Научная статья на тему 'Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга'

Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга Текст научной статьи по специальности «Экономика и бизнес»

CC BY
338
42
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
АВТОРЕГРЕССИЯ / МОДЕЛИРОВАНИЕ ВРЕМЕННОГО РЯДА / ПРОГНОЗИРОВАНИЕ / РЫНОК ЖИЛЬЯ / СРЕДНЯЯ ЦЕНА 1 КВ. М ЖИЛЬЯ / AUTOREGRESSION / TIME SERIES MODELING / FORECASTING / HOUSING MARKET / AVERAGE PRICE 1 SQ. M OF HOUSING

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Боченина Марина Владимировна

В статье анализируются цены на рынке жилья г. Санкт-Петербурга. Рассматривается моделирование средней цены жилья на основе временного ряда и оценка выбора оптимальной модели авторегрессии проинтегрированного скользящего среднего. Построен прогноз средней цены на вторичном рынке жилья г. Санкт-Петербурга. Акцентируется внимание на оценке качества прогноза и выборе лучшей прогнозной модели.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

PRICE FORECASTING IN THE SECONDARY HOUSING MARKET OF SAINT-PETERSBURG

In article the prices in the housing market of St. Petersburg are analyzed. Modeling of the average price of housing based on a temporary row and an assessment of the choice of optimum model of auto-regression of the integrated sliding average is considered. The forecast of the average price in the secondary housing market of St. Petersburg is constructed. The attention is focused on an assessment of quality of the forecast and the choice of the best expected model.

Текст научной работы на тему «Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга»

ПРОГНОЗИРОВАНИЕ ЦЕН НА ВТОРИЧНОМ РЫНКЕ ЖИЛЬЯ

САНКТ-ПЕТЕРБУРГА

Аннотация. В статье анализируются цены на рынке жилья г. Санкт-Петербурга. Рассматривается моделирование средней цены жилья на основе временного ряда и оценка выбора оптимальной модели авторегрессии проинтегрированного скользящего среднего. Построен прогноз среднего цены на вторичном рынке жилья г. Санкт-Петербурга. Акцентируется внимание на оценке качества прогноза и выборе лучшей прогнозной модели.

Ключевые слова. Авторегрессия, моделирование временного ряда, прогнозирование, рынок .жилья, средняя цена 1 кв. м жилья.

Bochenina M.V.

PRICE FORECASTING IN THE SECONDARY HOUSING MARKET

OF SAINT-PETERSBURG

Abstract. In article the prices in the housing market of St. Petersburg are analyzed. Modeling of the average price of housing based on a temporary row and an assessment of the choice of optimum model of auto-regression of the integrated sliding average is considered. The forecast of the average price in the secondary housing market of St. Petersburg is constructed. The attention is focused on an assessment of quality of the forecast and the choice of the best expected model.

Keywords. Autoregression, time series modeling, forecasting, housing market, average price 1 sq. m of housing.

С момента появления в России рынка жилой недвижимости возникла потребность в учете и прогнозировании его развития. За четверть века существования рынка жилья исследователи (например, Стер-ник Г.М., Стерник С.Г., Дробышевский С.М., Снитюк В.Е., Печенкина А.В. и др.) построили множество моделей для прогноза динамики его характеристик. В работе [1] рассмотрена эволюцию моделирования российского рынка жилья, рассмотренные модели показали хорошую точность прогноза в краткосрочном периоде, в среднесрочном периоде прогноз не всегда оказывался адекватным. Отчасти это связано с тем, что дополнительно возникает необходимость прогнозировать каждый фактор, включенный в модель. В статье рассматривается прогнозирование на основе изолированного динамического ряда. В качестве прогнозируемого показателя рассмотрена средняя цена 1 кв. м жилья в г. Санкт-Петербург по данным сайта недвижимости BN.ru [2].

