабаровска с использованием модели множественной регрессии. Молодой ученый. 2011;1(2):87-89. URL: 1пИ^://то1ис1гш/агс1-|^е/25/2589/(дата обращения: 05.06.2019).

7. GaLLineLLi F. What Every ReaL Estate Investor Needs to Know About Cash FLow... And 36 Other Key Financial Measures. Copyright by The McGraw-HiLL Companies, Inc. 2015;(18Nov.). 312 p.

8. Бейлин И.Л. Инновационные подходы в цифровом моделировании региональных экономических процессов. Вопросы инновационной экономики. 2019;9(2):8-13.

References

1. Pridvizhkin S.V. ReaL estate market as a spatiaL sociaL-economic system. Vestnik URFU. 2006;(1):24-31. (In Russ.).

2. Tepman L. N. The assessment of the property. Textbook. V.A. Sundar, ed. Moscow: Unity-Dana; 2012. (In Russ.).

3. AsauL A. N., ZagiduLLina G. M., LyuLin P. B., Sirazetdinov R. M. ReaL estate economics: textbook for universities. 18 ed. Moscow: Yurayt PubLishing house; 2019. (In Russ.).

4. KotLyarov M.A. ReaL estate economics: Textbook and workshop for undergraduate and graduate students. 2nd ed. Moscow: Yurayt PubLishing house; 2019. URL: https://bibLio-onLine.ru/bcode/436530 Accessed on 02.06.2019). (In Russ.).

5. Kasyanenko T. G., Makhovikov G.A., Esipov V. E. Assessment of the property. Moscow: KnoRus; 2019. (In Russ.).

6. Vyazova G.A., PopeLyuk V. S. Predicting the cost of a two-room apartment on the secondary reaL estate market of Khabarovsk using the muLtipLe regression modeL. Young Scientist. 2011;2(1):87-89. URL: https://moLuch.ru/ archive/25/2589/ Accessed on 06.05.2019). (In Russ.).

7. GaLLineLLi F. What Every ReaL Estate Investor Needs to Know About Cash FLow. And 36 Other Key FinanciaL Measures. The McGraw-HiLL Companies, Inc.; 2015.

8. BeiLin I. L. Innovative approaches in digitaL modeLing of economic processes. Issues of innovative economy. 2019;2(9):8-13. (In Russ.).