На рис. 1 представлена динамика средней цены предложения жилья на вторичном рынке по недельным данным за период с 15 января 1999 г. по 17 февраля 2017 г. в долларах США. Динамика цен за рассматриваемый период характеризуется изменчивой тенденцией. Попытка построения прогноза с учетом данных за весь представленный период не позволила подобрать адекватную модель. Период с 1999 г. по август 2008 г. характеризовался ростом цен по экспоненциальному тренду с коэффициентом детерминации 0,93. Цена за этот период выросла в 8,5 раза и составила 4500 долларов США/кв. м.

ГРНТИ 06.35.33 О Боченина М.В., 2017

Марина Владимировна Боченина - кандидат экономических наук, доцент, доцент кафедры статистики и эконометрики Санкт-Петербургского государственного экономического университета.

Контактные данные для связи с автором: 191023, Санкт-Петербург, Садовая ул., д. 21 (Russia, St. Petersburg, Sadovaya Str., 21). Тел.: +7 911 705-65-50. E-mail: m-bochenina@yandex.ru.

5000

5

2 4000

^ 3000

пз

X

2000

ее

I 1000

а,

и 0

О 100 200 300 400 500 600 700 800 900

I, неделя

Рис. 1. Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга с января 1999 г. по февраль 2017 г., долл. США / кв. м [2]

Затем, до февраля 2009 г., наблюдался спад, характеризующийся линейной тенденцией с коэффициентом детерминации 0,91. За этот период цена упала на 48%. С февраля 2009 г. по февраль 2017 г. наблюдалась изменчивая тенденция. Функция автоматического подбора модели временного ряда в среде К {спйо.апта) описывает этот период авторегрессионным процессом (Л/?) 4 порядка и один раз проинтегрированным (I) скользящим средним (МА) 3 порядка - АШМА (4,1,3). Однако, описание экономических процессов столь сложными моделями, с множественными коэффициентами АН и МА одновременно, приводит к неочевидности влияния фактора [3]. В этом случае желательно подобрать модель, имеющую в своем составе не более одного процесса АН или МА (см. табл. 1).

Таблица 1

Модели средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга,

2009-2017 гг., долл. США / кв. м

№ Модель A1С BIC p-value

1 АШ.\/А (4,1,0) 4401,01 4421,10 0,058

2 ARIMA (4,1,1) 4398,94 4423,05 0,112

3 АШ.\/А (4,0,1) 4415,62 4443,77 0,107

4 Aim/А (4,0,0) 4417,95 4442.08 0,048

5 Aim/А (3,1,0) 4399,79 4415,86 0,091

6 .ит 1.1 (3,1,1) 4398,03 4418,12 0,159

7 ARIMA (3,0,1) 4413,83 4437,95 0,235

8 ARIMA (3,0,0) 4417,24 4437,35 0,048

9 ARIMA (2,1,0) 4398,97 4411,02 0,090

10 ARIMA (2,1,1) 4396,20 4412,28 0,219

11 ARIMA (2,0,1) 4419,57 4439,68 0,016

12 ARIMA (2,0,0) 4418,73 4434,81 0,014

13 ARIMA (1,1,0) 4400,28 4408,31 0,034

14 ARIMA (1,1,1) 4401,80 4413,86 0,020

15 ARIMA (0,1,1) 4400,29 4408,32 0,034

16 ARIMA (1,1,2) 4395,91 4411,98 0,233

17 ARIMA (0,1,2) 4399,17 4411,22 0,084

18 ARIMA (1,1,3) 4402,50 4422,59 0,046

19 ARIMA (0,1,3) 4400,86 4416.93 0,065

С этой целью в среде Я с помощью функции Апта были рассмотрены модели с различным составом АН и МА части. Все модели были исследованы на наличие автокорреляции в остатках с помощью критерия Бокса-Льюнга. В случае наличия автокорреляции в остатках критические значения

вероятностей p-value, соответствующие значению статистики Бокса-Льюнга не превышают 0,05 (см. табл. 1). В таблице в столбце AIC показаны оценки критерия Акаика (Akcrike information criterion), минимальное значение которого показывает, что модель может быть выбрана как оптимальная. Однако, как показал Шибата Р. [4], для процессов AR критерий Акаика несостоятелен вследствие переоценки порядка модели. В этом случае используют критерий Шварца ВК ' (Bavesian information criterion), оценки которого состоятельны и в случае процессов AR, в пользу выбора модели говорит его наименьшее значение.

Анализ моделей по таблице 1 показал, что минимальное значение критерия AIC имеет ARIMA(1,1,2), а минимальное значение критерия BIC, при отсутствии автокорреляции в остатках, имеет ARIMA(2,1,0), причем различие BIC с моделью ARIMA(1,1,2) составило всего 0,96. Средняя ошибка аппроксимации 1,56% модели ARIMAfl, 1,2) незначительно, но меньше, чем 1,57% модели ARIMA(2,1,0). Точечный прогноз средней цены на вторичном рынке жилья в Санкт-Петербурге на 28 апреля 2017 г. по модели AR1MA (1,1,2) составил 1855 долл. США / кв. м, а на декабрь 2017 г. -1858 долл. США/кв. м.

Реальная динамика цен на вторичном рынке Санкт-Петербурга в 2016 г. характеризовалась растущей тенденцией, которая продолжилась в начале 2017 г. (рисунок 2). Оценка этой тенденции в среде R на основе auto.arima показала, что процесс описывается моделью ARIMA (1,1,0) с наличием линейного тренда, автокорреляция в остатках отсутствует согласно критерия Бокса-Льюнга (p-value = 0,94). Прогноз по полученной модели показал значительный рост цен. Так, на 28 апреля 2017 г. прогноз составил 1917 долл. США / кв. м, а на декабрь 2017 г. - 2201 долл. США / кв. м.

1 1900 ш 1800

« 1700 £ 1600

¡•о х 01 ZT

к ж X £Г

ai

Q.

и

1500 1400 1300 1200 1100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57

t, неделя

Рис. 2. Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга с января 2016 г. по февраль 2017 г., долл. США / кв. м [2]

Тенденцию 2016 г. можно аппроксимировать степенной функцией вида: у = 1207,9/:0,0891 с коэффициентом детерминации й2=0,87 или линейной функцией с коэффициентом детерминации, равным 0,81. В остатках (гу) степенной функции наблюдается автокорреляция с коэффициентом 0,5, в то же время дисперсия остатков постоянна по критерию Фишера (/• 1.59 < /<' (0,05;27;27) =1,90) и различия средних несущественны по критерию Стьюдента (/=0,99<7 (п.о5;57)=2,00). Следовательно, остатки степенной функции представляют стационарный процесс, который можно описать моделью АРМА (1,2), по критерию Бокса-Льюнга (р-уа1ие = 0,85), автокорреляция в остатках отсутствует. Прогноз по полученной модели на 28 апреля 2017 г. составил 1767 долл. США / кв. м, на декабрь 2017 г - 1832 долл. США / кв. м.

Модели, построенные по еженедельным данным для двух периодов: 02.02.2009-17.02.2017; 15.01.2017-17.02.2017, и прогноз на их основе на май и декабрь 2017 г. представлены в таблице 2. Прогноз, основанный на длительной истории (412 наблюдений) однородных значений средней цены с коэффициентом вариации у=22% имеет незначительную вариацию прогнозной цены. Данные 2016 г. (см. рис. 2) имеют заметную колеблемость, коэффициент вариации \=51% и полученные на их основе прогнозные значения имеют заметную вариацию (см. табл. 2).

Таблица 2

Прогноз на 2017г. средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, долл. США / кв. м

Модель А1С В1С Р- уаЫе Прогноз

май декабрь

построена по 412 наблюдениям

АШМА (1,1,2): % = 1,795у^ - 0,826^-1 + 0,113%_2 + г1 4396 4412 0,23 1855 1858

АШМА (2,1,0): уг = 0,987уг_Л + 0,091у,-_2 + £.г 4399 4411 0,09 1837 1838

построена по 57 наблюдениям

АШМА (1,1,0): уг = 9,1С + 0+ е( 560 566 0,94 1927 2201

(% = 1207,9£°<О89Ч (е^ = 1,005 + 0,567гг;_1 + ^ - 0,27781_1 + 0,5658^2 251 241 0,85 1769 1832

Оценить качество прогноза можно только по факту его свершения. Визуализация значений средней цены вторичного жилья в марте 2017 г. в г. Санкт-Петербурге [2] и прогнозных значений, рассчитанных по моделям, представленным в таблице 2 для этого периода, не позволяет однозначно выбрать лучшую прогнозную модель (см. рис. 3).

1900

¡а

1 1850

со ЧЛ-

1 1800 =г о; к

5: 1750

II)

о.

и

»Фактически

10 15

- • -дшмтеи)

20 25 30

—•-АШМА (2,1,0)

Рис. 3. Средняя цена предложения и прогнозные значения на вторичном рынке жилья г. Санкт-Петербурга в марте 2017 г., долл. США / кв. м [2]

Оценка качества прогноза на март 2017 г., основанная на аналитических показателях, выявила, что минимальные прогнозные ошибки имеет модель на основе степенной функции. Аналитические показатели по рассмотренным моделям представлены в таблице 3, где Д - средняя абсолютная ошибка прогноза; а - среднеквадратическая ошибка прогноза; £ - ошибка аппроксимации (средняя относительная ошибка прогноза). У всех моделей, представленных в таблице 3, ошибка аппроксимации не превышает 5%, что свидетельствует о высокой точности прогноза на основе этих моделей. Модель АШМА (1,1,0) по итогам марта показала наибольшие прогнозные ошибки.

В качестве сравнительного показателя точности прогноза нами был рассчитан коэффициент корреляции (т'уу) между фактическими (у) и теоретическими значениями (у) (см. табл. 4).

Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга в марте месяце имела тесную линейную связь с прогнозными значениями по модели АШМА (1,1,0), а с прогнозом на основе степенной функции связь была заметной и носила обратный характер. Таким образом, анализ качества прогноза на основе рассмотренных показателей не выявил однозначно лучшую модель, и для них была построена диаграмма «прогноз-реализация» (см. рис. 4).

На диаграмме по оси ординат отложено прогнозируемое, а по оси абсцисс - фактическое значение переменной. Прямая линия на диаграмме - это отражение совершенного прогноза. Точечный прогноз по моделям: АШМА (1,1,2); АШМА (2,1,0); АШМА (1,1,0) расположен в зоне переоценки изменений цены. Прогнозные значения на основе степенной функции расположились в двух зонах как переоцен-

ки, так и недооценки изменений цены и сосредоточились в окрестностях линии совершенного прогноза. Для этой модели ошибку прогноза разложили на доли несоответствия по Тейлу. Ошибка в оценке центральной тенденции составила 25% (доля смещения). Совпадение стандартных отклонений прогноза и фактических значений - 7% (доля дисперсии). Оставшиеся 68% пришлись на долю ковариа-ции, то есть несистематической, остаточной ошибки, которая при идеальном прогнозе составляет 100%. Таким образом, доля систематической ошибки и вариации составляет третью часть ошибки прогноза, что является хорошим показателем прогнозной модели.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Таблица 3

Аналитические показатели качества прогноза иа март 2017 г. средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга

Модель д долл.США KB.M долл.США a,- KB.M £, %

построена по 412 наблюдениям

ARl.\ 1.1 (1,1,2): yt = 1,795yt_! - 0,826^_! + 0,113£t_2 + £t 46,16 51,85 2,58

ARIMA (2,1,0): yt = 0,9 87y, , + 0,091yt_2 + £t 43,34 46,40 2,42

построена no 57 наблюдениям

ARIMA (1,1,0): ft = 9,11 + 0,6yt_t + et 62,42 65,67 3,48

(yt = 12 07,9i 0,0891 £t Ut = 1,005 + 0,567ft_1 + 5t- 0,277St. , + 0,5655t_2 31,73 44,15 1,74

Сравнительный показатель качества прогноза средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, март 2017 г.

Модель T r lyy

ARIMA (1,1,2): yt = 1,7ЪБуь_г - 0,8266^ + 0,113et_2 + et 0,63

ARIMA (2,1,0): y, = 0,987y,_1 + 0,091y,_? + et 0,43

ARIMA (1,1,0): yt = 9,11 + 0,6yt_± + щ 0,74

(у, = 1207,9 t°'0891et let = 1,005 + 0,567£t_1 + St - 0,277+ 0,5655t_2 -0,43

Таблица 4

ARIMA (1,1,2) ARIMA (2,1,0) ARIMA (1,1,0)

1900 A 1900 a 1900

jT Г I

1850 «/ 1850 1850

••

1800 / 1800 /[_ 1800

/ /

1750 / 1750 / 1750

1750 1850 1750 1850 1750 1850

Степенная

1900 1850 1800 1750

У

щ/

1750 1850

Рис. 4. Диаграмма «прогноз-реализация» для средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга в марте 2017 г., долл. США / кв. м

Общую оценку качества прогнозной модели дает коэффициент неравенства Тейла (Theil Inequality Coefficient), который составил 0,012. Это значение очень близко к нулю, следовательно, прогноз по модели на основе степенной функции хорошего качества. Значение этого коэффициента для трех других моделей тоже близко к нулю, так как не превышает 0,02. Однако, доля систематической ошибки у всех трех моделей ARIMA очень велика и находится в диапазоне от 64% до 91%. Таким образом, прогноз по модели на основе степенной функции можно считать хорошим.

В качестве индикатора прогноза средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, рассмотрены два показателя: курс доллара США (USD) к рублю и цены на нефть марки

Brent, f/Ж/баррель. Коэффициент корреляции между ценой на жилье и курсом USD равен (-0,07), что говорит об отсутствии линейной зависимости, а между ценой на жилье и ценой на нефть - 0,94, то есть тесная линейная связь. Но наличие корреляции между рядами не означает еще совпадения их тенденций. Поэтому временные ряды цены на жилье и цены на нефть были проверены на наличие ко-интеграции с помощью критерия Энгеля-Грангера, который не позволил отклонить гипотезу об отсутствии коинтеграции.

Следовательно, на временном интервале с января 2016 г. по февраль 2017 г. динамика этих показателей не совпадает в течение длительного периода времени. В рамках рассмотренного временного интервала не удалось определить показатель, который можно рассматривать как индикатор средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга. Поэтому строить прогноз будем, опираясь на оптимальную модель, на основе степенной функции. В итоге интервальный прогноз средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга на декабрь 2017 г. составил 1713 - 1954 долл. США / кв. м.

ЛИТЕРАТУРА

1. Стерник Г.М., Стерник С.Г., Свиридов A.B. Методология прогнозирования российского рынка недвижимости. Часть 3. Эволюция методов прогнозирования на рынке жилой недвижимости России // Механизация строительства. 2014. № 2. С. 60-64.

2. BN.ru. [Электронный ресурс]. Режим доступа: http://www.bn.ru/graphs/7singlgraplFinain (дата обращения 18.02.2017).

3. The mathematical structure of ARIMA models. Robert Nau. [Электронный ресурс]. Режим доступа: https://faculty.fuqua.duke.edu/~rnau/Mathematical structure of ARIMA models-Robert Nau.pdf (дата обращения 11.02.2017).

4. Schibata R. Selection of the Order on an Autoregressive Model by Akaike's Information Criterion // Biometrika. 1976. №63. P. 147-164.

i Надоели баннеры? Вы всегда можете отключить рекламу.